基于长短时记忆的辣椒保险需求预测系统.pdf

摘要

在中国的传统农业经济中，小农经济占据主导地位，为了保障农户在农业生产中

的抗风险能力，农业保险可以在很大程度上规避生产风险，保障农户的收入，提高农

户的生产积极性。贵州省辣椒种植面积广，辣椒产业及相关配套设置以遵义市为典型

代表，本文以遵义市辣椒保险需求预测为研究对象，利用深度学习方法对辣椒保险需

求进行预测，为从业人员提供数据支撑和参考，同时针对农业用户和管理人员数据存

储和预测的需求，构建贵州省辣椒保险需求预测系统。

通过分析遵义市辣椒产业发展现状，以社会影响因素、财政补贴、经济因素以及

生产因素等四个维度为切入点，引出8个解释变量深入分析影响辣椒种植保险需求的

因素，并以此8个解释变量作为辣椒需求保险预测模型的输入。本文主要研究内容与

结论如下：

第一，提出了一种基于粒子群优化（ParticleSwarmOptimizer,PSO）长短时记忆

神经网络（LongShort-TermMemory,LSTM）的辣椒保险需求预测模型PSO-LSTM。

利用PSO-LSTM模型并对遵义市辣椒保险数据进行实验，该模型平均绝对误差（Mean

AbsoluteError,MAE）相较循环神经网络（RecurssionNeuralNetwork,RNN）和LSTM

模型对数据的拟合能力分别提高了65.10%和52.26%，均方根误差（RootMeanSquare

Error,RMSE）相较RNN和LSTM模型对数据的拟合能力分别提高了65.31%和55.04%，

2

决定系数(R-Square,R）更接近于1，相较RNN和LSTM模型的拟合程度分别提高

了6.41%和2.45%，实验结果表明PSO-LSTM模型的预测误差更小、拟合效果更优。

第二，在PSO-LSTM模型基础上，建立贵州省辣椒保险需求预测系统。系统的

设计具有良好的模块化结构，界面设计直观易懂。该系统结合了PSO算法的全局搜

索能力和LSTM神经网络在处理时间序列数据上的优势，通过优化LSTM模型的参

数，利用训练后的模型对辣椒保险保费收入进行预测，系统在捕捉辣椒保险需求变化

趋势方面准确有效。这将为辣椒种植户和保险公司提供及时、准确的市场需求信息，

促进辣椒产业的健康发展，并帮助相关利益方做出更为明智的决策。

关键词：辣椒保险；需求预测；粒子群优化；长短时记忆神经网络

Abstract

InthetraditionalagriculturaleconomyofChina,thesmallholdereconomy

dominates,andinordertosafeguardtherisk-resistantabilityoffarmers

inagriculturalproduction,agriculturalinsurancecanavoidproductionrisks

toalargeextent,protectfarmersincomeandimprovefarmersenthusiasm

forproduction.GuizhouProvincehasawideareaofchilipepperplanting,

thechilipepperindustryandrelatedsupportingsettingsaretypically

representedbyZunyiCity.Thispapertakesthechilipepperinsurancedemand

predictioninZunyiCityastheresearchobject,andutilizesthedeep

learningmethodologytopredictthedemandforchilipepperinsuranceand

providedatasupportandreferencesforthepractitioners,andatthesame

time,buildsachilipepperinsur