基于BP神经网络的粮食产量预测

伍丹华 周礼梅

摘要：利用江苏省东台市2009-2018年粮食生产相关影响指标数据，建立了基于Back progagation（BP）神经网络的东台市粮食产量预测模型。该模型以粮食种植面积、农药施用量、化肥施用量、农业机械化总动力、农用排灌动力机械5个指标为神经网络输入值，粮食产量为输出值进行预测，结果表明BP神经网络应用于粮食产量预测精度高，在粮食产量预测方面符合客观现实，对政府部门粮食预测具有指导意义。

关键词：BP神经网络;模型;粮食产量预测

东台市农业在市场资源配置中决定性不高、人居产量和消费匹配度还有差距，人口增长和耕地保有量存在结构性矛盾，还需要建立增长点、增长极，增强内生发展动力。面对东台市粮情和生产情况，江苏省东台市坚持粮食生产要稳字当头，稳政策、稳面积、稳产量，坚持“三农”工作优先保障投入，做好粮食产量预测，对决策部门具有现实的指导意义和参照依据。粮食预测产量模型具有多样性、指标性和全面系统性问题，目前已有的诸多预测方法误差相对较大，精度不高。随着人们意识形态的不断提高，农业大数据智能化的逐步应用， Back progagation（BP）神经网络弥补了传统预测和估算方法的缺陷，具有较好的预测特性。本文利用BP神经网络进行粮食产量预测，目的在于精准预测粮食产量，对东台市粮食生产进行前瞻性、可见性预测，更符合东台市粮食生产的实际。

1    东台市粮食产量模型的建立

1.1   神经网络模型工作原理

BP网络是一种按误差正反向互交的网络，包括前端、中端和后端的几层反馈的神经网络，特点就是信号向前不断反复传递，误差后向反复不断传播。在正向传递过程中，输入矢量数据先经过输入层辐射传递到隐含层一步步处理，直到输出层。每一层的输出量只会影响下一层的处理层。如果输出层得不到每一层的预期数据输出，则再转入上一层进行反向传播，在这个过程中不断修正和调整网络权限和阈值，最后的BP神经网络输出的数据预测不断跟真实值相近。一般BP网络必须要求与输入相对应的希望输出构成不断学习训练，通过训练使网络具有记忆和预测的功能。对网络进行初始化后，确定系统输入输出矢量，分别确定网络输入层节点数、隐含层节点数、输出层节点数及输出层、初始化输入层、隐含层和输出层神经元的权限，隐含层及输出层阈值，再给与学习速率和神经元鼓励函数。隐含层输入值，是根据输入向量，输入层和隐含层间连权限以及隐含层阈值来计算。BP神经网络预测输入值，是根据隐含层输入值，连接权限和阈值来计算。最后预测误差根据网络预测输出值和期望输入值计算得出。算法流程如下图1：

1.2   BP神经网络的粮食产量模型参数确定

现实解决问题过程中，目前在该领域利用实验软件，选取大量的计算和試验指标应用神经网络算法。为减少大量的研究和计算的工作量，实验软件提供了神经网络工具箱，在实际解决问题过程中减少了时间，也提供了便利的条件。该模型选取粮食种植面积、农药施用量、化肥施用量、农业机械化总动力、农用排灌动力机械5个指标为神经网络输入值，输出变量为粮食产量，根据模型建立粮食产量BP神经网络模型。BP神经网络在确定了输入量和输出量以后首先进行变量的规范化处理。本文研究采用Sigmoid函数的取值范围为[-1，1]，采用 神经网络工具箱中的premnmx专用函数进行规范化处理，然后进行BP神经网络的建立。本文通过三层BP网络隐层节点的数目，可确定隐含层节点数为11，这样就可以构成了一个“5-11-1”的BP神经网络模型。其隐含层及输出层传递函数分别采用双曲正切函数（tansig）及线性函数（purelin），采用进一步割线算法（trainoss）。设置最大迭代次数2000，误差值期望0.01。

2    东台市粮食产量预测与结果分析

东台市位于江苏省中部，盐城市最南端，东至黄海，南与海安县接壤，西与泰州市兴化市毗邻，北与盐城大丰区交界，区域总面积3175.15平方公里。东台市是盐城粮食产量丰富的县级市之一，为盐城成为江苏省最大的农业生产市起到举足轻重的作用，因为，粮食精准预测十分重要，东台市自然资源丰富，但经济发展水平还有一定的差异性，对东台市实际情况做的大量的调查研究后，选取了与粮食产量密切相关的5个指标作为网络的输入值，粮食产量作为输出值[2]。

以2009-2018年的数据为基础，选取2009-2013年5个年份影响因素和粮食产量数据作为训练样本，以2014-2018年的影响因素和粮食产量数据作为检验样本。具体指标数据如表1，数据来源于东台市统计年鉴。

在MATLAB（R2014a）实验环境下，调用BP神经网络工具箱中的函数，进行网络训练与检验。选取了Trainlm函数，学习函数为Learngdm，传递函数Tansig，输出函数设定为Logsig。网络层次设计的参数规定如下：隐含神经元素9个，输出元素1个，学习率0.01，终止参数设最大批次2000次，步长Epochs为1000，精度0.0001层。在以上设计的基础上，编写BP预测网络设计与练习，经过多次验证，取得了较好的预测结果，如下图2所示。

通过10个样本的检验，2008-2017年的预测值与真实值的误差均小于3%，具有高度的精确性，取得了较好的拟合结果。误差稍大的点出现在2015、2016年粮食产量预测数据图形中，在2017年预模型中又适时得到了相应的调整，表现出模型较好的自调剂和自适应的特点，预测结果相对稳定，达到与现实比较后的预期结果。根据此模型可以对未来年份的东台市粮食产量进行预测。再次输入2010-2018年的数据作为样本输入，根据模型预测2019年的粮食产量，仿真结果为64589万吨，国家统计局公布的2019年的东台市粮食产量为64896万吨，数据比对后，二者误差基本可以忽略，表明BP算法对东台市粮食产量的预测是匹配的。

3    结 论

针对东台市粮食产量预测问题，普通统计模型对粮食产量预测准确性不高，将BP神经网络应用于粮食产量预测，精度高，自适应能力好。本文提出了基于BP算法的模型，以2008-2018年东台市粮食产量为检验样本进行检测，结果表明，BP神经网络模型预测数据较稳定，结果得到预期，有着传统方法不可代替的优势。该模型拟合了复杂的非线性系统问题，为东台市粮食产量预测提供了新的有效方法。但本文中还存在不足的地方，没有充分考虑到粮食产量与其他更多影响因素之间的关系，预测方法相对宏观。此外，BP网络算法中还有神经网络收敛慢和容易陷入局部极小值的问题，所以，BP网络算法还有些缺陷，有待进一步优化提高。

参考文献：

[1]刘星，李壮阔，王文辉.基于BP神经网络的化肥供应商选择模型研究[J].湖南农业科学，2007（6）：169-170.

[2]朱凯，王正林.精通MATLAB神经网络[M].北京：电子工业出版社，2010：193-198.