基于改进LSTM模型的农产品短期价格预测方法

张保国 任万明 吴兵

(1山东麦港数据系统有限公司山东济南250100;2山东省现代农业农村发展研究中心山东济南250100;3济南市农业农村信息中心山东济南250100)

农业是国民经济的基础，农产品市场是我国市场经济的重要组成部分，农产品价格的波动直接关系农民切身利益乃至国民生活质量。农产品短期价格受自然灾害、重大疫情等的影响，农产品短期价格呈现波动大、非平稳、非线性的特点，这对农民的收入和农产品市场的稳健发展等产生不利的影响。因此，对农产品短期价格进行预测，帮助政府做出相关决策实施宏观调控、对农业从业者进行指导、维持农产品市场的稳健具有重要作用。

根据原理不同，农产品短期价格预测可以分为2种：定性预测方法和定量预测方法［1］。定量预测方法是农产品短期价格预测领域的主流方法，又可以分为传统方法和智能方法两大类。传统方法主要指计量经济方法，其中比较流行的有差分整合移动平均自回归（Autoregressive Integrated Moving Average，ARIMA）模型［2-3］、自回归条件异 方 差（Autoregressive Conditional Heteroscedasticity，ARCH）模型［4-5］、线性回归等。经济计量模型普遍对非线性数据预测具有局限性，对数据使用有太多限制。智能方法中比较普遍使用的有人工神经网络［6-8］、遗传算法［7］等。目前，在农产品短期价格预测方面，遗传算法主要是与其他预测方法组成混合模型来使用，但是遗传算法中参数的选择主要是靠经验来选择，而参数的人为选择很容易对预测结果造成不利影响。

总体来看，农产品价格的影响因素大概可以分为2种：内部因素和外部因素。内部因素主要是人们按照以往的价格来定价，这使得农产品价格序列表现为历史相关性；而外部因素则由国民经济体中其他的市场变动、自然灾害、重大疫情等情况引起，这使得农产品短期价格序列表现为波动大、非平稳、非线性的特点。

刘峰等［9］利用农产品价格时间序列的当前值和过去值准确预报未来值，以白菜价格为例，构建了非平稳时间序列ARIMA（p，d，q）。姚霞等［10］以南京市青椒价格为例，构建了非平稳时间序列ARIMA（p，d，q）模型，描述并预测时鲜农产品价格的动态变化。但是ARIMA模型过于依赖数据的稳定性，它本质上只能捕捉线性关系，不能捕捉非线性关系，在面对非线性时间序列时，ARIMA模型则差强人意。

马孝斌等［11］对影响生猪市场价格的几个关键因素进行关联分析，在此基础上建立了生猪市场价格预测的向量自回归模型，并运用此模型对实际数据进行了预测和分析。苏博等［12］在对中国粮价的研究中，运用回归分析模型分析了影响中国粮价运行的影响因子，并结合中国粮食价格定价和作用机制在不同时期的发展变化，运用逐步回归方法构造出了粮价预测模型。但是回归分析对数据的异常值十分敏感，并且难以对数据的异常值和大幅波动进行处理。

罗万纯等［13］利用GARCH、GARCH-M、TARCH和EGARCH等ARCH类模型对粮食价格的波动、波动的非对称性进行了分析，并提出了对粮食价格预测的建议。董晓霞等［8］使用双指数平滑、Holt-W inters无季节性模型和ARCH模型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。但是ARCH模型对参数的限制极其严格，而且ARCH模型会过高估计抖动率。

牛东来等［14］以北京市2015—2017年几个街道的鸡蛋价格为数据集，以过去5 d的价格作为输入，使用基于Levenberg-Marqardt的BP算法，有效克服了标准BP算法收敛速度缓慢、过拟合等不良现象，总体上对检验样本的数据具有很好的拟合效果。张津等［15］利用神经网络的很强的非线性、自组织、自学习能力，选用基于时间序列的BP神经网络预测法，对猪肉的价格进行预测。但是普通神经网络虽然可以有效的拟合数据，但是它并没有对起伏尖锐的大幅的、不正常的波动数据进行处理，在这方面它存在着不足。

易利容等［16］提出了一种基于多变量分析的LSTM时序预测方法，该方法利用数据的远距离信息和多变量相关性，有效地提高了工业传感器时序数据预测的准确性。但是，农产品短期价格波动频繁，数据异常值和大幅波动对预测精度影响极大，该模型难以对其进行处理。

Kyunghyun等［17］提出了区别于LSTM的另一种门控循环单元（GRU）的门控机制，目标是让每个经常性单位自适应捕捉不同时间尺度的依赖关系，Chung等［18］也对GRU进行了具体的研究。但该思想也难以结合数据异常波动和大幅波动来对数据进行处理。

