基于BP神经网络的全国棉花产量预测研究

梁后军 谢睿 常郝

摘要：本文以1980-2018年全国棉花产量为基础使用神经网络预测未来一年棉花的产量，并外推2019年的全国棉花产量.实验表明选用的历史数据过长或过短产生的预测值相对误差较大，取历史数据为6，9，12时，2017、2018年预测产量与实际产量相比分别为0.36%及3.6%.预测显示2019年的产量与2018年基本持平.

关键词：棉花产量;BP神经网络;预测

中图分类号：S562  文献标识码：A  文章编号：1673-260X（2019）07-0073-03

棉花是人民生存发展的基本保障之一，也是一种重要的战略物资，它关系到国家的经济繁荣和社会的可持续发展.棉花产量的增减与国民经济和人民生活息息相关，影响着我国纺织工业原料供应、棉花贸易的发展和棉花产业国际竞争力的强弱.因此，开展棉花生产动态预测具有重要意义.长期以来，我国棉花生产和需求波动较大.供过于求与供不应求、卖棉难与买棉难交替出现的问题，使我国棉花产业陷入一种短缺与过剩的周期波动之中.

只有及时、准确地提供有效的棉花生产与消费的监测预警信息，引导棉花生产、销售、贮存和加工等产业采取合适的对策，降低棉花产业波动，降低市场风险，保护棉花产业链上各方的利益，才能保证棉花产业的可持续发展为保证棉花市场的可持续发展，建立一种可行的棉花产量动态预测模型势在必行.自20世纪90年代以来，气象部门就已经开始利用棉花播种前及生长季内的气象条件来预测棉花产量，并取得了显著的服务效益.目前，对棉花产量的动态预测方法的研究很多，但大多采用统计学方法，而且时效性较差.

在农业产品预测方面，宗宸生[1]等运用粒子群算法优化BP[2-4]神经网络的初始权重，建立了适合小样本粮食产量的预测模型.实验表明，该模型具有更高的预测精度和较大的适应度.王艳[5]运用卡尔曼滤波算法对新疆棉花产量进行预测，卡尔曼滤波算法的平均预测误差仅为0.86%，比自回归滑动平均（ARMA）模型的预测误差（3.4%）减小了74.34%.由于棉花产业系统具有随机性、非线性等特点，作为目前应用最成功的神经网络之一，BP神经网络的突出优势在于其具有强大的非线性映射和自适应能力，常用于解决复杂的非线性问题.因而本文以1980—2018年全国棉花产量为基础使用BP神经网络预测未来一年棉花的产量，并外推2019年的全国棉花产量，以期为棉花产业的生产、加工及期货交易等提供依据.

1 神经网络预测原理

1.1 数据处理

本文以1980—2018年全国棉花产量为基础使用BP神经网络预测未来一年棉花的产量，各年产量如图1所示，虽然存在波动，但总体而言有一个缓慢上升的趋势.实验时首先用前面数年的历史数据和下一年的产量组成输入-输出对，对神经网络进行训练，再取出最后几年的历史数据使用训练好的神经网络预测2019年的棉花产量.为测试神经网络的性能，训练用历史数据的长度分年选为3，6，9，12，15，分别表示取前面3年，6年，9年，12年，15年的历史数据（作为神经网络的输入）预测下一年的产量（神经网络的输出）.从图中可见所有数据最大值不超过800，为便于神经网络计算，先将这些数据除以1000，归一化到区间（0，1）之间.

1.2 神经网络原理

本文所用BP神经网络如图2所示，其中S表示Sigmoid函数.因为Sigmoid函数（简称S型函数）处处可导且具有非线性饱和的特性，BP神经网络一般选用S型函数作为激活函数.S型函数在负无穷端趋于0，正无穷端趋于1，呈非线性饱和特性，中间部分呈线性特性，非常类似生物神经元的信号输出形式，可增强网络的非线性映射能力.

2 实验

实验分两组，一组是选出合适的历史年份数目，即m，第二组是用训练好的神经网络预测2019年的棉花产量.

2.1 选择历史年份数目

本组实验也分两部分.

第一部分是由1980年到2016年的年产量预测2017，2018年的产量并与实际产量进行对比.如表1所示（为便于描述，当历史年份数m=3，6，9， 12，15时，分别称对应的方法为“3预测1”“6预测1”等），当m由3变化到15时，相对误差有一个先减小后增大的趋势，即m=3，15时预测效果较差.当m=15时，虽然对于训练中用过的数据产生的平均误差较小，但预测值的误差较大，即外推效果较差，因而在预测时只考虑m6，9，12这3种方法得到的结果.从时间方向看，对紧邻的年份（2017）的预测误差较小，从表1中可以看出对2017年预测的相对误差只有0.36%，而对较远年份（2018）的预测效果较差，相对误差已经达到了10.81%.对2017年而言，“6预测1”效果最好，相对误差只有0.36%，实际产量与对应预测值的结果对比如图3所示，可见二者基本吻合.

第二部分是由1980年到2017年的年产量预测2018年的产量并与实际产量进行对比.同样可以看出当历史年份数m=3，15时预测的相对误差较大，对m=6，9，12时的预测结果取平均，得到的结果较稳定，效果也较好，如表2所示相对误差是3.60%，是可以接受的.

2.2 选择历史年份数目

鉴于m=6，9，12时，三种预测方法的平均值效果稳定、精度也较高，因而采用这三种方法结果的平均值作为最终预测结果.使用1980-2018年的数据对神经网络进行训练，预测的2019年的产量见表3，平均预测值为604万吨，即与2018的产量基本持平.

3 总结与讨论

本研究针对棉花产量具有随机性、非线性难以预测等特点，利用BP神经网络具有强大的非线性映射和自适应能力，以1980—2018年全国棉花产量为基础使用神经网络预测未来一年棉花的产量，并外推2019年的全国棉花产量.

实验表明选用的历史数据过长或过短产生的预测值相对误差较大，取历史数据为6，9，12时， 2017、2018年预测产量与实际产量相比分别为0.36%及3.6%.预测显示2019年的产量与2018年基本持平.

参考文献：

〔1〕宗宸生，郑焕霞，王林山.改进粒子群优化BP神经网络粮食产量预测模型[J].计算机系统应用，2018，27（12）：203-209.

〔2〕Linyong Cheng， Dongdong Chen，Mingsong Chen， A precise BP neural network-based online model predictive control strategy for die forging hydraulic press machine. Neural Comput & Application， 2016.

〔3〕Jianyong Liu， Huaixiao Wang， Yangyang Sun， et al.， Real-Coded Quantum-Inspired Genetic Algorithm-Based BP Neural Network Algorithm[J]. Mathematical Problems in Engineering， 2015： 1-10.

〔4〕李尚平，陳曾雄.BP神经网络对甘蔗宿根切割质量的预测[J].农机化研究，2018：11-17.

〔5〕王艳.基于卡尔曼滤波算法的新疆棉花产量预测[J].国际纺织导，2018（6）：57-61.