波动的预测需要对农产品市场波动的周期和成因进行分析，并构建起数学模型来实现。目前，波动的预测模型主要包括景气指数、时间序列模型、神经网络､支持向量机、灰色系统模型、复杂大系统模型等。通过对波动的预测，并依据预警阈值来对异常波动进行预测和预警。但对自然灾害、动物疫病、食品安全等不可预知的因素则无法对其产生异常波动的时间进行预测。

景气指数最主要的目的就是预测经济周期波动的转折点，其准确度不高，要求市场比较成熟，不适合发展历程较短的行业[38]。支小军等[39]采用合成指数法分析棉花价格的循环波动周期，并对未来两年我国棉花价格水平的发展趋势进行了预测。

时间序列模型基于自相关分析来找出时间序列变化的某种规律，从而建立模型，不需要用到其他变量数据，对于其短期趋势预测效果较好，是近年来使用较为广泛的一种模型。康艺之等[34, 35]利用历史月度数据构建了时间序列模型，并预测了未来几个月份农产品价格总体水平与晚籼米、生猪猪肉、鸡蛋价格波动的警情变化。但由于时间序列分析缺少内在因素的关联作用，机理性存在不足。

通过选取关联因素，利用神经网络模型可对历史数据进行拟合，可用于对未来市场价格和产业风险进行预测。但有些研究在构建BP神经网络模型时都存在贫（小）样本和稀疏数据的问题，存在“过训练”的可能性，影响模型的泛化能力[40, 41]，而楼文高等[42]利用广义回归神经网络模型（GRNN），有效避免了以上问题，可用于我国生猪市场价格风险的预测研究。

支持向量机（SVM）是继神经网络之后较为热门的研究工具，它是一种建立在统计学习理论基础上的机器学习方法，其最大特点是能够较好地解决小样本、非线性和局部极小点等问题[43]。李优柱等[23]在选取了蔬菜价格预警系统的特征指标后，随机选取出16年数据和剩余一年数据对支持向量机模型进行了训练和测试，表明该模型能够用来进行蔬菜价格预警。付莲莲等[24]利用与生猪价格相关联的显著影响因素的14年月度数据和最后一年的月度数据对最小二乘支持向量机模型(LS-SVM)进行了训练和测试，表明该模型在生猪价格方面具有良好的预测性能｡