基于VMD-BO-BiLSTM的猪肉价格预测模型

基于猪肉价格的非线性与波动性特性,提出一种基于变分模态分解(variational modal decomposition,VMD)和贝叶斯优化(Bayesian optimization,BO)的双向长短时记忆(bidirectional long short-term memory,BiLSTM)网络的猪肉价格预测方法。首先采用变分模态分解对数据进行预处理,将数据分解为具有相对简单波动的子序列;然后通过贝叶斯算法对双向长短时记忆网络模型的第1、2隐含层神经元数目、学习率和批次大小进行寻优,根据寻优的结果建立预测模型。实验结果表明:VMD-BO-BiLSTM方法的平均绝对误差、均方根误差、平均绝对百分比误差和确定系数分别为1.101214、1.466100、0.040631、0.987760,相比传统单一的LSTM,BiLSTM模型精确度更高,有更高的适用性,适合对猪肉价格预测。

大数据技术在猪肉价格预测与调控上的探索与应用

我国是生猪养殖大国,也是猪肉消费大国。猪肉价格波动直接影响养猪户利益,也会对居民生活产生影响。预测未来猪肉价格走势,科学管控生猪市场价格,对推进我国生猪市场平稳健康运行具有重要现实意义。本文以全国生猪出场价格为研究对象,首先根据生猪生产的生物周期和生产的连续性特点,构建生猪出栏量、能繁母猪存栏量与猪肉产量三者之间的关系模型,预测出未来10个月的猪肉产量。再结合我国受猪肉消费习惯影响,致使猪肉需求量呈现明显季节性周期波动的特点,采用STL时间序列分解法,从猪肉交易数据中提炼出月度季节性波动趋势,预测月度猪肉需求量。基于定价模型中供需法则,使用最小二乘法约束法,构建猪肉供应量和需求量比与猪肉价格之间的关系模型,对未来10个月猪肉价格进行预测,并测算出猪肉供需均衡价格。本研究使用农业农村部重点农产品市场信息平台系统中2016至2022年猪肉相关数据,预测猪肉价格相对误差约10%。当预测的猪肉供应量与需求量比出现偏离时,猪肉价格将偏离供需均衡价格,模型能够通过调控能繁母猪存栏量、进口量和投放量来调节猪肉供应量,从而调控未来猪肉价格走势。本研究提供了通过调整影响猪肉供应量的核心因素来调节未来猪肉价格走势的思路和方法,旨在科学预测猪肉供需量及未来价格走势,协助政府相关部门合理及时调控猪肉供给,促进各时刻的猪肉供需均衡,猪肉价格稳定在供需均衡的合理区间。

基于改进持支向量机的猪肉价格预测研究

针对近年频现"价高伤民,价贱伤农"的"猪周期"现象,尝试使用集成经验模态分解(EEMD)方法挖掘出"猪周期"的价格波动机制,并引入遗传算法(GA)改进支持向量机。研究结果发现,通过EEMD方法能较好地展示出"猪周期"的循环轨迹;通过对比常用的预测模型,发现基于EEMD的GASVM模型预测精测更高,是一种更具有科学性的价格预测工具。

基于时间序列的BP神经网络猪肉价格预测

猪肉价格是不稳定的,起伏变化的,猪肉价格的预测是非线性,非平稳的问题。而神经网络具有很强的非线性、自组织、自学习能力,能够很好地处理非线性信息。文章选用基于时间序列的BP神经网络预测法,对猪肉的价格进行预测,对加大农民养殖利益以及防止生猪生产的市场风险有一定的参考作用。

灰色神经网络模型在猪肉价格预测中的应用

本文针对猪肉价格波动的特点,利用灰色神经网络模型(CGNN)对猪肉价格进行预测。CGNN模型是对同一已知时间序列,采用不同的GM(1,1)改进模型得到的预测结果使用神经网络进行组合,将每个灰色预测结果"串联"起来,融入神经网络之中,发挥每个灰色预测模型的优点,从而得到更为精确的预测值的方法。

基于改进GM(1,1)模型的猪肉价格预测研究

针对猪肉价格受多因素影响、难以运用固定的数学模型进行精确预测的问题,提出一种改进的GM(1,1)模型.该模型主要通过改善GM(1,1)的背景值和运用M次累加的方法对灰色模型进行残差校正,进而把猪肉价格变化当作一个灰色系统,采用等维递补的方法预测猪肉价格的发展走势.以吉林省猪肉价格为依据,用改进的GM(1,1)模型预测未来猪肉的价格较原始GM(1,1)模型预测精度更好.这表明,改进模型对于提高生产者的收益、促进猪肉市场的良性发展具有现实意义.

