CN105844353A - 一种水产品价格的预测方法以及装置 - Google Patents
一种水产品价格的预测方法以及装置 Download PDFInfo
- Publication number
- CN105844353A CN105844353A CN201610165337.7A CN201610165337A CN105844353A CN 105844353 A CN105844353 A CN 105844353A CN 201610165337 A CN201610165337 A CN 201610165337A CN 105844353 A CN105844353 A CN 105844353A
- Authority
- CN
- China
- Prior art keywords
- price
- parameter
- ray
- series
- aquatic products
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0283—Price estimation or determination
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种水产品价格的预测方法以及装置。其中,所述方法包括:获取水产品在第一预设时间段内的历史价格数据,并根据所述历史价格数据计算得到价格序列;采用时间序列中偏自相关系数分析方法对所述价格序列进行预处理,得到训练数据集;根据所述训练数据集采用遗传算法对支持向量回归机的参数进行寻优,得到优化参数;根据所述优化参数设置所述支持向量回归机,建立得到水产品价格预测模型;根据所述水产品价格预测模型预测得到所述水产品在第二预设时间段内的价格。通过本发明,广大养殖户可以及时分析水产品市场的趋势,合理规划养殖,同时也有利于政府加强对水产品市场的监督和管理,优化产业结构。
Description
技术领域
本发明涉及水产品价格领域,具体地,涉及一种水产品价格的预测方法以及装置。
背景技术
水产品价格作为渔业生产成本和水产品供求关系的具体反映,不仅与养殖业者生产销售和经济利益相关,而且与国家宏观经济政策相关,水产品价格的变化更是水产品市场各方面关注的焦点。
市场的供求状况受到多方面因素的影响,而这些因素经常是不平稳的,处在不断变化之中。因此,市场的供求平衡点也是经常处于变动之中的。一般来讲,供求关系的变动可以从价格上反映出来,因此,有必要对价格变动进行科学、准确的预测。通过把由预测得来的价格变化的信息反馈给养殖户,养殖户可以及时的根据市场供求变化调整生产经营活动,合理规划养殖,减少不必要的损失,即减少了生产成本,又获得了较高的经济效益。
但水产品市场有其独特的特点,价格波动区间较大,品种分布不一,不同地区之间差异很大。这些因素反映在价格上,使得价格序列呈现出非平稳、非线性、非周期性等特点,而且水产品价格受多种因素的影响,养殖户难以对未来价格的走势做出准确的预测和分析,并及时有效的合理规划养殖。
因此,亟需一种能够对水产品市场价格进行分析预测的方法,能够对养殖户提供市场指导,合理规划养殖结构,同时有利于政府制定行业政策,科学地对市场进行监督和管理,促进产业结构转型升级,优化资源配置。
发明内容
本发明的目的是提供一种水产品价格的预测方法以及装置。其中,所述方法能够对养殖户提供市场指导,合理规划养殖结构,同时有利于政府制定行业政策,科学地对水产品市场进行监督和管理,促进产业结构转型升级,优化资源配置。
为了实现上述目的,本发明提供一种水产品价格的预测方法。所述方法包括:
获取水产品在第一预设时间段内的历史价格数据,并根据所述历史价格数据计算得到价格序列;
采用时间序列中偏自相关系数分析方法对所述价格序列进行预处理,得到训练数据集;
根据所述训练数据集采用遗传算法对支持向量回归机的参数进行寻优,得到优化参数;
根据所述优化参数设置所述支持向量回归机,建立得到水产品价格预测模型;
根据所述水产品价格预测模型预测得到所述水产品在第二预设时间段内的价格。
