CN105046372A - 一种逐日蔬菜价格的预测方法和装置 - Google Patents

Abstract

本发明实施例提供一种逐日蔬菜价格的预测方法和装置，所述方法包括：取得所预测蔬菜价格的逐日数据，所述逐日数据至少包括蔬菜逐日的价格和对应的气象数据；将所述蔬菜的逐日数据转换为逐月数据或逐季数据，将所述逐月数据或逐季数据进行数据处理后，得到影响蔬菜价格逐月波动项或逐季波动项，将所述逐月波动项或逐季波动项转换为逐日波动项；检验所述逐日波动项，得到所述蔬菜价格和所述气象数据之间是否有稳定的相关性；当所述蔬菜价格和气象数据之间具有所述稳定的相关性，则利用预测模型预测所述蔬菜价格。本发明实现了基于气象因素的蔬菜价格逐日预测。

Description

一种逐日蔬菜价格的预测方法和装置

技术领域

本申请涉及蔬菜价格预测技术领域，具体涉及一种逐日蔬菜价格的预测方法和装置。

背景技术

蔬菜作为商品，价格波动首先受到一般供需关系的影响，同时，蔬菜作为鲜活农产品，具有不易存储的特点，容易受到多种因素的影响从而呈现特有的规律性价格波动。

现有的蔬菜价格预测一般是利用蔬菜价格数据，采用时间序列分解和H-P滤波技术，将蔬菜价格分解为季节性波动、随机性波动、周期性波动和长期趋势4部分，并测算各波动成分对蔬菜价格波动的贡献，测算的方法一般为定量预测和定性预测。

但是现有的蔬菜价格预测方法不能实现对蔬菜价格逐日的预测，且预测时没有充分考虑多种因素的影响，导致预测结果不准确，偏差大。

发明内容

有鉴于此，本发明实施例的主要目的在于解决上述问题，在蔬菜价格预测时加入气象要素、在蔬菜价格序列分解后剔除掉与气象要素弱相关的波动项和通过统计降尺度的方法使逐月数据或逐季数据转为逐日数据实现基于气象要素的逐日蔬菜价格预测。

本发明实施例是这样实现的，一种逐日蔬菜价格的预测方法，包括：

数据输入步骤：取得所预测蔬菜价格的逐日数据，所述逐日数据至少包括蔬菜逐日的价格和对应的气象数据；

数据处理步骤：将所述逐日数据转换为逐月数据或逐季数据，将所述逐月数据或逐季数据进行数据处理后，得到影响蔬菜价格逐月波动项或逐季波动项，将所述逐月波动项或逐季波动项转换为逐日波动项；

检验步骤：检验所述逐日波动项，得到所述蔬菜价格和所述气象数据之间是否有稳定的相关性；

预测步骤：当所述蔬菜价格和气象数据之间具有所述稳定的相关性，则利用预测模型预测所述蔬菜价格。

进一步地，所述数据处理步骤中将所述逐月数据或逐季数据进行数据处理包括对所述数据进行季节性调整和H-P滤波，所述季节性调整利用X12季节调整法分离出季节性波动项、不规则波动项和趋势循环项，所述H-P滤波将所述循环波动项进一步分解为趋势波动项和循环波动项，经过所述季节性调整和H-P滤波后，所述数据最后分解为季节性波动项、不规则波动项、趋势性波动项、循环性波动项。

进一步地，所述将所述逐月波动项或逐季波动项转换为逐日波动项之前，还包括：去除与气象因素弱相关而与经济发展周期和消费水平强相关的趋势性波动项和循环波动项，将所述季节性波动项和所述不规则波动项相加得到新的季节性扰动项，将所述季节扰动项作为逐月波动项或逐季波动项进行转换。进一步地，所述检验步骤中检验所述逐日波动项包括使用单位根检验方法和协整检验方法得到所述蔬菜价格和气象数据之间是否有稳定的相关性，当由所述单位根检验方法检验的所述逐日波动项中的逐日价格波动和逐日气象波动两者的单位根统计量满足平稳性的阈值时，且当由协整检验方法检验的所述逐日价格波动和逐日气象波动两者间满足平稳性的阈值时，则所述蔬菜价格和所述气象数据之间具有稳定的相关性。

