胡彥軍,張平川,尚崢,王慧敏,喬永峰

（1.河南科技學(xué)院信息工程學(xué)院,河南新鄉(xiāng)453003;2.鄭州電力職業(yè)技術(shù)學(xué)院信息工程學(xué)院,河南 鄭州451450）

農(nóng)產(chǎn)品價(jià)格的波動(dòng)會(huì)導(dǎo)致其他相關(guān)產(chǎn)品出現(xiàn)不同程度的價(jià)格波動(dòng),從而影響市場(chǎng)經(jīng)濟(jì)的運(yùn)行[1].在近期農(nóng)產(chǎn)品價(jià)格波動(dòng)中,不但大宗農(nóng)產(chǎn)品價(jià)格有整體波動(dòng),而且大蒜、綠豆、生姜等小農(nóng)產(chǎn)品價(jià)格也有顯著波動(dòng).大蒜價(jià)格的波動(dòng)受到種植面積、種植成本、市場(chǎng)需求、資本操控、政策、自然災(zāi)害、輿論等許多因素的影響[2].近年來我國(guó)大蒜價(jià)格多次經(jīng)歷劇烈波動(dòng),這種波動(dòng)嚴(yán)重?cái)_亂了市場(chǎng)預(yù)期,不但影響了行業(yè)從業(yè)者的利益,造成大蒜市場(chǎng)秩序混亂,甚至導(dǎo)致社會(huì)動(dòng)蕩[3].為此,許多學(xué)者對(duì)大蒜等小農(nóng)產(chǎn)品價(jià)格預(yù)測(cè)進(jìn)行了研究并取得了許多有價(jià)值的成果.

王寶佳等[4]采用ARIMA 模型對(duì)月度大蒜價(jià)格進(jìn)行預(yù)測(cè),實(shí)驗(yàn)結(jié)果表明該模型對(duì)大蒜價(jià)格的短期預(yù)測(cè)有一定的效果.郭峰等[5]將GARCH 模型應(yīng)用于大蒜價(jià)格分析預(yù)測(cè)領(lǐng)域,發(fā)現(xiàn)序列呈現(xiàn)尖峰厚尾、波動(dòng)聚集、異方差等特征.以上文獻(xiàn)表明,可以經(jīng)過捕獲價(jià)格波動(dòng)特征來實(shí)現(xiàn)大蒜價(jià)格預(yù)測(cè),但上述文獻(xiàn)[4-5]使用的是傳統(tǒng)計(jì)量經(jīng)濟(jì)學(xué)方法雖然可以有效處理價(jià)格序列的線性特征關(guān)系,但面對(duì)突發(fā)情況造成的非線性序列特征時(shí),容易出現(xiàn)預(yù)測(cè)性能不穩(wěn)定的問題.

近年來,隨著人工智能技術(shù)的廣泛應(yīng)用,機(jī)器學(xué)習(xí)被大量應(yīng)用到復(fù)雜非線性關(guān)系的農(nóng)產(chǎn)品預(yù)測(cè)中.Jha 等[6]利用時(shí)間延遲神經(jīng)網(wǎng)絡(luò)（TDNN）和ARIMA 模型對(duì)油菜籽進(jìn)行價(jià)格預(yù)測(cè)比較,發(fā)現(xiàn)TDNN 具有更高的預(yù)測(cè)準(zhǔn)確率.Li 等[7]開發(fā)了一個(gè)混沌神經(jīng)網(wǎng)絡(luò)用于預(yù)測(cè)每周的雞蛋價(jià)格,實(shí)驗(yàn)表明混沌神經(jīng)網(wǎng)絡(luò)比ARIMA 具有更好的非線性擬合能力和更高的預(yù)測(cè)準(zhǔn)確率.Hemageetha 等開發(fā)了一種反向傳播神經(jīng)網(wǎng)絡(luò)（BPNN）能較好地預(yù)測(cè)番茄價(jià)格.

