1、基于 BP 神经网络的猪肉价格预测王金鑫 王赫晨 董志贵【摘 要】本文选取 2011 年至 2017 年猪肉价格作为训练样本，构建了月猪肉价格预测的 BP 神经网络模型，并对 2017 年 1 月至 9 月的猪肉价格进行了预测与验证，验证结果表明：模型拟合效果好，预测精度高，最大相对误差为 2.626%，最小相对误差为 0，误差范围在允许范围内。【关键词】BP 神经网络 猪肉 价格 预测1.引言猪肉价格预测是指根据历史销售价格和市场供求信息等数据，对影响猪肉价格的各项因素进行分析和研究，进而估计未来某个时期价格水平。统计学方法是猪肉价格预测的传统方法，主要有回归分析法、统计模型法、GM（1，1
2、）模型、灰色系统理论等。我国猪肉市场具有复杂性，影响因素众多，且易发生较大变化，传统的统计学方法不能很好地预测其商品价格。人工神经网络通过模仿人类大脑神经元对外界刺激做出反应的过程而建立起来的一种模型，具有大规模并行、分布式储存和处理、自组织、自适应、自学习和容错性等特点，特别适用于需要同时考虑多因素和多条件的系统中，因子之间的相互作用机理还不清楚、不精确和模糊信息问题的处理。本文尝试利用 BP 神经网络模型进行猪肉价格预测研究，进而获得高精度的猪肉预测价格。2.基于 BP 神经网络的猪肉价格预测模型2.1BP 神经网络算法的模型BP 神经网络算法是基于误差反向后传算法的多层前馈型神经网络，其
3、学习过程包括输入信号额正向传播和误差信号的反向传播。本文以常用的单隐含层 BP 神经网络结构模型为例，构建猪肉价格预测模型。输入层设置 10 个输入神经元，输出成设置 1 个输出神经元，隐含层设置 15 个神经元，隐含层和输出层的传递函数均选取单极性 Sigmoid 函数，学习率为 0.8，网络参数采取随机产生。2.2 数据处理与训练样本构建2011 年 1 月至 2017 年 12 月猪肉价格的历史数据如表 1 所示，根据 BP 神经网络结构模型参数构建训练样本，用于猪肉价格预测模型训练。根绝 BP 神经网络模型的结构参数，预测模型训练样本的构建方法如下：利用 2011 年 1 月至 10
4、月的价格与测 2011 年 11 月的猪肉价格，即利用 2011 年 1 月10 月的猪肉价格作为一组输入，2011 年 11 月的猪肉价格作为输出;同理，2011 年 2 月至11 月的猪肉价格作为第二组输入，2011 年 12 月的猪肉价格作为输出;依次类推，2016 年2 月至 11 月的猪肉价格作为第七十四组输入，2016 年 12 月的猪肉价格作为其对应的输出。依据此方法，共构建 62 组训练样本集。2.3 BP 神经网络模型训练以 74 组训练样本作为输入和输出信号，运用 MATLAB 2010Ra 的神经网络工具箱编写基于 BP 神经网络的猪肉价格预测程序，进行 BP 神经网络模
5、型训练，当网络输出误差满足网络预设精度 0.0001 时，停止训练，获得猪肉价格预测的 BP 神经网络模型。基于 BP 神经网络的猪肉价格预测模型的拟合效果如图 1 所示。3.基于 BP 神经网络的猪肉价格预测以 2016 年 3 月至 2017 年 9 月的历史猪肉价格，利用本文构建的 BP 神经网络模型进行猪肉价格预测，预测 2017 年 1 月至 2017 年 9 月的豬肉价格，验证本文建立模型的正确性和可行性。预测结果及误差分析如表 2 所示。由上表分析可以看出，预测值与真实值的相对精度较高，最大相对误差为 2.626%，最小相对误差为 0。误差范围在允许范围内。4.结论本文运用 BP
6、 神经网络算法构建猪肉价格预测的结构模型，选取 2011 年至 2017 年猪肉价格作为训练样本，构建了月猪肉价格预测的 BP 神经网络模型，并对 2017 年 1 月至 9月的猪肉价格进行了预测与验证，验证结果表明：模型拟合效果好，预测精度高，最大相对误差为 2.626%，最小相对误差为 0，误差范围在允许范围内。【参考文献】1 丁琳琳.中国猪肉价格波动规律与预测预警研究D.东北农业大学，2011.2 董玲.我国猪肉价格波动研究D.内蒙古农业大学，2010.3 李秉龙，何秋红.中国猪肉价格短期波动及其原因分析J.农业经济问题，2007，10：54-55.4 刘春芳，王济民.我国生猪价格波动原因分析及趋势判断J.农业展望，2009，5：12-14.作者简介：王金鑫（1999-），男，汉族，山西大同人，辽宁科技学院冶金工程学院，研究方向：材料成型及控制工程;王赫晨（1999-），男，汉族，辽宁葫芦岛人，辽宁科技学院冶金工程学院，研究方向：材料成型及控制工程。通讯作者：董志贵（1980-），男，汉族，河北沧州人，辽宁科技学院创新创业学院，副教授，主要从事农业系统工程、创新创业研究
