2021年4月Apr.2021
第41卷第4期Vol.41,No.4
热带农业科学
CHINESE JOURNAL OF TROPICAL AGRICULTURE
张保国1)
任万明2)
吴兵3)
(1山东麦港数据系统有限公司山东济南250100;2山东省现代农业农村发展研究中心 山东济南250100;
3济南市农业农村信息中心
山东济南250100)
摘
要
农产品价格与人民的生活息息相关，既关乎消费者的切身利益，也是政府农产品生产调控决策的重要
依据。由于自然灾害、重大疫情等各种因素影响，农产品短期价格具有波动大、非线性的特点。而剧烈起伏的波动往往对预测结果产生不好的影响，已有的方法在具有变化大且非线性特点的农产品短期价格预测上表现不理想。本文提出了一种改进的长短期记忆网络（LSTM ）模型，该模型能够多维度分析农产品历史价格变化情况，获取价格周期性变化规律；并且在LSTM 的基础上增加了前置门，将历史价格信息与价格波动信息相结合，减少数据异常值的波动对预测结果影响，有效地提高了农产品短期价格预测的准确性。实验数据表明，本文所提模型在预测结果的准确性等方面明显优于现有的其他对比模型。关键词
农产品；短期价格预测；前置门；长短期记忆网络
中图分类号
F323.7
文献标识码
A
DOI ：10.12008/j.issn.1009-2196.2021.04.022
A Short-term Price Forecast Method for Agricultural Products Based on
Improved LSTM Model
ZHANG Baoguo 1)
REN Wanming 2)
WU Bing 3)
(1Shandong MGdaas Systems Co.,Ltd.,Jinan,Shandong 250100,China;
2Shandong Modern Agricultural Rural Development Research Center ,Jinan,Shandong 250100,China;
3Jinan Agricultural and Rural Information Center ,Jinan,Shandong 250100,China)
Abstract The price of agricultural products is closely related to people's lives,concerns the vital interests of consumers,and is also an important basis for government decision-making.Due to natural disasters and major epidemics,the short-term price of agricultural products is characteristics of great fluctuation and non-linearity.However,dramatic fluctuations in price often have a negative impact on the forecast results,and the existing methods do not perform well in short-term price prediction with considerable changes and non-linear characteristics.An improved long short-term memory (LSTM)model is introduced to analyze the changes in historical price to acquire the periodic changes in price.In this model a front gate was set on the basis of LSTM to include the price historical data and price fluctuation data to reduce the influence of fluctuations of abnormal price data on the predictions.The results showed that the improved model is obviously better than the other state-of-the-art models in prediction accuracy.
Keywords agricultural products ;short-term price prediction ;front gate ;long short-term memory
农业是国民经济的基础，农产品市场是我国市场经济的重要组成部分，农产品价格的波动直接关系农民切身利益乃至国民生活质量。农产品
