CN108805311A - 农产品的价格预测方法和系统 - Google Patents
农产品的价格预测方法和系统 Download PDFInfo
- Publication number
- CN108805311A CN108805311A CN201710281213.XA CN201710281213A CN108805311A CN 108805311 A CN108805311 A CN 108805311A CN 201710281213 A CN201710281213 A CN 201710281213A CN 108805311 A CN108805311 A CN 108805311A
- Authority
- CN
- China
- Prior art keywords
- agricultural product
- dictionary
- data information
- price
- factor
- 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 50
- 238000003062 neural network model Methods 0.000 claims abstract description 42
- 230000036651 mood Effects 0.000 claims abstract description 33
- 238000013178 mathematical model Methods 0.000 claims abstract description 8
- 230000002996 emotional effect Effects 0.000 claims description 51
- 238000012545 processing Methods 0.000 claims description 22
- 238000004458 analytical method Methods 0.000 claims description 20
- 201000010099 disease Diseases 0.000 claims description 19
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 19
- 241000607479 Yersinia pestis Species 0.000 claims description 18
- 230000011218 segmentation Effects 0.000 claims description 14
- 238000000556 factor analysis Methods 0.000 claims description 8
- 238000012271 agricultural production Methods 0.000 claims description 6
- 238000010586 diagram Methods 0.000 description 18
- 230000008569 process Effects 0.000 description 10
- 230000008451 emotion Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 238000004519 manufacturing process Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 230000012010 growth Effects 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 241000238631 Hexapoda Species 0.000 description 2
- 241000270322 Lepidosauria Species 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 239000007789 gas Substances 0.000 description 2
- 241000239290 Araneae Species 0.000 description 1
- 241001269238 Data Species 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 235000013339 cereals Nutrition 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 239000010779 crude oil Substances 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000003973 irrigation Methods 0.000 description 1
- 230000002262 irrigation Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000003345 natural gas Substances 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 210000004218 nerve net Anatomy 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 239000003921 oil Substances 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 239000000126 substance Substances 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Quality & Reliability (AREA)
