基于經驗模態分解與BP神經網絡的農機總動力增長預測

王金峰，閆東偉，鞠金艷，王金武

（1. 東北農業大學工程學院，哈爾濱 150030；2. 黑龍江科技大學機械工程學院，哈爾濱 150022）

基于經驗模態分解與BP神經網絡的農機總動力增長預測

王金峰1，閆東偉1，鞠金艷2，王金武1

（1. 東北農業大學工程學院，哈爾濱 150030；2. 黑龍江科技大學機械工程學院，哈爾濱 150022）

為提高農機總動力增長變化預測結果的準確性和可靠性，根據農機總動力增長變化與其影響因素之間具有在各時間尺度明顯的非線性波動特征，提出以1986—2013年農機總動力增長為研究對象，分別對農機總動力增長及其影響因素時間序列數據進行經驗模態分解（empirical mode decomposition，EMD），對得到的各時間尺度下的波動分量分別建立BP神經網絡預測模型。將EMD-BP網絡預測結果與多元線性回歸、支持向量機、BP神經網絡進行對比分析，結果表明：基于EMD-BP網絡建立的農機總動力增長預測模型，擬合和預測平均相對誤差分別為0.99%和1.29%，相關決定系數約為0.999，均方根誤差為316.35 MW，模型評價等級為“好”，各項精度評價指標都優于其他方法，因此該預測模型精度高、可靠性強。研究成果為農業機械化發展規劃的制定和出臺相關政策提供有效參考。

農業機械；模型；支持向量機；經驗模態分解；BP 神經網絡；農機總動力；預測

王金峰，閆東偉，鞠金艷，王金武. 基于經驗模態分解與BP神經網絡的農機總動力增長預測[J]. 農業工程學報，2017，33(10)：116－122. doi：10.11975/j.issn.1002-6819.2017.10.015 http://www.tcsae.org

Wang Jinfeng, Yan Dongwei, Ju Jinyan, Wang Jinwu. Prediction of total power growth of agricultural machinery based on empirical mode decomposition and BP neural network[J]. Transactions of the Chinese Society of Agricultural Engineering(Transactions of the CSAE), 2017, 33(10): 116－122. (in Chinese with English abstract)

doi：10.11975/j.issn.1002-6819.2017.10.015 http://www.tcsae.org

0 引 言

農業機械化是提高農業生產率、優化農業產業結構、促進農村勞動力轉移、增強農村土地的效能和降低農民勞動強度的主要手段。伴隨著中國經濟發展進入新常態，黨中央、國務院高度重視發展農業機械化，各種農機社會化服務體系日漸成熟，政策和法制環境更加優化，經濟基礎更加堅實，農業機械化發展面臨新的機遇和挑戰。農機總動力是衡量農業機械化發展水平的主要指標，反映農機裝備的總體發展水平，是農業機械化系統各種影響因素作用效果的體現，為農業機械化的發展提供保障[1-3]。因此，農機總動力的準確預測和分析為制定農業機械化發展規劃，合理安排政府財政投入等提供重要理論依據和數據參考，確保政府制訂相關政策的科學性、準確性和有效性[4-6]

目前，農機總動力預測方法研究已取得一定的成果，主要分為兩類：一類是建立農機總動力的時間序列預測模型，采用的方法主要有灰色預測、BP神經網絡、ARMA、趨勢包絡、模糊神經網絡、支持向量機和組合預測模型等[6-15]，這類建模方法主要是根據時間序列的發展規律對未來趨勢進行預測，建模簡單，易于理解，但沒有充分考慮到各種影響因素對農機總動力增長影響的后效性，對高度非線性多因素影響的系統具有擬合精度不高的缺點；二類是確定影響農機總動力增長的因素，采用回歸模型建立農機總動力與影響因素的關系模型，進而對農機總動力進行預測[16-18]，可以提高預測結果的準確性，但回歸模型不能有效的建立影響因素與農機總動力之間的非線性映射關系模型，并且某年的農機總動力是由前一年的農機總動力與當年的農機總動力增長之和構成，因此采用非線性關系模型對農機總動力增長進行預測，更能準確的反映出各種影響因素對當年農機總動力作用的效果，保證預測結果的準確性。

農機總動力增長及其影響因素各時間序列的變化具有明顯的非線性波動特征，并且各影響因素對農機總動力增長的影響呈非線性關系，因此可對農機總動力增長及其影響因素各時間序列進行多時間尺度分解，然后利用預測模型對農機總動力增長不同時間尺度下的波動分量分別進行預測，并對預測結果進行重構，實現農機總動力增長的準確預測。