进一步地，所述预测步骤中的利用预测模型预测所述蔬菜的价格包括利用自回归分布滞后模型预测所述蔬菜的价格，所述自回归分布滞后模型通过统计软件进行模型回归后，去除模型中不满足显著性检验的解释变量后得到简化的自回归分布滞后模型。

根据本发明实施例的另一方面，本发明实施例还提供一种逐日蔬菜价格的预测装置，包括：

数据输入装置，用于取得所预测蔬菜价格的逐日数据，所述逐日数据至少包括蔬菜逐日的价格和对应的气象数据；

数据处理装置，用于将所述蔬菜的逐日数据转换为逐月数据或逐季数据，将所述逐月数据或逐季数据进行数据处理后，得到影响蔬菜价格逐月波动项或逐季波动项，将所述逐月波动项或逐季波动项转换为逐日波动项；

检验装置，用于检验所述逐日波动项，得到所述蔬菜价格和所述气象数据之间是否有稳定的相关性；

预测装置，用于当所述蔬菜价格和气象数据之间具有稳定的相关性，则利用预测模型预测所述蔬菜的价格。

进一步地，所述数据处理装置包括：季节性调整装置，用于使用X12季节调整法分离出季节性波动项、不规则波动项和趋势循环项；H-P滤波装置，用于将所述趋势循环项进一步分解为趋势波动项和循环波动项；经过所述季节性调整装置和所述H-P滤波装置的处理后，所述数据最终分解为季节性波动项、不规则波动项、趋势性波动项和循环性波动项。

进一步地，所述将所述逐月波动项或逐季波动项转换为逐日波动项之前，还包括：去除掉与气象因素弱相关而与经济发展周期和消费水平强相关的趋势性波动项和循环波动项，将所述季节性波动项和所述不规则波动项相加得到新的季节性扰动项，将所述季节扰动项作为逐月波动项或逐季波动项进行转换。进一步地，所述装置进一步包括：相关性判断装置，用于使用单位根检验方法和协整检验方法检验所述的蔬菜价格和气象数据之间是否有稳定的相关性，当由所述单位根检验方法检验的所述逐日波动项中的逐日价格波动和逐日气象波动两者的单位根统计量满足平稳性的阈值时，且当由协整检验方法检验的所述逐日价格波动和逐日气象波动两者间满足平稳性的阈值时，则所述蔬菜价格和所述气象数据之间具有稳定的相关性。

进一步地，所述预测装置中利用预测模型预测所述蔬菜的价格包括利用自回归分布滞后模型预测所述蔬菜的价格，所述自回归分布滞后模型通过统计软件进行模型回归后，去除模型中不满足显著性检验的解释变量后得到简化的自回归分布滞后模型。

根据上述技术方案，本发明实施例具有如下效果：

通过季节调整法、H-P滤波等技术，将蔬菜价格时间序列数据分解为季节性波动项、不规则波动项、趋势性波动项、循环性波动项4种波动成分。剔除了与气象要素相关程度较低的分解项，保留了受气象要素影响程度较深的分解项，有助于更加客观地考察气象要素对菜心价格波动的影响；

将分解得到的逐月波动项转换为逐日波动项，实现逐日蔬菜价格预测；

将气象要素引入蔬菜价格预测模型，对蔬菜品种价格进行短期预测，针对不同的波动周期，根据蔬菜生长与气象要素关系，给出气象要素影响蔬菜价格的机理解释，增强了预测模型机理方面的解释性。

附图说明

通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：

图1示出了本申请提供的蔬菜价格预测方法一种实施例的流程图；

图2示出了本申请提供的蔬菜价格预测方法另外一实施例的流程图；

图3示出了本申请提供的蔬菜价格的预测装置实施例的结构图。

具体实施方式

下面结合附图和实施例对本申请作进一步详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。

如图1所示，一种逐日蔬菜价格的预测方法，具体包括以下的步骤：

(S101)数据输入步骤，取得所预测蔬菜价格的逐日数据，所述逐日数据至少包括蔬菜逐日的价格和对应的气象数据；

(S102)数据处理步骤，将所述逐日数据转换为逐月数据或逐季数据，将所述逐月数据或逐季数据进行数据处理后，得到影响蔬菜价格逐月波动项或逐季波动项，将所述逐月波动项或逐季波动项转换为逐日波动项；

