CN110060109A - 一种用于预测产品价格的方法、装置和计算机介质 - Google Patents
一种用于预测产品价格的方法、装置和计算机介质 Download PDFInfo
- Publication number
- CN110060109A CN110060109A CN201910347191.1A CN201910347191A CN110060109A CN 110060109 A CN110060109 A CN 110060109A CN 201910347191 A CN201910347191 A CN 201910347191A CN 110060109 A CN110060109 A CN 110060109A
- Authority
- CN
- China
- Prior art keywords
- price
- product
- fluctuating
- series
- influence 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 82
- 238000012417 linear regression Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 7
- 238000004519 manufacturing process Methods 0.000 claims description 6
- 238000013178 mathematical model Methods 0.000 claims description 6
- 239000000047 product Substances 0.000 abstract description 301
- 239000006227 byproduct Substances 0.000 abstract description 3
- 235000013311 vegetables Nutrition 0.000 description 93
- 238000010586 diagram Methods 0.000 description 18
- 230000008569 process Effects 0.000 description 18
- 230000007774 longterm Effects 0.000 description 15
- 230000006870 function Effects 0.000 description 10
- 238000003860 storage Methods 0.000 description 10
- 241000219109 Citrullus Species 0.000 description 8
- 235000012828 Citrullus lanatus var citroides Nutrition 0.000 description 8
- 238000004458 analytical method Methods 0.000 description 8
- 230000008859 change Effects 0.000 description 8
- 238000004891 communication Methods 0.000 description 8
- 230000012010 growth Effects 0.000 description 8
- 238000012545 processing Methods 0.000 description 8
- 230000002159 abnormal effect Effects 0.000 description 6
- 238000004445 quantitative analysis Methods 0.000 description 4
- 241001269238 Data Species 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 235000013339 cereals Nutrition 0.000 description 3
- 230000007423 decrease Effects 0.000 description 3
- 235000013399 edible fruits Nutrition 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 230000033001 locomotion Effects 0.000 description 3
- 238000004451 qualitative analysis Methods 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 241000208340 Araliaceae Species 0.000 description 2
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 2
- 235000003140 Panax quinquefolius Nutrition 0.000 description 2
- 244000300264 Spinacia oleracea Species 0.000 description 2
- 235000009337 Spinacia oleracea Nutrition 0.000 description 2
- 230000001154 acute effect Effects 0.000 description 2
- 238000012271 agricultural production Methods 0.000 description 2
- 235000008434 ginseng Nutrition 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000002085 persistent effect Effects 0.000 description 2
- 238000001556 precipitation Methods 0.000 description 2
- 238000005096 rolling process Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 241001123248 Arma Species 0.000 description 1
- 206010010254 Concussion Diseases 0.000 description 1
- 244000241257 Cucumis melo Species 0.000 description 1
- 235000015510 Cucumis melo subsp melo Nutrition 0.000 description 1
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 description 1
- 241001465754 Metazoa Species 0.000 description 1
- 235000011229 Prunus domestica subsp. syriaca Nutrition 0.000 description 1
- 244000169641 Spondias dulcis Species 0.000 description 1
- 235000005138 Spondias dulcis Nutrition 0.000 description 1
- 241000196251 Ulva arasakii Species 0.000 description 1
