CN109886721A - 一种猪肉价格预测系统算法 - Google Patents
一种猪肉价格预测系统算法 Download PDFInfo
- Publication number
- CN109886721A CN109886721A CN201811593763.6A CN201811593763A CN109886721A CN 109886721 A CN109886721 A CN 109886721A CN 201811593763 A CN201811593763 A CN 201811593763A CN 109886721 A CN109886721 A CN 109886721A
- Authority
- CN
- China
- Prior art keywords
- price
- pork
- factor
- data
- model
- 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
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种猪肉价格预测系统算法,包括以下步骤:数据采集:对近几年的仔猪价格、玉米价格、饲料价格、生猪价格、存栏数量、猪肉需求指数、疫情情况、兽药成本、流通成本和替代品数据进行采集、分析和建模,通过将当前的数据输入模型中预测出接下来的猪肉价格;本猪肉价格预测系统算法,汇总仔猪价格、玉米价格、生猪价格、猪肉需求指数、疫情情况、兽药成本、流通成本、替代品影响等多因素的历史数据,分别针对上述因素进行相关性分析,找出边际效应显著影响猪肉价格的因素,然后进行动态计算和推断,可以做到短期的猪肉价格准确预测,同时对未来较长期的猪肉价格变化趋势进行预测,大大提高了小型养殖户的抗风险能力。
Description
技术领域
本发明涉及肉猪养殖领域,具体为一种猪肉价格预测系统算法。
背景技术
猪肉价格是养猪场效益的直接体现,对于大规模养殖场来说,价格变动幅度可能直接影响到养殖场的生存,现在的价格预估都是基于的经验,存在范围小、变量不足、不准确的情况,也导致了在价格低谷时,大量的小型抗风险能力差的养殖场倒闭,总得来说,猪肉价格跟仔猪价格、玉米价格、饲料价格、生猪价格、存栏数量、猪肉需求指数、疫情情况、兽药成本、流通成本、替代品影响等因素有关,然而,目前还没有一种猪肉价格预测系统算法,不能够满足使用需求。
发明内容
本发明要解决的技术问题是克服现有的缺陷,提供一种猪肉价格预测系统算法,可以做到短期的猪肉价格准确预测,同时能够对未来较长期的猪肉价格变化趋势进行预测,可以有效解决背景技术中的问题。
为实现上述目的,本发明提供如下技术方案:一种猪肉价格预测系统算法,包括以下步骤:
1)数据采集:对之前几年的仔猪价格、玉米价格、饲料价格、生猪价格、存栏数量、猪肉需求指数、疫情情况、兽药成本、流通成本、替代品数据及猪肉价格进行采集;
2)因素分析:将采集到的数据进行相关性分析,通过边际效应找到能够显著影响猪肉价格的因素,将这些因素作为训练样本建立猪肉价格预测模型;
3)建立模型:
S1、因素预测:采用灰系统GM(1,1)模型和时间序列模型预测,将预测验证集输入训练集,建立模型,以所需因素预测结果为输出;
S2构建模型,将采用MATLAB中的神经网络工具对训练样本进行训练,得到猪肉价格预测模型;
S3、预测当前价格,将当前的仔猪价格、玉米价格、饲料价格、生猪价格、存栏数量、猪肉需求指数、疫情情况、兽药成本、流通成本数据输入模型中,预测出接下来的猪肉价格;
S4、预测趋势,将S1中因素预测的输出数据通过神经网络回归预测模型进行再预测再处理,得到预测结果,即为对应的未知时间点的猪肉价格。
作为本发明的一种优选技术方案,数据采集需要细化到每一天的数据,误差率小于2%。
如此设置,采集足够的数据样本、采集所有与生猪价格有关的因素。
作为本发明的一种优选技术方案,采集的数据还包括季节因素、居民的饮食习惯和节日因素。
如此设置,根据居民的生理因素考虑和风俗习惯考虑,天气热的时候都喜欢吃清淡的,会导致猪肉需求指数降低;节日因素,过节时猪肉需求指数升高。
作为本发明的一种优选技术方案,采集之前6-10年的数据进行训练建模,随着时间推移,当有新的数据输入模型中,早期采集的数据依次释放。
如此设置,保证模型中的数据为最新数据,而且过早的数据对现在的价格体系参考价值不大。
作为本发明的一种优选技术方案,可知因素包括仔猪价格、玉米价格、饲料价格、生猪价格、存栏数量、猪肉需求指数、疫情情况、兽药成本、流通成本数据;未知因素包括疫情情况、天气情况。
作为本发明的一种优选技术方案,BP神经网络的隐层函数为双曲正切函数tansig;BP神经网络的输出层激励函数为线性purelin函数;网络训练函数为train;隐层神经元数初设为15;设定网络迭代次数设置为20000次,期望误差设为9.3526e-004,学习速率设为0.04。
作为本发明的一种优选技术方案,将所述训练样本千分之一化,并输入BP神经网络,所述BP神经网络为含有一个隐层的三层多输入多输出BP网络。
