發(fā)布時(shí)間：2024-04-16 04:43

　　農(nóng)產(chǎn)品價(jià)格是影響人民生活水平的一個(gè)重要指標(biāo),是對(duì)廣大消費(fèi)者和勞動(dòng)生產(chǎn)者在收支平衡上的一個(gè)重要反饋。因此,通過(guò)研究農(nóng)產(chǎn)品價(jià)格的變化規(guī)律,從而對(duì)其進(jìn)行準(zhǔn)確預(yù)測(cè)。這無(wú)論是對(duì)政府和農(nóng)業(yè)部門做出科學(xué)的決策,還是對(duì)維持農(nóng)產(chǎn)品市場(chǎng)價(jià)格的穩(wěn)定都具有重要意義。本文首先對(duì)傳統(tǒng)農(nóng)產(chǎn)品價(jià)格預(yù)測(cè)方法進(jìn)行了論述,并在此基礎(chǔ)上提出了自己的改進(jìn)方法。傳統(tǒng)農(nóng)產(chǎn)品價(jià)格預(yù)測(cè)主要是基于時(shí)間序列預(yù)測(cè)、自回歸以及機(jī)器學(xué)習(xí)等單模型的方法,而農(nóng)產(chǎn)品價(jià)格數(shù)據(jù)大都具有復(fù)雜性和非線性等特點(diǎn),所以傳統(tǒng)農(nóng)產(chǎn)品價(jià)格預(yù)測(cè)方法的準(zhǔn)確性不高,模型的擬合能力較差。因此,本文提出了一種改進(jìn)隨機(jī)森林算法,通過(guò)計(jì)算決策樹(shù)的AUC和相似度,對(duì)每棵決策樹(shù)的投票能力進(jìn)行加權(quán),從而提高隨機(jī)森林中預(yù)測(cè)效果好的決策樹(shù)和相似度低的決策樹(shù)的投票權(quán)重。實(shí)驗(yàn)結(jié)果表明,改進(jìn)后的隨機(jī)森林算法較傳統(tǒng)隨機(jī)森林算法在預(yù)測(cè)精度上提升了3%。然后考慮到隨機(jī)森林算法的運(yùn)行效率低下,本文將隨機(jī)森林算法與Spark分布式計(jì)算框架進(jìn)行結(jié)合,提出了一種基于Spark的并行隨機(jī)森林算法(SP-RF)。具體做法是,針對(duì)在隨機(jī)森林算法中每棵決策樹(shù)的生成過(guò)程相互獨(dú)立的特點(diǎn),可以將生成決策樹(shù)的計(jì)算任務(wù)放在Spa...

【文章頁(yè)數(shù)】：65 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
ABSTRACT
1 緒論
    1.1 研究背景及意義
    1.2 國(guó)內(nèi)外研究現(xiàn)況
        1.2.1 農(nóng)產(chǎn)品價(jià)格國(guó)外研究進(jìn)展
        1.2.2 農(nóng)產(chǎn)品價(jià)格國(guó)內(nèi)研究進(jìn)展
    1.3 論文的主要內(nèi)容及組織結(jié)構(gòu)安排
        1.3.1 研究?jī)?nèi)容與方法
        1.3.2 論文的組織結(jié)構(gòu)和章節(jié)安排
2 傳統(tǒng)農(nóng)產(chǎn)品價(jià)格預(yù)測(cè)方法
    2.1 時(shí)間序列
        2.1.1 時(shí)間序列概述
        2.1.2 時(shí)間序列的預(yù)測(cè)方法
        2.1.3 AR模型
        2.1.4 MA模型
        2.1.5 ARMA模型
        2.1.6 ARMA建模步驟
    2.2 機(jī)器學(xué)習(xí)算法
        2.2.1 決策樹(shù)
        2.2.2 集成學(xué)習(xí)
        2.2.3 Bagging算法
        2.2.4 隨機(jī)森林算法
    2.3 BP神經(jīng)網(wǎng)絡(luò)
        2.3.1 BP神經(jīng)網(wǎng)絡(luò)介紹
        2.3.2 BP神經(jīng)網(wǎng)絡(luò)算法原理推導(dǎo)
    2.4 本章小結(jié)
3 改進(jìn)隨機(jī)森林算法
    3.1 改進(jìn)隨機(jī)森林算法理論依據(jù)
    3.2 ROC和 AUC
        3.2.1 AUC的計(jì)算方法
    3.3 決策樹(shù)相關(guān)系數(shù)的計(jì)算方法
    3.4 基于相似度的加權(quán)投票
    3.5 基于AUC的加權(quán)投票
    3.6 本章小結(jié)
4 SP-RF算法與改進(jìn)RF-BPNN組合模型
    4.1 DIS數(shù)據(jù)索引抽樣
    4.2 RFI隨機(jī)特征索引
    4.3 SP-RF并行化流程
    4.4 SP-RF算法流程
    4.5 Stacking
    4.6 改進(jìn)RF-BPNN組合算法
    4.7 本章小結(jié)
5 數(shù)據(jù)處理與實(shí)驗(yàn)分析
    5.1 數(shù)據(jù)來(lái)源
    5.2 數(shù)據(jù)預(yù)處理
    5.3 模型參數(shù)設(shè)置
        5.3.1 隨機(jī)森林算法參數(shù)設(shè)置
        5.3.2 BP神經(jīng)網(wǎng)絡(luò)參數(shù)設(shè)置
    5.4 實(shí)驗(yàn)分析
        5.4.1 實(shí)驗(yàn)環(huán)境
        5.4.2 評(píng)價(jià)指標(biāo)
        5.4.3 實(shí)驗(yàn)說(shuō)明
    5.5 改進(jìn)隨機(jī)森林算法實(shí)驗(yàn)結(jié)果(實(shí)驗(yàn)一)
    5.6 SP-RF算法實(shí)驗(yàn)結(jié)果(實(shí)驗(yàn)二)
        5.6.1 實(shí)驗(yàn)環(huán)境
        5.6.2 實(shí)驗(yàn)數(shù)據(jù)
        5.6.3 實(shí)驗(yàn)結(jié)果
    5.7 改進(jìn)RF-BPNN組合模型實(shí)驗(yàn)結(jié)果(實(shí)驗(yàn)三)
    5.8 本章小結(jié)
6 總結(jié)與展望
    6.1 研究總結(jié)
    6.2 論文的不足之處
參考文獻(xiàn)
發(fā)表論文
個(gè)人簡(jiǎn)介
致謝



本文編號(hào)：3956465