一种基于改进时间卷积网络的生猪价格预测方法

摘要

针对传统的生猪价格预测方法存在预测精度不够高,容易陷入局部最小值等问题,为更加精准地预测生猪价格,采用随机森林回归(RFR)、极限梯度回升(XGBoost)、轻型梯度提升机(LightGBM)3种机器学习模型和改进网络结构的时间卷积网络(TCN)模型方法,以经过Z-Score标准化预处理的西南地区某省2011—2020年每周生猪价格数据为样本,对生猪价格预测进行研究。结果表明:TCN模型预测结果的均方误差(MSE)为0.340 606,平均绝对误差(MAE)为0.288 424,决定系数(R^(2))为0.995 683,均优于其他3种机器学习模型;与3种机器学习模型中效果最好的极限梯度回升(XGBoost)预测结果比较,3个指标分别提升了26%、8%和0.15%。改进网络结构的时间卷积网络模型可以更加精准地预测生猪价格。