基于大數據的神經網絡模型在預測中的應用

摘要：隨著社會經濟的不斷發展以及互聯網絡技術的不斷進步，網絡與信息普及程度不斷提高，人們的生活逐漸進入信息化、數據化新時代。在這一時代背景下，計算機人工智能與大數據的應用不僅能夠提高人們的生活質量，同時能夠很好地解決人工難以解決的難題，本文的基于大數據的神經網絡模型在預測中的應用就是很好的佐證，本文在介紹大數據及神經網絡的基礎上，重點分析神經網絡模型如何通過大數據實現對數據的預測。

關鍵詞：人工智能;神經網絡;預測;大數據

如今，人工智能已經滲透到人們生活的方方面面，無論是工作、還是學習，亦或是娛樂，總能夠發現人工智能的身影。人工智能的成功運用不僅提高了人們的工作效率，同時促進了很多新興技術領域的發展與進步。

近年來，作為人工智能的一個代表，學術界普遍看好神經網絡模型，利用神經網絡模型，人們能夠實現圖像識別、數據分析、智能優化以及數據預測等功能，極大限度地提高了人們工作和學習的效率[1]。

學術界關于神經網絡及大數據相關的研究相對較多，重點從故障診斷以及數據預測等方面展開。其中，姜景升等（2016）以BP神經網絡為基礎，利用軸承故障的大數據，建立軸承故障診斷的神經網絡模型，通過對比訓練后的模型的理論輸出值與實際輸出值的對比，驗證模型的正確性，最終利用模型推導滾動軸承的故障狀態[2];金鑫等（2016）在大規模電網互聯的背景下，通過神經網絡模型與粒子群優化算法，對短期的電力負荷進行預測，通過對比預測與實際負荷數據，驗證了預測的高精度，從而為降低負荷預測時間提高變電站運行穩定性提供保障[3];還有其他學者也分別利用神經網絡模型在各自的領域進行數據預測，如劉艷鵬等（2018）利用卷積神經網絡與礦產大數據，對礦床尋找礦源進行了預測;王鴻璽等（2017）利用混沌神經網絡，對石家莊地區的小時負荷數據進行深度挖掘，以實現對該地區用電負荷的預測。

鑒于神經網絡模型利用大數據實現預測的巨大作用，本文將選取采礦、焦炭、農業等三個行業，重點論述基于大數據的神經網絡模型在預測中的應用。

1 基于大數據的神經網絡模型在礦產預測中的應用

傳統的找礦方式主要利用的是數理統計、模糊數學以及經驗方法等，這些找礦方式往往存在激發問題、地表問題以及接收問題等，不僅使得礦產的勘察效率大大的降低，同時極易造成人力物力資源的過度浪費，在大數據時代和人工智能的今天，智能數據處理方法完全能夠取代傳統的找礦方式，提高工作效率與準確性。

以安徽省兆吉口鉛鋅礦床為例，對該應用進行分析。在本應用中，利用了卷積神經網絡，對表示Pb元素在地表含量的分布圖進行訓練學習，采用Sigmoid激活函數，將目標區域進行網格化，總共劃分63個網格，42個網格區域作為訓練樣本，其余網格作為預測樣本，訓練集的30%作為驗證集，經過1000次的訓練后的神經網絡模型在本地區鉛鋅礦預測中的預測準確性為93%，為尋找鉛鋅礦提供了良好的工具。

2 基于大數據的神經網絡模型在焦炭質量預測中的應用

傳統的配煤焦炭工業在數據采集和處理方面往往存在不完全、不確定等特性，因此傳統的對于焦炭質量的預測工作存在一定發的難度，因此，如何有效的直到焦炭數據的挖掘以及對焦炭質量進行合理的預測成為當前研究的重點，而基于大數據的神經網絡模型在焦炭質量預測就能夠很好地解決這一問題。

針對配煤煉焦領域實驗數據進行分析，在大數據環境下研討數據的收集整合及清洗，研究各類神經網絡算法的理論基礎及在配煤煉焦領域應用時可改進的方面。另外，針對傳統BP神經網絡在焦炭質量預測上易出現過擬合現象，在原有BP神經網絡模型的基礎之上提出了基于交叉驗證的級聯BP神經網絡焦炭質量預測模型，該模型運用交叉驗證的級聯思想，經過改進，絕大部分煤炭質量參數的預測誤差均在15%以內，大大提高了預測的準確性。

3 基于大數據的神經網絡模型在精準施肥中的應用

傳統的施肥方式存在施肥頻率大、施肥不方便、肥料溶解慢、施肥不均勻、施肥速度難以控制、人工施肥有誤差等缺點，而基于農田肥料效應實驗大數據的BP神經網絡模型的精準施肥預測能夠很好地解決上述問題。

以吉林省農安縣精準施肥預測為例，在13個試驗田分別選取了3414個實驗數據，經過多次實驗，得出了在土壤種類、作物類型、天氣條件、病蟲害等因素一致的條件下，氮磷鉀肥料是影響產量的最主要因素，因此，選取土壤養分含量作為BP神經網絡的輸入，實際產量作為輸出進行精準施肥預測，最終得出不同施肥方案下的最優施肥方案和產量。

4 結論

在傳統的生產中，由于人工因素的存在而導致的生產效率低、制造精度低的問題時常發生，采用神經網絡預測模型，能夠根據大量的生產實踐數據，對規律性進行精準的預測，合理地指導生產與實踐，提高了工作效率與準確性，在人類的生產與實踐中起到了舉足輕重的作用。

參考文獻

[1]張倩. 基于智能診斷的人工智能神經網絡運用[J]. 科技風， 2019.

[2]姜景升， 崔嘉， 王德吉，等. 基于CEEMD-BP神經網絡大數據軸承故障診斷[J]. 設備管理與維修， 2016， 000（009）：100-103.

[3]金鑫， 李龍威， 季佳男， et al. 基于大數據和優化神經網絡短期電力負荷預測[J]. 通信學報， 2016（S1）：40-46.

[4]劉艷鵬， 朱立新， 周永章. 卷積神經網絡及其在礦床找礦預測中的應用——以安徽省兆吉口鉛鋅礦床為例[J]. 巖石學報， 2018， 34（11）：53-60.

[5]王鴻璽， 李飛， 李翀，等. 基于大數據分析的混沌神經網絡模型在負荷預測中的應用[J]. 電力大數據， 2017（8）.

[6]苑超， 李東明， 李巖. 基于MapReduce的BP神經網絡在精準施肥中的應用[J]. 中國農機化學報， 2016， v.37;No.264（02）：191-195.

作者簡介：夏魯宏（1967-）重慶億睿昆泰數據科技有限公司 總經理

藉貫：四川廣安，清華大學ENBA，國家注冊信息安全工程師（CISP）

研究方向：大數據及人工智能