(S103)检验步骤，检验所述逐日波动项，得到所述蔬菜价格和所述气象数据之间是否有稳定的相关性；

(S104)预测步骤，当所述蔬菜价格和气象数据之间具有所述稳定的相关性，则利用预测模型预测所述蔬菜价格。

在上述数据输入步骤中提到的取得蔬菜价格的逐日数据，是指从蔬菜价格的数据库中取得，此数据库通过逐日数据采集建立。

上述提到的气象因素包括降水、日均气温、日照时间等因素。

在上述提到的数据处理步骤中将所述蔬菜的逐日数据转换为逐月数据或逐季数据，转换的目的是数据处理模型只支持输入逐月数据或者逐季数据，所以进行了转换。

本实施例提供的逐日蔬菜价格的预测方法与现有的蔬菜价格预测方法相比，通过将分解得到的逐月波动项转换为逐日波动项，实现了逐日蔬菜价格预测；通过将气象要素引入蔬菜价格预测模型，对蔬菜品种价格进行短期预测。针对不同的波动周期，根据蔬菜生长与气象要素关系，给出气象要素影响蔬菜价格的机理解释，增强了预测模型机理方面的解释性。

下面通过另一实施例具体说明逐日蔬菜价格预测的过程，请参考图2。

(S201)从数据库取得逐日数据包括逐日蔬菜价格和逐日气象数据。

(S202)将逐日数据转为逐月数据。

将逐日数据转换为逐月数据时，将逐日蔬菜价格数据求平均值得到逐月价格数据。

(S203)将逐月数据进行季节性调整和滤波得到季节性波动项、不规则波动项、趋势性波动项、循环性波动项。

进一步地，所述数据处理步骤中将所述逐月数据或逐季数据进行数据处理包括对所述数据进行季节性调整和H-P滤波，所述季节性调整利用X12季节调整法分离出季节性波动项、不规则波动项和趋势循环项，所述H-P滤波将所述趋势循环项进一步分解为趋势波动项和循环波动项，经过所述季节性调整和H-P滤波后，所述数据最后分解为季节性波动项、不规则波动项、趋势性波动项、循环性波动项。

具体，此处可采用基于X12季节调整的加法模型。将原蔬菜价格序列设为Y，即有：

Y＝SA+SF＝SF+IR+TC＝SF+IR+Trend+Cycle.

其中，SA是季节调整序列，该序列和相应的季节调整因子SF相加与原序列相同；从运算的角度来看，在加法模型中，季节调整序列SA相当于不规则因子序列IR与趋势循环序列TC的加总值；趋势循环项可以分解为趋势项trend和循环项circle这两项。

需要说明的是，在使用H-P滤波分析法对趋势循环项进行分解时，运算规则所涉及的目标函数需设定参数λ。根据常见处理方法，由于此处采用的是月度价格数据，该参数值设定为14400。

(S204)去除与气象因素弱相关而与经济发展周期和消费水平强相关的趋势性波动项和循环波动项，将所述季节性波动项和所述不规则波动项相加得到新的季节性扰动项。

进一步地，所述将所述的逐月波动项或逐季波动项转换为逐日波动项之前去除与气象因素弱相关而与经济发展周期和消费水平强相关的趋势性波动项和循环波动项，将所述季节性波动项和所述不规则波动项相加得到新的季节性扰动项，将所述季节扰动项作为逐月波动项或逐季波动项进行转换。

其中，季节性波动项主要是由气象条件的周期性波动引起的，体现了一年四季气象要素的正常转换；不规则波动项则主要反映了气象条件的突然扰动，即气象要素的不规则波动。因此，在考察气象要素对菜心价格的中长期影响时，将季节性波动项和不规则波动项相加得到新的波动项，命名为季节性扰动项。这一合并剔除了与气象要素相关程度较低的分解项，保留了受气象要素影响程度较深的两个分解项，并且同时考虑了气象要素周期性波动和突发性扰动可能带来的影响，有助于更加客观地考察气象要素对蔬菜价格波动的影响。