可选地,所述根据所述历史价格数据计算得到价格序列,具体包括:
根据所述历史价格数据计算得到所述水产品在所述第一预设时间段内每个月的平均价格;
根据所述水产品在所述第一预设时间段内每个月的平均价格得到所述价格序列。
可选地,所述采用时间序列中偏自相关系数分析方法对所述价格序列进行预处理,得到训练数据集,具体包括:
对所述价格序列进行取对数操作,使得所述价格序列映射到一个波动较小的区间上,从而得到第一序列;
根据预设的自相关函数判断所述第一序列的平稳性;
在判断所述第一序列处于平稳状态的情况下,根据预设的偏自相关函数计算得到所述第一序列的偏自相关系数;
在判断所述第一序列处于非平稳状态的情况下,通过差分操作使得所述第一序列处于平稳状态,并根据预设的偏自相关函数计算得到所述第一序列的偏自相关系数;
根据所述偏自相关系数确定所述第一序列的相关阶数项;
根据处于平稳状态的第一序列和所述相关阶数项,构建得到所述训练数据集。
可选地,所述根据所述训练数据集采用遗传算法对支持向量回归机的参数进行寻优,得到优化参数,具体包括:
对支持向量回归机的每组参数进行编码,得到与每组参数对应的实数串;
根据所述实数串设置所述支持向量回归机;
根据所述训练数据集对所述支持向量回归机进行训练,得到与每组参数对应的至少一个训练值;
根据预设的适应度函数将所述至少一个训练值分别与所述训练数据集的期望值子集中的期望值的误差绝对值之和作为每组参数的适应度值;
根据所述每组参数的适应度值选择参数组合;
对所述参数组合进行交叉和变异操作,形成新的多组参数;
根据所述新的多组参数继续寻优;
在满足预设的迭代次数的情况下,输出优化参数组合。
可选地,所述方法还包括:
引入K折交叉验证机制;
根据预设的适应度函数将K次均方误差的均值作为每组参数的适应度值。
相应地,本发明还提供一种水产品价格的预测装置。所述装置包括:
获取单元,用于获取水产品在第一预设时间段内的历史价格数据,并根据所述历史价格数据计算得到价格序列;
预处理单元,用于采用时间序列中偏自相关系数分析方法对所述价格序列进行预处理,得到训练数据集;
寻优单元,用于根据所述训练数据集采用遗传算法对支持向量回归机的参数进行寻优,得到优化参数;
建立单元,根据所述优化参数设置所述支持向量回归机,建立得到水产品价格预测模型;
预测单元,用于根据所述水产品价格预测模型预测得到所述水产品在第二预设时间段内的价格。
可选地,所述获取单元,具体用于:
根据所述历史价格数据计算得到所述水产品在所述第一预设时间段内每个月的平均价格;
根据所述水产品在所述第一预设时间段内每个月的平均价格得到所述价格序列。
可选地,所述预处理单元,具体用于:
对所述价格序列进行取对数操作,使得所述价格序列映射到一个波动较小的区间上,从而得到第一序列;
根据预设的自相关函数判断所述第一序列的平稳性;
在判断所述第一序列处于平稳状态的情况下,根据预设的偏自相关函数计算得到所述第一序列的偏自相关系数;
在判断所述第一序列处于非平稳状态的情况下,通过差分操作使得所述第一序列处于平稳状态,并根据预设的偏自相关函数计算得到所述第一序列的偏自相关系数;
根据所述偏自相关系数确定所述第一序列的相关阶数项;
根据处于平稳状态的第一序列和所述相关阶数项,构建得到所述训练数据集。
可选地,所述寻优单元,具体用于:
对支持向量回归机的每组参数进行编码,得到与每组参数对应的实数串;
根据所述实数串设置所述支持向量回归机;
根据所述训练数据集对所述支持向量回归机进行训练,得到与每组参数对应的至少一个训练值;
根据预设的适应度函数将所述至少一个训练值分别与所述训练数据集的期望值子集中的期望值的误差绝对值之和作为每组参数的适应度值;
根据所述每组参数的适应度值选择参数组合;
对所述参数组合进行交叉和变异操作,形成新的多组参数;
根据所述新的多组参数继续寻优;
在满足预设的迭代次数的情况下,输出优化参数组合。
可选地,所述寻优单元,还用于:
引入K折交叉验证机制;
根据预设的适应度函数将K次均方误差的均值作为每组参数的适应度值。
