ARIMA模型在农产品价格预测中的应用

doi:10.3778/j.issn.1002-8331.2009.25.073

计算机工程与应用 ›› 2009, Vol. 45 ›› Issue (25): 238-239.DOI: 10.3778/j.issn.1002-8331.2009.25.073

ARIMA模型在农产品价格预测中的应用

刘峰^1,2，王儒敬¹，李传席^1,2

1.中国科学院合肥智能机械研究所，合肥 230031
2.中国科学技术大学自动化系，合肥 230027

收稿日期:2008-05-07 修回日期:2008-07-25 出版日期:2009-09-01 发布日期:2009-09-01
通讯作者: 刘峰

Application of ARIMA model in forecasting agricultural product price

LIU Feng^1,2，WANG Ru-jing¹，LI Chuan-xi^1,2

1.Institute of Intelligent Machines，Chinese Academy of Sciences，Hefei 230031，China
2.Department of Automation，University of Science and Technology of China，Hefei 230027，China

Received:2008-05-07 Revised:2008-07-25 Online:2009-09-01 Published:2009-09-01
Contact: LIU Feng

摘要/Abstract

摘要： 利用农产品价格时间序列的当前值和过去值准确预报未来值，将有利于正确引导农产品流通和农业生产，实现农产品区域供求平衡，并为政府和农户提供结构调整的依据。针对农产品价格这一重要问题，以白菜月价格数据为例，构建非平稳时间序列ARIMA（p，d，q）模型并预测白菜未来的月价格。结果表明ARIMA（0，1，1）模型能很好地模拟并预测白菜月价格趋势，为农产品市场信息的准确预测提供重要方法。

关键词: 农产品价格, 时间序列, 自回归移动平均模型, 价格趋势

Abstract: The forecast of future values of a time series based on the current and past values of the prices of agricultural products is helpful to guide agricultural products circulation and production，balance the supply and demand in different regions and provide the basis for agricultural restructuring by the government and farmers.To address this important issue，this paper introduces the non-stationary time series model ARIMA（p，d，q） built on monthly prices of cabbage and attempts to forecast the price in the coming months.The result proves that ARIMA（0，1，1） can correctly simulate and forecast the price trend of cabbage，providing an important method for the accurate forecast of agricultural product market information.

Key words: prices of agricultural products, time series, Autoregressive Integrated Moving Average Model（ARIMA）, price trend

中图分类号:

TP311

刘峰^1,2，王儒敬¹，李传席^1,2. ARIMA模型在农产品价格预测中的应用[J]. 计算机工程与应用, 2009, 45(25): 238-239.

LIU Feng^1,2，WANG Ru-jing¹，LI Chuan-xi^1,2. Application of ARIMA model in forecasting agricultural product price[J]. Computer Engineering and Applications, 2009, 45(25): 238-239.

[1]	逯曼皎，张伟，徐涛. 基于动态矩阵模型的可优化的补货策略[J]. 计算机工程与应用, 2021, 57(7): 263-268.
[2]	姚洪刚，沐年国. EMD-LSTM模型对金融时间序列的预测[J]. 计算机工程与应用, 2021, 57(5): 239-244.
[3]	丁智慧，乔钢柱，程谭，宿荣. 基于LSH的shapelets转换方法[J]. 计算机工程与应用, 2021, 57(3): 112-119.
[4]	吴明慧，侯凌燕，王超. 面向预测的长短时神经网络记忆增强机制[J]. 计算机工程与应用, 2021, 57(21): 109-115.
[5]	曹文超，干宏程. 基于WiFi数据的地铁车站客流预警模型[J]. 计算机工程与应用, 2021, 57(13): 233-238.
[6]	麻琛彬，张政波，王晶. 基于深度学习的生理异常检测研究综述[J]. 计算机工程与应用, 2021, 57(10): 10-25.
[7]	展鹏，陈琳，曹鲁慧，许浩然，李学庆. 核转折点裁剪表示的时间序列异常检测算法[J]. 计算机工程与应用, 2020, 56(23): 130-138.
[8]	王见，毛黎明，尹爱军. 结合形状特征及其上下文的多维DTW[J]. 计算机工程与应用, 2020, 56(22): 42-47.
[9]	谭章禄，王兆刚，胡翰. 时间序列趋势相似性度量方法研究[J]. 计算机工程与应用, 2020, 56(10): 94-99.
[10]	桑海峰，田秋洋. 面向人机交互的快速人体动作识别系统[J]. 计算机工程与应用, 2019, 55(6): 101-107.
[11]	王凯，陈丹伟. 基于LSTM的动态图模型异常检测算法研究[J]. 计算机工程与应用, 2019, 55(5): 76-82.
[12]	邓烜堃1，2，万良1，2，丁红卫1，2，辛壮1，2. 基于深度学习的交通流量预测研究[J]. 计算机工程与应用, 2019, 55(2): 228-235.
[13]	李梅1，2，宁德军1，郭佳程1，2. 基于注意力机制的CNN-LSTM模型及其应用[J]. 计算机工程与应用, 2019, 55(13): 20-27.
[14]	刘恒，侯越. 贝叶斯神经网络在股票时间序列预测中的应用[J]. 计算机工程与应用, 2019, 55(12): 225-229.
[15]	李少伟1，王胜正2. 基于递归卷积神经网络的移动机器人定位算法[J]. 计算机工程与应用, 2019, 55(10): 240-243.

ARIMA模型在农产品价格预测中的应用

Application of ARIMA model in forecasting agricultural product price

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics