组合模型预测预警的原理和方法

由于柑橘的市场价格序列往往会随时间发生突变，单一预测预警模型一般只包含或体现其部分信息，可能会出现预测误差偏大，预测结果警度低的情况。而综合利用各种模型，辅以适当的权重得出的组合预警方法则通常可以有效利用不同模型提供的各种信息，以提高最终预警的准确度和稳定性。

组合模型预测预警主要包括以下三个步骤：第一，单项模型的选择与模拟。组合模型预警是一个对单项模型的信息进行选择利用的过程，入选的单项模型是否适合该类型样本数据的预测，将会对最终预警结果的精度产生较大影响。因此，在实际应用中，对单项模型的选择，要根据研究对象的特点，结合单项模型运用的原理和条件选择适合的方法。第二，组合权重的确定。组合模型预警，就是对若干种不同预测方法得到的预测结果分别赋予相应的权重，将计算的加权平均结果作为最终的组合预测结果，最后根据设定的警限警度来进行预警。合理的权重分配能够使组合模型更加有效地提高预测预警的精度。第三，组合模型的构建与预测预警。将入选的单项模型根据合理的权重加权平均后构建组合预测模型，应用组合预测模型对未来的市场价格进行短期预测，结合警度和警限对其进行短期预警。

（1）单项预测模型的选择与模拟。由于本章采用的是月度价格资料，而建立回归模型时涉及影响因子如：供需关系、生产成本、自然条件等月度数据的获取，目前的统计资料中尚未有这样的数据，因此在单项模型的选择中暂不考虑回归模型预测方法，只在时间序列模型和智能模型中进行选择。

时间序列预测模型的选择。一般而言，农产品市场价格序列都包含趋势、季节、循环和不规则变动的影响，每种影响因素的特征都会影响着预测结果的精度。因此，选择预测模型之前，必须对市场价格序列进行检验判断，确认其平稳性、趋势性、季节性、异方差性等特征。

市场价格序列的检验主要有平稳性检验、趋势性检验、季节性检验和异方差检验4种。平稳性检验主要通过ADE单位根检验来确定农产品市场价格时间序列是否平稳，以此来筛选适用的时间序列预测法；趋势性检验主要是通过构建一个含有时间趋势的回归模型，通过时间变量的统计显著性来判断农产品市场价格是否随时间变化而呈现出某种趋势性变动，在建立预测模型时如果没有考虑时间趋势特征的影响，就可能会设置错误的模型形式，遗漏重要的时间变量，降低预测精度；季节性检验可以通过构建季节虚拟变量模型来检验农产品市场价格序列是否具有季节性波动特征，这是由于柑橘是季节性较强的农产品，其市场价格往往带有较强的季节性特征，尤其是持续观察得到的月度或季度价格数据。条件异方差拉格朗日乘数法（LM）检验主要用于确定非平稳时间序列中是否存在条件异方差，根据检验结果选择适用的分析预测方法。当检验结果表明该时间序列数据不存在条件异方差时，可选用差分自回归移动平均模型（简称ARIMA或SARIMA模型）进行预测，当检验结果表明该时间序列数据不存在条件异方差时，应选用自回归条件异方差模型（简称ARCH模型）进行预测。

目前，常用的时间序列预测模型大致分为4种。一是趋势外推模型，当时间序列只含有明显的长期趋势而不含有季节变动时，同时能够找到合适的直线或曲线来拟合这种变化时，可以采用趋势外推法进行预测；如果同时含有长期趋势和季节变动时，需要在趋势外推模型中增加入季节虚拟变量来进行预测；二是季节分解模型，常用的有X11、X12季节分解模型；三是指数平滑模型，主要有一次指数平滑、二次指数平滑、Brown二次（或高次）多项式指数平滑、Holter—Winters模型等；四是博克斯-詹金斯模型，主要包括：自回归AR模型、移动平均MA模型、自回归移动平均ARMA模型和差分自回归移动平均ARIMA或SARIMA模型。根据上述检验结果确定价格序列的数据特征，选择适当的方法和模型进行预测。

智能预测模型的选择与模拟。目前广泛应用对价格进行预测的智能方法主要有BP人工神经网络、灰色系统、遗传算法、模糊集、粗糙集等。在众多有关价格预测预警的文献中，BP人工神经网络模型和灰色系统应用较多，而遗传算法、模糊集、粗糙集等理论常渗透在BP人工神经网络模型中对其进行改进使用。BP人工神经网络预测方法具有自学习、自组织、易推广等特点，可有效解决使用传统的价格预测方法对波动情况复杂的非线性问题进行处理时力不从心的问题，目前该方法在价格预测领域发展较为成熟。近年来，灰色系统模型预测受到国内外各领域学者的广泛关注。该方法对于样本数据及其分布没有限制，根据原始数据序列的变动找到其潜在的波动规律，通过关联分析对未来的变动趋势进行预测。

BP神经网络模型预测。首先，进行数据的标准化处理，为了使神经网络的训练效果达到预期，需要对输入和输出数据进行标准化，使得数据取值范围为（0，1）或（-1，+1），常用的处理方式有离差标准化、函数标准化和偏差标准化3种，本章中将采取函数标准化处理方式，将输入、输出数据标准化处理，具体的处理公式为：

其次，建立BP人工神经网络模型，本研究中，输出层为1；由于采用月度预测，因此考虑用3个月即一个季度去对未来进行预测，故输入层为3；隐含层个数为选取（输出层+输入层）/2，即为2，传递函数为Tansig函数。(www.xing528.com)

再次，进行网络训练，选择适当的训练算法和训练参数，包括确定初始的权值、学习效率、训练的最大次数和预测误差目标值等。

最后，利用预测误差达到目标值的BP神经网络模型对未来值进行预测。

灰色系统模型预测。根据样本数据特点，选择离散灰色模型GM（1，1）进行预测。设价格原始序列为P（0），P（0）={P（0）（1），P（0）（2），…P（0）（n）}，P（0）（k）≥0，k=1，2，…，n，P（1）={P（1）（1），P（1）（2），…P（1）（n）}作为一次累加生成序列，其中，k=1，2，…n，则称P（1）（k+1）=β1 P（1）（k）+β2为GM（1，1）模型，运用普通最小二乘法，可以对未知参数β1和β2进行估计。根据β1、β2的最小二乘估计值，可以还原P（0）（k）的拟合值，即：

在使用灰色模型预测前还需进行残差检验、关联度检验和后验差检验，只有通过检验才能利用模型进行预测。

（2）组合权重的确定。组合预测预警最关心的问题就是如何求出加权平均数，即每种预测方法在组合预测模型中的权重w i。合理的权重分配能够使组合模型更加有效地提高预测预警精度。组合模型中权重的选取方法常用的有算术平均法、标准差法、均方倒数法、方差倒数法、AHP法、德尔菲法、最优加权法等。本章在借鉴相关文献资料的基础上选择方差倒数法来计算权重，对误差小的单项预测模型预测结果分配较高权重，对误差大的单项预测模型预测结果分配较低权重，从而使得加权组合预测模型的预测误差尽可能降低，预测精度提高。计算公式为：

（3）组合预测模型的构建与预测预警。如果对同一样本序列数据，有n种预测方法。样本序列第t期的实际观测值为Y t，使用第i种预测方法在第t期的预测值为F it，第i种预测模型在组合预测模型中的权重为w i，则组合预测模型为：

根据组合预测模型对未来的市场价格进行短期预测，并将预测值参照已设置的警限与警度，确定是否出现警情并予以报警。