基于WOA-BP组合模型的芦笋价格预测研究

摘要

芦笋作为一种高价值蔬菜，价格走势预测对于市场分析和决策制定具有重要意义。芦笋价格受到多类因素的影响，因此提高价格预测精度的关键在于深入分析这些影响因素。本文提出了一种基于鲸鱼优化算法（WOA）与反向传播神经网络（BP）相结合的组合模型。研究中，本文首先采用主成分分析（PCA）对影响因素进行特征降维，随后将主成分分析后的多维特征集和经过数据融合的一维特征集分别输入优化前后的BP神经网络进行预测分析。通过对比分析不同输入下模型的预测性能，实验结果表明：经过WOA算法优化后的模型在预测效果上显著提升。具体而言，WOA-BP组合模型相较于传统的BP模型，在均方根误差（RMSE）上提高了2.431，平均绝对误差（MAE）提高了2.553，平均绝对百分比误差（MAPE）提高了5.606，决定系数（R2）提升了0.131。此外，WOA-BP-fusion模型与BP-fusion模型相比，RMSE提高了1.926,MAE提高了1.638,MAPE提高了5.539,R²提高了0.101。结果表明，WOA-BP组合模型在进行数据融合后，能够更有效地捕捉输入特征与芦笋价格序列之间的关系，显著提高了预测精度，增强了模型的泛化能力和鲁棒性。WOA优化算法不仅提升了BP模型的预测精度，而且在数据融合过程中显著增强了模型对价格变动的反应能力。

关键词

鲸鱼优化算法 / 组合模型 / 主成分分析 / 多源数据融合