农业预测方法范文

导语：如何才能写好一篇农业预测方法，这就需要搜集整理更多的资料和文献，欢迎阅读由公务员之家整理的十篇范文，供你借鉴。

篇1

信息技术在过去数年中的飞速发展将人类社会带入了“第三次技术革命”，无论是物联网的初步形成，还是云计算技术的普及应用，抑或是移动终端的大规模应用，都给人类收集和利用数据的范围和形式带来了颠覆性的变革――“大数据”时代正在向我们走来。

对于“大数据”这一概念，目前还没有统一的概念与定义。维基百科将大数据定义为“无法在一定时间内用常规软件工具对其内容进行抓取、管理和处理的数据集合”。研究机构Gartner给出了这样的定义：“‘大数据’是需要新处理模式才能具有更强的决策力、洞察发现力和流程优化能力的海量、高增长率和多样化的信息资产。”虽然说法不尽相同，但都向我们传递了这样一个信息：“大数据”时代的数据无论是从数据量和数据形式上都与过去有了极大的不同。如何使培养出具备能够对这样大量的数字化数据进行准确的分析并对市场未来发展进行正确预测的能力的优秀人才，成为摆在高职院校面前的一个新课题。

在高职院校中《市场调查与预测》课程就是专门培养学生市场调查能力和分析预测能力的一门课程，是市场营销专业的核心课程，多在财经管理类学校开设，后由于它的应用性很强，能为企业在作重大决策时提供强有力的依据，所以很多工科类院校和农业类院校也开设了这门课程。黑龙江省作为一个农业大省，农业类高职院校在“大数据”时代，该门课程人才培养方案的更新与改革就具有非常重要的意义。

一、农业高职院校财经类专业市场调查与预测人才培养现状分析

第一，我省农业高职院校的财经类专业属于比较“年轻”的专业，并且受我省经济结构和经济发展的影响，使得这些专业的教学理念和教学思想仍处在学习和借鉴的阶段，教学思想陈旧，人才培养方案大多借鉴市场营销专业或商务管理专业而设计。教学思想上仍旧以“教、学”作为主导，这样的教学理念和教学思想让学生缺乏学习主动性与学习热情。没有热情的学生无法与老师进行有效的课堂互动，即使采用了新的教学方法，也难以达到预期的教学效果。因此，要想提高课堂教学效果和教学质量，改变陈旧的教学思想就是第一步。

第二，市场调查与预测专业所学习的是一门应用性很强的课程，注重技能的掌握，在教学中需要侧重理论知识的实际应用。学生通过课堂的学习能够具备目标市场调查能力、调查结果分析能力并对市场或行业发展进行有根据的预测能力。但是现在该课程的教学方法相对传统，长期以来，中国高职院校市场调查与预测相关课程的教学及人才培养形成了一个固定的模式。在授课方法上，教师大多按照教材从市场调查的概念、方法开始讲起，仅仅依靠一支粉笔和一张嘴进行讲授式的教学，大部分的教师都不会去管学生完成课程学习后究竟能否成功地去组织和进行市场调研。在人才培养上，高职教学并不仅仅是以传播知识为目的，同时还应注重学习者个人能力的培养，包括学习者个人对知识的再思考、再运用。讲授概念、掌握方法的老一套教学方法已经不能培养出具有创新精神和实践能力的高级专门人才，无法适应现代教育。

第三，“大数据”时代的信息量庞大，传统的数据收集方法、统计方法已经无法对如此大量的数据进行分析和整理。网络时代的数据流量极大，传统的统计方法已经无法满足企业处理数据的需求，因此在市场调查与预测相关课程的教学与人才培养过程中，必须引入新的统计方法与统计工具来满足数据处理需求。

第四，企业要求市场调查结果更加详细具体，预测结果更加准确。近年来市场中企业之间的竞争不断激化，企业迫切地希望对自身市场进行深入而又详尽的了解，因此企业对于市场调查更加的重视。但是目前的市场调查预测相关课程教学中由于授课教师与学生没有足够的条件了解企业现状，所以导致课程中所采用的调查课题选择不科学，超出了教师与学生的驾驭能力，使得课程中的调查仅仅留存于表面，并未对问题核心进行探索。尤其面对大量的数据，教师与学生就更加无所适从，对企业现状或企业存在的问题的分析也是流于表面，没有能力与时间深入下去。这种教学是无法培养出符合企业需求的员工的。

二、“大数据”时代市场调查与预测相关课程教学及人才培养方案改革的几点建议

首先，市场调查与预测各相关课程都是应用性极强的课程，在教学中必须注意学生理论知识与社会实践活动结合能力的培养，通过课堂教学让学生对基础理论知识全面而逐步深入地理解并且熟练掌握预测方法与技巧，通过实训教学锻炼学生能够正确地运用知识、创造性地解决具体实践问题。也就是说，市场调查与预测相关各门课程的教学模式必须注重开发学生解决实际问题的能力，提高学生知识应用水平，培养学生逻辑性思维和创造性思维方式。从这一点出发，在教学过程和教学设计中要注重原理方法的讲授必须结合现实案例来进行，多采用案例教学法、模拟实训法等实践操作性较强的教学方法，将理论与实践紧密的整合在一起。在学生了解市场调研的知识体系前提下，注重解决实际市场调研问题方法的培养和锻炼。

第二，“大数据”时代的数据拥有“数量大、数字化”的特点，在这个前提下，传统的统计分析方法已经无法对目前的数据进行完全的分析与判断，必须借助现代化的分析工具。能够让学生在课堂教学过程中熟练的掌握这些工具的应用，就成为现在市场调查与预测相关课程的教学重点。在教学过程中可以利用现代化、信息化的教学手段和教学工具――例如使用SPSS软件代替功能简单的Excel软件。当数据如潮水般大量涌来时，传统的Excel软件已经无法满足学生们的需求，而使用功能更加强大的统计软件能够有效地提高学生对数据的处理能力。预测工具升级的同时，不仅极大地缩短了数据处理的时间，并且会大大提高预测的准确性。

篇2

关键词：界址点；房角点；解析法；坐标反算；精度要求；限差

一 任务背景

《物权法》第10条规定，国家对不动产实行统一登记制度。国务院总理在2013年11月20日主持召开国务院常务会议，提出建立不动产登记信息管理基础平台。不动产登记中非常重要的一项内容就是农村房屋权籍的调查与登记，而房屋调查必然需要房屋测量工作。

二 主要内容

房屋测量工作的主要内容包括控制测量、界址点测量、房屋要素测量、房屋边长和层高测量、房屋面积测算、分幅图、宗地图、房屋分户图的绘制、测量报告的撰写等。本论文只叙述和讨论界址点测量、房屋要素测量、房屋边长和层高测量、房屋面积计算。

三 界址点测量

1、各级界址点相对于邻近控制点的点位误差和间距超过50m的相邻界址点的间距误差不超过下表规定；

2、间距未超过50m的界址点间的间距误差限差，不应超过下式计算的结果。

3、界址点坐标全部采用解析法测量

（1）解析法是指采用全站仪、GNSS 接收机、钢尺等测量工具，通过全野外测量技术获取界址点坐标和界址点间距的方法。主要方法有极坐标法、正交法（直角坐标法）、截距法（内外分点法）、距离交会法、角度交会法、GNSS定位方法等。根据界址点的观测环境选用不同的方法。

（2）界址点坐标取位至0.001m。

四 房屋要素测量

房屋要素测量的主要内容为境界测量、房屋及其附属设施测量、陆地交通和水域测量、其他相关地物测量。房产要素测量方法包括：野外解析法、航空摄影测量法、全野外数据采集法。当需要房角点坐标反算房屋边长或计算面积时，房角点测量按界址点测量精度要求和测量方法，以房屋外墙勒脚以上（100±20）M处设点测量。

五 房屋边长和层高测量

1、采用实地量距法丈量房屋边长

房屋边长丈量与宗地的界址边长丈量同时进行，对于已有户型图的，可通过核实户型图获取房屋内部边长，对于没有户型图的，需实地测量房屋边长。实测房屋边长时，应符合下列要求：

①应重复测量不少于两次，其较差应在限差内，并取平均数作为最终结果。

②采用同一钢卷尺两次丈量时，边长不大于10米的较差相对误差应小于1/1000；边长大于10米的较差相对误差应小于1/2000。测距仪测距时两次读数较差不应大于5毫米。

2、采用房角点坐标反算房屋边长

用解析法测量房角点，用房角点坐标反算房屋边长。

3、实地量距法和解析房角点坐标反算法，求取房屋边长时的区别及对比结果。

实地量距法：①操作简单，数据直观，满足精度要求。②房屋外廓的全长与分段丈量之和的较差需在限差内，并需把分段丈量的数据按比例配赋。此过程比较复杂。③经实践中证实，现实中农村房屋并非完美的矩形或其他规矩的几何图形，所以只有房屋边长而没有房屋各内角的准确数据，很难真实的把现实房屋绘制成矢量图形。

解析房角点坐标反算法：①作业方便、快捷，满足精度要求。②既有角度又有距离，能形成满足要求的房角点坐标，从而绘制出符合实际情况的矢量图形。对比结果：解析房角点坐标反算法求取房屋边长，既满足精度要求，又在现实作业中存在很大的优势，所以建议主要采取此方法；在测量困难的地方，辅助采用实地量距法。

4、层高测量

①同一楼层分为多个不同层高的建筑空间时，各空间应分别测量与记录。

②建筑物的设计层高在大于2.10米和小于2.30米范围内时，应在不同位置测量不少于3个层高值，并应取平均值作为实测层高；设计高值大于2.30米时，可以只测一个层高值，层高值应取位至厘米。

