大数据时代已然来临,价格预测已成大势所趋。2019年下半年生猪市场受到非洲猪瘟的影响,价格波动剧烈。生猪价格预测已经成为了许多学者研究的热点。生猪价格的预测,不仅具有一定的学术意义,而且对于生猪养殖企业的战略布局和生产调控有很大的应用价值。企业根据预测结果对生猪产能进调控后,不仅能扩大收益减小损失,而且生猪市场的生猪价格会随着生猪的供应量稳定逐渐平稳。本文通过研究温氏集团历史生猪价格的涨跌规律,建立一个可以预测未来每月生猪价格和趋势的模型,企业可以根据模型的预测结果提前做出调整和布局。本文的研究使用了包括循环神经网络及长短时记忆网络在内的多种神经网络模型。在使用反向传播（BP）神经网络、循环神经网络、长短时记忆网络（LSTM）、灰色模型构建的生猪价格基础预测模型中,BP神经网络预测模型的误差最低,平均绝对百分比误差（MAPE）为2.66%。随后本文发现了在测试集中随着样本趋势转折点变少,预测误差越低的规律,比以此提出了先预测价格涨跌再预测价格的预测方式。为了进行涨跌分类,本文自定义了可以用于生猪价格涨跌预测的特征因子,并使用BP神经网络、支持向量机和极端梯度提升（Xgboost）算法构建生猪价格涨跌预测模型。本文在先预测涨跌再预测价格思想的基础上,采用独有的多算法组合的方法对生猪价格涨跌进行分类预测。本文认为各个算法模型的涨跌预测结果并不一致,因此本文把两种算法分类正确率最高的结果进行融合。组合后模型在测试集中的涨跌预测正确率为94.59%。随后使用多元回归模型对先分类预测价格涨跌再预测价格的方式的方法和直接预测的方法进行了对比实验,其中先分类再预测的MAPE为2.64%,直接预测的MAPE为2.90%。最后本文利用涨跌预测的结果,对LSTM进行了适应性改进,使得网络可以将待预测样本分成两类,分别预测以降低价格预测的误差。并利用涨跌预测成功捕获了价格波动中的波峰波谷,对波峰与波谷处的预测值利用松弛因子进行调整,进一步降低了误差。按照上述方法最终建立了可用于生猪价格预测的神经网络组合模型。该模型在测试集中的MAPE为2.35%,比BP神经网络预测模型的误差降低了 13.1%。另外通过模型对近期数据预测,证实在一般情况下,本文的生猪价格预测模型可以有效预测未来一个月的生猪平均价格。