經驗模態分解、奇異譜分解和小波分解等方法均可對時間序列進行多尺度分解，提取出代表原時間序列不同成分的信號，但奇異譜分解和小波分解均需預先給定基函數，無法根據數據自身的時間尺度特征進行分解，可能會分解出無效的波動分量[19-20]。Huang等提出的經驗模態分解法（empirical mode decomposition，EMD）無需預先設定任何基函數，利用高斯白噪聲具有頻率均勻分布的統計特性，自適應地將數據序列分解為包含了原始數據的不同時間尺度局部特征信號的有限個本征模態函數（intrinsic mode function，IMF）和表示信號發展趨勢的趨勢量，對信號的分解具有客觀性和穩定性的特點[21-22]。BP神經網絡具有較強的非線性映射能力，在農機總動力預測領域得到較好的預測效果[5-8]。因此，本文采用EMD法對1986—2013年農機總動力增長及其影響因素時間序列進行分解，然后分別對分解后的相同時間尺度下的時間序列建立非線性BP神經網絡模型，并對各預測結果進行重構得到農機總動力增長預測值，建立基于 EMD-BP神經網絡的農機總動力增長預測模型，為農機總動力的準確預測提供新方法，預測結果為農機總動力快速發展，農機管理部門根據農業機械化發展情況制定農業機械化發展規劃提供有效參考依據。

1 影響因素的選取與數據獲得

農機總動力增長受多方面因素影響，增長的需求動因主要包括政府宏觀政策、農民收入增長、擴大生產規模、提高生產能力、提高糧食數量和質量、降低農業生產成本、改善農民生活和勞動條件等。因此，通過調研分析和征詢專家意見，在充分考慮需求動因和指標的可獲得性的基礎上，提煉出影響農機總動力增長的因素，影響因素選取過程在文獻[22]的研究中有詳細說明，在此不再贅述。選取的影響因素有：政府財政投入、農民人均純收入、第一產業從業人員數和勞均（每個勞動力）播種面積、農業勞均產值、糧食單產、機械化農具價格指數、燃料價格指數、非農產業的發展和初中文化以上農村勞動力比例。其中，價格指數是以1985年為基期進行計算得到的定基價格指數，以研究價格變動長期趨勢及其發展規律；非農產業的發展用第二、三產業總產值占地區生產總值的比例來表示。

農機總動力增長主要影響因素的選取是分析農機總動力增長變化和合理預測的基礎。目前，選取的方法主要有主成分分析法、相關分析法和灰色關聯分析法等[23-28]。本文運用統計分析軟件SPSS 18.0，采用主成分分析法對影響因素進行分析，得到第一和第二個成分的特征值均大于1，分別為8.252和1.326，其他成分的特征值均小于1，且這2個成分的累積貢獻率已達到95.782%，遠大于根據累計貢獻率選取主成分的臨界值 80%，說明這 2個成分可以較好的解釋原始變量數據的信息。因此，提取這 2個成分作為主成分，各主成分與原始變量之間的因子載荷矩陣見表1。

表1 主成分因子載荷矩陣Table 1 Factor loading matrix of principal component

由表1可知，主成分1在農民人均純收入、政府財政投入、勞均播種面積和燃料價格指數 4個指標上的載荷值較大，其貢獻率高達82.521%，說明主成分1與這4個指標的相關性較高，并且農機投入能力及播種面積增大狀況對農機總動力增長有重要影響，是保障農機總動力持續增產的推動力；主成分 2在第一產業從業人員數和機械化農具價格指數 2個指標上的載荷值較大，其貢獻率為13.261%，說明農業從業人員的減少和農具價格的降低對農機總動力增長起積極引導作用。進一步對農機總動力增長各影響因素進行相關性分析，得出農民人均純收入與糧食單產和農業勞均產值相關性極顯著，燃料價格指數與機械化農具價格指數、初中文化以上農村勞動力比例和非農產業的發展相關性極顯著，相關系數均在0.85以上。為簡化模型，最終選取影響因素中勞均播種面積、政府財政投入、農民人均純收入、燃料價格指數和第一產業從業人員數作為模型輸入因子，對農機總動力增長進行預測。

1986—2013年農機總動力增長及其主要影響因素的相關數據，通過查閱資料并計算得到，見表2。

表2 1986—2013年農機總動力增長及其主要影響因素數據Table 2 Data of growth of agricultural machinery total power and its main influencing factors from 1986 to 2013

其中，農機總動力增長和第一產業從業人員數據來源于《中國統計年鑒》，本年度的農機總動力增長值等于本年的農機總動力值減去上一年的農機總動力值，政府財政投入來源于《中國農業發展報告》和《中國農業機械工業年鑒》，農民人均純收入和燃料價格指數來源于《中國農村統計年鑒》。