- General Engineering & Computer Science (AREA)
- Operations Research (AREA)
- Artificial Intelligence (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Agronomy & Crop Science (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种农产品的价格预测方法和系统。该方法包括:获取当前时刻与农产品有关的数据信息;对所述数据信息进行分析,得到影响所述农产品未来价格的影响因素;所述影响因素包括:所述数据信息的情感极性,所述数据信息的情感极性用于表征市场的交易情绪;根据所述影响因素、所述农产品的历史价格以及预设的神经网络模型,预测所述农产品未来价格,得到预测结果;其中,所述神经网络模型为基于市场的交易情绪进行建模得到的数学模型。本发明的方法,提高了农产品价格预测的精度。
Description
技术领域
本发明涉及数学建模技术,尤其涉及一种农产品的价格预测方法和系统。
背景技术
随着互联网技术的不断发展,人们可以通过互联网各种各样的网站获取不同的信息,例如获取生活用品的价格信息、农产品的类别和农产品的价格信息等,这些互联网所提供的信息极大的方便了人们的生活。
但是,针对农产品价格来说,用户从互联网上获取的只是当前农产品价格的信息或者只是互联网基于历史的农产品价格大概估算的未来几天的农产品价格信息,其估算精度不高,无法为用户提供准确的参考。
发明内容
本发明提供一种农产品的价格预测方法和系统,用以解决现有技术中农产品价格预测精度不高的技术问题。
第一方面,本发明提供一种农产品的价格预测方法,包括:
获取当前时刻与农产品有关的数据信息;
对所述数据信息进行分析,得到影响所述农产品未来价格的影响因素;所述影响因素包括:所述数据信息的情感极性,所述数据信息的情感极性用于表征市场的交易情绪;
根据所述影响因素、所述农产品的历史价格以及预设的神经网络模型,预测所述农产品未来价格,得到预测结果;其中,所述神经网络模型为基于市场的交易情绪进行建模得到的数学模型。
进一步地,所述影响因素还包括:所述数据信息的非情感因素;所述对所述数据信息进行分析,得到影响所述农产品未来价格的影响因素,具体包括:
对所述数据信息中的每个字段进行因素分析,得到所述数据信息的非情感因素;
对所述数据信息中的每个字段进行情感极性分析,得到所述数据信息的情感极性;所述数据信息的情感极性包括每个字段的情感极性值。
进一步地,所述对所述数据信息中的每个字段进行因素分析,得到所述数据信息的非情感因素,具体包括:
将所述数据信息中的每个字段与词典集合中的每个词典进行匹配,得到每个字段的非情感因素;其中,所述词典集合包括:农业政策词典、能源价格词典、天气气候词典、宣传词典、农产品供给信息词典和农产品病虫害词典中的至少两个;
根据每个字段的非情感因素,得到所述数据信息的非情感因素。
可选的,若所述农产品未来价格为未来N天内的农产品价格,则所述根据所述影响因素、所述农产品的历史价格以及预设的神经网络模型,预测所述农产品未来价格,得到预测结果,具体包括:
根据所述影响因素、所述农产品的历史价格、预测的未来N-1天的农产品价格和所述神经网络模型,预测第N天的农产品价格,得到预测结果。
可选的,所述获取当前时刻与农产品有关的数据信息,具体包括:
将互联网大数据的种子词典进行迭代处理,得到影响因素词典;
将网络爬虫获取的与所述农产品有关的农业资讯中的部分或者全部字段添加至所述影响因素词典中,得到新的词典;
将所述新的词典进行中文分词处理,得到所述数据信息。
第二方面,本发明提供一种农产品的价格预测系统,包括:
获取模块,用于获取当前时刻与农产品有关的数据信息;
分析模块,用于对所述数据信息进行分析,得到影响所述农产品未来价格的影响因素;所述影响因素包括:所述数据信息的情感极性,所述数据信息的情感极性用于表征市场的交易情绪;
预测模块,用于根据所述影响因素、所述农产品的历史价格以及预设的神经网络模型,预测所述农产品未来价格,得到预测结果;其中,所述神经网络模型为基于市场的交易情绪进行建模得到的数学模型。
进一步地,所述影响因素还包括:所述数据信息的非情感因素;所述分析模块,具体包括:
第一分析单元,用于对所述数据信息中的每个字段进行因素分析,得到所述数据信息的非情感因素;
第二分析单元,用于对所述数据信息中的每个字段进行情感极性分析,得到所述数据信息的情感极性;所述数据信息的情感极性包括每个字段的情感极性值。
进一步地,所述第一分析单元,具体用于将所述数据信息中的每个字段与词典集合中的每个词典进行匹配,得到每个字段的非情感因素,并根据每个字段的非情感因素,得到所述数据信息的非情感因素;其中,所述词典集合包括:农业政策词典、能源价格词典、天气气候词典、宣传词典、农产品供给信息词典和农产品病虫害词典中的至少两个。
进一步地,若所述农产品未来价格为未来N天内的农产品价格,所述预测模块,具体用于根据所述影响因素、所述农产品的历史价格、预测的未来N-1天的农产品价格和所述神经网络模型,预测第N天的农产品价格,得到预测结果。
更进一步地,所述获取模块,具体包括:
迭代单元,用于将互联网大数据的种子词典进行迭代处理,得到影响因素词典;
添加单元,用于将网络爬虫获取的与所述农产品有关的农业资讯中的部分或者全部字段添加至所述影响因素词典中,得到新的词典;
处理单元,用于将所述新的词典进行中文分词处理,得到所述数据信息。
本发明提供的农产品的价格预测方法和系统,通过对当前时刻获取到的与农产品有关的数据信息进行分析,得到影响农产品未来价格的影响因素,并根据该影响因素、农产品的历史价格以及当前时刻的神经网络模型,预测农产品未来价格,得到预测结果。由于本发明中的神经网络模型在建模时考虑了市场的交易情绪,因此在进行农产品的价格预测时,可以将数据信息的情感信息作为影响农产品价格的影响因子,同时结合农产品的历史价格以及当前时刻的神经网络模型,可以预测出较为准确的农产品的价格,提高了农产品价格预测的准确性。
