《Foods》:A Trajectory-Regularized Physics-Informed Hybrid Framework for Specialty Fresh Food Commodity Price Forecasting and Market Stability Monitoring
生鲜食品商品价格波动会削弱供应链协同,扰乱市场预期,并增加食品可获得性与可负担性的短期风险。对于具有季节性生产、供给集中、可储性有限,且对气候、贸易、能源和网络关注度冲击高度敏感的特色作物而言,这一问题更为突出。该研究构建了一个面向2014年至2024年中国大蒜、葱和姜日度批发价格的轨迹正则化物理信息多源预测框架。该框架记作STL–ETO–EMA–PILSTM,集成了基于局部加权回归的季节—趋势分解(Seasonal-Trend decomposition using LOESS, STL)、高效多尺度注意力(Efficient Multi-scale Attention, EMA)、长短期记忆网络(Long Short-Term Memory, LSTM)、基于经济动因的物理信息轨迹残差约束,以及指数—三角优化(Exponential-Trigonometric Optimization, ETO),并引入生产、气候、宏观经济、贸易、原油和网络关注度指标。在该框架中,物理信息组成部分并非基于严格控制物理方程的传统物理信息神经网络(Physics-Informed Neural Network, PINN),而是以受价格调整惯性和局部连续性启发的轨迹残差约束形式实现。在一步预测任务中,该模型优于常规机器学习基线模型以及其他时间序列基线模型,包括朴素持续性(naive persistence)、Transformer Encoder和PatchTST;其中,大蒜、葱和姜的平均绝对误差(Mean Absolute Error, MAE)分别为0.0853、0.0581和0.1409,决定系数(R2)均高于0.996。研究采用了泄漏预防程序、滚动向前验证(walk-forward validation)、多预测步长预测和Diebold–Mariano检验,以增强结果可信度。多步预测结果显示,随着预测步长增加,模型性能出现明显下降,这支持将该框架定位为短期市场监测工具,而非长周期结构投影模型。基于置换的特征重要性与交互分析揭示了作物特异性的价格驱动因素。该框架为生鲜食品价格预测、市场稳定性监测以及生鲜食品供应链短期运营风险监测提供了一个具有可解释性的工具。
该文发表于《Foods》,聚焦中国特色生鲜食品中大蒜、葱和姜三类调味型农产品的日度批发价格预测与市场稳定性监测问题。研究背景在于,生鲜食品价格具有显著的非线性、非平稳性与突发波动特征,且其波动不仅影响市场交易与供需协调,也会传导至食品可得性、可负担性以及供应链短期运营风险。尤其对季节性生产明显、供给区域集聚、耐储性有限且易受气候、贸易、能源和网络信息冲击影响的特色作物而言,传统依赖单一历史价格或静态特征拟合的方法,往往难以同时兼顾预测精度、轨迹稳定性与市场解释能力。现有研究虽已引入优化机器学习、注意力机制、Transformer及可解释预测框架,但较少在统一体系内同时考虑结构分解、多尺度时间表征、经济动因约束下的轨迹正则化、不确定性监测导向和跨作物驱动因素解释。因此,开展面向短期市场监测的混合预测研究具有明确的理论与实践必要性。
为解决上述问题,研究人员提出了STL–ETO–EMA–PILSTM混合框架,用于2014年1月1日至2024年12月31日期间中国大蒜、葱和姜的日度批发价格一步预测,并进一步考察多步预测、统计显著性、消融贡献及变量解释性。研究结果表明,该框架在三类作物上均取得较高的一步预测性能,MAE分别为0.0853、0.0581和0.1409,R
2均高于0.996,并整体优于SVM、XGBoost、Lasso、Random Forest、Gradient Boosting、LightGBM、naive persistence、Transformer Encoder和PatchTST等基线模型。研究还发现,随着预测步长延长,模型性能明显衰减,说明该框架更适合短期市场监测而非长期结构性推演。特征重要性和交互分析进一步揭示,大蒜价格更受出口相关变量影响,葱价格更敏感于国内供给、温度和宏观变量,姜则表现出更为分散的多因素驱动结构。整体而言,该研究的重要意义在于构建了一个兼具精度、轨迹合理性和可解释性的短期生鲜食品市场监测工具。
作者为开展研究主要采用了以下关键技术方法。首先,基于中国农业农村部全国重点农产品市场信息平台获取大蒜、葱和姜的4018个日度批发价格观测值,并整合温度、种植面积、产量、鲜菜居民消费价格指数(Consumer Price Index, CPI)、广义货币供应量(M2)、汇率、国际原油价格、出口量、出口额与网络关注度等多源变量。其次,采用滑动窗口构造监督学习样本,以30天历史窗口预测下一日价格,并严格按时间顺序划分训练集与测试集。再次,利用STL分解、EMA时间特征精炼、LSTM序列学习、二阶轨迹残差约束以及ETO离线模型配置搜索共同完成建模。最后,通过多指标评估、滚动验证、多步预测、Diebold–Mariano检验、消融实验以及基于置换的特征重要性分析验证模型性能与解释性。
