CN107730052A - 一种农产品价格预测方法及系统 - Google Patents
一种农产品价格预测方法及系统 Download PDFInfo
- Publication number
- CN107730052A CN107730052A CN201711086359.5A CN201711086359A CN107730052A CN 107730052 A CN107730052 A CN 107730052A CN 201711086359 A CN201711086359 A CN 201711086359A CN 107730052 A CN107730052 A CN 107730052A
- Authority
- CN
- China
- Prior art keywords
- data
- history
- agricultural product
- price
- current
- 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
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000003062 neural network model Methods 0.000 claims abstract description 35
- 230000000306 recurrent effect Effects 0.000 claims abstract description 33
- 230000006403 short-term memory Effects 0.000 claims abstract description 32
- 238000011946 reduction process Methods 0.000 claims description 16
- 238000004519 manufacturing process Methods 0.000 claims description 12
- 238000003860 storage Methods 0.000 claims description 12
- 238000012271 agricultural production Methods 0.000 claims description 5
- 210000005036 nerve Anatomy 0.000 claims 1
- 238000013135 deep learning Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000009360 aquaculture Methods 0.000 description 1
- 244000144974 aquaculture Species 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000015654 memory Effects 0.000 description 1
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
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
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Accounting & Taxation (AREA)
- Tourism & Hospitality (AREA)
- Finance (AREA)
- Game Theory and Decision Science (AREA)
- Animal Husbandry (AREA)
- Operations Research (AREA)
- Life Sciences & Earth Sciences (AREA)
- Agronomy & Crop Science (AREA)
- Quality & Reliability (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种农产品价格预测方法及系统。该方法包括：获取历史农产品数据以及历史辅助指标数据；对历史农产品数据进行预处理，获得历史多维时间序列数据；通过历史辅助指标数据以及历史多维时间序列数据对长短时记忆循环神经网络模型进行训练，得到训练模型；获取当前农产品数据以及当前辅助指标数据；对当前农产品数据进行预处理，获得当前多维时间序列数据；将当前辅助指标数据以及当前多维时间序列数据输入到训练模型中，得到农产品预测价格。本发明提高了对农产品价格预测的及时性和准确性。
Description
