融合机器学习算法和多因素的禽肉交易量预测方法研究

发布时间：2023-09-16 09:09

　　【目的】为强化畜禽业生产决策和政策引导的科学性、前瞻性,有效预测多变量影响下的禽肉市场变化趋势。【方法】以白条鸡为例,综合考虑多重因素对白条鸡交易量的影响,提取50个可能与白条鸡交易量预测有关的变量作为数据特征,对比当前主流的机器学习算法,探索性地提出一种基于机器学习的白条鸡日均交易量预测方法,对禽肉产品供需能力进行量化预测。【结果】ElasticNet、RandomForest和GBRT三个算法预测效果均较为稳定,预测效果从优至劣依次为:GBRT、RandomForest、ElasticNet(MAE分别为:25.30、26.67、28.21);随着时间积累和训练样本数量增加,白条鸡日均交易量预测效果逐步提高;三种算法均具备提前三期的稳定预测效果。【局限】本文采用的数据特征种类和历史数据量较少,且对行业的专业认识较浅。【结论】本研究对于量化评估、预测重大突发事件对产业产值的影响具有借鉴意义,有望为政府部门预判产业危机、制定产业调控政策提供理论数据支撑。

【文章页数】：10 页

【文章目录】：
1 引言
2 文献综述
3 融合机器学习算法和多重因素的预测方法
    3.1 总体思路
    3.2 白条鸡日均交易量预测特征描述
        (1）市场主体特征
        (2）舆情信息特征
        (3）搜索意愿特征
        (4）统计数据特征
    3.3 数值型预测机器学习算法
4 实验数据与评估指标
    4.1 数据描述
    4.2 评估指标
5 实验
    5.1 白条鸡日均交易量预测实验设计思路
    5.2 数据特征对预测效果稳定性影响
    5.3 不同算法的预测效果分析
    5.4 迭代滚动预测效果分析
    5.5 预测所需最少训练样本数量分析
6 结语
作者贡献声明：
利益冲突声明：
支撑数据：



本文编号：3846728