许钰林^1，2， 康孟珍^1，2*， 王秀娟^1，3， 华净^1，4， 王浩宇^1，4， 沈震^1，2

（1.中国科学院自动化研究所 复杂系统管理与控制国家重点实验室，北京 100109；2.中国科学院大学 人工智能学院，北京 100049；3.北京智能化技术与系统工程技术研究中心，北京100190；4.青岛中科慧农科技有限公司，山东青岛 266000）

摘要： 玉米和大豆为同季旱粮作物，“争地”矛盾十分突出，同时掌握玉米和大豆两者的价格是必要的。相较于现货，农产品期货价格具有价格发现功能。因此，玉米和大豆期货价格分析和预测对种植结构调整和农户作物品种选择均具有重要意义。本研究首先分析了玉米和大豆期货价格的相关性，通过相关性计算和格兰杰因果检验，发现玉米和大豆期货具有较强的正向相关性，且大豆期货价格是玉米期货价格的格兰杰原因；其次，基于长短时记忆（Long Short-Term Memory，LSTM）模型对玉米和大豆期货价格进行预测，并引入注意力机制（Attention）对期货价格预测模型行优化。对比结果表明，与差分整合移动平均自回归模型（Autoregressive Integrated Moving Average Model，ARIMA）和支持向量回归模型（Support Vector Regression，SVR）相比，LSTM模型在各项指标中均为更优，而与单一的LSTM模型相比，加入Attention机制的Attention-LSTM模型在各项指标中均更优。其中，玉米和大豆期货预测结果的平均绝对误差（Mean Absolute Error，MAE）分别提升3.8%和3.3%，均方根误差（Root Mean Square Error，RMSE）分别提升0.6%和1.8%，平均绝对百分误差（Mean Absolute Percentage Error，MAPE）分别提升4.8%和2.9%，证明了Attention机制的加入可以帮助模型提取有效信息，提升性能。最后，使用LSTM模型结合大豆期货历史价格共同预测玉米期货价格，MAE提升了6.9%、RMSE提升了1.1%、MAPE提升了5.3%。试验结果表明，本研究使用Attention-LSTM模型对玉米和大豆期货价格进行预测，相较于通用预测模型，Attention-LSTM模型能够提高大豆和玉米期货价格预测精度，且结合相关农产品期货价格数据，可以提升单个农产品期货模型的预测性能。

关键词： 玉米和大豆期货；期货价格预测；长短时记忆模型；Attention机制；深度学习；支持向量回归

图 1　Attention-LSTM模型结构图

Fig.1  Attention-LSTM model structure

图2　结合大豆期货价格预测玉米期货价格模型结构图

Fig.2  Model structure of corn futures price forecast combined with soybean futures price

图3　2005年1月4日—2022年3月9日期间玉米和大豆期货价格变化

Fig. 3  Corn and soybean futures prices changes from January 4， 2005 to March 9， 2022

图 4　Attention-LSTM对玉米期货预测结果

Fig. 4  Forecast results of corn futures using Attention-LSTM

图 5　Attention_LSTM与LSTM模型对玉米期货测区间前100天的预测结果对比图

Fig. 5  Comparison of attention-LSTM and LSTM model's forecast results for the first 100 days of corn futures interval