王　洪,　劉偉銘

(1.福建工程學(xué)院 交通運(yùn)輸學(xué)院 福建 福州 350108；2.華南理工大學(xué) 土木與交通學(xué)院 廣東 廣州 510640)

?

深度信任支持向量回歸的耕地面積預(yù)測(cè)方法

王洪1,劉偉銘2

(1.福建工程學(xué)院 交通運(yùn)輸學(xué)院 福建 福州 350108；2.華南理工大學(xué) 土木與交通學(xué)院 廣東 廣州 510640)

摘要：針對(duì)目前淺層機(jī)器學(xué)習(xí)預(yù)測(cè)方法所需學(xué)習(xí)和訓(xùn)練的樣本過(guò)大及擬合復(fù)雜數(shù)據(jù)能力弱等不足，提出一種基于深度學(xué)習(xí)思想的深度信任支持向量回歸(support vector regression,SVR)的耕地面積預(yù)測(cè)方法.首先，搭建由1層高斯分布函數(shù)顯層節(jié)點(diǎn)的RBM、多層隱層RBM和1層支持向量回歸機(jī)構(gòu)成的深度信任支持向量回歸預(yù)測(cè)模型；其次，選取較為合適和易得的訓(xùn)練數(shù)據(jù)，通過(guò)樣本訓(xùn)練和測(cè)試確定預(yù)測(cè)模型的具體結(jié)構(gòu)參數(shù)；最后，通過(guò)實(shí)驗(yàn)將深度信任支持向量回歸耕地面積預(yù)測(cè)方法與其他典型的耕地面積預(yù)測(cè)算法相比較.結(jié)果表明，提出的耕地面積預(yù)測(cè)方法可行、有效，在相同的數(shù)據(jù)和平臺(tái)下，其預(yù)測(cè)精度高于其他具有代表性的耕地面積預(yù)測(cè)算法.

關(guān)鍵詞：深度信任網(wǎng)絡(luò)； 支持向量回歸； 耕地面積預(yù)測(cè)； 深度學(xué)習(xí)

0引言

隨著我國(guó)國(guó)民經(jīng)濟(jì)和城市化、城鎮(zhèn)化發(fā)展進(jìn)程的不斷加快，人地矛盾日益凸顯.耕地面積的有效保護(hù)關(guān)系食品供應(yīng)及食品安全等諸多問(wèn)題，而如何科學(xué)、準(zhǔn)確、有效地預(yù)測(cè)未來(lái)年耕地保有量，則是保護(hù)耕地面積合理化的基礎(chǔ)和保障，具有十分重要的現(xiàn)實(shí)意義.

目前，常見(jiàn)的耕地預(yù)測(cè)模型及算法大致可分為傳統(tǒng)回歸模型及因素分析模型兩大類(lèi)[1—2].由于我國(guó)土地影響因素的復(fù)雜性和多變性，傳統(tǒng)的線(xiàn)性回歸及因素分析方法很難適應(yīng)因素的突變，往往預(yù)測(cè)精度較低.為了實(shí)現(xiàn)高精度的預(yù)測(cè)，越來(lái)越多的專(zhuān)家學(xué)者對(duì)具備自學(xué)習(xí)功能的智能預(yù)測(cè)算法產(chǎn)生興趣[1—3].

近年來(lái)，利用機(jī)器學(xué)習(xí)思想解決耕地面積預(yù)測(cè)中多因素變化帶來(lái)的難題是該領(lǐng)域的一個(gè)熱點(diǎn)研究方向，較為常見(jiàn)的是支持向量回歸(support vector regression,SVR)及其改進(jìn)算法[1,4—5].該方法屬于機(jī)器學(xué)習(xí)中淺層學(xué)習(xí)算法，極大地推動(dòng)了耕地面積測(cè)量及預(yù)測(cè)領(lǐng)域的發(fā)展.然而，該類(lèi)方法存在所需學(xué)習(xí)及訓(xùn)練的樣本大、對(duì)訓(xùn)練樣本的精度要求高、擬合復(fù)雜數(shù)據(jù)能力較弱、過(guò)分依賴(lài)核函數(shù)及其參數(shù)的選取等不足.