通过上述技术方案,获取水产品在第一预设时间段内的历史价格数据,并根据历史价格数据计算得到价格序列;采用时间序列中偏自相关系数分析方法对价格序列进行预处理,得到训练数据集;根据训练数据集采用遗传算法对支持向量回归机的参数进行寻优,得到优化参数;根据优化参数设置支持向量回归机,建立得到水产品价格预测模型;以及根据水产品价格预测模型预测得到水产品在第二预设时间段内的价格,能够对养殖户提供市场指导,合理规划养殖结构,同时有利于政府制定行业政策,科学地对水产品市场进行监督和管理,促进产业结构转型升级,优化资源配置。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍。显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些图获得其他的附图。
图1是本发明一实施例提供的水产品价格的预测方法的流程图;
图2是本发明一实施例提供的水产品价格的预测方法的预处理步骤的流程图;
图3是本发明一实施例提供的水产品价格的预测方法的遗传算法的流程图;
图4是本发明一实施例提供的水产品价格的预测装置的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
图1是本发明一实施例提供的水产品价格的预测方法的流程图。如图1所示,本发明一实施例提供的水产品价格的预测方法包括:
在步骤S101中,获取水产品在第一预设时间段内的历史价格数据,并根据所述历史价格数据计算得到价格序列。
其中,所述根据所述历史价格数据计算得到价格序列,具体包括:根据所述历史价格数据计算得到所述水产品在所述第一预设时间段内每个月的平均价格;根据所述水产品在所述第一预设时间段内每个月的平均价格得到所述价格序列。
举例来说,获取武汉地区2011年到2015年武昌鱼的价格数据,并根据价格数据得到武昌鱼在2011年到2015年的每个月的平均价格。藉此,可得到由60个数构成的价格序列。
接着,在步骤S102中,采用时间序列中偏自相关系数分析方法对所述价格序列进行预处理,得到训练数据集。
图2是本发明一实施例提供的水产品价格的预测方法的预处理步骤的流程图。如图2所示,步骤S102具体包括:对所述价格序列进行取对数操作,使得所述价格序列映射到一个波动较小的区间上,从而得到第一序列;根据预设的自相关函数判断所述第一序列的平稳性;在判断所述第一序列处于平稳状态的情况下,根据预设的偏自相关函数计算得到所述第一序列的偏自相关系数;在判断所述第一序列处于非平稳状态的情况下,通过差分操作使得所述第一序列处于平稳状态,并根据预设的偏自相关函数计算得到所述第一序列的偏自相关系数;根据所述偏自相关系数确定所述第一序列的相关阶数项;根据处于平稳状态的第一序列和所述相关阶数项,构建得到所述训练数据集。
举例来说,假设价格序列A为:X1,X2,…,Xp,对价格序列A进行取对数操作,得到第一序列B,即B=log(A),使得价格序列A映射到一个较小的区间上。之所以要对价格序列进行取对数操作,是因为价格序列往往处于一个较大的区间波动。然后利用序列的自相关函数进行平稳性判断,若序列的自相关函数随着项数的增大,迅速衰减,则认为序列是平稳的,如果衰减的非常缓慢或者没有衰减,则认为该序列是非平稳的,通过差分操作和季节差分操作可以使得序列平稳化,一般经过一次或两次差分操作可以使得序列平稳化。在得到平稳序列之后,根据序列的偏自相关函数计算得到处于平稳状态的序列的偏自相关系数,并根据偏自相关函数确定处于平稳状态的序列的相关阶数项,以及根据处于平稳状态的序列和相关阶数项,构建得到训练数据集。藉此,采用时间序列中偏自相关系数分析方法对价格序列进行分析,使得价格序列满足预测的基本要求,保证了预测的有效性,使得预测的结果更为真实。
更为具体地,详细计算过程为:对于平稳的随机过程,其期望为常数,用μ来表示,即
E(xt)=μ,t=1,2,...
平稳随机过程的方差也是一个常量:
其中,用来度量随机过程取值对其均值μ的离散程度。相隔k期的两个随机变量xt与xt+k的协方差即滞后k期的自协方差,定义为:
γk=Cov(xt,xt-k)=E[(xt-μ)(xt-k-μ)],k=0,1,2,...
