基于信号分解和深度学习的农产品价格预测
发布时间：2025-09-07
点击次数：
- 发表刊物：
- 农业工程学报
- 关键字：
- 农产品;;价格预测;;互补集合经验模态分解;;时间卷积网络;;双向序列到序列模型;;长短期记忆网络
- 摘要：
- 农产品价格的稳定对社会经济与农业发展有重要意义，但农产品价格的波动具有非平稳、非线性、波动性大的特性，较难精确预测。该研究基于信号分解和深度学习，提出一种分解-重构-提取-关联-输出的农产品价格预测模型（CT-BiSeq2seq），并且加入平均气温、养殖成本（大猪配合饲料与尿素价格）、群众关注度等多维度数据来提高模型的预测精度。首先，采用互补集合经验模态分解（Complementary Ensemble Empirical Mode Decomposition,CEEMD）方法把复杂的原始价格序列分解为简单序列。其次，分析皮尔逊相关系数及分解后的子序列，把原始价格序列重构为高频项、低频项、残差项。再经过时间卷积网络（Temporal Convolutional Network,TCN）提取重构序列的数据特征。随后，构建Biseq2seq模型，解码器引入双向长短期记忆网络（Bi-directionalLongShort-TermMemory,Bi-LSTM）加强序列数据间的全局关联。最后，通过解码器的LSTM网络输出预测值。以北京丰台区批发市场的白条猪肉价格进行实证分析，该研究提出的CT-BiSeq2seq模型的预测性能显著优于其他价格预测基准模型，在滞后天数为11 d达到最优效果。在其他数据集也有精确和稳定的预测效果，菠菜、苹果，鸡蛋的均方误差分别为0.627 7、0.463 2、0.552 6元<sup>2</sup>/kg<sup>2</sup>，平均绝对误差分别为0.543 1、0.442 5、0.533 9元/kg，平均绝对百分比误差分别为3.204 7%、2.236 1%、2.231 4%。同时根据不同数据集的结果发现，价格波动大的农产品适合采用较大的滞后天数，价格波动小的农产品适合采用较小的滞后天数。该模型可以为预测农产品的价格波动提供参考。
- 卷号：
- 38
- 期号：
- 24
- 页面范围：
- 256-267
- ISSN号：
- 1002-6819
- 是否译文：
- 否
- 发表时间：
- 2022-12-31