2 分解和預測方法

2.1 EMD分解法

EMD分解法的本質是對非線性、非平穩波動的數據信號不斷的分離出高頻分量，得到滿足條件的本征模態函數（IMF），直到所有頻率成分都被分離出來，得到有限個IMF，每個IMF包含原始數據信號不同時間尺度的局部特征信號，并且滿足2個條件：1）在整個時間序列數據范圍內，過局部極值點的數目和過零點的數目相等或最多相差1個；2）在任意時間點，由局部最大值擬合的上包絡線和局部最小值擬合的下包絡線的平均值必須為零。EMD分解后用原始數據減去各IMF得到的殘余數值稱為趨勢量，趨勢量能反映數據信號的發展趨勢。EMD分解法的基本原理和計算過程在文獻[21，22]中有詳細介紹，本文不再贅述。

2.2 BP神經網絡預測法

BP神經網絡是對人腦活動的抽象、簡化和模擬，能學習和存貯輸入信號與輸出信號之間的非線性映射關系，而無需預先描述出數學方程，因此在預測領域得到廣泛應用，并取得較好的預期效果[29-30]。BP神經網絡由輸入層、若干個隱含層和輸出層構成，每一層由一定數量的神經元組成。圖1是含有一個隱含層的BP網絡，輸入層、隱含層和輸出層的神經元數個數分別為M、I和N，其中各層的任一神經元分別用m、i和n表示，輸入層與隱含層的突觸權值用wmi表示，隱含層與輸出層的突觸權值用win表示，各層神經元利用突觸權值來存儲獲取的知識信息。研究表明含有一個隱含層的BP神經網絡在具有足夠隱含層神經元數目情況下，具有較好的逼近非線性函數的能力，隱含層神經元數越多，則逼近復雜函數的精度就越高，但也會出現“過度擬合”的問題，目前多根據經驗確定合適的隱含層神經元數目[31-32]。

圖1 三層BP神經網絡結構圖Fig.1 Structure of BP neural network with three layers

BP網絡的基本思想是當輸入信號X從輸入層輸入網絡后，信號經過隱含層，通過輸出層輸出網絡，得到輸出信號Y，若輸出信號滿足給定的要求，則計算終止，反之，則將輸出信號與目標輸出之間的誤差信號進行反向傳播，將誤差信號從輸出層沿原來的連接通路逐層向前傳播，通過誤差反饋修正各神經元的連接權值和閾值，隨著誤差修正周而復始地進行，使誤差信號逐步減小，網絡對輸入信號擬合精度不斷提高，最終達到精度要求，確定網絡的結構、權值和閾值等來存儲獲取的知識信息，這就是網絡的學習訓練過程[8,32]。本文采用3層BP神經網絡對農機總動力增長經EMD分解后得到的各IMF和趨勢量分別進行預測。

3 EMD分解與預測分析

3.1 農機總動力增長及其影響因素的EMD分解

采用EMD分解法對1986—2013年農機總動力增長進行分解，得到2個本征模態函數IMF1、IMF2及1個趨勢量。IMF1、IMF2的波動時間尺度分別為4～6 a和10 a左右，波峰波谷均勻出現；趨勢量反應了農機總動力增長的長期變化趨勢，如圖2所示。

圖2 農機總動力增長及其經驗模態分解結果Fig.2 Growth of agricultural machinery total power and its empirical mode decomposition

1986—2013年農機總動力增長各影響因素的 EMD分解結果如圖3所示，由圖3可知，政府財政投入和第一產業從業人員數分解后分別得到波動時間尺度為 10 a左右的本征模態函數和趨勢量；勞均播種面積和燃料價格指數分解后均得到波動時間尺度約為4～6 a和10 a左右的 2個本征模態函數及趨勢量；農民人均純收入無明顯波動現象，分解后不產生本征模態函數，只有趨勢量。由EMD分解結果可知，各影響因素分解得到的波動時間尺度為 4～6 a的本征模態函數與農機總動力增長IMF1的波動時間尺度相同，可認為是影響農機總動力增長波動周期為4～6 a的主要因素，因此可利用各影響因素波動尺度4～6 a的時間序列對農機總動力增長IMF1進行預測，同理可利用各影響因素波動尺度10 a左右的時間序列和趨勢量分別對農機總動力增長 IMF2和趨勢量進行預測。

3.2 農機總動力增長預測與分析

農機總動力增長時間序列經EMD分解后，得到本征模態函數IMF1、IMF2和趨勢量，因此需建立3個BP神經網絡模型分別對各波動分量進行預測，最后重構得到農機總動力增長預測值。具體建模步驟如下：

圖3 主要影響因素經驗模態分解結果Fig.3 Empirical mode decomposition results of main influence factors

1）將農機總動力增長及各影響因素分解后得到的波動時間尺度相同的時間序列列為一組，因此得到趨勢量和波動時間尺度為10 a、4～6 a的3組數據。

2）采用BP神經網絡建立農機總動力增長趨勢量的預測模型。

① 確定模型輸入、輸出因子

將勞均播種面積、政府財政投入、農民人均純收入、第一產業從業人員數和燃料價格指數經 EMD分解后得到的趨勢量作為BP神經網絡的輸入因子，因此輸入層的節點數為5；輸出層的輸出因子為農機總動力增長的趨勢量，節點數為1。

