基于多模态混合机器学习模型的作物产量时间序列数据预测
计算机与社会
2025-02-18 v1 应用统计
摘要
农业在全球经济与社会稳定中占据关键位置，准确的作物产量预测对于合理种植计划与决策至关重要。本研究聚焦于作物产量时间序列数据预测。鉴于农业在全球经济与社会稳定中的关键作用，以及准确作物产量预测对于合理种植计划与决策的重要性，本研究运用包含多作物、多地区及多年数据的集，深入探讨气候因素（平均降雨量、平均气温）与农业投入（农药使用量）与作物产量之间的关系。采用多种混合机器学习模型，包括线性回归、随机森林、梯度提升、XGBoost、K最近邻（KNN）、决策树和装袋回归器（Bagging Regressor）进行产量预测。经评估发现，随机森林与装袋回归器模型在作物产量预测中表现卓越，准确率高且误差低。随着农业数据的丰富化以及时间序列预测技术的不断发展，本研究的成果推动了作物产量预测在农业生产管理中的实际应用。时间序列分析的融合有助于实现更动态、数据驱动的决策，提升作物产量预测在时间上的准确性与可靠性。
引用
@article{arxiv.2502.10405,
title = {Crop Yield Time-Series Data Prediction Based on Multiple Hybrid Machine Learning Models},
author = {Yueru Yan and Yue Wang and Jialin Li and Jingwei Zhang and Xingye Mo},
journal= {arXiv preprint arXiv:2502.10405},
year = {2025}
}