六 房屋面积计算

1、一般规定：房屋面积测算指建筑物外墙（柱）勒脚以上各层的水平投影的建筑面积。测算房屋建筑面积同时应具备以下条件（室外楼梯除外）：应具有上盖，结构牢固，层高在2.20米以上（含2.20米），有围护物，属永久性的建筑物，可作为人民生产或生活的场所。各类面积必须独立测算两次，其较差在限差以内，取平均数作为最终结果。面积以O单位，取位0.01O。计算过程取位0.001O，公摊系数取位0.000001。

2、采用坐标解析法计算房屋面积，按下式计算面积：

3、采用实地量距法。规则图形时，可根据实地丈量的边长直接计算面积；不规则图形，将其分割成简单的几何图形，然后分别计算面积。

房屋面积的限差和中误差不能超过下表计算的结果。

4、采用图解法图上量算面积，可选用求积仪法、几何图形法等方法。图上面积测算均应独立进行两侧。

5、各类面积测算方法的区别及分析结果

实地量距法：①操作简单、数据直观，满足精度要求。②现实中的房屋内角不完全是90°或其它计算简单的角度，简单套用矩形或梯形计算，会造成较大的误差。③实地量距法计算的房屋，无法真实定位房屋图形的位置。

篇3

关键词：统计预测;企业经营管理决策;时间序列预测法;回归预测

中图分类号：F27 文献标识码：A

收录日期：2015年12月19日

统计工作是企业管理经营决策的主要内容之一，科学有效的管理是企业发展的保证，但是科学有效的企业管理离不开统计工作的支持。本文梳理国内外相关研究成果，借鉴其他学者对于预测方法的研究进展，结合统计方法以及统计软件（Excel、SAS和Eviews）对企业某一指标进行时间序列分析预测，再将其与多因素结合进行回归分析预测，两种统计预测方法相结合，使企业决策者对企业自身和市场能够做出准确评估。

（一）时间序列分析法。序列值之间存在着一定的相关关系，并且具有某种统计规律。企业在发展中的经营管理决策往往需要分析企业的历史发展情况，并且与其现状相结合，找出序列值的统计规律，预测发展趋势，进而避免随机因素的发生使得管理者做出错误的管理决策。

1、数据的采集。此处选取中国农业银行1979～2012年的年末各项存款余额（下文直接用各项存款来指代）数据进行分析预测，数据如1所示。（表1）

2、非平稳时间序列――趋势分析法。使用SAS绘制1979年至2012年各项存款的时序图，如图1所示。（图1，x=各项存款）根据时序图（图1）从时序图中我们可以清楚地看到该序列蕴含着曲线递增的长期趋势，属于非平稳序列，可以利用曲线模型来对其进行拟合。对时间序列进行曲线拟合是通过SAS系统中的NLIN过程实现的。对1979～2012年34个观测值进行非线性趋势拟合（NLIN）。在NLIN过程中一共允许选择五种迭代方法，它们分别是：牛顿迭代法（NEWTON）、高斯迭代法（GAUSS）、马科特迭代法（MARQUARDT）、梯度法（GRANDIENT）、错位法（DUD），其中前三种迭代法的迭代功能强于后两种，此处对该序列使用高斯迭代法（GAUSS），拟合的模型结构为“x=abt”，待估参数的迭代初始值为“a=1.2，b=1.1”，通过SAS系统进行NLIN过程，得出本次迭代收敛，得到的拟合模型为：xt=656.4×1.1635t+εt。

为了更直观地看出拟合效果，将原序列值和拟合值联合作图，SAS输出结果如图2，图中红色曲线为原序列的观察值，黑点曲线为拟合值。通过该图可以看出拟合的效果是非常不错的，再通过拟合的曲线进行下一期的预测（即2013年各项存款），可以从SAS的输出结果中得出2013年的预测值为131673.2011亿元。如果想继续预测2014年的各项存款余额，可以直接利用xt=656.4×1.1635t+εt对其进行预测。（图2）

根据拟合模型和实际观测值可以计算出估计标准误差为：

在95%的概率保证程度下，其预测的近似置信区间为：

2013±t0.05SE=131673.2011±2.0345×280.48

即在131102.5645亿元至132243.8377亿元之间。

（二）回归分析预测法。回归分析是应用极其广泛的数据分析方法之一。它基于观测数据建立变量间适当的依赖关系，以分析数据内在规律，并可用于预报、控制等问题。

1、数据的采集。此处仍对中国农业银行1979～2012年的年末各项存款余额Y数据进行分析预测。再选取4个影响各项存款的因素，即国内生产总值X1，进出口总额X2，财政收入X3，全社会固定资产总额X4对其进行回归分析。运用EViews来对其进行回归分析，以预测中国农业银行各项存款余额在未来时期的规模和水平。（表2）其中：（1）1995年4月，农业发展银行部分业务划转农业银行，故自1998年4月起，“各项存款余额”、“各项贷款”数据为常规、专项业务合并数据;（2）1995年8月，国务院颁布了《关于农村金融体制改革的决定》，决定将农村信用社与中国农业银行脱离行政隶属关系，其业务管理和金融监管分别由农村信用社联社和中国人民银行承担。1995年年底，农村信用社以省为单位正式与农业银行脱离行政隶属关系。故自1996年结转数起，各项存款不再包括信用社以及信用社存款准备金，1996年各项存款转数为6939.43亿元，此处1996年各项存款数据来源于“中国农业银行境内合计人民币各项存款、各项贷款、各项储蓄时间序列比较分析表;（3）1981～1983年全社会固定资产总额平均发展速度为，1979年和1980年全社会固定资产总额是在1981年数据的基础上按平均速度推算得到的;（4）2012年国内生产总值、进出口总额、财政收入、全社会固定资产总额来自于中商情报网以及SMM网讯。

2、计算相关系数。根据表2的数据，利用Eviews的correlations分析功能，我们可以得到相关系数表。（表3）表3第一列表明，各项存款余额与其四个因素之间，均存在高度线性相关关系。据此，可以建立以各影响为自变量的一元或多元回归模型。为了更直观地观察各项存款余额与其影响因素之间的相关形式，可以利用Eviews来绘制相关散点图。

3、建立一元回归组合预测模型。由于相关系数与相关图一致表明，若进行各项存款余额一元的回归预测，可选择国内生产总值、进出口总额、财政收入、全社会固定资产总额指标作自变量，建立直线回归模型。也可以先分别用各影响因素为自变量进行一元回归预测，然后构建一元回归组合预测模型。

根据数据资料，利用Eviews对各项存款余额与各主要对各项存款余额（因变量）与国内生产总值（自变量）进行回归分析，得到分析结果，如表4所示。（表4）分析结果表明，回归方程为y1=0.213750x1-1870.225，它表明国内生产总值每增加1亿元，将影响银行各项存款余额增加0.213750亿元。

对该回归方程进行数理检验：（1）相关系数显著性检验（t检验）：由于tyx=77.58350>t0.025，32=2.0369，所以检验表明中国农业银行各项存款总额与国内生产总值之间的相关关系是显著的;（2）回归方程显著性检验（F检验）：由于F=6019.200>F0.05（1，31）=4.152，所以检验表明自变量与因变量之间的线性相关是显著的;（3）模型拟合优度检验（即r2检验）：从以上Eviews分析结果可见，中国农业银行各项存款余额和国内生产总值相关系数为r=0.997352391，可决系数r2=0.994712，修改后的可决系数为0.994547，这表明所拟合的回归方程是优良的，可用于回归预测。

同理，可知各项存款余额与进出口额、财政收入、全社会固定资产总额之间均通过相关系数显著性、回归方程显著性及拟合优度等检验，并得到如下一元回归方程和估计标准误差：各项存款余额与进出口总额回归方程为y2=0.402196x2+146.3625，估计标准误差为5354.005;各项存款余额与财政收入回归方程为y3=0.980909x3+1914.656，估计标准误差为3941.889;各项存款余额与全社会固定资产总额回归方程为y4=0.317748x4+3464.002，估计标准误差为4824.353。

根据上述分析，已知分别以国内生产总值、进出口总额、财政收入、全社会固定资产总额为自变量建立一元线性回归预测模型进行预测，其预测标准误差依次（按模型y1、y2、y3、y4排列）为：2261.308、5354.005、3941.889、4824.353，将标准误差与因变量平均数23100.374（785412.71/34=23100.374）比较计算相对误差指标（误差比率）可知，一元回归方程中y2误差率最小，y1误差率最大。将预测方程按误差率从小到大排列依次为y1、y3、y4、y2。

根据统计学5和预测学6理论，预测模型的误差越小，其预测精度则越高，可靠性越强。这里可根据误差比率系数来确定各模型在组合预测中的权数。3

一元回归方程之间误差指标的比例是：9.79%∶23.18%∶17.06%∶20.88%=1∶2.3677∶1.7426∶2.1328。

设总权数为1，误差最小的y1的权数为x，按误差率比例分配权数则有：，即：519322×1.1506=597531.8932（亿元）。

按照同样的方法可以得到进出口总额2013年预测值为285043.4106亿元、财政收入2013年预测值为140112.2447亿元、全社会固定资产总额2013年预测值为428863.5425亿元。

将各自变量2013年的预测值代入相应的一元回归预测模型，我们可以得到以下4个一元回归预测值：y1=0.213750x1-1870.225=125852.2172（亿元）;y2=114789.6821（亿元）;y3=139352.0178（亿元）;y4=139734.5349（亿元）。

将y1、y2、y3、y4代入上述的组合预测数学模型，我们可以对2013年中国农业银行年末各项存款余额作出如下预测：

y=0.4056y1+0.1902y2+0.1713y3+0.2328y4=129279.8572（亿元）

本文的时间序列分析和回归分析对2013年中国农业银行年末各项存款余额预测分别为131673.2011亿元和129279.9095亿元。据调查，由中国农业银行2013年前三季度报告可知10月31日中国农业银行年末各项存款为118025.44亿元。根据比较，回归分析的预测数据更加接近实际情况。

时间序列分析法主要优点是考虑时间序列发展趋势，使预测结果能更好地符合实际，但是忽略了其他因素对观测指标的影响。使用该方法的关键是根据企业发展情况，选择适当的时间序列模型预测该企业的发展过程和规律性，从而为企业管理者提供决策依据。而回归分析预测则可以将与企业有关的经济指标或有影响的指标放在一起进行相关的分析比较，为企业管理决策者寻找促进和阻碍企业经济发展的主要因素提供了依据，及时地为企业未来制定有效的、明确的发展计划。

主要参考文献：

[1]杜家龙.国内生产总值回归预测新探[J].统计与决策，2013.9.