技术领域
本发明涉及农产品价格预测领域，特别是涉及一种农产品价格预测方法及系统。
背景技术
近年来，我国农产品价格的波动频率、幅度不断加剧，主要是受短时供求关系、资本炒作、养殖成本、自然灾害等因素的影响。农产品价格的剧烈波动不仅给涉农企业和农民带来巨大影响，也影响着宏观经济运行和居民生活消费。农产品价格问题已引起人们的高度重视和广泛研究，其中提高对农产品价格预测的及时性与准确性至关重要。
随着科技的发展，价格预测的模型和方法已有了显著的改进与提高。然而，尚没有一个模型能对实际价格变化拟合得非常紧密，关于价格预测的方法仍然存在许多争论。常规的农产品价格预测方法如ARIMA模型、向量自回归(VAR)模型、时间序列的自回归、灰色系统预测、组合预测等，均难以处理多维的农产品价格关联数据，影响农产品价格预测的及时性与准确性。
发明内容
本发明的目的是提供一种农产品价格预测方法及系统，用来解决现有技术中难以处理多维的农产品价格关联数据，影响农产品价格预测的及时性与准确性的问题。
为实现上述目的，本发明提供了如下方案：
一种农产品价格预测方法，包括：
获取历史农产品数据以及历史辅助指标数据；
对所述历史农产品数据进行预处理，获得历史多维时间序列数据；
通过所述历史辅助指标数据以及所述历史多维时间序列数据对长短时记忆循环神经网络模型进行训练，得到训练模型；
获取当前农产品数据以及当前辅助指标数据；
对所述当前农产品数据进行预处理，获得当前多维时间序列数据；
将所述当前辅助指标数据以及所述当前多维时间序列数据输入到所述训练模型中，得到农产品预测价格。
可选的，所述历史农产品数据具体包括：历史农产品的存储量、出售量、调入量、批发量和市场价格；所述当前农产品数据具体包括：当前农产品的存储量、出售量、调入量、批发量和市场价格。
可选的，所述历史辅助指标数据包括历史投入收益率和历史生产价格弹性数据；所述当前辅助指标数据包括当前投入收益率和当前生产价格弹性数据。
可选的，对农产品数据进行预处理，获得多维时间序列数据，具体包括：
对农产品数据进行归约处理，得到预处理数据；
按照时间排列，将所述预处理数据整理成数据段，得到多维时间序列数据。
可选的，所述输出结果包括价格输出结果和辅助输出结果，所述辅助输出结果用于判断所述价格输出结果是否正确。
可选的，所述通过所述历史辅助指标数据以及所述历史多维时间序列数据对长短时记忆循环神经网络模型进行训练，得到训练模型，具体包括：
将所述历史辅助指标数据以及所述历史多维时间序列数据输入到所述长短时记忆循环神经网络模型中，得到价格输出以及辅助输出；
根据所述辅助输出判断所述价格输出是否正确，得到判断结果；
当所述判断结果表示所述价格输出不正确时，调整所述长短时记忆循环神经网络模型的参数，重新将所述历史辅助指标数据以及所述历史多维时间序列数据输入到所述长短时记忆循环神经网络模型中；
当所述判断结果表示所述价格输出正确时，完成对所述长短时记忆循环神经网络模型的训练。
本发明还提供了一种农产品价格预测系统，包括：
第一获取模块，用于获取历史农产品数据以及历史辅助指标数据；
第一预处理模块，用于对所述历史农产品数据进行预处理，获得历史多维时间序列数据；
训练模块，用于通过所述历史辅助指标数据以及所述历史多维时间序列数据对长短时记忆循环神经网络模型进行训练，得到训练模型；
第二获取模块，用于获取当前农产品数据以及当前辅助指标数据；
第二预处理模块，用于对所述当前农产品数据进行预处理，获得当前多维时间序列数据；
输出模块，用于将所述当前辅助指标数据以及所述当前多维时间序列数据输入到所述训练模型中，得到农产品预测价格。
可选的，所述第一获取模块具体用于获取历史农产品的存储量、出售量、调入量、批发量和市场价格，获取历史投入收益率和历史生产价格弹性数据；
所述第二获取模块具体用于获取当前农产品的存储量、出售量、调入量、批发量和市场价格；获取当前投入收益率和当前生产价格弹性数据。
可选的，所述第一预处理模块，具体包括：第一归约处理单元，用于对所述历史农产品数据进行归约处理，得到历史预处理数据；
第一整理单元，用于按照时间排列，将所述历史预处理数据整理成数据段，得到历史时间序列数据；
所述第二预处理模块，具体包括：
第二归约处理单元，用于对所述当前农产品数据进行归约处理，得到当前预处理数据；
第二整理单元，用于按照时间排列，将所述当前预处理数据整理成数据段，得到当前时间序列数据。
可选的，所述训练模块包括：
结果输出单元，用于将所述历史辅助指标数据以及所述历史多维时间序列数据输入到所述长短时记忆循环神经网络模型中，得到价格输出以及辅助输出；
判断单元，用于根据所述辅助对所述价格输出进行判断，得到判断结果；
参数调整单元，用于当所述判断结果表示所述价格结果不正确时，调整所述长短时记忆循环神经网络模型的参数。
与现有技术相比，本发明公开了以下技术效果：
