通过基于分解的PatchTST建模方法提高多时段土豆价格预测的准确性

《Potato Research》：Enhancing the Accuracy of Multi-Horizon Potato Price Forecasts through Decomposition-based PatchTST Modelling

　　

摘要

准确预测农产品价格对于提高市场透明度、指导农民的生产和营销决策以及制定有效的政策干预措施至关重要。然而，价格时间序列的非线性、非平稳性和多尺度特性限制了传统预测方法的有效性。本研究提出了一种新颖的混合框架，该框架结合了完全集成经验模态分解（CEEMDAN）和自适应噪声处理技术以及PatchTST模型，以实现稳健且可扩展的农产品价格预测。CEEMDAN将原始价格序列分解为一组平稳的内在模态函数（IMFs），从而分离出有意义的振荡模式并抑制噪声。然后，这些IMFs通过单一的PatchTST架构进行联合预测，该架构利用通道无关的注意力机制和基于补丁的序列学习方法，有效捕捉到细微的波动和长期的时间依赖性。通过使用每日土豆价格数据，在1天、10天和20天的三个预测时段对所提出框架的有效性进行了评估，分别对应于短期、中期和长期预测。结果表明，在所有预测时段内，CEEMDAN–PatchTST的表现均优于标准深度学习模型及其基于CEEMDAN的变体。特别是在20天的预测时段，其平均绝对百分比误差（MAPE）仅为2.86%，R²值超过0.97，显示出其在较大预测不确定性下的稳健性。这些发现强调了CEEMDAN和PatchTST在处理农产品价格序列复杂动态方面的互补优势，证明了该框架是一种可靠、准确且计算效率高的商品价格预测方法。除了农业领域，该方法在其他具有噪声、非线性和多尺度时间序列数据的领域中也具有广泛应用前景。