The support vector machine (SVM) is a machine learning approach rooted in statistical learning theory [19]. It hinges on VC dimensional theory, the principle of structural risk minimization [20,21], and represents the pioneering algorithm grounded in geometric distance [22]. Serving as a small-sample learning technique with a robust theoretical foundation, an SVM’s final decision function is influenced by only a handful of support vectors. Its computational complexity hinges on these vectors rather than the sample space’s dimensionality, sidestepping the so-called “dimensional disaster”. Wang et al. [23] harnessed SVM to predict the nonlinear facet of garlic prices, coupling it with ARIMA for linear price prediction, yielding accurate results. Nevertheless, SVM does have drawbacks, including diminished performance when data features (dimensions) surpass the sample size, sensitivity to parameters and kernel functions. Consequently, approaches like parameter optimization are frequently employed to enhance SVM prediction performance. Duan et al. [24] employed a genetic algorithm to identify optimal parameter combinations for a support vector regression model. With these optimized parameters, they constructed a support vector regression model for predicting fish prices, yielding precise outcomes with minor errors. SVR’s remarkable ability to manage high-dimensional, nonlinear, and small-sample data positions is a vital technique in agricultural price prediction.

贝叶斯网络本质上是一个有向无环图，它使用概率网络进行不确定性推断。贝叶斯网络在解决农产品价格预测和其他农业问题方面的卓越表现主要源于以下主要特点：（1）贝叶斯网络可以处理不完整的数据集;（2）贝叶斯网络允许人们理解变量之间的关系并量化这些关系的强度;（3）定量和定性数据相结合的能力;（4）将专业知识和数据结合到贝叶斯网络中的能力;（5）贝叶斯方法可以相对容易地避免学习过程中的数据过度拟合。Putri [25]使用贝叶斯网络算法作为数据挖掘分类方法，根据天气信息预测万隆地区的胡椒商品价格。贝叶斯网络的一个缺点是它们不支持环形网络[26]，这会削弱网络的鲁棒推理能力，并且这种限制对静态贝叶斯网络并不友好。动态贝叶斯网络（DBN）是一个融合概率论和影响图的动态模型。它将时变隐马尔可夫模型与传统的静态贝叶斯网络相结合，从两者中获益，同时通过随时间推移的动态适应性和新状态的合并来避开它们的局限性[27]。马再兴[28]利用PC算法从数据中学习，根据专家知识进行构造，并将专家知识和PC算法相结合进行结构学习。得到初始结构后，他调整得到的初始结构得到模型的网络结构，然后用EM算法进行参数学习。此外，他获得了用于价格预测的完整动态贝叶斯网络模型，并根据预测结果选择最佳模型来预测生猪的价格和产量。结果表明，预测效果优于对照组的ARIMA、SVM和BP神经网络模型。

神经网络通常被称为人工神经网络 （ANN）。它们构成了一个复杂的非线性网络系统，由许多以类似于生物神经元的方式相互连接的处理单元组成。神经网络表现出强大的非线性拟合能力，使它们能够映射复杂的非线性关系。此外，他们的学习规则很简单，可以在计算机上轻松实现。它们具有较强的鲁棒性、记忆力、非线性映射能力和强大的自学习能力，在应对农产品价格预测挑战方面具有独特的优势。1987年，Lapedes和Farber [29]率先将神经网络应用于预测，标志着神经网络预测的开始。1993年，Kohzadi等人[30]是最早使用前馈神经网络来预测美国小麦和牛价格的人之一。他们将预测结果与ARIMA的结果进行了比较，得出的结论是神经网络表现出卓越的转折点预测能力，并实现了更准确的价格预测。

随着大数据和人工智能技术的进步，神经网络在农业领域的应用越来越广泛[31]。在价格预测领域，流行的神经网络模型如下（表2和示例总结了神经网络在农产品价格预测中的应用）：

• 反向传播（BP）网络[32，33，34]：BP网络易于实现和理解。但是，很容易陷入局部最优解，训练速度相对较慢。
• 径向基函数神经网络（RBFNN）[35，36]：BP网络是非线性映射的全局近似，而RBF网络是非线性映射的局部近似，训练速度更快。RBF可以处理复杂的非线性关系，具有良好的泛化能力。但是，它对网络结构和超参数敏感，训练和调优相对复杂。当问题涉及复杂的非线性关系并且有足够的训练数据时，您可以尝试使用 RBF 神经网络。
• 长短期记忆网络（LSTM）[37，38]：LSTM神经网络是一种特殊的递归神经网络，它通过引入遗忘门、输入门和输出门等结构来控制通过单元状态的信息流，从而解决长期依赖性和梯度消失的问题。LSTM 神经网络具有记忆和捕获长期依赖关系的能力。因此，当预测问题涉及时间序列数据时，LSTM 是一个不错的选择，尤其是具有长期依赖关系的数据。
• 卷积神经网络（CNN）[39]：CNN是一个多层前馈神经网络，通过卷积层、池化层和全连接层等结构从数据中提取局部和全局特征，以实现自动特征学习和抽象。在价格预测任务中，CNN 可以学习和捕获输入数据中的重要特征，例如时间序列、数据趋势、周期性等。市场价格通常受到多种因素的组合影响，CNN可以更好地处理这些复杂的非线性关系。
• 混沌神经网络（CNN）[40，41]：混沌神经网络（CNN）是一种结合混沌理论和神经网络的智能信息处理系统。混沌神经网络利用混沌现象的敏感性和不可预测性，增强神经网络的学习和泛化能力，从而提高预测和建模的准确性。通过引入混沌噪声或逻辑图等方法，混沌神经网络能够在一定程度上避免神经网络陷入局部极小值，从而加快训练过程并提高收敛率。
• 极限学习机（ELM）[42]：极限学习机是一种前馈神经网络，由新加坡南洋理工大学的黄广斌教授于2006年首次提出。ELM具有训练快、泛化能力强、实现简单等优点。
• 小波神经网络（WNN）[43，44]：小波神经网络（WNN）是一种基于小波变换和神经网络的方法。通过将原始数据分解为不同尺度的小波系数，能够有效地提取数据中的各种特征，如趋势、周期、季节性等，WNN结合了神经网络强大的拟合能力，能够进行非线性映射，从而实现对未来价格的准确预测。然而，高复杂性和高数据要求是该方法不可避免的缺点。