② 樣本數據的預處理

BP網絡訓練樣本集為 1986—2009年數據，驗證集為2010—2013年數據。為消除量綱的影響及避免神經元過飽和，對輸入數據和輸出數據進行標準化處理，將各數值換算至[0,1]內，以提高網絡的收斂性能和泛化能力，應用Matlab軟件編程實現，再將輸出層得到的農機總動力增長趨勢量預測結果進行反歸一化。

③ 模型結構設計和函數選擇

本文采用含有一個隱含層的BP網絡，誤差精度的提高通過增加隱含層神經元數目來獲得。根據隱含層節點數的確定公式式中，i、m和n分別表示隱含層、輸入層和輸出層的節點數，δ表示0～10之間的常數，計算得到隱含層節點數的初始值為 3，采用試湊法進行訓練對比得到最佳節點數為6。網絡訓練函數為Trainlm，隱含層和輸出層分別采用Sigmoid和Pureline傳遞函數。

④ 設定網絡訓練參數

設定BP網絡的相關參數，如學習精度為10-5，迭代步數為 1 500，學習速率為 0.01，利用初始化函數 net=init(net)來初始化網絡的權值和閾值，然后對BP網絡模型進行訓練。

3）根據第二步的原理，對農機總動力增長的 IMF1和IMF2分別進行預測。預測農機總動力增長的IMF1，BP神經網絡的輸入為勞均播種面積和燃料價格指數經EMD分解后得到的波動時間尺度為4～6 a的分量，因此輸入層的節點數為2，輸出層為農機總動力增長的IMF1，節點數為1，隱含層節點數確定為7。預測農機總動力增長的 IMF2，BP神經網絡的輸入為勞均播種面積、政府財政投入、第一產業從業人員數和燃料價格指數的波動時間尺度為10 a的波動分量，因此輸入層的節點數為4，輸出層為農機總動力增長的IMF2，節點數為1，隱含層節點數確定為6。

4）將各 BP神經網絡模型預測得到的 IMF1、IMF2和趨勢量結果進行重構，即相加求和得到農機總動力增長的最終預測值。BP神經網絡預測農機總動力增長IMF1、IMF2和趨勢量的結果見表3，由表3可知，IMF1、IMF2和趨勢量的預測值與目標值之間的相關決定系數分別約為0.997、0.999和0.999，平均相對誤差分別為7.90%、1.96%和0.09%，趨勢量和IMF2的預測值與實際值的擬合效果均表現出極強的相關性，平均相對誤差較低；IMF1的預測模型的相關決定系數較高，但平均相對誤差較大，主要是因為IMF1的原始數據序列較小，對于變量的波動情況表達明顯，因此平均相對誤差較大。

表3 農機總動力增長各波動分量預測結果統計Table 3 Prediction results summary of each fluctuation item of growth of agricultural machinery total power

將農機總動力增長 IMF1、IMF2和趨勢量的預測結果進行求和重構得到最終的預測值，訓練樣本和檢驗樣本的預測結果見表4。由表4可知，EMD-BP神經網絡模型預測得到的農機總動力增長預測值與實際值具有極高的相關水平，1986—2009年訓練樣本的平均相對誤差為0.99%，最大相對誤差為3.75%，最小相對誤差為0.05%，2010-2013年檢驗樣本的平均相對誤差為1.29%，最大相對誤差為2.60%，最小相對誤差為0.17%，均在誤差的允許范圍內，可見EMD-BP預測模型具有較好的擬合和預測能力，可以滿足農機總動力增長預測的精度要求。

3.3 模型精度評價方法

3.3.1 對比模型的建立

為科學、合理的評價EMD-BP模型的預測精度，分別選取多元線性回歸模型（multivariate linear regression，MLR）、支持向量機模型（support vector machine model，SVM）和BP神經網絡模型對農機總動力增長進行預測，并對預測模型進行對比分析。

多元線性回歸模型、SVM模型和BP神經網絡模型的輸入為影響農機總動力增長變化的 5種主要因素的時間序列，輸出為農機總動力增長時間序列。SVM模型參數的選取對預測精度影響較大[33-34]，因此為提高預測精度，利用遺傳算法（genetic algorithm，GA）對SVM模型進行優化，選擇徑向基函數（radical basis function，RBF）作為算法核函數，通過多次優化，確定SVM模型的最佳參數c=47.427 6、g=5.887 8、p=0.0463 18。BP神經網絡模型隱含層為1個，隱含層神經元為6個，訓練函數為Trainlm，傳遞函數分別為Sigmoid和Pureline，設定網絡的學習精度為10-5，迭代步數為2 000，學習速率為0.01等。

