基于时间序列神经网络的鲜切花价格指数短期预测
|
摘要
鲜切花价格指数是反映鲜切花市场现状的风向标,研究鲜切花价格指数变化,掌握鲜花市场的动态和规律性具有重要意义。本文针对具有时序特点的鲜切花价格指数,基于BP模型中的L-M优化算法构建鲜切花价格指数短期预测模型,采用tansig和purelin作为各层之间的传递函数,利用时间序列分析方法确定输入层的神经元个数,通过实验数据对比来确定隐含层的神经元个数。采用平均绝对误差、平均相对误差和均方根误差这3个评价指标对模型的预测精度进行检验,实验结果表明所构建模型是有效的和具有实际应用价值的。
The fresh cut flower price index is a trend indicator reflecting the current status of the fresh cut flower market. It is of great significance to study the change of fresh cut flower price index and grasp the dynamics and regularity of flower market. Aiming at the sequence characteristics of fresh cut flower price index, this paper constructs the cut flower price index short-term forecasting model based on the L-M optimization algorithm of BP model. The model uses tansig and purelin as the transfer function between layers, uses the time series analysis method to determine the number of input layer neurons, and by comparison with experimental data to determine the number of hidden layer neurons. Three evaluation indexes of mean absolute error, mean relative error and root mean square error are used to test the prediction accuracy of the model. The experimental results show that the model is effective and has practical application value.
The fresh cut flower price index is a trend indicator reflecting the current status of the fresh cut flower market. It is of great significance to study the change of fresh cut flower price index and grasp the dynamics and regularity of flower market. Aiming at the sequence characteristics of fresh cut flower price index, this paper constructs the cut flower price index short-term forecasting model based on the L-M optimization algorithm of BP model. The model uses tansig and purelin as the transfer function between layers, uses the time series analysis method to determine the number of input layer neurons, and by comparison with experimental data to determine the number of hidden layer neurons. Three evaluation indexes of mean absolute error, mean relative error and root mean square error are used to test the prediction accuracy of the model. The experimental results show that the model is effective and has practical application value.
引文
[1] 郭小辉.云南花卉产业发展分析及对策研究[D].昆明:昆明理工大学,2010.
[2] 李宏.云南花卉产业可持续发展研究[D].昆明:昆明理工大学,2005.
[3] 孙潇.昆明将发布鲜切花价格指数[N].昆明日报,2014-10-16(002).
[4] 朱苗绘,秦开大.昆明花拍中心鲜切花价格指数的短期预测分析——基于ARMA-GARCH模型的实证分析[J].价格理论与实践,2016(6):104-106.
[5] 万丽颖.基于神经网络和时间序列的河南省老年人口系数的预测[J].平顶山学院学报,2016,31(2):26-29.
[6] 彭世广,彭春芽.鲜切花价格指数编制研究——基于昆明斗南花卉电子交易中心的实践探索[J].农村经济与科技,2017,28(14):69-70.
[7] 任伟宏.基于人工神经网络的水果价格短期预测研究[D].北京:中国农业科学院,2012.
[8] 焦淑华,夏冰,徐海静,等.BP神经网络预测的MATLAB实现[J].哈尔滨金融高等专科学校学报,2009(1):55-56.
[9] 贺艳辉,袁永明,张红燕,等.BP人工神经网络在罗非鱼价格预测中的应用[J].安徽农业科学,2010,38(35):20443-20445.
[10] 孙爱荣,程亚鹏.基于灰色理论和BP神经网络的房地产价格指数预测[J].企业经济,2010(4):124-126.
[11] 薛倩男,高岳林.基于时间序列的GA-BP神经网络股价预测模型[J].兰州文理学院学报(自然科学版),2017,31(5):46-49.
[12] 张津,张瑞斌.基于时间序列的BP神经网络猪肉价格预测[J].科技创新与应用,2016(20):63.
[13] 刘斌.基于Matlab的BP神经网络环渤海动力煤价格指数预测模型[J].神华科技,2015,13(6):3-6.
[14] 杨丽丽.基于时间序列的我国房地产销售价格指数的预测[D].哈尔滨:东北林业大学,2012.
[15] 李聪.基于BP神经网络的股票指数期货价格预测[D].青岛:青岛大学,2012.
[16] 刘莉,贺聪.基于时间序列的BP神经网络的滑坡预测预报及其在Matlab中的实现[J].中国水运(理论版),2006,4(12):72-74.