考慮深度學(xué)習(xí)的機(jī)器學(xué)習(xí)預(yù)測(cè)算法有比淺層學(xué)習(xí)算法更為優(yōu)越的“小樣本”數(shù)據(jù)處理能力[6].本文擬利用深度學(xué)習(xí)的思想搭建耕地面積預(yù)測(cè)模型，提出一種基于深度信任SVR的耕地面積預(yù)測(cè)方法.

1深度信任SVR算法

未來(lái)年耕地面積預(yù)測(cè)過(guò)程中，由于影響因素較多，故非線(xiàn)性運(yùn)算計(jì)算量大，考慮到深度學(xué)習(xí)的非線(xiàn)性擬合能力較淺層機(jī)器學(xué)習(xí)算法強(qiáng)，本文利用深度學(xué)習(xí)的思想構(gòu)建基于深度信任網(wǎng)絡(luò)的SVR模型.

1.1深度信任網(wǎng)絡(luò)模型的搭建與實(shí)現(xiàn)

本文搭建的深度信任網(wǎng)絡(luò)由1層高斯分布函數(shù)顯層節(jié)點(diǎn)的RBM、多層隱層RBM和1層SVR模型構(gòu)成.模型預(yù)訓(xùn)練過(guò)程中，輸入層的數(shù)據(jù)聯(lián)合分布及顯隱層條件分布的計(jì)算方式為：

(1)

中間層為傳統(tǒng)的RBM信息轉(zhuǎn)換，即(顯層)伯努利-(隱層)伯努利RBM數(shù)據(jù)轉(zhuǎn)換，其能量函數(shù)定義為：

(2)

式中:θ為給定模型參數(shù)，ωij表示顯層節(jié)點(diǎn)vi和隱層節(jié)點(diǎn)hj之間的關(guān)聯(lián)權(quán)值，bi為顯層節(jié)點(diǎn)偏移量，αj為隱層節(jié)點(diǎn)偏移量，I為顯層結(jié)構(gòu)的結(jié)點(diǎn)數(shù)，J表示隱層結(jié)構(gòu)的結(jié)點(diǎn)數(shù).

RBM顯層和隱層節(jié)點(diǎn)對(duì)應(yīng)的條件概率定義為：

(3)

(4)

Δωij=Edata(vihj)-Emodel(vihj),

(5)

式中:Edata(vihj)為訓(xùn)練數(shù)據(jù)集的期望，Emodel(vihj)為模型中定義的期望.

1.2SVR模型

SVR算法通過(guò)對(duì)支持向量的核函數(shù)變換提取有效信息得出決策結(jié)果.圖1為SVR的模型示意圖.

設(shè){(xi,yi),i=1,2,…,n}為預(yù)測(cè)參考數(shù)據(jù)樣本集.樣本集中共有n個(gè)樣本數(shù)據(jù).其中，x為輸入向量，且xi∈Rd；yi為決策結(jié)果，yi∈R.SVR的函數(shù)表達(dá)式為：

f(x)=ω·φ(x)+b,

(6)

式中:ω表示不同因素所取的權(quán)值，φ(x)表示映射函數(shù).考慮到映射數(shù)據(jù)有可能依然存在高維空間線(xiàn)性不可分性，而該部分?jǐn)?shù)據(jù)的高維模糊可分對(duì)實(shí)際預(yù)測(cè)影響較小，引入松弛變量來(lái)控制模糊分類(lèi)的尺度.SVR的優(yōu)化可表示為：

(7)

式中:ξ、ξ*均為松弛變量.該函數(shù)的優(yōu)化問(wèn)題，可以通過(guò)Lagrange函數(shù)進(jìn)行求解：

(8)

由式(8)求解式(6)，則SVR預(yù)測(cè)模型為：

(9)

式中：K(xi,x)為SVR核函數(shù)，可根據(jù)實(shí)際需求選取精度合適的核函數(shù).