短期价格受自然灾害、重大疫情等的影响，农产品短期价格呈现波动大、非平稳、非线性的特点，这对农民的收入和农产品市场的稳健发展等产生
收稿日期：2020-11-09；修回日期：2020-12-10；编辑部E-mail ：。基金项目：国家重点研发计划项目（No.SQ2020YFF0401705）；济南市农业科技创新计划项目（No.201906）。
第一作者：张保国（1978～），男，本科，高级工程师，研究方向为数据智能技术、行业大数据应用，邮箱zhangbg@mg‐
daas 。
-
-131
2021年4月第41卷第4期
热带农业科学
不利的影响。因此，对农产品短期价格进行预测，帮助政府做出相关决策实施宏观调控、对农业从业者进行指导、维持农产品市场的稳健具有重要作用。
根据原理不同，农产品短期价格预测可以分为2种：定性预测方法和定量预测方法［1］。定量预测方
法是农产品短期价格预测领域的主流方法，又可以分为传统方法和智能方法两大类。传统方法主要指计量经济方法，其中比较流行的有差分整合移动平均自回归（Autoregressive Integrat‐ed Moving Average，ARIMA）模型［2-3］、自回归条件异方差（Autoregressive Conditional Het‐eroscedasticity，ARCH）模型［4-5］、线性回归等。经济计量模型普遍对非线性数据预测具有局限性，对数据使用有太多限制。智能方法中比较普遍使用的有人工神经网络［6-8］、遗传算法［7］等。目前，在农产品短期价格预测方面，遗传算法主要是与其他预测方法组成混合模型来使用，但是遗传算法中参数的选择主要是靠经验来选择，而参数的人为选择很容易对预测结果造成不利影响。
总体来看，农产品价格的影响因素大概可以分为2种：内部因素和外部因素。内部因素主要是人们按照以往的价格来定价，这使得农产品价格序列表现为历史相关性；而外部因素则由国民经济体中其他的市场变动、自然灾害、重大疫情等情况引起，这使得农产品短期价格序列表现为波动大、非平稳、非线性的特点。
刘峰等［9］利用农产品价格时间序列的当前值和过去值准确预报未来值，以白菜价格为例，构建了非平稳时间序列ARIMA（p，d，q）。姚霞等［10］以南京市青椒价格为例，构建了非平稳时间序列ARIMA（p，d，q）模型，描述并预测时鲜农产品价格的动态变化。但是ARIMA模型过于依赖数据的稳定性，它本质上只能捕捉线性关系，不能捕捉非线性关系，在面对非线性时间序列时，ARIMA模型则差强人意。
马孝斌等［11］对影响生猪市场价格的几个关键因素进行关联分析，在此基础上建立了生猪市场价格预测的向量自回归模型，并运用此模型对实际数据进行了预测和分析。苏博等［12］在对中国粮价的研究中，运用回归分析模型分析了影响中国粮价运行的影响因子，并结合中国粮食价格定价和作用机制在不同时期的发展变化，运用逐步回归方法构造出了粮价预测模型。但是回归分析对数据的异常值十分敏感，并且难以对数据的异常值和大幅波动进行处理。
罗万纯等［13］利用GARCH、GARCH-M、TARCH和EGARCH等ARCH类模型对粮食价格的波动、波动的非对称性进行了分析，并提出了对粮食价格预测的建议。董晓霞等［8］使用双指数平滑、Holt-W inters无季节性模型和ARCH模型对我国鲜奶零售价格短期预测进行了应用模拟，结果显示，ARCH 模型预测结果精确度最高。但是ARCH模型对参数的限制极其严格，而且ARCH模型会过高估计抖动率。
牛东来等［14］以北京市2015—2017年几个街道的鸡蛋价格为数据集，以过去5d的价格作为输入，使用基于Levenberg-Marqardt的BP算法，有效克服了标准BP算法收敛速度缓慢、过拟合等不良现象，总体上对检验样本的数据具有很好的拟合效果。张津等［15］利用神经网络的很强的非线性、自组织、自学习能力，选用基于时间序列的BP神经网络预测法，对猪肉的价格进行预测。但是普通神经网络虽然可以有效的拟合数据，但是它并没有对起伏尖锐的大幅的、不正常的波动数据进行处理，在这方面它存在着不足。
易利容等［16］提出了一种基于多变量分析的LSTM时序预测方法，该方法利用数据的远距离信息和多变量相关性，有效地提高了工业传感器时序数据预测的准确性。但是，农产品短期价格波动频繁，数据异常值和大幅波动对预测精度影响极大，该模型难以对其进行处理。
Kyunghyun等［17］提出了区别于LSTM的另一种门控循环单元（GRU）的门控机制，目标是让每个经常性单位自适应捕捉不同时间尺度的依赖关系，Chung等［18］也对GRU进行了具体的研究。但该思想也难以结合数据异常波动和大幅波动来对数据进行处理。
农产品的价格受到内部外部多方面的影响，呈现出波动大、非线性、非平稳的特点，而剧烈
--132
张保国等基于改进LSTM 模型的农产品短期价格预测方法