[17] LEAL I,MELIN P.Time series forecasting of tomato prices in Mexico using modular neural networks and processing in parallel in Mexico using modular neural networks[J].Hybrid Intelligent Systems,2007,208:385-402.
[18] 王凯翔.基于多元回归和神经网络途径的太湖富营养化指标分析与预测[J].南京师范大学学报(工程技术版),2017,17(2):70-74.
[19] 林琳.基于BP神经网络的水利工程风险管理研究[D].赣州:江西理工大学,2015.
[20] 陈友兴.多界面超声脱粘检测的方法研究及信号处理[D].太原:华北工学院,2004.
[21] 张迎春,肖冬荣,赵远东.基于时间序列神经网络的气象预测研究[J].武汉理工大学学报(交通科学与工程版),2003(2):237-240.
[22] 李会兵.基于BP神经网络的温度预测方法[J].电子测试,2013(19):62-64.
[23] 戴佳琪.矿山开采地表移动变形预测预报技术研究[D].淮南:安徽理工大学,2014.
[24] 何志明,艾建国,杨小雄.基于神经网络的网格点基准地价检验体系的构建[J].国土资源科技管理,2015,32(4):101-106.
[2] 李宏.云南花卉产业可持续发展研究[D].昆明:昆明理工大学,2005.
[3] 孙潇.昆明将发布鲜切花价格指数[N].昆明日报,2014-10-16(002).
[4] 朱苗绘,秦开大.昆明花拍中心鲜切花价格指数的短期预测分析——基于ARMA-GARCH模型的实证分析[J].价格理论与实践,2016(6):104-106.
[5] 万丽颖.基于神经网络和时间序列的河南省老年人口系数的预测[J].平顶山学院学报,2016,31(2):26-29.
[6] 彭世广,彭春芽.鲜切花价格指数编制研究——基于昆明斗南花卉电子交易中心的实践探索[J].农村经济与科技,2017,28(14):69-70.
[7] 任伟宏.基于人工神经网络的水果价格短期预测研究[D].北京:中国农业科学院,2012.
[8] 焦淑华,夏冰,徐海静,等.BP神经网络预测的MATLAB实现[J].哈尔滨金融高等专科学校学报,2009(1):55-56.
[9] 贺艳辉,袁永明,张红燕,等.BP人工神经网络在罗非鱼价格预测中的应用[J].安徽农业科学,2010,38(35):20443-20445.
[10] 孙爱荣,程亚鹏.基于灰色理论和BP神经网络的房地产价格指数预测[J].企业经济,2010(4):124-126.
[11] 薛倩男,高岳林.基于时间序列的GA-BP神经网络股价预测模型[J].兰州文理学院学报(自然科学版),2017,31(5):46-49.
[12] 张津,张瑞斌.基于时间序列的BP神经网络猪肉价格预测[J].科技创新与应用,2016(20):63.
[13] 刘斌.基于Matlab的BP神经网络环渤海动力煤价格指数预测模型[J].神华科技,2015,13(6):3-6.
[14] 杨丽丽.基于时间序列的我国房地产销售价格指数的预测[D].哈尔滨:东北林业大学,2012.
[15] 李聪.基于BP神经网络的股票指数期货价格预测[D].青岛:青岛大学,2012.
[16] 刘莉,贺聪.基于时间序列的BP神经网络的滑坡预测预报及其在Matlab中的实现[J].中国水运(理论版),2006,4(12):72-74.
[17] LEAL I,MELIN P.Time series forecasting of tomato prices in Mexico using modular neural networks and processing in parallel in Mexico using modular neural networks[J].Hybrid Intelligent Systems,2007,208:385-402.
[18] 王凯翔.基于多元回归和神经网络途径的太湖富营养化指标分析与预测[J].南京师范大学学报(工程技术版),2017,17(2):70-74.
[19] 林琳.基于BP神经网络的水利工程风险管理研究[D].赣州:江西理工大学,2015.
[20] 陈友兴.多界面超声脱粘检测的方法研究及信号处理[D].太原:华北工学院,2004.
[21] 张迎春,肖冬荣,赵远东.基于时间序列神经网络的气象预测研究[J].武汉理工大学学报(交通科学与工程版),2003(2):237-240.
[22] 李会兵.基于BP神经网络的温度预测方法[J].电子测试,2013(19):62-64.
[23] 戴佳琪.矿山开采地表移动变形预测预报技术研究[D].淮南:安徽理工大学,2014.
[24] 何志明,艾建国,杨小雄.基于神经网络的网格点基准地价检验体系的构建[J].国土资源科技管理,2015,32(4):101-106.