本站动态
联系我们
QQ：3949358033
微信：paperwinner
工作时间：9:00-24:00
| 通过深度学习混合模型预测价格波动，提升玉米产业可持续性 |
| 来源：一起赢论文网 日期：2026-10-18 浏览数：139 【 字体： 大 中 小 大 中 小 大 中 小 】 |
|
玉米，一种关键的全球作物，是许多饮食中的主食[1]，富含碳水化合物、蛋白质、维生素和矿物质[2]。它在畜牧业饲料中扮演着至关重要的角色，对生物能源和化学生产等行业至关重要[3]，尤其是在乙醇生产方面，这对经济和市场稳定性产生重大影响[4]。随着全球玉米市场不断发展，准确的价格预测对农民、政策制定者和交易者来说变得越来越重要[5]。价格波动不仅影响经济利润和市场稳定性[6] 但也给玉米产业的可持续性带来了挑战。开发一个高效准确的预测模型对于理解市场趋势、指导农业决策以及促进玉米产业的长期可持续性至关重要。预测玉米价格面临着众多挑战，例如市场复杂性、数据不完整性、季节性波动，以及确保模型稳健性和清晰性的困难[7]. 这些挑战的存在使玉米价格具有一定的不可预测性。因此，对于农业部门来说，开发能够准确预测玉米价格的模型至关重要。这类模型不仅对制定农业政策具有重要作用，而且对玉米行业的可持续发展也至关重要[8]. 目前，农产品价格预测主要采用三种主要方法：传统计量经济学统计技术、深度学习和集成模型。这些方法旨在提高预测的准确性和稳健性，从而使利益相关者能够有效地应对市场波动并指导决策过程 [9].
常用传统计量经济学统计技术包括自回归积分移动平均（ARIMA）[10]，广义自回归条件异方差（GARCH）[11]，误差修正模型（ECM）[12]和向量自回归（VAR）[13]。一些经济学家曾用ARIMA模型成功预测短期大白菜价格[14]。一些研究人员将ARIMA应用于预测云南普洱茶的短期价格[15]. 虽然传统计量经济学方法在假设线性性和平稳性的情况下可以提供准确的预测，但在预测实际农业价格序列的非线性和非平稳性方面存在重大局限。
随着计算机技术的进步，深度学习模型[16]在农业价格预测中越来越普遍。这些模型可以处理大量数据集，并学习价格波动的复杂模式。循环神经网络（RNN）和长短期记忆网络（LSTM）[17,18]特别值得注意的是它们捕捉时间序列特征的能力。LSTM模型通过引入门控机制，有效地解决了RNN中的梯度消失问题，提高了预测精度。Areef M及其同事使用GARCH和人工神经网络（ANN）模型对马铃薯价格进行了建模和预测，发现ANN模型的预测结果更接近实际价格[19]。Gu Yeong Hyeon提出了Du-al-Input Attention LSTM（DIA-LSTM）模型，该模型提高了农业价格预测的性能[20]. 一些年轻学者比较了LSTM和RNN模型在预测大豆价格方面的表现，发现LSTM提供了更优的结果 [21].
农产品价格波动的复杂性意味着单一模型可能不足以准确预测所有类型的市场变化。为了克服单个模型的局限性，研究人员已经探索了混合模型或集成方法[22–24]，这些方法结合了多个模型的优势，以捕捉价格序列中的线性和非线性特征。这些混合模型利用了各种预测技术的优势，提高了准确性和鲁棒性。
例如，Singla等人提出了一种结合迭代滤波和BiLSTM的太阳辐照度预测模型，证明了在能源相关预测中将数据预处理与高级深度学习网络相结合的价值，并为农业价格预测研究提供了新的思路[25]。一篇发表的论文提出了一种结合奇异谱分解和LSTM-ARIMA预测猪肉价格的方法，取得了优异的性能[26]. PCA-LSTM模型，由一位研究人员提出，在预测苹果期货价格方面表现出色，提供了更优的拟合和价格预测任务中的显著优势[27]. 开发了一个综合预测模型（CEEMDAN-PCA-CNN-LSTM），用于准确预测河南省猪肉每周平均批发价格，该模型集成了序列分解、主成分分析和卷积神经网络[28]. 尽管有这些进步，高级信号处理技术和深度学习模型的应用[29]对农业价格预测的研究相对较少。
近年来，众多专家和学者深入研究了玉米价格预测领域。一项研究利用MATLAB分析了2005年至2016年中国玉米价格的走势，采用单变量非线性和多变量线性回归模型进行预测[30]。另一项研究探讨了神经网络模型在美国市场每日玉米现金价格中的应用，发现简单的神经网络在一天期预测中达到了高精度[31]. 尽管取得了这些进展，但准确预测玉米价格的任务仍然是一个巨大的挑战，这主要归因于农业市场固有的复杂性和波动性。
本研究的创新和特点如下：
提出的TLDCF-TSD方法有效解决了玉米价格序列中复杂频率成分和噪声干扰的问题。具体来说，三层分解结构克服了传统分解在频率分离上的不足，准确地区分不同的频率成分，并深入处理高频部分以应对噪声[32]. 双滤波技术有效地去除高频噪声，提高了数据的稳定性。小波阈值去噪滤波器根据信号的特性和小波域中的噪声特性，以准确的方式滤除噪声。随后，指数加权移动平均滤波用于平滑高频成分，从而降低玉米价格序列的复杂性。这为玉米价格的准确预测提供了坚实的数据基础。这降低了玉米价格序列的复杂性，从而为玉米价格的准确预测提供了一个稳健的数据基础。
一种名为BiTCEN-BiLSTM-FECAM的新型混合模型被提出，旨在解决传统模型在玉米价格预测领域中特征提取和信息处理能力不足的缺点。BiTCEN用于提取玉米价格序列中的隐含关系，然后提取的信息被输入到BiLSTM[33]。最后，使用FECAM通过将输入特征转换为频域并生成注意力向量来提高模型的准确性，这些向量有助于进一步增强模型对关键时间特征的注意力，并提高模型在频域中的特征提取能力，从而提高预测精度。混合模型在应用于多个省份的玉米价格数据集时表现出优异的性能，从而显著提高了玉米价格预测的准确性，并为相关决策提供了更可靠的依据。
传统的时序分析技术往往无法充分阐明玉米价格数据中固有的双向时间依赖性。此外，对可用信息的最佳利用也相对匮乏。提出的BiTCEN方法解决了传统方法在预测方面的局限性[34], 这些模型受限于单方向的数据分析。BiTCEN采用双向卷积结构，整合来自两个方向的信息，并使用一种特殊的激活函数，而不是传统的ReLu函数，以增强网络的稳定性、适应性和泛化能力。此外，采用结合普通卷积和扩张因果卷积的混合结构。这两个组件相互补充，从而增强了从玉米价格数据中提取复杂特征的能力。这反过来又促进了更精确的价格变化模式捕获，并为玉米价格预测提供了更稳健的支持。
本研究提出了一种基于小波变换的混合模型，即BiTCEN-BiLSTM-FECAM，用于预测玉米价格。该模型集成了多个高级模块。大量实验表明，在预测多个省份的玉米价格方面，我们的模型在多个评估指标上显著优于现有的基线模型。该模型不仅为玉米价格预测提供了新的视角，而且作为其他农业价格预测和时间序列分析的有效工具。 此外，该模型对市场动态的洞察可以指导政策制定、农业实践和市场干预，最终有助于食品安全和农业系统的可持续性。 |
| [返回] |
下一篇：农业市场波动预测：次级分解和神经网络的力量