期刊信息
主办:中国动物学会;中国科学院动物研究所
主管:中国科学院
ISSN:0250-3263
CN:11-1830/Q
语言:中文
周期:双月
影响因子:0.467105
数据库收录:
文摘杂志;北大核心期刊(1992版);北大核心期刊(1996版);北大核心期刊(2000版);北大核心期刊(2004版);北大核心期刊(2008版);北大核心期刊(2011版);北大核心期刊(2014版);北大核心期刊(2017版);农业与生物科学研究中心文摘;化学文摘(网络版);中国科学引文数据库(2011-2012);中国科学引文数据库(2013-2014);中国科学引文数据库(2015-2016);中国科学引文数据库(2017-2018);中国科学引文数据库(2019-2020);日本科学技术振兴机构数据库;中国科技核心期刊;期刊分类:生物学
期刊热词:
研究报告
基于季节分解和长短期记忆的北京市鸡蛋价格预(4)
【作者】网站采编
【关键词】
【摘要】鸡蛋价格的趋势序列反映了剔除鸡蛋价格季节性成分和剩余成分后鸡蛋价格长期变动的真实趋势。从趋势序列可以看出,2000年以来鸡蛋价格趋势序列整体
鸡蛋价格的趋势序列反映了剔除鸡蛋价格季节性成分和剩余成分后鸡蛋价格长期变动的真实趋势。从趋势序列可以看出,2000年以来鸡蛋价格趋势序列整体呈现出明显的上升趋势,上升幅度约为132.14%。但是2014年之后鸡蛋价格趋势序列上升趋势不明显,而是经历小幅下降之后再次上升。鸡蛋价格的长期趋势呈现为上升曲线主要原因为:中国经济社会的快速发展,人民收入水平不断提高,对鸡蛋的消费需求随之增加;蛋鸡养殖所用的人工、饲料、土地和水电等价格成本提高。
鸡蛋价格剩余成分序列波动表现出随机性,且波动幅度有所增大。鸡蛋价格剩余成分序列与季节序列不同,并未表现出明显的规律性,上下波动起伏不定。2000年以来大幅异常价格波动主要发生在2003、2011以及2014年前后。2003年SARS疫情、2010年甲型H1N1型流感以及2013年H7N9禽流感是造成鸡蛋价格大幅异常波动的主要原因。疫情爆发首先引起消费者对鸡蛋需求的下降和鸡蛋价格的大幅下跌,然后蛋鸡养殖行业整体亏损,养殖户补栏减少甚至退出蛋鸡养殖行业,导致蛋鸡存栏的减少和鸡蛋产能大幅下降,导致鸡蛋的生产供给与市场需求存在偏差,最终使得鸡蛋价格出现异常价格波动。
图4 鸡蛋价格序列分解结果Fig.4 The decomposition results of egg price series
3.2 鸡蛋价格波动来源
总体而言,趋势成分是鸡蛋价格波动的主要贡献因素。通过计算协方差,可以进一步分析趋势成分、季节成分和剩余成分对鸡蛋价格波动的贡献率。
根据式(4)所得结果进行协方差计算,各成分贡献率为
鸡蛋价格各分量波动贡献率如表1所示。各成分横向对比来看,趋势成分一直是鸡蛋价格波动的主要贡献因素,季节成分的贡献率次之,剩余成分对鸡蛋价格波动的长期影响相对较小;时间纵向对比来看,趋势成分对于鸡蛋价格波动的贡献率在逐渐下降,季节和剩余成分对鸡蛋价格波动的贡献率在上升。
表1 各分量对鸡蛋价格波动的贡献率Table 1 Contribution rate of each component to egg price fluctuation %时间Time趋势分量Trend 季节分量Seasonal剩余分量Remainder 2000-01— 2006-01— 2013-01—
3.3 鸡蛋价格预测结果
STL-LSTM模型预测结果和实际鸡蛋价格波动规律特征基本相符,表现出良好的预测效果。每年的2—5月份,鸡蛋呈现价格下降趋势,6、7月份后鸡蛋价格开始呈现上升趋势,在9、10月份基本达到一年的价格最高峰。11、12月份鸡蛋价格呈现缓慢下降趋势,1、2月份鸡蛋价格再次上升,迎来一次价格小高峰,全年鸡蛋价格走势基本类似为“M”型。如图5所示,STL-LSTM模型的预测结果基本围绕鸡蛋价格走势上下波动,表现出良好的预测效果。
图5 STL-LSTM模型预测鸡蛋价格结果与真值比较Fig.5 Comparison between forecasted values with actual values
对鸡蛋价格各序列成分进行分析,获取更多的数据特征,并选择相应的预测模型,是增加最终预测精度的关键。首先,3个序列的预测误差被有效降低时,特别是趋势序列成分的预测误差降低时,最终的预测结果将会更加接近实际值。因为,鸡蛋价格趋势序列成分是鸡蛋价格波动的主要贡献因素,其预测精度的高低将最大程度的决定预测效果的精度。其次,相对于趋势序列成分,季节序列成分和剩余序列成分的预测虽然更为复杂和困难,但是2种成分对鸡蛋价格波动贡献率较低。所以,选取契合其数据特征的季节朴素方法和LSTM模型进行预测。一方面降低了对2种序列的预测误差,另一方面该2种成分作为鸡蛋价格波动的次要贡献因素,其所产生的误差反馈到鸡蛋价格时也会随之降低。最终,将3种成分的预测结果相加求和,以达到良好的预测效果。
3.4 鸡蛋价格预测评价
将STL-LSTM模型预测得出的2018年12个月的鸡蛋价格数值列出并与真实鸡蛋价格数据进行对比分析。由表2可知,2018年12个月的鸡蛋价格预测结果与实际值相比误差较小。当预测步长分别为1、3和6时,预测的相对误差(Relative Error,RE)保持在3.67%、6.49%和7.22%以下,均方根误差(Root Mean Square Error,RMSE)分别为0.19、0.33和0.43,平均绝对百分比误差(Mean Absolute Percentage Error,MAPE)分别为1.91、3.53和4.58,预测效果良好。
为了更好的体现STL-LSTM模型的预测效果,本文同时使用了基于时间序列的LSTM模型、SVR模型和ARIMA模型对北京鸡蛋价格进行预测,预测结果如图6所示。由表3可知不同预测模型所得出的2018年12个月的北京鸡蛋价格预测性能。当预测步长i=1时,STL-LSTM预测模型的预测结果相较于LSTM模型,RMES和MAPE分别降低了27.05%和21.45%;相较于SVR模型,RMES和MAPE分别降低了32.87%和37.96%;相较于ARIMA模型,RMES和MAPE分别降低了58.94%和55.93%。当预测步长i=3时,STL-LSTM预测模型的预测结果相较于LSTM模型,RMES和MAPE分别降低了8.26%和2.68%;较于SVR模型,RMES和MAPE分别降低了26.34%和28.39%;相较于ARIMA模型,RMES和MAPE分别降低了51.35%和50.36%。当预测步长i=6时,STL-LSTM预测模型的预测结果相较于LSTM模型,RMES和MAPE分别降低了10.75%和9.03%;相较于SVR模型,RMES和MAPE分别降低了14.05%和14.67%;相较于ARIMA模型,RMES和MAPE分别降低了45.15%和39.51%。由此表明,本文提出的STL-LSTM模型无论是在单步预测还是多步预测中均有良好的预测效果。
文章来源:《动物学杂志》 网址: http://www.dwxzzzz.cn/qikandaodu/2021/0114/457.html