發(fā)布時間：2020-12-28 20:09

　　我國作為歷史悠久的農(nóng)業(yè)文明古國,農(nóng)村、農(nóng)業(yè)、農(nóng)民問題一直是國家工作的重點問題,妥善解決“三農(nóng)”問題是全黨工作者們義不容辭的義務(wù)。農(nóng)產(chǎn)品價格作為現(xiàn)代經(jīng)濟體系中農(nóng)產(chǎn)品市場的重要組成部分,與農(nóng)民切身利益乃至國民生活質(zhì)量息息相關(guān),也是重要的民生問題之一。因此,關(guān)于農(nóng)產(chǎn)品價格的預(yù)測就成了近年來的重點研究內(nèi)容。由于農(nóng)產(chǎn)品價格受到生產(chǎn)成本、供需變化、自然氣候、政府政策調(diào)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(xiàn)出非線性、非平穩(wěn)的特征,給農(nóng)戶生產(chǎn)帶來了巨大的風(fēng)險。為滿足農(nóng)產(chǎn)品生產(chǎn)者、經(jīng)營者以及政府相關(guān)決策管理部門的迫切需求,近年來,已有不少學(xué)者對農(nóng)產(chǎn)品價格預(yù)測開展了探索性研究和實例認(rèn)證。然而無論所采用的是單項預(yù)測方法還是組合預(yù)測方法,這些研究中都有兩個重大缺陷:第一,數(shù)據(jù)獲取難度大,樣本輸入需生產(chǎn)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(guān)數(shù)據(jù)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(jīng)過處理后選用模型進(jìn)行預(yù)測的過程直接忽略了過濾出來的隨機項,本人認(rèn)為這也是預(yù)測精度不高的原因之一。本文在全面了解國內(nèi)外對農(nóng)產(chǎn)品價格預(yù)測的研究現(xiàn)狀后,針對目前所提出... 

【文章來源】：蘭州交通大學(xué)甘肅省

【文章頁數(shù)】：55 頁

【學(xué)位級別】：碩士

【部分圖文】：

小波重構(gòu)示意圖

人工神經(jīng)網(wǎng)絡(luò)的原理工神經(jīng)網(wǎng)絡(luò)( Artificial Neural Network，即 ANN) 人工神經(jīng)網(wǎng)絡(luò)興起于 20 世紀(jì)是近年來人工智能領(lǐng)域的研究熱點。作為一門嶄新的信息處理科學(xué)[16]，它從信度模擬人腦神經(jīng)元網(wǎng)絡(luò)的處理方式，利用某種算法建立起簡單的數(shù)學(xué)模型，大之間用不同的方式連接從而組成不同的網(wǎng)絡(luò)，它代表著某一種運算模型。相互量節(jié)點稱之為神經(jīng)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(shù)，稱為激勵函數(shù)（activatn），負(fù)責(zé)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(quán)重，這相當(dāng)于人工神經(jīng)網(wǎng)絡(luò)的記憶。網(wǎng)絡(luò)的連接方式、權(quán)重值和激勵方面共同決定了網(wǎng)絡(luò)的輸出。網(wǎng)絡(luò)自身通常都逼近某種自然算法和函數(shù)，也可一種邏輯策略。幾年來，隨著學(xué)術(shù)界對人工神經(jīng)網(wǎng)絡(luò)研究的不斷深入，使其取得了較大的進(jìn)展地解決了模式識別、智能控制、預(yù)測估計、生物醫(yī)學(xué)、經(jīng)濟金融等應(yīng)用領(lǐng)域許算機難以解決的實際問題，表現(xiàn)出了良好的智能特性[50-51]。神經(jīng)網(wǎng)絡(luò)的基本結(jié).1 所示：

（3）強化學(xué)習(xí)：強化學(xué)習(xí)與人類的學(xué)習(xí)過程相類似，智能體在動態(tài)環(huán)境中表現(xiàn)出列行為，而動態(tài)環(huán)境又通過某種機制將結(jié)果反饋給智能體，促使智能體做出下一步，通過反復(fù)的試驗，智能體積累了大量的經(jīng)驗，不斷的優(yōu)化其行動策略。強化學(xué)習(xí)習(xí)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(xué)習(xí)算法，強化學(xué)習(xí)系統(tǒng)在規(guī)劃合并、智能探索、監(jiān)督學(xué)習(xí)、結(jié)構(gòu)控制和機器人控制等方面了廣泛的應(yīng)用[52-53]。 非線性有源自回歸神經(jīng)網(wǎng)絡(luò)非線性有源自回歸神經(jīng)網(wǎng)絡(luò)的輸出由當(dāng)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(jīng)網(wǎng)絡(luò)[54]，具備良好的動態(tài)特性和較高的抗干擾能NARX 函數(shù)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(dāng)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(shù)，具體的函數(shù)過程如圖 3.2 所示：

【參考文獻(xiàn)】：
期刊論文
[1]基于強化學(xué)習(xí)的非線性時間序列智能預(yù)測模型[J]. 孫若瑩,范厚明,趙剛.  大連海事大學(xué)學(xué)報. 2017(04)
[2]農(nóng)產(chǎn)品價格預(yù)測模型的構(gòu)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(yù)測分析[J]. 史冠宇,李玫瑰.  山東農(nóng)業(yè)科學(xué). 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(xué)學(xué)報(自然科學(xué)版). 2016(04)
[5]基于小波分解的SVM-ARIMA農(nóng)產(chǎn)品價格預(yù)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(nóng)產(chǎn)品市場價格短期預(yù)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(nóng)業(yè)技術(shù)經(jīng)濟. 2015(06)
[7]基于ARIMA與WASDN加權(quán)組合的時間序列預(yù)測[J]. 張雨濃,勞穩(wěn)超,丁瑋翔,王英,葉成緒.  計算機應(yīng)用研究. 2015(09)
[8]一種基于改進(jìn)型RBF神經(jīng)網(wǎng)絡(luò)的非線性時間序列預(yù)測模型[J]. 陳海英.  湖南工程學(xué)院學(xué)報(自然科學(xué)版). 2015(01)
[9]基于時間序列與RBF的農(nóng)產(chǎn)品市場價格短期預(yù)測模型[J]. 屠星月,薛佳妮,郭承坤,封文杰,陳英義.  廣東農(nóng)業(yè)科學(xué). 2014(23)
[10]黃金價格的小波分解與單支重構(gòu)求和預(yù)測[J]. 劉薇.  黃金. 2014(04)

博士論文
[1]時間序列短期預(yù)測模型研究與應(yīng)用[D]. 張滸.華中科技大學(xué) 2013

碩士論文
[1]農(nóng)產(chǎn)品市場價格的集成預(yù)測方法研究[D]. 牛超.華中師范大學(xué) 2016
[2]基于人工神經(jīng)網(wǎng)絡(luò)的水果價格短期預(yù)測研究[D]. 任偉宏.中國農(nóng)業(yè)科學(xué)院 2012
[3]基于多重小波系數(shù)集的圖像水印盲提取算法[D]. 尹波.中國海洋大學(xué) 2010
[4]基于小波分析的高頻時間序列研究[D]. 高靜.天津大學(xué) 2007



本文編號：2944329