(S205)将季节扰动项作为逐月波动项转换为逐日波动项即逐日价格波动和逐日气象波动。

本技术通过统计降尺度方法，将分解得到的逐月波动项转换为逐日波动项的，从而实现逐日蔬菜价格预测。

(S206)用单位根检验和协整分析来判断蔬菜价格和气象数据之间是否有稳定的相关性。

进一步地，所述检验步骤中检验所述逐日波动项包括使用单位根检验方法和协整检验方法得到所述的蔬菜价格和气象数据之间是否有稳定的相关性，当由所述单位根检验方法检验的所述逐日波动项中的逐日价格波动和逐日气象波动两者的单位根统计量满足平稳性的阈值时，且当由协整检验方法检验的所述逐日价格波动和逐日气象波动两者间满足平稳性的阈值时，则所述蔬菜价格和所述气象数据之间具有稳定的相关性。

举例：某一种蔬菜的逐日价格波动和逐日气象波动两个序列的数据单位根检验结果如表1所示。

表1：变量的平稳性检验

注：***，**，*分别表示在1％，5％，10％的显著性水平下，拒绝有单位根的原假设。检验形式(c，t，p)中的各项分别表示模型中的常数项、时间趋势和滞后阶数。

从表1可以看出，逐日价格的波动序列(DIR)和逐日降水的波动序列(DRA)无需差分，原序列的ADF统计量就已经在1％的显著性水平下通过了平稳性检验，记为I(0)。也就是说，两个序列是零阶单整的。然后，利用基于残差的E-G两步法检验两个序列之间是否存在稳定关系，检验结果见表2。

表2：基于E-G两步法的平稳性检验结果

注：***表示在1％的显著性水平下，拒绝有单位根的原假设。

可以看出，残差项的ADF统计量为-13.598，绝对值要大于1％显著性水平下的临界值。这也意味着，残差项在1％的统计水平下显著通过了平稳性检验，表明逐日降水的波动序列(DRA)和逐日价格的波动序列(DIR)之间存在着稳定的协整关系。

(S207)当蔬菜价格和气象数据之间有稳定的相关性时，利用自回归分布滞后模型预测蔬菜价格。

进一步地，所述预测步骤中的利用预测模型预测所述蔬菜的价格包括利用自回归分布滞后模型预测所述蔬菜的价格，所述自回归分布滞后模型通过统计软件进行模型回归后，去除模型中不满足显著性检验的解释变量后得到简化的自回归分布滞后模型。

根据上述稳定的相关性检验结果，建立初始的一般自回归分布滞后模型，模型的解释变量部分包含了常数项、逐日价格波动序列(DIR)的滞后一至十二期、逐日降水波动序列(DRA)的当期值和滞后一至十二期。因部分解释变量的系数值未能通过1％统计水平下的显著性检验，逐步剔除这些不显著变量，最终可以得到以下简化模型：

DIR＝α₁DIR(-1)+α₂DIR(-2)+β₀DRA(-6)+β₁DRA(-7)+β₂DRA(-8)+β₃DRA(-10).

从简化模型可以看出，常数项已经被剔除，价格波动序列(DIR)滞后期对当期的影响集中在滞后第一期和第二期，滞后第三期及往后的滞后期影响不显著而被剔除。这也意味着价格的波动是具有自我影响和强化效应的，即当天和前一天的价格波动会对后一天的价格波动有着重要的影响。此外，逐日降水波动序列(DRA)对价格波动序列(DIR)的影响集中反映在滞后第六、七、八、十期，当期值和其他滞后期影响相对微弱而被剔除出模型。也就是说，逐日降水波动序列(DRA)对价格波动序列(DIR)的影响是倒U形的，即降水发生当期和滞后五期之内对菜心价格的影响相对较为微弱，从滞后第六期开始，这一影响开始凸显，到了滞后第十期滞后，影响趋于消失。之所以会出现这种倒U形的影响，主要是由蔬菜的生长周期所决定的，再加上从采摘到上市销售有一定的延迟，使得天气要素的影响也出现了滞后性。

表3：简化后自回归分布滞后模型结果

表3以某种蔬菜为例利用简化后自回归分布滞后模型预测的结果，从回归的结果来看，模型中各个变量的系数值t都通过了1％统计水平下的显著性检验，表明各变量的参数是可靠的；模型的拟合系数达到了0.823，和调整后的拟合系数基本一致，说明模型拟合效果较好；模型的似然比统计量达到了-2380.514，说明模型整体上是较为显著的；此外，DW值为2.005，根据DW≈2*(1-ρ)，其中ρ为自相关系数，可知模型不存在自相关问题。

