我国是世界禽蛋生产与消费大国,每年蛋类总产量近3000万吨,约占世界总产量的43%,连续30年位居世界首位。蛋类产业作为我国畜产品产业中的第二大产业,在国民经济中占有重要地位。近年来,我国鸡蛋市场价格大起大落的状况逐渐引起人们的重视。而传统农产品长短期价格预测基本上从农业的生产、消费和成本去分析农产品价格的波动规律,也比较符合产业链价格传导机制,但是由于中国地区间生产、加工、饮食习惯等的不同,对于鸡蛋价格的研究很难形成完整的产业链分析。随着大数据和人工智能技术的发展,越来越多的研究者开始使用机器学习等相关技术来解决农产品价格预测问题。本文针对鸡蛋价格短期预测问题,主要进行了如下研究:1、获取鸡蛋价格数据集。首先从“全国农产品商务信息公共服务平台”等农产品价格网站爬取了大约56万多条鸡蛋市场价格数据,对其进行了清洗、顺序规范化、插值处理和归一化等处理。以江苏省凌家塘农副产品批发市场的鸡蛋价格数据构建了具备时间序列完整性的价格数据集。2、建立LSTM鸡蛋价格预测神经网络模型。通过Keras框架设计并构建相应的LSTM网络模型,对构建的鸡蛋价格数据集进行建模,通过100次的迭代训练,对鸡蛋价格进行预测,得到预测价格,通过实验表明LSTM模型的均方根误差(RMSE)和平均绝对百分误差(MAPE)分别为0.24和1.68%,相较于BP模型RMSE和MAPE分别降低24.91%和30%,相较于SVR模型分别降低了 25%和32.8%。表明LSTM神经网络较BP神经网络和支持向量机回归(SVR)模型对鸡蛋价格的预测更为准确。3、提出一种基于EEMD-LSTM组合模型的预测方法。研究了集合经验模式分解方法,将此方法应用到鸡蛋价格时间序列数据中,得到12个IMF分量。分别对各个分量构建相应的LSTM神经网络,对得到的预测结果进行相加,得到组合模型最终的预测值。实验表明EEMD-LSTM组合模型在测试集上的RMSE值和MAPE值分别为0.16和1.44%,相较于LSTM模型的RMSE值和MAPE值分别降低了 33.33%和14.29%。表明论文提出的EEMD-LSTM组合模型比单个LSTM神经网络对鸡蛋价格的预测更为准确。