- FJJCIZWZNKZHII-UHFFFAOYSA-N [4,6-bis(cyanoamino)-1,3,5-triazin-2-yl]cyanamide Chemical compound N#CNC1=NC(NC#N)=NC(NC#N)=N1 FJJCIZWZNKZHII-UHFFFAOYSA-N 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000009360 aquaculture Methods 0.000 description 1
- 244000144974 aquaculture Species 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000000739 chaotic effect Effects 0.000 description 1
- 230000009514 concussion Effects 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 230000034994 death Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 238000003306 harvesting Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000002045 lasting effect Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000010152 pollination Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000011664 signaling Effects 0.000 description 1
- 208000024891 symptom Diseases 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0206—Price or cost determination based on market factors
Landscapes
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Engineering & Computer Science (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供一种用于预测产品价格的方法、装置和计算机介质。该用于预测产品价格的方法包括:获取同一产品的价格序列,价格序列包括预设时长内同一产品的产品价格;确定价格序列中的产品异常价格;删除价格序列中的产品异常价格,以得到剩余后的产品价格;将剩余后的产品价格作为样本构建价格预测模型,价格预测模型用于对产品价格进行预测。本申请通过将产品的价格序列中的产品异常价格删除,从而保留了具有能够体现产品价格的真实波动且具有参考价值的产品价格,并通过保留的产品价格来构建能够预测产品价格的价格预测模型,从而能够保证预测产品价格的精准性。
Description
技术领域
本申请涉及产品价格预测领域,具体而言,涉及一种用于预测产品价格的方法、装置和计算机介质。
背景技术
近年来,我国产品价格的波动不断加剧,给居民生活消费带来了影响。例如,农产品受到短时供求关系、养殖成本等因素的影响,农产品价格的剧烈波动给农民和与农产品相关的企业带来了巨大的影响,也影响着宏观经济运行和居民生活消费。因此,产品价格问题已经引起人们的高度重视,其中产品的价格预测的准确性至关重要。
目前,关于产品价格的预测方法是通过分析某产品在预设时长内的全部历史数据,然而这种分析方法至少存在着价格预测不精准的问题。
发明内容
本申请实施例的目的在于提供一种用于预测产品价格的方法、装置和计算机介质,以改善现有技术中存在的价格预测不精准的问题。
有鉴于此,第一方面,本申请实施例提供了一种用于预测产品价格的方法,该方法包括:获取同一产品的价格序列,价格序列包括预设时长内同一产品的产品价格;确定价格序列中的产品异常价格,产品异常价格包括非规律性波动价格;删除价格序列中的产品异常价格,以得到剩余后的产品价格;将剩余后的产品价格作为样本构建价格预测模型,价格预测模型用于对产品价格进行预测。
因此,本申请通过将产品的价格序列中的产品异常价格删除,从而保留了具有能够体现产品价格的长期规律性波动且具有参考价值的产品价格,进而避免了现有技术中直接通过产品的全部历史数据来对产品价格进行预测导致的产品预测不精确的问题,并通过保留的产品价格来构建能够预测产品价格的价格规律模型,从而能够保证预测产品价格的精准性。
在一个实施例中,确定价格序列中的产品异常价格,包括:在产品价格存在波动的情况下,确定价格序列中的产品异常价格。
因此,本申请通过预先判断产品价格是否存在波动,从而在存在价格波动的情况下才会执行确定波动价格的方案,能够避免产品价格没有波动的情况下执行上述确定动作,能够避免无用的资源开销。
在一个实施例中,价格序列包括平稳价格和波动价格,确定价格序列中的产品异常价格,包括:从波动价格中确定产品异常价格。
因此,本申请通过将价格序列的范围缩小到波动价格,从而在产品价格的数量较多的情况下,仅从波动价格中确定非规律性影响因素导致的非规律性波动价格,避免了从所有的产品价格中确定非规律性影响因素导致的波动价格的发生,能够更为快捷的确定出非规律性影响因素导致的波动价格。
在一个实施例中,获取产品价格的影响因素;其中,从波动价格中确定产品异常价格,包括:确定预设时长内影响因素对应的影响概率,其中,影响概率表示预设时长内的产品价格为波动价格的概率;在影响概率小于第一预设值的情况下,确定影响因素对应的波动价格为非规律性波动价格。
因此,本申请基于影响因素来从波动价格中确定该非规律性影响因素导致的波动价格,避免了从所有的产品价格中确定非规律性影响因素导致的波动价格的发生,能够更为快捷的确定出非规律性影响因素导致的波动价格。
在一个实施例中,获取产品价格的影响因素;其中,从波动价格中确定产品异常价格,包括:确定影响因素在预设时长中的发生概率;在发生概率小于第二预设值的情况下,确定影响因素对应的波动价格为非规律性波动价格。
因此,本申请通过统计影响因素的发生概率,从而能够快捷的挑选出异常产品价格。
在一个实施例中,获取产品价格的影响因素;其中,从波动价格中确定产品异常价格,包括:确定影响因素对应的波动价格的波动持续时长;在波动持续时长小于时间阈值的情况下,确定影响因素对应的波动价格为非规律性波动价格。
在一个实施例中,产品包括农产品;在产品为农产品的情况下,影响因素包括节假日、气候、季节或将雨。
因此,本申请通过删除农产品价格中的非规律性影响因素导致的波动价格,并根据保留的农产品价格来构建农产品价格的价格规律模型,从而能够保证农产品价格分析和预测的精准性。
在一个实施例中,价格预测模型包括:价格走势图和数学模型;其中,数学模型包括时间序列模型或线性回归模型。
第二方面,本申请提供了一种用于预测产品价格的装置,该装置包括:获取模块,用于获取同一产品的价格序列,所述价格序列包括预设时长内所述同一产品的产品价格;确定模块,用于确定所述价格序列中的产品异常价格,所述产品异常价格包括非规律性波动价格;删除模块,用于删除所述价格序列中的所述产品异常价格,以得到剩余后的产品价格;构建模型,用于将所述剩余后的产品价格作为样本构建价格预测模型,所述价格预测模型用于对所述产品价格进行预测。
第三方面,本申请提供了一种计算机可读存储介质,计算机可读存储介质上存储有用于预测产品价格的程序,用于预测产品价格的程序被处理器执行时实现如第一方面中任一项的数据处理方法的步骤。
第四方面,本申请提供一种电子设备,包括:处理器、存储器和总线,存储器存储有处理器可执行的机器可读指令,当电子设备运行时,处理器与存储器之间通过总线通信,机器可读指令被处理器执行时执行第一方面或第一方面的任一可选的实现方式的方法。