基于随机森林的猪肉价格预测模型

中国是世界上最大的猪肉生产国和消费国,也是生猪养殖规模最大的国家。在中国的所有肉类消费中,猪肉消费一直领先其他肉制品,近年来生猪价格波动频繁,会对整个养猪业乃至社会造成巨大影响。因此探究一种可以准确预测猪肉价格的模型对生猪市场的研究和生产都具有重要意义。随机森林是以K个决策树为基本分类器,进行集成学习后得到的组合分类器,可以解决数据多模态问题。考虑到猪肉价格与其他因素之间的复杂多模态非线性关系,故本文使用随机森林对猪肉价格进行预测。针对收集的猪肉价格影响因素(如玉米价格,牛肉价格等),建立多棵决策树构建随机森林模型,对猪肉价格实现精准预测。同时进行了对比实验,对比决策树、支持向量机预测模型,实验结果表明基于随机森林的预测价格数据和真实价格数据拟合效果最好。

基于改进GM(1,1)模型的青岛市猪肉价格预测研究

猪肉是我国的主要肉类消费品,其价格一直以来是居民热议的话题,猪肉价格的上涨与下跌影响了居民生活的质量,本文采用改进的GM(1,1)模型对青岛市猪肉价格趋势走向进行预测,在建立GM(1,1)猪肉价格预测模型基础上进行改进,通过构造插值函数的方法改善模型的背景值。运用M次累加对预测模型进行残差校正,得出更加精确的预测值。根据预测结果进行深入分析并总结提出有效建议。

中国猪肉价格预测研究——基于ARIMA-GM-RBF组合模型的分析

猪肉是重要的畜产品之一,其价格关系居民生活水平及整个农产品市场的稳定。本文利用2011年以来的猪肉价格数据,分别构建ARIMA模型、GM (1,1)模型及ARIMA-GM-RBF组合模型对中国猪肉价格进行预测。结果表明,单一模型由于信息利用不充分,预测精度较低。本文中,ARIMA模型表现为普遍低估,且更适合进行短期预测,随着预测期延长,其误差变大;GM模型表现为普遍高估,且更适合进行中长期预测,随着预测期延长,其误差变小。ARIMA-GM-RBF组合模型充分利用了3个模型的优点,相对误差最小,拟合效果最好。结果显示,2018年下半年,中国猪肉价格将呈波动上升趋势;受新一轮增长周期和非洲猪瘟疫情等因素影响,2019年上半年将延续2018年底的上涨趋势,由13.55元/kg持续上升至17.04元/Kg,月均增速为3.89%,2019年下半年,增速将进一步扩大,预计月均增速将达4.68%,年底将创纪录地增至22.52元/kg。最后,提出适当加大规模化、专业化、组织化养殖;监测饲料及原料等上游产业形势;完善猪肉市场监测预警机制,加强疫情防控等促进生猪养殖产业发展和健全猪肉价格调控管理的建议。

娄底市猪肉价格的影响因素分析及预测

猪肉是我国重要的畜产品,猪肉价格直接影响人们的生活水平及整个农产品市场的稳定。采用2014年1月至2019年12月娄底市猪肉价格等数据,研究分析影响猪肉价格的主要因素,并构建灰色预测模型对2020年猪肉价格进行预测。预测结果表明:2020年娄底市猪肉价格年均价格37.84元/kg,将低于2019年猪肉年均价格41.3元/kg。受非洲猪瘟疫情的影响,2020年上半年猪肉价格仍将保持较高价位态势。鉴于此,提出适当扩大规模化、专业化养殖;加强疫情防控;完善猪肉市场监测等稳定猪肉价格的建议。

基于CEEMD与GA-SVR的猪肉价格集成预测模型

为提高猪肉价格预测的准确性,结合互补集合经验模态分解(CEEMD)的分解能力和基于遗传算法的支持向量回归(GA-SVR)的自适应预测功能,构建猪肉价格集成预测模型.首先为解决猪肉价格的复杂波动特征,通过CEEMD对猪肉价格分解得到本征模态函数(IMF)序列集;然后使用排序熵(PE)对IMF序列进行复杂度分析,进一步使用快速傅里叶变换方法(FFT)分解复杂度高的序列;再利用灰色关联度(GCD)对IMF序列集进行关联性分析,聚合相似IMF序列;最后基于各IMF序列的数据特征构建相应的GA-SVR预测模型,并将子序列的预测结果集成获得最终价格预测值.以中国集贸市场的猪肉价格为研究对象,实证结果表明,该集成预测模型在预测精度和方向性指标上,显著优于其他单预测模型和分解集成预测模型.

国内猪肉市场价格的EMD-SVM集成预测模型

国内猪肉市场价格具有波动大、非线性、非平稳,且样本量少的特点,很难进行预测。为了提高预测精度,并有效解释价格波动的内在经济含义,基于集成预测思想,提出EMD-SVM集成预测模型。首先用经验模态分解方法(EMD)把猪肉市场月度价格分解成若干个不同尺度的,相对平稳的本征模态分量(IMF),按照频率高低,将各IMF分量集成为高频部分、低频部分和残余项三大模块,解决波动大、非平稳问题。在此基础上运用支持向量机(SVM)对3个集成模块分别进行预测,从而解决非线性问题。为了使预测模型最优,SVM的参数用遗传算法进行寻优。最后对3个集成模块的预测结果再次进行集成,重构出猪肉市场价格预测值。为了验证模型的有效性,将EMD-SVM集成预测模型与SVM、EMD-BP、BP的预测结果进行分类比较,其RMSE、MAPE和方向性都明显提高。