[发明专利]一种基于SHD-ELM的农产品价格预测方法

说明书

本发明公开了一种基于SHD‑ELM的农产品价格预测方法，包括以下步骤：首先采集农产品价格时间序列数据；再利用经验模态分解将原始农产品价格时间序列分解为若干个本征模态函数（IMF）和余项；然后针对波动最剧烈的IMF1分量的不规则性对预测的影响进行二次混合分解，即对IMF1进行小波变换分解为近似序列和细节序列；将分解后得到的全部分量分别用极限学习机进行预测；最后把各个分量的预测结果进行组合得到原始农产品价格时间序列的预测值；本发明准确预测农产品价格，预测误差极小；相较于BP神经网络等预测方法，本发明将经验模态分解、小波变换和极限学习机组合起来的预测方法具有较好的农产品价格预测性能，能够适用于农产品价格波动规律的预测。

技术领域

本发明属于农产品数据处理技术领域，具体涉及一种基于SHD-ELM的农产品价格预测方法。

背景技术

农产品价格的预测属于时间序列预测的范畴，同时农产品又兼具高度易腐蚀的特殊性，必须满足供需平衡，这使得农产品价格的预测又不同于一般商品的价格预测。现实中，气候变化、经济波动、特殊节假日等诸多外部因素都会对农产品价格产生影响，从而使得农产品价格表现出高度的随机波动性。这也就使得高准确率的农产品价格预测颇具挑战性。通过开展农产品价格的分析与预测，为农户及生产经营者提供前瞻性信息，及时调整生产及销售思路，防范农产品价格异常波动带来的损失，提高农业市场风险规避能力，为当地政府出台稳定农产品市场供需和价格相关政策提供决策参考，同时，也为消费者进行日常饮食消费选择提供参考。

农产品种植受气候限制和影响，农产品生产大多具有明显的周期特征。农产品价格主要受市场供需影响，表现出季节性，趋势性及随机波动性等特征，其时间序列呈现典型的非线性特征。国内外对于价格的预测方法主要分为4种：计量经济预测法、数理统计预测法、智能分析法和组合模型法。计量经济学以揭示经济现象中的因果关系为目的，在农产品市场价格预测中，最常用的方法是回归分析法，一般都是根据自变量和因变量的函数关系建立线性或非线性回归模型，然后对相应的农产品价格进行预测。但是在对农产品价格进行预测时，影响价格变动的因素较多，在预测时并不能一一列举，且个别影响因素并不能量化，这就对价格预测工作带来很多不便。统计预测是统计学的一个重要功能，是预测领域的一个重要方法。在农产品市场价格预测中，应用最广泛的是传统的时间序列预测方法，其主要包括季节指数法、移动平均法、指数平滑法等。传统时间序列预测方法在对具有线性特征的时间序列数据进行预测时精度较高，但随着市场逐渐向复杂化、非线性化、不规则化发展时，该类方法在对价格进行预测时，为模型参数调整带来较大困难，反映出一定的局限性。随着信息技术、智能技术在各领域的广泛应用，农产品价格预测也应用这些新技术进行了有意义的实践。在农产品市场价格预测中应用的智能分析方法主要有神经网络预测法、灰色预测法、支持向量机等。智能分析方法在对时间序列预测时具有很强的非线性映射能力和柔性的网络结构，同时又能使样本预测误差逼近最小的优点。组合模型法是将不同的方法组合起来形成一种新的预测方法。它有两种基本的形式，一是将不同的预测方法所得的结果进行等权或不等权的组合。二是在用一种预测方法进行预测前，先通过辅助方法进行处理使其后面预测方法预测精度更佳的组合。这些建立组合预测模型的结果证实比单一预测模型的精度高，随即也成为预测领域的潮流。

极限学习机是Huang等于2006年提出的一种性能优良的机器学习方法，其本质上是一种单隐层前馈神经网络，同传统的神经网络相比，极限学习机可以极大地提高网络的泛化能力和学习速度，且具有较强的非线性拟合能力。现如今极限学习机已经在股票价格、网络流量、风速预测等方面得到广泛应用。然而农产品价格序列是一种具有非线性和非平稳性的特殊序列信号，极限学习机虽然可以很好的拟合价格序列的非线性部分，但是农产品价格的非平稳部分会对预测效果产生较大影响。

经验模态分解可以将一个复杂的非平稳性信号分解为不同的具有局部时变特征的信号，从而有效降低序列的非平稳性。