基于CEEMD与GA-SVR的猪肉价格集成预测模型
发布时间：2021-08-02 08:01
为提高猪肉价格预测的准确性,结合互补集合经验模态分解（CEEMD）的分解能力和基于遗传算法的支持向量回归（GA-SVR）的自适应预测功能,构建猪肉价格集成预测模型.首先为解决猪肉价格的复杂波动特征,通过CEEMD对猪肉价格分解得到本征模态函数（IMF）序列集;然后使用排序熵（PE）对IMF序列进行复杂度分析,进一步使用快速傅里叶变换方法（FFT）分解复杂度高的序列;再利用灰色关联度（GCD）对IMF序列集进行关联性分析,聚合相似IMF序列;最后基于各IMF序列的数据特征构建相应的GA-SVR预测模型,并将子序列的预测结果集成获得最终价格预测值.以中国集贸市场的猪肉价格为研究对象,实证结果表明,该集成预测模型在预测精度和方向性指标上,显著优于其他单预测模型和分解集成预测模型.
【文章来源】：系统科学与数学. 2020,40(06)北大核心CSCD
【文章页数】：13 页
【部分图文】：
图３猪肉价格的ＩＭＦ序列及其预测曲线??（Ｆｉｇｕｒｅ?３?ＩＭＦ?ｓｅｑｕｅｎｃｅｓ?ｏｆ?ｐｉｇ?ｐｒｉｃｅ?ａｎｄ?ｉｔｓ?ｐｒｅｄｉｃｔｉｏｎ?ｃｕｒｖｅ）??
，?ＤＳ）、Ｄｉｅｂｏｌｄ－Ｍａｒｉａｎｏ?（ＤＭ）作为评??价准则．ＲＭＳＥ、ＭＡＰＥ、ＭＡＥ和ＤＳ分别定义如下??ＲＭＳＥ??Ｎ??Ｎ??Ｎ??道細＝厕??Ｖｔ?—?Ｖｔ??ｙｔ??Ｎ??ｍａｅ?＝?ｉｏｏ?ｘ￣Ｙ，＼ｙｔ￣ｙｔ＼??Ｎ?■??ｔ＝??Ｉ?｛ｍ?－?Ｖｔ－ｉ）?ｉｖｔ?－?ｙｔ＾ｉ）?＞?〇］??０，?ｏｔｈｅｒ，??（４：－Ｘ）??闕??（４Ｊ）??（４．４）??２００６／１?２０１０／４?２０１４／４?２０１８／６??时间??图２中国集贸市场猪肉月度价格曲线??（Ｆｉｇｕｒｅ?２?Ｐｏｒｋ?ｍｏｎｔｈｌｙ?ｐｒｉｃｅ?ｃｕｒｖｅ?ｉｎ?Ｃｈｉｎａ?ｍａｒｋｅｔ）??一台?ＷｉｎｄｏｗｌＯ?６４?位系统，处理器为?Ｉｎｔｅｌ（Ｒ）?Ｘｅｏｎ（Ｒ）?Ｅ５＿ｌ６２〇?ｖ３，主频为?３．５〇ＧＨｚ，内存为??的台式机调试实观．??４．１数据描述??选取中国集贸市场的猪肉价格作为样本数据，该样本数据涵盖２００６年１月至２０１Ｓ年（５??月期间的月度价格，共计１５０个观察值．图２显示猪肉价格数据的月度价格曲线（数据来源：??中国经济与社会发展统计数据库）．以猪肉价格２００６年１月至２０１５年１２月的数据用作训练??