由于淺層神經(jīng)網(wǎng)絡(luò)很難有效表達(dá)復(fù)雜的非線性函數(shù)[8],于是深度學(xué)習(xí)被廣泛應(yīng)用于農(nóng)產(chǎn)品價(jià)格預(yù)測(cè)中.Weng 等[9]提出了一種基于RNN 的短期黃瓜預(yù)測(cè)方法,實(shí)驗(yàn)結(jié)果顯示RNN 的預(yù)測(cè)效果優(yōu)于BPNN 和ARIMA.Jaiswal 等[10]開發(fā)了一種DLSTM網(wǎng)絡(luò)模型,該網(wǎng)絡(luò)模型在非線性價(jià)格序列的預(yù)測(cè)精度和方向變化方面優(yōu)于傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)模型和ATIMA 模型.Banerjee 等[11]提出用LSTM 來預(yù)測(cè)蔬菜價(jià)格,發(fā)現(xiàn)LSTM 在長(zhǎng)期和短期蔬菜價(jià)格預(yù)測(cè)方面優(yōu)于各種采用傳統(tǒng)統(tǒng)計(jì)方法和機(jī)器學(xué)習(xí)方法的模型.Yeong 等[12]提出了一種基于雙輸入注意力機(jī)制的LSTM 模型來預(yù)測(cè)韓國(guó)卷心菜和蘿卜的每月價(jià)格,實(shí)現(xiàn)了較好的預(yù)測(cè)效果.

綜上所述,基于機(jī)器學(xué)習(xí)和深度學(xué)習(xí)的小農(nóng)產(chǎn)品價(jià)格有著豐富的研究基礎(chǔ),有些研究取得了不錯(cuò)的價(jià)格預(yù)測(cè)效果.對(duì)大蒜價(jià)格的研究主要停留在計(jì)量經(jīng)濟(jì)模型上,使用機(jī)器學(xué)習(xí)和深度學(xué)習(xí)的農(nóng)產(chǎn)品價(jià)格預(yù)測(cè)目前很少涉及大蒜這一波動(dòng)性極強(qiáng)的小農(nóng)產(chǎn)品上.上述研究建立了一定的市場(chǎng)預(yù)測(cè)指標(biāo)體系,探索了小農(nóng)產(chǎn)品價(jià)格預(yù)測(cè)的研究方法.

大蒜由于社會(huì)需求量限制造成市場(chǎng)較小,沒有形成正規(guī)的期貨交易體系,存在市場(chǎng)交易數(shù)據(jù)分散、數(shù)據(jù)量較少等因素.這些因素決定了不能使用傳統(tǒng)的價(jià)格預(yù)測(cè)體系進(jìn)行價(jià)格預(yù)測(cè).決定大蒜價(jià)格的因素繁多,主要有大蒜的產(chǎn)量、市場(chǎng)需求、市場(chǎng)庫(kù)存量、資本熱錢的進(jìn)入、自然災(zāi)害、國(guó)家政策、蒜農(nóng)惜售心理預(yù)期等多種因素[13].大蒜價(jià)格具有非線性、非平穩(wěn)的特點(diǎn),如果采用指標(biāo)過多易產(chǎn)生維數(shù)冗余問題,形成維數(shù)災(zāi)難.本文基于大蒜時(shí)間序列價(jià)格數(shù)據(jù),結(jié)合大蒜庫(kù)存量、產(chǎn)量、自然災(zāi)害等其他隨機(jī)因素,提出了一種基于注意力機(jī)制的門控邏輯單元神經(jīng)網(wǎng)絡(luò)模型Attention-GRU,用于大蒜短期價(jià)格預(yù)測(cè),實(shí)驗(yàn)結(jié)果表明本文提出的Attention-GRU 網(wǎng)絡(luò)模型具有較高的預(yù)測(cè)準(zhǔn)確度和較低的預(yù)測(cè)誤差.

