為提高豬肉價格預測的準確性,結合互補集合經驗模態(tài)分解（CEEMD）的分解能力和基于遺傳算法的支持向量回歸（GA-SVR）的自適應預測功能,構建豬肉價格集成預測模型.首先為解決豬肉價格的復雜波動特征,通過CEEMD對豬肉價格分解得到本征模態(tài)函數（IMF）序列集;然后使用排序熵（PE）對IMF序列進行復雜度分析,進一步使用快速傅里葉變換方法（FFT）分解復雜度高的序列;再利用灰色關聯度（GCD）對IMF序列集進行關聯性分析,聚合相似IMF序列;最后基于各IMF序列的數據特征構建相應的GA-SVR預測模型,并將子序列的預測結果集成獲得最終價格預測值.以中國集貿市場的豬肉價格為研究對象,實證結果表明,該集成預測模型在預測精度和方向性指標上,顯著優(yōu)于其他單預測模型和分解集成預測模型. 

【文章來源】：系統(tǒng)科學與數學. 2020,40(06)北大核心CSCD

【文章頁數】：13 頁

【部分圖文】：

圖３豬肉價格的ＩＭＦ序列及其預測曲線??（Ｆｉｇｕｒｅ?３?ＩＭＦ?ｓｅｑｕｅｎｃｅｓ?ｏｆ?ｐｉｇ?ｐｒｉｃｅ?ａｎｄ?ｉｔｓ?ｐｒｅｄｉｃｔｉｏｎ?ｃｕｒｖｅ）??

，?ＤＳ）、Ｄｉｅｂｏｌｄ－Ｍａｒｉａｎｏ?（ＤＭ）作為評??價準則．ＲＭＳＥ、ＭＡＰＥ、ＭＡＥ和ＤＳ分別定義如下??ＲＭＳＥ??Ｎ??Ｎ??Ｎ??道細＝廁??Ｖｔ?—?Ｖｔ??ｙｔ??Ｎ??ｍａｅ?＝?ｉｏｏ?ｘ￣Ｙ，＼ｙｔ￣ｙｔ＼??Ｎ?■??ｔ＝??Ｉ?｛ｍ?－?Ｖｔ－ｉ）?ｉｖｔ?－?ｙｔ＾ｉ）?＞?〇］??０，?ｏｔｈｅｒ，??（４：－Ｘ）??闕??（４Ｊ）??（４．４）??２００６／１?２０１０／４?２０１４／４?２０１８／６??時間??圖２中國集貿市場豬肉月度價格曲線??（Ｆｉｇｕｒｅ?２?Ｐｏｒｋ?ｍｏｎｔｈｌｙ?ｐｒｉｃｅ?ｃｕｒｖｅ?ｉｎ?Ｃｈｉｎａ?ｍａｒｋｅｔ）??一臺?ＷｉｎｄｏｗｌＯ?６４?位系統(tǒng)，處理器為?Ｉｎｔｅｌ（Ｒ）?Ｘｅｏｎ（Ｒ）?Ｅ５＿ｌ６２〇?ｖ３，主頻為?３．５〇ＧＨｚ，內存為??的臺式機調試實觀．??４．１數據描述??選取中國集貿市場的豬肉價格作為樣本數據，該樣本數據涵蓋２００６年１月至２０１Ｓ年（５??月期間的月度價格，共計１５０個觀察值．圖２顯示豬肉價格數據的月度價格曲線（數據來源：??中國經濟與社會發(fā)展統(tǒng)計數據庫）．以豬肉價格２００６年１月至２０１５年１２月的數據用作訓練??數據集（ｆｒ樣本數的８０獨，其余為測試數據集（占樣本數的２０％）．為了防止ＧＡ－ＳＶＲ模型出??現過擬合的現象，訓練過程中使用訓練數據集的末尾數據作為ＧＡ的檢驗數據集．對不同的??檢驗數據比例（占樣本數的１０％、．２＿０榻、３０％和４０％：＿）進行試驗結果發(fā)現賽檢驗數據比例為??占洋本數的２０％的時候預測性能最優(yōu)，因此訓練數據集中占樣本數的２０％數據作為ＧＡ的??檢

１０７０??系統(tǒng)科學與數學??４０卷??１０?＾?１???２０１６／１?２０１７／３?２０１８／６??時間??圖４豬肉價格預測曲線??（Ｆｉｇｕｒｅ?４?Ｐｒｅｄｉｃｔｉｏｎ?ｃｕｒｖｅ?ｏｆ?ｐｏｒｋ?ｐｒｉｃｅ）??４．４結果分析??從ｆｆｌ?４的豬肉價格預測曲線可看出，通過搜索最優(yōu)預測窗口的ＧＡ－ＳＶＲ相比ＲＢＦＮ隊１２??和ＧＡ－ＳＶＲ－１２結果更加穩(wěn)定，而整體曲線效果來看，基于經驗模態(tài)分解的集成預測模型相比??單預測模型要接近實際曲線，持別是所提出集成預測模型的預測結果非常接近實際觀測值．??為了更好地從數值上表、示其中的差異，表１給出對應爾測模型結果的評價準則，其中加??粗字體為較優(yōu)結果．表２給出所提出模型與其他模型的ＤＭ測試結果，其中括號中的數據代??表對應的Ｐ值．由表１的評價指標和表２的ＤＭ統(tǒng)計讀可知，本文可以得出以下結論??５０?１．００?１．５０??ｔｉｎｉ＆＇ｍｏ．ｎ．ｔｈ．ｓ??（ａ）?ＣＥＥＭＤ??５０?ＫＫ）?１５０??（ｂ）?ＰＥ－ＦＦＴ??ｉ??５０?１００?１５０??５０?１００?１．５０??ｔｉｉｎ＆＇ｍｏ．ｎ．ｔｈｓ??（ｃ）?ＧＣＤ??＿ＶＷ＼Ａｔ??－ｊｌ２０?１＾０?１４０?１Ｓ０??ｊ２０?１－｛Ｑ?１４０??１．２０?１３０?＼Ｍ）?１：５０??（ｄ）?Ｐｒｅｄｉｃｔｉｏｎ??圖３豬肉價格的ＩＭＦ序列及其預測曲線??（Ｆｉｇｕｒｅ?３?ＩＭＦ?ｓｅｑｕｅｎｃｅｓ?ｏｆ?ｐｉｇ?ｐｒｉｃｅ?ａｎｄ?ｉｔｓ?ｐｒｅｄｉｃｔｉｏｎ?ｃｕｒｖｅ）??對各ＩＭＦ序列的預測結果進行線性相加，得到最終豬肉價格預測結果．圖４給出不同??預測模型的豬肉價


本文編號：3317202