附图说明
图1为本发明提供的农产品的价格预测系统示意图;
图2为本发明提供的农产品的价格预测方法实施例一的流程示意图;
图3为本发明提供的农产品的价格预测方法实施例二的流程示意图;
图4为本发明提供的农产品的价格预测方法实施例三的流程示意图;
图5为本发明提供的农产品的价格预测方法实施例四的流程示意图;
图6为本发明提供的结种子词典中的数据来源的框图;
图7为本发明提供的农产品的价格预测方法实施例五的流程示意图;
图8为本发明提供的农产品的价格预测系统实施例一的结构示意图;
图9为本发明提供的农产品的价格预测系统实施例二的结构示意图;
图10为本发明提供的农产品的价格预测系统实施例三的结构示意图。
具体实施方式
本发明提供的农产品的价格预测方法,可以适用于如图1所示的农产品的价格预测系统。如图1所示,该系统包括计算机设备、网络服务器和种子词典,该种子词典可以包括与农产品相关的数据库。该计算机设备中预设了基于市场的交易情绪和农产品的历史价格进行建模得到的神经网络模型,可选的,该神经网络模型可以是BP神经网络模型,还可以是其他的模型。也就是说,在建立该神经网络模型时,是将农产品的历史价格和市场的交易情绪作为输入变量,从而得到神经网络模型。可选的,该市场的交易情绪可以包括交易者关于农产品价格涨或者跌的情绪、还可以包括交易者基于农产品的类型的情绪,例如交易者对转基因的农产品的情绪即就是负面情绪,对于原生态的农产品就是正面情绪。本发明中,市场的交易者情绪可以通过情绪指数或者情感极性值的方式来体现,即计算机设备在识别市场上交易者的情绪是基于实际的数值来识别的。可选的,本发明中的市场可以为小范围的农产品市场,还可以是整个社会的交易市场,还可以是互联网上的市场,本发明对市场的范围并不做限定。
现有技术中,农产品价格来说,用户从互联网上获取的只是当前农产品价格的信息或者只是互联网基于历史的农产品价格大概估算的未来几天的农产品价格信息,其估算精度不高,无法为用户提供准确的参考。本发明旨在解决现有技术的如上技术问题。
下面以具体地实施例对本发明的技术方案进行详细说明。下面这几个具体的实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例不再赘述。
图2为本发明提供的农产品的价格预测方法实施例一的流程示意图。本实施例涉及的是在预测农产品价格时,将市场的交易情绪作为价格影响因子,并通过基于市场的交易情绪进行建模得到的神经网络模型进行价格预测,得到预测结果的具体过程。示例性的,本发明的执行主体可以是图1中的计算机设备。如图2所示,该方法包括:
S101:获取当前时刻与农产品有关的数据信息。
具体的,当用户需要预测农产品价格时,用户可以通过该计算机设备从网络服务器上获取与农产品有关的数据信息,还可以通过相关的专业数据库获取与农产品有关的数据信息,该数据信息可以包括:农产品信息回溯种植者信息、种苗信息、施药施肥信息、苗情长势信息、土壤信息、病虫害信息、物联网设备信息、视频监控、田间照片、农产品资讯、农产品相关微信、农产品相关微博等生产信息,以及电商平台的消费者信息、销售数据、品牌扩散信息、品牌舆情信息、农药化肥使用信息等营销信息,本发明对农产品的数据信息的种类并不做限定。
S102:对所述数据信息进行分析,得到影响所述农产品未来价格的影响因素;所述影响因素包括:所述数据信息的情感极性,所述数据信息的情感极性用于表征市场的交易情绪。
具体的,当计算机设备获取到农产品的数据信息后,该数据信息包括多个字段,计算机设备对该数据信息的每个字段进行分析,得到影响该农产品未来价格的影响因素,该影响因素包括:数据信息的情感极性。可选的,计算机设备可以采用机械分词算法或者词条匹配算法得到数据信息的情感极性,可选的,该数据信息的情感极性可以包括一个或者多个字段的情感极性值,可选的,该数据信息的情感极性还可以为一个矩阵或者数字化向量的形式,矩阵或者数字化向量中的每个元素指代数据信息的一个字段的情感极性值。该数据信息的情感极性表征了市场上的交易情绪。
S103:根据所述影响因素、所述农产品的历史价格以及预设的神经网络模型,预测所述农产品未来价格,得到预测结果;其中,所述神经网络模型为基于市场的交易情绪进行建模得到的数学模型。
具体的,本发明中的神经网络模型是基于农产品的历史价格和市场的交易情绪作为输入变量进行建模的,即在建模时就考虑了市场的交易情绪。需要说明的是,该神经网络模型是处于不断更新的状态,即由于不同时刻市场的交易情绪的变化、农产品的历史价格的变化,神经网络模型也随之发生变化,即不同时刻采用的神经网络模型是不同的。
因此,当计算机设备确定了当前时刻影响农产品价格的影响因素之后,结合该农产品价格的影响因素中的数据信息的情感极性、农产品的历史价格和当前时刻的神经网络模型,可以预测出未来一段时间内的农产品价格。可选的,该未来一段时间可以是未来的一天或者多天内,该农产品未来价格可以是未来一段时间内的实时价格,还可以是未来一段时间的平均价格,还可以是农产品未来价格在一段时间的走向趋势,本发明对预测的农产品未来价格的形式并不做限定。
可选的,当预测得到农产品未来价格之后,可以将该预测结果进行展示。可选的,计算机设备可以将该预测结果以网页(web)的形式显示,还可以通过接口形式、手机应用的形式等将预测结果进行展示或者发布。
本发明提供的农产品的价格预测方法,通过对当前时刻获取到的与农产品有关的数据信息进行分析,得到影响农产品未来价格的影响因素,并根据该影响因素、农产品的历史价格以及当前时刻的神经网络模型,预测农产品未来价格,得到预测结果。由于本发明中的神经网络模型在建模时考虑了市场的交易情绪,因此在进行农产品的价格预测时,可以将数据信息的情感信息作为影响农产品价格的影响因子,同时结合农产品的历史价格以及当前时刻的神经网络模型,可以预测出较为准确的农产品的价格,提高了农产品价格预测的准确性。
