准确把握北京市场鸡蛋价格波动特征和规律,及时预测鸡蛋价格波动趋势,不仅是农业进入新发展阶段的首都"菜篮子"工程建设的需要,而且有利于社会经济的稳定发展。该文选取北京市月度鸡蛋价格作为试验数据,在对北京市鸡蛋价格历...准确把握北京市场鸡蛋价格波动特征和规律,及时预测鸡蛋价格波动趋势,不仅是农业进入新发展阶段的首都"菜篮子"工程建设的需要,而且有利于社会经济的稳定发展。该文选取北京市月度鸡蛋价格作为试验数据,在对北京市鸡蛋价格历史数据分析的基础上,根据鸡蛋价格序列的非线性、季节性和周期性特征,提出一种基于时间序列季节性分解(Seasonal-trend Decomposition Procedure Based on Loess,STL)和长短期记忆网络(Long-short Term Memory,LSTM)组合的鸡蛋价格预测模型。通过采用LSTM模型实现对由STL方法分解的鸡蛋价格波动成分的趋势成分及剩余成分和用季节朴素方法(Seasonal-na?ve, Sna?ve)对鸡蛋价格波动的季节成分分别进行预测,可以获取未来鸡蛋价格的综合预测值。研究结果表明:2000-2018年北京市鸡蛋价格在整体呈现上升趋势,且存在"春低秋高"的季节性和随机波动特征;该研究构建的STL-LSTM模型在预测步长分别为1、3、6时的均方根误差分别为0.19、0.33、0.43;平均绝对百分比误差分别为1.91、3.53、4.58,均优于长短期记忆网络、支持向量回归(Support Vector Regression,SVR)和差分整合移动平均自回归(Autoregressive Integrated Moving Average Model,ARIMA)模型,可以为预测预警北京市场鸡蛋价格异常波动情况、为行业和政府主管部门保障北京市场鸡蛋供应决策提供参考依据。展开更多
文摘准确把握北京市场鸡蛋价格波动特征和规律,及时预测鸡蛋价格波动趋势,不仅是农业进入新发展阶段的首都"菜篮子"工程建设的需要,而且有利于社会经济的稳定发展。该文选取北京市月度鸡蛋价格作为试验数据,在对北京市鸡蛋价格历史数据分析的基础上,根据鸡蛋价格序列的非线性、季节性和周期性特征,提出一种基于时间序列季节性分解(Seasonal-trend Decomposition Procedure Based on Loess,STL)和长短期记忆网络(Long-short Term Memory,LSTM)组合的鸡蛋价格预测模型。通过采用LSTM模型实现对由STL方法分解的鸡蛋价格波动成分的趋势成分及剩余成分和用季节朴素方法(Seasonal-na?ve, Sna?ve)对鸡蛋价格波动的季节成分分别进行预测,可以获取未来鸡蛋价格的综合预测值。研究结果表明:2000-2018年北京市鸡蛋价格在整体呈现上升趋势,且存在"春低秋高"的季节性和随机波动特征;该研究构建的STL-LSTM模型在预测步长分别为1、3、6时的均方根误差分别为0.19、0.33、0.43;平均绝对百分比误差分别为1.91、3.53、4.58,均优于长短期记忆网络、支持向量回归(Support Vector Regression,SVR)和差分整合移动平均自回归(Autoregressive Integrated Moving Average Model,ARIMA)模型,可以为预测预警北京市场鸡蛋价格异常波动情况、为行业和政府主管部门保障北京市场鸡蛋供应决策提供参考依据。