[2]王春峰，万海晖，张维.组合预测在商业银行信用风险评估中的应用[J].管理工程学报，1991.1.

[3]徐国祥.统计预测方法的特点研究[J].Statistical Research，1999.2.

[4]庞皓.多元线性回归模型[M].计量经济学（第二版），2012.

篇4

关键词：渔货卸港量；灰色模型GM（1，1）；预测方法

简介

渔港是渔业生产的重要依托，是渔区经济社会发展的重要基础设施，如何选取优势渔港进行合理资金投入是我国渔港建设中面临的一个重要问题，渔货卸港量是衡量渔港规模大小以及发展能力的一项重要决策指标，科学准确地对渔货卸港量水平进行预测，对于合理进行渔港规划布局建设以及发掘优势渔港满足当地渔业需求具有更贴合实际的意义[1]。

目前在各地渔港的工程可行性研究报告中普遍采用时间序列法对渔货卸港量进行预测，将年份或者序号与卸港量分别作为回归方程的自变量和因变量，建立一元线性回归方程[2]，该方法需要较多年份资料令计算结果容易出现偏差。灰色系统理论主要研究小样本不确定问题[3]，预测样本不需要有规律性分布，灰色模型GM（1，1）是灰色预测模型中得到最普遍应用的核心模型[4]，通过灰色生成或序列算子的作用弱化随机性，挖掘潜在的规律，该模型在建模时不需要大量的数据就能取得较好的预测效果，已被广泛应用于经济管理、自然科学、农业科学、工程技术等各个领域[5]。

1 基本思路

本文采用灰色系统理论中的GM（1.1）预测模型对渔港渔货卸港量进行预测，并与时间序列法的预测结果进行比较，结果表明采用灰色模型GM（1.1）的预测精度更高，预测结果更加接近实际值。

2 算例

2.1 灰色模型GM（1，1）

利用灰色模型GM（1，1），使用前阳一级渔港1996-2005年的渔货卸港量资料对2006年的渔货卸港量进行预测。（见表1）

2.1.1 卸港量累加序列的计算结果如下。（见表2）

2.1.2 分别建立矩阵B，y

2.1.3 求逆矩阵

2.1.4 根据 计算估计值■和■：

将■和■的值带入时间响应方程，得时间响应方程为：

2.1.5 求出拟合值■（1）（i），根据■（1）（1）=■（0）（1），■（1）（2）=■（0）（2）+■（0）（1）…，进行后减运算还原，可依次得到■（0）（i）值，相关计算结果如表3所示。

表3 计算值统计表

2.1.6 精度验算与预测

使用残差检验对结果进行检验，由表3可知，相对残差的数值均小于10%，可知预测方程可用。进行外推预测，依次令k=9、10代入预测方程，可得前阳一级渔港2006年的渔货卸港量预测值为：■（0）（11）=92105.4吨。如果采用时间序列法预测，预测值为93418.83吨。而2006年石城渔港卸港量的实际值为90132吨（见表1）

建立各预测方法对比表格如表4：

表4 渔货卸港量预测结果比较

从表中可以看出采用灰色模型GM（1，1）预测的渔货卸港量数值比时间序列法要精确。

表5 各渔港渔货卸港量预测结果比较

2.2 数据对比

采用灰色模型GM（1.1）分别对海星渔港，将军石渔港，杏树渔港，四块石渔港的渔货卸港量进行预测，并与采用时间序列法的预测结果进行比较，比较结果如表5：

通过以上五个渔港卸港量预测结果的对比可以发现，在渔货卸港量的预测中，灰色模型GM（1.1）比时间序列法的预测结果更加精确，误差更小。

3 结束语

通过与传统的时间序列预测法进行比较，发现灰色模型GM（1.1）在渔货卸港量预测中的预测结果更加接近实际值。灰色模型GM（1.1）如果借助MATLAB进行编程计算，计算繁琐程度甚至会低于时间序列法，可以考虑在渔港的工程可行性研究报告中应用，该模型的低误差预测更加利于渔港的前期建设布局，同时有助于选取优势渔港进行扩建改造，更加精准的渔货卸港量预测值对当地渔业产业的发展也有着更深远的实际意义。

参考文献

[1]桂劲松.我国渔港卸鱼量发展水平预测方法探讨[J].大连水产学院学报，1995，10（3）：75-78.

[2]郭子坚.港口规划与布置[M].北京：人民交通出版社，2011（6）.

[3]刘思峰，史本广.灰色系统理论在科学发展中的作用和地位[J].农业系统科学与综合研究，2000，16（3）：168-170.

篇5

【关键词】 现金流预测; 差分自回归移动平均模型; BP神经网络模型

中图分类号：F275 文献标识码：A 文章编号：1004-5937（2014）34-0025-04

一、前言

如果说利润相当于企业的“营养”，那么现金流则相当于企业的“血液”，因现金流管理出现问题而使企业处于困境的例子不胜枚举。因此，强化对现金流的预测和管控是任何一家企业的必修课。而现金流中蕴含的丰富信息又成为大数据时代企业必须挖掘的宝贵资源和实现数据驱动智慧经营的重要基础。对资金密集型的供电企业而言，在当前售电量及相应的销售收入进入平稳增长期，而投资需求依旧旺盛的环境下，对现金流进行精益管控就显得尤为重要，而其中的关键要点便是现金流预测。

现金流入的预测一直是所有企业在现金流管理领域面对的难题，国内外各大企业和学术界对此作了大量的研究，但是并没有取得很好的效果，其主要原因在于现金流入的随机性较强、波动性大、影响因素多，不同行业不同企业的现金流各具特征、差异很大，难以找到一个统一的预测方法。但进一步就电网企业来说，电费现金流入有着其特定的规律，如图1，各年间电费现金流呈现明显的季节性变化趋势。因此，若能揭示并利用其中规律，便可在一定程度上进行较为准确的预测。

本文以占供电企业现金流入90%以上的电费现金流入为对象，尝试并比对不同的预测方法，为电网企业提高现金流管理水平提供有效手段。

二、方法介绍和已有研究成果综述

按照目前的技术手段和常用方法，一般采用： （1）解释性预测方法，典型的如线性模型和非线性模型，通过找出预测的影响因素建立回归方程;（2）时间序列模型，仅依赖被预测变量本身，通过揭示其规律进行预测。在社会经济领域，由于某一个待预测事项的影响因素众多，包括社会、经济、天气、地理、人类行为和心理因素等，而这些因素彼此又存在相关关系，因此要求穷举主要的影响因素进而建立模型也较为困难，而且其间的影响关系往往是非线性的，因此非线性的复杂模型便成为备选方法。进一步，由于“事物是发展变化的”，待预测事项及其影响因素往往是非平稳时间序列，存在前后的延续关系，因此，时间序列模型便较为合理。鉴于现金流数据的以上特征，本文选择时间序列的ARIMA模型方法和BP神经网络模型方法进行尝试和比对。

（一）ARIMA模型

ARIMA模型全称为差分自回归移动平均模型（Autoregressive Integrated Moving Average Model），其基本思想是将预测对象随时间推移而形成的数据序列视为一个随机序列，用一定的数学模型来近似描述这个序列。这个模型一旦被识别后就可以用时间序列的过去值及现在值来预测未来值。

ARIMA是多个模型的混合，即自回归AR、求和I及移动平均MA，它分为非季节性ARIMA（p，d，q）模型和季节性ARIMA（p，d，q）（P，D，Q）模型，两者的区别在于后者在进行预测时考虑了季节周期的因素，更加适用于有季节性或周期性变动的数据。由于电费现金流入数据具有明显的季节性和周期性波动，故采用后者。

对于ARIMA（p，d，q）模型，AR是自回归，p为自回归项，MA为移动平均，q为移动平均项数，d为时间序列成为平稳时所做的差分次数。在使用ARIMA模型进行预测时，最关键是的确定p、q和d等参数，其主要步骤包括平稳性检验（确定d）、模型识别（确定p和q）、参数估计与诊断检验，最后利用模型进行预测。

（二）BP神经网络模型

BP神经网络是一种按误差逆传播算法训练的多层前馈网络，是目前应用最广泛的神经网络模型之一。它能学习和贮存大量的输入――输出模式映射关系，而无需事前揭示描述这种映射的数学方程式。它的学习规则是使用最速下降法，通过反向传播来不断调整网络的权值跟阀值，使得网络的误差平方和最小。BP神经网络拓扑结构包括输入层、隐含层和输出层。

利用BP神经网络进行预测的主要步骤包括原始数据的归一化、数据分类、神经网络的建立、模型训练、实际预测、反归一化和预测结果的误差分析等。

（三）应用此两种方法进行预测的已有研究成果

对未来的预测是人们在各个领域都孜孜以求的目标，学术界和实务界进行了大量探索和尝试，其中应用较多的便是上述两种方法。

在ARIMA模型的应用方面：（1）最直接的应用是在与经济利益直接相关的金融市场，如徐珍和李星野（2012）比较了小波ARMA模型和ARIMA模型在预测上证指数中的差异，发现前者预测效果更好，说明在传统ARIMA的基础上加入小波分析是一种优化。（2）另一个较多的应用方向是对人口数量的预测，涂雄苓和徐海云（2009）比较了ARIMA与指数平滑法在我国人口数量预测中的使用，发现前者优于后者，最优模型为ARIMA（2，2，1）模型并采用其进行了预测。（3）其他领域的预测包括疾病和降水的预测，如胡建利等（2013）利用季节指数法和ARIMA模型预测感染性腹泻周发病数。

