基于深度学习的玉米和大豆期货价格智能预测

玉米和大豆为同季旱粮作物,“争地”矛盾十分突出,同时掌握玉米和大豆两者的价格是必要的。相较于现货,农产品期货价格具有价格发现功能。因此,玉米和大豆期货价格分析和预测对种植结构调整和农户作物品种选择均具有重要意义。本研究首先分析了玉米和大豆期货价格的相关性,通过相关性计算和格兰杰因果检验,发现玉米和大豆期货具有较强的正向相关性,且大豆期货价格是玉米期货价格的格兰杰原因;其次,基于长短时记忆(Long Short-Term Memory,LSTM)模型对玉米和大豆期货价格进行预测,并引入注意力机制(Attention)对期货价格预测模型行优化。对比结果表明,与差分整合移动平均自回归模型(Autoregressive Integrated Moving Average Model,ARIMA)和支持向量回归模型(Support Vector Regression,SVR)相比,LSTM模型在各项指标中均为更优,而与单一的LSTM模型相比,加入Attention机制的Attention-LSTM模型在各项指标中均更优。其中,玉米和大豆期货预测结果的平均绝对误差(Mean Absolute Error,MAE)分别提升3.8%和3.3%,均方根误差(Root Mean Square Error,RMSE)分别提升0.6%和1.8%,平均绝对百分误差(Mean Absolute Percentage Error,MAPE)分别提升4.8%和2.9%,证明了Attention机制的加入可以帮助模型提取有效信息,提升性能。最后,使用LSTM模型结合大豆期货历史价格共同预测玉米期货价格,MAE提升了6.9%、RMSE提升了1.1%、MAPE提升了5.3%。试验结果表明,本研究使用Attention-LSTM模型对玉米和大豆期货价格进行预测,相较于通用预测模型,Attention-LSTM模型能够提高大豆和玉米期货价格预测精度,且结合相关农产品期货价格数据,可以提升单个农产品期货模型的预测性能。

基于联邦学习的分布式农业组织

我国现阶段仍以小规模农业为主,如何在小农、小地块的农业生产经营方式下发展适宜的智慧农业颇具挑战。基于此,提出一种结合联邦学习与区块链技术的分布式农业人工智能框架,使得在数据不共享的情况下,能达到训练模型的目的,并可建立参与方的激励机制。该框架有助于充分利用农业多源异构数据,减少对用户数据量的要求,发展因地制宜的决策模型,促进小规模农业的产销衔接。

《国标》视域下英语专业课程跨文化学习路向探析

《国标》提出的外语专业人才培养规格为外语课程教学确定了目标,外语教学的跨文化学习本质为开展课程教学奠定了基础。借助文本表征中的语构文化、语义文化、语用文化、语体文化及行为文化,英语专业跨文化学习以具体教学路向,通过"发现""比较"与"领悟",促进学习者从语言符号学习走向意义建构的文化比较与反思,帮助学习者形成热爱中国文化、欣赏目的语文化新的文化站位,满足符合《国标》的人才培养需求。