简化后自回归分布滞后模型在预测蔬菜价格时有两种方法：静态预测方法和动态预测方法。下表4举例用两种方法对蔬菜价格预测，从表4的预测结果来看，静态预测的效果显然要优于动态预测，预测值与实际值之间的偏差率也更小。

表4：菜心价格预测效果对比

根据本发明实施例的另一方面，如图3所示，一种逐日蔬菜价格的预测装置，具体包括：

数据输入装置301，用于取得所预测蔬菜价格的逐日数据，所述逐日数据至少包括蔬菜逐日的价格和对应的气象数据；

数据处理装置302，用于将所述蔬菜的逐日数据转换为逐月数据或逐季数据，将所述逐月数据或逐季数据进行数据处理后，得到影响蔬菜价格逐月波动项或逐季波动项，将所述逐月波动项或逐季波动项转换为逐日波动项；

检验装置303，用于检验所述逐日波动项，得到所述蔬菜价格和所述气象数据之间是否有稳定的相关性；

预测装置304，用于当所述的蔬菜价格和气象数据之间具有稳定的相关性，则利用预测模型预测所述蔬菜的价格。

所述数据处理装置包括：季节性调整装置，用于使用X12季节调整法分离出季节性波动项、不规则波动项和趋势循环项；H-P滤波装置，用于将所述趋势循环项进一步分解为趋势波动项和循环波动项；经过所述季节性调整装置和所述H-P滤波装置的处理后，所述数据最终分解为季节性波动项、不规则波动项、趋势性波动项和循环性波动项。

所述将所述逐月波动项或逐季波动项转换为逐日波动项之前，还包括：去除掉与气象因素弱相关而与经济发展周期和消费水平强相关的趋势性波动项和循环波动项，将所述季节性波动项和所述不规则波动项相加得到新的季节性扰动项，将所述季节扰动项作为逐月波动项或逐季波动项进行转换。

所述预测装置还包括相关性判断装置，用于使用单位根检验方法和协整检验方法检验所述的蔬菜价格和气象数据之间是否有稳定的相关性，当由所述单位根检验方法检验的所述逐日波动项中的逐日价格波动和逐日气象波动两者的单位根统计量满足平稳性的阈值时，且当由协整检验方法检验的所述逐日价格波动和逐日气象波动两者间满足平稳性的阈值时，则所述蔬菜价格和所述气象数据之间具有稳定的相关性。

所述预测装置中利用预测模型预测所述蔬菜的价格包括利用自回归分布滞后模型预测所述蔬菜的价格，所述自回归分布滞后模型通过统计软件进行模型回归后，去除模型中不满足显著性检验的解释变量后得到简化的自回归分布滞后模型。

由于上述装置与方法相对应，所以在此不再赘述。

由此可见，本发明提供的逐日蔬菜价格的预测方法和装置同现有的蔬菜预测方法和装置相比，通过将气象要素引入蔬菜价格预测模型，对蔬菜品种价格进行短期预测；通过将分解得到的逐月波动项转换为逐日波动项，实现了逐日蔬菜价格预测；通过去除与气象因素弱相关而与经济发展周期和消费水平强相关的趋势性波动项和循环波动项，使得预测更加准确。

以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离所述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (10)

1.一种逐日蔬菜价格的预测方法，其特征在于，包括：

数据输入步骤，取得所预测蔬菜价格的逐日数据，所述逐日数据至少包括蔬菜逐日的价格和对应的气象数据；

数据处理步骤，将所述逐日数据转换为逐月数据或逐季数据，将所述逐月数据或逐季数据进行数据处理后，得到影响蔬菜价格逐月波动项或逐季波动项，将所述逐月波动项或逐季波动项转换为逐日波动项；

