【基于LSTM的生猪价格预测分析5000字（论文）】

基于LSTM的生猪价格预测分析基于LSTM的生猪价格预测分析 11.1LSTM方法 11.1.1LSTM神经网络简介 11.1.2长短期记忆网络LSTM 11.1.3LSTM模型参数设置 3 41.2基于LSTM的我国各省生猪价格预测实证分析 5 5 61.3基于LSTM的我国各区域生猪价格预测实证分析 9本节首先介绍生猪价格的预测方法长短期记忆网络(LSTM)、然后介绍生猪价格的LSTM预测模型的参数设置和评价指标。1.1.1LSTM神经网络简介因RNN算法在解决梯度消失的问题中缺陷，即随着训练次数的LSTM模型的通过门限机制来优化结构、限制误差的传导、避免了RNN网络训练时梯度消失的发生。这种结构的好处在于误差不会在传递过程中有损失，从而解决梯度消失的现象，因此LSTM模型的收LSTM的结构是基于第二章介绍的RNN的网络结构进行优化改缚。而本文的生猪时间序列适合LSTM模型对输入数据的要求，而该1.1.2长短期记忆网络LSTM使用RNN结构来预测生猪价格是符合实际的。但度消失或者爆炸的情况，无法解决长时依赖问题(即当前序列与之前的长序列相关，通常不能超过10步)。LSTM模型可以很好地解决这长短期记忆网络LSTM在处理时间序列方面表现出较好的预测精度。的信息。如图5-1所示，一个标准的RNN网络通常会包含一个简单AAA图5-1标准的RNN结构LSTM结构的每个单元类似一个小型的状态机，其每一个输入、LSTM控制隐藏向量h和存储向量x,它们分别在每个时间步骤1.1.3LSTM模型参数设置(1)网络层数10隐含层结构进行生猪价格预测。(2)时间步长时间步长为20的LSTM展开后也包括20个时刻的隐含层状态。续20天的生猪价格作为一组输入，学习目标是获得第21天的生猪价(3)激活函数本章选取ReLU(线性整流)函数作为激活函数，其计算效率很(4)学习算法最终的结果，也就影响了网络的预测性能。本文选取了Adam学习算(5)其它参数究其原因主要是受生猪养殖周期、饲料价格、物流运输、自然灾害、导致生猪市场供需失衡，从而引起我国生猪很大困惑。生猪产业的诸多短板和不足的不断暴露，尤其是产业周期性波动给生猪生产带来众多的不确定性和产业发展障碍，并且也影响到居民正常生活秩序和经济平稳发展，而生猪产业的持续健康发展不仅对农民增收和畜产品有效供给具有巨大影响，而且也关系到CPI和乡村振兴战略的推进。若价格波动之前可以对生猪价格进本文中所使用的所有生猪价格数据来源于猪价格网 BeautifulSoup库可以从众多的网页中搜索、爬取定向数据，而且其价格数据分布特点的LSTM预测模型，以30个省份从2017年8月9日到2020年11月6日的生猪日价格作为输入数据，训练LSTM模型表5-1部分省份2017年8月9日到2020年11月6日每日生猪价格时间北京天津山西内蒙古辽宁吉林黑龙江基于LSTM的预测值与实际值的对比如图5-3所示，横坐标表示第n天，纵坐标是生猪价格。从图5-3的蓝色部分可以看出给定的训价格预测以及未来100天生猪价格的走势。表5-2为未来100天的生表5-230个省份未来第100天生猪价格预测结果(单位：元/千克)地区地区地区北京黑龙江吉林辽宁广东广西山东四川山西贵州云南陕西江西由LSTM实验得到的30个省份的未来100天的生猪价格预测结果可知，未来100天生猪价格将会继续升高然后12月份以后会逐渐降低，期间生猪市场价格略有波动。损失函数值变化如图5-4所示，横坐标为迭代次数，纵坐标为均方误差。通过对产生的1000个loss函数值的对比，可以看出最后几增加，该预测模型的精度在逐渐提高。这也说明该预测模型对30个省份未来100天的生猪价格预测有较准确的结果。表5-3基于LSTM预测的各省生猪价格的性能指标地区北京天津山西内蒙古黑龙江宁夏本节所用LSTM预测模型的具体结构、参数以及实验环境与1.2猪日价格作为输入数据，训练LSTM模型，并且对未来100天三个区型评价指标进行评测。三个区域生猪日价格预测值如表5-4所示。表5-4三个区域部分时间平均生猪价格日期高区域一般区域预测结果如图5-5所示，图5-5为三个区域的平均生猪日价格预测结果，横坐标表示第n天，纵坐标是平均生猪日价格。从图5-5的可以看出该模型对过去时间价格预测以及未来100天表5-5为LSTM模型在三个区域的平均生猪价格适用性指标计算MSE值为0.027、最为精确；其他区域的所有评价指标得到的数