[发明专利]一种基于电力大数据的茶叶产量预测新方法

说明书

本发明涉及一种基于电力大数据的茶叶产量预测新方法。包括：步骤S1、收集汇聚包括历年茶叶产量、茶企用电量、茶企生产茶系分类等相关历史数据，并进行数据预处理；步骤S2、构建基于多元时间序列ARIMA(p,d,q)分析模型，引入遗传算法进行参数优化，得到拟合数据；步骤S3、将获得的拟合数据与对应的茶产量历史数据的残差值作为特征输入，构建基于灰色茶产预测模型GM(1,1,α)，引入改进粒子群迭代算法实现参数调优；步骤S4、将灰色茶产预测模型GM(1,1,α)和多元时间序列ARIMA(p,d,q)分析模型融合构造来实现最终茶叶产量预测。本发明提高了茶叶产量预测效果。

技术领域

本发明属于数据挖掘领域，具体涉及一种基于电力大数据的茶叶产量预测新方法。

背景技术

随着物质生活水平的日益提高，人们对于茶叶需求量逐渐增多，茶叶已经打出国门走向世界，成为了世界三大最受欢迎的饮品之一。根据2019年年底的不完全统计，国内已有20多个省份进行产茶,有红茶、绿茶、普洱等6大系列的茶叶，全国茶农数量也高达到8千万之多，是名副其实的茶叶生产大国和消费大国。我国茶叶生产地主要集中在亚热带地区，环境因素对于茶叶产量影响较大。但除了受到如光照、雨水、温度、湿度等自然因素的影响，非自然因素同样对茶叶产量具有一定的影响，例如制茶过程中的做青、烘茶操作、城镇居民对茶叶消费价格指数、城镇居民人均可支配收入指数等人为因素等也影响了当年的茶叶产量。因此,对茶叶产量的预测研究,不仅关系到茶农的收入,也关系到我国的茶叶贸易的变化，特别是对于个别产茶大省应对茶叶市场的变化,及时调整茶叶种植规模和销售渠道具有积极的意义。

随着计算机硬件及机器学习的快速发展，各领域的预测模型受到了学者专家的关注。对茶叶产量的预测已有文献主要集中在基于统计模型的方法和基于小样本数据的建模预测方法。刘春涛等通过崂山地区茶叶产量年景资料分析入手，通过“歉年”与气象因素的关系，构建二元逻辑归回茶产量年景预报模型；高洁煌等根据武夷山市的年茶叶产量数据建立灰色模型，对武夷山市的茶叶产量在2014-2020年将保持稳步增长趋势；朱秀红等从统计的角度对影响茶叶产量的气候因子进行分析，建立了多元回归模型，对日照茶叶产量进行预测；胡克满等基于灰色系统理论可以通过部分已知条件进行分析，对茶产量构建BP神经网络模型进行预测。

对于统计模型和小样本建模方法来说，统计模型注重统计特征的分析，小样本则利用数据自身的数字规律特征建模。这2种方法存在2个局限性：一是对于统计模型建模来说，需要知道足够多的数据,再对数据进行统计特征分析，利用分析的数据特征选择模型。该方法在实际应用中会遇到数据量不够的难题，造成建模困难及准确度不高；二是小样本建模方法仅仅考虑数据的数字规律，忽视了数据类型的统计特征,会造成模型精度较差的问题出现。

发明内容

本发明的目的在于提供一种基于电力大数据的茶叶产量预测新方法，在既保留数据统计特征又兼顾数据本身规律的前提下，通过研究改进建模方式不足的情况下，采用融合的方式将具有统计特征的多元时间序列模型与具有数据特征的灰色模型结合起来，结合电力数据，建立残差融合的灰色和多元时间序列模型模型，如此达到较好的预测效果。

为实现上述目的，本发明的技术方案是：一种基于电力大数据的茶叶产量预测新方法，包括：

步骤S1、收集汇聚包括历年茶叶产量、茶企用电量、茶企生产茶系分类等相关历史数据，并进行数据预处理；

步骤S2、构建基于多元时间序列ARIMA(p,d,q)分析模型，引入遗传算法进行参数优化，得到拟合数据；

步骤S3、将获得的拟合数据与对应的茶产量历史数据的残差值作为特征输入，构建基于灰色茶产预测模型GM(1,1,α)，引入改进粒子群迭代算法实现参数调优；

步骤S4、将灰色茶产预测模型GM(1,1,α)和多元时间序列ARIMA(p,d,q)分析模型融合构造来实现最终茶叶产量预测。