作为本发明的一种优选技术方案,所述神经网络,首先需要确定其处理单元,即神经元的特性和网络的拓扑结构,神经元是神经网络最基本的处理单元,隐层中的神经元采用S型变换函数,输出层的神经元可采用S型或线性型变换踊数。
作为本发明的一种优选技术方案,所述神经网络回归预测模型的模型结构为因素组输入层、臆层、输出层、猪仔价格玉米价格饲料价格猪粮比。
作为本发明的一种优选技术方案,所述猪肉价格预测系统算法中,包括按地区因素和肉猪品质因素分类的系列算法,分别预测出不同地区相同品种肉猪的猪肉价格和相同地区不同品质肉猪的猪肉价格。
本发明原理:先收集足够量的样本,样本包括影响猪肉价格的多种因素,使用BP神经网络构建猪肉价格预测模块,如果输入当前的因素情况,输出的是当前的猪肉价格,而且还可以通过灰系统GM(1,1)模型和时间序列模型预测各种影响因素,将预测到的各种因素情况输入到猪肉价格预测模块,可得到未来时间点对应的猪肉价格。
其中,所述灰系统GM(1,1)模型算法为以“部分信息已知,部分信息未知”的“小样本”、“贫信息”不确定性系统为研究对象,通过对“部分”已知信息的生成、开发,提取有价值的信息,从而实现对系统运行行为、演化规律的正确描述和有效监控的算法;所述时间序列模型预测算法为对已有的历史数据进行分析,从而对我们所关心的事情做出较为准确的判断与预测的算法;所述神经网络回归预测模型为以需预测序列的训练集为输出,影响该输出的各个因素组序列的训练集为输入,经过训练,建立网络,再通过给定的因素组,运用训练后的网络,得到要预测的相应结果。
与现有技术相比,本发明的有益效果是:本猪肉价格预测系统算法,通过猪肉价格影响因素的历史大数据进行相关性分析,汇总仔猪价格、玉米价格、生猪价格、猪肉需求指数、疫情情况、兽药成本、流通成本、替代品影响等多因素的历史数据,分别针对上述因素进行相关性分析,找出边际效应显著影响猪肉价格的因素,然后进行动态计算和推断,可以做到短期的猪肉价格准确预测,同时对未来较长期的猪肉价格变化趋势进行预测,大大提高了小型养殖户的抗风险能力。
附图说明
图1为本发明流程示意图;
图2为本发明中神经网络训练示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合具体实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
参考图1-2,做如下说明:
实施例1
1)数据采集:对之前几年的仔猪价格、玉米价格、饲料价格、生猪价格、存栏数量、猪肉需求指数、疫情情况、兽药成本、流通成本、替代品数据及猪肉价格进行采集;
2)因素分析:将采集到的数据进行相关性分析,通过边际效应找到能够显著影响猪肉价格的因素,将这些因素作为训练样本建立猪肉价格预测模型;
3)建立模型:
S1、因素预测:采用灰系统GM(1,1)模型和时间序列模型预测,将预测验证集输入训练集,建立模型,以所需因素预测结果为输出;
S2构建模型,将采用MATLAB中的神经网络工具对训练样本进行训练,得到猪肉价格预测模型;
S3、预测当前价格,将当前的仔猪价格、玉米价格、饲料价格、生猪价格、存栏数量、猪肉需求指数、疫情情况、兽药成本、流通成本数据输入模型中,预测出接下来的猪肉价格;
S4、预测趋势,将S1中因素预测的输出数据通过神经网络回归预测模型进行再预测再处理,得到预测结果,即为对应的未知时间点的猪肉价格。
其中,所述数据采集需要细化到每一天的数据且把当天的所有数据组成数据组进行关联分析;采集足够的数据样本、采集所有与生猪价格有关的因素;采集的数据还包括季节因素、居民的饮食习惯和节日因素,根据居民的生理因素考虑和风俗习惯考虑,天气热的时候都喜欢吃清淡的,会导致猪肉需求指数降低;节日因素,过节时猪肉需求指数升高;在构建预测模型时,采集最近5-10年内的数据进行建模,随着时间推移,当有新的数据输入模型中,早期采集的数据依次释放,保证模型中的数据为最新数据,而且过早的数据对现在的价格体系参考价值不大。
BP神经网络的隐层函数为双曲正切函数tansig;BP神经网络的输出层激励函数为线性purelin函数;网络训练函数为train;隐层神经元数初设为15;设定网络迭代次数设置为20000次,期望误差设为9.3526e-004,学习速率设为0.04;所述神经网络,首先需要确定其处理单元,即神经元的特性和网络的拓扑结构,神经元是神经网络最基本的处理单元,隐层中的神经元采用S型变换函数,输出层的神经元可采用S型或线性型变换踊数;所述神经网络回归预测模型的模型结构为因素组输入层、臆层、输出层、猪仔价格玉米价格饲料价格猪粮比。
所述猪肉价格预测系统算法中,包括按地区因素和肉猪品质因素分类的系列算法,分别预测出不同地区相同品种肉猪的猪肉价格和相同地区不同品质肉猪的猪肉价格,不同地区、不同品种的肉猪猪肉品质、营养价值和养殖难度都有一定的差别,在主预测模型的基础上,微调少部分因素,可将主算法扩展为系列算法,对猪肉价格提供更精准的预测。
实施例2
对明天猪肉价格做出预测,包括以下步骤:
1)数据采集:对之前几年的仔猪价格、玉米价格、饲料价格、生猪价格、存栏数量、猪肉需求指数、疫情情况、兽药成本、流通成本、替代品数据及猪肉价格进行采集;