1.3深度信任SVR模型搭建

本文搭建的深度信任SVR模型不同于傳統(tǒng)的SVR淺層模型.該模型由1層帶高斯分布顯層節(jié)點(diǎn)的RBM、多層隱層RBM和1層SVR機(jī)構(gòu)成的深度學(xué)習(xí)模型(模型示意圖如圖2所示).其中，數(shù)據(jù)輸入層為帶高斯節(jié)點(diǎn)的RBM，該輸入模型將影響耕地面積因素的相關(guān)類(lèi)高斯分布信息轉(zhuǎn)化為深度信任網(wǎng)絡(luò)易于識(shí)別和處理的伯努利分布數(shù)據(jù).數(shù)據(jù)經(jīng)過(guò)轉(zhuǎn)化后，經(jīng)過(guò)多層隱層RBM完成數(shù)據(jù)轉(zhuǎn)換和關(guān)鍵信息提取，最后將經(jīng)過(guò)多層神經(jīng)網(wǎng)絡(luò)優(yōu)化后的關(guān)鍵數(shù)據(jù)輸入SVR模型，擬合歷史數(shù)據(jù)完成為來(lái)年耕地面積信息預(yù)測(cè)的目的.

圖2　深度信任SVR模型示意圖Fig.2　Schematic diagram of deep belief support vector regression

2基于深度信任SVR的耕地面積預(yù)測(cè)

利用本文提出的深度信任SVR模型構(gòu)建耕地面積預(yù)測(cè)系統(tǒng).充分考慮影響土地變化的關(guān)鍵因素及數(shù)據(jù)的可獲取性選取訓(xùn)練樣本，使用訓(xùn)練樣本集訓(xùn)練深度信任網(wǎng)絡(luò)，選取模型精確運(yùn)行所需的關(guān)鍵參數(shù)，根據(jù)關(guān)鍵參數(shù)及相關(guān)測(cè)試集數(shù)據(jù)運(yùn)行預(yù)測(cè)系統(tǒng)得出相關(guān)預(yù)測(cè)數(shù)據(jù).

2.1影響耕地面積的因素選取

耕地面積的變化受城鄉(xiāng)人口、經(jīng)濟(jì)發(fā)展、產(chǎn)業(yè)結(jié)構(gòu)、農(nóng)業(yè)生產(chǎn)技術(shù)以及相關(guān)政策等諸多因素的影響.本文結(jié)合實(shí)際，考慮相關(guān)因素的重要性、數(shù)據(jù)的可得性，利用文獻(xiàn)[1]提出的關(guān)聯(lián)分析法選取綜合影響因子最高的若干因素作為預(yù)測(cè)耕地面積變化的影響因素.這些影響因素有：城鄉(xiāng)總?cè)丝跀?shù)、人均GDP、產(chǎn)業(yè)結(jié)構(gòu)比、糧食總生產(chǎn)量、農(nóng)業(yè)生產(chǎn)機(jī)械化程度、土地管理政策等.考慮某些數(shù)據(jù)直接量化較為困難，本文對(duì)農(nóng)業(yè)生產(chǎn)機(jī)械化程度和土地管理政策等不易量化的數(shù)據(jù)進(jìn)行歸一化處理，即通過(guò)數(shù)據(jù)影響因素與耕地變化的關(guān)聯(lián)度與最大耕地面積影響狀態(tài)的比值作為該數(shù)據(jù)的量化值.

2.2深度信任SVR的耕地面積預(yù)測(cè)實(shí)現(xiàn)步驟

深度信任SVR的耕地面積預(yù)測(cè)系統(tǒng)的具體實(shí)現(xiàn)步驟如下.

步驟1：初始化.

1) 獲取目標(biāo)城市過(guò)去連續(xù)若干年的耕地面積數(shù)據(jù)和相關(guān)影響因素?cái)?shù)據(jù)，對(duì)影響因素?cái)?shù)據(jù)進(jìn)行歸一化處理作為輸入數(shù)據(jù)集，輸出數(shù)據(jù)集為與之對(duì)應(yīng)的耕地面積.

2) 初始化深度信任網(wǎng)絡(luò)中RBM顯、隱層單元個(gè)數(shù)，以及SVR機(jī)的相關(guān)參數(shù).

3) 利用影響因子關(guān)聯(lián)度初始化樣本權(quán)值.

步驟2：訓(xùn)練預(yù)測(cè)模型.

1) 選擇深度信任網(wǎng)絡(luò)所含隱層結(jié)構(gòu)的層數(shù).

