随着中医学的理念逐渐被世界接受,中药材的需求量逐年增加,价格分析预测对中药材市场的稳定和发展具有极为重要的作用。中药材的价格数据受到生长周期、需求周期、季节变化、政策等多重因素的影响,是一种包含线性、非线性成分的混沌序列,难以用常规方法预测。本文提出一种ARIMA-LSTM组合模型对中药材价格进行预测,使用相关系数对药材进行相关性分析。中药材价格数据包含线性、非线性两种特征,本文使用组合模型将其分为两个步骤进行分析预测。线性特征采用ARIMA(Auto-Regressive Integrated Moving Average,整合自回归移动平均)模型进行预测,ARIMA模型通过差分去除与线性预测不相关的非线性成分,通过中药材历史价格预测未来时期价格的线性变化趋势;针对非线性特征,使用LSTM(Long-Short Term Memory,长短期记忆)神经网络进行预测。LSTM神经网络具有遗忘门和记忆单元,适合处理具有非线性特征的时间序列问题。本文使用蒙特卡洛算法改进LSTM的梯度下降法,加快收敛速度,LSTM神经网络可以较好的拟合并预测中药材价格数据中非线性变化趋势。ARIMA-LSTM组合模型的思想是先用ARIMA进行线性预测,用原始数据减去ARIMA的线性预测值,剩下的值即包含非线性成分的残差值,使用LSTM神经网络对非线性残差值进行预测,将两个模型的预测结果进行累加,即可得到组合模型的预测结果。实验结果表明,与单一的ARIMA、LSTM相比,组合模型的预测结果精度更高、平稳性更好。本文的创新之处在于使用相关系数对不同药材进行相关性分析。以往对价格数据预测的重点始终围绕价格数据本身,中药材在功能上有互补、互斥的特点,致其在价格数据上呈现高度相关的特征。本文提出使用相关系数法对LSTM神经网络的输入进行改进,即先对药材之间相关性的强弱进行分析,以与某种药材相关性高的其他药材作为它的次要参考因素,以此构成新的输入数据。实验结果表明,与未改进的组合模型和支持向量回归相比,使用相关系数改进后的组合模型预测结果更好。