起伏的波动往往对预测结果产生不好的影响，但是目前现有的方法难以对起伏尖锐的、大幅的、不正常的波动数据进行处理。对此，本文针对农产品价格的历史相关性，使用LSTM 来解决，其次，针对由自然灾害等引起的大幅波动，可以使用价格波动数据来降低其影响。因此，考虑对标准的LSTM 模型进行改进，提出一种新的W-LSTM 模型，输入价格数据和波动数据来训练模型，来减少异常价格波动和大幅波动对预测结果的影响，实现对农产品短期价格的精准预测。1W-LSTM 模型1.1
数据预处理
由于农产品的价格受到历史价格及其价格波动的影响，因此，进行如下定义：
定义t 为历史相关天数：x i 表示第i 天的价格
数据，则输入数据为X i ={x 1，x 2……x t }，X 2={x 2，x 3……x t +1}，以此类推，直到最后一天；价格
波动使用公式Δp i =p i -p i -1来计算获得，当i =1时，假定前一天的数据为0，则Δw 1=w 1，价格波动的输入格式为ΔP i ={Δp 1，
Δp 2……Δp t }，ΔP 2={Δp 2，Δp 3，……Δp t +1}，以此类推，直到最后一天。
1.2模型定义
LSTM 模型的输入包括历史价格数据和历史价
格波动数据，即使用前t 天的数据作为输入来预测
t +1天的价格。
LSTM 是一种特殊的RNN 结构，是由Hochre‐iter 等［19］在1997年提出的，用于决定何时以及如何更新RNN 的隐藏状态，由于其很独特的设计结构，LSTM 可以很好的解决梯度消失问题，它特别适合处理时序问题。标准的LSTM 单元包括遗忘、输入、输出门。
W-LSTM 在LSTM 的基础上，将其输入信息进行了相应的处理，将历史价格数据和价格波动数据进行相应的处理作为数据的输入，并且它还包括前置门、遗忘门和输出门（图1），因此，它相对标准LSTM 能处理更多的信息，在本研究中它的输入包含历史价格信息和价格波动信息。
前置门（Front gate ），将价格信息和价格波动信息进行结合形成组合信息：
s k =W x ×X i +b x +tanh (W p ×P i +b p ) (1)
其中，X i 是价格信息用来分析历史价格变动规律，P i 是由价格信息中提取出的价格波动信息单独作为
输入，来强化模型对价格波动的处理，{W x ，W p ，b x ，b p }是网络参数。tanh 激活函数的输出
结果在［-1，1］之间，输出值越靠近-1，代表负波动越大；输出值越靠近1，代表正波动越大。数据波动越大，它对W-LSTM 模型的训练影响就越大，相反，当波动为0时，输入的波动数据便对模型的训练无影响，此时，W-LSTM 模型便相当于标准LSTM 。
遗忘门（Forget gate ），是控制是否“遗忘”的历史状态信息。
f f =σ(W f ×h t -1+U f ×s k +b f )
(2)
其中，h t -1是上一序列的隐藏状态，s k 是本次的输入序列。定义W f 为h t -1的偏重矩阵，U f 为s k 的偏重矩阵，b f 为偏置。
输入门（Input gate ）负责将当前输入补充到最新的“记忆”中，它包含两个部分：第一，
Sigmoid 层输出i t ；第二，一个Tanh 层创建一个新的候选值向量，会被加入到状态中。定义{W t ，U t ，b t }{W a ，U a ，b a }为输入门的网络参数，则
i t =σ(W t ×h t -1+U i ×s i +b t )
(3)
C *=tanh (W a ×h t -1+U a ×s k +b a )
(4)
然后更新细胞状态：C t =C t -1×f t +i i ×C *
(5)
输出门（Output gate ）控制着有多少“记忆”可以用于下一层网络的更新中，定义{W o ，
U o ，b o }为输出门的网络参数，输出门的计算可用公式6
表示：
图1
W-LSTM 结构图
-
-133
2021年4月第41卷第4期
热带农业科学
O
t =σ(W
o
×s
k
+U
o
×h
t-1
+b
o
)
乌兹别克斯坦电影 (6)
在计算得出O
t
后，还需要使用Tanh函数把记忆值压制到［-1，1］，所以最终输出门的输出公式为：
h t =O
t
×tanh(C
云雨二十四式t
) (7)
最后一个W-LSTM层输出的历史信息经过一个预测层输出结果y：
y=W×h
t
+b (8)
1.3训练过程
W-LSTM的训练过程如下：
按照前向计算公式（1）～（8）计算W-LSTM 细胞的输出值。
按照时间和网络层级2个方向反向传播，计算误差项。
根据相应的误差项，计算每个权重的梯度，更新权重。
重复（1）～（3），得到一组最优的参数，并保留下来。
为了防止训练过程中过拟合，本研究使用Dropout正则化技术［20］，它在2014年由Hinton教授的团队提出。Dropout提供了一种巧妙的方式，通过减少权重连接来增加网络模型的泛化能力。
2实验
2.1实验设置说明
本节将通过实验评估提出的W-LSTM模型。实验环境为：INTEL Corei5CPU，2.80GHz；4G内存。实验数据为天津市2016年7月到2019年1月每天的蔬菜价格数据。每个对比实验情况均运行10遍，取平均值。
