中国是世界上最大的猪肉生产国和消费国,也是生猪养殖规模最大的国家。目前,中国年生猪出栏量超过6亿头。在中国所有肉类消费中,猪肉消费一直领先其他肉制品,2016年猪肉消费占肉类消费的60%。近年来生猪价格波动频繁而且波动幅度越来越大,生猪价格波动对整个养猪行业乃至社会产生巨大影响。因此,探究一种可以准确预测生猪价格的模型对于生猪市场的研究和生产都具有重要意义。生猪价格的预测结果不仅可以为政府调整生猪产业链的各个环节提供决策支持,还可以平衡城镇居民食品消费价格,维持生猪市场供求关系平衡,从而推动我国生猪产业稳定的发展。影响生猪价格的因素繁杂且具有不确定性,因此,本文使用适合解决不确定性问题的动态贝叶斯网络来进行生猪价格预测的研究。本文首先采用相关性分析,从影响生猪价格波动的20多种因素中筛选重要影响因素作为生猪价格预测的模型参数;然后在静态贝叶斯网络的基础上结合时间序列,采用结构学习和参数学习建立模型。具体过程如下:1)数据处理。采用Python网络爬虫获取实验样本数据,对数据进行预处理包括缺失值填充和异常值剔除等。根据实验要求,对不同量纲的样本数据进行归一化处理,并将数据分为训练集和测试集后用于后续实验模型构建。2)变量选择。影响生猪价格的因素复杂多样,根据参考文献和专家知识,将20多种因素按照重要程度进行划分。对影响生猪价格的因素进行相关性分析,选出重要的影响因素,分别是豆粕价格、仔猪价格、猪肉产量、生猪出栏、生猪存栏量、生猪出厂价、猪粮比、畜肉类居民消费价格指数、白条猪批发价格、批发零售利润。3)构建模型。动态贝叶斯网络模型的构建分为结构学习和参数学习。本文的结构学习分为三种,分别是利用PC算法从数据中学习、根据专家知识构建以及专家知识和PC算法相结合的方式进行结构学习,得到初始结构后将获得的初始结构进行调整得到模型的网络结构,再使用EM算法进行参数学习,获得完整的动态贝叶斯网络模型进行价格预测,根据预测结果选出效果最好模型。为验证动态贝叶斯网络模型的预测效果,本文同时建立基于ARIMA、BP神经网络和支持向量机(SVM)的预测模型对生猪价格进行预测,选用均方根误差(RMSE)、平均绝对百分误差(MAPE)和希尔不等系数(TIC)3种指标作为评价标准对上述四种模型预测结果进行评价,结果显示:在生猪价格预测中DBN模型的RMSE=1.200822,MAPE=7.137312,TIC=0.0351875,均优于其他模型,DBN模型预测2019年、2020年生猪价格为2019年13.8557元、2020年13.6012元;在产量预测中DBN模型的RMSE=37.611352,MAPE=0.626567,TIC=0.003349,均优于其他模型,DBN模型预测2019年、2020年生猪产量为2019年5461.864万吨、2020年5482.519万吨。