摘要

本文由MSOE的人工智能研究团队领导，与NourishNet合作，提出了一种先进的食品商品价格预测模型，旨在为全球预警系统提供主动的严重状态预测。该研究利用深度学习（DL）技术，结合食品价格指数和金融新闻的情感分析，通过复杂的时序预测模型和分类模型，提高了对食品价格波动的预测准确性。这对于增强全球食品安全性，特别是在风险国家中，具有重要意义。

原理

NourishNet模型采用了一种创新的深度学习方法，通过使用Proteus指数（包括历史商品价格、食品价格指数和期货）以及从金融新闻中提取的情感分析，来预测食品商品价格。核心技术是应用了transformer网络，这种网络在捕捉时间序列数据中的依赖关系方面表现出色。此外，通过情感分析的整合，模型能够更准确地评估市场状态并优化其预测。这种多维度的分析方法显著提升了模型的预测能力。

流程

模型的数据处理流程包括数据收集、清洗、格式化和分析。首先，从多个数据源收集月度市场数据，并通过标准化过程进行清洗。然后，这些数据被输入到一个时间序列预测模型中，用于预测未来几个月的食品商品价格。接着，模型根据预测结果和GIEWS系统的输出指南，预测可能的警告状态。最后，通过一个大型语言模型（LLM）提供数据洞察，帮助非技术用户理解市场动态。

应用

NourishNet模型的应用前景广泛，特别是在全球食品供应链管理和食品安全性提升方面。该模型能够帮助政府和相关机构提前预测食品价格波动，从而采取预防措施，减少食品短缺的风险。此外，通过提供一个用户友好的聊天机器人接口，该模型还能帮助更广泛的用户群体理解和应对食品市场的变化。