本发明提供的一种农产品价格预测方法及系统，对所述历史农产品数据进行预处理，获得历史多维时间序列数据；通过所述历史辅助指标数据以及所述历史多维时间序列数据对长短时记忆循环神经网络模型进行训练，得到训练模型，利用训练后的模型对农产品的价格进行预测。由于多维时间序列数据相对于单一的状态信息具有时序性，更加真实，能够反映农产品价格的时变信息，且长短时记忆循环神经网络模型能够对多维的时间序列数据进行处理，其学习过程容易收敛，因此本发明对农产品价格的预测会更加及时和准确。并且本发明在长短时记忆循环神经网络模型的输出层增加了辅助输出层，通过辅助输出判断价格输出的准确性，进一步提高了农产品价格预测的准确性。
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性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明一种农产品价格预测方法的实施例的流程图；
图2为本发明训练长短时记忆循环神经网络模型的实施例的流程图。
图3为本发明一种农产品价格预测系统的实施例的结构图。
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。
本发明的目的是提供一种农产品价格预测方法及系统，用来解决现有技术中难以处理多维的农产品价格关联数据，影响农产品价格预测的及时性与准确性的问题。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为本发明一种农产品价格预测方法的实施例的流程图。如图1所示，一种农产品价格预测方法包括：
步骤101，获取历史农产品数据以及历史辅助指标数据。
获取的历史农产品数据具体包括历史农产品的存储量、出售量、调入量、批发量和市场价格，所述历史辅助指标数据包括历史投入收益率和历史生产价格弹性数据；所述历史辅助指标数据通过计量经济模型计算得到。
步骤102，对所述历史农产品数据进行预处理，获得历史多维时间序列数据。
具体包括：
对历史农产品数据进行归约处理，得到历史预处理数据；
按照时间排列，将所述历史预处理数据整理成数据段，得到历史多维时间序列数据。
本发明采用多维时间序列数据作为输入的检测样本，相对于单一的状态信息具有时序性，更加真实，能够反映农产品价格的时变信息，提高了农产品价格预测的及时性与准确率。
步骤103，通过所述历史辅助指标数据以及所述历史多维时间序列数据对长短时记忆循环神经网络模型进行训练，得到训练模型。
长短时记忆循环神经网络模型是根据深度学习得到的，具体过程如下：
步骤1031，将所述历史辅助指标数据以及所述历史多维时间序列数据输入到所述长短时记忆循环神经网络模型中，得到价格输出以及辅助输出；
步骤1032，根据所述辅助输出判断所述价格输出是否正确，得到判断结果；
步骤1033，当所述判断结果表示所述价格输出不正确时，调整所述长短时记忆循环神经网络模型的参数，重新将所述历史辅助指标数据以及所述历史多维时间序列数据输入到所述长短时记忆循环神经网络模型中；
步骤1034，当所述判断结果表示所述价格输出正确时，完成对所述长短时记忆循环神经网络模型的训练。
本发明的长短时记忆循环神经网络模型采用深度学习训练而成。深度学习最初是以一种半监督学习的形式出现。深度学习旨在通过模拟大脑的学习过程，构建深层次的模型，结合海量的训练数据，来学习数据中隐含的特征，即利用大数据来学习特征，从而刻画数据丰富的内在信息，最终提升分类或预测的精度。长短时记忆循环神经网络模型能够对多维的时间序列数据进行处理，其学习过程容易收敛，因此本发明对农产品价格的预测会更加及时和准确。并且本发明在长短时记忆循环神经网络模型的输出层增加了辅助输出层，通过辅助输出判断价格输出的准确性，进一步提高了农产品价格预测的准确性。
步骤104，获取当前农产品数据以及当前辅助指标数据。
获取的当前农产品数据具体包括当前农产品的存储量、出售量、调入量、批发量和市场价格，所述当前辅助指标数据包括当前投入收益率和当前生产价格弹性数据；所述当前辅助指标数据通过计量经济模型计算得到。
步骤105，对所述当前农产品数据进行预处理，获得当前多维时间序列数据。
具体包括：
对当前农产品数据进行归约处理，得到当前预处理数据；
按照时间排列，将所述当前预处理数据整理成数据段，得到当前多维时间序列数据。
步骤106，将所述当前辅助指标数据以及所述当前多维时间序列数据输入到所述训练模型中，得到农产品预测价格。
图3为本发明一种农产品价格预测系统的实施例的结构图。如图3所示，本发明还提供了一种农产品价格预测系统，包括：
第一获取模块301，用于获取历史农产品数据以及历史辅助指标数据；
具体的，所述第一获取模块301用于获取历史农产品的存储量、出售量、调入量、批发量和市场价格，获取历史投入收益率和历史生产价格弹性数据。