表4 不同預測方法的農機總動力增長預測值與誤差Table 4 Predicted results and errors of growth of agricultural machinery total power using different models

3.3.2 模型精度評價

應用多元線性回歸模型、基于遺傳算法優化的支持向量機模型（GA-SVM）和BP神經網絡對農機總動力增長進行預測。采用決定系數R2、均方根誤差（root mean square error，RMSE）、平均相對誤差（mean relative error，MRE）、后驗差比和小誤差概率等指標分別對各預測模型進行效果評價，評價結果見表5。由表5可知，多元線性回歸模型的平均相對誤差較大，模型等級評價為“合格”，預測效果最差；BP神經網絡模型預測誤差、決定系數和模型等級評價效果都優于GA-SVM模型，可見BP神經網絡對非線性函數的擬合能力優于 SVM 模型。EMD-BP神經網絡模型的決定系數約為0.999，RMSE為316.35 MW，擬合和預測平均相對誤差分別為 0.99%和1.29%，后驗差比為0.02，模型的各項評價指標都較好，模型等級評價為“好”，結果表明EMD-BP神經網絡輸出值與目標值偏差較小，是十分有效的預測方法。

表5 不同預測方法的農機總動力增長預測結果評價Table 5 Prediction results evaluation of growth of agricultural machinery total power using different models

4 結 論

本文在對農機總動力增長變化規律和現有預測模型進行分析研究的基礎上，針對基于農機總動力的時間序列預測模型和多因素線性回歸預測模型很難滿足實際分析與預測要求，提出基于EMD-BP神經網絡的農機總動力增長預測模型，得出以下主要結論：

1）采用主成分分析和相關性分析相結合的方法，確定勞均播種面積、政府財政投入、農民人均純收入、燃料價格指數和第一產業從業人員數 5個因素為影響農機總動力增長預測的輸入因子，采用 EMD分解法對1986-2013年農機總動力增長及其影響因素進行多時間尺度分解，得到波動時間尺度為4～6 a和10 a左右的各本征模態函數及表示信號序列長期發展趨勢的趨勢量，并確定影響農機總動力增長各本征模態函數IMF1、IMF2和趨勢量變化相對應的因素。

2）應用EMD-BP神經網絡建立農機總動力增長預測模型，預測值與實際值的平均擬合和預測相對誤差分別為0.99%和1.29%，決定系數約為0.999，均方根誤差為316.35 MW，通過后驗差比和小誤差概率評定模型等級為“好”，預測值與實際值呈極顯著相關。通過將EMD-BP神經網絡模型與多元線性回歸、GA-SVM、BP神經網絡模型的預測結果進行對比，表明EMD分解法可以清晰地表達出原始時間序列在不同時間尺度上的波動情況，解決多時間尺度序列的預測問題，BP神經網絡是一種能有效處理多因素非線性農機總動力增長變化預測的方法。

構建的基于EMD-BP神經網絡的農機總動力增長預測模型可確定農機總動力增長波動與其主要影響因素各時間尺度波動變化的關系，有效解決農機總動力增長預測問題，提高預測結果的準確性，為農機總動力增長的定量預測提供一種新方法，為農機總動力發展規劃控制目標優化提供有效參考。

[1]朱瑞祥，黃玉祥，楊曉輝. 用灰色神經網絡組合模型預測農機總動力發展[J]. 農業工程學報，2006，22(2)：107－110.Zhu Ruixiang, Huang Yuxiang, Yang Xiaohui. Method for estimating total power of agricultural machinery based on mixed grey neural network[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2006, 22(2): 107－110. (in Chinese with English abstract)

[2]張淑娟，趙飛. 基于 Shapley值的農機總動力組合預測方法[J]. 農業機械學報，2008，39(5)：60－64.Zhang Shujuan, Zhao Fei. Combinatorial forecast of agricultural machinery total power based on shapely value[J].Transactions of the Chinese Society for Agricultural Machinery,2008, 39(5): 60－64. (in Chinese with English abstract)

[3]鞠金艷，王金武，王金峰. 基于 BP神經網絡的農機總動力組合預測方法[J]. 農業機械學報，2010，41(6)：87－92.Ju Jinyan, Wang Jinwu, Wang Jinfeng. Combined prediction method of total power of agricultural machinery based on BP neural network[J]. Transactions of the Chinese Society for Agricultural Machinery, 2010, 41(6): 87－92. (in Chinese with English abstract)

[4]袁玉萍，安增龍. 基于 SVM 的農機裝備水平組合預測模型研究[J]. 中國農業大學學報，2016，21(1)：122－128.Yuan Yuping, An Zenglong. Research on combined forecasting model for the level of agricultural machinery equipment based on SVM[J]. Journal of China agricultural university, 2016, 21(1):122－128. (in Chinese with English abstract)

