Predictive Modeling of Peanut Oil Prices Utilizing a Gaussian Process Regression-Based Machine Learning Framework
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,004 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,013 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,002 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 découle