第一预处理模块302，用于对所述历史农产品数据进行预处理，获得历史多维时间序列数据；
具体的，所述第一预处理模块302，具体包括：
第一归约处理单元，用于对所述历史农产品数据进行归约处理，得到历史预处理数据；
第一整理单元，用于按照时间排列，将所述历史预处理数据整理成数据段，得到历史时间序列数据。
训练模块303，用于通过所述历史辅助指标数据以及所述历史多维时间序列数据对长短时记忆循环神经网络模型进行训练，得到训练模型；
具体的，所述训练模块303包括：
结果输出单元，用于将所述历史辅助指标数据以及所述历史多维时间序列数据输入到所述长短时记忆循环神经网络模型中，得到价格输出以及辅助输出；
判断单元，用于根据所述辅助对所述价格输出进行判断，得到判断结果；
参数调整单元，用于当所述判断结果表示所述价格结果不正确时，调整所述长短时记忆循环神经网络模型的参数。
第二获取模块304，用于获取当前农产品数据以及当前辅助指标数据；
具体的，所述第二获取模块304具体用于获取当前农产品的存储量、出售量、调入量、批发量和市场价格；获取当前投入收益率和当前生产价格弹性数据。
第二预处理模块305，用于对所述当前农产品数据进行预处理，获得当前多维时间序列数据；
具体的，所述第二预处理模块305，具体包括：
第二归约处理单元，用于对所述当前农产品数据进行归约处理，得到当前预处理数据；
第二整理单元，用于按照时间排列，将所述当前预处理数据整理成数据段，得到当前时间序列数据。
输出模块306，用于将所述当前辅助指标数据以及所述当前多维时间序列数据输入到所述训练模型中，得到农产品预测价格。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明提供的一种农产品价格预测方法及系统，对所述历史农产品数据进行预处理，获得历史多维时间序列数据；通过所述历史辅助指标数据以及所述历史多维时间序列数据对长短时记忆循环神经网络模型进行训练，得到训练模型，利用训练后的模型对农产品的价格进行预测。由于多维时间序列数据相对于单一的状态信息具有时序性，更加真实，能够反映农产品价格的时变信息，且长短时记忆循环神经网络模型能够对多维的时间序列数据进行处理，其学习过程容易收敛，因此本发明对农产品价格的预测会更加及时和准确。并且本发明在长短时记忆循环神经网络模型的输出层增加了辅助输出层，通过辅助输出判断价格输出的准确性，进一步提高了农产品价格预测的准确性。
对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。
Claims (9)
1.一种农产品价格预测方法，其特征在于，包括：
获取历史农产品数据以及历史辅助指标数据；
对所述历史农产品数据进行预处理，获得历史多维时间序列数据；
通过所述历史辅助指标数据以及所述历史多维时间序列数据对长短时记忆循环神经网络模型进行训练，得到训练模型；
获取当前农产品数据以及当前辅助指标数据；
对所述当前农产品数据进行预处理，获得当前多维时间序列数据；
将所述当前辅助指标数据以及所述当前多维时间序列数据输入到所述训练模型中，得到农产品预测价格。
2.根据权利要求1所述的方法，其特征在于，所述历史农产品数据具体包括：历史农产品的存储量、出售量、调入量、批发量和市场价格；所述当前农产品数据具体包括：当前农产品的存储量、出售量、调入量、批发量和市场价格。
3.根据权利要求1所述的方法，其特征在于，所述历史辅助指标数据包括历史投入收益率和历史生产价格弹性数据；所述当前辅助指标数据包括当前投入收益率和当前生产价格弹性数据。
4.根据权利要求1所述的方法，其特征在于，对农产品数据进行预处理，获得多维时间序列数据，具体包括：
对农产品数据进行归约处理，得到预处理数据；
按照时间排列，将所述预处理数据整理成数据段，得到多维时间序列数据。
5.根据权利要求1所述的方法，其特征在于，所述通过所述历史辅助指标数据以及所述历史多维时间序列数据对长短时记忆循环神经网络模型进行训练，得到训练模型，具体包括：
将所述历史辅助指标数据以及所述历史多维时间序列数据输入到所述长短时记忆循环神经网络模型中，得到价格输出以及辅助输出；
根据所述辅助输出判断所述价格输出是否正确，得到判断结果；
当所述判断结果表示所述价格输出不正确时，调整所述长短时记忆循环神经网络模型的参数，重新将所述历史辅助指标数据以及所述历史多维时间序列数据输入到所述长短时记忆循环神经网络模型中；
当所述判断结果表示所述价格输出正确时，完成对所述长短时记忆循环神经网络模型的训练。
6.一种农产品价格预测系统，其特征在于，包括：
第一获取模块，用于获取历史农产品数据以及历史辅助指标数据；
第一预处理模块，用于对所述历史农产品数据进行预处理，获得历史多维时间序列数据；
训练模块，用于通过所述历史辅助指标数据以及所述历史多维时间序列数据对长短时记忆循环神经网络模型进行训练，得到训练模型；
