ARIMA模型和灰色模型在农产品价格预测中的应用比较

以遵义猪肉价格为例进行预测模型分析,构建了ARIMA模型和灰色模型,对2种模型的具体步骤进行对比分析。结果表明,ARIMA(1,1,0)模型和灰色模型GM(1,1)为最优预测模型;在农产品价格模型中,ARIMA模型适合短期预测,灰色模型适合中长期预测。     

农产品市场价格短期预测研究进展

 论文系统概述了近百年来有关国内外农产品市场价格短期预测在理论、方法、实践应用等方面取得的进展,指出主要研究方法的优缺点,并对农产品市场价格短期预测方法研究的特点进行了总结,对今后研究的发展方向进行了展望。研究认为,随着数理统计学、计量经济学、模糊数学、神经网络等理论的发展及方法的广泛应用,目前在农产品市场价格短期预测领域已形成了众多模型,其中主要定量分析方法可概括为四大类,即计量经济预测法、数理统计预测法、智能分析法和组合模型法。在未来的一段时间内,农产品市场价格短期预测将呈现出以定量分析方法占主导、智能化组合化模型逐渐增多、分位数回归模型引入到农产品市场价格短期预测并形成趋势等发展特征。     

ARIMA模型在贵州省农产品价格预测中的应用——以辣椒为例

由于贵州省辣椒月价格呈现季节性,因此以2007年1月至2010年12月贵州省辣椒月价格为例,在运用季节分解方法剔除其季节因素形成新序列的基础上,构建了非平稳时间序列ARIMA（p,d,q）模型,并预测了辣椒未来的月价。结果表明,拟合指标优良的ARI-MA（1,1,1）模型能很好地预测辣椒月价格趋势,并将辣椒价格的预测值与实际值的相对误差基本控制在9%以内,实证分析结果证明了ARIMA模型的季节分解方法在贵州省农产品价格预测中的预测性和可行性。     

农产品价格预测系统设计与实现

根据农业价格指数构建了农产品价格数据仓库,充分利用长期积累的大量反映价格指标的历史和现在数据资源,并结合径向基函数(RBF)人工神经网络建模,揭示农产品价格与畜牧业、林业与渔业等相关因素价格的动态关系模型。结果表明该模型能够很好地预测以白菜为例的农产品价格,实现农产品区域供求平衡,并为政府和农户提供结构调整的依据。     

数据挖掘技术在农产品质量安全监管中的应用

数据挖掘技术可以在大量的农产品质量安全监管数据中提取有效的信息为政府监管决策服务。笔者以蔬菜批发市场为实例，在分析农产品质量安全监管数据特点的基础上，进行了可视化技术与关联规则的数据挖掘分析。结果表明：数据挖掘技术在农产品质量安全监管中的应用是可行的。     

农产品价格短期预测系统设计与实现

以面向服务设计与业务为导向,基于B/S模式,采用SSH框架和JAVA方式,借鉴Spring、Struts等开源项目的设计思想,通过中间件嵌入Eviews和Easyfit,研究构建了农产品价格短期预测系统,实现了农产品价格短期预测、农产品市场风险动态预警、农产品进京路线展示和农产品市场行情解析等四大业务功能,将经济模型转化为能实现智能分析、操作便携、运行稳定的系统工具,增强了经济分析成果对现实生产的指导作用。     

基于空间统计分析的农产品价格数据挖掘——以猪肉价格为例

农产品价格数据量日益增长,从中挖掘隐含有用的信息十分重要。以2010年至2012年波动较大的猪肉价格为例,采用空间统计方法挖掘分析全国23个省市价格的时空分布格局,研究农产品价格波动时期的空间自相关特征,研究不同的空间权重矩阵和空间统计量对空间自相关性的影响。结果表明,在猪肉价格稳定期间,各批发市场的价格总体呈现空间集聚格局;而在价格超过20元/kg时期,各批发市场的价格没有明显的相关性;从局域上看,价格稳定期间沿海发达地区高值显著聚集,价格高峰时期有64%的市场价格位于"高-低"或"低-高"区域;不同空间权重矩阵下,Moran’s I和Geary’s C反映的空间自相关性结果一致。空间统计分析能够挖掘价格数据的空间特征,并通过GIS的可视化手段使挖掘结果更加直观,是农产品价格数据挖掘的有效方法。     

数据挖掘在农产品安全生产中的应用

提出利用数据挖掘技术发现隐含在农业生产数据中潜在的、有价值的知识,以指导农产品的安全生产。     

2004年上半年部分农产品价格预测

根据2003年农产品价格变化情况以及历年农产品价格变动规律，对2004年上半年部分农产品价格进行预测。     

农产品价格信息监测预测系统设计与实现

从信息应用的角度出发,提出了农产品价格信息服务的新模式,介绍了农产品价格信息监测预测系统的设计与实现,阐述了系统的体系结构、功能模块和实现流程,并对系统在数据采集、价格监控、分析预测模式方面的创新点进行了说明。     

