基于 Mamba 的农产品价格可解释时间序列预测方法

《Scientific Reports》：A category-aware and intrinsically explainable mamba for environment-driven crop price forecasting

　　为了应对环境因素下农产品价格序列的非线性强、时变特征显著以及缺乏可解释建模等问题，本研究提出了一种基于Mamba的可解释时间序列预测方法。该方法以Mamba为核心骨干网络，引入环境选择性状态空间模块，从多维气象输入编码的潜在表示中动态选择与环境显著相关的特征，并构建关键特征选择的可解释分支，以增强对环境变量贡献的建模能力。实验基于美国农业部AMS市场新闻（USDA AMS Market News）和国家气候数据中心（NCEI）构建的2022至2023年水果、蔬菜和谷物价格与气象数据融合数据集。结果表明，所提方法在水果、蔬菜和谷物上的平均绝对误差（MAE）分别为0.1870、0.0778和0.0219，均方根误差（RMSE）分别为0.2515、0.1056和0.0288，决定系数（$R^2$）分别为0.9319、0.9406和0.9588，平均绝对百分比误差（MAPE）分别为5.0643%、5.8601%和3.0459%。总体而言，该方法优于多个对比模型，展现出良好的稳定性和预测可解释性。