一种生猪月度存栏量预测方法技术

本发明专利技术公开了一种生猪月度存栏量预测方法，包括：通过变分模态分解算法，将生猪存栏量的原始时间序列数据x(t)分解为K个模态；对于每一个由变分模态分解得到的模态，先进行归一化处理，再按照预设比例划分为训练集和测试集；采用训练集数据对极限学习机算法进行训练，确定算法的最优参数；以步长为V的滑动窗口选取极限学习机算法的输入集数据；对于每一个模态，分别将测试集的输入集数据输入到训练好的极限学习机算法中，输出对下一时点的预测值，将其反归一化处理后得到预测值序列u

【技术实现步骤摘要】
一种生猪月度存栏量预测方法
本专利技术涉及生猪月度存栏量预测
，特别涉及一种基于自适应变分模态分解和极限学习机的生猪月度存栏量预测方法。
技术介绍
通过挖掘时间序列数据的内在统计特征对未来时点的数据进行预测，目前已存在于诸多科学领域中。时间序列数据由一系列取自不同时点的观测值构成。挖掘时间序列数据内在统计特征的目的在于找出历史样本点数据之间的变化规律，并构建时间序列模型对未来时点的数据进行样本外预测。一般地，时间序列中不同时点的数据具有口径一致的特点。根据数据的截取方式不同，时序数据既可以是时点数，也可以是时期数。对我国生猪月度存栏量进行精准预测，将为制定阶段性畜牧业政策提供重要参考。但受经济、环境等多方面因素共同作用的影响，生猪月度存栏量序列一般都是非平稳、非线性的，这两个特征为其精准预测提出了更高的要求。目前被广泛应用到这类时间序列数据预测的方法主要可以分为三种：计量统计模型、基于人工智能方法的预测模型和混合预测模型。计量统计模型主要包括自差分整合移动平均自回归模型(Autoregressiveintegratedmoving本文档来自技高网...

【技术保护点】
1.一种生猪月度存栏量预测方法，其特征在于，包括以下步骤：/n通过变分模态分解算法，将生猪存栏量的原始时间序列数据x(t)分解为K个模态；/n对于每一个由变分模态分解得到的模态，先进行归一化处理，再按照预设比例划分为训练集和测试集；/n采用训练集数据对极限学习机算法进行训练，确定算法的最优参数；/n以步长为V的滑动窗口选取极限学习机算法的输入集数据；/n对于每一个模态，分别将测试集的输入集数据输入到训练好的极限学习机算法中，输出对下一时点的预测值，将其反归一化处理后得到预测值序列u

【技术特征摘要】
1.一种生猪月度存栏量预测方法，其特征在于，包括以下步骤：
通过变分模态分解算法，将生猪存栏量的原始时间序列数据x(t)分解为K个模态；
对于每一个由变分模态分解得到的模态，先进行归一化处理，再按照预设比例划分为训练集和测试集；
采用训练集数据对极限学习机算法进行训练，确定算法的最优参数；
以步长为V的滑动窗口选取极限学习机算法的输入集数据；
对于每一个模态，分别将测试集的输入集数据输入到训练好的极限学习机算法中，输出对下一时点的预测值，将其反归一化处理后得到预测值序列uk(t)；
对所有模态的预测值进行相加重构，得到最终的预测值结果。


2.根据权利要求1所述的生猪月度存栏量预测方法，其特征在于，K根据指标rres自适应确定，公式如下：



其中，x(t)表示原始时间序列，N表示总时点数；当rres开始达到小于0.01时，即确定模态个数K。


3.根据权利要求1所述的生猪月度存栏量预测方法，其特征在于，对于每一个由变分模态分解得到的模态，进行归一化处理的公式如下：





4.根据权利要求1所述的生猪月度存栏量预测方法，其特征在于，所述预设比例为8：2。


5.根据权利要求1所述的生猪月度存栏量预测方法，其特征在于，对所有模态的预测值进行相加重构的公式如下：





6.根据权利要求1所述的生猪月度存栏量预测方法，其特征在于，所述变分模态分解算法的过程如下：
初始化模态分量的带宽uk，中心频率ωk以及循环次数n；
当ω大于等于0时，循环更新每个模态分量的带宽uk和中心频率ωk，自适应分解成以中心频率ωk为中心扩散的模态分量：



...

【专利技术属性】
技术研发人员：熊梦圆，徐坤亮，付颖，杨国庆，
申请(专利权)人：北京科技大学，
类型：发明
国别省市：北京;11