自相关系数定义为:
因为对于一个平稳过程有
可得:
当k=0时,ρ0=1。以滞后期k为变量的自相关系数数列ρk(k=0,1,2,...)称为自相关函数。
偏相关系数的递推公式为:
得到序列的偏相关系数统计推断的依据为平稳序列的自相关系数ρk和偏相关系数均服从的正态分布,可以通过差分和季节差分操作使序列平稳化。假设存在mar和mma,满足:
则可认为平稳序列适合ARMA(mar,mma)模型,即AR的阶数P=mar,得到所构建的训练数据集的阶数为P。根据处于平稳状态的第一序列和阶数构建阶数为P的训练数据集,如下式所示:
其中,n和m均表示正整数,训练数据集包括训练子集X和期望值子集Y,xn表示训练子集X和期望值子集Y中的元素。
紧接着,在步骤S103中,根据所述训练数据集采用遗传算法对支持向量回归机的参数进行寻优,得到优化参数。
具体地,步骤S103包括:对支持向量回归机的每组参数进行编码,得到与每组参数对应的实数串;根据所述实数串设置所述支持向量回归机;根据所述训练数据集对所述支持向量回归机进行训练,得到与每组参数对应的至少一个训练值;根据预设的适应度函数将所述至少一个训练值分别与所述训练数据集的期望值子集中的期望值的误差绝对值之和作为每组参数的适应度值;根据所述每组参数的适应度值选择参数组合;对所述参数组合进行交叉和变异操作,形成新的多组参数;根据所述新的多组参数继续寻优;在满足预设的迭代次数的情况下,输出优化参数组合
优选地,所述方法还包括:引入K折交叉验证机制;根据预设的适应度函数将K次均方误差的均值作为每组参数的适应度值。其中,K折交叉验证机制是用来验证模型性能的一种统计方法,K折交叉验证是把训练数据集中训练子集X随机分成K个不相关的子集,然后用其中的K-1个子集作为训练集,建立预测模型,其他的子集为验证子集。通过K次循环使每个子集都充当一次验证子集,然后对这K次的均方误差取均值,作为K折交叉验证的均方误差。在这个过程中引入交叉验证的机制,以减少训练数据集划分差异对算法的影响。
图3是本发明一实施例提供的水产品价格的预测方法的遗传算法的流程图。如图3所示,通过遗传算法获取选择径向基核函数支持向量机的优化参数,其参数变量有三个,分别是核函数系数γ、惩罚因子C和损失参数ε。遗传优化算法把生物进化原理引入优化参数形成的编码串联群体中,按照所选择的适应度函数,通过选择、交叉和变异对个体进行操作,直至满足终止条件。具体计算过程为:1)对染色体进行编码,这里采用实数编码方式,即每个染色体为一个实数串,对于待优化的参数,染色体X可以表示为X={x1,x2,x3},其中x1,x2,x3分别对应γ,C,ε;2)确定适应度函数,训练数据对SVR(Support Vector Regression,支持向量回归机)进行训练,并预测其输出,把预测把预测输出和期望输出之间的误差绝对值之和作为个体的适应度值,引入K折交叉验证机制后,适应度函数将K次均方误差的均值作为适应度值,计算公式如下:
其中,fj为K折交叉验证过程中一次循环产生的值,yi为真实值,Oi预测输出;F为染色体的适应度值,值越小表示染色体越优,被选择的概率就越大;3)选择操作:为了确保进化过程朝着优化的方向进行,选择过程根据求得的适应度值的大小,淘汰一些较差的个体,选出一些比较优良的个体,选择操作有轮盘赌法、锦标赛法等,这里选择轮盘赌法,即适应度值越优的染色体被选择的概率越大;4)交叉操作:所谓交叉是把两个染色体的部分结构加以替换重组而生成新个体的操作,若一对染色体被确定进行交叉操作,则需要确定一个或多个交叉点,由于染色体采用实数编码,所以本实施例选择的交叉算子是单点实数交叉法,即不同染色体在对应的某个位置上以概率Pcross进行交叉操作;5)变异操作:本质是增强算法的局部搜索能力,避免陷入局部极小值,同时维持种群的多样性,以防止过早收敛,因此,个体以概率Pmut进行变异,改变其当前值,产生新的种群。当迭代达到最大次数,就停止迭代,输出最优参数组合。通过遗传优化算法对模型参数进行寻优,并引入交叉验证机制,使选择的参数更加合理,提高了模型的预测精度,减少了计算时间,提高了运行效率。
具体地,在对支持向量回归机进行模拟训练之前,还需要对遗传算法的参数进行设置,包括概率Pcross和概率Pmut。
然后,在步骤S104中,根据所述优化参数设置所述支持向量回归机,建立得到水产品价格预测模型。
具体地,对于水产品价格序列的非线性的特点,使用支持向量机可以很好的处理这个问题,选择径向基核函数,然后构造最小化目标函数,将二次规划问题转换为相应的对偶问题,得到决策函数,即得到水产品价格预测模型。其中,支持向量机具有很好的非线性处理能力,选择径向基核函数,能够很好地捕捉水产品价格序列的非线性部分,使得预测结果更能够反映真实情况,提高了预测的准确度。
举例来说,使用得到的优化参数组合对建立在训练数据集上的支持向量回归机进行训练,构建预测模型。具体操作为:定义预测函数:
其中,f为预测函数,p为滞后阶数,为核函数,系数wi和b可由最小化风险来估计,回归风险表示为:
其中,C为惩罚因子,ε为不敏感损失参数。本实施例采用径向基函数作为SVR的核函数,那么,其决策函数就是:
其中,γ核函数系数,p为滞后阶数,wt和b为预测函数系数。由此,即得到水产品价格预测模型。
最后,在步骤S105中,根据所述水产品价格预测模型预测得到所述水产品在第二预设时间段内的价格。