2)因素分析:将采集到的数据进行相关性分析,通过边际效应找到能够显著影响猪肉价格的因素,将这些因素作为训练样本建立猪肉价格预测模型;
3)建立模型:
S1、构建模型,将采用MATLAB中的神经网络工具对训练样本进行训练,得到猪肉价格预测模型;
S2、将今天的仔猪价格、玉米价格、饲料价格、生猪价格、存栏数量、猪肉需求指数、疫情情况、兽药成本、流通成本数据输入模型中,输出的就是明天的猪肉价格。
实施例3
对明年五月五号的猪肉价格做出预测,包括以下步骤:
1)数据采集:对之前几年的仔猪价格、玉米价格、饲料价格、生猪价格、存栏数量、猪肉需求指数、疫情情况、兽药成本、流通成本、替代品数据及猪肉价格进行采集;
2)因素分析:将采集到的数据进行相关性分析,通过边际效应找到能够显著影响猪肉价格的因素,将这些因素作为训练样本建立猪肉价格预测模型;
3)建立模型:
S1、因素预测:采用灰系统GM(1,1)模型和时间序列模型预测,将预测验证集输入训练集,建立模型,以所需因素预测结果为输出,分别预测出明年五月四号仔猪价格、玉米价格、饲料价格、生猪价格、存栏数量、猪肉需求指数、疫情情况、兽药成本、流通成本的情况;
S2构建模型,将采用MATLAB中的神经网络工具对训练样本进行训练,得到猪肉价格预测模型;
S3、将预测到的明年五月四号的对应数据输入猪肉价格预测模型,得到预测结果,即为预测的明年五月四号的猪肉价格。
灰系统GM(1,1)模型算法为以“部分信息已知,部分信息未知”的“小样本”、“贫信息”不确定性系统为研究对象,通过对“部分”已知信息的生成、开发,提取有价值的信息,从而实现对系统运行行为、演化规律的正确描述和有效监控的算法;时间序列模型预测算法为对已有的历史数据进行分析,从而对我们所关心的事情做出较为准确的判断与预测的算法;神经网络回归预测模型为以需预测序列的训练集为输出,影响该输出的各个因素组序列的训练集为输入,经过训练,建立网络,再通过给定的因素组,运用训练后的网络,得到要预测的相应结果。
使用方法:对之前几年的仔猪价格、玉米价格、饲料价格、生猪价格、存栏数量、猪肉需求指数、疫情情况、兽药成本、流通成本和替代品数据进行采集,将采集到的数据进行相关性分析,通过边际效应找到能够显著影响猪肉价格的因素,作为预测验证集,采用灰系统GM(1,1)模型和时间序列模型预测,将预测验证集输入训练集,建立模型,以所需因素预测结果为输出,将因素预测的输出数据通过神经网络回归预测模型进行再预测再处理,得到预测结果,即为猪肉价格。
本发明通过猪肉价格影响因素的历史大数据进行相关性分析,汇总仔猪价格、玉米价格、生猪价格、猪肉需求指数、疫情情况、兽药成本、流通成本、替代品影响等多因素的历史数据,分别针对上述因素进行相关性分析,找出边际效应显著影响猪肉价格的因素,然后进行动态计算和推断,可以做到短期的猪肉价格准确预测,同时对未来较长期的猪肉价格变化趋势进行预测,大大提高了小型养殖户的抗风险能力。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (10)
1.一种猪肉价格预测系统算法,其特征在于:包括以下步骤:
1)数据采集:对之前几年的仔猪价格、玉米价格、饲料价格、生猪价格、存栏数量、猪肉需求指数、疫情情况、兽药成本、流通成本、替代品数据及猪肉价格进行采集;
2)因素分析:将采集到的数据进行相关性分析,通过边际效应找到能够显著影响猪肉价格的因素,将这些因素作为训练样本建立猪肉价格预测模型;
3)建立模型:
S1、因素预测:采用灰系统GM(1,1)模型和时间序列模型预测,将预测验证集输入训练集,建立模型,以所需因素预测结果为输出;
S2构建模型,将采用MATLAB中的神经网络工具对训练样本进行训练,得到猪肉价格预测模型;
S3、预测当前价格,将当前的仔猪价格、玉米价格、饲料价格、生猪价格、存栏数量、猪肉需求指数、疫情情况、兽药成本、流通成本数据输入模型中,预测出接下来的猪肉价格;
S4、预测趋势,将S1中因素预测的输出数据通过神经网络回归预测模型进行再预测再处理,得到预测结果,即为对应的未知时间点的猪肉价格。
2.根据权利要求1所述的一种猪肉价格预测系统算法,其特征在于:数据采集需要细化到每一天的数据,误差率小于2%。
3.根据权利要求2所述的一种猪肉价格预测系统算法,其特征在于:采集的数据还包括季节因素、居民的饮食习惯和节日因素。
4.根据权利要求1所述的一种猪肉价格预测系统算法,其特征在于:采集之前6-10年的数据进行训练建模,随着时间推移,当有新的数据输入模型中,早期采集的数据依次释放。
5.根据权利要求1所述的一种猪肉价格预测系统算法,其特征在于:可知因素包括仔猪价格、玉米价格、饲料价格、生猪价格、存栏数量、猪肉需求指数、疫情情况、兽药成本、流通成本数据;未知因素包括疫情情况、天气情况。
6.根据权利要求1所述的一种猪肉价格预测系统算法,其特征在于:BP神经网络的隐层函数为双曲正切函数tansig;BP神经网络的输出层激励函数为线性purelin函数;网络训练函数为train;隐层神经元数初设为15;设定网络迭代次数设置为20000次,期望误差设为9.3526e-004,学习速率设为0.04。