2) 利用式(1)、(2)輸入影響因素歸一化數(shù)據(jù)，將輸入數(shù)據(jù)分布形式進(jìn)行訓(xùn)練及轉(zhuǎn)化.

3) 利用式(3)、(4)對(duì)訓(xùn)練數(shù)據(jù)信息進(jìn)一步在隱層結(jié)構(gòu)逐層提取并等效轉(zhuǎn)換.

4) 利用式(5)更新權(quán)值.

5) 驗(yàn)證預(yù)測(cè)精度，根據(jù)測(cè)試集數(shù)據(jù)判斷預(yù)測(cè)精度是否達(dá)到所需要求.

6) 根據(jù)驗(yàn)證結(jié)果，調(diào)整深度信任網(wǎng)絡(luò)層數(shù)及SVR機(jī)核函數(shù)參數(shù)等，直至輸出結(jié)果精度達(dá)到要求.

7) 輸出最終預(yù)測(cè)結(jié)果.

3實(shí)驗(yàn)結(jié)果與分析

為了檢測(cè)基于深度信任SVR的耕地面積預(yù)測(cè)算法的預(yù)測(cè)性能進(jìn)行實(shí)驗(yàn).搭建耕地面積預(yù)測(cè)系統(tǒng)并選取影響耕地面積的相關(guān)指標(biāo)數(shù)據(jù)作為訓(xùn)練及測(cè)試樣本集進(jìn)行訓(xùn)練及測(cè)試，確定預(yù)測(cè)系統(tǒng)的結(jié)構(gòu).在同一平臺(tái)下，將深度信任SVR算法和其他經(jīng)典的耕地面積預(yù)測(cè)算法相比較，驗(yàn)證算法的可行性.

3.1訓(xùn)練及測(cè)試樣本集的選取

根據(jù)統(tǒng)計(jì)年鑒數(shù)據(jù)選取福建省某地級(jí)市2001—2014年間的城鄉(xiāng)總?cè)丝跀?shù)、人均GDP、產(chǎn)業(yè)結(jié)構(gòu)比(二產(chǎn)業(yè)/三產(chǎn)業(yè)的比值)、糧食總生產(chǎn)量等統(tǒng)計(jì)數(shù)據(jù)，并參考相關(guān)農(nóng)業(yè)生產(chǎn)機(jī)械化程度和土地管理政策并對(duì)其歸一化量化處理(即取這兩種數(shù)據(jù)影響因素與耕地變化的關(guān)聯(lián)度與最大耕地面積影響狀態(tài)的比值作為該數(shù)據(jù)的量化值)，將其作為本文提出的深度信任SVR模型的訓(xùn)練及測(cè)試樣本.其中2001—2007年的數(shù)據(jù)用來(lái)作為預(yù)測(cè)模型的訓(xùn)練樣本，2008—2014年的數(shù)據(jù)用來(lái)作為預(yù)測(cè)模型的測(cè)試樣本.

3.2耕地面積預(yù)測(cè)系統(tǒng)搭建

本文搭建的耕地面積預(yù)測(cè)系統(tǒng)模型訓(xùn)練生成部分采用離線(xiàn)訓(xùn)練的方式，通過(guò)事先對(duì)模型及訓(xùn)練數(shù)據(jù)進(jìn)行訓(xùn)練擬合生成相關(guān)模型參數(shù).預(yù)測(cè)的過(guò)程系統(tǒng)在線(xiàn)完成，即利用離線(xiàn)訓(xùn)練成熟的模型進(jìn)行在線(xiàn)預(yù)測(cè)，大大提高系統(tǒng)的實(shí)時(shí)性和穩(wěn)定性.本實(shí)驗(yàn)搭建的耕地面積預(yù)測(cè)系統(tǒng)框架示意圖如圖3所示.