数据集（ｆｒ样本数的８０獨，其余为测试数据集（占样本数的２０％）．为了防止ＧＡ－ＳＶＲ模型出??现过拟合的现象，训练过程中使用训练数据集的末尾数据作为ＧＡ的检验数据集．对不同的??检验数据比例（占样本数的１０％、．２＿０榻、３０％和４０％：＿）进行试验结果发现赛检验数据比例为??占洋本数的２０％的时候预测性能最优，因此训练数据集中占样本数的２０％数据作为ＧＡ的??检
１０７０??系统科学与数学??４０卷??１０?＾?１???２０１６／１?２０１７／３?２０１８／６??时间??图４猪肉价格预测曲线??（Ｆｉｇｕｒｅ?４?Ｐｒｅｄｉｃｔｉｏｎ?ｃｕｒｖｅ?ｏｆ?ｐｏｒｋ?ｐｒｉｃｅ）??４．４结果分析??从ｆｆｌ?４的猪肉价格預测曲线可看出，通过搜索最优预测窗口的ＧＡ－ＳＶＲ相比ＲＢＦＮ队１２??和ＧＡ－ＳＶＲ－１２结果更加稳定，而整体曲线效果来看，基于经验模态分解的集成预测模型相比??单预测模型要接近实际曲线，持别是所提出集成预测模型的预测结果非常接近实际观测值．??为了更好地从数值上表、示其中的差异，表１给出对应爾测模型结果的评价准则，其中加??粗字体为较优结果．表２给出所提出模型与其他模型的ＤＭ测试结果，其中括号中的数据代??表对应的Ｐ值．由表１的评价指标和表２的ＤＭ统计讀可知，本文可以得出以下结论??５０?１．００?１．５０??ｔｉｎｉ＆＇ｍｏ．ｎ．ｔｈ．ｓ??（ａ）?ＣＥＥＭＤ??５０?ＫＫ）?１５０??（ｂ）?ＰＥ－ＦＦＴ??ｉ??５０?１００?１５０??５０?１００?１．５０??ｔｉｉｎ＆＇ｍｏ．ｎ．ｔｈｓ??（ｃ）?ＧＣＤ??＿ＶＷ＼Ａｔ??－ｊｌ２０?１＾０?１４０?１Ｓ０??ｊ２０?１－｛Ｑ?１４０??１．２０?１３０?＼Ｍ）?１：５０??（ｄ）?Ｐｒｅｄｉｃｔｉｏｎ??图３猪肉价格的ＩＭＦ序列及其预测曲线??（Ｆｉｇｕｒｅ?３?ＩＭＦ?ｓｅｑｕｅｎｃｅｓ?ｏｆ?ｐｉｇ?ｐｒｉｃｅ?ａｎｄ?ｉｔｓ?ｐｒｅｄｉｃｔｉｏｎ?ｃｕｒｖｅ）??对各ＩＭＦ序列的预测结果进行线性相加，得到最终猪肉价格预测结果．图４给出不同??预测模型的猪肉价
本文编号：3317202
【文章来源】：系统科学与数学. 2020,40(06)北大核心CSCD
【文章页数】：13 页
【部分图文】：
图３猪肉价格的ＩＭＦ序列及其预测曲线??（Ｆｉｇｕｒｅ?３?ＩＭＦ?ｓｅｑｕｅｎｃｅｓ?ｏｆ?ｐｉｇ?ｐｒｉｃｅ?ａｎｄ?ｉｔｓ?ｐｒｅｄｉｃｔｉｏｎ?ｃｕｒｖｅ）??
