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(5)
【作者】网站采编
【关键词】
【摘要】表2 鸡蛋价格STL-LSTM模型预测值和实际值对比Table 2 Comparison between forecasted values with actual values of egg price of STL-LSTM model月份Month步长Steps i=1i=3i=6 真值Actual/(元
表2 鸡蛋价格STL-LSTM模型预测值和实际值对比Table 2 Comparison between forecasted values with actual values of egg price of STL-LSTM model月份Month步长Steps i=1i=3i=6 真值Actual/(元·kg-1)预测值Forecasted/(元·kg-1)相对误差RE/ %预测值Forecasted/(元·kg-1)相对误差RE /%预测值Forecasted/(元·kg-1)相对误差RE /% RMSE=0.19 MAPE=1.91 RMSE=0.33 MAPE=3.53RMSE=0.43 MAPE=4.58
图6 基于时间序列的STL-LSTM、LSTM、SVR、ARIMA模型的预测结果对比Fig.6 Comparison of forecasted values of STL-LSTM, LSTM ,SVR, ARIMA based on time series
表3 不同模型鸡蛋价格预测结果对比Table 3 Forecasted values of STL-LSTM, SVR, ARIMA based on time series for price预测模型步长 Steps i=1i=3i=6 均方根误差RMSE平均绝对百分比误差MAPE均方根误差RMSE平均绝对百分比误差MAPE均方根误差RMSE平均绝对百分比误差MAPE
相对于LSTM、SVR和ARIMA预测模型,STL-LSTM组合模型有着更为突出的优势。首先,LSTM、SVR和ARIMA此类单模型在进行价格预测时并未对价格数据进行先验处理,无法很好的拟合鸡蛋价格波动中的季节性和周期性,因而在最终的价格预测中存在一定的预测困难。因此,先验数据处理并获取更多的数据特征对于建立良好的预测模型是非常重要的。其次,在对比的3种模型中,ARIMA始终是在所有预测步长下预测效果最差的模型。其一大原因是,ARIMA模型是典型的线性预测模型,对于非线性特征的鸡蛋价格序列预测会产生较大的偏差。而STL-LSTM组合模型则充分考虑了这上述2方面的问题。在对鸡蛋价格数据进行分解,获得更多的数据特征的基础上,选择更为合适的预测模型进行预测。最终有效的降低了预测误差,表现出更为良好的预测效果。
4 结 论
本文构建了一种基于时间序列季节性分解和长短期记忆网络组合的预测模型STL-LSTM,分析了北京市鸡蛋价格变动特征并进行价格预测,主要研究结论如下:
1)采用STL分解北京市鸡蛋价格,分析得出2000—2018年北京市鸡蛋价格整体呈现上升趋势,上升幅度约为132.14%,且存在周期约12个月的“春低秋高”的季节性波动和随机价格波动。
2)鸡蛋价格波动可分解为趋势成分、季节成分和剩余成分。其中,虽然随着时间推移其贡献率由71.18%下降到56.84%,趋势成分仍然是影响鸡蛋价格波动的主要原因;季节成分和剩余成分近年来对鸡蛋价格的影响增大,其贡献率分别由26.56%和2.24%提升至34.24%和8.92%。
3)本文提出的STL-LSTM模型解决了传统预测方法预测精度低和解释性差等问题,预测准确度高。对不同预测步长1、3、6,本文提出的STL-LSTM模型预测结果的均方根误差分别为0.19、0.33、0.46,平均绝对百分比误差分别为1.91、3.53、4.58,均优于单独的LSTM、SVR和ARIMA模。
本文提出的STL-LSTM模型具有良好的预测性能和泛化能力,可以为预测预警北京市场鸡蛋价格异常波动情况、为行业和政府主管部门保障北京市场鸡蛋供应决策提供参考依据。
0 引 言
鸡蛋营养价值丰富,含有人体必需的蛋白质、脂肪、胆固醇、氨基酸等营养物质和微量元素,几乎适宜所有人食用,是公认的人体摄取蛋白质重要来源。同时,由于鸡蛋价格波动频繁、波动幅度大[1],鸡蛋价格一直是社会各界关注的热点。据农业部监测数据显示,2000年至2015年中国鸡蛋价格出现了14次小周期波动、7次大周期波动;特别2007年以来,中国鸡蛋价格波动愈发频繁[2]。北京市场也不例外,近年来,尤其是在首都功能定位以及疏解促提升的大背景下,北京市蛋鸡产业发展的空间和数量不断压缩,北京市的鸡蛋价格波动更是呈现出波动频率高和波动幅度大的特点,鸡蛋价格最高时为11.96元/kg,最低时为5.3元/kg,波动幅度高达125%。频繁的价格波动不仅增加了行业人员生产、销售、决策的难度和风险,也影响了首都居民的生活质量和北京的社会和经济稳定。因此在新的发展阶段,在鸡蛋自给率不断下降的情况下,急需加强对国际性大都市北京市场鸡蛋价格波动特征及其规律的分析,并及时、准确地对北京鸡蛋市场价格未来走势及供应进行研判。
围绕农产品价格,国内外开展了广泛的研究,主要涉及价格波动特征与规律[3-7]、影响价格的因素[8-11]与价格预测[12-15]等方面。首先是价格波动特征与规律方面的研究。Henry等(1930年)[16-18]分别提出了关于生产和商品价格波动,形成蛛网理论的雏形,对农产品价格研究具有划时代的意义,并不断得到进一步的扩展和完善。其次是关于影响价格因素的研究。供给和需求无疑是影响农产品价格的根本原因,但是农产品的流通环节、国家政策、市场因素和能源等通过影响供求,并进而影响农产品价格波动[19-21]。最后学者们普遍关注的农产品价格方面的就是农产品价格预测,随着大数据和智能计算的发展,农产品价格预测将得到更快的进展。
文章来源:《动物学杂志》 网址: http://www.dwxzzzz.cn/qikandaodu/2021/0114/457.html