3.1. Forecasting Performance of the Proposed Framework
在一步预测设定下,研究人员评估了STL–ETO–EMA–PILSTM框架在大蒜、葱和姜价格序列上的预测表现。结果显示,该框架在三类商品上均实现较低误差与极高拟合度,R
2均超过0.996。葱的MAE和RMSE最低,大蒜次之,姜的误差相对较大,反映其局部波动更强、短期规律性较弱。预测曲线总体上能够紧密跟踪真实价格主走势和主要拐点,同时避免过度局部振荡,说明模型不仅降低点预测误差,也保持了较稳定且具有经济合理性的预测轨迹。
3.2. Benchmark Comparison
研究人员进一步将该框架与九种基线模型进行比较,所有模型使用相同输入变量、滑动窗口、时间顺序划分和评价指标,以保证比较公平。总体结果表明,STL–ETO–EMA–PILSTM在三类商品上均取得最优表现,说明其优势并非源于数据处理差异,而是来自建模框架本身对非平稳、多尺度和高波动价格过程的适应能力。
3.2.1. Garlic Price Forecasting
在大蒜价格预测中,提出的框架在MAE、MSE、RMSE和R
2四项指标上均优于所有基线。Random Forest和Gradient Boosting相对具有竞争力,但误差仍高于该框架;SVM和Lasso表现较弱,提示仅依赖静态回归或核方法难以充分刻画大蒜价格动态。研究据此说明,STL的结构分解、EMA的时间信息加权以及PILSTM的轨迹正则化协同提升了大蒜价格重建能力。
3.2.2. Scallion Price Forecasting
在葱价格预测中,STL–ETO–EMA–PILSTM同样在各项指标中排名第一。XGBoost、Random Forest、Gradient Boosting和LightGBM优于SVM和Lasso,但仍落后于提出模型。结果表明,葱价格与国内短期供给和流通条件高度相关,因此需要显式处理时间结构,而不仅是做静态特征拟合。结构分解与轨迹正则化可有效减少混合时间成分带来的干扰。
3.2.3. Ginger Price Forecasting
姜是三种商品中最难预测的对象,其价格路径更不规则、局部扰动更强。即便如此,所提模型仍取得最低MAE、MSE、RMSE和最高R
2,最接近的基线模型为Random Forest,但整体仍逊色。该结果说明,在高不规则市场条件下,STL用于削弱混合时间成分、EMA用于精炼有效时间信息、轨迹正则化用于抑制不合理局部振荡,三者的结合能够增强模型抗噪性并保持价格主方向判断能力。
3.3. Multi-Horizon Forecasting Performance
多步预测结果显示,随着预测步长由t + 3扩展至t + 7和t + 14,模型性能普遍下降。大蒜在短期仍保持相对稳定,但在14天步长时明显退化;葱对预测步长最为敏感;姜在3天和7天仍相对稳定,但到14天时也出现显著下降。这一结果直接支持作者对模型定位的界定,即其适合作为短期市场监测与异常波动预警工具,而非长周期结构投影模型。
3.4. Statistical Significance Testing
为判断性能提升是否具有统计学意义,研究人员将提出模型与各基线模型进行配对Diebold–Mariano检验,并同时采用平方误差和绝对误差损失。结果显示,在216组配对比较中,有190组在5%显著性水平下显著,说明性能优势并非仅体现在表面指标差异上。显著性在较短预测步长下更强,而14天步长下非显著情形增多,这与多步预测中性能衰减的结论一致,也表明模型的优势主要集中于短期监测场景。
3.5. Ablation Study
消融实验旨在分析各核心模块对最终性能的贡献。由于ETO属于离线超参数搜索策略而非前向传播模块,研究主要比较plain LSTM、EMA–PINN–LSTM以及完整STL–ETO–EMA–PILSTM三种结构。总体结果显示,完整模型始终表现最佳,EMA–PINN–LSTM次之,plain LSTM最弱,证明性能提升源于多模块协同而非单一技巧。
3.5.1. Garlic Price Ablation Results
在大蒜数据上,plain LSTM表现最差,说明直接序列学习不足以稳定刻画大蒜价格。加入EMA和PINN风格轨迹正则化后,性能已有提升;进一步加入STL后,模型在精度和稳定性上继续改善,表明趋势、季节和残差的结构分离有助于提升预测稳健性。
3.5.2. Scallion Price Ablation Results
在葱数据上,EMA–PINN–LSTM已较接近完整模型,但移除STL仍会造成精度和稳定性下降。这说明葱价格虽受短期变量驱动较强,但在序列学习前进行结构分解仍有助于减少混合时间成分对预测器的干扰。
3.5.3. Ginger Price Ablation Results