在BP神经网络模型的应用方面：（1）崔德光等（2005）在综合回归预测方法和人工神经网络预测方法优点的基础上采用组合预测方法的思想，并基于多元线性回归模型确定组合方法的权重系数，进行空中交通流量与预测，是一种比单一方法更优的模型。（2）在电力相关领域，孟凡青和解大（2009）基于盲数和神经网络进行了电价预测，吴斌等（1999）基于人工神经元网络及模糊算法进行了空间负荷预测。（3）此外，还包括在股票市场预测（胡静，2007）、税收预测（林国玺和宣慧玉，2005）和资本市场预测（曾勇，唐小我，1999）等方面。

从经济含义来看，供电企业的电费现金流入是全社会范围内大量个体自发性的综合结果，与前人研究过程中涉及的对象，如股指、电力负荷、交通流量等具有内在的一致性，很难进行人为调节和事先管控，是在全社会层面上的综合反映，因此，探寻数据本身蕴含的信息和规律并据其进行预测便是可行的方法。在这些研究结论中，比较统一的结论是ARIMA要优于指数平滑法，BP神经网络要优于多元回归方法，但是ARIMA和BP神经网络这两种方法的比较，却鲜有涉及。因此，本文便主要以供电企业电费现金流入为预测对象，对这两种方法进行比较。

三、基于电费现金流入的实证分析

（一）模型设计

历史预测结果表明仅基于电费现金流入数据本身进行预测，平均误差在5%～10%之间，个别月份更大，无法满足公司现金流入管控的要求。借鉴多元回归及组合预测的思想和方法（崔德光等，2005），在全面分析了影响电网企业电费现金流的各个因素后，最终筛选确定了供电量、增容、减容和预收差额等对电费现金流入影响较大的因素作为自变量。由于春节假期对用电量有显著影响，若预测时包括1或2月份（传统的春节均在这两个月中），则加入春节调整系数作为自变量。

在此基础上，选择A供电公司2011年1月到2014年4月的月度数据，包括各个自变量和电费现金流入数据，分别建立电费现金流入的ARIMA和BP神经网络预测模型，对比两者的预测效果。以往的研究中，通常都是基于一个单一期间的历史数据，预测特定期间的未来值，虽然神经网络算法实现过程中也进行了训练，但均缺少基于不同期间长度的历史数据的预测值比较。本文为了更好地对两种预测方法进行比较，考虑到春节假期的较大影响，基于不同长度的历史区间，分别进行四次预测，全面比较，分别是：

预测1：利用2011年1月到2012年12月共24期历史数据，预测2013年1―2月（春节期间）;

预测2：利用2011年1月到2013年12月共36期历史数据，预测2014年1―2月（春节期间）;

预测3：利用2011年1月到2013年4月共28期历史数据，预测2013年5―6月（非春节期间）;

预测4：利用2011年1月到2014年4月共40期历史数据，预测2014年5―6月（非春节期间）。

由于供电企业在实务处理中主要进行下月的短期预测，因此本文主要进行未来两个月的短期预测分析。

（二）ARIMA模型的预测结果

对于本小节，本文借助SPSS构建ARIMA模型进行计算。

首先对除了春节波动系数①之外的自变量进行预测，再根据对应的月份填入春节波动系数预测电费现金流入，最优的预测模型均为ARIMA（0，0，0）（0，1，0），具体结果如表1所示。

随着历史数据的不断增加，预测误差并没有明显缩小。四次预测的拟合如图2。

（三）BP神经网络模型的预测结果

依旧界定四个预测模型，利用Matlab来预测下两期的电费现金流量，将自变量归一化后导入Matlab中，构建一个具有14个隐含层的BP神经网络，见表2。

随着历史数据的不断增加，预测误差明显缩小。四次预测的图示如图3。

（四）结果比对

从短期的预测精度比较来看，随着历史数据的增加，BP神经网络的误差明显较ARIMA模型收敛得更快，但在预测精度的绝对值上并没有明显的优势，其差异率的波动性较大。本文进一步进行了长期预测（6～12个月），发现两种方法的预测精度都会明显下降，误差越来越大，且BP神经网络的预测精度下降得更快（详细结果不再罗列）。但仅从预测精度与实际的差异率来看，基于前述事实无法明确区分两种方法的优劣。

四、两种预测方法的比较及实施效果

由于该预测方法需要在公司日常业务中进行广泛应用，操作的便利性和易用性便成为重要考虑因素。将ARIMA模型和BP神经网络模型进行对比，两种方法各有千秋。ARIMA模型操作起来比较方便，而BP神经网络则相对比较复杂，但BP神经网络模型具有能以任意精度逼近任意曲线的能力，这是ARIMA模型所不具备的。此外，BP神经网络模型由于在初始化网络的权值和阀值的时候是随机赋值的，这就造成了训练结果的不唯一性。可能单次训练会造成比较大的误差，但是采取多次训练取均值的方法则能很好地降低误差，提高预测精度。而基于SPSS的ARIMA模型只要给定数据，可以很快计算出唯一确定的结果，无需重复操作使结果收敛。

通过一段时间的实践，笔者同时对两种预测方法的预测结果进行了比较，发现在电费现金流入趋势相对稳定的月份，如4―6月使用ARIMA模型效果较好，但是在1―2月和7―8月电费现金流入突增突减的月份，使用BP神经网络效果较好，因此确定以前者为主要方法，特殊月份以后者作为补充方法。该项措施实施前后，A供电公司电费现金流入预测的情况如图4所示，改善十分明显。

今后A公司可持续在其他预测模型的尝试、自变量选择、调整系数计算方法和赋值的优化、预测模型中关键参数的设定等方面进行改进，以期不断提高预测精度。

【主要参考文献】

[1] 范恒瑞，任黎秀.ARIMA与指数平滑法在江苏省GDP预测中的应用[J].江西农业学报，2011，23（2）：187-189.

[2] 韩萍，王鹏新，王彦集，等.多尺度标准化降水指数的ARIMA模型干旱预测研究[J].干旱地区农业研究，2008（2）：212-218.

[3] 胡静，吴强.神经网络在股票市场预测中的应用[J].科技信息（科学教研），2007（13）：261-262.

篇6

关键词：近红外光谱技术；水果；品质检测；成熟期检测

中图分类号：TV219文献标识码：A文章编号：16749944（2013）10021504

1引言

我国虽然是水果生产大国， 但自1993年以来水果储藏能力只有10 % ，烂果率高达25 %，出口总量不到总产量的3%，远低于9%～10%的世界平均水平[1～3]。以上原因造成果农卖果难，增收难。要解决这些问题，必须发展水果深加工，扩大鲜果出口。阻碍我国鲜果出口的一个重要因素是果品分选、检测能力弱，检测速度慢，检测人员的素质低，果品筛选达不到国际上水果进出口市场的要求。国内早期的水果内部品质检测方法主要是化学分析法，该方法不仅可靠性和稳定性较差，而且在测试时还必须破坏水果，测试过程繁琐，只能通过少量样本的测定，来评价整批次水果的品质。鉴于以上原因，无损检测技术应运而生。无损检测技术具有无损、快速、准确性高和实时性强等特征。目前的无损检测技术主要有针对水果光学特性、电学特性、声学特性、力学振动特性等众多性质进行的各种检测，且大多还处于试验研究阶段[2]。

近红外光谱技术（Near Infrared Spectroscopy Technology， NIST）是一种利用物质对光的吸收、散射、反射和透射等特性来确定其成分含量的一种无损检测技术，具有快速、非破坏性、无试剂分析、安全、高效、低成本及同时测定多种组分等特点[4]。随着现代光谱技术的发展，且凭借其快速、方便、准确和无损伤等特点，应用近红外光谱分析技术对水果品质进行无损检测已成为近年来的研究热点。本文主要介绍2000年后，近红外光谱分析在果实成熟期检测和品质检测两方面的研究进展。

2近红外光谱技术在水果成熟期监测中

的应用研究近红外与可见光结合的无损检测技术具有适应性强、灵敏度高、对人体无害、成本低和容易实现等优点，被广泛用于水果成熟度的无损检测。2002年，McGlone等利用VIS/NIR技术，依据果实成熟过程中叶绿素减少的趋势，深入探测了“Royal Gala”苹果在采摘前和储藏后各品质指标，光谱图如图1所示，在苹果早采收、适中采收、晚采收的典型吸光度光谱对比中，发现在680nm波长处，叶绿素吸光度有明显的变化，早采收果实的吸光度明显高于适中采收和晚采收果实，因此认为该波长可用于区别苹果的成熟度[5]。Lur等人用近红外光谱检测苹果的硬度和含糖量，通过有损与无损相结合的方式建立了预测苹果内部品质的数学模型[6]。

2005年，Ann Peirs等人在前人研究的基础上研究了苹果自然特性对可见近红外模型预测采摘期成熟度精确性的影响。研究表明，近红外光谱与成熟度有一定相关关系，其Rr>0.94，RMSEP

2007年，Yongni Shao等人用可见光与近红外检测技术结合硬度、糖度和酸度等指标检测番茄的成熟度，得到了各自的相关系数，分别为0.83、0.81和0.83，表明可见光与近红外技术无损检测水果成熟度的方法是可行而且实用的[8]。

3近红外光谱技术在水果品质检测中的

应用研究利用近红外光谱（NIR）检测水果品质早已成为国际研究热点之一。2003年，Clark等利用700～900nm的透射光检测了褐心贝宾（Braeburn）苹果，探讨了投射测量时苹果的最佳位置[9]。国内的相关研究也如雨后春笋般涌现出来，研究的水果有柑橘、苹果、梨、桃、枇杷等，检测的品质涉及糖度、酸度、可溶性固形物、维生素、坚实度、色泽及单果重量、褐变、模式识别等。