设置了3个对比模型：
（1）W-LSTM模型，输入历史价格信息与价格波动信息训练模型，进行预测。
（2）LM算法改进的BP神经网络，只将历史价格信息作为输入，使用前n天的价格信息预测第n+ 1天的农产品价格。
（3）ARIMA模型，将农产品价格随着时间推移而生成的数据序列视为一个随机序列，用一定的数学模型来近似的描述这个序列。
同时，为了检验W-LSTM模型的普适性，使用辣椒、大葱、韭菜和西红柿4种价格数据进行实验来对3种模型进行比较。
2.2模拟比较试验
本小结分别使用W-LSTM模型、LM算法改进的BP神经网络和ARIMA模型来进行实验，对预测结果的准确性判定公式使用的是均方误差（MSE）和决定系数（R2）。
MSE：
MSE=∑(Y_actual-Y_predict)2
n
(9)
R2：
R2=1-∑(Y_actual-Y_predict)2
武汉光福7号∑(Y_actual-Y_mean)2 (10)
三二三事变
MSE和R2是评价模型准确率的常用指标，MSE 是反映估计量与被估计量之间差异程度的一种度量，MSE越小代表着模型准确率越高；R2越大，自变量对因变量的解释程度越高，自变量引起的变动占总变动的百分比高，观察点在回归直线附近越密集，代表模型拟合程度越高。其中n代表总样本，Y_actual表示真实数据，Y_predict代表预测结果，Y_mean代表真实数据平均值。
通过对蒜苗价格序列进行建模预测，图2、3分别是使用W-LSTM模型和ARIMA模型得到的预测结果与实际数据的比较。很明显，本研究提出的W-LSTM模型预测结果更理想。
通过观察图3数据发现，ARIMA模型的实验结果明显与其它模型有较大的偏差，而R2甚至小于0，这代表预测结果与原数据毫无关系。ARIMA 模
图2W-LSTM预测结果
d
--134
张保国等基于改进LSTM模型的农产品短期价格预测方法
型在处理平稳时间序列时表现良好，当数据不平稳时，需要通过一定的处理方式得到平稳序列，而本实验使用的蒜苗价格数据具有连续不变性和突变性，即在一段时间内连续不变，然后突然垂直变化，这种特性导致数据在差分的时候，损失了太多信息，导致ARIMA模型预测效果极其不好，偏差极大。
训练结束后，输入数据进行预测，W-LSTM模型和LM算法改进的BP神经网络的MSE随着预测的进行，变化如图4所示。W-LSTM模型的MSE为0.032，LM-BP模型的MSE为0.059，ARIMA模型的MSE为0.923。W-LSTM模型的MSE比其它模型都要小，模型准确率最高；而R2比其它模型大，代表W-LSTM模型的拟合程度相对其它模型来说更高。总体来说，两个模型的MSE变化趋势大致相同，W-LSTM模型的MSE总体上小于LM算法改进的BP神经网络的MSE。
输入数据在总数据的三分之一处出现了大幅的波动，而此时两模型的MSE均出现了短暂的增长，而W-LSTM模型的MSE波动变化要小于LM算法改进的BP神经网络，这说明W-LSTM模型对处理数据的大幅波动有着更好的效果。
为验证W-LSTM模型的普适性，又使用辣椒、大葱、韭菜和西红柿4种价格数据来做为输入对三种模型进行对比实验，实验结果如表1、2。表中展示了3种模型分别在四种蔬菜上的预测结果评价指数，可以看出，W-LSTM比其他模型拥有更好的效果，同时说明了W-LSTM模型具有良好的普适性。
通过以上实验可以看出，W-LSTM模型准确率更高，拟合程度更好，同时具有良好的普适性。综合来看，针对农产品短期价格预测问题，W-LSTM是一个很好的预测模型。
3结语
农产品价格与农民收入息息相关，也是国家决定相关政策的重要因素，对农产品价格进行精准预测对解决农产品供需问题，促进农业生产转型、和市场经济持续健康发展具有重要意义。本文针对农产品短期价格预测提出了一个W-LSTM预测模型，以历史价格信息与价格波动信息作为输入对模型进行训练，实现对农产品短期价格的精准预测。首先，将W-LSTM对波动较大、不平稳的数据进行处理，实验结果表明，W-LSTM对于该类数据具有更高的准确率；其次，将W-LSTM用于其他的农作物产品，实验表明，该模型比以往通用预测模型在数据上有更好的普适性。
图3ARIMA 模型预测结果
图4W-LSTM模型和LM算法改进的BP神经网络
的MSE变化
表1MSE对比
模型
W-LSTM
LM-BP
ARIMA
辣椒
0.074
0.163
采油速度
3.244
西红柿
0.031
0.048
-0.891
韭菜
0.137
0.238
4.618
大葱
0.011
0.017
0.9048
表2R2对比
模型
W-LSTM
LM-BP
ARIMA
辣椒
0.985
0.967
0.317
西红柿
0.867
0.793
-2.442
韭菜
0.904
0.833
-2.191
大葱
0.935
0.919
-
白介素82.771
日期
d
-
-135
豫公网安备41160202000603
站长QQ:729038198
关于我们
投诉建议