吕逸鹏，林旭东

（华南农业大学数学与信息学院，广东广州 510642）

猪肉是我国居民餐桌上的主要肉食来源，2006 年我国猪肉产量已达5 197.2 万t[1]。受“非洲猪瘟”影响，2019 年12 月我国猪肉月均价格相比于2019 年1 月上涨了172.42%。据学者统计，不仅玉米价格、仔猪价格、“猪周期”、存栏量等因素会影响生猪价格[2-5]，疫情也会长期影响生猪价格[6]。如果可以预测未来生猪价格，那么企业可以在未来价格过低时减少生猪存栏量，降低亏损，在未来价格处于较高区间时提前扩大生产，创造更多盈利。

目前众多学者常采用价格分解、经验模态分解、反向传播神经网络（BPNN）、支持向量机（SVM）、灰度模型、ARIMA 模型和向量自回归模型等深度学习和机器学习算法进行生猪价格预测、风险预警、走势分析和波动分析等研究[7-14]。较为典型的方法是使用经验模态分解将价格序列分解成不同频率，再逐个使用SVM 或神经网络算法分别进行预测[15]。另一种是使用多元回归的方法，研究影响猪肉价格的因素，再用BP 神经网络进行预测[16]。有学者使用SVM_AdaBoost 组合模型预测股票涨跌，这对本文的涨跌分类起到了启示作用[17]。本文在研究和预测生猪价格时发现，不同样本类型的预测误差是不一致的，如果将样本分成上涨样本和下跌样本，再分别进行预测，可以提高模型的效果，降低预测的误差。于是本文提出了一种基于分类模型的预测方法，利用单类样本预测误差更低这一特点，将所有样本分为下月上涨和下跌2 类，在进行生猪价格……