3.1糖度检测

2006年，应义斌等利用小波变换结合近红外光谱技术检测水果糖度，小波变换滤波技术能有效地消除苹果近红外光谱中的噪声，在采用小波变换尺度为3时WT-SMLR法建立的校正模型精度明显优于采用SMLR法建立的模型 [10]。周文超等建立赣南脐橙内部糖度的近红外投射PLS模型，r=0.9032，RMSEP=0.2421[11]。刘春生等利用可见/近红外漫反射光谱结合PLS建立南丰蜜桔糖度校正模型，预测集r=0.9133，RMSEP=0.5577，平均预测偏差为-0.0656[12]。

3.2酸度检测

应义斌等建立苹果有效酸度的近红外漫反射PLS模型，最佳PC=3，r=0.959，SEC=0.076，SEP=0.525，Bias=0.073[13]。刘燕德等应用近红外漫反射光谱结合光线传感技术建立苹果有效酸度模型，预测值和真实值r=0.906，SEC=0.0562、SEP=0.0562，Bias=0.0115[14]。董一威等采用CCD近红外光谱系统结合偏最小二乘回归（PLSR）建立苹果酸度预测模型，r=0.8151，SEC=0.0120，SEP=0.0204[15]。

3.3可溶性固形物检测

2006年，李建平等应用近红外漫反射光谱定量分析技术对2个产地3个品种枇杷的可溶性固形物进行无损检测研究，发现在波长1400～1500nm和1900～2000nm两段范围，样品的可溶性固形物与光谱吸光度之间的相关系数较高，最终建立的可溶性固形物含量预测模型的校正集和预测集相关系数分别为0.96和0.95[16]。

2008年，刘燕德等应用近红外光谱（350～1800nm）及偏最小二乘法回归、主成分回归和多元线性回归对梨的可溶性固形物及逆行定量分析；在采用偏最小二乘法回归算法之前先用一阶微分对光谱数据进行预处理，研究表明果实中间部位的预测结果较为理想；近红外漫反射光谱可以作为一种准确、可靠和无损的检测方法用于评价梨果实内部指标可溶性固形物[17]。

2009年，周丽萍等采用可见光与近红外光结合技术对苹果的可溶性固形物含量的检测进行了研究，他们结合主成分分析（PCA）和BP神经网络技术，建立苹果SSC预测模型；采用DPS数据处理系统对苹果样本的漫反射光谱（345～1039nm波段），进行主成分分析，获得累计可信度大于95%的5个新主成分；建立一个3层BP神经网络模型，并将这5个新的主成分作为BP神经网络模型的输入量，其结果是98%以上预测样本的预测相对误差在5%以下[18]。

3.4坚实度检测

2006年，傅霞萍等采用傅里叶漫反射近红外光谱技术研究了水果坚实度的无损检测方法，他们对不同预处理方法和不同波段建模对模型的预测性能进行分析对比，建立了利用偏最小二乘法进行水果坚实度与漫反射光谱的无损检测数学模型，同时结果表明应用近红外漫反射光谱检测水果坚实度是可行的，为今后快速无损评价水果成熟度提供了理论依据[19]。

2009年，史波林等采用近红外光谱技术结合遗传算法分别对去皮前后苹果坚实度无损检测进行研究，他们采用光谱附加散射校正（MSC）、微分处理（Derivative）、直接正交信号校正（DOSC）等预处理方法和基于遗传算法（GA）的有效波段选择方法来消除果皮对模型精度的影响，结果表明，苹果果皮对近红外光谱分析模型的预测能力有很大影响，但仅通过常规的光谱预处理方法（MSC 、Derivative）很难有效消除。他们提出的遗传算法结合直接正交信号校正（GA-DOSC）方法能有效消除果皮的影响，不但使所建模型的波长点和最佳主因子数分别由1480和5降到36和1，相关系数r由0.753提高到0.805，更重要的是模型的预测相对误差RSDp从16.71%显著下降到12 .89%，并接近采用苹果果肉建模的预测性能（12.36%），达到对苹果硬度的近红外无损检测要求[20]。

3.5色泽及单果重量检测

3.8品种鉴别

赵杰文等采用支持向量机（SVM）建立苹果不同品种、不同产地的分类模型，预测识别率精度比传统的判别分析法提高5%左右，均达到100%；回判识别率分别为100%和87%[27]。何勇等提出了一种用近红外光谱技术快速鉴别苹果品种的新方法，该方法应用主成分分析结合人工神经网络建立了苹果品种鉴别的模型，该模型的预测效果很好，识别率达到100%[28]。

4存在的问题

近红外光谱技术具有检测速度快速、检测方法简便、检测准确性高及同时可测定多种成分的优点，使它在果品在线分选检测中有较好的应用前景。虽然近红外光谱技术在水果成熟期预测和内部品质检测方面的研究已有10年的时光，有些检测技术已趋于成熟，但目前来看该技术仍存在一些问题，比如怎样找出不同水果光谱的特性波段，怎样实现果品快速在线检测和分选，怎样实现对水果的成熟度、硬度、糖度和内部缺陷等同时检测，具体来说近红外光谱技术在水果品质或成熟期检测研究中主要存在以下几方面问题。

4.1水果成熟期预测中存在的问题

（1）近红外光谱技术在水果成熟期预测中，光谱波段的选择尤为重要；建立预测模型时有必要对光谱波段进行优选和组合[29]。

（2）利用近红外光谱预测果实成熟期时，既要保证预测模型的精确度，还需考虑模型的通用性，即还需进一步研究水果果实的不同光学特性与果实成熟期的相关性，提高预测的效率和准确性。

4.2水果品质检测中存在的问题

（1）在水果品质的光谱检测中，光谱仪自身的信噪比等性能会极大地影响预测模型的精确度。可见，在光谱预处理方面，选择合适的消噪方法将成为今后近红外光谱技术在水果内部品质及成熟期预测中的另一个研究重点[30]。

（2）在利用NIST对水果品质进行检测的过程中，建立数学模型是最困难的，因为近红外光谱很容易受到果品样本个体因素如温度、检测部位不同等因素的影响；同时由于检测环境条件、仪器的精度和稳定性等复杂因素的影响，使得数学模型适应性差。在线检测过程中，样品是运动的，近红外光谱受到很大的影响，如何在果品运动的状态下获得较稳定的近红外光谱仍是一个很大的难题。

（3）建立用于水果品质光谱分析的校正模型与开发用于水果品质检测的软件系统是近红外光谱技术能否用于水果品质检测的最关键问题，但当前大部分研究只是进行可行性探索，没有进行深入研究；在实际生产生活中使用的便携式水果品质无损检测仪器非常罕见。

5发展趋势

目前水果市场，或者水果生产者在田间分析水果品质都需要一种小型便捷的、可移动式的近红外光谱分析仪器。同时这些仪器还需要操作简单，对普通常见的水果都具有适用性。因此，便携式的、能够和电脑随时连接的类USB或PDA的近红外水果分析仪将会成为市场新宠。

当今水果加工过程中非常需要一种能够根据水果品质指标（如可溶性固形物、酸度、硬度等）进行快速在线分级.光纤技术与近红外技术结合必然使近红外在线检测技术广泛应用于水果以及其他各个领域，并在今后的发展中逐步形成成熟的在线检测装备投放于市场。随着近红外光谱分析技术的不断推广和深入应用，未来它将与网络技术结合，更方便快捷地实现分析模型的在线更新与升级。

目前，水果的近红外光谱无损检测中还存在检测指标单一、实时性差、检测效率低等问题。为了解决上述问题，开展高效并行图像处理算法和多指标综合检测技术的研究非常必要，并将成为研究热点。为了更快速、更准确地得到测量结果，结合近红外光谱分析技术、高光谱成像技术，及紫外、红外光技术，从多信息融合技术的不同层次：数据层、特征层和决策层选择最优的融合方法，在水果成熟期和品质检测领域将有广阔的研究前景。近红外光谱技术将会在更多领域更广泛范围为人类带来便利。

参考文献：

[1]林，近红外光谱分析技术在我国大宗水果品质无损检测中的应用研究[J].食品工业科技，2012，6（33）：460～464.

[2]贺艳楠，水果成熟度无损检测技术研究进展[J].北方园艺，2010（3）：208～212.

[3]莫润阳，无损检测技术在水果品质评价中的应用[J].物理学和高新技术，2004，33（11）：848～851.

[4]毛莎莎，曾明，何绍兰，等，近红外光谱技术在水果成熟期预测中的应用（综述）[J].亚热带植物科学，2010，39（1）：82～89.

[5]McGlone V A， et al. VIS/NIR estimation at harvest of pre- and post-storage quality indices for ‘Royal Gala’ apple [J]. Postharvest Biology and Technology，2002，25：135～144.

[6]Lu R， et al. A Near-infeared sensing technique for measuring internal quality of apple fruit[J]. Trans of the ASAE，2002，18（5）：585～590.

[7]Ann Peirs， et al. Effect of natural variability among apples on the accuracy of VIS-NIR calibration model for optimal harvest date prediction[J]. Postharvest Biology and technology，2005，35：1～13.

[8]Yongni Shao，et al. Visible/near infrared spectrometric technique for nondestructive assessment of tomato quality characteristics[J]. Journal of Food Engineering，2007，81：672～678.

[9]Clark C J， McGlone V A， Jordan R B， et al. Detection of brown-heart in ‘braeburn’ apple by transmission NIR spectroscopy[J]. Post-harvest Biology and Technology， 2003（28）：87～96.

[10]应义斌，基于小波变换的水果糖度近红外光谱检测研究[J].光谱学与光谱分析，2006， 26（1）：63～66.

[11]周文超.近红外投射光谱无损检测赣南脐橙糖度的研究[J].农业化研究，2009（5）：161～163.

[12]刘春生.偏最小二乘法——可见/近红外光谱测定南丰蜜桔糖度的研究[J].河北师范大学学报：自然科学版，2008，32（6）：788～790，797.

