数据挖掘在海产品价格指数趋势预测中的应用研究
发布时间：2021-04-30 23:04
随着经济的发展,我国海产品贸易逐渐向国际化方向转变,进入快速发展阶段,进而带动了水产行业的结构优化升级,提升国际竞争力。产品价格指数作为度量市场运行状况的重要参数,与市场的供求关系、企业的经济利益和生产模式息息相关。所以,对海产品价格指数进行预测,既利于企业不断调整生产销售模式,制定合理营销策略,又利于国家对市场进行宏观调控,有效配置资源,进而推动海产品市场持续、稳定的运行。本文以2012年10月至2017年9月三疣梭子蟹的价格指数及其六个影响因素为例,先对海产品价格指数影响因素作关联度分析,然后分别采用灰色预测、BP神经网络和小波神经网络三种方法对下一年度的价格指数进行预测。首先建立灰色GM（1,1）模型直接将价格指数作为原始数据,经过矩阵变换将价格指数作为一阶微分方程的解,确定方程发展灰数和内生控制灰数,得出方程具体形式,将时间参数后移12个单位便可得出下一年度价格指数预测值。其次建立三层BP神经网络模型,将价格指数和影响因素归一化后,根据经验公式选取最佳隐含层节点个数,设置一段循环代码完成此目标。根据实际需要确定网络的权值和阈值,调整输入层,隐含层和输出层的传递函数,训练最优网络...
【文章来源】：浙江海洋大学浙江省
【文章页数】：72 页
【学位级别】：硕士
【文章目录】：
摘要
ABSTRACT
第一章 引言
1.1 研究背景及意义
1.2 国内外研究现状
1.3 本文的研究内容
第二章 海产品市场分析
2.1 海产品市场结构
2.1.1 产量
2.1.2 海水产品供应特征
2.1.3 消费者特征
2.1.4 居民收入及其消费结构
2.2 海产品市场发展现状
2.3 海产品市场现存风险
2.3.1 国际经济环境风险
2.3.2 宏观经济风险
2.3.3 区域经济变化风险
2.3.4 国际贸易风险
2.4 影响海产品市场的主要因素
第三章 数据挖掘概述
3.1 数据挖掘介绍
3.2 数据挖掘建模过程
3.3 数据挖掘方法
3.4 数据挖掘模型在价格指数预测中运用
3.4.1 价格指数定义
3.4.2 价格指数预测方法
3.5 本文价格指数预测使用的方法
第四章 基于灰色关联度分析研究海产品价格指数的影响因素
4.1 灰色关联度分析
4.2 灰色系统、白色系统和黑色系统
4.3 影响海产品价格指数的因素
4.3.1 产品成本
4.3.2 需求因素
4.3.3 供给因素
4.3.4 竞争因素
4.3.5 金融货币
4.3.6 政治政策
4.4 海产品价格指数影响因素的关联度分析
第五章 灰色预测法在海产品价格指数预测模型中的应用
5.1 灰色预测GM(1,1)模型
5.2 海产品数据处理
5.3 新数据方程表示
5.4 海产品价格指数预测对比分析
5.5 海产品未来价格指数预测
第六章 BP神经网络模型在海产品价格指数预测中的应用
6.1 BP神经网络简介
6.2 BP算法基本思想
6.3 BP算法数学工具及流程
6.4 基于BP神经网络对舟山市海产品价格指数趋势预测模型仿真
6.4.1 价格指数数据的收集与预处理
6.4.2 确定BP神经网络结构
6.4.3 BP网络的建立
6.4.4 隐含层数的确定
6.4.5 输入输出层节点数的确定
6.4.6 学习速率以及其他参数的确定
6.4.7 隐含层节点个数的确定
6.4.8 误差分析
6.4.9 检验网络,sim输出仿真
6.4.10 训练效果分析
6.4.11 预测结果分析
6.4.12 BP神经网络预测未来价格指数
第七章 小波神经网络模型在海产品价格指数预测中的应用
7.1 小波神经网络简介
7.2 小波神经网络的分类
7.3 小波神经网络预测模型
7.3.1 小波神经网络预测模型结构
7.3.2 小波神经网络的算法
7.3.3 小波神经网络学习具体算法
7.4 实验数据的选取与预处理
7.5 小波神经网络训练
7.5.1 小波神经网络的学习速率以及其他参数的确定
7.5.2 小波神经网络模型预测结果对比分析
7.5.3 小波神经网络模型预测未来价格指数
第八章 三种模型在海产品价格指数预测中的对比研究
8.1 三种模型预测结果分析
8.1.1 灰色预测模型与BP神经网络模型比较分析
8.1.2 BP神经网络与小波神经网络模型比较分析
第九章 结论与展望
9.1 结论
9.2 展望
参考文献
致谢
在读期间发表的学术论文及研究成果
【参考文献】：
期刊论文
[1]基于BP神经网络改进算法的大气污染预测模型[J]. 唐晓城. 河南科技学院学报(自然科学版). 2018(01)
[2]基于灰色关联度的红黏土边坡稳定性因素敏感性分析[J]. 郑红超,黄质宏. 人民珠江. 2017(01)
