数字农科院2.0

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

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

页码：

收录情况： CSCD（2025-2026年度） ; ; 科技核心（2024版） ; ; 农林核心（2024版）

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 Attention 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，分别进行了MDFI与AAWO模块的消融实验，同时利用SHAP （SHapley 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 Absolute 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较基准模型累计降低21.84%和3.44%，表明改进TFT的MATFT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、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：

  • 相关文献
作者其他论文 更多>>