圖3　耕地面積預(yù)測(cè)系統(tǒng)框架示意圖Fig.3　Schematic diagram of cultivated land area prediction system

3.3深度信任SVR的結(jié)構(gòu)層數(shù)的選取

深度學(xué)習(xí)預(yù)測(cè)算法的計(jì)算精度會(huì)受到算法結(jié)構(gòu)的影響，其中深度學(xué)習(xí)的層數(shù)選取對(duì)預(yù)測(cè)精度影響較大，本文通過(guò)實(shí)驗(yàn)對(duì)比選擇較為合適的預(yù)測(cè)算法結(jié)構(gòu).考慮到深度學(xué)習(xí)算法顯、隱層層數(shù)過(guò)少會(huì)影響數(shù)據(jù)的轉(zhuǎn)化，過(guò)多又會(huì)增加運(yùn)算量及產(chǎn)生過(guò)擬合現(xiàn)象[7—9].故本文在3～6層之間選擇預(yù)測(cè)精度最高的深度信任SVR預(yù)測(cè)結(jié)構(gòu)，各層神經(jīng)節(jié)點(diǎn)初始數(shù)分別設(shè)為45、60、80、120、90、70.訓(xùn)練數(shù)據(jù)參考城市統(tǒng)計(jì)年鑒及其他相關(guān)資料，整理部分相關(guān)原始數(shù)據(jù)見(jiàn)表1.

表1　原始數(shù)據(jù)

不同層數(shù)結(jié)構(gòu)的深度信任SVR耕地面積預(yù)測(cè)結(jié)果與實(shí)際真實(shí)數(shù)據(jù)的比較如圖4所示.可以看出，5層結(jié)構(gòu)的深度信任SVR預(yù)測(cè)模型的預(yù)測(cè)結(jié)果精度最高，可以選擇搭建5層結(jié)構(gòu)的深度信任SVR預(yù)測(cè)模型作為實(shí)驗(yàn)對(duì)比模型.

3.4與其他耕地面積預(yù)測(cè)算法精度比較

將提出的深度信任SVR的耕地面積預(yù)測(cè)方法與文獻(xiàn)[10—11]提出的核函數(shù)SVR耕地面積預(yù)測(cè)模型、灰色-馬爾科夫耕地面積模型相比較，驗(yàn)證深度信任SVR的耕地面積預(yù)測(cè)方法的有效性.

實(shí)驗(yàn)中設(shè)定深度信任SVR的層數(shù)為5層，SVR的核函數(shù)選擇徑向基核函數(shù).本文提出的深度信任SVR的耕地面積預(yù)測(cè)方法與其他較為經(jīng)典的耕地面積預(yù)測(cè)算法的預(yù)測(cè)結(jié)果比較如圖5所示.由預(yù)測(cè)結(jié)果和真實(shí)數(shù)值的比較可以看出，本文提出的耕地面積預(yù)測(cè)算法所得出的結(jié)果更加接近真實(shí)值，預(yù)測(cè)結(jié)果要優(yōu)于其他兩種經(jīng)典預(yù)測(cè)算法.

圖4　不同層數(shù)的深度信任SVR的耕地面積預(yù)測(cè)結(jié)果與實(shí)際真實(shí)數(shù)據(jù)比較Fig.4　Comparison chart of predicted and actual values from different layers deep belief SVR

圖5　本文算法與經(jīng)典面積預(yù)測(cè)算法預(yù)測(cè)結(jié)果比較Fig.5　Comparison chart of proposed algorithm and classic area prediction algorithm

4結(jié)論

為了實(shí)現(xiàn)小樣本數(shù)據(jù)條件下的精確預(yù)測(cè)，本文提出一種基于深度信任SVR的耕地面積預(yù)測(cè)方法.通過(guò)構(gòu)建多層具有顯、隱層結(jié)構(gòu)的深度信任神經(jīng)網(wǎng)絡(luò)模型提取學(xué)習(xí)數(shù)據(jù)的關(guān)鍵信息并輸入SVR模型實(shí)現(xiàn)耕地面積預(yù)測(cè).實(shí)驗(yàn)結(jié)果表明，本文提出的耕地面積預(yù)測(cè)方法在相同的數(shù)據(jù)和平臺(tái)下，其預(yù)測(cè)精度優(yōu)于其他預(yù)測(cè)算法.

參考文獻(xiàn)：

[1]王霞,王占岐,金貴,等. 基于核函數(shù)支持向量回歸機(jī)的耕地面積預(yù)測(cè)[J]. 農(nóng)業(yè)工程學(xué)報(bào), 2014, 30(4):204—211.

[2]趙艷玲,何廳廳,劉亞萍,等. 基于FSA-LSSVR模型的安徽省耕地變化預(yù)測(cè)[J]. 水土保持研究, 2014, 21(3):136—140.