1 模型構(gòu)建

本部分內(nèi)容介紹了大蒜價(jià)格數(shù)據(jù)的來源、數(shù)據(jù)的處理及改進(jìn)的GRU 神經(jīng)網(wǎng)絡(luò).

1.1 數(shù)據(jù)來源

本文大蒜價(jià)格數(shù)據(jù)來源于國(guó)際大蒜貿(mào)易網(wǎng)和蒜易通等大蒜交易平臺(tái),通過對(duì)山東、河南、江蘇3 個(gè)大蒜主產(chǎn)區(qū)2019—2022 年3 年每天的大蒜批發(fā)價(jià)格進(jìn)行平均加權(quán)重處理得出全國(guó)大蒜平均批發(fā)價(jià)格.以天為單位共獲得1096 個(gè)大蒜價(jià)格的時(shí)間序列數(shù)據(jù),加上3 年的市場(chǎng)庫(kù)存量數(shù)據(jù),以這兩項(xiàng)數(shù)據(jù)為主要訓(xùn)練數(shù)據(jù).同時(shí)將這3 年的大蒜產(chǎn)量、自然災(zāi)害進(jìn)行無單位量化,作為訓(xùn)練擾動(dòng)數(shù)據(jù).

大蒜產(chǎn)量量化,以上年全國(guó)大蒜產(chǎn)量為基礎(chǔ),上年產(chǎn)量減去當(dāng)年產(chǎn)量的差值除以上年產(chǎn)量所得值為擾動(dòng)因素值.

自然災(zāi)害量化分為兩部分。第一,將自然災(zāi)害影響大蒜產(chǎn)量強(qiáng)弱分為6 個(gè)等級(jí).0 級(jí)表示自然災(zāi)害不影響大蒜產(chǎn)量, 其值為1;1 級(jí)表示自然災(zāi)害使大蒜產(chǎn)量降低20%, 其值取0.8;5 級(jí)表示自然災(zāi)害使大蒜產(chǎn)量降低100%;其值取0.第二,根據(jù)自然災(zāi)害影響,大蒜產(chǎn)量的面積除以當(dāng)年全國(guó)大蒜的種植面積.將這兩項(xiàng)數(shù)值相乘作為大蒜價(jià)格在自然災(zāi)害發(fā)生后當(dāng)時(shí)的大蒜價(jià)格擾動(dòng)因素值,從而實(shí)現(xiàn)了自然災(zāi)害對(duì)大蒜價(jià)格擾動(dòng)的量化.

1.2 Attenion-GRU 神經(jīng)網(wǎng)絡(luò)模型

為精準(zhǔn)預(yù)測(cè)大蒜價(jià)格,本文提出了Attenion-GRU 神經(jīng)網(wǎng)絡(luò)模型.首先,根據(jù)大蒜的歷史價(jià)格和大蒜庫(kù)存量時(shí)間序列,利用Attention 機(jī)制放大大蒜價(jià)格有價(jià)值特征;然后,利用GRU 神經(jīng)網(wǎng)絡(luò)提取價(jià)格波動(dòng)特征;最后,融合大蒜年產(chǎn)量和自然災(zāi)害等隨機(jī)價(jià)格擾動(dòng)變量數(shù)據(jù),探索大蒜價(jià)格趨勢(shì)并預(yù)測(cè)價(jià)格.

