论文部分内容阅读
中国是农业生产大国,农产品价格的变化趋势在一定程度上影响着居民的幸福指数,而农产品价格波动受农产品市场供需的影响。当农业从业者对于农产品市场信息不对称时,较易产生盲目种植行为,这往往会造成供给侧失衡与无序性,种植积极性大幅下挫。如果能建立一定的价格预测机制,使得农业从业者能预先知道农产品价格走势,则能更好地引导农业种植,并保障从业者的利益,推动农业生产向现代模式转变,从而减少政府宏观调控的负担。随着大数据、物联网及人工智能等新兴信息技术的发展,为现代农业建设提供了有力的支撑。正以面向生产过程的精准农业和针对农作物销售的电子商务平台为主要形式,驱动农业发展路径发生变化,但对于如何从价格切入,引导农业种植,目前还没得到深入广泛的研究与应用。因此农产品价格预测是一个值得探索的问题。本文重点研究了深度学习在农作物价格预测的应用,主要的研究内容如下:(1)农产品价格预测是时间序列的应用之一,本文从农业中的时间序列预测应用入手,查阅相关文献。一般是通过构建模型开展时间序列预测研究,而目前最为常用的模型为机器学习模型,其中,利用机器学习模型所构建的集成学习模型能够解决较为复杂的时间序列模型。(2)针对农业生产数据表征出的高维,分散问题,本文首先构建了网络爬取系统,获取不同维度的农业数据集,并引入互信息法对数据进行预处理。同时,为了提高数据的适用性,间接地提高模型的精度,重点探讨了层级实时网络在时间序列上的可用性,并利用层级实时网络进行异常检测。对农产品价格时间序列数据进行分析,量化实验进行分析,证明了所提出的方法的有效性,有效地减少了农产品时间序列的异常值,提高了模型的精度。(3)鉴于农产品数据波动较为频繁,难以捕获数据规律的特性,本文提出了一种集成学习方法来捕获农产品价格波动规律,并预测农产品未来的价格。本文结合Seq2Seq的特性,可调节的输入及输出长度,便于进行多日预测。另外,为了能够从全局的角度获取时间序列的特征,在Seq2Seq模型的基础上,引入CNN模型,更改了模型的Encoder部分,将RNN及CNN所提取的特征重新组合,以构建集成学习模型PRCNN,使之更加吻合农产品时间序列数据的预测。由于COCOB优化器无需设置学习率,且拟合速度较快,故引入COCOB优化器,以加速模型对数据的拟合,减少训练时间。(4)此外,通过构建多种目前性能较好的模型,如LSTM和GRU等,进行对比试验,验证了新模型在农产品时间序列数据集上的性能,对比不同模型结果的RMSE、MAE和MAPE等,结果表明,所构建的集成学习模型在农产品价格预测中性能较优,且泛化能力较优。