农业农村农民问题是关系到国计民生的根本性问题。农产品价格波动成为了社会各界关注的热点话题。农产品价格的急剧上涨或者下跌都会对农业生产者与经营者以及消费者造成影响，甚至还会对国家金融安全造成影响。因此国家相关的政府部门也越来越重视农产品的市场价格。蔬菜和猪肉是人们日常生活中必不可少的食物，蔬菜和猪肉价格的波动与我们的生活息息相关。因此，运用科学的方法去分析蔬菜和猪肉价格波动的原因并预测其价格变动的趋势对我们来说极其重要。
　　近年来，长短期记忆网络（Long Short-Term Memory network,LSTM）已经被广泛应用到风电预测、交通流量预测以及股票预测等时间序列问题领域，并取得了较好的预测效果。因此对LSTM模型进行研究并将它应用在在农产品价格预测上是本文的研究重点。
　　本文选取从2010年3月1日至2019年5月17日福州市的白菜价格数据以及从2015年1月1日至2019年12月3日全国的猪肉价格数据作为研究对象，基于LSTM建立模型进行蔬菜和猪肉价格预测，本文主要从以下几方面进行研究：
　　首先，对农产品价格形成原因以及价格波动影响因素进行分析研究，选取多种影响因素，分析不同的因素对农产品价格的影响程度，综合考虑多种影响因素。
　　接着，利用爬虫技术爬取福州市的白菜价格数据以及全国的猪肉价格数据以及影响猪肉价格的相关数据，然后对数据进行清洗和归一化处理。
　　最后，本文针对三种不同的应用场景分别提出了三种针对性的模型进行农产品价格预测，并以平均绝对误差（Mean Absolute Error，MAE）与均方误差（Mean Square Error，MSE）作为评价指标，分别与传统的LSTM模型、反向传播（Back Propagation,BP）神经网络、支持向量机（Support Vector Machine，SVM）模型进行实验对比与分析：
　　1）针对传统的时间序列预测方法对于长期序列的预测效果远低于对中短期序列的，结合小波分析（Wavelet Analysis，WA）建立了基于历史价格数据的WA-LSTM模型对农产品价格数据进行预测。实验结果表明，该模型的预测精度均高于以上三种对比模型，并且该方法仅仅需要预测的历史价格序列，而不需要其他影响因素的数据，因此更具有通用性。
　　2）针对有些农产品价格的影响因素较多，利用单因素的农产品价格预测模型对其进行预测会存在较大误差，又考虑到每种因素的影响程度都是不同的，因此运用注意力机制根据对农产品价格的影响程度的不同对这些因素分配不同的权重来建立基于多维因素的AttnLSTM模型对农产品价格数据进行预测。实验结果表明，该模型比以上三种对比模型的精度都高，是一种有效的农产品价格预测模型。
　　3）作为一种新兴的用于解决时间序列预测问题的算法，时序卷积网络（Temporal Convolutional Network,TCN）的设计可以实现并行运算从而加快模型的计算速度，因此本文建立了基于时序卷积神经网络与LSTM相结合的DCLSTM模型对农产品价格数据进行预测，实验结果表明，在非并行环境下该模型的预测精度与第二种模型相当，而且仍比三种对比模型的精度高，因而在需要快速得到结果的情况下非常适用。