基于注意力机制的ADE-Bi-IndRNN模型的中国粮食产量预测

为更加准确地预测我国粮食总产量,基于自适应差分进化算法来智能地选择基于注意力机制的双向独立循环神经网络的超参数,并考虑了粮食作物单位产量、农业生产条件、科技因素、农业保险、市场及经济因素五大类影响因素,构建了基于注意力机制的ADE-Bi-IndRNN粮食产量预测模型。经过预测分析得出我国2020—2024的粮食产量分别为6.67亿吨、6.72亿吨、6.80亿吨、6.99亿吨、7.02亿吨,总体呈现震荡上涨趋势,平均年增长率为1.15%。同时,通过对多个变量进行的注意力权重的分析,发现现阶段对我国粮食总产量预测贡献最大的三个变量为:谷物单位面积产量,粮食作物总播种面积,耕地灌溉面积,且政府对农业保险的政策性补贴、粮食进口量、谷物生产价格指数、农业生产资料指数也有助于提升我国的粮食总产量,并据此对我国粮食行业发展提出了建议。

基于改进长短期记忆网络的时间序列预测研究

时间序列预测是研究时间数据行为和预测未来值的一项重要技术,为进一步扩展时间序列预测方法论,提出了一种新颖的时间序列预测框架来处理时间序列预测问题,即VMD-JADE-基于注意力机制的双向长短期记忆网络。变分模态分解用来分解历史时间序列数据,具有降噪的功能;改进的差分进化算法JADE用来优化LSTM的超参数;最后采用基于注意力机制的双向LSTM进行预测,双向机制可以从顺序和逆序两个方向挖掘输入变量的重要信息,注意机制通过对输入的特征赋予不同的权重来捕获重要的因素,有助于提升LSTM的预测性能。在两个时间序列数据集上的实验结果表明,与其它常用的预测方法相比,改进的LSTM模型具有更好的预测性能。

基于多源异构数据的玉米期货价格可解释性预测

玉米期货价格预测和预警工作有助于指导农业经济高质量发展,而自2020年6月以来我国玉米期货价格波动剧烈,亟需准确高效的玉米期货价格预测方法。针对现有研究未充分考虑疫情、政策调控及新闻文本中潜在的预测信息等不足,本文综合考虑了玉米市场的供求关系、政策调整、国际市场冲击、疫情冲击、突发事件的影响等导致玉米价格波动的多重因素,设计了有效的玉米期货价格可解释性预测框架。同时,针对现有玉米期货价格预测可解释性不足的问题,提出了一种新颖的DE-TFT可解释性玉米期货价格预测模型,该模型采用差分进化算法对时域融合变换器(temporal fusion transformers, TFT)的参数进行智能高效的优化。TFT是一种新颖的基于注意力的深度学习模型,将高性能预测与时间动态可解释分析相结合,表现出优异的预测性能。TFT模型可以产生可解释的玉米期货价格预测结果,包括时间步长的注意力分析和输入变量的重要性排序。在实证研究中,潜在狄利克雷分配模型用来分析“中华粮网”收集的玉米新闻资讯和政策调整的内容及主题,卷积神经网络用来提取新闻资讯的潜在预测信息,可解释的实验结果表明,反映国内疫情状况的百度指数“疫情”的引入和量化后的玉米新闻文本特征都能进一步提升玉米期货价格预测的精度。