Predictive Modeling of Peanut Oil Prices Utilizing a Gaussian Process Regression-Based Machine Learning Framework
Notice bibliographique
Résumé
Accurate anticipation of fluctuations in commodity valuations is critical for diverse stakeholders, encompassing policymakers, investors, and supply chain entities, to ensure informed decision-making within volatile markets. As a staple edible oil, peanut oil exhibits pronounced price volatility, necessitating robust predictive frameworks to mitigate economic risks. This study leverages a decade-long weekly wholesale price index data set (January 1, 2010–January 10, 2020) to model price dynamics within the Chinese agricultural sector. A Gaussian process regression (GPR) methodology is implemented, integrating Bayesian optimization for hyperparameter tuning and [Formula: see text]-fold cross-validation to systematically evaluate diverse kernel functions and basis configurations. Empirical validation reveals the model’s predictive efficacy, achieving a relative root mean square error (RRMSE) of 0.6823% during the out-of-sample evaluation phase (January 5, 2018–January 10, 2020), underscoring its reliability in capturing nonlinear price trends. The proposed machine learning framework not only serves as an autonomous tool for generating technical price projections but also can complement ensemble forecasting systems by synthesizing insights with econometric or fundamental models. Forecast results here could enhance the granularity of commodity market analyses, offering policymakers and analysts multidimensional perspectives for strategic planning and policy research.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».