检验步骤，检验所述逐日波动项，得到所述蔬菜价格和所述气象数据之间是否有稳定的相关性；

预测步骤，当所述蔬菜价格和气象数据之间具有所述稳定的相关性，则利用预测模型预测所述蔬菜价格。

2.如权利要求1所述的方法，其特征在于：

所述数据处理步骤中将所述逐月数据或逐季数据进行数据处理包括对所述数据进行季节性调整和H-P滤波，所述季节性调整利用X12季节调整法分离出季节性波动项、不规则波动项和趋势循环项，所述H-P滤波将所述趋势循环项进一步分解为趋势波动项和循环波动项，经过所述季节性调整和H-P滤波后，所述数据最后分解为季节性波动项、不规则波动项、趋势性波动项、循环性波动项。

3.如权利要求2所述的方法，其特征在于：

所述将所述逐月波动项或逐季波动项转换为逐日波动项之前，还包括：去除与气象因素弱相关而与经济发展周期和消费水平强相关的趋势性波动项和循环波动项，将所述季节性波动项和所述不规则波动项相加得到新的季节性扰动项，将所述季节扰动项作为逐月波动项或逐季波动项进行转换。

4.如权利要求1所述的方法，其特征在于：

所述检验步骤中检验所述逐日波动项包括使用单位根检验方法和协整检验方法得到所述蔬菜价格和气象数据之间是否有稳定的相关性，当由所述单位根检验方法检验的所述逐日波动项中的逐日价格波动和逐日气象波动两者的单位根统计量满足平稳性的阈值时，且当由协整检验方法检验的所述逐日价格波动和逐日气象波动两者间满足平稳性的阈值时，则所述蔬菜价格和所述气象数据之间具有稳定的相关性。

5.如权利要求1所述的方法，其特征在于：

所述预测步骤中的利用预测模型预测所述蔬菜的价格包括利用自回归分布滞后模型预测所述蔬菜的价格，所述自回归分布滞后模型通过统计软件进行模型回归后，去除模型中不满足显著性检验的解释变量后得到简化的自回归分布滞后模型。

6.一种逐日蔬菜价格的预测装置，其特征在于，包括：

数据输入装置，用于取得所预测蔬菜价格的逐日数据，所述逐日数据至少包括蔬菜逐日的价格和对应的气象数据；

数据处理装置，用于将所述蔬菜的逐日数据转换为逐月数据或逐季数据，将所述逐月数据或逐季数据进行数据处理后，得到影响蔬菜价格逐月波动项或逐季波动项，将所述逐月波动项或逐季波动项转换为逐日波动项；

检验装置，用于检验所述逐日波动项，得到所述蔬菜价格和所述气象数据之间是否有稳定的相关性；

预测装置，用于当所述蔬菜价格和气象数据之间具有稳定的相关性，则利用预测模型预测所述蔬菜的价格。

7.如权利要求6所述的装置，其特征在于，所述数据处理装置包括：

季节性调整装置，用于使用X12季节调整法分离出季节性波动项、不规则波动项和趋势循环项；

H-P滤波装置，用于将所述趋势循环项进一步分解为趋势波动项和循环波动项；经过所述季节性调整装置和所述H-P滤波装置的处理后，所述数据最终分解为季节性波动项、不规则波动项、趋势性波动项和循环性波动项。

8.如权利要求7所述的装置，其特征在于：

所述将所述逐月波动项或逐季波动项转换为逐日波动项之前，还包括：去除掉与气象因素弱相关而与经济发展周期和消费水平强相关的趋势性波动项和循环波动项，将所述季节性波动项和所述不规则波动项相加得到新的季节性扰动项，将所述季节扰动项作为逐月波动项或逐季波动项进行转换。

9.如权利要求6所述的装置，其特征在于，还包括：

相关性判断装置，用于使用单位根检验方法和协整检验方法检验所述的蔬菜价格和气象数据之间是否有稳定的相关性，当由所述单位根检验方法检验的所述逐日波动项中的逐日价格波动和逐日气象波动两者的单位根统计量满足平稳性的阈值时，且当由协整检验方法检验的所述逐日价格波动和逐日气象波动两者间满足平稳性的阈值时，则所述蔬菜价格和所述气象数据之间具有稳定的相关性。

10.如权利要求6所述的装置，其特征在于：

所述预测装置中利用预测模型预测所述蔬菜的价格包括利用自回归分布滞后模型预测所述蔬菜的价格，所述自回归分布滞后模型通过统计软件进行模型回归后，去除模型中不满足显著性检验的解释变量后得到简化的自回归分布滞后模型。