具体地,使用训练数据集来对序列进行拟合,将预测值和真实值进行对比分析,对水产品价格预测模型进行评价。用户通过该预测模型可以对下一年的价格进行预测。
本实施例通过获取水产品在第一预设时间段内的历史价格数据,并根据历史价格数据计算得到价格序列;采用时间序列中偏自相关系数分析方法对价格序列进行预处理,得到训练数据集;根据训练数据集采用遗传算法对支持向量回归机的参数进行寻优,得到优化参数;根据优化参数设置支持向量回归机,建立得到水产品价格预测模型;以及根据水产品价格预测模型预测得到水产品在第二预设时间段内的价格,能够对养殖户提供市场指导,合理规划养殖结构,同时有利于政府制定行业政策,科学地对水产品市场进行监督和管理,促进产业结构转型升级,优化资源配置。
对于方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本发明实施例并不受所描述的动作顺序的限制,因为依据本发明实施例,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作并不一定是本发明实施例所必须的。
图4是本发明一实施例提供的水产品价格的预测装置的结构示意图。如图4所示,本发明一实施例提供的水产品价格的预测装置包括:
获取单元301,用于获取水产品在第一预设时间段内的历史价格数据,并根据所述历史价格数据计算得到价格序列;
预处理单元302,用于采用时间序列中偏自相关系数分析方法对所述价格序列进行预处理,得到训练数据集;
寻优单元303,用于根据所述训练数据集采用遗传算法对支持向量回归机的参数进行寻优,得到优化参数;
建立单元304,根据所述优化参数设置所述支持向量回归机,建立得到水产品价格预测模型;
预测单元305,用于根据所述水产品价格预测模型预测得到所述水产品在第二预设时间段内的价格。
在本发明一实施例中,所述获取单元301,具体用于:
根据所述历史价格数据计算得到所述水产品在所述第一预设时间段内每个月的平均价格;
根据所述水产品在所述第一预设时间段内每个月的平均价格得到所述价格序列。
在本发明一实施例中,所述预处理单元302,具体用于:
对所述价格序列进行取对数操作,使得所述价格序列映射到一个波动较小的区间上,从而得到第一序列;
根据预设的自相关函数判断所述第一序列的平稳性;
在判断所述第一序列处于平稳状态的情况下,根据预设的偏自相关函数计算得到所述第一序列的偏自相关系数;
在判断所述第一序列处于非平稳状态的情况下,通过差分操作使得所述第一序列处于平稳状态,并根据预设的偏自相关函数计算得到所述第一序列的偏自相关系数;
根据所述偏自相关系数确定所述第一序列的相关阶数项;
根据处于平稳状态的第一序列和所述相关阶数项,构建得到所述训练数据集。
在本发明一实施例中,所述寻优单元303,具体用于:
对支持向量回归机的每组参数进行编码,得到与每组参数对应的实数串;
根据所述实数串设置所述支持向量回归机;
根据所述训练数据集对所述支持向量回归机进行训练,得到与每组参数对应的至少一个训练值;
根据预设的适应度函数将所述至少一个训练值分别与所述训练数据集的期望值子集中的期望值的误差绝对值之和作为每组参数的适应度值;
根据所述每组参数的适应度值选择参数组合;
对所述参数组合进行交叉和变异操作,形成新的多组参数;
根据所述新的多组参数继续寻优;
在满足预设的迭代次数的情况下,输出优化参数组合。
在本发明一实施例中,所述寻优单元303,还用于:
引入K折交叉验证机制;
根据预设的适应度函数将K次均方误差的均值作为每组参数的适应度值。
对于本发明一实施例提供的水产品价格的预测装置中还涉及的具体细节已在本发明一实施例提供的水产品价格的预测方法中作了详细的描述,在此不再赘述。
应当注意的是,在本发明的系统的各个部件中,根据其要实现的功能而对其中的部件进行了逻辑划分,但是,本发明不受限于此,可以根据需要对各个部件进行重新划分或者组合,例如,可以将一些部件组合为单个部件,或者可以将一些部件进一步分解为更多的子部件。
本发明的各个部件实施例可以以硬件实现,或者以在一个或者多个处理器上运行的软件模块实现,或者以它们的组合实现。本领域的技术人员应当理解,可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本发明实施例的系统中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如,计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上,或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到,或者在载体信号上提供,或者以任何其他形式提供。
应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制,并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中,不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中,这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
以上实施方式仅适于说明本发明,而并非对本发明的限制,有关技术领域的普通技术人员,在不脱离本发明的精神和范围的情况下,还可以做出各种变化和变型,因此所有等同的技术方案也属于本发明的范畴,本发明的专利保护范围应由权利要求限定。
