CN110298681A

CN110298681A - 一种价格预测方法

Info

Publication number: CN110298681A
Application number: CN201910332726.8A
Authority: CN
Inventors: 周李涌; 胡伟健; 李灵芳; 李娟娟; 樊杰; 杜永兴; 张万锴
Original assignee: Inner Mongolia Zhi Zhi Traceability Technology Development Co Ltd; Inner Mongolia University of Science and Technology
Current assignee: Inner Mongolia Zhi Zhi Traceability Technology Development Co Ltd; Inner Mongolia University of Science and Technology
Priority date: 2019-04-24
Filing date: 2019-04-24
Publication date: 2019-10-01

Abstract

一种价格预测方法，所述价格预测方法包括以下步骤：S1：获取原始数据；S2：数据预处理；S3：特征选择；S4：引入气象因子建立价格预测模型；S5：模型评估。

Description

一种价格预测方法

技术领域

本发明具体涉及一种价格预测方法。

背景技术

价格预测是指对价格变化趋势做预见性测算和判断。其过程是从过去和现在已知的价格状况出发，利用一定的方法和技巧模拟未知的中间过程，推断出未来的结果。从时间上划分，有长期(五年以上)价格预测，中期(一至五年)价格预测，短期(计划年度)价格预测；从范围上划分，有宏观价格预测和微观价格预测。

价格预测对经济的健康平稳运行具有重要作用。它不但可以及时准确的将市场信息反馈给生产者，使他们及时根据市场需求调整生产规模以及产品上市时间，减少市场剧烈变动对生产者收入的影响，而且可以为管理者提供决策依据，促进企业效益最大化的实现。

农畜产品的价格状况一直都是企业管理者和各政府的关注重点。近几年价格大幅度、普遍的下降一度让农牧民束手无策，价格的波动不仅能影响农牧民的生产积极性，也会对农牧民的生活水平产生重要的影响。因此，本项目从农牧民的实际情况出发，探讨价格变动的真实原因，并分析价格波动而产生的一些影响，不仅可以达到有效稳定价格的目的，还有益于保障农牧民的生活水平，并对促进地区社会、经济、生态的协调发展也具有重要的意义。

发明内容

本申请的目的是针对现有技术不能精确预测羊肉价格存在的问题，提供一种价格预测方法

本申请的目的是通过以下技术方案解决的：

一种价格预测方法，其特征在于，所述价格预测方法包括以下步骤：

S1：获取原始数据；

S2：数据预处理；

S3：特征选择；

S4：引入气象因子建立价格预测模型；

S5：模型评估。

进一步的，一种价格预测方法，所述原始数据包括价格数据、气象数据、羊肉产量、羊肉进口量、羊肉需求量、人均可支配收入以及影响因素数据。

进一步的，一种价格预测方法，所述价格数据为日或月度变化数据。

进一步的，一种价格预测方法，所述气象数据包括降水量、温度、湿度、气压、风速、PM2.5。

进一步的，一种价格预测方法，所述价格数据作为输出变量。

进一步的，一种价格预测方法，所述影响因素数据作为输入变量。

进一步的，一种价格预测方法，所述数据预处理包含两个部分：一是转换数据的格式以适合分析处理，二是对异常或缺失数据做一定处理。如果数据量足够大，包含缺失值或异常值的数据行可以直接剔除，否则使用平均值或中位数加以替换，以满足样本量的需求。

进一步的，一种价格预测方法，所述特征选择采用灰色关联分析法对所有输入变量按照与价格的关联度情况进行筛选。

进一步的，一种价格预测方法，所述灰色关联分析法包括五个步骤：

S10：确定参考序列和比较序列；

S11：无量纲化处理；

S12：计算关联系数；

S13：计算关联度；

S14：关联度排序。

进一步的，一种价格预测方法，所述参考序列是价格，所述比较序列是价格影响因子。

本申请相比现有技术有如下优点：

本申请采用灰色关联分析法进行价格预测，比现有技术更精准。

本申请采用神经网络进行价格预测，在速度上提升明显。

附图说明

附图1为本申请价格预测流程图；

附图2为本申请灰色关联分析流程图；

附图3为本申请神经网络结构图；

附图4为本申请神经网络计算流程。

具体实施方式

为了便于理解本发明，下面将参照相关附图对本发明进行更加全面的描述，附图中给出了本发明的若干实施例，但是本发明可以通过不同的形式来实现，并不限于文本所描述的实施例，相反的，提供这些实施例是为了使对本发明公开的内容更加透彻全面。

需要说明的时，当元件被称为“固设于”另一个元件，它可以直接在另一个元件上也可以存在居中的元件，当一个元件被认为是“连接”另一个元件，它可以是直接连接到另一个元件或者可能同时存在居中元件，本文所使用的术语“垂直的”、“水平的”、“左”、“右”以及类似的表述只是为了说明的目的。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常连接的含义相同，本文中在本发明的说明书中所使用的术语知识为了描述具体的实施例的目的，不是旨在于限制本发明，本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。

