基于BP、LSTM和ARIMA模型的蔬菜价格预测

发布时间：2021-08-23 14:45

　　为系统统计蔬菜价格,实现蔬菜价格可视化并加以预测,以利于生产者科学决策。为此,首先爬取广州江南果菜批发市场所有的蔬菜价格,并对蔬菜价格的数据集进行预处理,然后建立起基于时间序列的ARIMA预测模型、BP神经网络预测模型和LSTM神经网络预测模型,通过3种模型对爬取的蔬菜价格进行分析和预测,最后将3种预测模型的实验结果进行对比。在选取的多种蔬菜的预测结果中,LSTM、BP、ARIMA模型的相对误差小于1%的平均比例分别为0.037、0.07、0.097,相对误差小于5%的平均比例分别为0.215、0.338、0.433,相对误差小于10%的平均比例分别为0.436、0.573、0.694。结果表明,ARIMA模型在预测蔬菜价格方面的准确率比LSTM、BP模型更高。 

【文章来源】：中国农机化学报. 2020,41(04)北大核心

【文章页数】：7 页

【部分图文】：

三层神经网络

如图2所示,LSTM的神经元具有3个门,分别是输入门(Input Gate)、输出门(Output Gate)和遗忘门(Forget Gate)。输入门和输出门分别用于信息输入和输出的控制,遗忘门通过激活函数决定历史状态信息是否保留。激活函数σ使得遗忘门的输出为0或1,当输出为0的时候,表示丢弃上一状态的信息;当输出为1的时候,表示保留上一状态的信息。1.3 AR(I)MA模型

以鲜冬菇为例,图3～图5分别是LSTM、BP、ARIMA这3种模型对鲜冬菇进行预测的拟合图,从图3～图5中可以看出,ARIMA模型对鲜冬菇进行预测的预测值与实际值曲线更接近。图4 BP对鲜冬菇进行预测的拟合图

【参考文献】：
期刊论文
[1]蔬菜产销价格波动规律与传导机制分析——基于ARDL-ECM模型[J]. 丁娇娇,吴建寨,孔繁涛.  农业展望. 2019(08)
[2]基于PCA-LSTM小麦叶片水分检测研究[J]. 赵东东,赵雅丽,赵秉强,崔东云,丁筱玲.  中国农机化学报. 2019(03)
[3]我国蔬菜市场预测预警研究浅析[J]. 鲁建斌.  蔬菜. 2018(07)
[4]基于深度学习LSTM网络的短期电力负荷预测方法[J]. 陈卓,孙龙祥.  电子技术. 2018(01)
[5]基于LSTM神经网络模型的钢铁价格预测[J]. 陆泽楠,商玉林.  科技视界. 2017(13)
[6]基于时间序列的BP神经网络猪肉价格预测[J]. 张津,张瑞斌.  科技创新与应用. 2016(20)
[7]基于AIGA—BP神经网络的粮食产量预测研究[J]. 张浩,王国伟,苑超,胡红艳.  中国农机化学报. 2016(06)
[8]基于MapReduce的BP神经网络在精准施肥中的应用[J]. 苑超,李东明,李岩.  中国农机化学报. 2016(02)
[9]我国天然橡胶价格波动趋势及短期预测——基于ARIMA模型的实证分析[J]. 侯冰凌,樊孝凤.  价格理论与实践. 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)

硕士论文
[1]基于LSTM神经网络的美股股指价格趋势预测模型的研究[D]. 孙瑞奇.首都经济贸易大学 2016



本文编号：3358066