1.2.1 GRU GRU 是基于傳統(tǒng)循環(huán)神經(jīng)網(wǎng)絡(luò)（Recurrent Neural Network,RNN）的一種改進(jìn)版神經(jīng)網(wǎng)絡(luò).RNN 以時(shí)間序列數(shù)據(jù)為輸入序列的演進(jìn)方向進(jìn)行遞歸推理,將所有的循環(huán)單元連接成遞歸神經(jīng)網(wǎng)絡(luò).由于RNN 設(shè)計(jì)了記憶功能, 它與傳統(tǒng)神經(jīng)網(wǎng)絡(luò)相比在處理時(shí)間序列數(shù)據(jù)方面有更為優(yōu)秀的性能[14].RNN網(wǎng)絡(luò)的狀態(tài)對(duì)輸入和時(shí)刻狀態(tài)有較強(qiáng)的依賴性,這導(dǎo)致RNN 在面對(duì)長(zhǎng)序列問題時(shí),容易出現(xiàn)梯度爆炸和梯度消失問題.Hochreiter 提出了LSTM網(wǎng)絡(luò),這是一種能有效改善RNN 的長(zhǎng)期依賴問題的神經(jīng)網(wǎng)絡(luò)[15].LSTM網(wǎng)絡(luò)由輸入門、遺忘門、輸出門與記憶單元組成.Chung 等[16]對(duì)LSTM網(wǎng)絡(luò)進(jìn)行了簡(jiǎn)化設(shè)計(jì),提出了GRU 網(wǎng)絡(luò).GRU 只有兩個(gè)門,去掉了LSTM的細(xì)胞狀態(tài)單元,可直接計(jì)算輸出,結(jié)構(gòu)如圖1 所示.

圖1 GRU 單元結(jié)構(gòu)Fig.1GRU network structure

其遞歸函數(shù)可表示為

式（1）～（4）中:rt為重置門,zt為更新門,xt為當(dāng)前輸入,ht-1為上一時(shí)刻輸出,為當(dāng)前輸出,σ、tanh 為激活函數(shù),Wr、Wz、Wh為權(quán)重矩陣,·為點(diǎn)積,*為矩陣乘積.

GRU 中的更新門是長(zhǎng)短期記憶網(wǎng)絡(luò)（LSTM）中輸入門和遺忘門的融合.通過試驗(yàn)發(fā)現(xiàn)GRU 試驗(yàn)效果與LSTM相當(dāng),但GRU 參數(shù)更少,結(jié)構(gòu)也更簡(jiǎn)潔.而且GRU 有更高的訓(xùn)練速度,訓(xùn)練效率也更高[17].

1.2.2 Attention 機(jī)制 注意力機(jī)制最早出現(xiàn)在語言識(shí)別應(yīng)用中,該機(jī)制能較為準(zhǔn)確地實(shí)現(xiàn)對(duì)自然語言的識(shí)別[18].注意力機(jī)制是一種可以將注意力聚焦在高價(jià)值信息上,對(duì)于低價(jià)值信息降低注意力,從而在大量信息中快速準(zhǔn)確提取出目標(biāo)信息.本文在GRU 網(wǎng)絡(luò)中增加了Attention 機(jī)制使GRU 網(wǎng)絡(luò)對(duì)大蒜價(jià)格有了更為準(zhǔn)確的捕獲能力.

Attention 機(jī)制結(jié)構(gòu)可以用圖2 來表示,xt（t∈[1,n]）是GRU 的輸出值;ht（t∈[1,n]）是GRU 輸出的隱藏層狀態(tài);αt（t∈[1,n]）為Attention 機(jī)制計(jì)算權(quán)重系數(shù);C 為每個(gè)權(quán)重的加權(quán)值;y 為通過Attention 機(jī)制修正過的輸出值.

圖2 Attention 單元結(jié)構(gòu)Fig.2Structure of the Attention mechanism

Attention 機(jī)制修正原理可以用以下公式表示

式（5）～（7）中:St為t 時(shí)刻GRU 輸出隱藏層ht決定的注意力概率分布值,u、w 為權(quán)重系數(shù),b 為偏置系數(shù),Ct為Attention 層在t 時(shí)刻的輸出值.

