基于梯度提升回归模型的生猪价格预测

发布时间：2022-01-08 00:14

　　研究生猪价格的准确预测问题,传统预测模型存在速度慢、陷入局部极小值、核函数的选择等问题,预测效果不佳。为此,首先筛选出生猪价格的显著因素,接着利用Python数据分析分别建立贝叶斯岭回归、普通线性回归、弹性网络和支持向量机模型,将这4个回归模型作为梯度提升回归模型的训练集,对生猪价格进行预测。结果表明,综合集成的梯度提升回归模型的均方差（MSE）为0.056,平均绝对误差（MAE）为0.18,判定系数为0.994,比前面单一模型预测效果好。最后,利用梯度提升回归模型对2017年2月至2017年11月的生猪价格预测,发现输出的预测值与真实值比较接近,最大相对误差为3.495%,梯度提升回归模型具有较高的预测精度。 

【文章来源】：计算机仿真. 2020,37(01)北大核心

【文章页数】：4 页

【部分图文】：

生猪价格预测原理流程图

平均绝对误差(Mean Absolute Error,MAE),用于评估预测结果和真实数据集的接近程度的程度,其值越小说明拟合效果越好。从上表发现单一模型的平均绝对误差均大于0.4,综合集成上述四种模型得到的GBR模型的MAE最小,为0.18。均方差(Mean Squared Error,MSE),该指标计算的是拟合数据和原始数据对应样本点的误差的平方和的均值,其值越小说明拟合效果越好。单一模型的均方差均大于0.6,综合集成后的GBR模型的MSE最小,为0.056。

线性回归拟合效果

【参考文献】：
期刊论文
[1]基于养殖规模变化解析我国近十年的生猪价格波动[J]. 郭娉婷,许迟,马曦.  中国畜牧杂志. 2017(12)
[2]基于BP神经网络的江西省生猪价格波动预警分析[J]. 付莲莲,翁贞林,伍健.  价格月刊. 2017(09)
[3]基于运动学和动力学的关节空间轨迹规划[J]. 宁学涛,潘玉田,杨亚威,黄伟.  计算机仿真. 2015(02)
[4]我国猪肉价格波动的原因分析与政策建议[J]. 李宝仁,姚熙嘉.  北京工商大学学报(社会科学版). 2014(05)
[5]我国生猪市场价格预警体系研究[J]. 刘芳,王琛,何忠伟.  农业技术经济. 2013(05)
[6]生猪价格风险预警模型的建立与应用[J]. 赵瑞莹,陈会英,杨学成.  运筹与管理. 2008(04)

博士论文
[1]中国生猪价格波动机理研究（2000-2014）[D]. 孙秀玲.中国农业大学 2015

硕士论文
[1]基于梯度提升模型的负相关学习算法的研究与应用[D]. 万伦军.中国科学技术大学 2014



本文编号：3575534