基于BP神经网络的猪肉价格预测.docx

会员专享推荐 · 你可能也用得上更多

开通会员，畅读全站文档

本篇文档已为你保留

本篇文档价值 ~~¥35.00~~会员免费解锁

全文不限次阅读，剩余内容即刻解锁
高速下载通道，免排队、无等待
专属客服 1 对 1 答疑，优先响应
每日赠送下载券，本篇文档免费送

有 86 篇商业计划书正在上传

下载原文档

基于BP神经网络的猪肉价格预测王金鑫王赫晨董志贵【摘要】本文选取2011年至2017年猪肉价格作为训练样本，构建了月猪肉价格预测的BP神经网络模型，并对2017年1月至9月的猪肉价格进行了预测与验证，验证结果表明：模型拟合效果好，预测精度高，最大相对误差为2.626%，最小相对误差为0，误差范围在允许范围内。【关键词】BP神经网络猪肉价格预测1.引言猪肉价格预测是指根据历史销售价格和市场供求信息等数据，对影响猪肉价格的各项因素进行分析和研究，进而估计未来某个时期价格水平。统计学方法是猪肉价格预测的传统方法，主要有回归分析法、统计模型法、GM（1，1）模型、灰色系统理论等。我国猪肉市场具有复杂性，影响因素众多，且易发生较大变化，传统的统计学方法不能很好地预测其商品价格。人工神经网络通过模仿人类大脑神经元对外界刺激做出反应的过程而建立起来的一种模型，具有大规模并行、分布式储存和处理、自组织、自适应、自学习和容错性等特点，特别适用于需要同时考虑多因素和多条件的系统中，因子之间的相互作用机理还不清楚、不精确和模糊信息问题的处理。本文尝试利用BP神经网络模型进行猪肉价格预测研究，进而获得高精度的猪肉预测价格。2.基于BP神经网络的猪肉价格预测模型2.1BP神经网络算法的模型BP神经网络算法是基于误差反向后传算法的多层前馈型神经网络，其学习过程包括输入信号额正向传播和误差信号的反向传播。本文以常用的单隐含层BP神经网络结构模型为例，构建猪肉价格预测模型。输入层设置10个输入神经元，输出成设置1个输出神经元，隐含层设置15个神经元，隐含层和输出层的传递函数均选取单极性Sigmoid函数，学习率为0.8，网络参数采取随机产生。2.2数据处理与训练样本构建2011年1月至2017年12月猪肉价格的历史数据如表1所示，根据BP神经网络结构模型参数构建训练样本，用于猪肉价格预测模型训练。根绝BP神经网络模型的结构参数，预测模型训练样本的构建方法如下：利用2011年1月至10月的价格与测2011年11月的猪肉价格，即利用2011年1月10月的猪肉价格作为一组输入，2011年11月的猪肉价格作为输出;同理，2011年2月至11月的猪肉价格作为第二组输入，2011年12月的猪肉价格作为输出;依次类推，2016年2月至11月的猪肉价格作为第七十四组输入，2016年12月的猪肉价格作为其对应的输出。依据此方法，共构建62组训练样本集。2.3 BP神经网络模型训练以74组训练样本作为输入和输出信号，运用MATLAB 2010Ra的神经网络工具箱编写基于BP神经网络的猪肉价格预测程序，进行BP神经网络模型训练，当网络输出误差满足网络预设精度0.0001时，停止训练，获得猪肉价格预测的BP神经网络模型。基于BP神经网络的猪肉价格预测模型的拟合效果如图1所示。3.基于BP神经网络的猪肉价格预测以2016年3月至2017年9月的历史猪肉价格，利用本文构建的BP神经网络模型进行猪肉价格预测，预测2017年1月至2017年9月的豬肉价格，验证本文建立模型的正确性和可行性。预测结果及误差分析如表2所示。由上表分析可以看出，预测值与真实值的相对精度较高，最大相对误差为2.626%，最小相对误差为0。误差范围在允许范围内。4.结论本文运用BP神经网络算法构建猪肉价格预测的结构模型，选取2011年至2017年猪肉价格作为训练样本，构建了月猪肉价格预测的BP神经网络模型，并对2017年1月至9月的猪肉价格进行了预测与验证，验证结果表明：模型拟合效果好，预测精度高，最大相对误差为2.626%，最小相对误差为0，误差范围在允许范围内。【参考文献】[1]丁琳琳.中国猪肉价格波动规律与预测预警研究[D].东北农业大学，2011.[2]董玲.我国猪肉价格波动研究[D].内蒙古农业大学，2010.[3]李秉龙，何秋红.中国猪肉价格短期波动及其原因分析[J].农业经济问题，2007，10：54-55.[4]刘春芳，王济民.我国生猪价格波动原因分析及趋势判断[J].农业展望，2009，5：12-14.作者简介：王金鑫（1999-），男，汉族，山西大同人，辽宁科技学院冶金工程学院，研究方向：材料成型及控制工程;王赫晨（1999-），男，汉族，辽宁葫芦岛人，辽宁科技学院冶金工程学院，研究方向：材料成型及控制工程。通讯作者：董志贵（1980-），男，汉族，河北沧州人，辽宁科技学院创新创业学院，副教授，主要从事农业系统工程、创新创业研究。