扫一扫
关注中图网
官方微博
本类五星书更多>
-
>
(精)东北革命和抗日根据地货币研究
-
>
近代天津工业与企业制度
-
>
眉山金融论剑
-
>
图解资本论
-
>
金融炼金术(专业珍藏版)2021专业审订
-
>
认知世界的经济学
-
>
全球货币进化史
数据驱动的农产品价格波动分解集成预测研究 版权信息
- ISBN：9787030715203
- 条形码：9787030715203 ; 978-7-03-071520-3
- 装帧：一般胶版纸
- 册数：暂无
- 重量：暂无
- 所属分类：>
数据驱动的农产品价格波动分解集成预测研究 本书特色
高等院校经管类、理工类专业的师生、相关科研机构的专业研究人员
数据驱动的农产品价格波动分解集成预测研究 内容简介
本书以该方法论为基础, 结合数据驱动建模思想, 综合运用人工智能、仿生优化、大数据技术等方法, 改进分解集成方法论中的三个研究步骤 (即: 时序分解、单项预测、集成预测) , 从而实现与研究对象数据特征相匹配的预测建模过程。具体而言, 包括经验模态类分解算法的优化、单项预测模型的自适应选择、*优集成子集的智能选择以及融合网络搜索数据的集成预测。将改进后的分解集成智能预测建模方法应用于我国农产品市场, 以粮食、蔬果、肉类等典型农产品为研究对象进行多步长预测建模, 为提高农产品价格预测精度提供新的研究视角及方法参考。
数据驱动的农产品价格波动分解集成预测研究 目录
目录
第1章 绪论 1
1.1 本书背景与意义 1
1.2 国内外研究现状 5
1.3 本书的研究思路 15
1.4 本章小结 21
第2章 本书的研究框架 22
2.1 相关理论知识 22
2.2 实验方案 28
第3章 数据驱动的时序分解方法 32
3.1 时序分解方法综述 32
3.2 经验模态类分解算法原理及存在问题 35
3.3 端点效应抑制方法改进研究 42
3.4 模态混淆抑制方法改进研究 47
3.5 本章小结 54
第4章 数据驱动的预测模型自适应选择 55
4.1 预测模型选择综述 55
4.2 基于时序特征的预测模型自适应选择框架 59
4.3 预测模型自适应选择实验方案 67
4.4 预测模型自适应选择实验结果 68
4.5 本章小结 72
第5章 数据驱动的集成预测策略 73
5.1 集成预测综述 73
5.2 基于邻域互信息的集成预测策略 82
5.3 融合网络搜索数据的集成预测策略 89
5.4 融合多时间尺度的集成预测策略 93
5.5 本章小结 97
第6章 农产品价格波动预测实证研究 98
6.1 数据驱动的时序分解结果 99
6.2 数据驱动的预测模型选择结果 106
6.3 数据驱动的集成预测结果 114
6.4 融合网络搜索数据的集成预测结果 120
6.5 融合多时间尺度数据的集成预测策略 129
6.6 本章小结 136
第7章 总结与展望 137
7.1 本书的研究工作 137
7.2 本书的研究成果 139
7.3 未来研究展望 141
参考文献 144
附录 156
附录A 四种农产品直接建模的预测误差 156
附录B 农产品分解后的分量图 158
附录C TRIM集成策略下的子集选择结果 162
附录D 三种农产品的MEMD分解结果 162
附录E 融合网络搜索数据的预测结果（RMSE） 166
附录F 融合网络搜索数据的预测结果（MAE） 167
附录G 融合网络搜索数据的预测结果（Dstat） 167
第1章 绪论 1
1.1 本书背景与意义 1
1.2 国内外研究现状 5
1.3 本书的研究思路 15
1.4 本章小结 21
第2章 本书的研究框架 22
2.1 相关理论知识 22
2.2 实验方案 28
第3章 数据驱动的时序分解方法 32
3.1 时序分解方法综述 32
3.2 经验模态类分解算法原理及存在问题 35
3.3 端点效应抑制方法改进研究 42
3.4 模态混淆抑制方法改进研究 47
3.5 本章小结 54
第4章 数据驱动的预测模型自适应选择 55
4.1 预测模型选择综述 55
4.2 基于时序特征的预测模型自适应选择框架 59
4.3 预测模型自适应选择实验方案 67
4.4 预测模型自适应选择实验结果 68
4.5 本章小结 72
第5章 数据驱动的集成预测策略 73
5.1 集成预测综述 73
5.2 基于邻域互信息的集成预测策略 82
5.3 融合网络搜索数据的集成预测策略 89
5.4 融合多时间尺度的集成预测策略 93
5.5 本章小结 97