1.2.3 Attention-GRU 模型 整體預(yù)測(cè)模型結(jié)構(gòu)如圖3 所示,它由輸入層、GRU 層、全連接層、注意力層和輸出層5 個(gè)層構(gòu)成.

圖3 Attention-GRU 網(wǎng)絡(luò)結(jié)構(gòu)Fig.3Attention-GRU network structure

輸入層:將大蒜價(jià)格、庫(kù)存量時(shí)間序列數(shù)據(jù)和相關(guān)因素?cái)?shù)據(jù)進(jìn)行融合作為模型的輸入,融合數(shù)據(jù)長(zhǎng)度為t,表示為x=[x1,x2,x3,…,xt].

GRU 層:GRU 層輸入的數(shù)據(jù)進(jìn)行學(xué)習(xí)訓(xùn)練,對(duì)序列數(shù)據(jù)內(nèi)部變化的規(guī)律進(jìn)行學(xué)習(xí)歸納.GRU 學(xué)習(xí)訓(xùn)練過的數(shù)據(jù)用公式（8）來表示

全連接層:這里使用全連接層的目的是提高模型對(duì)特征的學(xué)習(xí)力,其激活函數(shù)使用的是ReLU 激活函數(shù),可用公式（9）來表示,H 為全連接層的輸出序列;L、d 分別為本層中的權(quán)重矩陣與偏置向量.

注意力層:經(jīng)過GRU 網(wǎng)絡(luò)訓(xùn)練過的數(shù)據(jù)輸入注意力層,通過300 次的迭代訓(xùn)練不斷優(yōu)化輸入特征的權(quán)重,從而使輸入數(shù)據(jù)貢獻(xiàn)度得到提高.注意力層權(quán)重計(jì)算見公式（6）,第t 個(gè)序列的輸出yt可用公式（10）來表示

輸出層:通過注意力層的計(jì)算輸出層輸出預(yù)測(cè)結(jié)果,Ypre可表示為公式（11）,DNN（）為全連接計(jì)算.

損失函數(shù):在模型的訓(xùn)練過程中采用均方誤差MSE（mean squared error）損失函數(shù),其表達(dá)式表示為公式（12）,t 為樣本個(gè)數(shù),為實(shí)際值,yi為模型預(yù)測(cè)輸出值.

2 實(shí)驗(yàn)與分析

2.1 實(shí)驗(yàn)環(huán)境

實(shí)驗(yàn)環(huán)境由計(jì)算機(jī)硬件和開發(fā)平臺(tái)兩部分組成,詳細(xì)信息如表1 所示.

表1 詳細(xì)實(shí)驗(yàn)環(huán)境Tab.1Detailed experimental environment

2.2 網(wǎng)絡(luò)模型結(jié)構(gòu)

為驗(yàn)證本文所提Attention-GRU 網(wǎng)絡(luò)模型的有效性,選擇了GRU、BP 網(wǎng)絡(luò)、CNN-GRU3 種常見的神經(jīng)網(wǎng)絡(luò)模型與本文所提方法進(jìn)行預(yù)測(cè)效果比較.為了確保實(shí)驗(yàn)的可比性,Attention-GRU 模型中GRU 網(wǎng)絡(luò)與GRU 模型和CNN-GRU 模型結(jié)構(gòu)均相同,詳細(xì)結(jié)構(gòu)如圖4 所示.

圖4 實(shí)驗(yàn)中的對(duì)比神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖Fig.4 Structural diagram of the comparison neural network in the experiment

Attention-GRU、GRU、CNN-GRU、BP 網(wǎng)絡(luò)4 種網(wǎng)絡(luò)模型中,步長(zhǎng)均設(shè)置為5.輸出神經(jīng)元個(gè)數(shù)為1,Batch_size 設(shè)置為100,訓(xùn)練迭代次數(shù)為300,優(yōu)化函數(shù)為Adam 其學(xué)習(xí)率為0.0001,損失函數(shù)為MSE.Attention-GRU、GRU、CNN-GRU 中,GRU 層為1 層,神經(jīng)元個(gè)數(shù)均為50.CNN-GRU 中,CNN 卷積核個(gè)數(shù)為50.BP 網(wǎng)絡(luò)中,有2 層全連接層,每層神經(jīng)元個(gè)數(shù)為50.