GARCH模型在农产品价格研究中的应用

以贵州省的粮食价格为例,通过构建GARCH模型,测算粮食价格指数对数收益率的VAR,以对农产品的价格变动规律进行研究。结果表明,贵州省粮食的VAR具有波动性,进入2010年之后VAR正在逐步增大,粮食市场的价格波动风险呈递增趋势。针对粮食价格变动特征,提出了稳定粮食价格的建议：加大农业基础设施建设力度,提高农业综合生产能力;强化对农产品流通领域的市场监督,维持市场秩序;健全农产品调控体系,平抑农产品价格;加强流动性调控,防范热钱炒作。     

北京市农产品批发市场蔬菜价格预测预报体系研究

从信息应用角度出发，在对北京市蔬菜市场价格相关问题进行了多年调研分析的基础上提出了建立批发市场蔬菜价格预测预报体系的原理及应用效果。     

一种提高农产品市场价格预测精度的改进算法

为进一步提高农产品市场价格预测精度,及时发现价格异常的农产品,研究以山西晋城绿欣农产品批发市场胡萝卜等13种农产品月均价格数据为依据,对比分析了加权算术平均法、二次指数平滑法等9种时间序列非季节指数预测法,提出了一种改进的二次指数平滑预测法。应用改进后的二次指数平滑预测法计算的误差平方和均小于或等于改进之前,以3月份预测数据为例,其改进算法后误差平方比改进前降低了3007%。综合分析预测值与实际值的误差平方和,以及该种农产品历史预测误差的平方和,可以确定该批发市场某月价格异常的农产品。     

数据挖掘在杂种优势预测中的研究

提出将数据挖掘技术和分子标记技术相结合的方法来进行杂种优势预测,将数据挖掘技术应用于分子标记的筛选、亲本间的关系分析和预测模型的建立中,并应用Jackknife抽样技术对预测分析进行检验,结果证明该方法具有一定的实用价值．     

数据挖掘技术及其在港口淤积预测中的应用研究

港口淤积问题是众多港口都不可避免而又必须慎重对待并加以解决的重要课题，本文通过对港口淤积量预测的现状及数据挖掘技术的分析，阐明了在港口淤积预测问题上应用数据挖掘技术的可行性，并进一步提出了应用数据挖掘技术解决港口淤积预测问题所采用的数据挖掘方法和流程。     

今年上半年云南主要农产品及农资价格走势及下半年价格预测

1今年上半年我省主要农产品走势 1．1原粮 我省上半年原粮市场价格稳定,波动不大,月环比涨跌幅度基本维持在2％左右,但部分成品粮价格自2009年2月以来出现上涨,但跟去年同期相比。成品粮价格明显低于去年同期5．19％。     

小波变换—BP 神经网络的农产品价格预测研究

【目的】农产品价格变动关乎国计民生,由于农产品的价格受到多方面因素的共同影响,其价格预测也一直是研究中的难点。只有充分分析农产品价格的变化趋势才能提高价格预测精度,更好地指引农产品产业健康发展。【方法】文章以菠菜、大白菜、番茄、辣椒和马铃薯5种蔬菜为研究对象,基于2013年1月至2018年12月共72组月度价格数据,研究农产品价格变动趋势,并基于小波变换和BP神经网络构建农产品价格组合预测模型。首先利用小波变换对价格进行db5的3尺度分解,其次采用BP神经网络模型对分解出的趋势部分和细节部分分别进行预测,最后对各分量的预测结果进行组合重构。【结果】采用预测精度指标对5种蔬菜的价格预测结果进行评价分析,其平均绝对误差最小值为0.083元/kg,平均百分比误差最小为3.95%,均方根误差最小值为0.102。【结论】将小波变换和BP神经网络结合起来的组合预测模型具有较好的农产品价格预测性能,该组合方法能适应多种蔬菜的价格预测,具有普适性。但农产品价格波动幅度和强度会对该模型的预测精度产生影响。     

数据挖掘在杂种优势预测中的研究

提出将数据挖掘技术和分子标记技术相结合的方法来进行杂种优势预测,将数据挖掘技术应用于分子标记的筛选、亲本间的关系分析和预测模型的建立中,并应用Jackknife抽样技术对预测分析进行检验,结果证明该方法具有一定的实用价值.     

神经网络在农产品销量预测中的应用

随着农业大数据发展和计算机技术的不断成熟,人们能够快速准确地获得信息。在大数据背景下,利用传统的时间序列模型对农产品销量进行预测已经不能满足人们的需求,神经网络凭借其强大的非线性映射能力在销量预测领域得到了广泛应用。本文综述了国内外学者应用在农产品销量预测上的主要方法,介绍了神经网络在农产品销量预测领域的应用,客观阐述了神经网络在预测中可能存在的问题,并展望未来农产品销量预测研究发展方向,以期为农产品市场稳定协调发展提供参考。     

农产品市场价格短期预测方法的选择及应用——以鲜奶零售价格为例

本文在概述时问序列模型种类及特点的基础上,以我国鲜奶零售价格为例,示范了进行农产品市场价格短期预测时选择合适时间序列模型的筛选过程。通过平稳性、季节性、趋势性以及异方差等一系列检验后,本研究最终选择双指数平滑、Holt—Winters无季节性模型和ARCH模型共3种方法对我国鲜奶零售价格短期预测进行了应用模拟,结果显示,ARCH模型预测结果精确度最高,Holt—Winters无季节性模型稳定性最好。