第五方面,本申请提供一种计算机程序产品,计算机程序产品在计算机上运行时,使得计算机执行第一方面或第一方面的任意可能的实现方式中的方法。
为使本申请实施例所要实现的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对本申请实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,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,还可以根据这些附图获得其他相关的附图。
图1是本申请实施例提供的一种用于预测产品价格的方法的流程示意图;
图2是本申请实施例提供的一种时间价格图的示意图;
图3示出了本申请实施例的一种用于预测产品价格的方法的具体流程示意图;
图4示出了本申请实施例的一种上海的青菜价格的常年变化规律的示意图;
图5示出了本申请实施例的一种上海的青菜价格的常年变化序列的线性回归的示意图;
图6示出了本申请实施例的一种上海的青菜价格的常年变化规律的修正曲线的示意图;
图7是本申请实施例提供的一种用于预测产品价格的装置的框图;
图8是本申请实施例中的一种装置的结构框图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行描述。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
将参照以下论述的细节来描述本申请的各种实施例和方面,并且附图将示出各种实施例。以下的描述和附图用于例示本申请而不是要被解释为限制本申请。描述了大量的具体细节以提供对本申请的各种实施例的充分理解。然而,在某些实例中,没有描述公知的或常规的细节以便于提供对本申请的实施例的简要的论述。
请参考图1,图1是本申请实施例提供的一种用于预测产品价格的方法的流程示意图。应理解,图1所示的方法可以由用于预测产品价格的装置执行,该装置可以与下文中的图8所示的装置对应,该装置可以是能够执行该方法的各种设备,例如,如个人计算机、服务器或网络设备等,本申请对此不作限定,具体如图1所述的方法包括如下步骤:
步骤S110,获取同一产品的价格序列,价格序列包括预设时长内同一产品的产品价格。
在步骤S110中,同一产品可以是同一个产品,例如,本申请可通过收集菠菜的历史价格,对菠菜的价格进行预测。此外,同一产品还可以是同一种类的产品,例如,本申请可通过收集不同型号的电脑的历史平均价格,来对电脑的市场上的平均价格走势进行预测,本申请对此不作限定。
另外,同一产品的价格序列可以是以天为单位的价格序列。例如,西瓜的价格序列可以是15天之内的西瓜价格,其中,第一天的西瓜价格是2元/斤,第二天的西瓜价格是2.5元/斤等。
此外,同一产品的价格序列还可以是以星期为单位的价格序列。例如,西瓜的价格序列可以是8个星期的价格,其中,第一星期的西瓜的平均价格为2.2元/斤,第二星期的西瓜的平均价格为2.4元/斤等。
另外,同一产品的价格序列还可以是以0.5天为单位的价格序列,例如,西瓜的价格序列可以是6个0.5天的西瓜价格,其中,第一个0.5天的价格是2.1元/斤,第二个0.5天的价格是2.6元/斤等。
应理解,虽然上面对价格序列进行了举例,但本领域的技术人员应当理解,该价格序列的单位还可根据实际需求进行设置,只要保证价格序列中的同一产品的价格和时间之间具有对应关系即可。例如,同一产品的价格序列还可以是以1个月为单位的价格序列,本申请对此不作限定。
此外,价格序列中的预设时长可以是一年、两年、五年、十年、一个月、三个月、十二个月等,即该价格序列可包含同一产品的一年的历史价格、或两年的历史价格、或一个月的历史价格、或三个月的价格等,本申请对此不作限定。
另外,该预设时长的具体期限可根据用户的实际需求来进行设置,本申请对此不作限定。
步骤S120,确定价格序列中的产品异常价格,产品异常价格包括非规律性波动价格。
在步骤S120中,波动可为产品价格的浮动大于一定值,也可以是剧烈波动,还可以是频繁波动,本申请对此不作限定。
此外,价格序列包括波动价格,波动价格包括产品异常价格,产品异常价格包括用户采集产品的历史价格的过程中可能出现的错误价格数据,也可包括产品的历史价格数据的录入过程中可能出现的错误价格数据,也可包括由非规律性的影响因素导致的非规律性波动价格,本申请对此不作限定。
其中,波动价格可为超出预设范围之外的产品价格,在这种情况下,确定波动价格的预设范围的值要处于确定产品异常价格的预设范围之内,即确定波动价格的预设范围的绝对值要小于确定产品异常价格的预设范围的绝对值。
例如,判断当前时间的青菜价格是否为波动价格的条件是确定当前时间的青菜价格是否大于1.5元,在青菜价格大于1.5元的情况下,确定当前时间的青菜价格为波动价格。然而,判断当前时间的青菜价格是否为产品异常价格的条件是确定当前时间的青菜价格是否大于2元,在当前时间的青菜价格大于2元的情况下,确定当前时间的青菜价格为产品异常价格。同时,确定波动价格的1.5元处于确定产品异常价格的2元的包含范围内,也就是说,波动价格包含有除产品异常价格之外的正常波动价格,本申请对此不作限定。
可选地,在根据产品价格的相关值对产品价格划分等级或区间后,波动价格也可为大于预设等级的产品价格,或也可为预设区间之外的产品价格。
例如,在产品价格的相关值为价格振幅的情况下,根据价格振幅,将产品价格划分成三个区间,其中,价格振幅用于表明产品价格上下波动程度。其中,价格振幅处于20%之内的划分为第一区间,价格振幅处于20%~60%的划分为第二区间,价格振幅处于60%以上划分为第三区间。波动价格为与第二区间中的价格振幅对应的产品价格,产品异常价格为与第三区间中的价格振幅对应的产品价格,本申请对此不作限定。
应理解,虽然上面对波动价格进行了举例,但本领域的技术人员还可根据实际需求,通过其他形式来确定波动价格,只要保证确定出的产品价格为存在波动的产品价格即可,本申请对此不作限定。
另外,该价格序列除了上述波动价格之外,价格序列还包括平稳价格,该平稳价格还可称为非波动价格。
例如,在当前时间的青菜价格小于1.5元的情况下,确定当前时间的青菜价格为平稳价格。
再例如,在产品价格的相关值为价格振幅的情况下,根据价格振幅,将产品价格划分成三个区间,价格振幅用于表明产品价格上下波动程度。其中,价格振幅处于20%之内的划分为第一区间,价格振幅处于20%~60%的划分为第二区间,价格振幅处于60%以上划分为第三区间。平稳价格为与第一区间中的价格振幅对应的产品价格,本申请对此不作限定。
此外,在确定产品价格存在波动的情况下,确定价格序列中的波动价格,后续再从波动价格中确定出异常产品价格,从而本申请通过预先判断产品价格是否存在波动,从而在存在价格波动的情况下才会执行确定波动价格的方案,能够避免产品价格没有波动的情况下执行上述确定动作,能够避免无用的资源开销。
另外,用户可通过以下方式来确定出产品价格是否存在波动。
可选地,通过分析同一产品的价格序列的变异系数来确定产品的价格是否存在波动,在价格序列的变异系数大于预设值的情况下,确定出该产品的价格存在波动,从而相比于现有技术中凭借用户经验来判断的方式,能够精确地确定出价格的波动。
例如,若产品的价格序列的变异系数大于15%,则确定产品价格存在波动,该变异系数的计算公式如下:
式中,cv为产品的价格序列的变异系数,σ为产品的价格序列的标准差,μ为产品的价格序列的平均值。
从而,在判断出产品价格存在波动的情况下,可结合价格走势图来从价格序列中挑选出波动价格。
其中,价格走势图可通过绘图工具来将价格序列对应的时间价格图绘制出来,其中,该价格走势图中的横坐标可为时间,时间的单位可为天、星期、月或年等,该价格走势图中的纵坐标可为价格,价格的单位可为分、元、十元或百元等。在绘制价格走势图后,通过数据分析软件或用户肉眼观察的方式来确定产品价格是否存在波动,以及在产品价格存在波动的情况下,确定价格序列中的波动价格。
应理解,上述价格走势图还可称为散点图,也可称为时间价格图,本申请对此不作限定。
