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(9)
【作者】网站采编
【关键词】
【摘要】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、
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。
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。
文章来源:《动物学杂志》 网址: http://www.dwxzzzz.cn/qikandaodu/2021/0114/457.html