[13]应义斌.苹果有效酸度的近红外漫反射无损检测[J].农业机械学报，2004，35（6）：124～126，141.

[14]刘燕德.近红外漫反射用于检测苹果糖度及有效酸度的研究[J].光谱学与光谱分析，2005，25（11）：1793～1796.

[15]董一威.苹果中糖酸度的CCD近红外光谱分析[J].食品科学，2007，28（8）：376～380.

[16]李建平，傅霞萍，周莹.近红外光谱定量分析技术在枇杷可溶性固形物无损检测中的应用[J].光谱学与光谱分析，2006，26（9）：1606～1609.

[17]刘燕德.近红外漫反射光谱检测梨内部指标可溶性固形物的研究[J].光谱学与光谱分析，2008，28（4）：797～800.

[18]周丽萍.苹果可溶性固形物含量的检测方法[J].农业化研究，2009，4（4）：104～106.

[19]傅霞萍.水果坚实度的近红外光谱检测分析实验研究[J].光谱学与光谱分析，2006，26（6）：1038～1041.

[20]史波林.应用GA-DOSC算法消除果皮影响近红外漫反射光谱分析苹果硬度的研究[J].光谱学与光谱分析，2009，29（3）：665～675.

[21] 刘燕德.梨子表面色泽的可见/近红外漫反射光谱无损检测研究[J].红外与毫米波学报，2008，27（4）：266～268.

[22]李鑫.苹果梨单果重的近红外无损检测研究[J].安徽农业科学，2008，36（4）：1297～1298.

[23]韩东海.苹果内部褐变的光学无损伤检测研究[J].农业机械学报，2006，37（6）：86～88，93.

[24]王加华.基于可见/近红外能量光谱的苹果褐腐病和水心鉴别[J].光谱学与光谱分析，2008，28（9）：2098～2102.

[25] 夏俊芳.基于小波变换的柑橘维生素C含量近红外光谱无损检测方法[J].农业工程学报，2007，23（6）：170～174.

[26]刘燕德.可见/近红外漫反射光谱无损检测南丰蜜桔维生素C的研究[J].光谱学与光谱分析，2008，28（10）：2310～2320.

[27] 赵杰文.支持向量机在苹果分类的近红外光谱模型中的应用[J].农业工程学报，2007，23（4）：149～152.

[28]何勇.基于主成分分析和神经网络的近红外光谱苹果品种鉴别方法研究[J].光谱学与光谱分析，2006，26（5）：850～853.

篇7

目前,对农作物单产预测的主要方法可归纳为以下4种:农业生物学模型[2]、统计预报模型[34]、作物生长动力模型[56]及经济计量模型[78]。农业生物学模型通过建立作物生长状况与作物产量之间的关系进行农作物产量预测。该类农学方法需要有一定样本数量的抽样调查,适用于较小区域范围内的直接调查式估产。统计预报模型则是通过建立统计因子和作物产量之间的关系实现预测,统计因子可以是气象因素(如作物生长期的积温、降水及日照等),基于气象因子进行预测的方法也称为农业气象模型;除此之外,有的研究把农业生产要素(如有效灌溉面积、机耕面积、农机总动力、化肥施用量等)考虑进来,使得预测结果更为合理。作物生长动力模型根据物理学和生物学规律,以动力学方法模拟作物的能量和物质转化过程,建立作物生长的动力学模型。经济计量模型是应用农业经济学原理,以社会政策、农业投入、农业技术等各种经济计量因子为主要预测因子的产量预测方法。该方法认为社会政策、经济和农业生产技术因素不仅决定作物产量的长期趋势,而且是造成年际间作物产量波动的重要因素,特别是农业政策、价格等对中国农作物产量有重大影响[56]。以上这些预测模型的共同点在于寻找作物产量与各种影响因子(气象因子、经济计量因子、生物学因子等)之间的关系,而对这些关系的获取和描述技术主要有统计学方法,如时间序列分析、马尔柯夫链、逐步回归、混沌理论、遗传算法等[812],除此之外还有系统模拟[5,13]、遥感技术[1418]等,而遥感技术成为目前单产预测领域的研究热点。

农作物单产预测方法逐渐向多学科、多技术综合方向发展,但本文认为现存的单产预测方法技术还需考虑以下问题。首先,现有的模型技术侧重于相对确定的、精确的农作物产量值预测。然而,农作物产量预测系统是复杂的,具有很强的不确定性,一般很难用一个确定的、合适的数学公式进行描述并预测。因此,精确预测值往往有一定的误差,使得预测的可信度大打折扣。而且产量的等级水平预测不会因为数值的微小波动影响等级预测结果,因此具有相对的稳定性,有利于把握作物总体生长情况,对于宏观政策制订、日常生产管理具有较强的指导性。其次,对农作物单产量进行预测的目的在于,为有关人员或部门提供一定程度的预警和决策分析等,以降低各种已知自然风险和生产风险所带来的损失。而上述大部分模型、技术侧重于预测,而对问题的分析、解释和诊断能力有所欠缺,对于即将发生的后果和已经发生的后果,无法得到引起事件的主要因素,因此只能被动地接受,而无法通过采取改进或规避措施来降低损失。另外,现有的预测技术必须事先知道预测年份预测因子的完备信息,不能根据农业生产决策人员提供的、仅有的不完全信息进行预测。事实上,获取完全信息是需要代价的,甚至在特定情况下不可能获得完备信息。因此实现不完备信息下的作物产量预测是现实的客观需要。影响农作物单产的各因素对单产作用关系是无从跟踪的,属于某种程度上的“黑箱子”关系,带有极大的不确定性和非线性。Credal网络把图模型和概率推理技术有效地结合起来,能很好地表示变量的随机不确定性和相关性,并能进行不确定性推理。目前,该技术已成功应用于农牧环境[19]、泥石流预测[20]、安全评价[21]和科技竞争力评价[22]等领域,将Credal网络应用于农作物单产系统的预测分析中,可以清晰地表示该系统中固有的不确定性,能够客观地反映该系统的全貌。

本文把Credal网络这种不确定性推理方法引入到农作物单产预测系统,利用其把各种影响因子与作物单产事件联系起来,通过对相关领域专家的知识获取及其表达,建立起农作物单产预测和评估的不确定系统模型,并通过模型的概率推理达到人类专家级的决策效果。通过模型的建立,把先验知识融入预测模型并进行推理,可以用来预测未来年份作物单产事件的概率状况;同时,在已观察到某些因素变量取值的情况下,把证据事件加入模型并进行推理,得出影响农作物单产变动的重要因素,从而为生产提供决策分析,并根据推理结果有目的地改善影响单产高低的重要因素。Credal网络方法的引入可以有效解决现行作物单产预测方法中存在的不足,实现单产等级预测、不完备性预测及问题诊断。因此,构建基于Credal网络的农作物单产预测和诊断模型,对于有关农作物生产的专家系统和决策支持系统的建立,提高农业生产决策的水平具有重大的理论意义和现实意义。

1Credal网络相关理论

Credal网络[23]是在2000年由Cozman正式提出的,它是一个有向无环图,其上的每个节点联系着一个变量Xi,以及一个条件Credal集合K(Xi|Pa(Xi)),式中,Pa(Xi)表示Xi的父节点集,[注意对应于Pa(Xi)的每一个值有一个条件Credal集]。一个根节点联系着一个单一的边缘Credal集。Credal网络是在贝叶斯网络模型基础上发展起来。但与贝叶斯网络模型不同的是,在Credal网络中各节点的概率分布不再是精确值,而是用概率区间、不等式等不同的概率测度表达专家的不确定性[22,24]。这样,在一定程度上放宽了贝叶斯网络的建模要求,更贴近应用实际。原因是:(1)专家可能没有足够的信息、时间和信心给出精确的概率估计;(2)多个专家共同指定一个概率时,可能无法就某个精确概率达成共识。因此精确的点概率无法处理这些问题。Credal网络中用概率测度的闭环凸集称为Credal集合[22]来表达不完整和不确定信息情况下的信念和决策。用概率密度P(X)定义的Credal集合记做K(X)。Credal网络中的“推理”是在给定证据变量状态的情况下,计算在一定扩展下的查询变量可能的概率区间。设Xq是查询变量,XE是证据变量的集合,那么“推理”就是要计算Xq上一个或者某几个值的条件概率p(Xq|Xe))的紧边界[25]。已证明在网络强扩展上推理时,p(Xq|Xe)分布的概率区间均属于该扩展的各凸集顶点构成的集合[26]。因此,Credal网络推理是求解顶点组合约束下后验概率的最优化问题,与贝叶斯网络推理不同。而Credal集顶点的组合爆炸问题是Credal网络推理要解决的瓶颈问题。建立在贝叶斯网络推理基础之上的Credal网络推理,分为精确推理和近似推理。精确推理包括:枚举方法、2U算法、Signomial规划方法和分支定界法等[27],并且所处理的网络也限于中小型网络。因此,从理论上讲,本身表示不确定性的网络结构也没有必要花费较高的代价实现确定的概率表示形式。基于智能算法(如蒙特卡洛方法、模拟退火法、粒子群算法、蚁群算法或者遗传算法)的近似推理算法陆续被提出,从一定程度上解决了Credal网络推理中的组合爆炸问题。

2基于Credal网络的农作物单产预测模型

2.1建立农作物单产预测的结构模型

结构模型是对农作物单产预测系统组成元素及其相互关系的直观描述。本研究把影响农作物单产的因素如日光、水分等称之为影响因子。一般来说,影响农作物单产的众多影响因子可以从某一角度进行分类,形成若干类要素,如天气、土壤、灾害等可归结为自然要素,而灌溉、施肥、除草等因素可归结人为要素等。把影响因子、类要素及其相互关系以图的形式表示出来就形成了农作物单产预测的通用结构模型(图1)。该结构中包含若干个类要素C1、C2、…,这些要素可以是独立的,也可以是相关的,从而充分再现系统原貌。影响因子Xnl直接与类要素连接,表明类要素与影响因子之间的关系,每个类要素可以与多个影响因子连接,而每个影响因子又可以与多个类要素相连,这样分属于不同类要素的影响因子之间不再是独立的,可以还原系统的本来面目。若某一类所辖因子过多,可进一步细分小类。不同农作物,甚至同一农作物的不同生长期影响因子有可能不同,需要由相关领域的专家来识别及确定。