图3为本发明提供的农产品的价格预测方法实施例二的流程示意图。本实施例中,上述影响因素还包括:与农产品有关的数据信息的非情感因素,该非情感因素可以包括:农业政策因素、能源价格因素、天气气候因素、宣传因素、农产品供给因素和农产品病虫害因素中的至少一个,也就是说该非情因素为客观的不太任何市场交易情绪的影响农产品价格的因素。因此,结合图3,本实施例涉及的是计算机设备对所述数据信息进行分析,得到影响农产品未来价格的影响因素的具体过程。在上述实施例的基础上,进一步地,上述S102具体包括:
S201:对所述数据信息中的每个字段进行因素分析,得到所述数据信息的非情感因素。
具体的,上述与农产品有关的数据信息包括了多个字段,计算机设备针对每个字段进行因素分析,例如,分析每个字段本身的语义特性,根据语义特性确定该字段属于哪一种因素,并且分析该字段还与其他的哪一种因素相关,从而得到与该字段具有关联的多个非情感因素,进而根据每个字段的非情感因素得到数据信息的非情感因素。需要说明的是,该数据信息的非情感因素可以是一个还可以是多个。
可选的,上述获取数据信息的非情感因素还可以参见图4所示的流程图,如图4所示,上述S201可以包括如下步骤:
S301:将所述数据信息中的每个字段与词典集合中的每个词典进行匹配,得到每个字段的非情感因素。
其中,所述词典集合包括:农业政策词典、能源价格词典、天气气候词典、宣传词典、农产品供给信息词典和农产品病虫害词典中的至少两个。
S302:根据每个字段的非情感因素,得到所述数据信息的非情感因素。
基于上述S301和S302,计算机设备中预设了词典集合,该词典集合中包括了多个词典,例如包括农业政策词典、能源价格词典、天气气候词典、宣传词典、农产品供给信息词典和农产品病虫害词典中的至少两个。其中,农业政策词典中包括了多项农业政策字段,能源价格词典中包括了与国际市场上的原油、石油、天然气等能源的价格有关的多个字段,天气气候词典中包括了多个表征天气气候的字段,宣传词典中包括多个与农产品宣传、炒作有关的字段,农产品供给信息词典包括了多个与农产品产量有关的字段,农产品病虫害词典包括了多个影响农产品生长的病虫害字段。
因此,计算机设备可以基于该词典集合,将数据信息的每个字段与词典集合中的每个词典进行匹配,从而得到每个字段的非情感因素,可选的,一个字段与每个词典进行匹配,能够匹配出多个非情感因素。例如,当一个字段是“明天天气即将降温”,则这个字段与农业政策字段匹配时,可能匹配出“气温降低时农作物应当适当补贴”这一类非情感因素,当其与农产品病虫害词典匹配时,可能匹配出“恶劣天气病虫害会发生”的非情感因素,当其与农产品供给信息词典匹配时,可能匹配出“恶劣天气农产品供给不足”的非情感因素,也就是说,这一个字段匹配出了三个非情感因素,即这个字段的非情感因素包括了3个。
基于上述匹配方法,计算机设备可以得到每个字段的非情感因素,将这些因素作为一个因素集合,该因素集合即就是所得到的数据信息的非情感因素。
S202:对所述数据信息中的每个字段进行情感极性分析,得到所述数据信息的情感极性;所述数据信息的情感极性包括每个字段的情感极性值。
具体的,本实施例在预测农产品未来价格时,考虑了三个方面的因素,分别是:数据信息的情感极性、农产品历史价格以及数据信息的非情感因素,因此,计算机设备此时还需要对上述数据信息中的每个字段进行情感极性分析并统计,例如计算机设备可以通过机械分词算法对每个字段进行情感极性分析,得到每个字段的情感极性值(也可以称之为每个字段的情绪指数值)。基于每个字段的情感极性值,得到数据信息的情感极性,该数据信息的情感极性包含了每个字段的情感极性值。可选的,该数据信息的情感极性可以是一个数字化的向量,还可以是一个矩阵。
基于上述描述,计算机设备就得到了影响农产品未来价格的影响因素,从而可以将该影响因素和农产品的历史价格作为当前时刻的神经网络模型的输入参数,进而可以预测出农产品未来价格。
可选的,如上述实施例所描述的,本发明中所预测的农产品未来价格可以预测出未来一段时间内的农产品价格,该未来一段时间可以是未来的一天或者多天内,该农产品未来价格可以是未来一段时间内的实时价格,还可以是未来一段时间的平均价格,还可以是农产品未来价格在一段时间的走向趋势。当农产品未来价格为未来N天内的农产品价格(N为大于或者等于1的正整数),即计算机设备想要预测未来N天内的农产品价格,则计算机设备可以根据上述影响因素、农产品的历史价格、预测的未来N-1天内的农产品价格和神经网络模型,预测第N天的农产品价格,得到预测结果。也就是说,计算机设备在预测农产品未来N天内的价格时,其可以预先将预测的未来N-1天内的预测价格进行存储,然后在预测第N天的农产品价格时,可以将未来N-1天内的预测价格与上述影响因素、农产品的历史价格均作为神经网络模型的输入参数,通过神经网络模型预测第N天的农产品价格。当计算机设备预测出第N天的农产品价格时,计算机设备可以将前面预测出来的未来N-1天内的预测价格与预测出的第N天的农产品价格组合在一起,得到未来N天内的农产品价格,作为预测结果可以显示给用户,其进一步提高了农产品价格预测的准确性。
本发明提供的农产品的价格预测方法,通过对当前时刻获取到的与农产品有关的数据信息的每个字段分别进行因素分析和情感极性分析,得到影响农产品未来价格的影响因素,并根据该影响因素、农产品的历史价格以及当前时刻的神经网络模型,预测农产品未来价格,得到预测结果。由于本发明中的神经网络模型在建模时考虑了市场的交易情绪,因此在进行农产品的价格预测时,可以将数据信息的情感信息以及数据信息的非情感因素一起作为影响农产品价格的影响因子,同时结合农产品的历史价格以及当前时刻的神经网络模型,可以预测出较为准确的农产品的价格,进一步地提高了农产品价格预测的准确性。
图5为本发明提供的农产品的价格预测方法实施例四的流程示意图。本实施例涉及的是计算机设备获取当前时刻与农产品有关的数据信息的具体过程。在上述实施例的基础上,进一步地,上述S101具体可以包括:
S401:将互联网大数据的种子词典进行迭代处理,得到影响因素词典。
