非线性方法的时间序列组合模型在农产品价格预测中的应用研究
发布时间：2020-12-28 20:09
我国作为历史悠久的农业文明古国,农村、农业、农民问题一直是国家工作的重点问题,妥善解决“三农”问题是全党工作者们义不容辞的义务。农产品价格作为现代经济体系中农产品市场的重要组成部分,与农民切身利益乃至国民生活质量息息相关,也是重要的民生问题之一。因此,关于农产品价格的预测就成了近年来的重点研究内容。由于农产品价格受到生产成本、供需变化、自然气候、政府政策调控等多方面外界因素的共同影响,其价格波动频率快、幅度大,呈现出非线性、非平稳的特征,给农户生产带来了巨大的风险。为满足农产品生产者、经营者以及政府相关决策管理部门的迫切需求,近年来,已有不少学者对农产品价格预测开展了探索性研究和实例认证。然而无论所采用的是单项预测方法还是组合预测方法,这些研究中都有两个重大缺陷:第一,数据获取难度大,样本输入需生产成本、供需变化、自然气候、政府政策等多维时间序列,然而这些相关数据在实际操作中很难全方位的获取;第二,将非线性非平稳的原始时间序列经过处理后选用模型进行预测的过程直接忽略了过滤出来的随机项,本人认为这也是预测精度不高的原因之一。本文在全面了解国内外对农产品价格预测的研究现状后,针对目前所提出...
【文章来源】：兰州交通大学甘肃省
【文章页数】：55 页
【学位级别】：硕士
【部分图文】：
小波重构示意图
人工神经网络的原理工神经网络( Artificial Neural Network，即 ANN) 人工神经网络兴起于 20 世纪是近年来人工智能领域的研究热点。作为一门崭新的信息处理科学[16]，它从信度模拟人脑神经元网络的处理方式，利用某种算法建立起简单的数学模型，大之间用不同的方式连接从而组成不同的网络，它代表着某一种运算模型。相互量节点称之为神经元，其按功能可以分为输入层、中间层（也成为隐含层）和各层顺序相连，每个节点都代表一种特定的输出函数，称为激励函数（activatn），负责信息变换。每两个节点间的连接都代表一个对于通过该连接信号的称之为权重，这相当于人工神经网络的记忆。网络的连接方式、权重值和激励方面共同决定了网络的输出。网络自身通常都逼近某种自然算法和函数，也可一种逻辑策略。几年来，随着学术界对人工神经网络研究的不断深入，使其取得了较大的进展地解决了模式识别、智能控制、预测估计、生物医学、经济金融等应用领域许算机难以解决的实际问题，表现出了良好的智能特性[50-51]。神经网络的基本结.1 所示：
（3）强化学习：强化学习与人类的学习过程相类似，智能体在动态环境中表现出列行为，而动态环境又通过某种机制将结果反馈给智能体，促使智能体做出下一步，通过反复的试验，智能体积累了大量的经验，不断的优化其行动策略。强化学习习算法是通过智能体和动态环境的交互来获得的，代表一种高级的智能学习算法，强化学习系统在规划合并、智能探索、监督学习、结构控制和机器人控制等方面了广泛的应用[52-53]。 非线性有源自回归神经网络非线性有源自回归神经网络的输出由当前的输入和过去的输出两部分决定，它是一记忆性功能并且有反馈的动态神经网络[54]，具备良好的动态特性和较高的抗干扰能NARX 函数过程定义如公式 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)表示过去的输出时间序列，也可以作为当前的输入， X (t 1), X (t 2),......X (t d)多维时间序列作为外部的输入序列，表示 y (t )的外响因素， f (......)表示非线性过程函数，具体的函数过程如图 3.2 所示：
【参考文献】：
期刊论文
[1]基于强化学习的非线性时间序列智能预测模型[J]. 孙若莹,范厚明,赵刚. 大连海事大学学报. 2017(04)
[2]农产品价格预测模型的构建[J]. 徐雅卿,魏轶华,李旭刚. 统计与决策. 2017(12)
[3]基于ARIMA模型的青岛市大蒜价格时间序列预测分析[J]. 史冠宇,李玫瑰. 山东农业科学. 2017(05)
[4]分位点门限自回归时间序列模型的贝叶斯分析[J]. 赵超,李东方,唐亚勇. 四川大学学报(自然科学版). 2016(04)
[5]基于小波分解的SVM-ARIMA农产品价格预测模型[J]. 曹霜,何玉成. 统计与决策. 2015(13)
[6]基于组合模型的农产品市场价格短期预测研究——以红富士苹果、香蕉、橙为例[J]. 熊巍,祁春节,高瑜,杨春. 农业技术经济. 2015(06)
[7]基于ARIMA与WASDN加权组合的时间序列预测[J]. 张雨浓,劳稳超,丁玮翔,王英,叶成绪. 计算机应用研究. 2015(09)
[8]一种基于改进型RBF神经网络的非线性时间序列预测模型[J]. 陈海英. 湖南工程学院学报(自然科学版). 2015(01)
[9]基于时间序列与RBF的农产品市场价格短期预测模型[J]. 屠星月,薛佳妮,郭承坤,封文杰,陈英义. 广东农业科学. 2014(23)
[10]黄金价格的小波分解与单支重构求和预测[J]. 刘薇. 黄金. 2014(04)