2.2建立农作物单产预测Credal网络的参数模型

参数模型反映了网络中各节点状态事件发生的概率。首先需要对网络节点事件进行刻画。为简化系统事件的处理,对各节点的状态进行分级处理,即对其取值进行离散化处理,在数据丰富的情况下这一过程可以通过数据训练利用有效的离散化方法实现。在数据无积累或不充分的情况下往往需要通过专家根据预测目标指定或凭经验来确定。针对农作物单产状况,可以划分为高产、中高产、中产、中低产、低产等多种状态,再比如土壤类型节点可采取好、中、差3种状态来表示,因此每一个影响因子及类要素的各状态都有具体的划分描述。本研究采用专家指定的方法对节点状态进行区分。由于Credal网络模型囊括了系统中事件的诸多不确定性,农作物产量不再是一个具体的数值,而是一个概率事件,概率值的大小反映了专家对产量状态的信念。节点概率参数的确定是Credal网络建模的难点,专家对参数的取值有时很难达成一致。于是,邀请相关领域的专家为每个节点Xi指定在其父节点可能的取值配置下的条件Credal集,允许采用概率区间、概率分布集合、不等式等诸多形式表达其不确定性。当然如果概率分布指定为不等式或区间,则需要进行Credal集顶点的转换。对于局部Credal集的获取,边缘节点的局部Credal集可根据相关数据并借助IDM方法进行学习获得,其他节点的条件Credal集可根据专家进行指定。

2.3农作物单产预测与诊断

由于把农作物单产作为一个概率事件,而且对其取值进行了离散化,因此对其进行预测就是确定其在给定条件(证据)下,各种状态发生的概率。如在已知气候条件下农作物低产的概率有多大。该预测模型返回的不是一个状态标记,而是每个状态出现的概率。这里是把后验概率最高的状态,作为该变量的状态预测,因为这个状态最可能产生这个数据。当然也可以在给出影响因子数据的前提下,推理其所处各种类要素等级的概率,判断影响因子对类要素的影响。另一方面,若已知产量的某一状态,可以根据网络的拓扑结构进行反向推理,从而可以解释该状态发生的主要原因,形成相应的诊断结果,从而为决策提供指导。

3算例分析及模型验证

本研究着重讨论方法的应用,为缩小推理规模,对上述通用模型进行了简化(图2),选用了气象因子进行模型应用,其中部分节点命名参考文献[1]。节点状态依据预测目标而设定,其中,网络中农作物单产节点是3状态的,分别为低产、中产和高产,用1、2和3表示,其余节点为两状态的,分别为差、好或不适合作物生长、适合作物生长,分别用1、2来代表,其中C1、C2、X21、X22、X23节点参数为区间概率,其余节点参数均为精确概率。概率分布表由相关专家指定得到,表1中列出了D节点的概率分布表。现假设X12=2、X22=2为证据变量,D、C1、C2为查询变量。由变量的区间参数,可计算出其对应的Credal集顶点,如表2所示。从推理结果可知,在给定证据X12=1、X22=2下,可得到D=1、C1=2、C2=1的结论,即作物单产可预测为低产水平,而C1处于适合作物生长状态,C2处于不适合作物生长状态。在施肥状况不好的情况下,人为因素类要素处于不利于作物生长状态,而土壤状况良好的前提下,自然因素类要素处于利于作物生长状态。参照专家给定的先验概率可知,在上述人为类要素和自然类要素的该种组合状态下,单产的状态为低产的概率高于其他状态发生的概率,可见,该预测结果是合理的。结果表明,若改变某一影响因子的值,会引起整个网络概率的传播。也就是说,若改变某一影响因子值,可能会引起各影响因子及类要素的状态概率变化,最终影响农作物产量的状态概率,因此可以利用该网络进行预测。在已知作物单产状态和部分影响因子数据的情况下,可据此判断作物产量处于该状态的症结所在。假设单产处于低产状态D=1,并已知X11=2、X21=2,利用相同推理方法可得到表4的诊断结果。由表4可知,在已知无灾害、灌溉良好的不完备信息下,农作物单产低的症结在于X22(土壤)和X23(气候)处于不适合作物生长状态,因此应采取适当措施改良土壤状况或因地适宜,并针对相应的气候状况把握农作物耕作时机,达到因时适宜,从而可以提高农作物的产量。

篇8

在经济学领域，做预测是困难的，对未来的

>> 大数据预测未来 《爆发》：大数据预测未来思维 大数据预测处理模式研究 大数据预测未来农业 大数据预测的伦理困境与出路 大数据预测传染病，神吗？ “脏数据”难以排除影业谈大数据预测言之尚早 旅游大数据预测需建立三种模型 大数据预测在思想政治教育中的应用探新 大数据预测与决策在高校就业工作中的应用 用数据预测时尚流行 运用大数据，从疾病预测开始 金融时间序列数据预测方法探析 电气设备在线数据预测的研究 基于matlab曲线拟合的数据预测分析 用于数据预测的人工神经网络 电力负荷数据预测方法模型的设计 成思危：未来要运用大数据技术改进预测科学 基于稀疏表示的数据流异常数据预测方法 企业资源计划仿真模拟软件中数据预测模型的建立 常见问题解答 当前所在位置：中国 > 管理 > 运用大数据预测当下 运用大数据预测当下 杂志之家、写作服务和杂志订阅支持对公帐户付款！安全又可靠！ document.write("作者： 哈尔·瓦里安 马丁·弗莱明")

申明:本网站内容仅用于学术交流，如有侵犯您的权益，请及时告知我们，本站将立即删除有关内容。 结合政府数据和私企数据，我们可能会得到两全其美的结果

在经济学领域，做预测是困难的，对未来的预测尤甚。那么让我们降低目标，试试预测现在吧。

这样说来貌似简单，实则不然，原因是比如失业率、通胀率以及GDP这样的数据通报，往往都会滞后数周，或者数月。因此，我们并不清楚目前所处的阶段。

在能够预测未来之前，我们有必要预测一下当下。

以GDP为例。在美国，这种经济活动数据是按季度公布的，通常会滞后一个月。但是，在第一次GDP数据公布数月后，还会再进行两次修订。自1975年以来的平均增长率是2.8%，但是首次修订值的变化平均为0.54%。

而经济学家常常只能采用既失准又过时的数据。

现在来观察商业领域的状况。比如沃尔玛和塔吉特这样的大型零售连锁商店，它们拥有实时数据系统，能够每日甚至每小时进行一次数据汇报。联邦快递和UPS快递公司实时掌握货物发运量。

当然金融市场的数据更是以每毫秒一次的频率进行传输。现在计算机已经成为大多数经济交易的中间环节。

这其中的很多系统被用于内部结算，但是总的来说，它们所记录的数据对经济活动节奏的全面理解是有益的，而且，目前某些公司和研究人员就能够提供这类数据。

例如，财捷集团（INTUIT）提供小型企业就业指数、Zillow网站房地产数据、IBM电子商务跟踪每日零售趋势，麻省理工学院的“十亿价格项目”则是基于网络数据以此来提供物价指数。从谷歌提取关于“工作”、“招聘”和类似词语的搜索数据，可以对当前失业率进行有效的估计。

从广度和详尽程度上来说，这些数据系列都比不上来自政府机构的数据。但是它们更具有时效性。

篇9

电力负荷的概念为电力需求量、用电量，电网、发电厂或供电地区某一段时间内的工作负荷。电力负荷预测是，在充分考虑部分重要条件的前提下，利用一套完全能够系统性地处理过去及未来负荷的数学方法，在满足相应的精度要求下，确定出将来某一特定时刻的负荷数值。

一、电力负荷预测的特点

电力负荷预测主要特点如下：

1）不准确性

电力负荷受到各种因素的影响，并且这些影响因素时刻不断发生变化，很多时候很难对负荷的发展变化进行准确的预见，再加上临时情况的发生也会影响预测的结果，因此预测的结果常常具有不准确性。

2）条件性

负荷预测要在一定条件下进行，必然条件和假设条件。必然条件是根据本质规律的预测条件，所得预测结果比较可靠。在实际情况下，需要设置一些假设条件。是根据研究分析，综合各种实际情况得来，并非毫无根据的凭空假设。

3）时间性

由于电力负荷预测是属于科学预测的范畴的，因此各种负荷预测都需要确却得指明预测的时间范围。

4）多方案性

负荷预测的不准确性和条件性这两个特点，导致有时需要在各种情况下，对负荷的各种可能的发展状况进行预测，这样就会根据各种条件得出各种不同的负荷预测方案。

二、电力负荷预测的基本原理

负荷预测是根据过去和现在的具体情况，对负荷发展变化规律进行讨论研究，并此推断电力负荷发展趋势。

1）可知性原理。它是指预测对象的发展规律包括未来的发展趋势和状况，是可以被人们所知道的。

2）可能性原理。事物的发展变化规律，是由内因和外因两个因素共同决定的，内因或外因的变化，都会使事物向着多种可能的方向发展变化。

3）连续性原理。在电力系统的发展变化中，负荷预测会将某些原有的特征保持下来，然后再以原有的趋势和变化率发展下去，这是一种连续性原理，也称惯性原理，负荷预测的这种惯性特征是我们进行负荷预测的主要依据。

