摘 要： 合理預(yù)測豬肉價(jià)格對穩(wěn)定生豬市場價(jià)格波動及促進(jìn)豬產(chǎn)業(yè)的健康持續(xù)發(fā)展具有重要意義。本文深入研究了豬肉價(jià)格的影響因素，整合了29 種相關(guān)價(jià)格數(shù)據(jù)。通過分析數(shù)據(jù)特征，針對Informer 模型在豬肉價(jià)格數(shù)據(jù)提取方面的局限性，對Informer 模型進(jìn)行改進(jìn)，將自注意力機(jī)制ProbAttention 更換為Synthesizer 模型，引入了價(jià)格波動模塊。在此基礎(chǔ)上，本文提出了一種新的價(jià)格預(yù)測組合模型STL-Informer-ARIMA，模型結(jié)合了隨機(jī)森林（Random Forest）和遞歸特征消除（Recursive Feature Elimination）進(jìn)行特征選擇，利用季節(jié)性和趨勢分解法（Seasonal and Trend DecompositionUsing Loess）對豬肉（白條豬）價(jià)格進(jìn)行分解，采用ARIMA模型對季節(jié)項(xiàng)進(jìn)行預(yù)測，同時(shí)針對趨勢項(xiàng)和殘差項(xiàng)采用改進(jìn)的Informer 模型進(jìn)行預(yù)測。實(shí)驗(yàn)表明，STL-Informer-ARIMA 組合模型的MSE為0.532，MAE為0.446，RMSE為0.729，MAPE為0.030，R2為0.958，相較于LSTM、SVR和GRU等常用價(jià)格預(yù)測模型，本文的組合模型有效提升了豬肉價(jià)格預(yù)測的準(zhǔn)確性和可靠性。

關(guān)鍵詞： 豬肉；價(jià)格；特征選擇；改進(jìn)的Informer；組合模型

中圖法分類號： F323.7 文獻(xiàn)標(biāo)識碼： A 文章編號： 1000-2324（2024）03-0367-09

豬肉產(chǎn)業(yè)的持續(xù)繁榮對于我國經(jīng)濟(jì)的穩(wěn)定和發(fā)展起到了重要的推動作用。根據(jù)國家統(tǒng)計(jì)局2023 年的數(shù)據(jù)，我國生豬出欄超7.2 億頭，年增長率3.8％，豬肉產(chǎn)量達(dá)到5 794 萬t，同比增長4.6％。隨著我國經(jīng)濟(jì)的持續(xù)高速增長和社會結(jié)構(gòu)的深化變革，影響生豬產(chǎn)業(yè)健康穩(wěn)定發(fā)展的因素日趨復(fù)雜多變，涉及市場供需動態(tài)、疫病防控、環(huán)保政策、國際貿(mào)易環(huán)境等諸多方面。本文深入探討當(dāng)前豬肉價(jià)格的影響因素，結(jié)合經(jīng)濟(jì)形勢和市場動態(tài)，圍繞豬肉價(jià)格走勢預(yù)測分析方法開展研究。

在農(nóng)產(chǎn)品價(jià)格預(yù)測領(lǐng)域，學(xué)者們從多個(gè)角度展開了探索和研究。早期，對價(jià)格預(yù)測采用的大多是單一預(yù)測模型［1］，例如Martin-Rodriguez 提出了限制性進(jìn)化樣條模型來對比英國市場的金絲雀番茄的每日價(jià)格的季節(jié)性變化，該模型對于捕獲季節(jié)性模式變化的動態(tài)能力有著較好的效果［2］。鑒于時(shí)間序列數(shù)據(jù)的非線性特性，機(jī)器學(xué)習(xí)模型近年來廣泛用于時(shí)間序列預(yù)測［3］。石波等提出改進(jìn)的RBF神經(jīng)網(wǎng)絡(luò)模型對我國大豆價(jià)格進(jìn)行預(yù)測，結(jié)果表明模型預(yù)測精度較高、泛化能力較強(qiáng)，能夠很好捕捉大豆價(jià)格變化規(guī)律［4］。Xiong T 等從生豬價(jià)格序列中分離出周期性和趨勢性成分，利用最相似子序列搜索方法和支持向量回歸模型對這些成分進(jìn)行預(yù)測［5］。針對預(yù)測模型單一、精度低、不穩(wěn)定等問題，Lu H等提出了組合模型預(yù)測的概念，被普遍用于提高個(gè)體預(yù)測的準(zhǔn)確性［6-7］。Zhou 等提出一種新框架，將Transformer 與季節(jié)趨勢分解方法相結(jié)合，與現(xiàn)有方法相比，F(xiàn)EDformer對多變量和單變量時(shí)間序列的預(yù)測誤差分別降低了14.8%和22.6%［8］。劉合兵等提出了CEEMDAN-PCA-CNN-LSTM的組合預(yù)測模型，通過CEEMDAN方法解決了白噪聲殘留問題，簡化了參數(shù)選擇，并結(jié)合了CNN和LSTM的優(yōu)勢，達(dá)到了增強(qiáng)模型預(yù)測精度的效果［9］。

綜上所述，學(xué)者們在農(nóng)產(chǎn)品預(yù)測模型領(lǐng)域作出了重要貢獻(xiàn)，但在某些方面仍然存在挑戰(zhàn)。例如，在豬肉價(jià)格數(shù)據(jù)集上，現(xiàn)有模型的泛化能力較弱，難以準(zhǔn)確提取豬肉價(jià)格數(shù)據(jù)中的關(guān)鍵信息。針對這些問題，本文分析了豬肉價(jià)格數(shù)據(jù)特點(diǎn)，構(gòu)建價(jià)格波動模塊，增強(qiáng)了對豬肉價(jià)格波動信息的提取，并針對Informer 模型在豬肉價(jià)格數(shù)據(jù)提取上的局限性，對Informer 模型進(jìn)行改進(jìn)，提高了模型精度和信息提取完整性。本文提出了STL-Informer-ARIMA 組合模型，提升了豬肉價(jià)格預(yù)測的準(zhǔn)確性。