Claims (10)
1.一种水产品价格的预测方法,其特征在于,所述方法包括:
获取水产品在第一预设时间段内的历史价格数据,并根据所述历史价格数据计算得到价格序列;
采用时间序列中偏自相关系数分析方法对所述价格序列进行预处理,得到训练数据集;
根据所述训练数据集采用遗传算法对支持向量回归机的参数进行寻优,得到优化参数;
根据所述优化参数设置所述支持向量回归机,建立得到水产品价格预测模型;
根据所述水产品价格预测模型预测得到所述水产品在第二预设时间段内的价格。
2.根据权利要求1所述的水产品价格的预测方法,其特征在于,所述根据所述历史价格数据计算得到价格序列,具体包括:
根据所述历史价格数据计算得到所述水产品在所述第一预设时间段内每个月的平均价格;
根据所述水产品在所述第一预设时间段内每个月的平均价格得到所述价格序列。
3.根据权利要求1所述的水产品价格的预测方法,其特征在于,所述采用时间序列中偏自相关系数分析方法对所述价格序列进行预处理,得到训练数据集,具体包括:
对所述价格序列进行取对数操作,使得所述价格序列映射到一个波动较小的区间上,从而得到第一序列;
根据预设的自相关函数判断所述第一序列的平稳性;
在判断所述第一序列处于平稳状态的情况下,根据预设的偏自相关函数计算得到所述第一序列的偏自相关系数;
在判断所述第一序列处于非平稳状态的情况下,通过差分操作使得所述第一序列处于平稳状态,并根据预设的偏自相关函数计算得到所述第一序列的偏自相关系数;
根据所述偏自相关系数确定所述第一序列的相关阶数项;
根据处于平稳状态的第一序列和所述相关阶数项,构建得到所述训练数据集。
4.根据权利要求1所述的水产品价格预测方法,其特征在于,所述根据所述训练数据集采用遗传算法对支持向量回归机的参数进行寻优,得到优化参数,具体包括:
对支持向量回归机的每组参数进行编码,得到与每组参数对应的实数串;
根据所述实数串设置所述支持向量回归机;
根据所述训练数据集对所述支持向量回归机进行训练,得到与每组参数对应的至少一个训练值;
根据预设的适应度函数将所述至少一个训练值分别与所述训练数据集的期望值子集中的期望值的误差绝对值之和作为每组参数的适应度值;
根据所述每组参数的适应度值选择参数组合;
对所述参数组合进行交叉和变异操作,形成新的多组参数;
根据所述新的多组参数继续寻优;
在满足预设的迭代次数的情况下,输出优化参数组合。
5.根据权利要求4所述的水产品价格预测方法,其特征在于,所述方法还包括:
引入K折交叉验证机制;
根据预设的适应度函数将K次均方误差的均值作为每组参数的适应度值。
6.一种水产品价格的预测装置,其特征在于,所述装置包括:
获取单元,用于获取水产品在第一预设时间段内的历史价格数据,并根据所述历史价格数据计算得到价格序列;
预处理单元,用于采用时间序列中偏自相关系数分析方法对所述价格序列进行预处理,得到训练数据集;
寻优单元,用于根据所述训练数据集采用遗传算法对支持向量回归机的参数进行寻优,得到优化参数;
建立单元,根据所述优化参数设置所述支持向量回归机,建立得到水产品价格预测模型;
预测单元,用于根据所述水产品价格预测模型预测得到所述水产品在第二预设时间段内的价格。
7.根据权利要求6所述的水产品价格的预测装置,其特征在于,所述获取单元,具体用于:
根据所述历史价格数据计算得到所述水产品在所述第一预设时间段内每个月的平均价格;
根据所述水产品在所述第一预设时间段内每个月的平均价格得到所述价格序列。
8.根据权利要求6所述的水产品价格的预测装置,其特征在于,所述预处理单元,具体用于:
对所述价格序列进行取对数操作,使得所述价格序列映射到一个波动较小的区间上,从而得到第一序列;
根据预设的自相关函数判断所述第一序列的平稳性;
在判断所述第一序列处于平稳状态的情况下,根据预设的偏自相关函数计算得到所述第一序列的偏自相关系数;
在判断所述第一序列处于非平稳状态的情况下,通过差分操作使得所述第一序列处于平稳状态,并根据预设的偏自相关函数计算得到所述第一序列的偏自相关系数;
根据所述偏自相关系数确定所述第一序列的相关阶数项;
根据处于平稳状态的第一序列和所述相关阶数项,构建得到所述训练数据集。
9.根据权利要求6所述的水产品价格预测装置,其特征在于,所述寻优单元,具体用于:
对支持向量回归机的每组参数进行编码,得到与每组参数对应的实数串;
根据所述实数串设置所述支持向量回归机;
根据所述训练数据集对所述支持向量回归机进行训练,得到与每组参数对应的至少一个训练值;
根据预设的适应度函数将所述至少一个训练值分别与所述训练数据集的期望值子集中的期望值的误差绝对值之和作为每组参数的适应度值;
根据所述每组参数的适应度值选择参数组合;
对所述参数组合进行交叉和变异操作,形成新的多组参数;
根据所述新的多组参数继续寻优;
在满足预设的迭代次数的情况下,输出优化参数组合。
10.根据权利要求9所述的水产品价格预测装置,其特征在于,所述寻优单元,还用于:
引入K折交叉验证机制;