农产品的价格受到内部外部多方面的影响，呈现出波动大、非线性、非平稳的特点，而剧烈起伏的波动往往对预测结果产生不好的影响，但是目前现有的方法难以对起伏尖锐的、大幅的、不正常的波动数据进行处理。对此，本文针对农产品价格的历史相关性，使用LSTM来解决，其次，针对由自然灾害等引起的大幅波动，可以使用价格波动数据来降低其影响。因此，考虑对标准的LSTM模型进行改进，提出一种新的W-LSTM模型，输入价格数据和波动数据来训练模型，来减少异常价格波动和大幅波动对预测结果的影响，实现对农产品短期价格的精准预测。

1 W-LSTM模型

1.1 数据预处理

由于农产品的价格受到历史价格及其价格波动的影响，因此，进行如下定义：

定义t为历史相关天数：xi表示第i天的价格数据，则输入数据为Xi={x1，x2……xt}，X2={x2，x3……xt+1}，以此类推，直到最后一天；价格波动使用公式Δpi=pi-pi-1来计算获得，当i=1时，假定前一天的数据为0，则Δw1=w1，价格波动的输入格式为ΔPi={Δp1，Δp2……Δpt}，ΔP2={Δp2，Δp3，……Δpt+1}，以此类推，直到最后一天。

1.2 模型定义

LSTM模型的输入包括历史价格数据和历史价格波动数据，即使用前t天的数据作为输入来预测t+1天的价格。

LSTM是一种特殊的RNN结构，是由Hochreiter等［19］在1997年提出的，用于决定何时以及如何更新RNN的隐藏状态，由于其很独特的设计结构，LSTM可以很好的解决梯度消失问题，它特别适合处理时序问题。标准的LSTM单元包括遗忘、输入、输出门。

W-LSTM在LSTM的基础上，将其输入信息进行了相应的处理，将历史价格数据和价格波动数据进行相应的处理作为数据的输入，并且它还包括前置门、遗忘门和输出门（图1），因此，它相对标准LSTM能处理更多的信息，在本研究中它的输入包含历史价格信息和价格波动信息。

图1 W-LSTM结构图

前置门（Front gate），将价格信息和价格波动信息进行结合形成组合信息：

其中，Xi是价格信息用来分析历史价格变动规律，Pi是由价格信息中提取出的价格波动信息单独作为输入，来强化模型对价格波动的处理，{Wx，Wp，bx，bp}是网络参数。tanh激活函数的输出结果在［-1，1］之间，输出值越靠近-1，代表负波动越大；输出值越靠近1，代表正波动越大。数据波动越大，它对W-LSTM模型的训练影响就越大，相反，当波动为0时，输入的波动数据便对模型的训练无影响，此时，W-LSTM模型便相当于标准LSTM。

遗忘门（Forget gate），是控制是否“遗忘”的历史状态信息。

其中，ht-1是上一序列的隐藏状态，sk是本次的输入序列。定义Wf为ht-1的偏重矩阵，Uf为sk的偏重矩阵，bf为偏置。

输入门（Input gate）负责将当前输入补充到最新的“记忆”中，它包含两个部分：第一，Sigmoid层输出it；第二，一个Tanh层创建一个新的候选值向量，会被加入到状态中。定义{Wt，Ut，bt}{Wa，Ua，ba}为输入门的网络参数，则

然后更新细胞状态：

输出门（Output gate）控制着有多少“记忆”可以用于下一层网络的更新中，定义{Wo，Uo，bo}为输出门的网络参数，输出门的计算可用公式6表示：

在计算得出Ot后，还需要使用Tanh函数把记忆值压制到［-1，1］，所以最终输出门的输出公式为：

最后一个W-LSTM层输出的历史信息经过一个预测层输出结果y：

1.3 训练过程

W-LSTM的训练过程如下：

按照前向计算公式（1）～（8）计算W-LSTM细胞的输出值。

按照时间和网络层级2个方向反向传播，计算误差项。

根据相应的误差项，计算每个权重的梯度，更新权重。

重复（1）～（3），得到一组最优的参数，并保留下来。

为了防止训练过程中过拟合，本研究使用Dropout正则化技术［20］，它在2014年由Hinton教授的团队提出。Dropout提供了一种巧妙的方式，通过减少权重连接来增加网络模型的泛化能力。

2 实验

2.1 实验设置说明

本节将通过实验评估提出的W-LSTM模型。实验环境为：INTEL Corei5 CPU，2.80GHz；4G内存。实验数据为天津市2016年7月到2019年1月每天的蔬菜价格数据。每个对比实验情况均运行10遍，取平均值。

