使用混合机器学习框架与STL分解,组合方法和全球贸易网络分析预测印度的果仁产量
Shinyclimensa C1, Parthiban A2
1Department of Mathematics, Vellore Institute of Technology, Vellore, Tamil Nadu, 632014, India.
Scientific reports
|December 17, 2025
概括
这项研究开发了一种机器学习框架,用于预测印度的果仁产量,并分析果仁液 (CNSL) 出口. 调查结果显示,印度是CNSL的主要贸易枢纽,为供应链弹性提供了洞察力.
科学领域:
- 农业经济学 农业经济学
- 数据科学数据科学数据科学
- 国际贸易 国际贸易 国际贸易
背景情况:
- 印度的坚果生产和坚果液 (CNSL) 出口对全球市场至关重要.
- 准确的预测和贸易网络分析对于农业企业部门的战略决策至关重要.
研究的目的:
- 开发一个综合分析框架,用于预测印度的果仁产量和分析CNSL出口贸易动态.
- 确定关键的交易节点,并评估印度全球CNSL网络内的贸易集中.
- 为政策制定者和出口商提供决策支持系统.
主要方法:
- 一种混合机器学习模型,将使用Loess (STL) 的季节趋势分解与随机森林和梯度增强机器相结合,用于生产预测.
- 网络拓分析使用中心性指标 (程度,接近度,中间度, Eigenvector,PageRank) 和用于贸易网络特征的新型来源进口比率.
- 实施一种新的滚动STL分解和扩展窗口交叉验证,以进行可靠的时间序列分析.
主要成果:
- 梯度提升模型实现了优异的生产预测准确性 (R2=0.988,MAPE=3.6%,RMSE=45.8 MT).
- 印度被确定为CNSL贸易网络中占主导地位的枢纽,表现出最大程度的中心性和PageRank.
- 网络分析揭示了一种星形拓,贸易伙伴之间的贸易影响力存在显著差异.
结论:
- 综合框架为印度的果和CNSL部门提供高准确度的预测和网络诊断.
- 政策建议侧重于提高供应链的弹性,减轻贸易风险,促进出口多元化.
- 该研究强调了数据驱动的洞察力对农业出口部门战略规划的重要性.
