我國作為歷史悠久的農業(yè)文明古國,農村、農業(yè)、農民問題一直是國家工作的重點問題,妥善解決“三農”問題是全黨工作者們義不容辭的義務。農產品價格作為現代經濟體系中農產品市場的重要組成部分,與農民切身利益乃至國民生活質量息息相關,也是重要的民生問題之一。因此,關于農產品價格的預測就成了近年來的重點研究內容。由于農產品價格受到生產成本、供需變化、自然氣候、政府政策調控等多方面外界因素的共同影響,其價格波動頻率快、幅度大,呈現出非線性、非平穩(wěn)的特征,給農戶生產帶來了巨大的風險。為滿足農產品生產者、經營者以及政府相關決策管理部門的迫切需求,近年來,已有不少學者對農產品價格預測開展了探索性研究和實例認證。然而無論所采用的是單項預測方法還是組合預測方法,這些研究中都有兩個重大缺陷:第一,數據獲取難度大,樣本輸入需生產成本、供需變化、自然氣候、政府政策等多維時間序列,然而這些相關數據在實際操作中很難全方位的獲取;第二,將非線性非平穩(wěn)的原始時間序列經過處理后選用模型進行預測的過程直接忽略了過濾出來的隨機項,本人認為這也是預測精度不高的原因之一。本文在全面了解國內外對農產品價格預測的研究現狀后,針對目前所提出... 

【文章來源】：蘭州交通大學甘肅省

【文章頁數】：55 頁

【學位級別】：碩士

【部分圖文】：

小波重構示意圖

人工神經網絡的原理工神經網絡( Artificial Neural Network，即 ANN) 人工神經網絡興起于 20 世紀是近年來人工智能領域的研究熱點。作為一門嶄新的信息處理科學[16]，它從信度模擬人腦神經元網絡的處理方式，利用某種算法建立起簡單的數學模型，大之間用不同的方式連接從而組成不同的網絡，它代表著某一種運算模型。相互量節(jié)點稱之為神經元，其按功能可以分為輸入層、中間層（也成為隱含層）和各層順序相連，每個節(jié)點都代表一種特定的輸出函數，稱為激勵函數（activatn），負責信息變換。每兩個節(jié)點間的連接都代表一個對于通過該連接信號的稱之為權重，這相當于人工神經網絡的記憶。網絡的連接方式、權重值和激勵方面共同決定了網絡的輸出。網絡自身通常都逼近某種自然算法和函數，也可一種邏輯策略。幾年來，隨著學術界對人工神經網絡研究的不斷深入，使其取得了較大的進展地解決了模式識別、智能控制、預測估計、生物醫(yī)學、經濟金融等應用領域許算機難以解決的實際問題，表現出了良好的智能特性[50-51]。神經網絡的基本結.1 所示：

（3）強化學習：強化學習與人類的學習過程相類似，智能體在動態(tài)環(huán)境中表現出列行為，而動態(tài)環(huán)境又通過某種機制將結果反饋給智能體，促使智能體做出下一步，通過反復的試驗，智能體積累了大量的經驗，不斷的優(yōu)化其行動策略。強化學習習算法是通過智能體和動態(tài)環(huán)境的交互來獲得的，代表一種高級的智能學習算法，強化學習系統(tǒng)在規(guī)劃合并、智能探索、監(jiān)督學習、結構控制和機器人控制等方面了廣泛的應用[52-53]。 非線性有源自回歸神經網絡非線性有源自回歸神經網絡的輸出由當前的輸入和過去的輸出兩部分決定，它是一記憶性功能并且有反饋的動態(tài)神經網絡[54]，具備良好的動態(tài)特性和較高的抗干擾能NARX 函數過程定義如公式 3.1 所示：y (t ) f [ y (t 1), y (t 2),...... y (t d ), X (t 1), X (t 2),...... X (t d)]（3.1）式中 y (t 1), y (t 2),...... y (t d)表示過去的輸出時間序列，也可以作為當前的輸入， X (t 1), X (t 2),......X (t d)多維時間序列作為外部的輸入序列，表示 y (t )的外響因素， f (......)表示非線性過程函數，具體的函數過程如圖 3.2 所示：

【參考文獻】：
期刊論文
[1]基于強化學習的非線性時間序列智能預測模型[J]. 孫若瑩,范厚明,趙剛.  大連海事大學學報. 2017(04)
[2]農產品價格預測模型的構建[J]. 徐雅卿,魏軼華,李旭剛.  統(tǒng)計與決策. 2017(12)
[3]基于ARIMA模型的青島市大蒜價格時間序列預測分析[J]. 史冠宇,李玫瑰.  山東農業(yè)科學. 2017(05)
[4]分位點門限自回歸時間序列模型的貝葉斯分析[J]. 趙超,李東方,唐亞勇.  四川大學學報(自然科學版). 2016(04)
[5]基于小波分解的SVM-ARIMA農產品價格預測模型[J]. 曹霜,何玉成.  統(tǒng)計與決策. 2015(13)
[6]基于組合模型的農產品市場價格短期預測研究——以紅富士蘋果、香蕉、橙為例[J]. 熊巍,祁春節(jié),高瑜,楊春.  農業(yè)技術經濟. 2015(06)
[7]基于ARIMA與WASDN加權組合的時間序列預測[J]. 張雨濃,勞穩(wěn)超,丁瑋翔,王英,葉成緒.  計算機應用研究. 2015(09)
[8]一種基于改進型RBF神經網絡的非線性時間序列預測模型[J]. 陳海英.  湖南工程學院學報(自然科學版). 2015(01)
[9]基于時間序列與RBF的農產品市場價格短期預測模型[J]. 屠星月,薛佳妮,郭承坤,封文杰,陳英義.  廣東農業(yè)科學. 2014(23)
[10]黃金價格的小波分解與單支重構求和預測[J]. 劉薇.  黃金. 2014(04)

博士論文
[1]時間序列短期預測模型研究與應用[D]. 張滸.華中科技大學 2013

碩士論文
[1]農產品市場價格的集成預測方法研究[D]. 牛超.華中師范大學 2016
[2]基于人工神經網絡的水果價格短期預測研究[D]. 任偉宏.中國農業(yè)科學院 2012
[3]基于多重小波系數集的圖像水印盲提取算法[D]. 尹波.中國海洋大學 2010
[4]基于小波分析的高頻時間序列研究[D]. 高靜.天津大學 2007



本文編號：2944329