基于大數(shù)據(jù)的神經(jīng)網(wǎng)絡(luò)模型在預(yù)測(cè)中的應(yīng)用

摘要：隨著社會(huì)經(jīng)濟(jì)的不斷發(fā)展以及互聯(lián)網(wǎng)絡(luò)技術(shù)的不斷進(jìn)步，網(wǎng)絡(luò)與信息普及程度不斷提高，人們的生活逐漸進(jìn)入信息化、數(shù)據(jù)化新時(shí)代。在這一時(shí)代背景下，計(jì)算機(jī)人工智能與大數(shù)據(jù)的應(yīng)用不僅能夠提高人們的生活質(zhì)量，同時(shí)能夠很好地解決人工難以解決的難題，本文的基于大數(shù)據(jù)的神經(jīng)網(wǎng)絡(luò)模型在預(yù)測(cè)中的應(yīng)用就是很好的佐證，本文在介紹大數(shù)據(jù)及神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上，重點(diǎn)分析神經(jīng)網(wǎng)絡(luò)模型如何通過大數(shù)據(jù)實(shí)現(xiàn)對(duì)數(shù)據(jù)的預(yù)測(cè)。

關(guān)鍵詞：人工智能;神經(jīng)網(wǎng)絡(luò);預(yù)測(cè);大數(shù)據(jù)

如今，人工智能已經(jīng)滲透到人們生活的方方面面，無論是工作、還是學(xué)習(xí)，亦或是娛樂，總能夠發(fā)現(xiàn)人工智能的身影。人工智能的成功運(yùn)用不僅提高了人們的工作效率，同時(shí)促進(jìn)了很多新興技術(shù)領(lǐng)域的發(fā)展與進(jìn)步。

近年來，作為人工智能的一個(gè)代表，學(xué)術(shù)界普遍看好神經(jīng)網(wǎng)絡(luò)模型，利用神經(jīng)網(wǎng)絡(luò)模型，人們能夠?qū)崿F(xiàn)圖像識(shí)別、數(shù)據(jù)分析、智能優(yōu)化以及數(shù)據(jù)預(yù)測(cè)等功能，極大限度地提高了人們工作和學(xué)習(xí)的效率[1]。

學(xué)術(shù)界關(guān)于神經(jīng)網(wǎng)絡(luò)及大數(shù)據(jù)相關(guān)的研究相對(duì)較多，重點(diǎn)從故障診斷以及數(shù)據(jù)預(yù)測(cè)等方面展開。其中，姜景升等（2016）以BP神經(jīng)網(wǎng)絡(luò)為基礎(chǔ)，利用軸承故障的大數(shù)據(jù)，建立軸承故障診斷的神經(jīng)網(wǎng)絡(luò)模型，通過對(duì)比訓(xùn)練后的模型的理論輸出值與實(shí)際輸出值的對(duì)比，驗(yàn)證模型的正確性，最終利用模型推導(dǎo)滾動(dòng)軸承的故障狀態(tài)[2];金鑫等（2016）在大規(guī)模電網(wǎng)互聯(lián)的背景下，通過神經(jīng)網(wǎng)絡(luò)模型與粒子群優(yōu)化算法，對(duì)短期的電力負(fù)荷進(jìn)行預(yù)測(cè)，通過對(duì)比預(yù)測(cè)與實(shí)際負(fù)荷數(shù)據(jù)，驗(yàn)證了預(yù)測(cè)的高精度，從而為降低負(fù)荷預(yù)測(cè)時(shí)間提高變電站運(yùn)行穩(wěn)定性提供保障[3];還有其他學(xué)者也分別利用神經(jīng)網(wǎng)絡(luò)模型在各自的領(lǐng)域進(jìn)行數(shù)據(jù)預(yù)測(cè)，如劉艷鵬等（2018）利用卷積神經(jīng)網(wǎng)絡(luò)與礦產(chǎn)大數(shù)據(jù)，對(duì)礦床尋找礦源進(jìn)行了預(yù)測(cè);王鴻璽等（2017）利用混沌神經(jīng)網(wǎng)絡(luò)，對(duì)石家莊地區(qū)的小時(shí)負(fù)荷數(shù)據(jù)進(jìn)行深度挖掘，以實(shí)現(xiàn)對(duì)該地區(qū)用電負(fù)荷的預(yù)測(cè)。