2.3 網(wǎng)絡(luò)模型評(píng)價(jià)方法

在大蒜價(jià)格預(yù)測(cè)階段,本文結(jié)合不平衡數(shù)據(jù)處理技術(shù)以及網(wǎng)絡(luò)模型對(duì)次日大蒜價(jià)格預(yù)測(cè),將它們歸為回歸問題.使用MSE、均方根誤差（root mean square error,RMSE）、平均絕對(duì)誤差（mean absolute error,MAE）和決定系數(shù)R2作為模型平均指標(biāo),R2計(jì)算公式如13 所示.MSE、RMSE、MAE 值越小,說明模型的預(yù)測(cè)誤差越小,預(yù)測(cè)效果越好.R2值越接近1,模型預(yù)測(cè)越準(zhǔn)確,R2值越接近0,模型預(yù)測(cè)誤差越大.

公式（13）中:yprei為預(yù)測(cè)值,為平均值,yi為真實(shí)值.

2.4 實(shí)驗(yàn)結(jié)果

為了使實(shí)驗(yàn)結(jié)果更為客觀準(zhǔn)確,消除偶然因素的影響,每個(gè)網(wǎng)絡(luò)模型都進(jìn)行了50 次隨機(jī)重復(fù)大蒜價(jià)格預(yù)測(cè)實(shí)驗(yàn),最后取各網(wǎng)絡(luò)模型評(píng)價(jià)指標(biāo)的50 次平均值和標(biāo)準(zhǔn)差.本文對(duì)2019—2022 年3 年每日大蒜價(jià)格數(shù)據(jù)集上的少數(shù)類樣本、多數(shù)類樣本及總體樣本進(jìn)行了實(shí)驗(yàn)結(jié)果對(duì)比,如表2 至表4 所示.

表2 大蒜價(jià)格數(shù)據(jù)集少數(shù)樣本MSE、RMSE 和MAE 3 個(gè)評(píng)價(jià)指標(biāo)對(duì)比Tab.2Comparison of the 3 evaluation indicators MSE,RMSE and MAE for a small sample of the garlic price dataset

表3 大蒜價(jià)格數(shù)據(jù)集多數(shù)樣本MSE、RMSE 和MAE 3 個(gè)評(píng)價(jià)指標(biāo)對(duì)比Tab.3 Comparison of the 3 evaluation indicators MSE,RMSE and MAE for the majority sample of the garlic price dataset

表4 大蒜價(jià)格數(shù)據(jù)集全部樣本MSE、RMSE 和MAE 3 個(gè)評(píng)價(jià)指標(biāo)對(duì)比Tab.4 Comparison of the 3 evaluation indicators MSE,RMSE and MAE for the full sample of the garlic price dataset

從表3 至表5 中的誤差表現(xiàn)來看,證明本文所提出的Attention-GRU,在MSE、RMSE、MAE、R24 個(gè)平均指標(biāo)中誤差都是最小的.如在全部樣本上以MSE 誤差為例,它比GRU 少0.17、比CNN-GRU 少0.61、比BP 少0.77,分別減少了4%、15%和18%.從3 張表同時(shí)也可看出CNN-GRU 在某些預(yù)測(cè)中雖然也有較好的表現(xiàn),但在預(yù)測(cè)時(shí)間序列數(shù)據(jù)方面的誤差比GRU 還要大;4 個(gè)網(wǎng)絡(luò)模型中BP 網(wǎng)絡(luò)模型誤差最大.通過對(duì)比實(shí)驗(yàn)驗(yàn)證了本文所提的Attention-GRU 模型在訓(xùn)練誤差方面是最優(yōu)的.

