余翠翠, 颜佩妍和李明辰

 

混沌、孤子与分形，2026年，第208卷，第P2期

 

摘要：农业产品价格预测在确保粮食安全、稳定市场和支撑明智的政策制定中发挥着至关重要的作用。然而，农业价格波动的内在波动性和非线性给准确预测带来了重大挑战。本研究提出了一种创新方法，该方法将变分模态分解（VMD）和多变量VMD（MVMD）与深度时间卷积网络（Deep-TCN）相结合，通过两阶段分解过程实现更准确和稳定的预测。 多种商品（包括豆粕、大豆和玉米）的实证评估表明，所提出的模型在短期和长期预测中均持续优于十种基准方法。例如，它在一日预测中实现了低至0.0103（豆粕）、0.0111（大豆）和0.0055（玉米）的MAPE值，与传统深度学习和机器学习模型相比有显著改进。 这些结果证实了该模型在捕捉短期波动和长期趋势方面的有效性，并突出了它在不同农业市场中的强大泛化能力。

 

关键词：农业价格预测; 深度学习; 模态分解; 时间序列分析（在EconPapers中搜索类似项目）

日期： 2026

参考文献：在EconPapers中查看参考文献从CitEc查看完整参考文献列表

引用：

 

下载：（外部链接）

http://www.sciencedirect.com/science/article/pii/S0960077926003577

仅对ScienceDirect订阅者提供全文

 

相关作品：

此物品可能在EconPapers的其他地方可用：搜索具有相同标题的物品。

 

出口参考： BibTeX RIS（EndNote, ProCite, RefMan）HTML/Text

 

永久链接： https://EconPapers.repec.org/RePEc:eee:chsofr:v:208:y:2026:i:p2:s0960077926003577

 

DOI: 10.1016/j.chaos.2026.118216

 

访问统计关于本文

 

混沌、孤子与分形目前由以下人员编辑：Stefano Boccaletti和Stelios Bekiros