在姜数据上,完整模型依旧最优,EMA–PINN–LSTM位居第二,plain LSTM拟合明显不足。由于姜价格更不规则,这一结果更加突出多尺度表示和轨迹正则化在高波动环境中的稳健性价值,同时也证明STL在强短期波动条件下仍具有贡献。
3.6. Interpretability and Market-Driver Analysis
研究不仅关注预测精度,也考察模型如何形成预测。为此,作者对训练后的STL–ETO–EMA–PILSTM开展特征重要性与变量交互分析,以识别价格预测主要依赖的市场信号,并验证模型是否捕捉到作物特异性的驱动结构。
3.6.1. Feature Importance Analysis
基于置换法计算的特征重要性结果表明,三类商品的驱动结构明显不同。大蒜中,出口额与出口量贡献最大,说明其价格与外部需求及贸易条件关系更紧密,M2和鲜菜CPI也具有较高贡献。葱的历史价格、国内供给相关变量、温度、鲜菜CPI和M2更为重要,出口变量作用相对较弱。姜的特征重要性分布更均衡,出口、宏观、网络关注度和供给侧变量均有贡献,反映其价格形成机制更复杂。
3.6.2. Variable Interaction Analysis
变量交互分析进一步揭示了不同商品的市场传导差异。大蒜中,出口额与出口量对价格表现出联合正向关联,表明外需增强可能收紧国内有效供给。葱中,M2与鲜菜CPI共同影响价格,显示流动性、需求及消费者价格通道的联合作用。姜中,出口相关变量仍重要,但响应更分散,说明其市场机制更混合。该结果支持采用多源输入和统一框架下的作物特异性解释。
3.7. Summary of Results
结果汇总表明,STL–ETO–EMA–PILSTM能够对大蒜、葱和姜提供准确且稳定的一步预测,且在基线比较、消融分析和跨商品测试中均表现稳健。性能增益来自STL分解、EMA时间精炼、物理信息轨迹正则化和ETO配置搜索的协同作用。与此同时,模型能够识别不同作物的特异性市场驱动因素,因此不仅可用于价格预测,也适用于市场稳定性监测和供应链短期运营风险识别。
讨论部分指出,该研究结果应从短期生鲜市场监测的角度理解,而非仅理解为数值误差的改善。作者强调,日度批发价格具有很强短期自相关,因此单步R
2较高并不意味着预测任务本身简单;相反,泄漏防控、滚动验证、多步预测和Diebold–Mariano检验共同提供了更审慎的证据基础。研究还讨论了不同商品的稳定性监测重点:大蒜应更多关注出口需求、汇率、国际物流与贸易信号;葱应聚焦国内流通、天气供给冲击、短期需求恢复与消费者价格信号;姜由于驱动混合,需结合多类变量综合监测。作者同时指出,STL、EMA和轨迹正则化的价值不仅在于提高精度,更在于产生更平稳、更具经济合理性的短期预测路径。讨论部分还明确说明,特征重要性和交互分析反映的是预测相关性,而非因果效应。最后,作者提出局限性,包括研究对象仅限中国大蒜、葱和姜,任务以一步预测为主,物理信息部分仍属于轨迹残差约束而非完整结构市场模型,未来应扩展至更多商品、地区、区间预测、情景分析以及更丰富的外部冲击变量。
结论部分可译为:
该研究开发了一种用于特色生鲜食品商品短期价格预测与市场稳定性监测的轨迹正则化物理信息混合预测框架STL–ETO–EMA–PILSTM。之所以选取大蒜、葱和姜作为代表性作物,是因为它们与日常食品消费密切相关,并具有季节性生产、供给地域集中、可储性有限以及对气候、贸易、能源和信息冲击高度敏感等特征。所提框架整合了基于STL的结构分解、基于EMA的多尺度时间表征、基于经济动因轨迹残差约束的物理信息轨迹正则化LSTM模块,以及基于ETO的离线模型配置选择。该模型在三类商品上均产生了准确且稳定的一步预测。测试集中,大蒜、葱和姜的MAE分别达到0.0853、0.0581和0.1409,R
2均高于0.996。与常规机器学习模型及其他时间序列预测基线模型相比,包括naive persistence、Transformer Encoder和PatchTST,所提模型均取得了更低预测误差和更优整体拟合性能。消融结果进一步证实,STL分解、EMA时间精炼、物理信息轨迹正则化以及ETO超参数搜索均对预测精度和轨迹稳定性的提升作出了贡献。可解释性分析揭示了三类商品市场驱动结构的明显差异:大蒜价格与出口需求和贸易相关因素联系更紧密;葱价格对国内供给条件和宏观经济调整更敏感;姜价格则反映出贸易、宏观、信息相关和供给侧变量更广泛的相互作用。这些发现表明,该框架不仅支持数值预测,也有助于识别价格波动背后的作物特异性驱动因素。对于食品市场监测而言,该框架提供了一种用于追踪短期价格变动、识别潜在波动风险并支持生鲜食品供应链运营风险监测的数据驱动工具。结果表明,在短期市场监测场景中,将多源数据与基于经济动因的轨迹正则化物理信息学习相结合,能够提升预测性能与实际可解释性。然而,该框架不应被解释为长期供应链优化或结构性政策模拟模型。未来研究应将该框架扩展至更多食品商品、区域市场和特定国家市场环境,并依据商品特征、市场制度、数据发布时间表、物流条件和贸易暴露重构解释变量体系;同时,还应进一步探索更长预测步长、区间预测、异常波动预警和极端市场扰动下的情景分析,并检验更大ETO搜索预算、重复独立搜索或其他配置选择方法是否能够进一步提升模型配置的稳定性。