基于门控循环单元网络的农产品价格预测模型构建

农产品的价格预测对指导农业生产、调节市场消费供给有重要意义。首先提出规范产品名称、简化类别与统一单位等数据规范化原则，再采用滚动交叉验证的方法将规范化处理后的数据划分为训练集与验证集。针对基于回归分析的传统预测模型存在准确度和效率均偏低的问题，研究使用泛化能力较强的门控循环单元(gated recurrent unit, GRU)神经网络来构建价格预测模型，根据对比与消融实验调整模型的超参数与优化器，通过Dropout方法对模型进行优化。实验结果表明，最佳模型误差度为0.043 5,耗时为10.8 min,在准确度和效率方面达到既定研究目标。该模型普适性较强，对于具有时序性的其他农产品数据也具有良好预测效果，可将模型增加查询接口并集成到相关WEB系统中。研究的实验方法与模型参数也可作为其他神经网络在价格预测方面研究的参考。