打开文本图片集

摘要：农业的高质量发展对于国家经济的稳健运行和社会秩序的稳定具有深远意义。精准的农业产值预测不仅能够为农业生产活动提供科学指导，还能够为产业结构的优化提供有力支撑。因此，本文构建了一种基于鲸鱼优化算法与BP神经网络相结合的农业产值预测模型，该模型通过引入WOA对BP神经网络的权值和阈值进行优化，有效克服了传统BP神经网络在预测精度、误差控制以及鲁棒性方面的不足。为了验证WOA-BP神经网络预测模型的有效性，本文采用了宁夏2000年至2021年的农业产值及相关影响因素数据作为研究样本进行预测。结果显示，相较于传统的BP神经网络，WOA-BP神经网络预测模型在预测精度和模型性能方面均展现出了显著优势，模型的MAPE从31.1%大幅降低至5.1%，预测值与真实值之间的拟合程度较高。因此，本文基于WOA-BP神经网络预测在农业产值预测及农业产业结构调整方面具有重要参考价值，能够为相关决策部门提供更为精准、科学的决策支持。

关键词：农业产值；WOA-BP神经网络；鲸鱼优化算法；产值预测

1.引言

农业生产是保障国家粮食等重要农产品有效供给的基础产业，其发展质量对于国家经济发展和社会稳定具有重要战略意义。2024年中央一号文件明确指出，“要确保确保国家粮食安全、确保不发生规模性返贫，推进中国式现代化，必须坚持不懈夯实农业基础”。因此对农业生产总值进行准确预测有助于更合理指导农业生产以及农业产业结构的规划和调整。党的十八大以来，宁夏深入贯彻落实乡村振兴战略，以推进农业现代化为主线，着力打造符合宁夏特色的现代农业产业体系，有力推动了宁夏农业产业发展，使得宁夏农业现代化建设取得显著成效。

为进一步提高农业生产总值准确度，降低误差，国内外学者采用多种预测模型进行预测。当前较多采用单变量拟合方式，王妍[1]等人通过灰色系统预测对山东省农业产值发展趋势进行预测。同时部分学者采取多变量拟合分析，吕效国[2]等人确立财政投入、农民投入、农业人员三条因素作为主要影响因素进行分析；张自敏[3]等人运用LM-BP神经网络进行农业产值的应用；王锦[4]等人基于遗传算法对神经网络的权值进行优化从而提升预测准确度。但传统产值的预测在特征量选取等方面缺乏合理性，模型设置均方误差较大。

综上所述，本文通过灰色关联分析法科学确定影响农业产值的特征量，采用鲸鱼优化算法结合BP神经网络算法构造宁夏农业产值结构预测模型，并运用试凑法选取隐含层最优节点数量，以期实现合理选取特征量的同时进一步降低预测误差，提高预测精度。

2.数据来源与预处理

2.1数据来源

本文采用数据来源于宁夏人民政府《宁夏统计年鉴2021》，采用2000—2021年间数据对宁夏农业生产总值进行预测分析，通过对各种类别的特征因素进行分析筛选，确定关键特征因素对农业产值预测的效果影响。主要选取农林牧业总产值（万元）、林业总产值（万元）、牧业总产值（万元）、耕地面积（万公顷）、农作物播种面积（万公顷）、施肥量（万吨）、机械总动力（万瓦特）、农业从事人数作为潜在特征因素，在后续预处理过程中确定关键特征因素作为模型输入构建网络模型进行训练和预测。本文划分70%样本数据作为训练集，30%样本数据作为测试集。

2.2数据预处理

2.2.1缺失值处理

在搜集相关数据时，存在部分年份的特征因素缺失的情况；缺失点的产生不利于数据进行应用分析，并有可能产生较大误差，影响预测结果。因此本文选取KNN算法进行数据缺失值的填补。KNN算法通过距离度量来识别数据集中空间相似或相近的k个样本，使用k个样本来估计缺失数据点的值。每个样本的缺失值使用数据集中找到的k个邻域的平均值进行插补。其中距离度量的计算方式如下：