為驗(yàn)證本文所提預(yù)測(cè)模型的有效性和泛化性,本文抽取了2022 年8—10 月3 個(gè)月的大蒜價(jià)格進(jìn)行了預(yù)測(cè)對(duì)比實(shí)驗(yàn),實(shí)驗(yàn)結(jié)果如圖5 所示.

圖5 4 種網(wǎng)絡(luò)模型預(yù)測(cè)對(duì)比Fig.5 Comparison of 4 network models for prediction

由圖5 可以看出,Attention-GRU 模型預(yù)測(cè)值相較于其他3 種模型與真實(shí)值貼合度最高, 最接近真實(shí)值,說明預(yù)測(cè)準(zhǔn)確度較高,進(jìn)而證實(shí)本文所提模型的有效性.

以上結(jié)果表明, 本文所提的Attention-GRU 模型比其他3 種模型具有更為準(zhǔn)確的大蒜價(jià)格預(yù)測(cè)能力,更小預(yù)測(cè)誤差,說明Attention-GRU 模型可以應(yīng)用于大蒜價(jià)格預(yù)測(cè)且預(yù)測(cè)效果較好.

3 結(jié)論

針對(duì)大蒜每天價(jià)格波動(dòng)性大,容易受到多種因素影響導(dǎo)致其價(jià)格走勢(shì)具有很強(qiáng)的非線性、平滑性差等特點(diǎn), 本文提出了基于Attention 機(jī)制的GRU 深度學(xué)習(xí)模型.基于金鄉(xiāng)地區(qū)2019—2022 年大蒜日價(jià)格、日庫(kù)存量、自然災(zāi)害、大蒜年產(chǎn)量以及其他因素制作了大蒜價(jià)格數(shù)據(jù)集.大蒜價(jià)格數(shù)據(jù)集首先經(jīng)過GRU 網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練,歸納大蒜價(jià)格波動(dòng)規(guī)律;然后,Attention 對(duì)GRU 網(wǎng)絡(luò)輸出的數(shù)據(jù)進(jìn)行注意力處理,使其價(jià)格波動(dòng)特征更為明顯,優(yōu)化大蒜價(jià)格預(yù)測(cè)結(jié)果.經(jīng)過大量的實(shí)驗(yàn)表明,Attention 機(jī)制能有效提高GRU 網(wǎng)絡(luò)模型對(duì)大蒜價(jià)格的預(yù)測(cè)能力,能有效提高預(yù)測(cè)準(zhǔn)確度.實(shí)驗(yàn)同時(shí)表明,Attention-GRU 模型,比GRU、CNN-GRU、BP 這3 種模型具有更高預(yù)測(cè)精準(zhǔn)度和更小的預(yù)測(cè)誤差.

該模型從時(shí)間序列的角度對(duì)大蒜價(jià)格進(jìn)行研究,解決單一網(wǎng)絡(luò)模型預(yù)測(cè)精度差的問題.本模型可較為精準(zhǔn)預(yù)測(cè)短期大蒜價(jià)格,可以為大蒜產(chǎn)業(yè)有關(guān)從業(yè)人員做出正確的判斷和科學(xué)決策,有利于從業(yè)者降低風(fēng)險(xiǎn),對(duì)穩(wěn)定大蒜這一小農(nóng)產(chǎn)品市場(chǎng)起到一定的指導(dǎo)作用.

目前,該模型對(duì)中長(zhǎng)期大蒜價(jià)格預(yù)測(cè)的準(zhǔn)確率需要進(jìn)一步提高.由于大蒜具有耐儲(chǔ)存、市場(chǎng)規(guī)模小容易受資本控制、易受供求關(guān)系影響等因素,大蒜中長(zhǎng)期價(jià)格預(yù)測(cè)一直是學(xué)術(shù)界的一大難題.因此在以后的研究中,本文將探索更為科學(xué)的方法,以提高模型對(duì)中長(zhǎng)期價(jià)格的預(yù)測(cè)精準(zhǔn)度.