根据预设的适应度函数将K次均方误差的均值作为每组参数的适应度值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610165337.7A CN105844353A (zh) | 2016-03-22 | 2016-03-22 | 一种水产品价格的预测方法以及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610165337.7A CN105844353A (zh) | 2016-03-22 | 2016-03-22 | 一种水产品价格的预测方法以及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105844353A true CN105844353A (zh) | 2016-08-10 |
Family
ID=56588233
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610165337.7A Pending CN105844353A (zh) | 2016-03-22 | 2016-03-22 | 一种水产品价格的预测方法以及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105844353A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109190803A (zh) * | 2018-08-14 | 2019-01-11 | 北京粉笔未来科技有限公司 | 预测方法、装置、计算设备及存储介质 |
CN109685583A (zh) * | 2019-01-10 | 2019-04-26 | 博拉网络股份有限公司 | 一种基于大数据的供应链需求预测方法 |
CN109767251A (zh) * | 2017-11-09 | 2019-05-17 | 优估(上海)信息科技有限公司 | 一种二手车估价方法及估价系统 |
CN109993566A (zh) * | 2018-01-03 | 2019-07-09 | 北京京东尚科信息技术有限公司 | 一种预测产品目标数据的方法和装置 |
CN110598918A (zh) * | 2019-08-28 | 2019-12-20 | 宁波海上鲜信息技术有限公司 | 一种水产品价格预测方法、装置及计算机存储介质 |
CN110766495A (zh) * | 2018-07-27 | 2020-02-07 | 博西华电器(江苏)有限公司 | 采购协助方法、装置和系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101541030A (zh) * | 2009-05-06 | 2009-09-23 | 华为技术有限公司 | 基于支持向量机的数据预测方法和设备 |
CN101719231A (zh) * | 2008-10-09 | 2010-06-02 | 西南石油大学 | 动态微分模拟预测方法及应用该方法的数据处理掌上设备 |
CN104200291A (zh) * | 2014-09-28 | 2014-12-10 | 山东科技大学 | 一种基于小波变换和arma-svm的涌水量预测方法 |
CN104331635A (zh) * | 2014-11-24 | 2015-02-04 | 国网吉林省电力有限公司信息通信公司 | 电力光纤通信光功率预测的方法 |
-
2016
- 2016-03-22 CN CN201610165337.7A patent/CN105844353A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101719231A (zh) * | 2008-10-09 | 2010-06-02 | 西南石油大学 | 动态微分模拟预测方法及应用该方法的数据处理掌上设备 |
CN101541030A (zh) * | 2009-05-06 | 2009-09-23 | 华为技术有限公司 | 基于支持向量机的数据预测方法和设备 |
CN104200291A (zh) * | 2014-09-28 | 2014-12-10 | 山东科技大学 | 一种基于小波变换和arma-svm的涌水量预测方法 |
CN104331635A (zh) * | 2014-11-24 | 2015-02-04 | 国网吉林省电力有限公司信息通信公司 | 电力光纤通信光功率预测的方法 |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109767251A (zh) * | 2017-11-09 | 2019-05-17 | 优估(上海)信息科技有限公司 | 一种二手车估价方法及估价系统 |
CN109993566A (zh) * | 2018-01-03 | 2019-07-09 | 北京京东尚科信息技术有限公司 | 一种预测产品目标数据的方法和装置 |
CN110766495A (zh) * | 2018-07-27 | 2020-02-07 | 博西华电器(江苏)有限公司 | 采购协助方法、装置和系统 |
CN109190803A (zh) * | 2018-08-14 | 2019-01-11 | 北京粉笔未来科技有限公司 | 预测方法、装置、计算设备及存储介质 |
CN109190803B (zh) * | 2018-08-14 | 2020-08-25 | 北京猿力未来科技有限公司 | 预测方法、装置、计算设备及存储介质 |
CN109685583A (zh) * | 2019-01-10 | 2019-04-26 | 博拉网络股份有限公司 | 一种基于大数据的供应链需求预测方法 |
