1. 研究目的与意义
2021年下半年，多种蔬菜、水果、肉、蛋、奶以及水产品等生鲜农产品的价格上涨，引发人们对于未来一段时间内基本食物供给的恐慌，这与前段时间河南等地的洪涝灾害有一定联系。为了找到自然灾害对多种生鲜农产品的价格波动影响，启示市场调控的调节力度，减轻人们对于市场波动的敏感度，本选题将基于一种时间序列的组合价格预测模型，运用一些机器学习的智能组合算法对自然灾害背景下生鲜农产品的价格进行有效预测，这对于老百姓和经销商来说都具有重要的现实意义。
2021年是一个自然灾害频发的一年，前三季度全国自然灾害主要特点有：灾害阶段性特征明显，北方省份灾害损失重；极端强降雨过程多，洪涝灾害损失占比高；风雹灾害影响范围广，极端强对流天气造成人员伤亡；干旱灾害较往年偏轻，华南地区旱情露头并发展；台风登陆个数少，“烟花”台风影响范围广；地震活动偏强，西部多地发生强震大震；低温冷冻和雪灾年初集中发生，对局地农业造成损失；低温冷冻和雪灾年初集中发生，对局地农业造成损失；森林草原火灾时空分布集中，整体态势平稳。由应急管理部会同多个部门对2021年前三个季度全国自然灾害的情况分析中得出，我国目前自然灾害形势复杂严峻，极端气候事件多发，对社会经济、人民生活造成了不可磨灭的惨重影响。秉持人与自然和谐共生的美好愿景，向着全体人民共同富裕的目标扎实迈进，就必须保护好人民的财产，尤其要落实到农民的根本利益上，提高农民的生产积极性。在这样一个历史节点，如果能有一种预测模型对自然灾害影响下生鲜农产品的价格进行有效预测，势必是迎合人民和国家的利益，符合市场变化趋势的一大研究成果。
2. 研究内容和预期目标
| 一、研究内容： 1、梳理预测方法的发展过程 （1）传统预测方法 在线性时间序列中有良好的预测效果，包括VAR、ARIMA等方法。 （2）神经网络预测方法 凭借着机器学习的发展和数据量的增大，神经网络预测方法在处理非线性时间序列上表现出色。 （3）分解集成预测方法 通过将原始时间序列分解为具有不同特征的子列，对不同子列进行建模预测，最后集成各子列的预测值得到最终预测结果。 2、时间序列数据的区间分解 本模块将以自然灾害背景下农产品生产价格为时间序列进行区间分解。 3、建立MLP、CNN、RNN、Transformer模型进行预测，进而将不同区间的预测结果进行组合 二、拟解决的关键问题： 本文的关键问题在于解决1）区间分解对于农业时间序列的应用 2）深度学习模型实现。以上问题的解决是本文方法提出的前提和保证。 三、写作提纲 1、绪论 1.1、研究背景 1.2、研究创新 2、文献综述 3、基于深度学习的模型建立 3.1、多层感知机模型MLP 3.2、卷积时间模型TCN 3.3、门控循环单元GRU及长短期神经网络LSTM 3.4、注意力机制Transformer模型 4、组合预测方法实现——以自然灾害背景下生鲜农产品的价格为例 5、结论 参考文献 |
3. 国内外研究现状
机器学习领域发展迅速离不开计算机的帮助，二十年前由于计算机算力的提升使得上世纪提出的神经网络大放光彩，而后又发现SVM可以得到更好的结果。十年前随着大数据的流行，数据量的提升使得SVM不再具有计算上的优势，人们又回到了神经网络中，CNN、RNN凭借GPU在并行计算上的优势代表着人工智能走向智能识别领域，十年间人们不断创新这些神经网络吸引着越来越多的人进入这个行业。现在，注意力机制的应用又使得深度学习迈出了新的一步，它使得特征的学习更加有效，且应用广泛。
价格预测是本课题的任务，也是长久以来人们最关注的一面。从上个世纪统计学就开始对预测问题发表了许多知名论文，再到计算机学家通过可学习的网络实现了效果更好的预测，人们不断期望着能够对未来进行预测。且不论未来到底可不可知，这些预测算法的应用的确改变了我们的生活。作为初学者往往第一个实现的算法，价格预测在今天已经不再受如日中天的关注，但却是每一个算法人都熟练而熟悉的算法。
4. 计划与进度安排
| 一、研究计划： 1、2022年12月10日--2022年1月10日：论文选题，确定课题研究计划。 2、2022年1月11日—2022年3月20日：阅读大量文献，学习机器学习的相关知识。 3、2022年3月21日--2022年4月10日：撰写、提交论文初稿和中期检查表 4、2022年4月11日-- 2022年4月28日：反复修改论文并提交修改稿（二稿、三稿）、提交外文文献及译稿。 5、2022年4月29日-2022年5月6日：重复率检查，提交论文定稿版。 |
5. 参考文献