应理解,虽然上面例举了在确定价格存在波动后再确定价格序列中的波动价格的方式,本申请实施例中还可以直接确定价格序列中的波动价格,即无需预先判断产品的价格是否存在波动,本申请对此不作限定。
此外,在确定出产品价格存在波动的情况下,从而可确定出产品价格包括波动价格和平稳价格,用户可通过数据分析软件或装置来对产品价格中的波动价格进行后续分析,即从价格序列中确定出波动价格。
可选地,用户可通过定量分析的方法来从确定出波动价格。
例如,通过软件或装置来计算预设时长内每天的产品价格所对应的价格振幅,并将价格振幅划分成5个区间,价格振幅大于50%的划分成第一区间,该第一区间表明产品价格处于剧升状态;价格振幅处于20%~50%之间的划分成第二区间,该第二区间表明产品价格处于升高状态;价格振幅处于-20%~20%之间的划分成第三区间,该第三区间表明产品价格处于平稳状态;价格振幅处于-50%~-20%之间的划分成第四区间,第四区间表明产品价格处于降低状态;价格振幅小于-50%的划分成第五区间,第五区间表明产品价格处于剧降状态,从而将属于第一区间、第二区间、第四区间和第五区间的价格振幅所对应的产品价格确定为波动价格。价格振幅的计算公式如下:
式中,F(t)为当天产品价格的价格振幅,Pt为当天的产品价格,i表示当天之前的第i天,为当天之前i天的平均价格,其中,i可根据实际需求来进行取值,例如,i可取3、7、15或30等,本申请不做限定。
另外,还可通过对产品价格定性分析的方法来从产品价格中确定出波动价格。
例如,如图2所示,图2是本申请实施例提供的一种时间价格图的示意图。图2中横坐标表示为从2017年5月30日至2017年7月4日的时间,纵坐标表示为从0元到3元的价格。根据图2中的圆圈部分可以直接确定,从左数第三个圆圈和第四个圆圈内的产品价格为波动价格,但是其他三个圆圈内的产品价格是否为波动价格,需要结合上述定量分析的方式来进一步确定。另外,在定性分析方法和定量分析方法相结合的基础上,还可结合了解历年的市场价格的市场分析人员的意见,来进一步更为精准地获取到波动价格,本申请对此不做限定。
应理解,虽然上面对波动价格的确定方法进行了举例,但本领域的技术人员还可根据实际需求来调整波动价格的确定方法,只要保证能够从产品价格中确定出波动价格即可,本申请对此不作限定。
此外,在获取到波动价格后,可先确定波动价格的影响因素,从而对波动价格的影响因素进行分析。其中,产品可以是粮食作物,也可以是水产品,也可以是电子产品,也可以是畜禽产品,也可以是蔬菜,也可以是水果等,本申请对此不作限定。
对应的,在产品为粮食作物的情况下,粮食作物价格的影响因素包括气候、降雨和地域;在产品为水产品的情况下,水产品价格的影响因素包括天气、气候和海域;在产品为电子产品的情况下,电子产品价格的影响因素包括地域、生产条件和时间;在产品为蔬菜的情况下,蔬菜价格的影响因素包括气候、降雨和节假日;在产品为水果的情况下,水果价格的影响因素包括气候、降雨和节假日。
应理解,虽然上面对产品的影响因素进行了举例,本申请实施例中还可以将其他影响因素作为对应产品的影响因素,只要保证影响因素能够影响对应产品的价格即可,本申请对此不作限定。
此外,在确定出产品的影响因素的情况下,可通过产品的影响因素来从波动价格中确定出异常产品价格,从而本申请通过将价格序列的范围缩小到波动价格,从而在产品价格的数量较多的情况下,仅从波动价格中确定非规律性影响因素导致的非规律性波动价格,避免了从所有的产品价格中确定非规律性影响因素导致的波动价格的发生,能够更为快捷的确定出非规律性影响因素导致的波动价格。
为了更好的理解本申请的技术方案,下面以产品为农产品为例对农产品异常价格的确定方式进行说明,当然可以理解,该农产品异常价格的确定方式同样适用于其他的产品,本申请对此不做限定。
可选地,确定预设时长内影响因素对应的影响概率,其中,影响概率表示预设时长内的产品价格为波动价格的概率,即确定出农产品价格在影响因素的条件下,农产品价格为波动价格的概率。以及,在农产品的影响概率小于第一预设值的情况下,确定影响因素为非规律性影响因素,以及确定影响因素对应的波动价格为非规律性波动价格。
因此,本申请基于影响因素来从波动价格中确定该非规律性影响因素导致的波动价格,避免了从所有的产品价格中确定非规律性影响因素导致的波动价格的发生,能够更为快捷的确定出非规律性影响因素导致的波动价格。
例如,在农产品为青菜以及影响因素为元宵节的情况下,以上海地区为例,统计2011年到2017年的青菜价格数据。可根据统计数据确定元宵节的三天假期使得上海的青菜价格发生了波动,并且在7年中,青菜价格有2年为波动价格,则确定出青菜价格为波动价格的影响概率为2/7。另外,在确定出2/7低于70%的情况下,则确定元宵节为非规律性影响因素,以及元宵节对应的2年的波动价格为非规律性波动价格,本申请对此不作限定。
应理解,虽然上面对第一预设值进行了举例,但本申请实施例中还可根据实际需求来将第一预设值设置为其他值,本申请对此不作限定。
可选地,确定影响因素在预设时长中的发生概率,该发生概率还可称为出现概率,即通过影响因素在预设时长中的出现次数来确定该影响因素的发生概率。以及在发生概率小于第二预设值的情况下,确定影响因素为非规律性影响因素,以及确定影响因素对应的波动价格为非规律性波动价格。
因此,本申请通过统计影响因素的发生概率,从而能够快捷的挑选出异常产品价格。
例如,在农产品为青菜以及影响因素为寒冬的情况下,以上海地区为例,统计2011年到2017年的数据。根据统计数据,确定出寒冬在7年中出现了3次,则确定寒冬的发生概率为3/7,其中,将月平均温度低于5℃的月份定义为寒冬。在确定3/7低于70%的情况下,则确定寒冬对应的波动价格为非规律性波动价格,本申请对此不作限定。
应理解,虽然上面对第二预设值进行了举例,但本申请实施例中还可根据实际需求将第二预设值设置为其他值,本申请对此不作限定。
可选地,确定影响因素对应的波动价格的波动持续时长,即确定出农产品价格在影响因素的条件下,农产品价格为波动价格的波动持续时长或连续持续时长。以及,在波动持续时长小于时间阈值的情况下,确定影响因素为非规律性影响因素,以及确定影响因素对应的波动价格为非规律性波动价格。
因此,本申请通过短时影响因素导致的非规律性波动价格删除,从而能够保留波动价格中的发生概率高、影响概率高的产品价格。
例如,在农产品为青菜以及影响因素为小雨的情况下,以上海地区为例,统计2011年到2017年的数据。根据统计数据,确定出青菜价格在小雨的条件下,青菜价格为波动价格的波动持续时长或最高持续时长为3天。以及,在3天小于10天的情况下,确定出小雨对应的产品价格为非规律性波动价格,本申请对此不作限定。
应理解,虽然上面对时间阈值进行了举例,但本申请实施例中还可根据实际需求将第二预设值设置为其他值,本申请对此不作限定。
步骤S130,删除价格序列中的产品异常价格,以得到剩余后的产品价格。
在步骤S130中,将确定后的产品异常价格从产品的价格序列中删除,从而保留了具有能够体现产品价格的真实波动且具有参考价值的产品价格。
步骤S140,将剩余后的产品价格作为样本构建价格预测模型,价格预测模型用于对产品价格进行预测。
应理解,价格预测模型包括价格走势图和数学模型,其中,价格走势图可以是以产品价格为纵坐标,以时间为横坐标来建立的二维图形,数学模块可以包括时间序列模型或线性回归模型,本申请对此不作限定。
应理解,虽然上面例举了价格预测模型的两种形式,本申请实施例中还可以将其他模型用作价格预测模型,只要保证训练好的模型能够用作预测产品价格即可,本申请对此不作限定。
在步骤S140中,从样本中提取出时间和产品价格,并确定时间和产品价格的对应关系。例如,在产品价格A和时间B之间存在对应关系的情况下,当时间为时间B时,确定产品价格为A。
随后,可将提取出的时间作为自变量,将产品价格作为因变量,通过自变量和因变量来构建价格预测模型,从而能够通过构建后的价格预测模型来对产品价格的走势进行预测,从而为管理部门制定价格调控政策提供参考依据,也可为产品的生产者或制造者的产品生产计划提供参考数据。