[5]王笑巖，王石. 基于 BP神經網絡的遼寧省農機總動力預測[J]. 中國農機化學報，2015，36(2)：314－317.Wang Xiaoyan, Wang Shi. Prediction on total power on agricultural machinery in Liaoning Province based on BP neural network[J]. Journal of Chinese Agricultural Mechanization, 2015,36(2): 314－317. (in Chinese with English abstract)

[6]宋琿，董欣，王兵. 基于BP 神經網絡的農機總動力預測模型研究[J]. 東北農業大學學報，2009，40(4): 116－120.Song Hui, Dong Xin, Wang Bing. Research on prediction model of the total power of agricultural machinery based on BP neural network[J]. Journal of Northeast agricultural University,2009, 40(4): 116－120. (in Chinese with English abstract)

[7]陳麗能，謝永良. 基于BP 神經網絡的農機擁有量預測技術[J]. 農業機械學報，2001，32(1): 118－121.

[8]王吉權，王福林，邱立春. 基于 BP 神經網絡的農機總動力預測[J]. 農業機械學報，2011，42(12): 121－126.Wang Jiquan, Wang Fulin, Qiu Lichun. Prediction of total power in agriculture machinery based on BP neural network [J].Transactions of the Chinese Society for Agricultural Machinery,2011, 42(12): 121－126. (in Chinese with English abstract)

[9]張士強，王雯. 農業機械總動力的ARMA和方程法組合預測分析：以青島市為例[J]. 中國農機化，2012，(1)：53－56.Zhang Shiqiang, Wang Wen. Agricultural machinery total power forecasting based on equation method and ARMA model: A case study of Qingdao[J]. Chinese Agricultural Mechanization,2012, (1): 53－56. (in Chinese with English abstract)

[10]張昭，朱瑞祥，朱虎良，等. 基于灰色理論的陜西農業機械總動力預測[J]. 農機化研究，2011，33(5): 46－48.Zhang Zhao, Zhu Ruixiang, Zhu Huliang, etal. Prediction of agricultural machinery total power of Shanxi based on grey theory[J]. Journal of Agricultural Mechanization Research,2011, 33(5): 46－48. (in Chinese with English abstract)

[11]劉玉靜，李成華，楊升明. 遼寧省農機總動力組合預測與分析[J]. 農機化研究，2007(5): 31－33.Liu Yujing, Li Chenghua, Yang Shengming. Combination prediction and analysis of total power of agricultural machinery in Liaoning Province[J]. Journal of Agricultural Mechanization Research, 2007(5): 31－33. (in Chinese with English abstract)

[12]尤文堅，葉雪英，唐仕云. 基于徑向基神經網絡農機數量預測的研究[J]. 中國農機化學報，2013，34(2): 38－41.You Wenjian, Ye Xueying, Tang Shiyun. Research on forecast of the number of agricultural machinery based on RBF neural network[J]. Journal of Chinese Agricultural Mechanization,2013, 34(2): 38－41. (in Chinese with English abstract)

[13]朱榮勝，王福林. 黑龍江省農機總動力趨勢包絡預測與分析[J]. 東北農業大學學報，2006，38(4)：512－515.Zhu Rongsheng, Wang Fulin. Trend envelope predict and analysis of Heilongjiang province agriculture machinery total power[J]. Journal of Northeast Agricultural University, 2006,38(4)：512－515. (in Chinese with English abstract)

[14]李建偉，梁愛琴，田輝. 2011-2015年河南省農業機械總動力的預測[J]. 農機化研究，2012(6)：47－50.Li Jianwei, Liang Aiqin, Tian Hui. Prediction in the total power of Henan province’s agricultural machinery from 2011 to 2015[J]. Journal of Agricultural Mechanization Research,2012(6): 47－50. (in Chinese with English abstract)

[15]余國新，程靜. 中國農業機械總動力預測分析：基于ARIMA模型[J]. 農機化研究，2009，31(2)：51－54.Yu Guoxin, Cheng Jing. Predict and analysis of agricultural machinery total power in China: Based on ARIMA model [J].Journal of Agricultural Mechanization Research, 2009, 31(2):51－54. (in Chinese with English abstract)

[16]劉靜，朱達榮. 考慮自變及因變影響的農機總動力組合預測模型[J]. 農機化研究，2015(4)：230－236.Liu Jing, Zhu Darong. Combined prediction model of agricultural machinery total power based on independent and dependent variables[J]. Journal of Agricultural Mechanization Research, 2015(4): 230－236. (in Chinese with English abstract)

[17]陳寶峰，白人樸，劉廣利. 影響山西省農機化水平的多因素逐步回歸分析[J]. 中國農業大學學報，2005，10(4)：115－118.Chen Baofeng, Bai Renpu, Liu Guangli. Stepwise regression analysis on the influencing factors of Shanxi agriculture mechanization level[J]. Journal of China Agricultural University,2005, 10(4): 115－118. (in Chinese with English abstract)

