王金峰，闫东伟，鞠金艳，王金武

（1. 东北农业大学工程学院，哈尔滨 150030；2. 黑龙江科技大学机械工程学院，哈尔滨 150022）

基于经验模态分解与BP神经网络的农机总动力增长预测

王金峰1，闫东伟1，鞠金艳2，王金武1

（1. 东北农业大学工程学院，哈尔滨 150030；2. 黑龙江科技大学机械工程学院，哈尔滨 150022）

为提高农机总动力增长变化预测结果的准确性和可靠性，根据农机总动力增长变化与其影响因素之间具有在各时间尺度明显的非线性波动特征，提出以1986—2013年农机总动力增长为研究对象，分别对农机总动力增长及其影响因素时间序列数据进行经验模态分解（empirical mode decomposition，EMD），对得到的各时间尺度下的波动分量分别建立BP神经网络预测模型。将EMD-BP网络预测结果与多元线性回归、支持向量机、BP神经网络进行对比分析，结果表明：基于EMD-BP网络建立的农机总动力增长预测模型，拟合和预测平均相对误差分别为0.99%和1.29%，相关决定系数约为0.999，均方根误差为316.35 MW，模型评价等级为“好”，各项精度评价指标都优于其他方法，因此该预测模型精度高、可靠性强。研究成果为农业机械化发展规划的制定和出台相关政策提供有效参考。

农业机械；模型；支持向量机；经验模态分解；BP 神经网络；农机总动力；预测

王金峰，闫东伟，鞠金艳，王金武. 基于经验模态分解与BP神经网络的农机总动力增长预测[J]. 农业工程学报，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

农业机械化是提高农业生产率、优化农业产业结构、促进农村劳动力转移、增强农村土地的效能和降低农民劳动强度的主要手段。……