因此,本申请通过将产品的价格序列中的产品异常价格删除,从而保留了具有能够体现产品价格的长期规律性波动且具有参考价值的产品价格,进而避免了现有技术中直接通过产品的全部历史数据来对产品价格进行预测导致的产品预测不精确的问题,并通过保留的产品价格来构建能够预测产品价格的价格规律模型,从而能够保证预测产品价格的精准性。
本申请通过保留的产品价格来构建能够预测产品价格的价格预测模型,从而能够保证预测产品价格预测产品价格的精准性。
另外,现有的方案中没有给出一个规范的预测流程,使得现有的产品价格预测方案比较混乱,本申请实施例基于上述用于预测产品价格的方法给出了一个规范的预测流程,并且还具有操作简单的优点,从而能够缩短预测产品价格的周期,进而能够很快地培养出价格分析人员。
此外,本申请中的步骤S110至步骤S140中的每个步骤的结果还可直接使用,从而方便了用户的使用。例如,当用户想要分析某产品的非规律性波动价格的情况下,可直接将步骤S120的结果拿来使用。
为了更好的理解本申请的技术方案,下面通过以农产品为例来对本申请的技术方案进行具体描述,当然可以理解,该技术方案也同样适用于其他的产品,本申请对此不作限定。
如图3所示,图3示出了本申请实施例的一种用于预测产品价格的方法的具体流程示意图。该用于预测产品价格的方法包括:
步骤S310,农产品价格波动性的确定。
获取农产品的价格序列,并通过计算农产品的价格序列的变异系数来确定农产品的价格是否属于较为频繁的波动。当农产品的价格序列的变异系数大于15%的情况下,则确定农产品的价格属于较为频繁的波动。
步骤S320,农产品波动价格的确定。
在步骤S320中,该步骤S320可包括步骤S321,通过定量分析的方法来确定农产品波动价格。
通过计算农产品的价格振幅,并将价格振幅分成5个区间。其中,价格振幅大于50%的划分成第一区间,该第一区间表明产品价格处于剧升状态;价格振幅处于20%~50%之间的划分成第二区间,该第二区间表明产品价格处于升高状态;价格振幅处于-20%~20%之间的划分成第三区间,该第三区间表明产品价格处于平稳状态;价格振幅处于-50%~-20%之间的划分成第四区间,第四区间表明产品价格处于降低状态;价格振幅小于-50%的划分成第五区间,第五区间表明产品价格处于剧降状态,从而将属于第一区间、第二区间、第四区间和第五区间的价格振幅所对应的产品价格确定为波动价格。
该步骤S320还可包括步骤S322,通过定性分析的方法来确定农产品波动价格。
以农产品的价格为纵坐标,并以时间为横坐标,绘制价格走势图。在绘制出价格走势图后,结合步骤S321,综合分析出农产品波动价格。
步骤S330,对农产品波动价格的影响因素进行分析。
该步骤S330中,下面以上海地区的青菜为例进行描述。
其中,青菜价格的影响因素包括节假日、天气和气候,天气包括台风和降雨,气候包括高温和寒冬,并根据气象学的定义,各影响因素的定义和分类如下:
1、关于节假日
节假日包括元旦、春节、元宵节、清明节、劳动节、端午节、中秋节、国庆节等节假日,下面以元旦、春节、元宵节和劳动节为例进行说明,下文中的其他影响因素类似在此不再一一说明。
节假日的影响时间为节假日对青菜价格的影响时间。
另外,节假日的最长影响时间为在2011年到2017年中,节假日对青菜价格的最长影响时间。
2、关于台风
统计影响上海区域的台风信息,台风信息包括发生时间、降雨量、风级、持续时间等。另外,上述台风信息可从中国天气网上查询获得。
3、关于高温
青菜同化作用最适宜温度为20~25℃,在温度低于15℃的情况下,青菜生长缓慢,容易使青菜出现不能开花或授粉不良的症状,在温度低于5℃的情况下,青菜茎叶生长停止,在温度低于1℃的情况下,开始冻死,因此,将月平均温度高于25℃的月份定义为高温月。
高温的影响时间为高温对青菜价格的影响时间。
另外,高温的最长影响时间为在2011年到2017年中,高温对青菜价格的最长影响时间。
4、关于寒冬
将月平均温度低于5℃的月份定义为寒冬。
此外,寒冬的影响时间为寒冬对青菜价格的影响时间。
另外,寒冬的最长影响时间为在2011年到2017年中,寒冬对青菜价格的最长影响时间。
5、关于寒潮
寒潮为短时寒冷天气,根据气象学的定义,符合以下情况之一的即为寒潮,气候24小时内下降8℃以上,且最低气候下降到4℃以下;或48小时内气候下降10℃以上,且最低气候下降到4℃以下;或72小时内气候连续下降12℃以上,并且最低气候在4℃以下。
6、关于降雨
将一次连续的降雨过程定义为一次降雨,根据气象学定义和对青菜影响的阶段性,将降雨分为以下几种类型:
6.1、关于春季连阴雨
春季连阴雨指春季3~5月时,降雨过程3天以上,且日降雨量大于0.1mm,过程总降雨量大于等于30mm,中间可有短暂的日照时间,这样的一个连续阴雨天气过程定义为春季连阴雨。
6.2、关于初夏梅雨
每年6月中旬到7月上中旬,我国长江中下游区域内出现的一段连阴雨天气,又值江南梅子黄熟之时,故亦称“梅雨”或“黄梅雨”。
6.3、关于台风降雨
台风降雨为由台风引起的降雨。
6.4、关于夏季连阴雨
夏季连阴雨是指夏季7~8月,降雨过程3天以上,且日降雨量大于0.1mm,过程总降雨量大于等于30mm,中间可有短暂的日照时间,这样的一个连续阴雨天气过程定义为夏季连阴雨。
6.5、关于秋季连阴雨
秋季连阴雨是指秋季9~11月,降雨过程3天以上,且日降雨量大于0.1mm,过程总降雨量大于等于30mm,中间可有短暂的日照时间,这样的一个连续阴雨天气过程定义为秋季连阴雨。
6.6、关于冬季连阴雨
冬季连阴雨是指冬季,该冬季的时间是从一年的12月至下一年的2月,降雨过程3天以上,且日降雨量大于0.1mm,过程总降雨量大于等于30mm,中间可有短暂的日照时间,这样的一个连续阴雨天气过程定义为冬季连阴雨。
6.7、关于其他短时降雨
其他短时降雨是指其他情况的3天以内的短时降雨过程,根据降雨量可分为小雨(降雨量<10mm)、中雨(10mm<降雨量<25mm)、大雨(25mm<降雨量<50mm)、暴雨(50mm<降雨量<100mm)、大暴雨(100mm<降雨量<250mm)、特大暴雨(降雨量>250mm)。
此外,在确定青菜的影响因素后,统计2011年至2017年的青菜价格和节假日的对应关系表1,具体如下表1所示。
表1
从表1可以看出,节假日对上海青菜价格的影响以春节影响最大,其次是元旦,其他节假日几乎没有影响,且影响的时间比较短,春节受影响最长,也仅有4-6天。
对应地,统计2011年至2017年的青菜价格和气候的对应关系表2,具体如下表2所示。
表2
从表2可以看出,青菜价格主要受气候因素影响,其中影响因素最大的是夏季高温,青菜最适宜生长的温度为20~25℃,而上海夏季月平均温度一般在28℃左右,有的年份甚至超过了30℃,故夏季高温对上海青菜价格的影响是100%发生(即夏季高温的发生概率为100%),且持续时间长,造成了青菜的价格一般会维持一个月以上的高价,然后温度缓和青菜价格短暂回落后又回升至高位,使得上海青菜价格在夏季达到高峰成为常年稳定现象。
此外,暖冬和寒冬对青菜价格影响也非常大,根据青菜生长的温度需求,将月平均温度低于5℃的年份定义为寒冬,反之定义为暖冬。上海冬季寒冬和暖冬发生的概率相差不大,对青菜价格的影响概率也不高,仅为28.6%,也就是2011-2017年七年里发生了两次。但有时会影响比较大,如2016年1月平均气候3.74℃,且当年多次出现寒潮天气,导致2015年12月到2016年3月期间长达120天的上海青菜价格异常,全年价格高峰出现于当年冬春季而非夏季;如2017年1月平均气候6.8℃,相邻几个月的气候也持续晴好温暖,导致2016年12月到2017年3月期间长达120天的上海青菜价格异常偏低,没有出现常年的冬季价格小高峰现象。
对应地,统计2011年至2017年的青菜价格和天气的对应关系表3,具体如下表3所示。
表3
