發(fā)布時(shí)間：2021-08-23 14:45

　　為系統(tǒng)統(tǒng)計(jì)蔬菜價(jià)格,實(shí)現(xiàn)蔬菜價(jià)格可視化并加以預(yù)測(cè),以利于生產(chǎn)者科學(xué)決策。為此,首先爬取廣州江南果菜批發(fā)市場(chǎng)所有的蔬菜價(jià)格,并對(duì)蔬菜價(jià)格的數(shù)據(jù)集進(jìn)行預(yù)處理,然后建立起基于時(shí)間序列的ARIMA預(yù)測(cè)模型、BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型和LSTM神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型,通過(guò)3種模型對(duì)爬取的蔬菜價(jià)格進(jìn)行分析和預(yù)測(cè),最后將3種預(yù)測(cè)模型的實(shí)驗(yàn)結(jié)果進(jìn)行對(duì)比。在選取的多種蔬菜的預(yù)測(cè)結(jié)果中,LSTM、BP、ARIMA模型的相對(duì)誤差小于1%的平均比例分別為0.037、0.07、0.097,相對(duì)誤差小于5%的平均比例分別為0.215、0.338、0.433,相對(duì)誤差小于10%的平均比例分別為0.436、0.573、0.694。結(jié)果表明,ARIMA模型在預(yù)測(cè)蔬菜價(jià)格方面的準(zhǔn)確率比LSTM、BP模型更高。 

【文章來(lái)源】：中國(guó)農(nóng)機(jī)化學(xué)報(bào). 2020,41(04)北大核心

【文章頁(yè)數(shù)】：7 頁(yè)

【部分圖文】：

三層神經(jīng)網(wǎng)絡(luò)

如圖2所示,LSTM的神經(jīng)元具有3個(gè)門,分別是輸入門(Input Gate)、輸出門(Output Gate)和遺忘門(Forget Gate)。輸入門和輸出門分別用于信息輸入和輸出的控制,遺忘門通過(guò)激活函數(shù)決定歷史狀態(tài)信息是否保留。激活函數(shù)σ使得遺忘門的輸出為0或1,當(dāng)輸出為0的時(shí)候,表示丟棄上一狀態(tài)的信息;當(dāng)輸出為1的時(shí)候,表示保留上一狀態(tài)的信息。1.3 AR(I)MA模型

以鮮冬菇為例,圖3～圖5分別是LSTM、BP、ARIMA這3種模型對(duì)鮮冬菇進(jìn)行預(yù)測(cè)的擬合圖,從圖3～圖5中可以看出,ARIMA模型對(duì)鮮冬菇進(jìn)行預(yù)測(cè)的預(yù)測(cè)值與實(shí)際值曲線更接近。圖4 BP對(duì)鮮冬菇進(jìn)行預(yù)測(cè)的擬合圖

【參考文獻(xiàn)】：
期刊論文
[1]蔬菜產(chǎn)銷價(jià)格波動(dòng)規(guī)律與傳導(dǎo)機(jī)制分析——基于ARDL-ECM模型[J]. 丁嬌嬌,吳建寨,孔繁濤.  農(nóng)業(yè)展望. 2019(08)
[2]基于PCA-LSTM小麥葉片水分檢測(cè)研究[J]. 趙東東,趙雅麗,趙秉強(qiáng),崔東云,丁筱玲.  中國(guó)農(nóng)機(jī)化學(xué)報(bào). 2019(03)
[3]我國(guó)蔬菜市場(chǎng)預(yù)測(cè)預(yù)警研究淺析[J]. 魯建斌.  蔬菜. 2018(07)
[4]基于深度學(xué)習(xí)LSTM網(wǎng)絡(luò)的短期電力負(fù)荷預(yù)測(cè)方法[J]. 陳卓,孫龍祥.  電子技術(shù). 2018(01)
[5]基于LSTM神經(jīng)網(wǎng)絡(luò)模型的鋼鐵價(jià)格預(yù)測(cè)[J]. 陸澤楠,商玉林.  科技視界. 2017(13)
[6]基于時(shí)間序列的BP神經(jīng)網(wǎng)絡(luò)豬肉價(jià)格預(yù)測(cè)[J]. 張津,張瑞斌.  科技創(chuàng)新與應(yīng)用. 2016(20)
[7]基于AIGA—BP神經(jīng)網(wǎng)絡(luò)的糧食產(chǎn)量預(yù)測(cè)研究[J]. 張浩,王國(guó)偉,苑超,胡紅艷.  中國(guó)農(nóng)機(jī)化學(xué)報(bào). 2016(06)
[8]基于MapReduce的BP神經(jīng)網(wǎng)絡(luò)在精準(zhǔn)施肥中的應(yīng)用[J]. 苑超,李東明,李巖.  中國(guó)農(nóng)機(jī)化學(xué)報(bào). 2016(02)
[9]我國(guó)天然橡膠價(jià)格波動(dòng)趨勢(shì)及短期預(yù)測(cè)——基于ARIMA模型的實(shí)證分析[J]. 侯冰凌,樊孝鳳.  價(jià)格理論與實(shí)踐. 2016(01)
[10]QPSO-optimized BP Neural Net ork to Predict Occurrence Quantity of Myzus persicae[J]. Qiu Jing,Yang Yi,Qin Xiyun,Li Kunlin,Chen Keping,Yin Jianli.  Plant Diseases and Pests. 2015(01)

碩士論文
[1]基于LSTM神經(jīng)網(wǎng)絡(luò)的美股股指價(jià)格趨勢(shì)預(yù)測(cè)模型的研究[D]. 孫瑞奇.首都經(jīng)濟(jì)貿(mào)易大學(xué) 2016



本文編號(hào)：3358066