其中为第i个点在笛卡尔系的坐标，第j个点在笛卡尔系的坐标，p为确定范数的级数。

2.2.2归一化处理

由于各种影响指标间表现出容量较大和类型多样的特征，海量而杂乱的数据将给研究结果带来较大的冲击。为了提高机器学习任务中大数据的预测精度，必须对其进行规范化的预处理，以确保模型的准确性和可靠性。在数据预处理的过程中，数据归一化是一项至关重要的步骤，它能够确保数据的准确性和可靠性。在对海量数据进行处理时，通常需要使用各种不同的归一化算法来消除噪声干扰，提高分类精度。

本文选取的归一化方法为均值方差归一化，均值方差归一化的基本原理在于对原始数据进行正态分布的处理，以获取数据的平均值和标准差，并通过下式实现数据的归一化处理。该方法可以在不损失信息前提下提高统计推断精度。该分布将所有数据归为平均值为0方差为1的平均值[5]。

其中x为要归一化的值，为归一化之后的值，为样本的平均值，S为样本的标准差。该方法具有较小的离群值影响，适用于最大值和最小值未知的情况，但其缺点在于需要对数据分布进行调整。

2.3灰色关联分析

宁夏农业生产总值的影响因素目前共有8项，但不同的影响因素与农业生产总值的相关性不同。将全部影响因素作为模型的输入项，模型的计算量偏大，运行效率偏低，同时对模型的预测的效果会有较大影响。因此本文选用灰色关联分析法对农业生产总值的影响因素进行分析，确定灰色关联度较高的关键影响因素。灰色关联分析法包括以下几个步骤[6]：

（2）在k点的灰色关联系数计算方式为

3.WOA-BP神经网络预测模型

3.1 BP神经网络

人工神经网络作为新兴的技术，能很好的处理的非线性关系，在人工智能领域取得了广泛成功。作为人工神经网络中最具可靠性和经典性的一种，BP神经网络以其卓越的学习能力和简单易用的操作方式而脱颖而出。BP神经网络是一种基于误差反向传播算法的人工神经网络，其独特之处在于，每层神经元仅与相邻层神经元之间存在连接，而同层内神经元之间则不存在连接，各层神经元之间也没有反馈连接，从而形成了一个具有层次结构的前馈型神经网络系统。该结构被划分为三个层次，分别为输入层、隐含层和输出层，其中隐含层可以是单一的一层，也可以是多层的多层结构。本文设置的BP神经网络隐含层为一层。选取的激活函数为sigmoid，其表达式如下：

BP神经网络的预测精度在权值和阈值的影响之外，还受到隐含层中节点数量的制约。隐含层节点较少会造成BP神经网络的精度降低，节点过多则会出现过拟合现象[7]。因此本文采用试凑法确定隐含层节点的取值范围，再根据取值范围中不同节点数的训练集均方误差来确定最佳的隐含层节点数。试凑法计算公式如下[8]：

其中l为隐含层节点数，m为输入层节点数，n为输出层节点数；a为[1，10]之间的任一常数。

3.2 WOA-BP神经网络农业产值预测模型

鲸鱼优化算法（WOA）是澳大利亚学者Mirjalil于2016年提出的一种通过模拟座头鲸的狩猎行为而衍生出的智能优化算法[9]。鲸鱼优化算法包含三种独立的种群更新机制，分别为搜索觅食、收缩包围和螺旋更新位置。这些机制共同协作，使得鲸鱼优化算法在求解过程中具备更强的灵活性和全局搜索能力。该算法对参数的调整需求较少，操作相对简便，因此在实际应用中易于实施。本文选择使用鲸鱼优化算法来优化BP神经网络的权值和阈值，进一步提高模型的预测精度。WOA-BP神经网络农业产值预测模型具体流程如下：

Step1：BP神经网络初始化，确定神经网络结构并设置初始权值及阈值。

Step2：初始化WOA，将训练样本与测试样本的均方误差作为适应度函数，并设置种群规模、迭代次数以及权重。

Step3：计算鲸鱼个体的适应度值，记录最佳个体位置。

Step4：更新个体的位置。

Step5：设置终止策略，当模型精度达到设置的精度要求时，终止计算，将最优值赋给BP神经网络。

为了能更客观地比较BP神经网络预测模型和WOA-BP神经网络预测模型对宁夏农业生产总值的预测效果，选取均方根误差（RMSE）和平均绝对百分比误差（MAPE）作为评价模型预测性能的指标，其计算公式如下所示：