[3]Forecast on Price of Agricultural Futures in China Based on ARIMA Model[J]. Chunyang WANG. Asian Agricultural Research. 2016(11)
[4]地区科技投入与三次产业结构的灰色关联度分析[J]. 郭海林,陶林,罗森. 特区经济. 2016(08)
[5]产业发展视角下海洋渔业对渔民生活水平的影响研究——基于我国省际面板数据的FGLS检验[J]. 张红智,王波,韩立民. 农村经济. 2016(07)
[6]基于HACCP的海产品供应链冷链物流质量安全控制[J]. 陈铭中,钟旭美,周伟光. 食品安全质量检测学报. 2016(02)
[7]我国海洋渔业发展现状及问题研究[J]. 曹英志,翟伟康,张建辉,许自舟. 中国渔业经济. 2015(05)
[8]我国海产品电子商务发展对策研究[J]. 赖媛媛,韩立民. 中国渔业经济. 2015(03)
[9]基于改进灰色GM（1,1）模型的锚杆承载力的预测方法[J]. 孙晓云,张涛,王振东,王明明. 河北师范大学学报(自然科学版). 2014(06)
[10]舟山虾蟹类产品价格指数的预测[J]. 朱顺乐,毛晓慧. 安徽农业科学. 2014(23)
博士论文
[1]K-均值算法与自组织神经网络算法的改进研究及应用[D]. 王晓燕.中北大学 2017
[2]面向交通拥堵预测大数据的神经网络群组快速学习[D]. 沈晴.北京科技大学 2017
[3]灰色建模方法及其在预测中的应用研究[D]. 童明余.重庆大学 2016
[4]灰色预测GM（1.1）模型的几种拓广模型研究[D]. 曾祥艳.电子科技大学 2016
[5]灰色预测建模技术研究[D]. 曾波.南京航空航天大学 2012
硕士论文
[1]中国海洋渔业生产结构变化及其影响因素的实证研究[D]. 李晓燕.浙江大学 2017
[2]基于改进狼群算法的小波神经网络短时交通流预测[D]. 齐璐.西南交通大学 2017
[3]舟山远洋渔业发展现状与对策研究[D]. 刘恋宸.浙江海洋大学 2017
[4]互联网+背景下舟山海洋牧场海水养殖产品营销策略研究[D]. 沈家迪.浙江海洋大学 2017
[5]基于粒子群优化BP神经网络的上市公司财务风险预测研究[D]. 冯珍慧.东华大学 2017
[6]基于遗传算法和BP神经网络的广州市空气质量预测与时空分布研究[D]. 赵李明.江西理工大学 2016
[7]基于关联特性分析的铁路事故数据挖掘及预测、预警方法研究[D]. 王克楠.北京交通大学 2016
[8]基于人工神经网络的集合洪水预报研究[D]. 张建全.浙江大学 2016
[9]基于改进小波神经网络的上证指数预测研究[D]. 郝杰.华南理工大学 2014
[10]基于混沌和小波神经网络的短时交通流预测方法研究[D]. 金玉婷.西南交通大学 2014
本文编号：3169652
【文章来源】：浙江海洋大学浙江省
【文章页数】：72 页
【学位级别】：硕士
【文章目录】：
摘要
ABSTRACT
第一章 引言
1.1 研究背景及意义
1.2 国内外研究现状
1.3 本文的研究内容
第二章 海产品市场分析
2.1 海产品市场结构
2.1.1 产量
2.1.2 海水产品供应特征
2.1.3 消费者特征
2.1.4 居民收入及其消费结构
2.2 海产品市场发展现状
2.3 海产品市场现存风险
2.3.1 国际经济环境风险
2.3.2 宏观经济风险
2.3.3 区域经济变化风险
2.3.4 国际贸易风险
2.4 影响海产品市场的主要因素
第三章 数据挖掘概述
3.1 数据挖掘介绍
3.2 数据挖掘建模过程
3.3 数据挖掘方法
3.4 数据挖掘模型在价格指数预测中运用
3.4.1 价格指数定义
3.4.2 价格指数预测方法
3.5 本文价格指数预测使用的方法
第四章 基于灰色关联度分析研究海产品价格指数的影响因素
4.1 灰色关联度分析
4.2 灰色系统、白色系统和黑色系统
4.3 影响海产品价格指数的因素
4.3.1 产品成本
4.3.2 需求因素
4.3.3 供给因素
4.3.4 竞争因素
4.3.5 金融货币
4.3.6 政治政策
4.4 海产品价格指数影响因素的关联度分析
第五章 灰色预测法在海产品价格指数预测模型中的应用
5.1 灰色预测GM(1,1)模型
5.2 海产品数据处理
5.3 新数据方程表示
5.4 海产品价格指数预测对比分析
5.5 海产品未来价格指数预测
第六章 BP神经网络模型在海产品价格指数预测中的应用
6.1 BP神经网络简介
6.2 BP算法基本思想
6.3 BP算法数学工具及流程
6.4 基于BP神经网络对舟山市海产品价格指数趋势预测模型仿真
