本文關(guān)鍵詞：基于數(shù)據(jù)挖掘的玉米市場價(jià)格預(yù)測　出處：《青島大學(xué)》2017年碩士論文　論文類型：學(xué)位論文

  更多相關(guān)文章： 市場價(jià)格預(yù)測 時(shí)間序列 數(shù)據(jù)挖掘 神經(jīng)網(wǎng)絡(luò) R

【摘要】：農(nóng)產(chǎn)品的價(jià)格波動(dòng)及其將來的走勢與人們的生活息息相關(guān),而玉米是我國的主要糧食產(chǎn)量之一,生產(chǎn)量很大,種植廣泛,而且用于糧食作物、飼料作物、燃料作物等方面的消費(fèi)量也很大。所以近年來,該糧食的產(chǎn)量、價(jià)格、需求量等備受關(guān)注,尤其是價(jià)格是人們最關(guān)注的。多年來,國內(nèi)外很多學(xué)者對(duì)玉米市場做了研究,有的將時(shí)間序列的各種模型應(yīng)用到價(jià)格的分析與預(yù)測上,效果比最初的線性模型好。而現(xiàn)在使用的各種算法準(zhǔn)確度高、效果好,通常不用受很多條件的限制,而且運(yùn)算速度也是比較快的。所以,很多學(xué)者在考慮農(nóng)產(chǎn)品分析問題上也會(huì)使用數(shù)據(jù)挖掘的算法。本文致力于解決實(shí)際問題,以農(nóng)產(chǎn)品價(jià)格--玉米價(jià)格為研究對(duì)象(選取的數(shù)據(jù)為2005年1月到2016年11月的價(jià)格),在各位學(xué)者研究的基礎(chǔ)上,綜合考慮并選擇合適的方法,根據(jù)實(shí)際問題,分析借助R工具建立模型,選取最優(yōu)模型進(jìn)行最終的預(yù)測。本文分析實(shí)例問題時(shí)借助R工具,通過分析建立時(shí)間序列模型、神經(jīng)網(wǎng)絡(luò)模型:對(duì)于時(shí)間序列模型,選用AR(1)、ARIMA(1,1,1)、ARIMA(2,1,3)、多重季節(jié)MA模型ARIMA(2,1,3)、季節(jié)模型ARMA(2,0,2)這5個(gè)模型,選取出最優(yōu)的模型;對(duì)于神經(jīng)網(wǎng)絡(luò)模型,選用前五個(gè)月、六個(gè)月、十二個(gè)月的月度數(shù)據(jù)分別作為輸入神經(jīng)元,輸出神經(jīng)元為未來一個(gè)月、兩個(gè)月、三個(gè)月、四個(gè)月、未來五個(gè)月的月度數(shù)據(jù),通過設(shè)置隱藏層的單元個(gè)數(shù)、反向傳播速率、最大迭代次數(shù)等指標(biāo),共建立45個(gè)模型,通過比較選出最優(yōu)模型;最后將兩種方法進(jìn)行比較,最終選出最優(yōu)模型,進(jìn)行預(yù)測。通過對(duì)這個(gè)具體問題的分析,可以看出:(1)價(jià)格波動(dòng)的影響因素有很多,多種因素結(jié)合起來很難用線性的模型表示,用傳統(tǒng)的模型很大局限性,精度也不高。而神經(jīng)網(wǎng)絡(luò)可以很好地解決非線性問題,因?yàn)樯窠?jīng)網(wǎng)絡(luò)可以任意近似任何非線性函數(shù)。神經(jīng)網(wǎng)絡(luò)可以任意精度的逼近任何非線性函數(shù)。本文最終選取的預(yù)測方法是神經(jīng)網(wǎng)絡(luò)建模方法。(2)通過影響因素的分析,可以看出有很多指標(biāo)無法量化,所以從價(jià)格趨勢角度進(jìn)行分析。(3)通過各種模型的結(jié)果的比較,可以看出,神經(jīng)網(wǎng)絡(luò)算法用于市場價(jià)格預(yù)測,得到的預(yù)測結(jié)果與真實(shí)值得誤差是比較小的。綜合分析,最終選取神經(jīng)網(wǎng)絡(luò)模型進(jìn)行預(yù)測,并且根據(jù)預(yù)測未來時(shí)間的長短,選取不同的模型進(jìn)行預(yù)測,得出預(yù)測結(jié)果。最后,將最終得出的結(jié)論進(jìn)行延伸,分析未來更長時(shí)間的價(jià)格。
[Abstract]:The price fluctuation of agricultural products and its future trend are closely related to people's daily life, and corn is one of the main grain production in China, the production is very large, widely planted, and used for food crops, feed crops. Fuel crops and other aspects of consumption is also very large. So in recent years, the grain production, price, demand and so on, especially the price is the most concerned. For many years. Many scholars at home and abroad have done research on the corn market, some of the time series models are applied to price analysis and prediction, the effect is better than the original linear model. The effect is good, usually do not have to be limited by a lot of conditions, and the computation speed is also quite fast. Many scholars will also use data mining