4.实验与分析

4.1农业产值关键影响因素选取

本文优先对数据集进行了缺失值插补与数据归一化处理。在面对缺失值时，本文选取KNN算法进行缺失值插补，设置k值为3。随后对各项农业产值的影响因素采用均值方差归一化方法进行处理。针对已经完成数据预处理的数据集，根据上文的灰色关联分析理论计算出农业产值与各项影响因素之间的灰色关联度，按照灰色关联度从高到低进行排序，当灰色关联度越接近于1，其与农业产值之间的相关性越大。本文将根据灰色关联分析理论选取灰色关联度大于0.9以上的影响因素作为关键影响因素并作为WOA-BP神经网络农业产值预测模型的输入，影响因素灰色关联度如下表所示。

4.2隐含层最优节点选取

根据上文的灰色关联度分析可确定最后输入层参数为4，模型最终输出为农业生产总值的预测值，即输出层参数为1。根据试凑法的计算公式可知隐含层节点的数量取值范围为[3，12]。

由图1可知，当隐含层节点数为12时，对应的训练集均方误差（MSE）最小。因此本文隐含层最优节点数是12，最终确定本文预测模型神经网络的结构为4-12-1，对应的结构图如图2所示。

4.3 设置预测模型初始参数

为降低预测模型的精度误差，本文参照常用参数进行初始合理设置。对于模型各项参数的设定如下表所示。

4.4实验结果分析

根据上述参数设置将数据导入模型中，得出鲸鱼优化算法发进化变化曲线，如图3所示。

由图3可知，在迭代次数增长至10之前均方误差下降速度较快，在迭代次数35之前，均方误差平缓下降，在大约35次迭代后，均方误差不再变化。

为了验证本文所采用的WOA-BP神经网络农业产值预测模型的精度提升，将传统BP神经网络预测模型与文本预测模型进行对比。真实值与不同模型的预测值的对比图如图4所示。由下图可知WOA-BP预测模型的预测效果更接近于真实值。

同时对两种预测模型的预测效果进行指标评价，主要选择评价指标为上文提及的均方根误差（RMSE）和平均绝对百分比误差（MAPE），如表3所示。

由表3可知，WOA-BP神经网络模型与传统BP神经网络模型相比，WOA-BP神经网络预测模型的均方根误差相对降低了86.64%，同时平均绝对百分比误差自31.0977%降低至5.1083%。由此可知WOA-BP神经网络预测模型的预测精度相较于传统BP神经网络显著提高，误差更小。

5.结论

本文将鲸鱼优化算法与BP神经网络相结合，利用WOA-BP神经网络预测模型对宁夏农业产值数据进行了预测分析。结果表明，相较于传统的BP神经网络，WOA-BP预测模型在预测精度上有了显著提升，其平均绝对百分比误差和均方根误差均有所减小。本文的结果对宁夏未来农业生产总值及农业产业结构调整提供了一定参考。

参考文献：

[1]王妍，高强，金炜博.基于灰色系统理论的山东省农业产业结构优化研究[J].山东农业科学，2015，47（03）：144-147+153.

[2]吕效国，于志华，王晓燕，等.农业产值影响因素的统计分析[J].安徽农业科学，2009，37（17）：8181.

[3]张自敏，樊艳英，陈冠萍.LM-BP神经网络在农业总产值预测的应用[J].安徽农业科学，2014，42（28）：10009-10011+10037.

[4]王锦，赵德群.基于遗传算法的神经网络权值优化方法[J].电子元器件与信息技术，2018（09）：33-36.

[5] PATRO S G K，SAHU K K.Normalization：a preprocessing stage[J].arXiv：1503. 06462，2015.

[6]邱国新，殷利平. 基于WOA-BP神经网络的气象能见度[C].中国自动化学会，2023：9.

[7]伍星，陈小勇，伍鹏飞，等.基于WOA–BP神经网络的液滴铺展预测[J].包装工程，2023，44（13）：181-187.

[8]焦斌，叶明星.BP神经网络隐层单元数确定方法[J].上海电机学院学报，2013，16（03）：113-116+124.

[9] MIRJALILI S， LEWIS A， et al. The Whale Optimization Algorithm[J]. Advances in engineering software， 2016， 95： 51-67.

作者简介：陈庚，2000年，男，满族，河北省承德市，大学本科，研究方向为随机神经网络。

基金项目：国家级大学生创新创业训练计划（202311407026）、北方民族大学大学生创新训练项目（202311407026）