6.4.1 价格指数数据的收集与预处理
6.4.2 确定BP神经网络结构
6.4.3 BP网络的建立
6.4.4 隐含层数的确定
6.4.5 输入输出层节点数的确定
6.4.6 学习速率以及其他参数的确定
6.4.7 隐含层节点个数的确定
6.4.8 误差分析
6.4.9 检验网络,sim输出仿真
6.4.10 训练效果分析
6.4.11 预测结果分析
6.4.12 BP神经网络预测未来价格指数
第七章 小波神经网络模型在海产品价格指数预测中的应用
7.1 小波神经网络简介
7.2 小波神经网络的分类
7.3 小波神经网络预测模型
7.3.1 小波神经网络预测模型结构
7.3.2 小波神经网络的算法
7.3.3 小波神经网络学习具体算法
7.4 实验数据的选取与预处理
7.5 小波神经网络训练
7.5.1 小波神经网络的学习速率以及其他参数的确定
7.5.2 小波神经网络模型预测结果对比分析
7.5.3 小波神经网络模型预测未来价格指数
第八章 三种模型在海产品价格指数预测中的对比研究
8.1 三种模型预测结果分析
8.1.1 灰色预测模型与BP神经网络模型比较分析
8.1.2 BP神经网络与小波神经网络模型比较分析
第九章 结论与展望
9.1 结论
9.2 展望
参考文献
致谢
在读期间发表的学术论文及研究成果
【参考文献】：
期刊论文
[1]基于BP神经网络改进算法的大气污染预测模型[J]. 唐晓城. 河南科技学院学报(自然科学版). 2018(01)
[2]基于灰色关联度的红黏土边坡稳定性因素敏感性分析[J]. 郑红超,黄质宏. 人民珠江. 2017(01)
[3]Forecast on Price of Agricultural Futures in China Based on ARIMA Model[J]. Chunyang WANG. Asian Agricultural Research. 2016(11)
[4]地区科技投入与三次产业结构的灰色关联度分析[J]. 郭海林,陶林,罗森. 特区经济. 2016(08)
[5]产业发展视角下海洋渔业对渔民生活水平的影响研究——基于我国省际面板数据的FGLS检验[J]. 张红智,王波,韩立民. 农村经济. 2016(07)
[6]基于HACCP的海产品供应链冷链物流质量安全控制[J]. 陈铭中,钟旭美,周伟光. 食品安全质量检测学报. 2016(02)
[7]我国海洋渔业发展现状及问题研究[J]. 曹英志,翟伟康,张建辉,许自舟. 中国渔业经济. 2015(05)
[8]我国海产品电子商务发展对策研究[J]. 赖媛媛,韩立民. 中国渔业经济. 2015(03)
[9]基于改进灰色GM（1,1）模型的锚杆承载力的预测方法[J]. 孙晓云,张涛,王振东,王明明. 河北师范大学学报(自然科学版). 2014(06)
[10]舟山虾蟹类产品价格指数的预测[J]. 朱顺乐,毛晓慧. 安徽农业科学. 2014(23)
博士论文
[1]K-均值算法与自组织神经网络算法的改进研究及应用[D]. 王晓燕.中北大学 2017
[2]面向交通拥堵预测大数据的神经网络群组快速学习[D]. 沈晴.北京科技大学 2017
[3]灰色建模方法及其在预测中的应用研究[D]. 童明余.重庆大学 2016
[4]灰色预测GM（1.1）模型的几种拓广模型研究[D]. 曾祥艳.电子科技大学 2016
[5]灰色预测建模技术研究[D]. 曾波.南京航空航天大学 2012
硕士论文
[1]中国海洋渔业生产结构变化及其影响因素的实证研究[D]. 李晓燕.浙江大学 2017
[2]基于改进狼群算法的小波神经网络短时交通流预测[D]. 齐璐.西南交通大学 2017
[3]舟山远洋渔业发展现状与对策研究[D]. 刘恋宸.浙江海洋大学 2017
[4]互联网+背景下舟山海洋牧场海水养殖产品营销策略研究[D]. 沈家迪.浙江海洋大学 2017
[5]基于粒子群优化BP神经网络的上市公司财务风险预测研究[D]. 冯珍慧.东华大学 2017
[6]基于遗传算法和BP神经网络的广州市空气质量预测与时空分布研究[D]. 赵李明.江西理工大学 2016
[7]基于关联特性分析的铁路事故数据挖掘及预测、预警方法研究[D]. 王克楠.北京交通大学 2016
[8]基于人工神经网络的集合洪水预报研究[D]. 张建全.浙江大学 2016
[9]基于改进小波神经网络的上证指数预测研究[D]. 郝杰.华南理工大学 2014
[10]基于混沌和小波神经网络的短时交通流预测方法研究[D]. 金玉婷.西南交通大学 2014
本文编号：3169652
本文链接：https://www.wllwen.com/weiguanjingjilunwen/3169652.html
