基于改进时间融合Transformers的中国大豆需求预测方法

文献类型： 中文期刊

第一作者： 刘佳佳

作者： 刘佳佳;秦晓婧;李乾川;许世卫;赵继春;王一罡;熊露;梁晓贺

作者机构：

关键词： 时间融合Transformers(TFT);大豆需求预测;多层动态特征交互;自适应注意力权重优化;可解释性分析

期刊名称： 智慧农业(中英文)

ISSN： 2096-8094

年卷期： 2025 年 7 卷 004 期

页码： 187-199

摘要： [目的/意义]精准预测大豆需求对保障国家粮食安全、优化产业决策与应对国际贸易变局有着重要的现实意义,而利用时间融合Transformers(Temporal Fusion Transformers,TFT)模型开展中国大豆需求预测时,在特征交互层与注意力权重分配等方面仍存在一定局限.为此,亟需探索一种基于改进TFT模型的预测方法,以提升需求预测的准确性与可解释性.[方法]本研究将深度学习的TFT模型应用到中国大豆需求预测中,提出了一种基于多层动态特征交互(Multi-layer Dynamic Feature Interaction,MDFI)与自适应注意力权重优化(Adaptive Atten-tion Weight Optimization,AAWO)改进的MA-TFT(Improved TFT Model Based on MDFI and AAWO)模型.对包含1980-2024年4 652个相关指标的中国大豆需求分析数据集进行数据预处理和特征工程,设计实验将MA-TFT模型分别与自回归差分移动平均模型(Autoregressive Integrated Moving Average Model,ARIMA)、长短期记忆网络(Long Short-Term Memory,LSTM)模型及TFT模型进行预测性能对比,进行了消融实验,同时利用SHAP(SHap-ley Additive exPlanations)工具可解释性分析影响中国大豆需求的关键特征变量,开展了未来10年的中国大豆需求量预测.[结果和讨论]MA-TFT模型的均方误差(Mean Squared Error,MSE)、平均绝对百分比误差(Mean Abso-lute Percentage Error,MAPE)分别为0.036和5.89%,决定系数R2为0.91,均高于对比模型,均方根误差(Root Mean Square Error,RMSE)和MAPE分别较基准模型TFT累计降低21.84%和3.44%,表明改进TFT的MA-TFT模型能够捕捉特征间复杂关系,提升预测性能;研究利用SHAP工具可解释性分析发现,MA-TFT模型对影响中国大豆需求关键特征变量的解释稳定性较高;预计2025、2030和2034年中国大豆需求量分别达到11 799万吨、11 033万吨和11 378万吨.[结论]基于改进TFT的MA-TFT模型方法为解决现有大豆需求预测方法精度不足、可解释性不强的实际问题提供了解决思路,也为其他农产品时间序列预测的方法优化与应用提供了参考和借鉴.

分类号： TP391.3

  • 相关文献
作者其他论文 更多>>

微信小程序