4）相似性原理。相似性原理是指，如果一个事物现在的发展过程及发展状况正好与另一事物的过去某一阶段的发展过程及发展状况是类似的，则人们就可以根据后一事物已知的发展过程和发展状况，来对预测对象的未来的发展过程和发展状况进行预测。

5）反馈性原理。人们在预测的实际过程中，预测的结果总是会与经过一段时间后得到的负荷实际值之间存在着一定的差距，这时就需要利用这个差距值来对远期的预测值进行反馈调节，来达到不断提高预测准确性的目的。

6）系统性原理，预测对象的未来的发展关系到系统整体的动态发展，且系统的动态发展与系统的各组成部分以及影响因素之间的相互影响和作用是密切相关的。

三、电力负荷预测的基本程序

根据电力负荷预测的实践活动，其基本程序如下。

1）确定负荷预测的目的，制定负荷预测的计划；2）调查收集资料和选择资料； 3）资料整理；4）对资料进行初步分析；5）预测模型的建立；6）综合分析，以确定预测结果；7）编写预测报告，以交付使用；8）负荷预测管理。

四、电力负荷预测的误差分析

预测结果的准确性与预测误差密切相关，预测误差越大，预测结果的准确性就越低，反之，预测误差越小，预测结果的准确性就越高。因此研究误差产生的原因和分析误差的大小，是具有很大的意义的。这样不但可以认识到预测结果的准确程度，同时对于改进电力负荷的预测工作，检验和选用合适的预测方法等方面也具有很大的帮助。

4.1产生误差的原因

产生预测误差的原因有很多，主要有以下几种原因：

1）进行负荷预测时通常要使用数学模型，而数学模型通常只包含研究对象的一些主要因素，而很多次要的影响因素都被忽略了。电力负荷的变化是错综复杂的，这样的模型只是反映出了经过简单化了的负荷状况，而与实际的负荷之间总是存在着差距，因此用它来进行预测时，会无可避免地与实际负荷之间存在误差。

2）负荷预测的影响因素是千变万化的，进行负荷预测的要求和目的也是多N多样的，因而需要从许多的预测方法中，选择出一个合适的预测方法。如果选用的预测方法不合适，就会随之产生误差。

3）进行负荷预测时要使用大量的资料，而这些资料并不一定都是准确可靠的，这就必然会给负荷预测带来误差。

4）当有意外事件发生，或者情况发生突然变化时，也会产生预测误差。此外，计算或者判断上出现错误时，也会产生不同程度的预测误差。

4.2预测误差分析

电力负荷预测误差的分析方法和指标有很多，主要包括如下几种：

1）绝对误差与相对误差；2）平均绝对误差；3）均方误差；4）均方根误差；5）标准误差；6）平均绝对百分比误差。

参 考 文 献

篇10

关键词：地区电网；负荷预测；研究方法；负荷特性；用电负荷

中图分类号：TM715 文献标识码：A 文章编号：1009-2374（2012）27-0113-03

1 地区电网负荷特性及影响负荷的主要因素

1.1 广西地区电网负荷特性

就广西地区而言，电网负荷特性具有以下特点：受季节性气候影响，冬夏两季由于生产性用电以及居民用电达到全年高峰。受年降雨量的气候影响较为明显，由于广西水力发电占据比重较大，年降雨量是否充沛对于水电发电有着重要影响，也直接影响电网负荷。易受多种气象因素影响，气温与电力负荷呈显著的正相关关系，气温是影响电力负荷的主要因子；夏季以气温和风速、气温和相对湿度组合的变化对负荷的影响较大。随着产能结构的调整以及冶炼业的产业转移，地区电网负荷受产业结构与政策的影响越发显著。

1.2 广西地区电网负荷特性的主要影响因素及对策

广西地区电网负荷特性的主要影响因素有各产业结构性影响、水电机组发电效力、气候条件、高耗能产业结构与政策、电网规划与建设等。在广西境内，水电占电网电力供应的比重较大，而水力发电受气象因素的影响又很大，尤其是持续性的干旱少雨和夏季高温，水力发电减少，加剧用电紧张的状态。因此在针对广西地区电网短期负荷预测时，除了对相应的供电基础资料以及地区经济发展规划、土地资源规划以及相应的环境、压矿、水资源等相关规划因素进行资料收集之外，还必须收集气象因素以及气候因素的相关影响分析，并且根据收集的资料进行负荷预测的模型创建，并针对实际负荷情况进行返回验证，才能得出较为准确的负荷预测结果。

2 地区电网负荷预测的方法

在供电基础资料收集完成之后，应根据本地电网的特点及用电特点，预测未来一定期限内的负荷增长情况。如果预测的需求后于实际需求，将会导致供电负荷紧张，容易造成拉闸限电，但如果预测的需求过度超前于实际需求，则系统利用率太低，将造成电力资源的严重浪费。要改善这种情况，必须依照一套科学完整的电网负荷预测方法对未来的负荷增长情况进行预测。而传统负荷预测通常采用单耗法、弹性系数法、平均增长率法、综合用电水平法、负荷密度法、回归分析法、时间序列法7种方法。

在广西电网区域内，应用成果较为显著的是以广西电网调度中心的实时负荷系统，提前24h的短期负荷预测系统以及广西电网省地一体化短期负荷预测分析管理系统。针对其短期负荷预测可以直接指导广西电网日调度计划管理系统进行运作，大量的电力工作者及研究人员应用数学方法对短期负荷预测进行研究，提出了改进时间序列、支持向量机、决策树、粗糙集和神经网络等多种预测方法结合的加权平均预测模式。

由于影响地区电网负荷预测的因素太多，依靠单一的预测方法难以取得良好的效果，因此需要针对项目实际应用情况正确地结合多种单项预测方法，降低预测结果对某个较差预测方法的敏感程度，

进而可以提高地区电网负荷预测的精度和准

确度。

3 存在问题及解决措施

要做好地区电网短期负荷预测，主要是要优选预测方法，基于有序加权平均算子的最优组合预测方法对电力负荷进行预测，要充分考虑各单一预测方法在不同时间范围内的预测精度，综合各类预测方法的优缺点，弥补传统组合方法单一性和不足性，使得监理的预测模型更贴近实际情况。

要做好针对项目的地区电网负荷预测，则需着重做好资料收集工作，避免资料的遗漏和缺失，争取使用长期数据来对区域内的发展及负荷预测进行模型求解。要做好资料收集工作必须从以下几个方面进行着手：

3.1 联系政府相关部门收集地区总体规划及近年的经济预测数据，注意数据的及时性

随着政府相关部门的信息公开化以及资料获取渠道的便利性，大部分的经济运行数据都可以在互联网上查阅或者去相关统计部门获取。而涉及到经济规划以及前瞻性数据预测时，则需要向相关的政府部门获取。

在进行地区综合资料收集时，应包含区域经济、城市人口、土地面积、国内生产总值，产业结构大型工业企业的产值产量的近5年或10年的历史规划综合资料。由于大部分的地区都是采用“十二五”等5年规划，因此数据一般会有相应的前瞻性，可以为电网负荷预测提供相应的工业及经济发展参考值。但是在实际应用中，应对相应的工业规划留有足够的裕度，比如目前广西处于高耗能企业转移重点区域，钦州港、防城港等地的工业园区规划及电网负荷就远超原来的预测水平。

3.2 联系供电局收集近阶段的供电基础资料及相应的五年规划数据，注意数据的准确性

收集相应的电源电网资料时，应包括地区电力电气主结线系统图、地区供电电源种类、装机容量及区域内发电厂位置，城网及农网供电电压等级及网架结构、各级电压的变电所容量数量位置及用地、高压架空线路路径、走廊宽度等现状资料及城市电力部门制定的城市电力网行业规划资料，在区域现状地形图中应明确标注现状35kV以上变电站的位置和输电线路的电压等级以及地理走向。收集到相应资料后还要实地查勘，验核数据的真实性和及时性，及时查漏补缺，确保数据的准确性。

3.3 调研地区用电负荷资料，必须与电网公司的系统数据相一致，以便进行分类分析

调用地区用电负荷资料时，必须包括近5年来地区供电及用电的电量统计，统计表中应包含近5年来地区内每一年的总供电量、用电量、线路损耗以及每年的最大负荷。在分类统计表中应明确市政用电、工业用电以及农业用电不同分类的供电量、用电量数据。

3.4 增加详细规划范围内各类行业现状及规划资料

在进行电力详规时的地区电网负荷预测时，需要增加详细规划范围内各类行业现状及规划资料，还应包括10kV电源处的负荷指标现状资料。

在进行详细规划阶段的电力规划时，需要增加调研以下资料：地区内各类建筑单位建筑面积归算到10kV电源处的负荷指标的现状资料。详细规划范围内的各类行业现状及规划资料。详细规划区内的道路网各类设施分布现状及详细规划图。

4 地区电网负荷预测未来的发展方向

地区电网负荷预测未来的发展方向，是采用信息处理中新的数学手段，运用人工免疫模型建立精度更高的地区电网负荷预测的方法。在系统全面地对现有电网负荷预测的各种方法进行研究、分析和评价的基础上，结合地区电网负荷预测特点，部分地区电网负荷预测确立了基于人工免疫系统对电网负荷预测进行研究的新方向，并进行了实地调研和具体实践，以负荷预测为出发点对城区电网设备优化进行优化设计。

5 结语

随着互联网的发展以及新兴科学理论的延展，要进一步提高预测精度，就需要采用计算机系统集成模式对传统的预测方法进行改进和优化。在这种机制下，以多种电网负荷预测方法结合的计算机负荷预测程序已经研发成功并进行推广应用。相信随着现代科学技术的不断进步，现代负荷预测的理论会越来越成熟，而地区电网负荷预测的精度也会越来越高，为电网规划建设提供准确的价值参考。

参考文献

[1] 季树典.地区电网负荷预测管理系统技术分析[J].黑龙江电力，2001，（5）.

[2] 陈爽.城市区域电网负荷预测的实践[J].供用电，2008，

（6）.