从表3可以看出,上海地区降水类型多种多样,每种降雨的影响概率和影响时间均不相同。春季的连阴雨和初夏的梅雨是上海的雨季,每年必然有降雨发生,影响概率也比较高,85%以上,因此每年的3~7月上海青菜会出现剧烈的波动,表现为不定时的价格峰值,逐渐抬高价格,直至夏季7~9月出现全年价格高峰;台风在上海的发生概率不高,影响概率也视每次台风过境时的降雨量而定,但降雨量大的台风其影响时间也较长,最长影响近一个月;夏季连阴雨也即夏季连续降雨发生概率不高,但一旦发生,影响较大,夏季降雨引起的湿度增大和高温结合对青菜的生长、保鲜等影响非常大;秋冬季连阴雨在上海发生的概率有,但影响较小,发生概率也不如春季高,因此上海青菜价格在秋冬季也会出现不定时的价格峰值;其他短时降雨对上海青菜价格的影响时间较短,影响概率不大,但发生频繁。
步骤S340,对农产品的价格规律进行分析。
在确定青菜价格的影响因素之后,确定价格序列中的产品异常价格。该产品异常价格包括采集过程或数据录入过程中可能出现的错误数据、和影响概率低于70%对应的青菜价格、和发生概率低于60%对应的青菜价格、和短时波动因素(包括其他短时降雨)对应的产品价格。
在分析建立价格预测模型后,即可根据影响农产品价格变动的因素(如节假日、温度、降水等)的实际发生情况来分析预测农产品价格的变动趋势,如节假日一般造成短期影响,影响发生的概率和时间见表1,温度高于或低于常年平均及其发生的时间对价格的影响也不同(表2),降雨发生的时间和长短影响效果也不同(表3),比如降雨,降雨对天气的影响一般是短期的,就可以根据天气预报来判断价格的变化趋势,短时间的降雨只有几天价格会走高,如果已经连续下雨一个月了,那后期的价格可能完全偏离规律很高,并且持续很长时间。根据这些规律发布价格预测走势,服务于生产者的农业生产布局设计和政府部门的农业供给侧结构性改革管理。
从而,将产品异常价格从价格序列中删除,从而保留了影响因素的发生概率高对应的青菜价格和影响因素的影响概率高对应的青菜价格,进而得到了青菜的常年价格变化规律,如图4所示。其中,图4中横坐标为时间,单位为天,纵坐标为青菜单价,单位为元。
下面以上海青菜为例进行说明,本申请对此不做限定。
方法一、可构建时间序列模型。
对删除异常价格数据后的青菜的价格序列(或青菜常年变化序列)进行分析,分析其是否是平稳序列。对于价格波动剧烈的青菜,其价格一般为非平稳序列,因此要对该序列进行一阶差分运算,经过几阶差分后,差分序列就具有平稳性。利用统计软件,对其进行平稳性分析、自相关分析和偏相关分析,确定青菜常年变化序列的自回归移动平均模型的参数,该参数包括自回归项(Autoregressive,简称AR)的模拟系数、移动平均项(MovingAverage,简称MA)的模拟系数和常数项的值,可在Eviews、SPSS或R语言等软件中拟合得到,并建立青菜的价格预测模型,根据价格预测模型可预测分析未来青菜的价格走势,也可对比分析当前价格与常年价格的偏差情况,进而采取相应的对策。
从图4中可以看出,上海青菜价格于每年的8月份左右出现价格峰值,每年的11月份价格最低,之后随着冬季的到来,价格逐渐缓慢的升高,到次年春季3月,随着温度的回暖,蔬菜生长适宜,供应量上升,价格回落,但随着春季连续降雨的发生,价格开始出现频繁波动,不定时会有小的价格峰值出现;初夏梅雨季,降雨和温度的逐渐升高,价格也很快抬升,直至夏季8月份达到峰值。
上海青菜的常年价格变化序列为非平稳序列,经过1阶差分后,其序列变为平稳序列,根据在软件Eviews里分析获得的自相关和偏相关图及参数情况,选用ARIMA(1,1,1)模型拟合数据,获得如下价格预测模型。
xt=1.533-0.25xt-1+εt+0.083εt-1
式中,xt表示时间t的价格;xt-1表示时间t-1的价格;εt是残差项,其方差为0.161;εt-1是t-1时的残差项;-0.25是自回归项系数;0.083是移动平均项系数;1.533是常数。
在获取到价格预测模型后,可通过该价格预测模型对青菜的价格进行预测,并将价格预测模型的模拟值与实测值进行分析,确定模拟值与实测值的相关性R2达到0.937。
方法二、也可构建线性回归模型。
由于每年年底上海的青菜价格都会出现一个小峰值,将其理解节假日效应引起的正常的通货膨胀,即每年年底的价格都是比年初要高一点。
如果假定通货膨胀是恒定的话,先对上海青菜价格常年变化规律进行线性回归,得到图5所示的一种上海的青菜价格的常年变化序列的线性回归的示意图,图5中的横坐标表示时间,单位为天数,纵坐标表示单价,单位为元。从而,依据图5得到通货膨胀率回归曲线是y=0.0009x+2.0318,将图5中的每个青菜数据减去通货膨胀因素后的修正数据,得到图6所示的一种上海的青菜价格的常年变化规律的修正曲线的示意图,图6中的横坐标表示时间,单位为天数,纵坐标表示单价,单位为元。
根据图6所示的上海的青菜价格的常年变化规律的修正曲线的示意图,将一年内的上海的青菜价格分成了4个阶段。
(1)日历天1~112天
上海青菜批发价均价在1.73~1.78元之间,处于平稳阶段。如遇寒潮或暖冬,都将破坏上海的青菜价格平稳状态,出现走高或走低趋势,而春节假日期间价格也会出现必然的上涨,只是影响时间较短。
(2)日历天113~210天
上海青菜的均价在2.19~2.33元之间,青菜价格处于剧烈震荡阶段,如遇春季连阴雨、初夏黄梅天,雨季影响青菜的生长、采收、运输和储存等,导致价格剧烈波动,影响时间随天气而动。
(3)日历天211~234天
上海青菜的价格直线上升阶段,回归曲线是y=0.1116x+2.2464,模拟值与实测值的相关性R2为0.918。受高温影响,此阶段上海青菜价格处于高位,每年无例外。
(4)日历天235~365天日历天235~365天为上海青菜的价格直线下降及价格修正阶段,回归曲线是y=0.0005x2-0.0837x+4.8691,模拟值与实测值的相关性R2为0.9294。由于温度降低、降雨减少的关系,气候有利于上海青菜的生长,青菜价格也持续走低,但随着温度的进一步降低,青菜生长速度减慢,上市量减少,价格逐渐缓慢上升。
根据该线性回归模型可以确定,上海青菜在阶段1(对应于日历天1~112天)、阶段3(对应于日历天211~234天)和阶段4(对应于日历天235~365天)价格规律一般较为稳定,在阶段2(对应于日历天113~210天)价格波动性大。
应理解,上述方法仅是示例性的,本领域技术人员根据上述的方法可以进行各种变形。
请参见图7,图7是本申请实施例提供的一种用于预测产品价格的装置的框图,应理解,该装置700与上述图1方法实施例对应,能够执行上述方法实施例涉及的各个步骤,该装置具体的功能可以参见上文中的描述,为避免重复,此处适当省略详细描述。装置包括至少一个能以软件或固件(firmware)的形式存储于存储器中或固化在装置的操作系统(operating system,OS)中的软件功能模块。具体地,该装置700包括:
获取模块710,用于获取同一产品的价格序列,价格序列包括预设时长内同一产品的产品价格;
确定模块720,用于确定价格序列中的产品异常价格,产品异常价格包括非规律性波动价格;
删除模块730,用于删除价格序列中的产品异常价格,以得到剩余后的产品价格;
构建模块740,用于将剩余后的产品价格作为样本构建价格预测模型,价格预测模型用于对产品价格进行预测。
可选地,确定模块720,还用于在产品价格存在波动的情况下,确定价格序列中的产品异常价格。
可选地,价格序列包括平稳价格和波动价格,确定模块720,还用于从波动价格中确定产品异常价格。
可选地,该装置700还包括:获取模块710,还用于获取产品价格的影响因素;
确定模块720,还用于确定预设时长内影响因素对应的影响概率,其中,影响概率表示预设时长内的产品价格为波动价格的概率;
确定模块720,还用于在影响概率小于第一预设值的情况下,确定影响因素对应的波动价格为非规律性波动价格。
可选地,该装置700还包括:获取模块710,还用于获取产品价格的影响因素;
确定模块720,还用于确定影响因素在预设时长中的发生概率;
确定模块720,还用于在发生概率小于第二预设值的情况下,确定影响因素对应的波动价格为非规律性波动价格。