第6章 农产品价格波动预测实证研究 98
6.1 数据驱动的时序分解结果 99
6.2 数据驱动的预测模型选择结果 106
6.3 数据驱动的集成预测结果 114
6.4 融合网络搜索数据的集成预测结果 120
6.5 融合多时间尺度数据的集成预测策略 129
6.6 本章小结 136
第7章 总结与展望 137
7.1 本书的研究工作 137
7.2 本书的研究成果 139
7.3 未来研究展望 141
参考文献 144
附录 156
附录A 四种农产品直接建模的预测误差 156
附录B 农产品分解后的分量图 158
附录C TRIM集成策略下的子集选择结果 162
附录D 三种农产品的MEMD分解结果 162
附录E 融合网络搜索数据的预测结果（RMSE） 166
附录F 融合网络搜索数据的预测结果（MAE） 167
附录G 融合网络搜索数据的预测结果（Dstat） 167
展开全部
数据驱动的农产品价格波动分解集成预测研究 节选
第1章 绪 论 本章首先阐述农产品价格波动预测研究的现实及理论意义，论述使用数据驱动建模思想对分解集成方法论进行改进和优化的必要性；其次介绍目前国内外相关领域的研究现状，包括农产品价格波动特征及影响因素分析、农产品价格波动预测建模方法及分解集成预测建模方法；在此基础上，形成本书的总体研究思路，包括研究目标、研究内容、技术路线图及主要创新点。以下将分别给予详细阐述。 1.1 本书背景与意义 我国是传统的农业大国，农业是立国之本、强国之基。自古以来，农村稳则天下安，农民富则国家盛。农产品价格是引导农业生产资源流动与配置的关键要素之一，在确保农产品市场正常运行及经济社会平稳发展方面起到重要作用。在市场供给和需求关系动态平衡调整的过程中，农产品价格出现一定范围内的波动是正常且普遍的经济现象。进入21世纪以来，在我国农产品市场对外关联性不断增强、农业生产进行结构性调整、农产品金融属性逐渐凸显等内外部因素共同作用下，农产品的价格形成机制日趋复杂，部分农产品价格波动剧烈、涨跌频繁，呈现出短周期宽幅的波动特征（涂圣伟等，2015）。“糖高宗”“姜你军”“豆你玩”“蒜你狠”等网络热点词语生动刻画了一定时期内农产品价格“过山车式”连番上涨的异常现象。 在价格出现大起大落的品种中，不乏猪肉、玉米、棉花等与国计民生关系密切的重要农产品。据相关统计资料 ，自2013年底至2019年中，我国集贸市场猪肉的平均批发价格波动幅度为68%（*低价为2018年5月的15.97元/公斤 ，*高价为2016年6月的26.83元/公斤）；玉米的平均批发价格波动幅度为66%（*低价为2017年2月的1362元/吨，*高价为2015年4月的2264元/吨）；棉花价格波动幅度为133%（*低价为2015年11月的6.45元/公斤，*高价为2014年9月的15.06元/公斤）。农产品价格的异常波动，严重扰乱了农产品市场正常的经营秩序，不仅增加了农业从业者收入的不确定性和生产决策的风险性，也在一定程度上影响了广大民众（尤其是低收入人群）的生活福利，对我国经济社会健康平稳运行造成诸多负面影响。近年来，中央一号文件和政府工作报告多次强调农产品市场价格监测预测的重要性，呼吁加快完善重要农产品价格调控机制，避免农产品市场价格大起大落。因此，在客观分析农产品价格波动规律的基础上，运用先进的预测建模方法，精准预测农产品价格波动的趋势与幅度，具有重要的现实指导意义，具体包括以下三个方面。 （1）宏观层面，农产品价格波动趋势、异常点监测结果可为政府相关部门制定价格调控、风险补贴等政策提供科学决策参考。 （2）中观层面，农产品价格的中长期预测结果可引导农业生产企业理性判断价格走势，及时调整生产结构。 （3）微观层面，农产品价格的短期预测结果有助于农户合理规避市场风险，增加从业收入。 从事农产品价格波动预测的研究机构主要包括政府职能部门、科研院所及高等院校。政府及科研院所在数据获取方面具有得天独厚的优势，通常采用复杂的大系统模型，分析各类政策及影响因素对农产品生产、消费、价格、市场等维度的冲击作用。国际上比较具有代表性的有：经济合作与发展组织和联合国粮食及农业组织的Aglink-Cosimo模型、国际食物政策研究所的IMPACT 和美国农业部与宾夕法尼亚州立大学联合开发的PEATSim模型；国内的则有中国科学院的中国农业政策分析和预测模型（China agricultural policy simulation and projection model，CAPSiM）和中国农业科学院农业信息研究所的中国农产品监测预警系统（China agricultural monitoring and early-warning system，CAMES）（李建政等，2020）。