具体的,本实施例中的种子词典即就是上述图1所示的系统中的种子词典。对于互联网大数据来说,其具有一个种子词典,该种子词典可以理解为一数据库。参见图6所示,图6是结合图1进行示出的种子词典中的数据来源的流程示意图,图6中的标准化种植数据、网络爬虫、第三方数据、农业生产管理数据、农产品安全及溯源数据、电商微商的销售数据这几个方面均指的是与农产品有关的互联网大数据的来源,当采集到这些数据后,将这些来源的数据处理成为能够被数据存储中心识别的数据格式,然后数据存储中心将这些数据分门别类的进行存储,形成种子词典。
结合图6,该种子词典中包括了价格数据库、互联网资讯库、气象数据库、生产过程库、病虫害数据库、第三方数据库、日志分析数据库。其中,价格数据库包括农产品的历史价格、实时价格、预测的价格数据库(即假设预测未来10天的农产品价格,一天一个预测价格,前一天的预测价格可以作为后一天的价格预测的一个输入参数)以及基础数据,该基础数据为农产品的品类信息。互联网资讯数据库包含互联网等来源的农业资讯信息。气象数据库包括小气候仪数据、国家气象数据等气象数据。病虫害数据库包括病虫害知识库数据、病虫害预警数据,病虫害迁徙数据等数据。生产过程库包括农产品生产过程中的种植、施肥、灌溉、施药、采摘、销售等农业生产过程的详细数据。生产日志库包括上述大数据运行中的产生的大规模的日志数据。
当基于图6得到互联网数据的种子词典之后,可以使用开源的深度学习方法例如word2vec对种子词典进行迭代处理,得到影响因素词典。
可选的,计算机设备所预测的农产品价格也可以存储在该种子词典中,在需要展示的时候进行结果展示。
S402:将网络爬虫获取的与所述农产品有关的农业资讯中的部分或者全部字段添加至所述影响因素词典中,得到新的词典。
S403:将所述新的词典进行中文分词处理,得到所述数据信息。
具体的,当用户需要预测农产品价格时,计算机设备可以通过网络爬虫获取互联网上的与农产品有关的农业资讯,将农业资讯中的部分字段或者全部字段添加至上述影响因素词典中,得到新的词典。这里需要说明的是,添加至上述影响因素词典中的部分字段或者全部字段是当前的影响因素词典中所没有的新的词汇。
然后,计算机将所得到的新的词典进行中文分词处理,即将新的词典中的所有字段转换为中文分词的形式,从而得到上述与农产品有关的数据信息,该数据信息中的所有字段均为中文分词的形式。
基于该数据信息,计算机设备可以按照上述图2、图3和图4所示的过程,对农产品未来价格进行预测。
本发明提供的农产品的价格预测方法,通过将互联网大数据的种子词典进行迭代处理,得到影响因素词典,然后将网络爬虫获取的与农产品有关的农业资讯中的部分或者全部字段添加至影响因素词典中,得到新的词典,进而将新的词典进行中文分词处理,得到包含多个中文分词形式的字段的数据信息,使得计算机设备基于该数据信息更加便捷有效的进行价格预测,提高了价格预测的效率。
图7为本发明提供的农产品的价格预测方法实施例五的流程示意图。本实施例涉及的是农产品价格预测的整体过程。如图7所示,该方法包括如下步骤:
S501:获取所述农产品的历史价格数据。
具体的,本发明可以通过专业的农产品价格信息网站获取农产品历史价格数据,例如可以通过采集jsoup技术采集互联网的农产品价格信息,还可以通过heritrix3,htmlprase等互联网网络蜘蛛爬虫,基于农业专业网站、新闻网站、国际大宗商品类价格网站、养生类、医药类,工业类、微博微信、论坛等互联网资源,抓取农产品历史价格数据。
S502:对所述农产品的历史价格数据进行解析,得到所述农产品的历史价格。
具体的,由于不同的互联网网站或者互联网资源的数据的格式不一致,因此需要对上述获取的农产品的历史价格数据进行即时,可选的,不同的互联网网站对应的农产品价格解析的算法不同,可选的,可以根据html的schema的格式解析出具体的农产品的历史价格,录入内存中,最后批量入数据库中存储。
可选的,用户还可以将交易市场的农产品的历史价格直接输入至计算机设备中。
S503:将互联网大数据的种子词典进行迭代处理,得到影响因素词典。
S504:将网络爬虫获取的与所述农产品有关的农业资讯中的部分或者全部字段添加至所述影响因素词典中,得到新的词典。
S505:将所述新的词典进行中文分词处理,得到所述数据信息。
上述S503至S505的具体过程可以参见上述S401至S403的具体描述,在此不再赘述。
S506:将所述数据信息中的每个字段与词典集合中的每个词典进行匹配,得到每个字段的非情感因素。
其中,所述词典集合包括:农业政策词典、能源价格词典、天气气候词典、宣传词典、农产品供给信息词典和农产品病虫害词典中的至少两个。
S507:根据每个字段的非情感因素,得到所述数据信息的非情感因素。
S508:对所述数据信息中的每个字段进行情感极性分析,得到所述数据信息的情感极性。
上述S506至S508的具体过程可以参见上述图3和图4所示的实施例的具体描述,在此不再赘述。
S509:根据所述影响因素、所述农产品的历史价格以及预设的神经网络模型,预测所述农产品未来价格,得到预测结果。
其中,所述神经网络模型为基于市场的交易情绪进行建模得到的数学模型。
本发明提供的农产品的价格预测方法,其有益效果可以参见上述实施例的描述,在此不再赘述。
图8为本发明提供的农产品的价格预测系统实施例一的结构示意图。如图8所示,该系统包括:获取模块11、分析模块12和预测模块13。
获取模块11,用于获取当前时刻与农产品有关的数据信息;
分析模块12,用于对所述数据信息进行分析,得到影响所述农产品未来价格的影响因素;所述影响因素包括:所述数据信息的情感极性,所述数据信息的情感极性用于表征市场的交易情绪;
预测模块13,用于根据所述影响因素、所述农产品的历史价格以及预设的神经网络模型,预测所述农产品未来价格,得到预测结果;其中,所述神经网络模型为基于市场的交易情绪进行建模得到的数学模型。
本发明提供的农产品的价格预测系统,可以执行上述方法实施例,其实现原理和技术效果类似,在此不再赘述。
