基于STL-Informer-ARIMA组合模型的猪肉价格预测方法研究

摘 要： 合理预测猪肉价格对稳定生猪市场价格波动及促进猪产业的健康持续发展具有重要意义。本文深入研究了猪肉价格的影响因素，整合了29 种相关价格数据。通过分析数据特征，针对Informer 模型在猪肉价格数据提取方面的局限性，对Informer 模型进行改进，将自注意力机制ProbAttention 更换为Synthesizer 模型，引入了价格波动模块。在此基础上，本文提出了一种新的价格预测组合模型STL-Informer-ARIMA，模型结合了随机森林（Random Forest）和递归特征消除（Recursive Feature Elimination）进行特征选择，利用季节性和趋势分解法（Seasonal and Trend DecompositionUsing Loess）对猪肉（白条猪）价格进行分解，采用ARIMA模型对季节项进行预测，同时针对趋势项和残差项采用改进的Informer 模型进行预测。实验表明，STL-Informer-ARIMA 组合模型的MSE为0.532，MAE为0.446，RMSE为0.729，MAPE为0.030，R2为0.958，相较于LSTM、SVR和GRU等常用价格预测模型，本文的组合模型有效提升了猪肉价格预测的准确性和可靠性。

关键词： 猪肉；价格；特征选择；改进的Informer；组合模型

中图法分类号： F323.7 文献标识码： A 文章编号： 1000-2324（2024）03-0367-09

猪肉产业的持续繁荣对于我国经济的稳定和发展起到了重要的推动作用。根据国家统计局2023 年的数据，我国生猪出栏超7.2 亿头，年增长率3.8％，猪肉产量达到5 794 万t，同比增长4.6％。随着我国经济的持续高速增长和社会结构的深化变革，影响生猪产业健康稳定发展的因素日趋复杂多变，涉及市场供需动态、疫病防控、环保政策、国际贸易环境等诸多方面。本文深入探讨当前猪肉价格的影响因素，结合经济形势和市场动态，围绕猪肉价格走势预测分析方法开展研究。

在农产品价格预测领域，学者们从多个角度展开了探索和研究。早期，对价格预测采用的大多是单一预测模型［1］，例如Martin-Rodriguez 提出了限制性进化样条模型来对比英国市场的金丝雀番茄的每日价格的季节性变化，该模型对于捕获季节性模式变化的动态能力有着较好的效果［2］。鉴于时间序列数据的非线性特性，机器学习模型近年来广泛用于时间序列预测［3］。石波等提出改进的RBF神经网络模型对我国大豆价格进行预测，结果表明模型预测精度较高、泛化能力较强，能够很好捕捉大豆价格变化规律［4］。Xiong T 等从生猪价格序列中分离出周期性和趋势性成分，利用最相似子序列搜索方法和支持向量回归模型对这些成分进行预测［5］。针对预测模型单一、精度低、不稳定等问题，Lu H等提出了组合模型预测的概念，被普遍用于提高个体预测的准确性［6-7］。Zhou 等提出一种新框架，将Transformer 与季节趋势分解方法相结合，与现有方法相比，FEDformer对多变量和单变量时间序列的预测误差分别降低了14.8%和22.6%［8］。刘合兵等提出了CEEMDAN-PCA-CNN-LSTM的组合预测模型，通过CEEMDAN方法解决了白噪声残留问题，简化了参数选择，并结合了CNN和LSTM的优势，达到了增强模型预测精度的效果［9］。

综上所述，学者们在农产品预测模型领域作出了重要贡献，但在某些方面仍然存在挑战。例如，在猪肉价格数据集上，现有模型的泛化能力较弱，难以准确提取猪肉价格数据中的关键信息。针对这些问题，本文分析了猪肉价格数据特点，构建价格波动模块，增强了对猪肉价格波动信息的提取，并针对Informer 模型在猪肉价格数据提取上的局限性，对Informer 模型进行改进，提高了模型精度和信息提取完整性。本文提出了STL-Informer-ARIMA 组合模型，提升了猪肉价格预测的准确性。