本发明专利技术属于产量预测技术领域，公开了一种粮食产量预测方法、装置、设备及存储介质。本发明专利技术通过获取待训练数据，根据所述待训练数据对初始预测模型进行训练，得到多个参考超参数组合，从所述多个参考超参数组合中筛选出目标超参数组合，根据所述目标超参数组合和所述待训练数据对所述初始预测模型优化，得到粮食产量预测模型，根据所述粮食产量预测模型进行粮食产量的预测。使得在进行粮食预测的过程中，使用与粮食产量存在非线性依赖的影响因素对非线性模型进行训练，并通过贝叶斯算法对模型进行优化得到更准确的粮食产量预测模型，进而达到了提高粮食产量预测结果精度的目的。到了提高粮食产量预测结果精度的目的。到了提高粮食产量预测结果精度的目的。
【技术实现步骤摘要】
粮食产量预测方法、装置、设备及存储介质
[0001]本专利技术涉及产量预测
，尤其涉及一种粮食产量预测方法、装置、设备及存储介质。
技术介绍
[0002]粮食问题是最受关注的问题之一，如果能够提前准确预测出粮食的产量，那么就能够尽早应对可能出现的粮食危机。
[0003]目前研究粮食产量的模型有灰色预测法、时间序列法、滑动平均法。这些模型虽然都能够对粮食产量进行预测，但均存在预测结果精度不高的问题，因此无法对粮食产量做出准确的预测。
[0004]上述内容仅用于辅助理解本专利技术的技术方案，并不代表承认上述内容是现有技术。
技术实现思路
[0005]本专利技术的主要目的在于提供一种粮食产量预测方法、装置、设备及存储介质，旨在解决现有技术粮食产量预测精度不高的技术问题。
[0006]为实现上述目的，本专利技术提供了一种粮食产量预测方法，所述方法包括以下步骤：
[0007]获取待训练数据；
[0008]根据所述待训练数据对初始预测模型进行训练，得到多个参考超参数组合；
[0009]从所述多个参考超参数组合中筛选出目标超参数组合；
[0010]根据所述目标超参数组合和所述待训练数据对所述初始预测模型优化，得到粮食产量预测模型；
[0011]根据所述粮食产量预测模型进行粮食产量的预测。
[0012]可选地，根据所述待训练数据对初始预测模型进行训练，得到多个参考超参数组合，包括：
[0013]通过直方图算法对输入至初始预测模型中的待训练数据进行离散化处理，得到预设数量的离散值；
[0014]根据所述离散值，以所述预设数量为宽度构建相应的直方图；
[0015]根据带深度限制的按叶子分裂生长策略与所述直方图得到多个参考超参数组合。
[0016]可选地，根据带深度限制的按叶子分裂生长策略与所述直方图得到多个参考超参数组合，包括：
[0017]获取待训练数据对应的历史真实数据；
[0018]获取所述根据带深度限制的按叶子分裂生长策略与所述直方图得到的模型预测值；
[0019]根据所述历史真实数据与所述模型预测值确定损失函数的误差；
[0020]根据所述误差调整初始预测模型中的超参数组合得到调整后的多个参考超参数
组合。
[0021]可选地，从所述多个参考超参数组合中筛选出目标超参数组合，包括：
[0022]对所述多个参考超参数组合进行分析，得到代理概率；
[0023]根据所述代理概率确定置信区间；
[0024]根据所述置信区间确定目标超参数组合。
[0025]可选地，对所述多个参考超参数组合进行分析，得到代理概率，包括：
[0026]根据所述多个参考超参数组合确定高斯模型个数；
[0027]根据所述多个参考超参数组合和所述高斯模型个数确定每个高斯模型的权重；
[0028]根据所述多个参考超参数组合确定每个高斯模型的概率密度；
[0029]根据所述权重与所述概率密度确定代理概率。
[0030]可选地，根据所述代理概率确定置信区间，包括：
[0031]根据所述代理概率确定代理模型；
[0032]根据所述多个参考超参数组合得到期望和标准差；
[0033]根据所述期望和所述标准差确定置信区间。
[0034]可选地，获取待训练数据之前，还包括：
[0035]获取原始数据集，所述原始数据集包括原始数据、区县数据以及风向数据；
[0036]对所述原始数据进行归一化处理，得到归一化后的数据；
[0037]对所述区县数据进行独热编码处理，得到编码数据；
[0038]对所述风向数据做二维向量映射，得到风向列表；
[0039]将所述归一化后的数据、所述编码数据以及所述风向列表作为待训练数据。
[0040]此外，为实现上述目的，本专利技术还提出一种粮食产量预测装置，所述粮食产量预测装置包括：
[0041]此外，为实现上述目的，本专利技术还提出一种粮食产量预测设备，所述粮食产量预测设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的粮食产量预测程序，所述粮食产量预测程序配置为实现如上文所述的粮食产量预测方法的步骤。
[0042]此外，为实现上述目的，本专利技术还提出一种存储介质，所述存储介质上存储有粮食产量预测程序，所述粮食产量预测程序被处理器执行时实现如上文所述的粮食产量预测方法的步骤。
[0043]本专利技术通过获取待训练数据，根据所述待训练数据对初始预测模型进行训练，得到多个参考超参数组合，从所述多个参考超参数组合中筛选出目标超参数组合，根据所述目标超参数组合和所述待训练数据对所述初始预测模型优化，得到粮食产量预测模型，根据所述粮食产量预测模型进行粮食产量的预测。使得在进行粮食预测的过程中，使用与粮食产量存在非线性依赖的影响因素对非线性模型进行训练，并通过贝叶斯算法对模型进行优化得到更准确的粮食产量预测模型，进而达到了提高粮食产量预测结果精度的目的。
附图说明
[0044]图1是本专利技术实施例方案涉及的硬件运行环境的粮食产量预测设备的结构示意图；
[0045]图2为本专利技术粮食产量预测方法第一实施例的流程示意图；
[0046]图3为本专利技术粮食产量预测方法第二实施例的流程示意图；
[0047]图4为本专利技术粮食产量预测方法第三实施例的结构框图；
[0048]图5为本专利技术粮食产量预测装置第一实施例的结构框图。
[0049]本专利技术目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
[0050]应当理解，此处所描述的具体实施例仅用以解释本专利技术，并不用于限定本专利技术。
[0051]参照图1，图1为本专利技术实施例方案涉及的硬件运行环境的粮食产量预测设备结构示意图。
[0052]如图1所示，该粮食产量预测设备可以包括：处理器1001，例如中央处理器(Central Processing Unit，CPU)，通信总线1002、用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard)，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如无线保真(WIreless
‑
FIdelity，WI
‑
FI)接口)。存储器1005可以是高速的随机存取存储器(Random Access Memory，RAM)存储器，也可以是稳定的非易失性存储器(Non
‑
Volatile Memory，NVM)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
[0053]本领域技术人员可以理解，图1中示出的结构并不构成本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种粮食产量预测方法，其特征在于，所述粮食产量预测方法包括：获取待训练数据；根据所述待训练数据对初始预测模型进行训练，得到多个参考超参数组合；从所述多个参考超参数组合中筛选出目标超参数组合；根据所述目标超参数组合和所述待训练数据对所述初始预测模型优化，得到粮食产量预测模型；根据所述粮食产量预测模型进行粮食产量的预测。2.如权利要求1所述的方法，其特征在于，所述根据所述待训练数据对初始预测模型进行训练，得到多个参考超参数组合，包括：通过直方图算法对输入至初始预测模型中的待训练数据进行离散化处理，得到预设数量的离散值；根据所述离散值，以所述预设数量为宽度构建相应的直方图；根据带深度限制的按叶子分裂生长策略与所述直方图得到多个参考超参数组合。3.如权利要求2所述的方法，其特征在于，所述根据带深度限制的按叶子分裂生长策略与所述直方图得到多个参考超参数组合，包括：获取待训练数据对应的历史真实数据；获取所述根据带深度限制的按叶子分裂生长策略与所述直方图得到的模型预测值；根据所述历史真实数据与所述模型预测值确定损失函数的误差；根据所述误差调整初始预测模型中的超参数组合得到调整后的多个参考超参数组合。4.如权利要求3所述的方法，其特征在于，所述从所述多个参考超参数组合中筛选出目标超参数组合，包括：对所述多个参考超参数组合进行分析，得到代理概率；根据所述代理概率确定置信区间；根据所述置信区间确定目标超参数组合。5.如权利要求4所述的方法，其特征在于，所述对所述多个参考超参数组合进行分析，得到代理概率，包括：根据所述多个参考超参数组合确定高斯模型个数；根据所述多个参考超参数组合和所述高斯模型个数确定每个高斯模型的权重；根据所述多个...
【专利技术属性】
技术研发人员：张聪，陈晓玲，黄晓宇，黎帅峰，魏志慧，李亮亮，
申请(专利权)人：武汉轻工大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。