图9为本发明提供的农产品的价格预测系统实施例二的结构示意图。本实施例中,所述影响因素还包括:所述数据信息的非情感因素。在上述图8所示的基础上,如图9所示,所述分析模块12,具体包括:
第一分析单元121,用于对所述数据信息中的每个字段进行因素分析,得到所述数据信息的非情感因素;
第二分析单元122,用于对所述数据信息中的每个字段进行情感极性分析,得到所述数据信息的情感极性;所述数据信息的情感极性包括每个字段的情感极性值。
进一步地,所述第一分析单元121,具体用于将所述数据信息中的每个字段与词典集合中的每个词典进行匹配,得到每个字段的非情感因素,并根据每个字段的非情感因素,得到所述数据信息的非情感因素;其中,所述词典集合包括:农业政策词典、能源价格词典、天气气候词典、宣传词典、农产品供给信息词典和农产品病虫害词典中的至少两个。
更进一步地,若所述农产品未来价格为未来N天内的农产品价格,所述预测模块13,具体用于根据所述影响因素、所述农产品的历史价格、预测的未来N-1天的农产品价格和所述神经网络模型,预测第N天的农产品价格,得到预测结果。
本发明提供的农产品的价格预测系统,可以执行上述方法实施例,其实现原理和技术效果类似,在此不再赘述。
图10为本发明提供的农产品的价格预测系统实施例三的结构示意图。在上述图9所示的基础上,如图10所示,所述获取模块11,具体包括:
迭代单元111,用于将互联网大数据的种子词典进行迭代处理,得到影响因素词典;
添加单元112,用于将网络爬虫获取的与所述农产品有关的农业资讯中的部分或者全部字段添加至所述影响因素词典中,得到新的词典;
处理单元113,用于将所述新的词典进行中文分词处理,得到所述数据信息。
本发明提供的农产品的价格预测系统,可以执行上述方法实施例,其实现原理和技术效果类似,在此不再赘述。
本领域普通技术人员可以理解:实现上述各方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成。前述的程序可以存储于一计算机可读取存储介质中。该程序在执行时,执行包括上述各方法实施例的步骤;而前述的存储介质包括:ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (10)
1.一种农产品的价格预测方法,其特征在于,包括:
获取当前时刻与农产品有关的数据信息;
对所述数据信息进行分析,得到影响所述农产品未来价格的影响因素;所述影响因素包括:所述数据信息的情感极性,所述数据信息的情感极性用于表征市场的交易情绪;
根据所述影响因素、所述农产品的历史价格以及预设的神经网络模型,预测所述农产品未来价格,得到预测结果;其中,所述神经网络模型为基于市场的交易情绪进行建模得到的数学模型。
2.根据权利要求1所述的方法,其特征在于,所述影响因素还包括:所述数据信息的非情感因素;所述对所述数据信息进行分析,得到影响所述农产品未来价格的影响因素,具体包括:
对所述数据信息中的每个字段进行因素分析,得到所述数据信息的非情感因素;
对所述数据信息中的每个字段进行情感极性分析,得到所述数据信息的情感极性;所述数据信息的情感极性包括每个字段的情感极性值。
3.根据权利要求2所述的方法,其特征在于,所述对所述数据信息中的每个字段进行因素分析,得到所述数据信息的非情感因素,具体包括:
将所述数据信息中的每个字段与词典集合中的每个词典进行匹配,得到每个字段的非情感因素;其中,所述词典集合包括:农业政策词典、能源价格词典、天气气候词典、宣传词典、农产品供给信息词典和农产品病虫害词典中的至少两个;
根据每个字段的非情感因素,得到所述数据信息的非情感因素。
4.根据权利要求3所述的方法,其特征在于,若所述农产品未来价格为未来N天内的农产品价格,则所述根据所述影响因素、所述农产品的历史价格以及预设的神经网络模型,预测所述农产品未来价格,得到预测结果,具体包括:
根据所述影响因素、所述农产品的历史价格、预测的未来N-1天的农产品价格和所述神经网络模型,预测第N天的农产品价格,得到预测结果。
5.根据权利要求1所述的方法,其特征在于,所述获取当前时刻与农产品有关的数据信息,具体包括:
将互联网大数据的种子词典进行迭代处理,得到影响因素词典;
将网络爬虫获取的与所述农产品有关的农业资讯中的部分或者全部字段添加至所述影响因素词典中,得到新的词典;
将所述新的词典进行中文分词处理,得到所述数据信息。
6.一种农产品的价格预测系统,其特征在于,包括:
获取模块,用于获取当前时刻与农产品有关的数据信息;
分析模块,用于对所述数据信息进行分析,得到影响所述农产品未来价格的影响因素;所述影响因素包括:所述数据信息的情感极性,所述数据信息的情感极性用于表征市场的交易情绪;
预测模块,用于根据所述影响因素、所述农产品的历史价格以及预设的神经网络模型,预测所述农产品未来价格,得到预测结果;其中,所述神经网络模型为基于市场的交易情绪进行建模得到的数学模型。
7.根据权利要求6所述的系统,其特征在于,所述影响因素还包括:所述数据信息的非情感因素;所述分析模块,具体包括:
第一分析单元,用于对所述数据信息中的每个字段进行因素分析,得到所述数据信息的非情感因素;
第二分析单元,用于对所述数据信息中的每个字段进行情感极性分析,得到所述数据信息的情感极性;所述数据信息的情感极性包括每个字段的情感极性值。
8.根据权利要求7所述的系统,其特征在于,所述第一分析单元,具体用于将所述数据信息中的每个字段与词典集合中的每个词典进行匹配,得到每个字段的非情感因素,并根据每个字段的非情感因素,得到所述数据信息的非情感因素;其中,所述词典集合包括:农业政策词典、能源价格词典、天气气候词典、宣传词典、农产品供给信息词典和农产品病虫害词典中的至少两个。
9.根据权利要求8所述的系统,其特征在于,若所述农产品未来价格为未来N天内的农产品价格,所述预测模块,具体用于根据所述影响因素、所述农产品的历史价格、预测的未来N-1天的农产品价格和所述神经网络模型,预测第N天的农产品价格,得到预测结果。
10.根据权利要求6所述的系统,其特征在于,所述获取模块,具体包括:
迭代单元,用于将互联网大数据的种子词典进行迭代处理,得到影响因素词典;
