[论文解读] District Wise Price Forecasting of Wheat in Pakistan using Deep Learning

Ahmed Rasheed, Muhammad Shahzad Younis+3 more|arXiv (Cornell University)|Mar 5, 2021

Stock Market Forecasting Methods参考文献 3被引用 7

一句话总结

本论文提出了一种基于长短期记忆（LSTM）网络的巴基斯坦区级小麦价格预测模型，该模型利用历史小麦价格、天气、产量和消费数据进行训练。与传统方法（如ARIMA和GPR）相比，LSTM模型表现显著更优，12个月预测的平均绝对百分比误差（MAPE）仅为1.27%，相比原始数据输入，均方根误差（RMSE）降低高达40%，在区级农业商品价格预测中达到最先进水平。

ABSTRACT

Wheat is the main agricultural crop of Pakistan and is a staple food requirement of almost every Pakistani household making it the main strategic commodity of the country whose availability and affordability is the government's main priority. Wheat food availability can be vastly affected by multiple factors included but not limited to the production, consumption, financial crisis, inflation, or volatile market. The government ensures food security by particular policy and monitory arrangements, which keeps up purchase parity for the poor. Such arrangements can be made more effective if a dynamic analysis is carried out to estimate the future yield based on certain current factors. Future planning of commodity pricing is achievable by forecasting their future price anticipated by the current circumstances. This paper presents a wheat price forecasting methodology, which uses the price, weather, production, and consumption trends for wheat prices taken over the past few years and analyzes them with the help of advance neural networks architecture Long Short Term Memory (LSTM) networks. The proposed methodology presented significantly improved results versus other conventional machine learning and statistical time series analysis methods.

研究动机与目标

• 开发一种高精度、面向区级的巴基斯坦小麦价格预测系统，以支持农业政策与粮食安全规划。
• 解决当前仅提供年度产量预测而缺乏本地化、动态小麦价格预测机制的问题。
• 通过整合价格、天气、产量和消费趋势等多源特征，利用深度学习超越传统时间序列与机器学习模型。
• 评估数据平滑对模型性能的影响，特别是其在降低原始价格数据噪声方面的效果。
• 为政策制定者、农民和投资者提供可操作的长期价格预测（最多12个月），以缓解价格波动并支持战略决策。

提出的方法

• 本研究采用长短期记忆（LSTM）循环神经网络作为核心深度学习架构，用于小麦价格的序列时间序列预测。
• 输入特征包括1991年至2018年期间三个区（拉合尔、古杰兰瓦拉和木尔坦）的月度小麦价格、气象数据（温度、降雨量）、小麦产量和消费趋势。
• 应用数据平滑算法对原始价格时间序列进行处理，以减少噪声，提升模型泛化能力与预测稳定性。
• 在四种不同的预测场景下对模型进行训练与评估：使用原始数据和经平滑处理数据的一期和一年期预测。
• 以均方根误差（RMSE）和平均绝对百分比误差（MAPE）为评估指标，将LSTM模型与传统模型（梯度提升回归树（袋装树）、高斯过程回归（GPR）和ARIMA）进行对比。
• 通过超参数调优优化LSTM模型，并在区级特定数据上端到端训练，以捕捉本地市场动态。

实验结果

研究问题

• RQ1 与传统统计和机器学习模型相比，基于LSTM的深度学习模型是否能在巴基斯坦区级小麦价格预测中实现更优性能？
• RQ2 对原始价格序列进行数据平滑处理，在农业商品价格时间序列预测背景下，如何影响模型的预测精度？
• RQ3 多源特征（价格、天气、产量、消费）在多大程度上能提升深度学习模型在小麦价格预测中的预测能力？
• RQ4 在相同模型架构下，短期（一个月）与长期（一年）预测的预测误差（RMSE和MAPE）有何差异？
• RQ5 与全国范围或汇总性预测相比，区级特定预测模型是否能提供更准确且更具可操作性的洞察，以支持农业政策与市场干预？

主要发现

• 在所有三个区中，LSTM模型对12个月后预测的平均绝对百分比误差（MAPE）为1.27%，显著优于ARIMA（2.14% MAPE）和GPR（2.85% MAPE）在相同设置下的表现。
• 对于一个月预测，LSTM模型的MAPE为0.71%，显示出在短期价格估计中的高精度。
• 与原始数据输入相比，LSTM模型将RMSE降低了高达40%，且在平滑数据上表现最佳，证实了预处理步骤的有效性。
• 在一年期预测中，LSTM模型在平滑数据上的平均RMSE分别为：拉合尔185.73、古杰兰瓦拉204.61、木尔坦172.13，优于ARIMA（283.34、260.76、274.52）和GPR（203.23、224.43、230.18）。
• 该模型在所有评估指标和预测时域中均表现出一致的优越性，确立了巴基斯坦小麦价格预测的最先进性能。
• 将天气、产量和消费数据与价格趋势相结合，显著提升了模型精度，凸显了多模态输入在农业预测中的重要性。