基于这些宏观系统模型的预测结果及相关领域专家的经验判断，可进一步形成对国内及国际农产品市场的中、长期趋势判断，如美国农业部发布的年度预测报告、中国农业科学院农业信息研究所发布的《中国农业展望报告》等。相比之下，高等院校围绕农产品价格波动预测的研究工作则相对微观，通常聚焦于某个地区或某类特定农产品，通过使用新型预测模型或对原有算法进行优化改进，以达到提高预测精度的目的。 基于定量方法对农产品价格波动进行预测建模，*早可追溯至20世纪50年代。Cox和Luby（1956）使用多元回归模型对美国生猪价格进行提前6～12个月的预测，为当地农户有效制订养殖计划提供帮助。类似地，Maki（1963）运用计量模型分析了美国畜禽产品市场的供需波动周期，进而预测未来价格走势。20世纪70年代后，时间序列分析兴起并发展，各类时间序列模型，如自回归单整移动平均（autoregressive integrated moving average，ARIMA）模型、季节性ARIMA（seasonal ARIMA）模型、指数平滑（exponential smoothing，ES）模型、向量自回归（vector autoregression，VAR）模型等开始广泛应用于农产品市场研究（Bessler and Brandt，1981；Brandt and Bessler，1984；Zapata and Garcia，1990），为定量化分析农产品价格波动规律及机制提供了方法基础。20世纪末21世纪初，人工神经网络模型作为一种新型建模方法被引入农产品价格预测领域。相较于传统经济计量模型，人工神经网络因其具有良好的自组织和主动学习机制，有效地改善了预测性能（Chen and Li，2019；Liu et al.，2020；Puchalsky et al.，2018；Zou et al.，2007）。尽管如此，仍有经济学家认为，在其他领域得以普遍运用并取得良好效果的先进预测方法和模型，在农产品市场中并未得到充分的应用与检验，农产品市场研究中所应用的预测方法总体相对陈旧（Colino et al.，2011）。因此，更好地吸收在其他预测领域（如金融、能源等）取得良好应用成效的新型预测方法，可视为提高农产品价格波动预测性能的有效途径。 进一步，农产品价格波动的定量预测建模方法可分为两种类型：一种是基于变量间的相关性；另一种是基于时间上的相关性。所谓变量间的相关性，是指首先确定导致农产品价格波动的各类影响因素，然后以影响因素为解释变量、价格波动为被解释变量建立预测模型的方法，常用的有多元回归模型、神经网络模型等。时间上的相关性是指仅使用历史价格数据去预测未来价格的预测建模方法，即时间序列预测法，常用的有ARIMA模型、带时滞性的神经网络模型等。这两类方法各有优缺点，基于变量相关性建立的预测模型，具有较好的经济解释性，能够帮助人们理解不同因素对价格波动的影响程度，但数据收集的工作量较大。基于时间相关性的预测建模方法，数据获取较为便利，模型的外推性能较优，但模型的可解释性较差。农产品价格波动的影响因素多为低频数据（如土地成本、劳动力成本、居民消费水平等多为年度数据）且不便于预测高频的价格数据（如日度或周度价格波动）。此外，相关外部冲击因素难以定量测度，不便于作为预测模型的解释变量。基于上述考虑，本书仅讨论运用时间序列分析工具作为农产品价格波动的预测建模方法。 时间序列预测建模方法立足于预测对象所处的复杂系统，在充分分析预测对象历史变动规律的基础上，选择恰当的数理模型以拟合研究对象的数据生成过程，从而实现对其未来发展趋势的外推判断。就应用领域而言，能源预测（包括需求、价格、存储量等）、金融预测（包括汇率、股市、期货等）、经济预测（包括宏观经济发展水平、人口、货币等）是应用较多且成果显著的几大领域（陈彦斌等，2009；Chai et al.，2016；Wang et al.，2020；Yu et al.，2017；孟令国等，2014；熊志斌，2011；张健等，2020）。近十年来，随着全球经济一体化程度不断加深及各类“黑天鹅”事件不时发生，各领域的研究数据均呈现出更为频繁且剧烈的波动趋势，时间序列中的不规则变动越来越多，为预测建模带来了新的挑战。在此背景下，分解集成方法论成为应对复杂系统预测建模的有效方法（Yu et al.，2008；Ling et al.，2019a；Tang et al.