随着经济社会的不断发展,商品价格有着作为杠杆调节经济的独特作用。价格预测是宏观决策和微观管理的重要组成,对人们生活有着重要意义。由于影响商品的价格因素众多,使得价格预测成为了研究的难点。商品价格预测方法主要有:基于统计学相关的方法预测价格走势;基于简单时间序列的价格预测模型;基于机器学习、深度学习等的智能价格预测方法。其中基于统计学相关的方法主要是根据经验进行预测,有一定的主观性和局限性。基于简单时间序列的价格预测方法虽提高了预测的准确性,但由于该类方法只考虑了短时间内的价格数据,对历史数据的利用低,导致预测结果不理想。随着机器学习、人工智能的不断发展,一些前沿的集成算法及基于时间序列的深度学习预测方法对具有非线性、时间序列等特征的数据,具有准确率高、鲁棒性好的特点,逐渐成为了解决价格预测类问题的必然选择。本文在对LightGBM和卷积神经网络(CNN)等新兴的机器学习算法进行深入分析研究的基础上,针对价格预测问题,提出了一种CNN-LightGBM组合的价格预测算法。该方法利用CNN自动提取数据中的特征,并把提取到的有效特征集植入LightGBM进行有监督的训练,得到了CNN-LightGBM组合价格预测模型,相对于单一使用CNN或LightGBM,该模型在精度上有明显的提高。本文针对价格数据还受除时间序列外其它因素影响的特点,基于长短期记忆网络(LSTM)深度学习算法,提出了一种多因素影响的LSTM价格预测方法。该方法既利用了LSTM对历史数据的记忆性,还通过全连接层引入了外部因素对价格的影响,为解决价格预测问题提供了一种新的思路。与BP神经网络进行实验对比表明该方法取得的结果精度更高、稳定性更好。本文通过将实际的蔬菜和水果价格数据划分为训练集和测试集,对提出的两种价格预测算法进行训练和测试验证,结果达到预期目标,表明所研究的价格预测算法具有可行性和推广应用前景。