鑒于神經(jīng)網(wǎng)絡(luò)模型利用大數(shù)據(jù)實(shí)現(xiàn)預(yù)測(cè)的巨大作用，本文將選取采礦、焦炭、農(nóng)業(yè)等三個(gè)行業(yè)，重點(diǎn)論述基于大數(shù)據(jù)的神經(jīng)網(wǎng)絡(luò)模型在預(yù)測(cè)中的應(yīng)用。

1 基于大數(shù)據(jù)的神經(jīng)網(wǎng)絡(luò)模型在礦產(chǎn)預(yù)測(cè)中的應(yīng)用

傳統(tǒng)的找礦方式主要利用的是數(shù)理統(tǒng)計(jì)、模糊數(shù)學(xué)以及經(jīng)驗(yàn)方法等，這些找礦方式往往存在激發(fā)問題、地表問題以及接收問題等，不僅使得礦產(chǎn)的勘察效率大大的降低，同時(shí)極易造成人力物力資源的過度浪費(fèi)，在大數(shù)據(jù)時(shí)代和人工智能的今天，智能數(shù)據(jù)處理方法完全能夠取代傳統(tǒng)的找礦方式，提高工作效率與準(zhǔn)確性。

以安徽省兆吉口鉛鋅礦床為例，對(duì)該應(yīng)用進(jìn)行分析。在本應(yīng)用中，利用了卷積神經(jīng)網(wǎng)絡(luò)，對(duì)表示Pb元素在地表含量的分布圖進(jìn)行訓(xùn)練學(xué)習(xí)，采用Sigmoid激活函數(shù)，將目標(biāo)區(qū)域進(jìn)行網(wǎng)格化，總共劃分63個(gè)網(wǎng)格，42個(gè)網(wǎng)格區(qū)域作為訓(xùn)練樣本，其余網(wǎng)格作為預(yù)測(cè)樣本，訓(xùn)練集的30%作為驗(yàn)證集，經(jīng)過1000次的訓(xùn)練后的神經(jīng)網(wǎng)絡(luò)模型在本地區(qū)鉛鋅礦預(yù)測(cè)中的預(yù)測(cè)準(zhǔn)確性為93%，為尋找鉛鋅礦提供了良好的工具。

2 基于大數(shù)據(jù)的神經(jīng)網(wǎng)絡(luò)模型在焦炭質(zhì)量預(yù)測(cè)中的應(yīng)用

傳統(tǒng)的配煤焦炭工業(yè)在數(shù)據(jù)采集和處理方面往往存在不完全、不確定等特性，因此傳統(tǒng)的對(duì)于焦炭質(zhì)量的預(yù)測(cè)工作存在一定發(fā)的難度，因此，如何有效的直到焦炭數(shù)據(jù)的挖掘以及對(duì)焦炭質(zhì)量進(jìn)行合理的預(yù)測(cè)成為當(dāng)前研究的重點(diǎn)，而基于大數(shù)據(jù)的神經(jīng)網(wǎng)絡(luò)模型在焦炭質(zhì)量預(yù)測(cè)就能夠很好地解決這一問題。

針對(duì)配煤煉焦領(lǐng)域?qū)嶒?yàn)數(shù)據(jù)進(jìn)行分析，在大數(shù)據(jù)環(huán)境下研討數(shù)據(jù)的收集整合及清洗，研究各類神經(jīng)網(wǎng)絡(luò)算法的理論基礎(chǔ)及在配煤煉焦領(lǐng)域應(yīng)用時(shí)可改進(jìn)的方面。另外，針對(duì)傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)在焦炭質(zhì)量預(yù)測(cè)上易出現(xiàn)過擬合現(xiàn)象，在原有BP神經(jīng)網(wǎng)絡(luò)模型的基礎(chǔ)之上提出了基于交叉驗(yàn)證的級(jí)聯(lián)BP神經(jīng)網(wǎng)絡(luò)焦炭質(zhì)量預(yù)測(cè)模型，該模型運(yùn)用交叉驗(yàn)證的級(jí)聯(lián)思想，經(jīng)過改進(jìn)，絕大部分煤炭質(zhì)量參數(shù)的預(yù)測(cè)誤差均在15%以內(nèi)，大大提高了預(yù)測(cè)的準(zhǔn)確性。

