基于STL-Informer-ARIMA組合模型的豬肉價格預測方法研究

摘 要： 合理預測豬肉價格對穩定生豬市場價格波動及促進豬產業的健康持續發展具有重要意義。本文深入研究了豬肉價格的影響因素，整合了29 種相關價格數據。通過分析數據特征，針對Informer 模型在豬肉價格數據提取方面的局限性，對Informer 模型進行改進，將自注意力機制ProbAttention 更換為Synthesizer 模型，引入了價格波動模塊。在此基礎上，本文提出了一種新的價格預測組合模型STL-Informer-ARIMA，模型結合了隨機森林（Random Forest）和遞歸特征消除（Recursive Feature Elimination）進行特征選擇，利用季節性和趨勢分解法（Seasonal and Trend DecompositionUsing Loess）對豬肉（白條豬）價格進行分解，采用ARIMA模型對季節項進行預測，同時針對趨勢項和殘差項采用改進的Informer 模型進行預測。實驗表明，STL-Informer-ARIMA 組合模型的MSE為0.532，MAE為0.446，RMSE為0.729，MAPE為0.030，R2為0.958，相較于LSTM、SVR和GRU等常用價格預測模型，本文的組合模型有效提升了豬肉價格預測的準確性和可靠性。

關鍵詞： 豬肉；價格；特征選擇；改進的Informer；組合模型

中圖法分類號： F323.7 文獻標識碼： A 文章編號： 1000-2324（2024）03-0367-09

豬肉產業的持續繁榮對于我國經濟的穩定和發展起到了重要的推動作用。根據國家統計局2023 年的數據，我國生豬出欄超7.2 億頭，年增長率3.8％，豬肉產量達到5 794 萬t，同比增長4.6％。隨著我國經濟的持續高速增長和社會結構的深化變革，影響生豬產業健康穩定發展的因素日趨復雜多變，涉及市場供需動態、疫病防控、環保政策、國際貿易環境等諸多方面。本文深入探討當前豬肉價格的影響因素，結合經濟形勢和市場動態，圍繞豬肉價格走勢預測分析方法開展研究。

在農產品價格預測領域，學者們從多個角度展開了探索和研究。早期，對價格預測采用的大多是單一預測模型［1］，例如Martin-Rodriguez 提出了限制性進化樣條模型來對比英國市場的金絲雀番茄的每日價格的季節性變化，該模型對于捕獲季節性模式變化的動態能力有著較好的效果［2］。鑒于時間序列數據的非線性特性，機器學習模型近年來廣泛用于時間序列預測［3］。石波等提出改進的RBF神經網絡模型對我國大豆價格進行預測，結果表明模型預測精度較高、泛化能力較強，能夠很好捕捉大豆價格變化規律［4］。Xiong T 等從生豬價格序列中分離出周期性和趨勢性成分，利用最相似子序列搜索方法和支持向量回歸模型對這些成分進行預測［5］。針對預測模型單一、精度低、不穩定等問題，Lu H等提出了組合模型預測的概念，被普遍用于提高個體預測的準確性［6-7］。Zhou 等提出一種新框架，將Transformer 與季節趨勢分解方法相結合，與現有方法相比，FEDformer對多變量和單變量時間序列的預測誤差分別降低了14.8%和22.6%［8］。劉合兵等提出了CEEMDAN-PCA-CNN-LSTM的組合預測模型，通過CEEMDAN方法解決了白噪聲殘留問題，簡化了參數選擇，并結合了CNN和LSTM的優勢，達到了增強模型預測精度的效果［9］。

綜上所述，學者們在農產品預測模型領域作出了重要貢獻，但在某些方面仍然存在挑戰。例如，在豬肉價格數據集上，現有模型的泛化能力較弱，難以準確提取豬肉價格數據中的關鍵信息。針對這些問題，本文分析了豬肉價格數據特點，構建價格波動模塊，增強了對豬肉價格波動信息的提取，并針對Informer 模型在豬肉價格數據提取上的局限性，對Informer 模型進行改進，提高了模型精度和信息提取完整性。本文提出了STL-Informer-ARIMA 組合模型，提升了豬肉價格預測的準確性。