，2012）。 分解集成方法论基于“分而治之”的思想，包括三个研究步骤，即时序分解、单项预测和集成预测。首先，采用时序分解技术，将原本非平稳、非线性的复杂时序分解为多条相对简单且规律性明显的子序列，这不仅有效降低预测建模的难度，还可加深研究者对各子序列经济内涵的理解；其次，为每条子序列选择恰当的预测模型，从而得到各子序列的预测值，即单项预测结果；*后，采用恰当的方法集成各子序列的预测值，得到*终结果。该方法论自提出后，已在金融、能源、交通等众多领域的实证研究中取得良好效果，被公认为是应对复杂系统预测建模难题、提高预测性能的有效工具（Yu et al.，2017；Xie et al.，2017；Cao et al.，2019）。 相较于直接建模策略，分解集成方法论已在众多预测实践中取得普遍性的实证优势。然而，笔者在研究工作中发现，该方法论仍存在进一步改进和优化的空间。例如，就时序分解而言，如何进一步减少端点效应和模态混淆对经验模态类分解算法的影响，确保子序列*大程度还原或保留原始数据的波动形态？就单项预测建模而言，如何依据各子序列不同的数据形态，在众多常用的预测模型中自动匹配*佳模型，避免模型选择的主观性与盲目性？在集成预测中，如何基于一定理论依据构建*优集成子集？如何借助大数据时代丰富的数据资源，丰富集成预测的信息多样性来源？这些问题的解决，不仅能够提高分解集成预测建模方法对不同类型研究对象的适用性，同时也可进一步完善分解集成预测方法论的理论基础。 综上所述，运用先进的预测建模方法提高农产品价格波动的预测精度，有助于确保我国农产品市场的健康平稳运行，具有重要的现实意义；与此同时，对作为预测科学领域代表性研究方法之一的分解集成方法论进行完善与创新，避免方法（模型）选择的主观性和风险性，具有较高的理论价值。在此背景下，本书研究工作将以数据驱动思想为指导，以分解集成方法论为主体框架，探讨和构建一个与研究对象数据特征（内涵）相匹配的分解集成预测建模流程，综合运用智能优化和机器学习算法，将建模过程中相关难题转化为分类或优化问题，减少建模过程中的人为干扰环节，提高分解集成方法论对不同类型研究数据的适用性。此外，本书还将改进的方法论应用于我国农产品市场价格波动预测研究，选取典型农产品为研究对象，实证改进方法论的有效性，为提高农产品价格预测精度提供新的研究视角与方法。具体而言，本书研究工作的理论及现实意义体现为以下两个方面。 （1）理论意义：本书设计一种与时间序列波形特征及复杂度特征相匹配的经验模态类分解算法优化方案，减少端点效应及模态混淆问题对时序分解效果的影响，确保分解后子序列*大程度保留原序列的数据信息；此外，提出一个与时序特征相匹配的预测模型自适应选择框架，克服预测模型选择的主观性与盲目性，减少未知预测情景中的模型选择风险；*后，构建一种以信息论为基础的*优子集选择策略，将ISD融入单时间序列预测模型，设计一种融合多时间尺度的集成预测策略，不仅完善集成预测的子集选择理论基础，还进一步丰富集成预测的数据来源。 （2）现实意义：本书将改进后的分解集成预测建模流程应用于农产品价格波动研究，对我国主要畜禽产品及蔬菜类产品的价格波动趋势展开短、中、长期预测，以满足多方主体对不同期限的价格预测的需求。对农产品价格波动幅度与趋势的精准预测，有助于农业生产者及相关涉农企业提前预判市场风险、合理布局生产资源；同时，还为政府相关部门制定农产品价格调控措施提供决策参考，切实保障农产品市场健康平稳运行、确保农民持续增收。 1.2 国内外研究现状
书友推荐
- >
月亮与六便士
月亮与六便士
¥18.1¥42.0 - >
巴金－再思录
巴金－再思录
¥14.7¥46.0 - >
回忆爱玛侬
回忆爱玛侬
¥13.8¥32.8 - >
诗经-先民的歌唱
诗经-先民的歌唱
¥15.5¥39.8 - >
企鹅口袋书系列·伟大的思想20:论自然选择(英汉双语)
企鹅口袋书系列·伟大的思想20:论自然选择(英汉双语)
¥6.3¥14.0 - >
经典常谈
经典常谈
¥28.3¥39.8 - >
上帝之肋:男人的真实旅程
上帝之肋:男人的真实旅程
¥19.3¥35.0 - >
罗庸西南联大授课录
罗庸西南联大授课录
¥13.8¥32.0
本类畅销
-
元代榷盐与社会(2009/8)
¥11.6¥30 -
工业现代化――新时代的制造强国之路
¥37.3¥49 -
健身经济
¥49.3¥69 -
农产品深加工技术2000例-专利信息精选(下册)
¥7.8¥19 -
用户知识付费行为及教育共富研究
¥49.3¥69 -