可选地,该装置700还包括:获取模块710,还用于获取产品价格的影响因素;
确定模块720,还用于确定影响因素对应的波动价格的波动持续时长;
确定模块720,还用于在波动持续时长小于时间阈值的情况下,确定影响因素对应的波动价格为非规律性波动价格。
可选地,产品包括农产品;在产品为农产品的情况下,影响因素包括节假日、气候、季节或将雨。
可选地,价格预测模型包括:价格走势图和数学模型;其中,数学模型包括时间序列模型或线性回归模型。
本申请还提供一种装置,图8为本申请实施例中的装置800的结构框图,如图8所示。装置800可以包括处理器810、通信接口820、存储器830和至少一个通信总线840。其中,通信总线840用于实现这些组件直接的连接通信。其中,本申请实施例中设备的通信接口820用于与其他节点设备进行信令或数据的通信。处理器810可以是一种集成电路芯片,具有信号的处理能力。上述的处理器810可以是通用处理器,包括中央处理器(CentralProcessing Unit,简称CPU)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器810也可以是任何常规的处理器等。
存储器830可以是,但不限于,随机存取存储器(Random Access Memory,RAM),只读存储器(Read Only Memory,ROM),可编程只读存储器(Programmable Read-OnlyMemory,PROM),可擦除只读存储器(Erasable Programmable Read-Only Memory,EPROM),电可擦除只读存储器(Electric Erasable Programmable Read-Only Memory,EEPROM)等。存储器830中存储有计算机可读取指令,当所述计算机可读取指令由所述处理器810执行时,装置800可以与图7所示的装置700对应,用于执行上述图1或图3的方法实施例涉及的各个步骤。
装置800还可以包括存储控制器、输入输出单元、音频单元、显示单元。
所述存储器830、存储控制器、处理器810、外设接口、输入输出单元、音频单元、显示单元各元件相互之间直接或间接地电性连接,以实现数据的传输或交互。例如,这些元件相互之间可通过一条或多条通信总线840实现电性连接。所述处理器810用于执行存储器830中存储的可执行模块,例如数据处理装置包括的软件功能模块或计算机程序。并且,数据处理装置用于执行下述方法:获取同一产品的价格序列,价格序列包括预设时长内同一产品的产品价格;确定价格序列中的产品异常价格;删除价格序列中的产品异常价格,以得到剩余后的产品价格;将剩余后的产品价格作为样本构建价格预测模型,价格预测模型用于对产品价格进行预测。
输入输出单元用于提供给用户输入数据实现用户与所述服务器(或本地终端)的交互。所述输入输出单元可以是,但不限于,鼠标和键盘等。
音频单元向用户提供音频接口,其可包括一个或多个麦克风、一个或者多个扬声器以及音频电路。
显示单元在所述电子设备与用户之间提供一个交互界面(例如用户操作界面)或用于显示图像数据给用户参考。在本实施例中,所述显示单元可以是液晶显示器或触控显示器。若为触控显示器,其可为支持单点和多点触控操作的电容式触控屏或电阻式触控屏等。支持单点和多点触控操作是指触控显示器能感应到来自该触控显示器上一个或多个位置处同时产生的触控操作,并将该感应到的触控操作交由处理器进行计算和处理。显示单元可以显示处理器810执行图1或图3示出的各个步骤的输出结果。
输入输出单元用于提供给用户输入数据实现用户与处理终端的交互。所述输入输出单元可以是,但不限于,鼠标和键盘等。
可以理解,图8所示的结构仅为示意,所述装置800还可包括比图8中所示更多或者更少的组件,或者具有与图8所示不同的配置。图8中所示的各组件可以采用硬件、软件或其组合实现。
本申请还提供一种计算机可读存储介质,计算机可读存储介质上存储有数据处理程序,数据处理程序被处理器运行时执行方法实施例所述的方法。
本申请还提供一种计算机程序产品,所述计算机程序产品在计算机上运行时,使得计算机执行方法实施例所述的方法。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统的具体工作过程,可以参考前述方法中的对应过程,在此不再过多赘述。
需要说明的是,本说明书中的各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似的部分互相参见即可。对于装置类实施例而言,由于其与方法实施例基本相似,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,附图中的流程图和框图显示了根据本申请的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
另外,在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅为本申请的优选实施例而已,并不用于限制本申请,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
以上所述,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应所述以权利要求的保护范围为准。
Claims (10)
1.一种用于预测产品价格的方法,其特征在于,包括:
获取同一产品的价格序列,所述价格序列包括预设时长内所述同一产品的产品价格;
确定所述价格序列中的产品异常价格,所述产品异常价格包括非规律性波动价格;
删除所述价格序列中的所述产品异常价格,以得到剩余后的产品价格;
将所述剩余后的产品价格作为样本构建价格预测模型,所述价格预测模型用于对所述产品价格进行预测。
2.根据权利要求1所述的方法,其特征在于,所述确定所述价格序列中的产品异常价格,包括:
在所述产品价格存在波动的情况下,确定所述价格序列中的产品异常价格。
3.根据权利要求1所述的方法,其特征在于,所述价格序列包括平稳价格和波动价格,所述确定所述价格序列中的产品异常价格,包括:
从所述波动价格中确定所述产品异常价格。
4.根据权利要求3所述的方法,其特征在于,所述方法还包括:
获取所述产品价格的影响因素;
其中,从所述波动价格中确定所述产品异常价格,包括:
确定预设时长内所述影响因素对应的影响概率,其中,所述影响概率表示预设时长内的所述产品价格为所述波动价格的概率;
在所述影响概率小于第一预设值的情况下,确定所述影响因素对应的波动价格为所述非规律性波动价格。
5.根据权利要求3所述的方法,其特征在于,所述方法还包括:
获取所述产品价格的影响因素;
其中,从所述波动价格中确定所述产品异常价格,包括:
确定所述影响因素在预设时长中的发生概率;
在所述发生概率小于第二预设值的情况下,确定所述影响因素对应的波动价格为所述非规律性波动价格。
6.根据权利要求3所述的方法,其特征在于,所述方法还包括:
获取所述产品价格的影响因素;
其中,从所述波动价格中确定所述产品异常价格,包括:
确定所述影响因素对应的波动价格的波动持续时长;
在所述波动持续时长小于时间阈值的情况下,确定所述影响因素对应的波动价格为所述非规律性波动价格。
7.根据权利要求4至6中任一项所述的方法,其特征在于,所述产品包括农产品;在所述产品为所述农产品的情况下,所述影响因素包括节假日、气候、季节或将雨。
8.根据权利要求1所述的方法,其特征在于,所述价格预测模型包括:价格走势图和数学模型;
其中,所述数学模型包括时间序列模型或线性回归模型。
9.一种用于预测产品价格的装置,其特征在于,包括:
获取模块,用于获取同一产品的价格序列,所述价格序列包括预设时长内所述同一产品的产品价格;
确定模块,用于确定所述价格序列中的产品异常价格,所述产品异常价格包括非规律性波动价格;
删除模块,用于删除所述价格序列中的所述产品异常价格,以得到剩余后的产品价格;
构建模型,用于将所述剩余后的产品价格作为样本构建价格预测模型,所述价格预测模型用于对所述产品价格进行预测。
