基于奇异谱分解的猪肉价格组合预测-毕业论文.docx

基于奇异谱分解的猪肉价格组合预测 摘 要：通过奇异谱分析方法分解猪肉价格，采用ARIMA模型、SVM模型和BP神经网络模型对分解后的猪肉价格进行组合预测；同时选择ARIMA,SVM和BP神经网络作为基准模型，把组合模型预测的结果与所选的基准模型预测结果进行对比，得到了组合模型预测的结果总体上优于基准模型的预测结果。通过DM检验，进一步验证了结果的可靠性。预测结果表明，SSA组合模型的预测能力平均比ARIMA、SVM和BP神经网络三种基准模型的预测能力分别高出7.97%、72.79%、67.64% 关键词：组合模型；奇异谱分解；自回归移动平均模型；支持向量机；猪肉价格 1 引言 猪肉是我国居民日常生活中重要的肉类食品，是我国重要的畜牧产品之一，其价格波动不仅仅受供求关系影响，也会受消费者观念、国家政策等诸多因素的影响。猪肉价格的变化通常具有波动大、非线性、非平稳的特点。同时，猪肉价格的变动还会影响到其他农产品，诸如鸡、鸭等替代产品的价格，且与我国居民的日常消费息息相关。本文通过对猪肉的价格进行预测，研究猪肉价格变动的方向，可以让养殖户、政府相关部门提前制定相应措施，规避猪肉价格波动带来的不利影响。 目前，国外的学者对预测的研究大部分集中在能源价格[1-2]，电力价格[3-4]，股票价格波动[5]等方面,而对猪肉价格的预测几乎没有。国内有众多的学者对猪肉价格进行了预测并取得较好的预测效果。预测的模型主要可以分为单一模型预测和组合模型预测。李子涵通过对2010年1月至2019年2月上海生猪集贸市场的价格数据的研究，建立了ARIMA预测模型来预测2019年3月至7月的猪肉价格，得到了猪肉价格会趋于稳定的结论[6]。冯叔君通过研究2005年1月至2018年3月猪肉价格波动规律，发现ENN模型更加适合作为猪肉月度价格预测和预警的模型[7]。禹旭涛基于VAR模型对猪肉价格波动与其他农产品价格的关系进行实证分析，研究其他农产品价格波动对猪肉价格的影响 [8]。姜百臣对支持向量机进行改进，通过改进的SVM预测猪肉价格会比常用的预测模型预测精度更高[9]。Li Zhe-min通过改进神经网络模型，提出了一种混沌神经网络进行猪肉的短期价格预测[10]。 也有不少学者通过组合集成模型的方式来预测猪肉的价格。仁青山通过建立BP神经网络和多元回归交叉分析对生猪的价格的波动特征进行了分析，其预测精度比单一模型预测的精度高出11%以上[11]。吴培通过ARIMA-GM-RBF组合模型得到了较好的预测结果，并且对猪肉市场的监测预警机制提出了相应的建议[12]。平平结合神经网络和灰色预测模型建立组合预测模型，提出了因素预测和结论预测两部分对吉林省的生猪价格进行了研究，且其预测精度相比于其他组合模型和一元时间序列预测模型更高[13]。 本文采用奇异谱分析方法先对猪肉价格进行分解，得到对分解后的序列使用ARIMA，支持向量机和BP神经网络三种模型进行集成预测。 基本理论介绍 2.1 奇异谱分析 奇异谱分析(Singular Spectrum Analysis;SSA) [14]方法结合多变量统计和概率理论，按照序列的特征标识出趋势、周期性或噪声成分并进行重构。SSA技术分四个阶段进行，包括嵌入、奇异值分解（SVD），分组和对角线平均。序列的分解是通过前两个阶段执行的，而重构步骤则是通过分组和对角线平均执行的[15]。 嵌入。将时间序列Xn X=f 其中，m为选取的窗口长度，取值范围为2≤m≤ 奇异值分解。SVD分解是计算XXT并求得L个特征值λ1≥λ Χ=Χ1+Χ 其中，Χi=λiUiV 分组。进行SVD分解后，将特征向量Χi划分到几个组，并将组内的的向量进行相加。记I=i Χ=ΧI1 对角平均。重构的最后一步是对角平均，这里将分组后的新矩阵转换成新的时间序列。假设Z是一个m×n的矩阵，其中，m?=minm,n，n Yk=1 2.2 差分整合移动平均自回归模型 差分整合移动平均自回归（Autoregressive Integrated Moving Average;ARIMA）模型[16]，是一种时间序列的预测方法，对线性序列有很好的预测效果。其回归模型方程如公式（5）。Yt=?1Yt?1 其中Yt是通过d阶差分后的平稳序列；εt为白噪声序列； 2.3 支持向量机 支持向量机（Support Vector Machine；SVM）[17]预测模型是一种按监督学习的方式对数据进行挖掘，对高维、非线性的一些数据有良好的预测效果。对于给定的训练样本，先创建一个分类面，使得正例和反例的距离边缘最大。假设给定训练样本集Z=x1,y1 y=b+WTZ 其中W为权重向量，b为偏移量。当在N维空间中无法找到预测效果良好的超平面时，就会借助核函数将非线性的数据映射