山东农业大学柳平增教授等:基于VMD-TCAN模型的大蒜价格预测与预警研究

大蒜是中国重要农产品和出口商品之一，精准预警大蒜价格波动对于保障农民收益与产业稳定至关重要。针对大蒜价格时间序列具有非线性、非平稳及“尖峰厚尾”分布特征，导致传统预警方法对复杂时序特征捕捉不足、预警方法准确率不高的问题，该研究通过构建价格警情指标、大蒜价格警限划分的方法，构建VMD-TCAN的大蒜价格预测与分级预警模型。

首先通过变分模态分解（variational mode decomposition，VMD）对大蒜价格序列进行分解，采用粒子群算法（particle swarm optimization，PSO）动态确定VMD（variational mode decomposition，VMD）最优参数，提取出具有不同中心频率的本征模态函数（intrinsic mode functions，IMF），实现了对长期趋势、季节波动与短期冲击等多尺度特征的有效分离。

然后将IMF分量、大蒜历史价格与种植面积、库存、汇率等6类影响因素输入到基于贝叶斯（Bayesian optimization ，BYS）全局寻优的时序卷积注意力网络模型（temporal convolutional attention-based network， TCAN）中，利用自注意力机制动态加权关键时间步特征，强化对价格异常波动的捕捉能力进行价格的精准预测与价格波动的风险预警。

同时，针对大蒜价格波动率的非正态分布特性，采用基于历史波动率分布的分位数法划定五级警限区间，将连续价格预测结果映射为离散风险等级，构建预测-预警-体化框架。试验选取金乡产区2005—2024年打算日价格数据，

结果表明，VMD-TCAN模型的均方根误差（root mean square error，RMSE）、决定系数分别为0.042元/（500 g）和0.998，预测精度优于单一对比模型及其对应的VMD混合模型；在预警性能方面，准确率和F1分数相较于TCN（temporal convolutional network，TCN）提升了约4.86和4.97个百分点。该模型能够更为精准地把握大蒜市场的异常波动，可为农民和相关企业提供及时、准确的价格预测与预警信息，同时为政府主管部门宏观调控提供参考。