7.根据权利要求1所述的一种猪肉价格预测系统算法,其特征在于:将所述训练样本千分之一化,并输入BP神经网络,所述BP神经网络为含有一个隐层的三层多输入多输出BP网络。
8.根据权利要求1所述的一种猪肉价格预测系统算法,其特征在于:所述神经网络,首先需要确定其处理单元,即神经元的特性和网络的拓扑结构,神经元是神经网络最基本的处理单元,隐层中的神经元采用S型变换函数,输出层的神经元可采用S型或线性型变换踊数。
9.根据权利要求1所述的一种猪肉价格预测系统算法,其特征在于:所述神经网络回归预测模型的模型结构为因素组输入层、臆层、输出层、猪仔价格玉米价格饲料价格猪粮比。
10.根据权利要求1所述的一种猪肉价格预测系统算法,其特征在于:所述猪肉价格预测系统算法中,包括按地区因素和肉猪品质因素分类的系列算法,分别预测出不同地区相同品种肉猪的猪肉价格和相同地区不同品质肉猪的猪肉价格。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811593763.6A CN109886721A (zh) | 2018-12-25 | 2018-12-25 | 一种猪肉价格预测系统算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811593763.6A CN109886721A (zh) | 2018-12-25 | 2018-12-25 | 一种猪肉价格预测系统算法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109886721A true CN109886721A (zh) | 2019-06-14 |
Family
ID=66925147
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811593763.6A Pending CN109886721A (zh) | 2018-12-25 | 2018-12-25 | 一种猪肉价格预测系统算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109886721A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111476605A (zh) * | 2020-04-08 | 2020-07-31 | 东北农业大学 | 猪肉价格预测预警系统 |
CN112036938A (zh) * | 2020-08-20 | 2020-12-04 | 山东隆众信息技术有限公司 | 一种汽油柴油批发价格数据采集方法 |
CN116777507A (zh) * | 2023-06-23 | 2023-09-19 | 青岛中沃兴牧食品科技有限公司 | 一种基于lstm模型的猪肉专卖网点各类猪肉销售量的预测方法 |
-
2018
- 2018-12-25 CN CN201811593763.6A patent/CN109886721A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111476605A (zh) * | 2020-04-08 | 2020-07-31 | 东北农业大学 | 猪肉价格预测预警系统 |
CN112036938A (zh) * | 2020-08-20 | 2020-12-04 | 山东隆众信息技术有限公司 | 一种汽油柴油批发价格数据采集方法 |
CN116777507A (zh) * | 2023-06-23 | 2023-09-19 | 青岛中沃兴牧食品科技有限公司 | 一种基于lstm模型的猪肉专卖网点各类猪肉销售量的预测方法 |
CN116777507B (zh) * | 2023-06-23 | 2024-05-28 | 青岛中沃兴牧食品科技有限公司 | 一种基于lstm模型的猪肉专卖网点各类猪肉销售量的预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Drury et al. | A survey of the applications of Bayesian networks in agriculture | |
Ellis et al. | Synergy between mechanistic modelling and data-driven models for modern animal production systems in the era of big data | |
Lee et al. | Prediction of feather damage in laying hens using optical flows and Markov models | |
CN109886721A (zh) | 一种猪肉价格预测系统算法 | |
He et al. | Predicting body weight in growing pigs from feeding behavior data using machine learning algorithms | |