| [1]刘金培,罗瑞陈华友,陶志富,非结构化数据驱动的混合二次分解汇率区间多尺度组合预测J/OL中国管理科学:1-13[2021-11-12].https://doi.org/10.16381/i.cnki.issn1003-207x.2021.0194.[2]章杰宽,智能组合预测方法及其应用1.中国管理科学,2014.22(03):26-33.[3] Ezekiel M. Two methods of forecasting hog prices. Journal of the American Statistical Association, 22(15):22 ~ 30, 1927 [4] La Via G, Nucifora A M D, Cucuzza G. Short term forecasting of vegetables prices in Sicily. Acta Horticulturae, 2:857 ~ 862, 2003 [5] 张瑞荣,王济民,申向明.肉鸡产品价格预测模型分析.农业技术经济, 2013(8):23 ~ 31 [6] YOO TAEWOONG, OH ILSEOK. Time Series Forecasting of Agricultural Products * Sales Volumes Based on Seasonal Long Short - Term Memory[ J] #8226; Applied Sciences,2 0 2 0 , 1 0(22) : 8 169. [7] Bates J M , Granger C W J. The combination of forecasts. Operations Research Quarterly , (20):45 ~ 68, 1969 [8] 亓锴,刘殿国.基于组合模型的海南瓜类产量分析预测[ J ].统计与决策, 2011, (21):108 - 109. [9] 李干琼,许世卫,李哲敏等.农产品市场价格短期预测方法与模型研究[ J].中国农业大学学报, 2011, (2): 172 - 178. [10] 马雄威,朱再清.灰色神经网络模型在猪肉价格预测中的应用[ J ].内蒙古农业大学学报(社会科学版), 2008, (4):91 - 93. [11] 平平,刘大有,杨博等.组合预测模型在猪肉价格预测中的应用研究[ J ].计算机工程与科学, 2010, (5):109 - 112. [12] Higashi N, Iba H. Particle swarm optimization with Gaussian mutation: Proceedings of the swarm intelligence aymposium [C]. Indianapolis, April 24 - 26,2003. [13] 夏春.实际经济时间序列的计算、季节调整及相关经济含义[ J ].经济研究, 2002, (3):36 - 43. [14]崔云浩,朱军,孟浩.神经网络在农产品销量预测中的应用[J].现代农业科技,2021(17):262-266. [15]熊巍,祁春节,高瑜,杨春.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].农业技术经济,2015(06):57-65.DOI:10.13246/j.cnki.jae.2015.06.006. [16]Ribeiro Andrea Maria N. C.,do Carmo Pedro Rafael X.,Endo Patricia Takako,Rosati Pierangelo,Lynn Theo. Short- and Very Short-Term Firm-Level Load Forecasting for Warehouses: A Comparison of Machine Learning and Deep Learning Models[J]. Energies,2022,15(3). [17]Kaiming He,Xiangyu Zhang,Shaoqing Ren,Jian Sun 0001. Deep Residual Learning for Image Recognition.[J]. CoRR,2015,abs/1512.03385. [18] Vaswani A, Shazeer N, Parmar N, et al. Attention is all you need [C]//Advances in Neural Information Processing Systems. 2017: 5998-6008. [19]贾宁,郑纯军.基于LSTM-DA神经网络的农产品价格指数短期预测模型[J].计算机科学,2019,46(S2):62-65 71. |
课题毕业论文、文献综述、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