，?ＤＳ）、Ｄｉｅｂｏｌｄ－Ｍａｒｉａｎｏ?（ＤＭ）作为评??价准则．ＲＭＳＥ、ＭＡＰＥ、ＭＡＥ和ＤＳ分别定义如下??ＲＭＳＥ??Ｎ??Ｎ??Ｎ??道細＝厕??Ｖｔ?—?Ｖｔ??ｙｔ??Ｎ??ｍａｅ?＝?ｉｏｏ?ｘ￣Ｙ，＼ｙｔ￣ｙｔ＼??Ｎ?■??ｔ＝??Ｉ?｛ｍ?－?Ｖｔ－ｉ）?ｉｖｔ?－?ｙｔ＾ｉ）?＞?〇］??０，?ｏｔｈｅｒ，??（４：－Ｘ）??闕??（４Ｊ）??（４．４）??２００６／１?２０１０／４?２０１４／４?２０１８／６??时间??图２中国集贸市场猪肉月度价格曲线??（Ｆｉｇｕｒｅ?２?Ｐｏｒｋ?ｍｏｎｔｈｌｙ?ｐｒｉｃｅ?ｃｕｒｖｅ?ｉｎ?Ｃｈｉｎａ?ｍａｒｋｅｔ）??一台?ＷｉｎｄｏｗｌＯ?６４?位系统，处理器为?Ｉｎｔｅｌ（Ｒ）?Ｘｅｏｎ（Ｒ）?Ｅ５＿ｌ６２〇?ｖ３，主频为?３．５〇ＧＨｚ，内存为??的台式机调试实观．??４．１数据描述??选取中国集贸市场的猪肉价格作为样本数据，该样本数据涵盖２００６年１月至２０１Ｓ年（５??月期间的月度价格，共计１５０个观察值．图２显示猪肉价格数据的月度价格曲线（数据来源：??中国经济与社会发展统计数据库）．以猪肉价格２００６年１月至２０１５年１２月的数据用作训练??数据集（ｆｒ样本数的８０獨，其余为测试数据集（占样本数的２０％）．为了防止ＧＡ－ＳＶＲ模型出??现过拟合的现象，训练过程中使用训练数据集的末尾数据作为ＧＡ的检验数据集．对不同的??检验数据比例（占样本数的１０％、．２＿０榻、３０％和４０％：＿）进行试验结果发现赛检验数据比例为??占洋本数的２０％的时候预测性能最优，因此训练数据集中占样本数的２０％数据作为ＧＡ的??检
１０７０??系统科学与数学??４０卷??１０?＾?１???２０１６／１?２０１７／３?２０１８／６??时间??图４猪肉价格预测曲线??（Ｆｉｇｕｒｅ?４?Ｐｒｅｄｉｃｔｉｏｎ?ｃｕｒｖｅ?ｏｆ?ｐｏｒｋ?ｐｒｉｃｅ）??４．４结果分析??从ｆｆｌ?４的猪肉价格預测曲线可看出，通过搜索最优预测窗口的ＧＡ－ＳＶＲ相比ＲＢＦＮ队１２??和ＧＡ－ＳＶＲ－１２结果更加稳定，而整体曲线效果来看，基于经验模态分解的集成预测模型相比??单预测模型要接近实际曲线，持别是所提出集成预测模型的预测结果非常接近实际观测值．??为了更好地从数值上表、示其中的差异，表１给出对应爾测模型结果的评价准则，其中加??粗字体为较优结果．表２给出所提出模型与其他模型的ＤＭ测试结果，其中括号中的数据代??表对应的Ｐ值．由表１的评价指标和表２的ＤＭ统计讀可知，本文可以得出以下结论??５０?１．００?１．５０??ｔｉｎｉ＆＇ｍｏ．ｎ．ｔｈ．ｓ??（ａ）?ＣＥＥＭＤ??５０?ＫＫ）?１５０??（ｂ）?ＰＥ－ＦＦＴ??ｉ??５０?１００?１５０??５０?１００?１．５０??ｔｉｉｎ＆＇ｍｏ．ｎ．ｔｈｓ??（ｃ）?ＧＣＤ??＿ＶＷ＼Ａｔ??－ｊｌ２０?１＾０?１４０?１Ｓ０??ｊ２０?１－｛Ｑ?１４０??１．２０?１３０?＼Ｍ）?１：５０??（ｄ）?Ｐｒｅｄｉｃｔｉｏｎ??图３猪肉价格的ＩＭＦ序列及其预测曲线??（Ｆｉｇｕｒｅ?３?ＩＭＦ?ｓｅｑｕｅｎｃｅｓ?ｏｆ?ｐｉｇ?ｐｒｉｃｅ?ａｎｄ?ｉｔｓ?ｐｒｅｄｉｃｔｉｏｎ?ｃｕｒｖｅ）??对各ＩＭＦ序列的预测结果进行线性相加，得到最终猪肉价格预测结果．图４给出不同??预测模型的猪肉价
本文编号：3317202
本文链接：https://www.wllwen.com/jingjilunwen/hongguanjingjilunwen/3317202.html
