猪肉是我国主要的大宗交易农产品之一。据国家统计年鉴显示,猪肉消费在我国肉类消费中占据了居民消费总量的70%以上。猪肉的生产和销售容易受政策、资本和社会事件的影响,造成价格和出栏量的波动,进而影响居民的生活消费和相关产业的发展。因此,通过提高模型预测的准确率,提供更加科学合理的调控措施,可以避免广大经营者遭受生产经营风险,助力生猪产业链的健康稳定发展。猪肉的生产和销售受到市场内外多种因素的影响,在市场外的影响因素中,网络舆情是造成生猪市场波动的主要影响因素之一。然而,以往的研究多从市场价格理论和波动周期入手,对市场外因素考虑较少,因此预测准确率不高。为了解决这些问题,本文提出了一种结合网络舆情的多模态组合预测模型Multi-BERT-LSTM。该模型通过把BERT(Bidirectional Encoder Representations from Transformers)模型在舆情信息中提取的特征向量与LSTM(Long Short-Term Memory)模型挖掘到的序列模式信息相融合,让预测模型得到更加丰富的输入信息,进行模型预测。另外,考虑到不同融合方式对模型预测性能的影响,尝试了六种融合方式:相加(Add)、相减(Sub)、最大值(Max)、最小值(Min)、拼接(Con)和平均值(Avg)。通过多模态信息融合,利用多源信息的互补优势,提升模型的预测性能。为了验证模型效果,分别使用多模态组合预测模型和传统回归预测模型Back Propagation Neural Network(BPNN)、Support Vector Regression(SVR)和LSTM对湖北省2019年生猪价格和出栏量进行预测,使用平均绝对误差(MAE)、平均绝对百分误差(MAPE)、均方误差(MSE),均方根误差(RMSE)和走势准确率(TAR)作为模型性能的评价标准。对比预测结果显示:在生猪价格和出栏量预测任务中,结合网络舆情的多模态组合预测模型Multi-BERT-LSTM(Con)的各项指标均优于对比模型。在价格和出栏量预测中,平均绝对百分误差MAPE相比最优对比模型分别提升了17%和32%,取得了更好的预测效果。另外,为了进一步验证组合模型的性能,使用DM测试(Diebold-Mariano test)对模型预测准确性进行显著性检验。结果显示,组合模型在5%的置信水平上拒绝原假设,表明结合网络舆情的多模态组合预测模型能够显著提高生猪价格和出栏量预测的准确性。