第二获取模块，用于获取当前农产品数据以及当前辅助指标数据；
第二预处理模块，用于对所述当前农产品数据进行预处理，获得当前多维时间序列数据；
输出模块，用于将所述当前辅助指标数据以及所述当前多维时间序列数据输入到所述训练模型中，得到农产品预测价格。
7.根据权利要求6所述的系统，其特征在于，
所述第一获取模块具体用于获取历史农产品的存储量、出售量、调入量、批发量和市场价格，获取历史投入收益率和历史生产价格弹性数据；
所述第二获取模块具体用于获取当前农产品的存储量、出售量、调入量、批发量和市场价格；获取当前投入收益率和当前生产价格弹性数据。
8.根据权利要求6所述的系统，其特征在于，所述第一预处理模块，具体包括：
第一归约处理单元，用于对所述历史农产品数据进行归约处理，得到历史预处理数据；
第一整理单元，用于按照时间排列，将所述历史预处理数据整理成数据段，得到历史时间序列数据；
所述第二预处理模块，具体包括：
第二归约处理单元，用于对所述当前农产品数据进行归约处理，得到当前预处理数据；
第二整理单元，用于按照时间排列，将所述当前预处理数据整理成数据段，得到当前时间序列数据。
9.根据权利要求6所述的系统，其特征在于，所述训练模块包括：
结果输出单元，用于将所述历史辅助指标数据以及所述历史多维时间序列数据输入到所述长短时记忆循环神经网络模型中，得到价格输出以及辅助输出；
判断单元，用于根据所述辅助对所述价格输出进行判断，得到判断结果；
参数调整单元，用于当所述判断结果表示所述价格结果不正确时，调整所述长短时记忆循环神经网络模型的参数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711086359.5A CN107730052A (zh) | 2017-11-07 | 2017-11-07 | 一种农产品价格预测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711086359.5A CN107730052A (zh) | 2017-11-07 | 2017-11-07 | 一种农产品价格预测方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107730052A true CN107730052A (zh) | 2018-02-23 |
Family
ID=61222883
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711086359.5A Pending CN107730052A (zh) | 2017-11-07 | 2017-11-07 | 一种农产品价格预测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107730052A (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108537592A (zh) * | 2018-04-10 | 2018-09-14 | 网易（杭州）网络有限公司 | 交易检测方法、装置，存储介质和电子装置 |
| CN109345048A (zh) * | 2018-07-27 | 2019-02-15 | 阿里巴巴集团控股有限公司 | 预测方法、装置、电子设备及计算机可读存储介质 |
| CN109359758A (zh) * | 2018-08-03 | 2019-02-19 | 阿里巴巴集团控股有限公司 | 外汇交易量预测方法和装置 |
| CN109816267A (zh) * | 2019-01-31 | 2019-05-28 | 中国农业科学院农业信息研究所 | 一种智能大豆生产管理方法及系统 |
| CN112232549A (zh) * | 2020-09-21 | 2021-01-15 | 中国农业科学院农业信息研究所 | 一种智能农产品数据预测方法及系统 |
| CN113435641A (zh) * | 2021-06-24 | 2021-09-24 | 布瑞克农业大数据科技集团有限公司 | 一种农产品全自动化管理方法、系统及存储介质 |
-
2017
- 2017-11-07 CN CN201711086359.5A patent/CN107730052A/zh active Pending
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108537592A (zh) * | 2018-04-10 | 2018-09-14 | 网易（杭州）网络有限公司 | 交易检测方法、装置，存储介质和电子装置 |
