一种基于改进时间卷积网络的生猪价格预测方法

摘要：

针对传统的生猪价格预测方法存在预测精度不够高,容易陷入局部最小值等问题,为更加精准地预测生猪价格,采用随机森林回归(RFR)、极限梯度回升(XGBoost)、轻型梯度提升机(LightGBM)3种机器学习模型和改进网络结构的时间卷积网络(TCN)模型方法,以经过Z-Score标准化预处理的西南地区某省2011-2020年每周生猪价格数据为样本,对生猪价格预测进行研究.结果 表明:TCN模型预测结果的均方误差(MSE)为0.340606,平均绝对误差(MAE)为0.288424,决定系数(R2)为0.995683,均优于其他3种机器学习模型;与3种机器学习模型中效果最好的极限梯度回升(XGBoost)预测结果比较,3个指标分别提升了26％、8％和0.15％.改进网络结构的时间卷积网络模型可以更加精准地预测生猪价格.

关键词：生猪价格;时序预测;时间卷积网络;交叉验证;网格搜索;机器学习

所属期刊栏目：26

分类号：S24;TP399(农业电气化与自动化)

资助基金：四川省教育厅自然科学研究一般项目;四川农业大学校级本科教育教学改革重点项目

在线出版日期：2021-12-17（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：137-144