一种基于自回归移动平均和支持向量机的农产品需求量预测方法技术

本发明专利技术公开了一种基于自回归移动平均和支持向量机的农产品需求量预测方法，由于农产品在市场的需求量上具有明显的波动性和季节性差异，以ARIMA模型预测农产品需求量变动的线性趋势，SVM模型预测农产品需求量变动的非线性规律，有效的弥补了自回归移动平均算法对非线性序列的局限性，同时又发挥了自回归移动平均算法特有的差分运算和支持向量机模拟非线性、自适应自学习的优点。与使用单独的自回归移动平均和支持向量机相比较，基于自回归移动平均和支持向量机的农产品需求量预测方法可以提高预测的精确度，准确把握农产品需求量变动趋势，比单个模型的预测结果更合理、更可靠，可以作为农产品需求量时间序列预测的有效工具。

A forecasting method of agricultural product demand based on autoregressive moving average and support vector machine

【技术实现步骤摘要】
一种基于自回归移动平均和支持向量机的农产品需求量预测方法
本专利技术属于时间序列预测分析方法领域，尤其涉及一种基于自回归移动平均和支持向量机的农产品需求量预测方法。
技术介绍
近年来，我国农产品需求量受种植面积、生产成本、市场流通、自然气候以及突发事件等因素的影响，短期波动十分频繁，导致农产品需求量呈现出波动大﹑非平稳﹑非线性等特征。因此，关注和研究国内农产品需求量走势，对其波动状况进行分析和预测，有利于农产品市场流通信息的监测，对于稳定国内农产品需求的超常波动都具有重要的现实意义。自回归移动平均模型(AutoregressiveIntegratedMovingAverageModel，简称ARIMA)是时间序列中最典型最常用的一种模型，短期预测精准度较高。早期常被应用于农产品价格预测等，但自回归移动平均模型只适用于解决符合线性的时间序列问题，当需要处理的问题不是线性关系时，偏差较大。在农产品需求量预测中，由于受时间和空间多因素影响，导致数据集会呈现出非平稳性、非线性噪声等复杂的非线性特征时使用单一预测方法可能会出现较大误差。而本文档来自技高网...

【技术保护点】
1.一种基于自回归移动平均和支持向量机的农产品需求量预测方法，其特征在于：由于自回归移动平均模型要求序列是线性的，也就是平稳序列；因此，首先是要检验农产品需求量序列的平稳性，若序列非平稳化，需要将序列转化为平稳序列；/n步骤1农产品需求量序列平稳化/n1)农产品需求量序列是否平稳，观察农产品需求量序列是否有波动趋势，通过自相关图和偏自相关图是否收敛来检验序列的平稳性；2)若自相关图和偏自相关图不收敛，表明农产品需求量序列是非平稳的，需要对序列做自然对数差分，若序列波动趋势基本消除，但部分样本仍有较大差别，表明序列存在季节性，需要对序列做季节差分，直至序列均值与0无显著差异，说明序列已平稳化；/...

【技术特征摘要】
1.一种基于自回归移动平均和支持向量机的农产品需求量预测方法，其特征在于：由于自回归移动平均模型要求序列是线性的，也就是平稳序列；因此，首先是要检验农产品需求量序列的平稳性，若序列非平稳化，需要将序列转化为平稳序列；
步骤1农产品需求量序列平稳化
1)农产品需求量序列是否平稳，观察农产品需求量序列是否有波动趋势，通过自相关图和偏自相关图是否收敛来检验序列的平稳性；2)若自相关图和偏自相关图不收敛，表明农产品需求量序列是非平稳的，需要对序列做自然对数差分，若序列波动趋势基本消除，但部分样本仍有较大差别，表明序列存在季节性，需要对序列做季节差分，直至序列均值与0无显著差异，说明序列已平稳化；
步骤2自回归移动平均建模
由于农产品需求量序列经过对数差分及季节差分，通过观察序列的偏自相关图，从低阶到高阶逐步识别模型的类型和阶数，确定ARIMA模型的参数ARIMA(p，d，q)，其中p为自回归阶数；q为移动平均项数；d为差分阶数；
步骤3支持向量机建模
使用原农产品需求量序列减去步骤2的预测序列得到残差序列，对残差序列使用支持向量机模型进行预测，即用SVM模型来逼近非线性函数，其中核函数和参数采用交叉验证方法进行优化，使得最优参...

【专利技术属性】
技术研发人员：张涛，寇晓燕，张琨，
申请(专利权)人：北京工业大学，
类型：发明
国别省市：北京;11