[18]李紅，周浩. 農機購置投入結構與農機總動力增長關系分析[J]. 中國農機化學報，2013，34(3)：30－37，41.Li hong, Zhou Hao. Analysis on the relation between input structure for purchasing agricultural machines and agricultural machines power[J]. Journal of Chinese Agricultural Mechanization, 2013, 34(3): 30－37, 41.(in Chinese with English abstract)

[19]劉忠，黃峰，李保國. 基于經驗模態分解的中國糧食單產波動特征及影響因素[J]. 農業工程學報，2015，31(2)：7－13.Liu Zhong, Huang Feng, Li Baoguo. Analysis on characteristics and influential factors of grain yield fluctuation in China based on empirical mode decomposition[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2015, 31(2): 7－13.(in Chinese with English abstract)

[20]Lei Polei, Shang Lizen, Wu Yute, et al. Single-trial analysis of cortical oscillatory activities during voluntary movements using empirical mode decomposition (EMD)-based spatiotemporal approach[J]. Annals of Biomedical Engineering, 2009, 37(8): 1683－1700.

[21]Huang N E, Wu M C, Long S R, et al. A confidence limit for the empirical mode decomposition and Hilbert spectral analysis[J]. Proceedings of the Royal Society of London,Series A, 2003, 459: 2317－2354.

[22]鞠金艷，趙林，王金峰. 農機總動力增長波動影響因素分析[J]. 農業工程學報，2016，32(2)：84－91.Ju Jinyan, Zhao Lin, Wang Jinfeng.Fluctuations influence factors analysis of growth of agricultural machinery total power[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016, 32(2): 84－91. (in Chinese with English abstract)

[23]鞠金艷，王金武. 黑龍江省農業機械化發展關鍵影響因素分析[J]. 農機化研究，2014(2)：60－63.Ju Jinyan, Wang Jinwu. Analysis of key influencing factors for Heilongjiang agricultural mechanization development[J].Journal of Agricultural Mechanization Research, 2014(2):60－63. (in Chinese with English abstract)

[24]戴立勛，魏宏安. 甘肅省農業機械化影響因素的量化分析[J]. 中國農機化，2010 (4)：24－28, 32.Dai Lixun,Wei Hongan. Analysis on influencing factors of Gansu agricultural mechanization[J]. Chinese Agricultural Mechanization, 2010 (4): 24－28, 32. (in Chinese with English abstract)

[25]楊敏麗，白人樸. 農業機械總動力與影響因素關系分析[J].農機化研究，2004，(6)：45－47.Yang Minli, Bai Renpu. Analysis on the relationship between agricultural machinery gross power and influence factors [J].Journal of Agricultural Mechanization Research, 2004, (6):45－47. (in Chinese with English abstract)

[26]鄭文忠，應霞芳. 農業機械總動力變化影響因素的灰色關聯分析[J]. 農機化研究，2007(12)：9－11.Zheng Wenzhong, Ying Xiafang. Correlative degree analysis between agricultural machinery gross power and influencing factors[J]. Journal of Agricultural Mechanization Research,2007(12): 9－11. (in Chinese with English abstract)

[27]劉蕓蕓，李紅. 基于主成分回歸模型的新疆農業機械化發展影響因素評價[J]. 貴州農業科學，2013，41(9)：197－201.Liu Yunyun, Li Hong. Evaluation of factors influencing agricultural mechanization development in Xinjiang based on principal component regression model [J].Guizhou Agricultural Sciences, 2013, 41(9): 197－201. (in Chinese with English abstract)

[28]盧秉福，張祖立，朱明，等. 農業機械化發展關鍵影響因素的辨識與分析[J]. 農業工程學報，2008，24(11)：114－117.Lu Bingfu, Zhang Zuli, Zhu Ming, et al. Discrimination and analysis of key influencing factors for agricultural mechanization development[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2008, 24(11): 114－117. (in Chinese with English abstract)

[29]Aminian F, Suarez E D. Forecasting economic data with neural networks[J]. Computational Economics, 2006, 28: 71－88.