CN110598918A (zh) * | 2019-08-28 | 2019-12-20 | 宁波海上鲜信息技术有限公司 | 一种水产品价格预测方法、装置及计算机存储介质 |
CN110598918B (zh) * | 2019-08-28 | 2021-06-11 | 宁波海上鲜信息技术有限公司 | 一种水产品价格预测方法、装置及计算机存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105844353A (zh) | 一种水产品价格的预测方法以及装置 | |
Arnoud et al. | Benchmarking global optimizers | |
CN102183621B (zh) | 水产养殖溶解氧浓度在线预测方法及系统 | |
Ak et al. | An interval-valued neural network approach for uncertainty quantification in short-term wind speed prediction | |
US20170308966A1 (en) | Post-evaluation and risk management and control method of power transmission engineering cost | |
CN104715318A (zh) | 面向通信网络的多维度运行风险评价方法 | |
CN106991506A (zh) | 智能终端及其基于lstm的股票趋势预测方法 | |
CN106971240A (zh) | 一种变量选择与高斯过程回归的短期负荷预测方法 | |
CN104978612A (zh) | 基于ahp-rbf的分布式大数据系统风险预测方法 | |
Sangani et al. | Predicting zillow estimation error using linear regression and gradient boosting | |
KR101508361B1 (ko) | 시가총액 분석을 통한 미래주가 예측시스템 | |
Chinnathambi et al. | Deep neural networks (DNN) for day-ahead electricity price markets | |
CN109242558A (zh) | 一种基于神经网络的经营数据预测方法、可读存储介质和预测系统 | |
Heinonen et al. | The use of cellular automaton approach in forest planning | |
Goumatianos et al. | Stock selection system: building long/short portfolios using intraday patterns | |
CN115618710A (zh) | 一种基于gan的风电功率概率性预测方法及系统 | |
Kaczmarczyk et al. | Financial decisions support using the supervised learning method based on random forests | |
CN116776209A (zh) | 一种关口计量装置运行状态辨识方法、系统、设备及介质 | |
CN110322072A (zh) | 一种基于神经网络的经济预测方法 | |
Feng et al. | Evolutionary fuzzy stock prediction system design and its application to the Taiwan stock index | |
Markose et al. | The red queen principle and the emergence of efficient financial markets: an agent based approach | |
Liu | The prediction model and system of stock rise and fall based on BP neural network | |
Zhao | [Retracted] Risk Assessment Method of Agricultural Management Investment Based on Genetic Neural Network | |
Razi et al. | Forming the stock optimized portfolio using model Grey based on C5 and the Shuffled frog leap algorithm | |
CN113033903A (zh) | 一种LSTM模型和seq2seq模型的水果价格预测方法、介质及设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20160810 |
|
RJ01 | Rejection of invention patent application after publication |