[论文解读] Predicting County Level Corn Yields Using Deep Long Short Term Memory Models

Zehui Jiang, Chao Liu+4 more|arXiv (Cornell University)|May 30, 2018

Energy Load and Power Forecasting参考文献 12被引用 52

一句话总结

该论文提出一种基于深度 LSTM 的方法，利用产量的横截面时间序列和逐小时气象数据预测县级玉米产量，与以调查为基础的方法相比，在爱荷华州显示出有希望的预测能力。

ABSTRACT

Corn yield prediction is beneficial as it provides valuable information about production and prices prior the harvest. Publicly available high-quality corn yield prediction can help address emergent information asymmetry problems and in doing so improve price efficiency in futures markets. This paper is the first to employ Long Short-Term Memory (LSTM), a special form of Recurrent Neural Network (RNN) method to predict corn yields. A cross sectional time series of county-level corn yield and hourly weather data made the sample space large enough to use deep learning technics. LSTM is efficient in time series prediction with complex inner relations, which makes it suitable for this task. The empirical results from county level data in Iowa show promising predictive power relative to existing survey based methods.

研究动机与目标

• 开发一种深度学习方法（LSTM）来预测县级玉米产量。
• 利用将县级产量与逐小时天气信息结合在一起的横截面时间序列数据。
• 评估相对于传统基于调查的产量预测方法的预测能力。
• 展示在期货市场中价格发现和市场效率的可行性与潜在收益。
• 聚焦爱荷华州县级数据以说明该方法的适用性。

提出的方法

• 将长短期记忆网络（LSTM）应用于时间序列产量预测。
• 构建一个横截面时间序列数据集，将县级产量与逐小时天气数据联系起来。
• 将 LSTM 预测与现有基于调查的预测方法进行比较。
• 解释 LSTM 在建模农业数据中复杂时间关系的能力。
• 使用来自爱荷华州的县级数据来评估预测性能。

实验结果

研究问题

• RQ1 LSTM 模型是否能够从县级产量和逐小时天气数据准确预测县级玉米产量？
• RQ2 LSTM 的预测性能如何与传统的基于调查的产量预测方法相比？
• RQ3 LSTM 方法是否为爱荷华州各县提供了有效的产量预测？

主要发现

• LSTM 相对于基于调查的方法显示出有希望的预测能力。
• 基于爱荷华州县级数据的实证结果支持该深度学习方法的有效性。
• 使用逐小时天气数据使得可处理的样本空间大，适合深度学习。
• 该研究是首次将 LSTM 应用到县级玉米产量预测。