论文部分内容阅读
农业作为我国的第一产业。近几年,为促进农业现代化对农村经济的快速发展,国家持续出台相关方针政策,以规范我国农业平稳运行,而农产品价格波动导致市场供需发展不均,从而制约农业持续发展。因此,对农产品价格做出实时预测,一方面,有助于国家对农产品市场进行宏观调控,另一方面,有助于维持我国农产品市场价格的平稳发展。由于农产品价格原始数据普遍具有连续性、时序性的特点,要做到精确预测难度较大。为了提高农产品价格预测的准确性,本文从以下几个方面进行研究:(1)农产品价格预测方法研究。分析比较了常用的一维和多维时间序列预测模型。引入实验室前期发展的融合了时间序列分析和回归分析的非线性多维时间序列预测方法GS-RSR-SVR (Support Vector Machine Regression based on Geo-Statistics and Reasonable Sample Rejection),该模型较好地解决了模型定阶、变量筛选和训练样本选择这些时间序列分析中的重点难点问题,且预测精度高稳定性强。GS-RSR-SVR模型早期仅适用于多维时间序列预测,本文在实验室前期研究基础上进一步将模型优化并推广应用于一维时间序列预测,使其更具普适性。(2)农产品价格的一维时间序列预测。一维时间序列预测是通过历史观测值分析出各个时期观测值之间的规律从而对未来趋势进行预测。运用GS-RSR-SVR模型分别对棉花、活猪、猪肉、玉米4种农产品月度价格一维时间序列数据进行预测。GS-RSR-SVR的预测精度明显优于二次指数平滑、趋势外推等常用的一维时间序列预测模型,且对4种农产品价格预测结果的平均相对误差均小于8%。结果表明,GS-RSR-SVR模型预测精度高,有效合理,稳定性强,在一维时间序列数据预测上有广泛的应用前景。(3)农产品价格的多维时间序列预测。在实际研究中,对农产品价格的预测不仅要考虑其自身对未来趋势的影响,还要考虑周围其他外部因素的影响。常见的多维时间序列预测模型需要在确知同期影响因子值的情况下才能对变量进行预测,这不是真正意义上的预测,真正的预测是在时间还未到达而对某个变量值的预估。因此,本文采用因变量上移法对农产品价格原始数据进行预处理,即用t时刻的影响因子对应t+1时刻的因变量进行预测。以棉花价格和活猪价格及其影响因子数据为例,运用GS-RSR-SVR模型对处理后的多维时间序列数据进行预测。结果表明,GS-RSR-SVR模型预测精度明显优于BPNN、SVR等多维时间序列预测模型,进一步显示了GS-RSR-SVR模型在农产品价格预测方面有良好的应用前景,并对其他经济领域的价格预测研究提供有益的借鉴。