随着改革开放的脚步不断前进,我国的农业尤其是生猪养殖业的发展持续迈向新的阶段。伴随着生猪规模化进程的持续加快,生猪养殖业已经成为我国农业的支柱产业,我国生猪出栏量以及猪肉产量逐年增加,全年总猪肉消费量可达到全球年猪肉消费量的一半。但近些年来,由于宏观经济、国家政策调整、疫病侵袭等众多因素的影响,我国生猪养殖行业面临巨大挑战,生猪的供给量时而充足时而短缺,如此反复的现象给消费者和养殖户都带来了困扰。因此,准确预测猪肉价格具有十分重要的积极意义。经过对国内外学者对于猪肉价格的相关研究进行整理发现,国外学者多从猪肉价格波动规律入手进行分析,鲜少对猪肉价格做出具体的预测分析;而国内学者则主要使用各种预测模型对猪肉价格进行实证预测。本文所做的主要工作有:1)深入剖析我国近些年猪肉价格波动的规律并总结其内在机制,充分借鉴吸收国内外学者相关研究的优势,通过对生猪生产、市场供需关系以及市场外因等层面的分析,总结了影响猪肉价格波动的主要因素,共包括14个指标,分别为仔猪价格、生猪价格、猪肉产量、生猪存栏量、生猪出栏量、鸡肉价格、鸡蛋价格、牛肉价格、羊肉价格、玉米价格、豆粕价格、育肥猪饲料价格、生猪疫病比率以及居民可支配收入。2)对数据进行预处理,以2015年第1周-2021年第52周的全国猪肉平均价格为目标变量,使用NPCA方法对14个猪肉价格影响因素进行降维处理,最终共提取2个主成分来进行后续的建模预测。3)为了对比经过NPCA降维的GA-BP模型的预测性能,本文另外构建了四个对比模型,分别为经过PCA降维之后的GA-BP模型、未经降维处理过的GA-BP模型、ARIMA模型以及SVR模型,并将样本数据分别代入到对应的模型中进行拟合预测。4)对预测结果进行对比分析。绘制各个模型预测结果与期望结果的曲线图,并计算出各个模型的预测结果误差,深入分析各个模型的预测性能。最终得出结论:即NPCA-GA-BP模型对于猪肉价格预测的效果最好,可利用该模型对未来的猪肉价格走势进行预测。本文创新之处:1)我国学者多使用PCA方法对猪肉价格的影响因素进行降维,而本文在综合考虑猪肉价格波动特征之后,使用NPCA方法对原始样本数据进行降维处理,得到了更好的降维效果。2)经过分析可知,猪肉价格预测属于非线性问题,本文使用非线性主成分分析与BP神经网络叠加,可以更好地对非线性问题进行分析。本文的不足之处:在数据选取上仅选择了可获得的一些猪肉价格影响因素的数据,但实际上,猪肉市场十分复杂,如国家投放的储备猪肉量、猪肉进出口量、国际猪肉价格、宏观经济政策等因素均会对我国猪肉价格产生不同程度的影响,但由于一些因素的数据难以获取或一些因素难以量化而未被考虑进本文的预测研究中。