3 基于大數(shù)據(jù)的神經(jīng)網(wǎng)絡(luò)模型在精準(zhǔn)施肥中的應(yīng)用

傳統(tǒng)的施肥方式存在施肥頻率大、施肥不方便、肥料溶解慢、施肥不均勻、施肥速度難以控制、人工施肥有誤差等缺點(diǎn)，而基于農(nóng)田肥料效應(yīng)實(shí)驗(yàn)大數(shù)據(jù)的BP神經(jīng)網(wǎng)絡(luò)模型的精準(zhǔn)施肥預(yù)測(cè)能夠很好地解決上述問題。

以吉林省農(nóng)安縣精準(zhǔn)施肥預(yù)測(cè)為例，在13個(gè)試驗(yàn)田分別選取了3414個(gè)實(shí)驗(yàn)數(shù)據(jù)，經(jīng)過多次實(shí)驗(yàn)，得出了在土壤種類、作物類型、天氣條件、病蟲害等因素一致的條件下，氮磷鉀肥料是影響產(chǎn)量的最主要因素，因此，選取土壤養(yǎng)分含量作為BP神經(jīng)網(wǎng)絡(luò)的輸入，實(shí)際產(chǎn)量作為輸出進(jìn)行精準(zhǔn)施肥預(yù)測(cè)，最終得出不同施肥方案下的最優(yōu)施肥方案和產(chǎn)量。

4 結(jié)論

在傳統(tǒng)的生產(chǎn)中，由于人工因素的存在而導(dǎo)致的生產(chǎn)效率低、制造精度低的問題時(shí)常發(fā)生，采用神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型，能夠根據(jù)大量的生產(chǎn)實(shí)踐數(shù)據(jù)，對(duì)規(guī)律性進(jìn)行精準(zhǔn)的預(yù)測(cè)，合理地指導(dǎo)生產(chǎn)與實(shí)踐，提高了工作效率與準(zhǔn)確性，在人類的生產(chǎn)與實(shí)踐中起到了舉足輕重的作用。

參考文獻(xiàn)

[1]張倩. 基于智能診斷的人工智能神經(jīng)網(wǎng)絡(luò)運(yùn)用[J]. 科技風(fēng)， 2019.

[2]姜景升， 崔嘉， 王德吉，等. 基于CEEMD-BP神經(jīng)網(wǎng)絡(luò)大數(shù)據(jù)軸承故障診斷[J]. 設(shè)備管理與維修， 2016， 000（009）：100-103.

[3]金鑫， 李龍威， 季佳男， et al. 基于大數(shù)據(jù)和優(yōu)化神經(jīng)網(wǎng)絡(luò)短期電力負(fù)荷預(yù)測(cè)[J]. 通信學(xué)報(bào)， 2016（S1）：40-46.

[4]劉艷鵬， 朱立新， 周永章. 卷積神經(jīng)網(wǎng)絡(luò)及其在礦床找礦預(yù)測(cè)中的應(yīng)用——以安徽省兆吉口鉛鋅礦床為例[J]. 巖石學(xué)報(bào)， 2018， 34（11）：53-60.

[5]王鴻璽， 李飛， 李翀，等. 基于大數(shù)據(jù)分析的混沌神經(jīng)網(wǎng)絡(luò)模型在負(fù)荷預(yù)測(cè)中的應(yīng)用[J]. 電力大數(shù)據(jù)， 2017（8）.

[6]苑超， 李東明， 李巖. 基于MapReduce的BP神經(jīng)網(wǎng)絡(luò)在精準(zhǔn)施肥中的應(yīng)用[J]. 中國農(nóng)機(jī)化學(xué)報(bào)， 2016， v.37;No.264（02）：191-195.

作者簡(jiǎn)介：夏魯宏（1967-）重慶億睿昆泰數(shù)據(jù)科技有限公司 總經(jīng)理

藉貫：四川廣安，清華大學(xué)ENBA，國家注冊(cè)信息安全工程師（CISP）

研究方向：大數(shù)據(jù)及人工智能