Ramírez-Morales et al. | Automated early detection of drops in commercial egg production using neural networks | |
Milosevic et al. | Machine learning application in growth and health prediction of broiler chickens | |
Dominiak et al. | Spatial modeling of pigs’ drinking patterns as an alarm reducing method II. Application of a multivariate dynamic linear model | |
Majewski et al. | Multipurpose monitoring system for edible insect breeding based on machine learning | |
Jacobs et al. | ASAS-NANP symposium: mathematical modeling in animal nutrition: limitations and potential next steps for modeling and modelers in the animal sciences | |
CN115409153A (zh) | 一种基于注意力lstm的畜牧指标预测方法及预测系统 | |
Wang et al. | Exploring milk loss and variability during environmental perturbations across lactation stages as resilience indicators in Holstein cattle | |
CN111681755A (zh) | 一种生猪疾病诊疗系统及方法 | |
Biase et al. | On supervised learning to model and predict cattle weight in precision livestock breeding | |
Jie | RETRACTED ARTICLE: Precision and intelligent agricultural decision support system based on big data analysis | |
Jebari et al. | Poultry-Edge-AI-IoT System for Real-Time Monitoring and Predicting by Using Artificial Intelligence. | |
Zhang et al. | Early lameness detection in dairy cattle based on wearable gait analysis using semi-supervised LSTM-autoencoder | |
Yakubu et al. | Modelling egg production in Sasso dual-purpose birds using linear, quadratic, artificial neural network and classification regression tree methods in the tropics | |
CN109359624B (zh) | 基于神经网络的蛋鸡采食行为的预测方法及预测装置 | |
CN116543462A (zh) | 基于视频骨骼的奶牛行为识别判断奶牛健康状况的方法 | |
Taghipoor et al. | Animal board invited review: Quantification of resilience in farm animals | |
Pietersma et al. | Induction and evaluation of decision trees for lactation curve analysis | |
Klotz et al. | Estimating and tuning adaptive action plans for the control of smart interconnected poultry condominiums | |
Atıl et al. | Investigation of dairy cattle traits by using artificial neural networks and cluster analysis | |
Klotz et al. | Estimating action plans for smart poultry houses |
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 |