[30]鞠金艷，王金武. 黑龍江省農業機械化作業水平預測方法[J]. 農業工程學報，2009，25(5): 83－88.Ju Jinyan, Wang Jinwu. Prediction method for the operation level of agricultural mechanization in Heilongjiang Province[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2009, 25(5): 83－88. (in Chinese with English abstract)

[31]唐萬梅. BP神經網絡網絡結構優化問題的研究[J].系統工程理論與實踐，2005，25(10)：95－100.Tang Wanmei. The study of the optimal structure of BP neural network[J]. Systems Engineering Theory &Practice,2005, 25(10): 95－100. (in Chinese with English abstract)

[32]楊娟麗，徐梅，王福林，等. 基于 BP 神經網絡的時間序列預測問題研究[J]. 數學的實踐與認識，2013，43(4)：158－164.Yang Juanli, Xu Mei, Wang Fulin, et al. Research based on BP neural network times series forecasting[J]. Mathematics in Practice and Theory, 2013, 43(4): 158－164. (in Chinese with English abstract)

[33]王霞，王占岐，金 貴，等. 基于核函數支持向量回歸機的耕地面積預測[J]. 農業工程學報，2014，30(4)：204－211.Wang Xia, Wang Zhanqi, Jin Gui, et al. Land reserve prediction using different kernel based support vector regression[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2014,30(4): 204－211. (in Chinese with English abstract)

[34]張豪，羅亦泳，張立亭，等. 基于遺傳算法最小二乘支持向量機的耕地變化預測[J]. 農業工程學報，2009，25(7)：226－231.Zhang Hao, Luo Yiyong, Zhang Liting, et al. Cultivated land change forecast based on genetic algorithm and least squares support vector machines[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2009,25(7): 226－231. (in Chinese with English abstract)

Prediction of total power growth of agricultural machinery based on empirical mode decomposition and BP neural network

Wang Jinfeng1, Yan Dongwei1, Ju Jinyan2, Wang Jinwu1
(1.College of Engineering，Northeast Agricultural University，Harbin150030,China;2.College of Mechanical Engineering，Heilongjiang University of Science and Technology，Harbin150022,China)

The traditional time series prediction models and multi-factor linear regression prediction models for total power of agricultural machinery are difficult to meet the actual analysis and forecasting demand. The total power growth of agricultural machinery and its influencing factors have strong correlation and obvious nonlinear fluctuation characteristics in various time scales. Taking the time series data of the total power growth of agricultural machinery and its influencing factors from 1986 to 2013 as the research objects, the prediction model for the total power growth of agricultural machinery was proposed to improve the accuracy and reliability of prediction results based on empirical mode decomposition (EMD) and BP (back propagation) neural network. The total power growth of agricultural machinery was affected by many factors such as government macro policy,farmers’ income growth, production scale expanding, production capacity improving, and so on. In order to determine the main influencing factors, the principal component analysis method was adopted to analyze the main contribution factors, and then the correlation analysis method was used to analyze the correlations between factors. The less affected factors were eliminated,and ultimately, planting area per labor, government finance investment, per capita net income of farmers, fuel price index and the number of first industry practitioners were determined as the main influencing factors, which were used to forecast the total power growth of agricultural machinery. The EMD method was adopted to decompose the total power growth of agricultural machinery and its main influencing factors from 1986 to 2013 in multi-time scale, the intrinsic mode functions (IMFs) with different time scales and the trend items were obtained, and then the nonlinear relationships between each IMF component and trend item of the total power growth of agricultural machinery and volatile component of influencing factors were established using BP network. At last, the results were reconstructed to forecast the total power growth of agricultural machinery. In order to evaluate the accuracy of developed EMD-BP model, the comparative models of multiple linear regression (MLR), support vector machine (SVM) model and BP neural network were developed. The prediction results of EMD-BP network, MLR,SVM model and BP neural network were analyzed. The average relative error of EMD-BP model fitting and prediction was 0.99% and 1.29% respectively, the relevant decision coefficient was 0.999, the standard error was 316.35 MW, and the evaluation grade of the model was good, and thus the accuracy evaluation indicators of EMD-BP network were better than other methods and had high precision and reliability. The results show that the EMD method can clearly express the volatility of original time series in different time scales, which can solve the prediction problem of multi-time scale sequence. The BP neural network is a kind of effective prediction method for the total power growth of agricultural machinery with nonlinear fluctuation. The developed EMD-BP neural network can determine the fluctuation relationships between the total power of agricultural machinery and its main influencing factors in each time scale, which can effectively solve the forecast problem of the total power growth of agricultural machinery and improve the accuracy of predicted results. The EMD-BP neural network offers a new method for quantitatively predicting the total power growth of agricultural machinery, and provides effective references for developing agricultural mechanization development plan and publishing relevant policy.

agricultural machinery; models; support vector machine; empirical mode decomposition; BP neural network;agricultural machinery total power; prediction

10.11975/j.issn.1002-6819.2017.10.015

S23

A

1002-6819(2017)-10-0116-07

2016-10-22

2017-03-21

國家自然科學基金項目（51205056）；“十三五”國家重點研發項目（2016YFD0300909）；東北農業大學學術骨干項目（16XG09）；東北農業大學青年才俊項目（14QC34）

王金峰，男，黑龍江哈爾濱人，博士，副教授，從事田間作業機械和農業機械化生產管理的研究。哈爾濱 東北農業大學工程學院，150030。

Email：jinfeng_w@126.com