10.一种计算机介质,其特征在于,所述计算机介质上存储有计算机程序,所述计算机程序被处理器运行时执行如权利要求1至8任一所述的用于预测产品价格的方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910347191.1A CN110060109A (zh) | 2019-04-26 | 2019-04-26 | 一种用于预测产品价格的方法、装置和计算机介质 |
AU2020100249A AU2020100249A4 (en) | 2019-04-26 | 2020-02-20 | Method and device for predicting product price and computer medium |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910347191.1A CN110060109A (zh) | 2019-04-26 | 2019-04-26 | 一种用于预测产品价格的方法、装置和计算机介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110060109A true CN110060109A (zh) | 2019-07-26 |
Family
ID=67319539
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910347191.1A Pending CN110060109A (zh) | 2019-04-26 | 2019-04-26 | 一种用于预测产品价格的方法、装置和计算机介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN110060109A (zh) |
AU (1) | AU2020100249A4 (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112258246A (zh) * | 2020-11-12 | 2021-01-22 | 北京筑龙信息技术有限责任公司 | 物料的异常报价识别方法、装置、电子设备及存储介质 |
CN112258220A (zh) * | 2020-10-12 | 2021-01-22 | 北京豆牛网络科技有限公司 | 信息采集及分析方法、系统、电子设备和计算机可读介质 |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113837802B (zh) * | 2021-09-24 | 2024-05-28 | 深圳闪回科技有限公司 | 一种时序过程与手机缺陷特征深度融合的二手手机价格预测方法 |
CN115082129B (zh) * | 2022-05-30 | 2023-06-16 | 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 |
-
2019
- 2019-04-26 CN CN201910347191.1A patent/CN110060109A/zh active Pending
-
2020
- 2020-02-20 AU AU2020100249A patent/AU2020100249A4/en active Active
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112258220A (zh) * | 2020-10-12 | 2021-01-22 | 北京豆牛网络科技有限公司 | 信息采集及分析方法、系统、电子设备和计算机可读介质 |
CN112258220B (zh) * | 2020-10-12 | 2024-06-07 | 北京豆牛网络科技有限公司 | 信息采集及分析方法、系统、电子设备和计算机可读介质 |
CN112258246A (zh) * | 2020-11-12 | 2021-01-22 | 北京筑龙信息技术有限责任公司 | 物料的异常报价识别方法、装置、电子设备及存储介质 |
CN112258246B (zh) * | 2020-11-12 | 2024-01-05 | 北京筑龙信息技术有限责任公司 | 物料的异常报价识别方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
AU2020100249A4 (en) | 2020-03-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110060109A (zh) | 一种用于预测产品价格的方法、装置和计算机介质 | |
CN108846530B (zh) | 一种基于“聚类-回归”模型的短期负荷预测方法 | |
Ammann et al. | Do newspaper articles predict aggregate stock returns? | |
CN111932402A (zh) | 一种基于相似日和lstm的短期电力负荷双向组合预测方法 | |
CN105260803A (zh) | 一种系统用电量预测方法 | |
Navratil et al. | Decomposition and forecasting time series in the business economy using prophet forecasting model | |
US10120004B1 (en) | Power consumption analyzing server and power consumption analyzing method thereof | |
CN112765808A (zh) | 一种生态干旱的监测与评估方法 | |
CN110503256A (zh) | 基于大数据技术的短期负荷预测方法及系统 | |
CN104156786A (zh) | 一种考虑气象多因素影响的非工作日最大日负荷预测系统 | |
CN111815348B (zh) | 一种基于各门店商品相似度聚类的区域商品生产计划方法 | |
CN113962745A (zh) | 基于prophet模型及大数据的销量预测方法和系统 | |
CN111191193A (zh) | 一种基于自回归滑动平均模型的长期土壤温湿度高精度预测方法 | |
CN111985701A (zh) | 一种基于供电企业大数据模型库的用电预测方法 | |
CN112561207A (zh) | 一种考虑气象因素的电网负荷预测方法、装置和电力系统 | |
CN109064079A (zh) | 基于负荷分类的电力需求响应基线计算方法的选取方法 | |
CN113743673A (zh) | 一种台风期间的电力负荷预测方法 | |
CN117436619A (zh) | 一种基于等效防洪作用的梯级水库防洪库容联合预留方法 | |
CN115344815A (zh) | 考虑植被空间变化的天然径流变化归因分析方法和系统 | |
CN105468885A (zh) | 一种能耗数据的可视化分析方法 | |
CN115049112A (zh) | 一种迁飞性昆虫空间分布预测方法和装置 | |
CN110288130B (zh) | 一种用户用电量预测方法 | |
CN116050636A (zh) | 光伏电站的出力预测方法、装置、设备及介质 | |
CN116470491A (zh) | 基于copula函数的光伏功率概率预测方法及系统 | |
Ahmed et al. | The effects of index changes on stock trading: Evidence from the EGX |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190726 |