[发明专利]农业灾害预测方法

说明书

技术领域

本发明属于农业灾害预测技术领域，特别涉及一种高预测精度的农业灾害预测方法。

背景技术

随着我国农业生产模式转型迫切要求和各类生产技术手段的提升，农业领域对于生产和安全可控要求的不断提高，对于农业自然灾害的各种预测方法和系统也不断出现。系统开发的目标是决策与实施，预测是决策的前提与基础。预测的精度直接影响决策的目标和处方的质量，如何对农业各个决策环节进行预测，如何预测才能提高精度是农业工程研发的重点。预测的方法多种多样，每个预测方法都不可能完全包含预测目标的所有影响因子，鉴于在农业体系中预测目标的复杂性与多样性，对于影响因子属性数据的处理对预测精度显得更为重要。在各种预测方式中其中多以气象因素为响应属性值的灾害预测，而对于气象因素对农业生产影响的相关预测研究较少，预测精度不高。

目前，在农业灾害预测领域对于数据处理和预测方法上，对于用于预测获取的数据根据实际应用情况可采用数据清理、数据集成、数据归约等处理技术。预测方法由于农业灾害的数值型和多变性应用，多采用多元线性回归、时间序列ARMA模型预测、BP神经网络预测等方法。但大多数预测方式中多未涉及对数据进行预先处理的操作，对于预测精度没有具体描述。即使是有描述的处理方法中也基本采用利用实测值与预测值之间的残差作为阈值因子进行异常值排除和曲线拟合。这种方式对于本身季节性和多变性的农业气象因素来说，存在过度拟合和预测偏离的问题。

发明内容

(一)要解决的技术问题

本发明的目的是为了针对以上问题和农业灾害预测中实际情况，本发明通过研究数据处理技术和预测模型，提出一种高精度的农业灾害预测方法。

(二)技术方案

为了解决上述技术问题，本发明提供一种农业灾害预测方法，包括步骤：

S1，获取多源采集的多种属性的数据，并按照相应属性进行存储；

S2，分别对各种属性的数据进行数据清洗，排除异常数据；

S3，分别对各种属性的数据缺失值进行补充；

S4，统一对各种属性的数据进行时间校准；

S5，分别对各种属性的数据进行样本数据抽取，去除冗余数据提取精简数据集；

S6，按照预定的预测模型进行数据预测；

S7，进行预测精度检验，获得最终预测数据。

优选地，所述步骤S2中数据清洗的方法包括步骤：

S21，确定稳定态数据；

S22，根据所述稳定态数据生成相应属性数据的自增量偏差模型，所述自增量偏差模型包含自增量偏差序列；

S23，以所述自增量偏差序列做正态性分布数据检验，获取所述自增量偏差序列的标准差范围；

S24，根据所述自增量偏差序列的标准差范围进行控制图偏差检测，提取所要求的精度范围，对后续数据进行检测，排除异常数据。

优选地，所述步骤S3中补充数据缺失值的方法包括：

利用相应属性数据的自稳态偏差均值进行差分自校正，实现对数据缺失值的补充。

优选地，所述步骤S4中进行时间校准的方法包括：

采用内插外推时间配准方法，在同一时间片内，对各属性的采集数据进行内插外推，将高精度采集时间上的数据推算到低精度的采集时间点上，以达到各属性数据时间上的同步。

优选地，所述步骤S5中进行样本数据抽取的方法包括：

对于大数据量数据，根据数据同步后的数据进行自适应变距调整抽样样本数据，抽取去除冗余数据提取精简数据集。

优选地，所述步骤S6中得到预测模型的方法包括：

S61，依据相关农业信息进行相关成分分析，进行数据集降维处理，得到数据预测的主要属性；

S62，利用所述主要属性测量数据进行时间序列数据的模型预测，得到预测模型。

优选地，所述步骤S7中预测精度检验方法包括：

利用预测属性和历史统计数据进行统计特性分析，依照精度比对指标，进行参照对比，得到最终预测数据。

(三)有益效果

本发明提供了一种提高数据预测精度的农业灾害预测方法，采用对自变量数据进行数据清洗，偏差检测，时间校准，样本抽取的序列数据处理方式，能够有效地保证数据质量的同时，提高数据采样速度和处理准确性从而提高了预测精度。

附图说明

图1为本发明农业灾害预测方法的流程图；

图2为本发明一实施例的预测模型属性定义图；

图3为本发明一实施例的属性自增量偏差序列的统计描述图；

图4为本发明一实施例的自增量偏差序列P_P图检验图；