基于模型融合的农产品价格预测研究

发布时间：2020-10-15 22:26

　　 价格预测是机器学习领域一个经典的回归问题,因为其在金融、农业、医学、交通等领域的重要价值,一直以来备受学术界和工业界的关注。常规的机器学习应用问题,需要结合业务场景进行特征工程方面的工作,随后进行模型的训练与预测。同理,要解决价格预测问题往往要根据该问题所在的具体领域进行详细的分析与调研,提取到跟领域较为相关的特征,再根据所提取的特征使用机器学习模型来进行训练,从而可以对未来的价格变化趋势做预测。因为农产品价格受供求关系、自然条件、社会和经济条件等多种因素的共同影响,其波动程度相对较大,同时受季节、节假日等影响也较大,所以加大了对农产品价格预测的难度。本文使用的数据为2017年6月前全国各大农产品市场的价格数据,根据农产品的历史价格来预测其未来的价格变化趋势,主要从以下几个方面进行预测研究:(1)首先,本文对得到的农产品数据进行了数据处理和分析,通过使用箱线图、条形图分析数据集得到农产品价格的分布情况,为后续的特征提取做好准备。(2)在特征工程方面,本文根据农产品数据的分布特点,从统计特征、地域特征、季节特征等入手,从16个类别的农产品数据中提取了6大特征群,共136维特征。(3)提取好特征群后,本文使用主流的回归预测模型(线性回归、支持向量机、随机森林等)进行模型训练及单模型价格预测。通过分析不同参数情况下的评测函数的变化对模型进行了参数调优。(4)本文提出了一种分段的加权平均融合模型,该模型用于农产品价格预测中,可以根据线性单模型的不同预测结果来采用不同的加权方式,并且吸收了不同单模型在样本空间的预测优点。实验表明,在MSE与MAPE指标下,本文提出的应用于农产品数据加权平均融合方法可以结合不同单模型的特点,其预测准确度优于单模型,加以推广也可应用于其他领域的价格预测。
【学位单位】：吉林大学
【学位级别】：硕士
【学位年份】：2018
【中图分类】：TP181;F323.7
【部分图文】：

第 3 章 影响农产品价格的主要因素及特征提取场，3465 种农产品品种。2.1 数据分析本文使用箱线图来对数据的分布情况进行处理和分析。因为箱线图可以据的上四分位数，下四分位数，中位数，最大值和最小值，对数据的刻画强，利于观察数据的异常值。本文所使用的数据集中，不同农产品的价格箱线图来表示，如图 3.1 所示。

图 3.2 不同农产品的数据量大小从图 3.2 可以看出，蔬菜类别数据量最大，共有 180 多万条。因此在预品价格的过程中需要着重考虑蔬菜品类农产品。图 3.3 和图 3.4 分别为蔬和水产品类的价格分布图，反映了价格的几种分布，可以看出蔬菜品类的要分布在 50 元以下，而水产品类的价格主要分布在 200 元以下。

图 3.2 不同农产品的数据量大小从图 3.2 可以看出，蔬菜类别数据量最大，共有 180 多万条。因此在预品价格的过程中需要着重考虑蔬菜品类农产品。图 3.3 和图 3.4 分别为蔬和水产品类的价格分布图，反映了价格的几种分布，可以看出蔬菜品类的要分布在 50 元以下，而水产品类的价格主要分布在 200 元以下。
【相似文献】

相关期刊论文 前10条

1 杨子山;;2012/2013年度世界棉花供求、消费与价格预测[J];中国棉花;2013年06期

2 张化中;;探索价格预测规律 为科学价格决策服务——价格预测特点、原则及应努力做好的主要工作[J];价格理论与实践;2012年06期

3 赵平;;2009—2030年原油价格预测[J];国外油田工程;2010年11期

4 张华伟;沈萍;;煤炭价格预测系统模型的构建[J];煤炭经济研究;2009年09期

5 张化中;;积极探索 勇于实践 不断提高价格预测能力和水平——对当前价格预测工作的几点思考[J];价格理论与实践;2009年12期

6 兰兴华;;2007-2008年基本金属价格预测——路透社的调查[J];中国金属通报;2007年13期

7 ;2004年上半年部分农产品价格预测[J];农村养殖技术;2004年06期

8 王征兵;2004年上半年部分农产品价格预测[J];农村实用技术与信息;2004年01期

9 陈建中;;投入产出分析法在价格预测中的应用[J];预测;1987年03期

10 夏琼英;;1987—2000年世界铀消耗的预测[J];国外核新闻;1987年09期

相关博士学位论文 前7条

1 戴相全;镍的价格预测与采购模型及其应用研究[D];东北大学;2015年

2 颜七笙;基于智能计算和混沌理论的铀价格预测研究[D];江南大学;2014年

3 高爽;基于数据流学习的国际石油价格预测研究[D];中国地质大学(北京);2016年

4 张立杰;棉花价格研究及预测[D];天津大学;2012年

5 季托;国际石油价格波动行为机理及预测模型研究[D];东北石油大学;2011年

6 刘铭;若干混合智能计算方法及应用研究[D];吉林大学;2014年

7 王桂红;农产品市场价格web信息分析方法研究[D];沈阳农业大学;2013年

相关硕士学位论文 前10条

1 马雪姣;基于支持向量回归机模型的价格预测[D];郑州大学;2018年

2 朱艳;中国棉花价格影响因素的分析及价格预测[D];东华大学;2018年

3 吴迪;沪深300股指期货价格预测研究[D];沈阳工业大学;2018年

4 田瑾;多因素作用下南宁市房地产价格预测研究[D];广西大学;2018年

5 费凡;基于模型融合的农产品价格预测研究[D];吉林大学;2018年

6 鞠铁鑫;基于统计分析的航班价格变化差异性问题研究[D];黑龙江大学;2018年

7 王双;机票价格预测技术的研究与实现[D];中国民航大学;2013年

8 杜晓芳;建筑价格预测研究[D];西安科技大学;2006年

9 李自珍;基于神经网络的期货价格预测与模型实现[D];首都师范大学;2008年

10 白仲才;中国煤炭需求分析与价格预测[D];复旦大学;2008年

本文编号：2842332