| CN109345048A (zh) * | 2018-07-27 | 2019-02-15 | 阿里巴巴集团控股有限公司 | 预测方法、装置、电子设备及计算机可读存储介质 |
| CN109345048B (zh) * | 2018-07-27 | 2023-02-10 | 创新先进技术有限公司 | 预测方法、装置、电子设备及计算机可读存储介质 |
| CN109359758A (zh) * | 2018-08-03 | 2019-02-19 | 阿里巴巴集团控股有限公司 | 外汇交易量预测方法和装置 |
| CN109816267A (zh) * | 2019-01-31 | 2019-05-28 | 中国农业科学院农业信息研究所 | 一种智能大豆生产管理方法及系统 |
| CN112232549A (zh) * | 2020-09-21 | 2021-01-15 | 中国农业科学院农业信息研究所 | 一种智能农产品数据预测方法及系统 |
| CN113435641A (zh) * | 2021-06-24 | 2021-09-24 | 布瑞克农业大数据科技集团有限公司 | 一种农产品全自动化管理方法、系统及存储介质 |
| CN113435641B (zh) * | 2021-06-24 | 2023-03-07 | 布瑞克农业大数据科技集团有限公司 | 一种农产品全自动化管理方法、系统及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107730052A (zh) | 一种农产品价格预测方法及系统 | |
| CN113962364B (zh) | 一种基于深度学习的多因素用电负荷预测方法 | |
| CN103310286A (zh) | 一种具有时间序列特性的产品订单预测方法及装置 | |
| CN105631483A (zh) | 一种短期用电负荷预测方法及装置 | |
| CN108596335A (zh) | 一种基于深度强化学习的自适应众包方法 | |
| CN106446209A (zh) | 一种海洋环境监测要素短期预测方法 | |
| Fei et al. | Economic development in historical perspective | |
| CN110400021A (zh) | 银行网点现金用量预测方法及装置 | |
| CN107180367A (zh) | 一种基于机器学习的车辆估价的方法、存储介质及装置 | |
| CN102541920A (zh) | 联合基于用户和项目的协同过滤提高准确度的方法及装置 | |
| CN107705556A (zh) | 一种基于支持向量机和bp神经网络结合的交通流预测方法 | |
| CN102982229B (zh) | 一种基于神经网络的多品种商品价格预测的数据预处理方法 | |
| CN110503251A (zh) | 一种基于Stacking算法的非节假日负荷预测方法 | |
| CN109034500A (zh) | 一种多时序协同的中期电力负荷预测方法 | |
| CN109544196A (zh) | 预约订单的价格倍数确定方法和装置 | |
| CN111582395B (zh) | 一种基于卷积神经网络的产品质量分类系统 | |
| CN108665093A (zh) | 基于深度学习的高速公路交通事故严重度预测方法 | |
| CN109460874B (zh) | 一种基于深度学习的有义波高预测方法 | |
| CN107025598A (zh) | 一种基于极限学习机的个人信用风险评估方法 | |
| CN106096771A (zh) | 支持向量机的参数选取方法和系统与负荷预测方法和系统 | |
| CN104361365A (zh) | 一种抽油泵运行状态识别方法及装置 | |
| CN111489259A (zh) | 一种基于深度学习的股票市场风险预测智能实现方法 | |
| CN116842381A (zh) | 基于数据融合的船舶运动极短期预报模型泛化性优化方法 | |
| CN105825290A (zh) | 一种基于产业链产品产量的电量预测方法 | |
| Ma et al. | Advanced human capital structure, industrial intelligence and service industry structure upgrade——experience from China’s developments |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180223 |
|
| RJ01 | Rejection of invention patent application after publication |