添加单元,用于将网络爬虫获取的与所述农产品有关的农业资讯中的部分或者全部字段添加至所述影响因素词典中,得到新的词典;
处理单元,用于将所述新的词典进行中文分词处理,得到所述数据信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710281213.XA CN108805311A (zh) | 2017-04-26 | 2017-04-26 | 农产品的价格预测方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710281213.XA CN108805311A (zh) | 2017-04-26 | 2017-04-26 | 农产品的价格预测方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108805311A true CN108805311A (zh) | 2018-11-13 |
Family
ID=64069393
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710281213.XA Pending CN108805311A (zh) | 2017-04-26 | 2017-04-26 | 农产品的价格预测方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108805311A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109858744A (zh) * | 2018-12-26 | 2019-06-07 | 石化盈科信息技术有限责任公司 | 一种价格管理系统及其应用 |
CN111507767A (zh) * | 2020-04-17 | 2020-08-07 | 无锡雪浪数制科技有限公司 | 一种钢铁原料采购供应优化方法 |
CN113393277A (zh) * | 2021-07-01 | 2021-09-14 | 安徽洲弋电子商务有限公司 | 一种基于大数据的农产品市场数据分析系统 |
CN114943555A (zh) * | 2022-05-16 | 2022-08-26 | 布瑞克农业大数据科技集团有限公司 | 一种农产品价格分析方法和系统 |
CN115082129A (zh) * | 2022-05-30 | 2022-09-20 | 布瑞克(苏州)农业互联网股份有限公司 | 一种农产品自动报价的方法和系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103577581A (zh) * | 2013-11-08 | 2014-02-12 | 南京绿色科技研究院有限公司 | 农产品价格趋势预测方法 |
CN104778628A (zh) * | 2015-04-22 | 2015-07-15 | 柳州易农科技有限公司 | 农业智能系统 |
CN105046372A (zh) * | 2015-08-24 | 2015-11-11 | 广东省气候中心 | 一种逐日蔬菜价格的预测方法和装置 |
WO2017056100A1 (en) * | 2015-09-28 | 2017-04-06 | Babu Chitavadigi Ananda | A system and a method for providing agriculture information in a mobile device |
-
2017
- 2017-04-26 CN CN201710281213.XA patent/CN108805311A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103577581A (zh) * | 2013-11-08 | 2014-02-12 | 南京绿色科技研究院有限公司 | 农产品价格趋势预测方法 |
CN104778628A (zh) * | 2015-04-22 | 2015-07-15 | 柳州易农科技有限公司 | 农业智能系统 |
CN105046372A (zh) * | 2015-08-24 | 2015-11-11 | 广东省气候中心 | 一种逐日蔬菜价格的预测方法和装置 |
WO2017056100A1 (en) * | 2015-09-28 | 2017-04-06 | Babu Chitavadigi Ananda | A system and a method for providing agriculture information in a mobile device |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109858744A (zh) * | 2018-12-26 | 2019-06-07 | 石化盈科信息技术有限责任公司 | 一种价格管理系统及其应用 |
CN111507767A (zh) * | 2020-04-17 | 2020-08-07 | 无锡雪浪数制科技有限公司 | 一种钢铁原料采购供应优化方法 |
CN113393277A (zh) * | 2021-07-01 | 2021-09-14 | 安徽洲弋电子商务有限公司 | 一种基于大数据的农产品市场数据分析系统 |
CN113393277B (zh) * | 2021-07-01 | 2023-11-28 | 安徽洲弋电子商务有限公司 | 一种基于大数据的农产品市场数据分析系统 |
CN114943555A (zh) * | 2022-05-16 | 2022-08-26 | 布瑞克农业大数据科技集团有限公司 | 一种农产品价格分析方法和系统 |
CN115082129A (zh) * | 2022-05-30 | 2022-09-20 | 布瑞克(苏州)农业互联网股份有限公司 | 一种农产品自动报价的方法和系统 |