algorithms to consider the problem of agricultural product analysis. This paper is devoted to solving practical problems. Taking the price of agricultural products-corn price as the research object (the selected data is from January 2005 to November 2016), on the basis of the research by the scholars, the appropriate method is comprehensively considered and selected. According to the actual problem, the model is built with the help of R tool, and the optimal model is selected for the final prediction. In this paper, the time series model is established by means of R tool when analyzing the case problem. Neural network model: for the time series model, the ARIMA1 / ARIMA1 / ARIMA1 / ARIMA / AIMA / 1 / 1 / 3 / 1 and the multiple seasonal MA model ARIMA / 2 / 1 / 1 are selected. (3) the 5 models are selected as the best model. For the neural network model, the first five months, six months, twelve months of monthly data as input neurons, output neurons for the next one month, two months, three months, four months. In the next five months, 45 models are built by setting up the number of hidden layer units, the rate of back propagation, the maximum number of iterations, and so on, and the optimal model is selected by comparison. Finally, the two methods are compared, the optimal model is selected and predicted. Through the analysis of this specific problem, we can see that there are many factors that affect the price fluctuation. The combination of many factors is difficult to be expressed by linear model, and the traditional model is very limited, and the accuracy is not high, and the neural network can solve the nonlinear problem well. Because the neural network can approximate any nonlinear function arbitrarily and the neural network can approach any nonlinear function with arbitrary precision. The final prediction method chosen in this paper is the neural network modeling method. Through the analysis of influencing factors. We can see that there are many indicators can not be quantified, so from the point of view of price trend analysis. 3) through the comparison of the results of various models, we can see that the neural network algorithm is used for market price prediction. The prediction results and the real value of error is relatively small. Comprehensive analysis, the final selection of neural network model for prediction, and according to the length of the prediction of the future, select different models to predict. Finally, the final conclusion is extended to analyze future prices for a longer period of time.
【學(xué)位授予單位】：青島大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2017
【分類號(hào)】：TP311.13;F323.7