设置了3个对比模型：

（1）W-LSTM模型，输入历史价格信息与价格波动信息训练模型，进行预测。

（2）LM算法改进的BP神经网络，只将历史价格信息作为输入，使用前n天的价格信息预测第n+1天的农产品价格。

（3）ARIMA模型，将农产品价格随着时间推移而生成的数据序列视为一个随机序列，用一定的数学模型来近似的描述这个序列。

同时，为了检验W-LSTM模型的普适性，使用辣椒、大葱、韭菜和西红柿4种价格数据进行实验来对3种模型进行比较。

2.2 模拟比较试验

本小结分别使用W-LSTM模型、LM算法改进的BP神经网络和ARIMA模型来进行实验，对预测结果的准确性判定公式使用的是均方误差（MSE）和决定系数（R2）。

MSE和R2是评价模型准确率的常用指标，MSE是反映估计量与被估计量之间差异程度的一种度量，MSE越小代表着模型准确率越高；R2越大，自变量对因变量的解释程度越高，自变量引起的变动占总变动的百分比高，观察点在回归直线附近越密集，代表模型拟合程度越高。其中n代表总样本，Y_actual表示真实数据，Y_predict代表预测结果，Y_mean代表真实数据平均值。

通过对蒜苗价格序列进行建模预测，图2、3分别是使用W-LSTM模型和ARIMA模型得到的预测结果与实际数据的比较。很明显，本研究提出的W-LSTM模型预测结果更理想。

图2 W-LSTM预测结果

通过观察图3数据发现，ARIMA模型的实验结果明显与其它模型有较大的偏差，而R2甚至小于0，这代表预测结果与原数据毫无关系。ARIMA模型在处理平稳时间序列时表现良好，当数据不平稳时，需要通过一定的处理方式得到平稳序列，而本实验使用的蒜苗价格数据具有连续不变性和突变性，即在一段时间内连续不变，然后突然垂直变化，这种特性导致数据在差分的时候，损失了太多信息，导致ARIMA模型预测效果极其不好，偏差极大。

图3 ARIMA模型预测结果

训练结束后，输入数据进行预测，W-LSTM模型和LM算法改进的BP神经网络的MSE随着预测的进行，变化如图4所示。W-LSTM模型的MSE为0.032，LM-BP模型的MSE为0.059，ARIMA模型的MSE为0.923。W-LSTM模型的MSE比其它模型都要小，模型准确率最高；而R2比其它模型大，代表W-LSTM模型的拟合程度相对其它模型来说更高。总体来说，两个模型的MSE变化趋势大致相同，WLSTM模型的MSE总体上小于LM算法改进的BP神经网络的MSE。

图4 W-LSTM模型和LM算法改进的BP神经网络的MSE变化

输入数据在总数据的三分之一处出现了大幅的波动，而此时两模型的MSE均出现了短暂的增长，而W-LSTM模型的MSE波动变化要小于LM算法改进的BP神经网络，这说明W-LSTM模型对处理数据的大幅波动有着更好的效果。

为验证W-LSTM模型的普适性，又使用辣椒、大葱、韭菜和西红柿4种价格数据来做为输入对三种模型进行对比实验，实验结果如表1、2。表中展示了3种模型分别在四种蔬菜上的预测结果评价指数，可以看出，W-LSTM比其他模型拥有更好的效果，同时说明了W-LSTM模型具有良好的普适性。

通过以上实验可以看出，W-LSTM模型准确率更高，拟合程度更好，同时具有良好的普适性。综合来看，针对农产品短期价格预测问题，WLSTM是一个很好的预测模型。

表1 MSE对比

表2 R 2对比

3 结语

农产品价格与农民收入息息相关，也是国家决定相关政策的重要因素，对农产品价格进行精准预测对解决农产品供需问题，促进农业生产转型、和市场经济持续健康发展具有重要意义。本文针对农产品短期价格预测提出了一个W-LSTM预测模型，以历史价格信息与价格波动信息作为输入对模型进行训练，实现对农产品短期价格的精准预测。首先，将W-LSTM对波动较大、不平稳的数据进行处理，实验结果表明，W-LSTM对于该类数据具有更高的准确率；其次，将W-LSTM用于其他的农作物产品，实验表明，该模型比以往通用预测模型在数据上有更好的普适性。

在未来，计划将此模型应用到其他具有相同特征的预测问题，让波动较大、不平稳不再成为预测问题上的一大障碍；同时，提高模型的适应性，让模型可以处理更多通用问题，例如：天气信息、重大疫情等相关信息的处理。