[3]QUAN B, ROMKENS M J M, BINGNER R L. Changes in spatiotemporal land use patterns in selected hydrogeomorphic areas of China and the USA[J]. Int J Geosci，2013，4(3): 537—548.

[4]靳江偉,董春芳,馮國(guó)紅. 基于灰色關(guān)聯(lián)支持向量機(jī)的混凝土抗壓強(qiáng)度預(yù)測(cè)[J]. 鄭州大學(xué)學(xué)報(bào)(理學(xué)版), 2015, 47 (3):59—63.

[5]楊梅,李廣. 小麥產(chǎn)量預(yù)測(cè)模型的仿真研究[J]. 計(jì)算機(jī)仿真, 2013, 30(10):382—385.

[6]張艷萍,史巖巖,王珊珊. 支持向量機(jī)初始化常模算法在MIMO系統(tǒng)中的應(yīng)用[J]. 河南科技大學(xué)學(xué)報(bào)(自然科學(xué)版), 2014,35(2):33—37.

[7]SARIKAYA R, HINTON G E, DEORAS A. Application of deep belief networks for natural language understanding[J]. IEEE T Audi Speech Lang Proc, 2014, 22(4): 778 —784.

[8]HJELM R D，CALHOUN V D. Restricted Boltzmann machines for neuroimaging: an application in identifying intrinsic networks[J]. Neuroimage, 2014, 96(7): 245—260.

[9]王杰,賈育衡. 一種基于A(yíng)daBoost的極限學(xué)習(xí)機(jī)分類(lèi)方法[J]. 鄭州大學(xué)學(xué)報(bào)(理學(xué)版), 2014, 46(2):55—58.

[10]SUNG E. Cultivated land prediction using different kernel based support vector regression[J]. J Converg Inform Technol, 2015，10(3)：85—95.

[11]雷師,全斌,歐陽(yáng)鴻,等. 基于Markov模型的長(zhǎng)沙市和泉州市土地利用變化預(yù)測(cè)及對(duì)比研究[J]. 水土保持研究, 2013, 20(6):224—229.

(責(zé)任編輯：王浩毅)

Cultivated Land Acreage Prediction Based on Deep Belief Support Vector Regression Algorithm

WANG Hong1, LIU Weiming2

(1.SchoolofTransportation,FujianUniversityofTechnology,Fuzhou350108,China;2.SchoolofCivilEngineeringandTransportation,SouthChinaUniversityofTechnology,

Guangzhou510640,China)

Abstract:The problems of machine learning in shallow for prediction were concerned because the learning and training samples was too large and complex function fitting ability was weak. A cultivated land acreage prediction based on deep belief support vector regression algorithm was proposed. Firstly, an deep belief support vector regression model was constructed by a RBM with Gaussian distribution function layer nodes, amiddle layer RBM and a support vector regression. Secondly, suitable and accessible training data was used to get the parameters of the prediction model. Finally, comparsion between the deep belief support vector regression land acreage prediction and other typical farmland prediction algorithm were conducted. Results showed that the propose method was workable and effective, which perform better than the typical farmland prediction algorithm with the same data and condition.

Key words:deep belief network; support vector regression; cultivated land forecasting; deep learning

收稿日期:2015-10-25

基金項(xiàng)目:國(guó)家自然科學(xué)基金資助項(xiàng)目(51278072)；福建省自然科學(xué)基金資助項(xiàng)目(2015J05118)；福建省中青年教師教育科研項(xiàng)目(JA15355).

作者簡(jiǎn)介:王洪(1978—),男, 黑龍江綏化人,碩士,主要從事工程測(cè)量、智慧城市及土地資源管理研究，E-mail: wang_qun1983@163.com.

中圖分類(lèi)號(hào)：TP391.41

文獻(xiàn)標(biāo)志碼：A

文章編號(hào)：1671-6841(2016)01-0121-06

DOI:10.3969/j.issn.1671-6841.201510030

引用本文：王洪，劉偉銘.深度信任支持向量回歸的耕地面積預(yù)測(cè)方法[J]．鄭州大學(xué)學(xué)報(bào)(理學(xué)版)，2016，48(1)：121—126．