农业是国民经济的基础,农产品市场是我国社会主义市场经济的重要组成部分。在市场经济快速发展的大背景下,对农产品价格的准确把控,可以保障广大劳动者的经济收益进而促进农业的发展,而蔬菜作为一种重要的农作物,从国家方面而言,是农业的重要组成部分之一,是我国重要的经济作物;从公民角度而言,蔬菜作为生活中的刚性必需品,蔬菜价格的频繁波动对农户和消费者有着重大的影响。蔬菜价格时间序列受多方面因素影响,且各影响因素相互耦合,使价格数据呈现时变和季节性等非线性的特点。考虑到现有农产品价格的预测方法中,自回归差分移动平均模型（ARIMA）的是线性模型,无法拟合时序中的非线性成分,预测精度欠佳,因此利用深度学习方法挖掘变量之间非线性关系的能力,基于误差补偿的思想,通过长短期记忆网络（LSTM）方法对预测残差进行误差修正,从而建立起基于线性与非线性的混合预测模型,最终得到蔬菜价格的预测结果。混合模型的运行步骤如下:选取大连市2013～2019年的七种蔬菜价格时间序列数据,首先,采用ARIMA模型对其线性成分进行建模并计算误差项;其次,利用LSTM算法对非线性误差修正,并且针对不同的蔬菜品种,选择误差最小的超参数组合;最后,将经ARIMA模型得出的线性预测值与LSTM修正后的非线性误差值求和,得到大连市蔬菜价格的预测结果。结论表明:蔬菜价格时间序列中的非线性规律能够被LSTM算法挖掘出来,LSTM有效地修正了线性预测方法的误差,ARIMA-LSTM混合模型与单一的ARIMA模型相比,提高了预测精度,体现出了混合模型的优越性。本文创新主要在于以下三个方面:一是混合模型的应用创新,将ARIMA模型与LSTM的混合方法应用于蔬菜价格的预测研究中,既提高了蔬菜时序预测结果的精度,又满足了模型的可解释性;二是深度学习的训练过程中进行相空间重构,选取不同的输入变量个数进行训练,时间跨度分别是周、月、季度、半年、一年;三是大多学者对于农产品价格预测的研究均是针对单一品种,而本文选取了七种蔬菜进行研究,针对不同的蔬菜品种也有不同的参数配置,更具有适用性。