CN117010929A (zh) * | 2022-05-30 | 2023-11-07 | 布瑞克(苏州)农业互联网股份有限公司 | 一种农产品舆情信息构建方法 |
CN117010929B (zh) * | 2022-05-30 | 2024-04-26 | 布瑞克(苏州)农业互联网股份有限公司 | 一种农产品舆情信息构建方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Shao et al. | IoT data visualization for business intelligence in corporate finance | |
Qin et al. | The impact of AI on the advertising process: The Chinese experience | |
Rakhra et al. | [Retracted] Implementing Machine Learning for Smart Farming to Forecast Farmers’ Interest in Hiring Equipment | |
CN108805311A (zh) | 农产品的价格预测方法和系统 | |
CN106251174A (zh) | 信息推荐方法及装置 | |
Mahto et al. | Short-term forecasting of agriculture commodities in context of indian market for sustainable agriculture by using the artificial neural network | |
Bell et al. | Data-driven agent-based exploration of customer behavior | |
Hawaldar et al. | The study on digital marketing influences on sales for B2B start-ups in South Asia | |
Sánchez et al. | Review of artificial intelligence applied in decision-making processes in agricultural public policy | |
WO2019072128A1 (zh) | 对象识别方法及其系统 | |
Pan et al. | Sparse factorization machines for click-through rate prediction | |
Jaiswal et al. | Collaborative recommendation system for agriculture sector | |
Kumar et al. | E-commerce website usability analysis using the association rule mining and machine learning algorithm | |
Rincon-Patino et al. | Estimating avocado sales using machine learning algorithms and weather data | |
Srivastava et al. | A novel feature selection and short-term price forecasting based on a decision tree (J48) model | |
Ryu et al. | Forecasts of the amount purchase pork meat by using structured and unstructured big data | |
Saleem et al. | Data science and machine learning approach to improve E-commerce sales performance on social web | |
Kostoska et al. | On the structure of the world economy: An absorbing Markov chain approach | |
Hsu et al. | Deep learning, text, and patent valuation | |
Song et al. | Development trends in precision agriculture and its management in china based on data visualization | |
Jie | RETRACTED ARTICLE: Precision and intelligent agricultural decision support system based on big data analysis | |
Lu et al. | How agricultural economists are using big data: A review | |
CN111221881B (zh) | 用户特征数据合成方法、装置及电子设备 | |
Park | MLP modeling for search advertising price prediction | |
CN109146166A (zh) | 一种基于投资者讨论内容打分的个股大跌预测模型 |
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: 20181113 |
|
RJ01 | Rejection of invention patent application after publication |