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 蘭沖鋒;張冕;;加權(quán)Markov鏈在農(nóng)產(chǎn)品生產(chǎn)價(jià)格指數(shù)中預(yù)測研究[J];阜陽師范學(xué)院學(xué)報(bào)(自然科學(xué)版);2016年02期

2 王諾;程蒙;臧春鑫;楊光;;基于自回歸積分滑動(dòng)平均模型對(duì)中藥材三七價(jià)格預(yù)測的討論[J];中國中藥雜志;2016年08期

3 張建華;孔繁濤;吳建寨;王盛威;朱孟帥;趙璞;;基于小波神經(jīng)網(wǎng)絡(luò)的辣椒價(jià)格時(shí)間序列預(yù)測模型[J];中國食物與營養(yǎng);2014年12期

4 李德仁;張良培;夏桂松;;遙感大數(shù)據(jù)自動(dòng)分析與數(shù)據(jù)挖掘[J];測繪學(xué)報(bào);2014年12期

5 馬秀麟;衷克定;劉立超;;從大數(shù)據(jù)挖掘的視角分析學(xué)生評(píng)教的有效性[J];中國電化教育;2014年10期

6 許杞剛;劉明軍;李海;;基于改進(jìn)KNN算法的農(nóng)產(chǎn)品價(jià)格預(yù)測模型[J];濟(jì)南大學(xué)學(xué)報(bào)(自然科學(xué)版);2014年02期

7 吳淑蘋;;基于數(shù)據(jù)挖掘的教師網(wǎng)絡(luò)學(xué)習(xí)行為分析與研究[J];教師教育研究;2013年03期

8 舒國軍;;遵義市農(nóng)產(chǎn)品市場價(jià)格銀行與價(jià)格預(yù)測系統(tǒng)的開發(fā)[J];電腦知識(shí)與技術(shù);2012年27期

9 李干瓊;許世衛(wèi);李哲敏;董曉霞;;農(nóng)產(chǎn)品市場價(jià)格短期預(yù)測方法與模型研究——基于時(shí)間序列模型的預(yù)測[J];中國農(nóng)業(yè)大學(xué)學(xué)報(bào);2011年02期

10 李干瓊;許世衛(wèi);李哲敏;董曉霞;;農(nóng)產(chǎn)品市場價(jià)格超短期預(yù)測研究——基于西紅柿日批發(fā)價(jià)格的現(xiàn)代時(shí)間序列法建模[J];華中農(nóng)業(yè)大學(xué)學(xué)報(bào)(社會(huì)科學(xué)版);2010年06期

相關(guān)會(huì)議論文 前1條

1 鄭桂環(huán);汪壽陽;;預(yù)測過程的系統(tǒng)流程概述——基于數(shù)據(jù)分析[A];和諧發(fā)展與系統(tǒng)工程——中國系統(tǒng)工程學(xué)會(huì)第十五屆年會(huì)論文集[C];2008年

相關(guān)博士學(xué)位論文 前2條

1 錢超;高速公路ETC數(shù)據(jù)挖掘研究與應(yīng)用[D];長安大學(xué);2013年

2 胡濤;基于非參數(shù)的水產(chǎn)品價(jià)格預(yù)測系統(tǒng)研究[D];中國農(nóng)業(yè)大學(xué);2005年

相關(guān)碩士學(xué)位論文 前8條

1 馮龍飛;基于數(shù)據(jù)挖掘的戰(zhàn)略管理會(huì)計(jì)若干問題研究[D];集美大學(xué);2015年

2 湯珊珊;基于數(shù)據(jù)挖掘的學(xué)生數(shù)據(jù)分析系統(tǒng)的研究[D];廣東技術(shù)師范學(xué)院;2013年

3 龍亞平;數(shù)據(jù)挖掘在農(nóng)信社客戶關(guān)系管理中的應(yīng)用研究[D];湖南大學(xué);2012年

4 任偉宏;基于人工神經(jīng)網(wǎng)絡(luò)的水果價(jià)格短期預(yù)測研究[D];中國農(nóng)業(yè)科學(xué)院;2012年

5 張麗;基于動(dòng)態(tài)指數(shù)平滑模型的糧食價(jià)格預(yù)測方法研究[D];河南工業(yè)大學(xué);2011年

6 李冰巖;數(shù)據(jù)挖掘在電子商務(wù)中的應(yīng)用與實(shí)現(xiàn)[D];成都理工大學(xué);2011年

7 苗開超;基于指數(shù)平滑模型的農(nóng)產(chǎn)品價(jià)格預(yù)測研究[D];合肥工業(yè)大學(xué);2009年

8 黃穎;基于主成分—神經(jīng)網(wǎng)絡(luò)的農(nóng)產(chǎn)品期貨預(yù)測研究及模型實(shí)現(xiàn)[D];首都師范大學(xué);2008年

，

本文編號(hào)：1394664