研究背景与问题

本研究背景源于农业负荷预测在农业生产中的重要性。随着农业现代化的推进，农业负荷的精确预测对于优化农业生产调度、节能减排以及保障农业生产安全具有重要意义。然而，农业负荷受多种气象因素影响，且这些因素之间存在复杂的相互作用，使得单一的分解方法难以充分提取多元输入间的多维特征，从而影响了预测的准确性和效率。

研究方法

针对上述问题，本研究提出了一种基于多元变分模态分解（Multivariate Variational Mode Decomposition, MVMD）结合支持向量回归-双向门控循环单元-时序卷积神经网络（Support Vector Regression - Bidirectional Gated Recurrent Unit - Temporal Convolutional Network, SVR-Bi-GRU-TCN）的组合模型。该方法首先采用MVMD对历史农业负荷及气象特征进行自适应分解，实时挖掘数据中的多维特征，然后通过SVR-Bi-GRU-TCN模型对分解后的数据进行预测。

核心结果

实验结果表明，所提出的农业负荷预测模型能够有效提高预测精度。与传统的单一分解方法相比，MVMD能够更全面地提取多元输入间的多维特征。同时，SVR-Bi-GRU-TCN模型在处理时间序列数据方面具有显著优势，能够捕捉到数据中的长期依赖关系。具体来说，该模型在预测准确率、均方误差和决定系数等方面均取得了显著的提升。

结论与意义

本研究提出的基于多元时序解耦多模态学习的农业负荷预测模型，为农业负荷预测提供了一种新的思路和方法。该模型不仅提高了预测的准确性，而且具有较强的实用性和普适性。未来，该模型有望在农业负荷预测、农业资源管理等领域得到广泛应用，为我国农业现代化发展提供有力支持。