农业是国民经济的重要支柱,农产品市场的稳定是国家经济平稳健康运行的有力支撑。蔬菜类农产品作为农产品一大类别,其市场价格预测对于蔬菜种植者、消费者以及确保区域蔬菜供需平衡具有重要意义。在实际生产与流通过程中,由于蔬菜季节性变化与鲜活农产品的特性,其价格容易受到供需双方的外部冲击,价格在同一年间会出现较大的变动,同时,由于蛛网效应不同年份间价格也会有明显的波动,蔬菜市场运行不具有确定性。蔬菜价格波动频繁加大了对蔬菜价格预测的难度。整理目前对于蔬菜价格预测的研究发现以往多是单个模型预测,组合模型方法是近年来序列预测的一个研究方向,但在蔬菜价格预测方面研究不足。本文结合蔬菜市场自身的季节性和蛛网效应变化特点进一步剖析ARIMA模型与BiLSTM神经网络背后机理,构建了 ARIMA-BiLSTM组合模型的蔬菜价格预测方法。区别于以往研究对于模型拟合效果的分析从历史价格的仿真到未来价格的预测两个角度来进行说明,此外对于未来价格预测分超短期、短期、长期来论证模型的应用场景,得出以下结论:（1）构建的两种组合预测模型可以很好地改善单一模型在蔬菜价格预测方面的不足。构建误差修正的ARIMA-BiLSTM组合模型,采用BiLSTM拟合ARIMA模型预测残差,修正ARIMA预测结果,对于土豆、黄瓜、芹菜、油菜、甘蓝历史价格数据拟合准确率分别达到了 92.05%、93.06%、86.38%、93.72%、88.99%,相较于单个预测模型,误差修正组合模型预测的准确率都有所提升,提升百分点最高可达11.03。构建成分分解ARIMA-BiLSTM组合模型,结合蔬菜价格波动具有明显的季节特性,采用X-11分解技术,将原始价格分解为趋势、季节性和不规则变动三种成分,趋势成分采用ARIMA模型预测,季节性和不规则变动成分采用BiLSTM进行预测,最后进行结果组合。该组合模型对于土豆、黄瓜、芹菜、油菜、甘蓝历史价格预测的准确率分别达到了 93.27%、93.21%、88.80%、89.60%、89.87%,相较于ARIMA模型与BiLSTM单个预测模型也有大幅提升。（2）在未来价格预测阶段,从未来超短期、短期、长期三个阶段来看各模型应用场景。得出结论:a.时间跨度越长,主要由传统时间序列模型主导的模型预测效果越不好,而神经网络模型会更好;b.在蔬菜短期与和长期价格预测阶段,成分分解ARIMA-BiLSTM组合模型具有显著的优势,预测均方误差仅为0.031285和0.075309。（3）从模型的本质机理和理论意义两个角度论述得出成分分解的ARIMA-BiLSTM组合模型性能要优于误差修正的ARIMA-BiLSTM组合模型,且更加稳定,同时在与单一预测模型预测结果的比较分析方面更具实际意义。以上基于五种蔬菜对象共同得出的结论很好地证明了成分分解ARIMA-BiLSTM组合模型在蔬菜价格预测领域的普适性与有效性。论文结尾对于成分分解组合模型指导蔬菜生产和流通提出了建议,对于模型的后期改进也指明了一定的方向。