博士论文
[1]时间序列短期预测模型研究与应用[D]. 张浒.华中科技大学 2013
硕士论文
[1]农产品市场价格的集成预测方法研究[D]. 牛超.华中师范大学 2016
[2]基于人工神经网络的水果价格短期预测研究[D]. 任伟宏.中国农业科学院 2012
[3]基于多重小波系数集的图像水印盲提取算法[D]. 尹波.中国海洋大学 2010
[4]基于小波分析的高频时间序列研究[D]. 高静.天津大学 2007
本文编号：2944329
【文章来源】：兰州交通大学甘肃省
【文章页数】：55 页
【学位级别】：硕士
【部分图文】：
小波重构示意图
人工神经网络的原理工神经网络( Artificial Neural Network，即 ANN) 人工神经网络兴起于 20 世纪是近年来人工智能领域的研究热点。作为一门崭新的信息处理科学[16]，它从信度模拟人脑神经元网络的处理方式，利用某种算法建立起简单的数学模型，大之间用不同的方式连接从而组成不同的网络，它代表着某一种运算模型。相互量节点称之为神经元，其按功能可以分为输入层、中间层（也成为隐含层）和各层顺序相连，每个节点都代表一种特定的输出函数，称为激励函数（activatn），负责信息变换。每两个节点间的连接都代表一个对于通过该连接信号的称之为权重，这相当于人工神经网络的记忆。网络的连接方式、权重值和激励方面共同决定了网络的输出。网络自身通常都逼近某种自然算法和函数，也可一种逻辑策略。几年来，随着学术界对人工神经网络研究的不断深入，使其取得了较大的进展地解决了模式识别、智能控制、预测估计、生物医学、经济金融等应用领域许算机难以解决的实际问题，表现出了良好的智能特性[50-51]。神经网络的基本结.1 所示：
（3）强化学习：强化学习与人类的学习过程相类似，智能体在动态环境中表现出列行为，而动态环境又通过某种机制将结果反馈给智能体，促使智能体做出下一步，通过反复的试验，智能体积累了大量的经验，不断的优化其行动策略。强化学习习算法是通过智能体和动态环境的交互来获得的，代表一种高级的智能学习算法，强化学习系统在规划合并、智能探索、监督学习、结构控制和机器人控制等方面了广泛的应用[52-53]。 非线性有源自回归神经网络非线性有源自回归神经网络的输出由当前的输入和过去的输出两部分决定，它是一记忆性功能并且有反馈的动态神经网络[54]，具备良好的动态特性和较高的抗干扰能NARX 函数过程定义如公式 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)表示过去的输出时间序列，也可以作为当前的输入， X (t 1), X (t 2),......X (t d)多维时间序列作为外部的输入序列，表示 y (t )的外响因素， f (......)表示非线性过程函数，具体的函数过程如图 3.2 所示：
【参考文献】：
期刊论文
[1]基于强化学习的非线性时间序列智能预测模型[J]. 孙若莹,范厚明,赵刚. 大连海事大学学报. 2017(04)
[2]农产品价格预测模型的构建[J]. 徐雅卿,魏轶华,李旭刚. 统计与决策. 2017(12)
[3]基于ARIMA模型的青岛市大蒜价格时间序列预测分析[J]. 史冠宇,李玫瑰. 山东农业科学. 2017(05)
[4]分位点门限自回归时间序列模型的贝叶斯分析[J]. 赵超,李东方,唐亚勇. 四川大学学报(自然科学版). 2016(04)
[5]基于小波分解的SVM-ARIMA农产品价格预测模型[J]. 曹霜,何玉成. 统计与决策. 2015(13)
[6]基于组合模型的农产品市场价格短期预测研究——以红富士苹果、香蕉、橙为例[J]. 熊巍,祁春节,高瑜,杨春. 农业技术经济. 2015(06)
[7]基于ARIMA与WASDN加权组合的时间序列预测[J]. 张雨浓,劳稳超,丁玮翔,王英,叶成绪. 计算机应用研究. 2015(09)
[8]一种基于改进型RBF神经网络的非线性时间序列预测模型[J]. 陈海英. 湖南工程学院学报(自然科学版). 2015(01)
[9]基于时间序列与RBF的农产品市场价格短期预测模型[J]. 屠星月,薛佳妮,郭承坤,封文杰,陈英义. 广东农业科学. 2014(23)
[10]黄金价格的小波分解与单支重构求和预测[J]. 刘薇. 黄金. 2014(04)
博士论文
[1]时间序列短期预测模型研究与应用[D]. 张浒.华中科技大学 2013
硕士论文
[1]农产品市场价格的集成预测方法研究[D]. 牛超.华中师范大学 2016
[2]基于人工神经网络的水果价格短期预测研究[D]. 任伟宏.中国农业科学院 2012
[3]基于多重小波系数集的图像水印盲提取算法[D]. 尹波.中国海洋大学 2010
[4]基于小波分析的高频时间序列研究[D]. 高静.天津大学 2007
本文编号：2944329
本文链接：https://www.wllwen.com/jingjilunwen/jingjiguanlilunwen/2944329.html