实施例一

如图1至图4所示：一种价格预测方法，其特征在于，所述价格预测方法包括以下步骤：

S1：获取原始数据；

S2：数据预处理；

S3：特征选择；

S4：引入气象因子建立价格预测模型；

S5：模型评估。

S10：确定参考序列和比较序列；

S11：无量纲化处理；

S12：计算关联系数；

S13：计算关联度；

S14：关联度排序。

本申请相比现有技术有如下优点：

本申请采用神经网络进行价格预测，在速度上提升明显。

实施例二

农畜产品的价格状况一直都是企业管理者和各政府的关注重点。近几年羊肉价格大幅度、普遍的下降一度让农牧民束手无策，羊肉价格的波动不仅能影响农牧民的生产积极性，也会对农牧民的生活水平产生重要的影响。因此，本项目从农牧民的实际情况出发，探讨羊肉价格变动的真实原因，并分析羊肉价格波动而产生的一些影响，不仅可以达到有效稳定羊肉价格的目的，还有益于保障农牧民的生活水平，并对促进地区社会、经济、生态的协调发展也具有重要的意义。

价格预测模型的基本框图如图1所示，包含获取原始数据、数据预处理、特征选择、引入气象因子建立价格预测模型和模型评估五个过程。

所述原始数据，在做价格预测之前，首先需要获取所需要的原始数据，包含价格日或月度变化数据、气象数据(降水量、温度、湿度、气压、风速、PM2.5等)、羊肉产量、羊肉进口量、羊肉需求量、人均可支配收入等，其中价格数据作为输出变量，其他影响因素作为输入变量。

所述数据预处理，刚获取到的原始数据往往都是无法使用的，需要对其做一定的处理，变成可用来分析的数据。它主要包含两个部分：一是转换数据的格式以适合分析处理，二是对异常或缺失数据做一定处理。如果数据量足够大，包含缺失值或异常值的数据行可以直接剔除，否则使用平均值或中位数加以替换，以满足样本量的需求。

所述特征选择，在实际应用过程中往往会发现影响价格的因素非常多，如果都将其考虑进来可能会有上百个，因此为了简化模型，需要控制输入变量的个数，此时就需要用到特征选择。常用的特征选择方法包括相关分析、灰色关联分析、决策树、随机森林等。在本项目中，将采用灰色关联分析法对所有输入变量按照与价格的关联度情况进行筛选。灰色关联分析法的流程图如图2所示，包含确定参考和比较序列、无量纲化处理、计算关联系数、计算关联度和关联度排序五个过程。

所述参考序列是指反映系统行为特征的序列，所述比较序列是指影响该行为特征的序列。在申请中，参考序列是价格，比较序列是价格影响因子。

所述无量纲化处理：由于系统中各因素所代表的物理含义不同，导致量纲不一致，因此为了便于比较，提高分析的可信度，有必要在计算关联系数之前对所有数据做无量纲化处理。常见的无量纲化处理方法包括 min-max标准化、z-score标准化等，本项目采用min-max标准化方法，具体公式如下所示：

x'＝(x-x_min)/(x_max-x_min)

式中，x'为样本标准化之后的值，x为实际值，x_max为最大值，x_min为最小值。由于该方法对样本异常值非常敏感，所以在使用该方法之前，需根据字段含义及经验提前对异常值进行处理。

所述计算关联系数：记X_i＝{X_i(k)|k＝1,2,Λ,n},i＝1,2,Λ,m为比较序列，Y＝{y(k)|k＝1,2,Λ,n}为参考序列，则关联系数的计算方法如下所示：

式中，ρ为分辨系数，取0.5，

所述计算关联度：关联度的计算方法如下所示：

式中，N为样本点个数。

所述关联度排序：通过对关联度进行排序，可以快速判断出各影响因子对参考序列的影响程度，从而展开进一步分析。

所述建立价格预测模型，在实际养殖过程中，羊群的生长会很大程度上受制于环境因素，比如说今年突然大旱，草地生长状况很差，那么此时羊群的生长缓慢，牧民需要增大补饲量来满足羊只正常的生长发育需求，此时成本增加，羊肉肉质不好，势必会影响羊肉价格走势，因此为了使预测结果更加准确，需要在此阶段引入气象因子，如图3所示，本申请使用神经网络来建立价格预测模型。

神经网络一共包含三层，即输入层，隐含层和输出层。这里的输入层是价格影响因素，分别记为x₁,x₂,x_n，输入层和隐含层之间是权重值，需要不断进行调整以获取期望输出，输出层这里是指价格。

如图4所示，神经网络的学习算法是一种迭代算法，通常称为误差反向传播算法，一次学习过程由误差的反向传播和输入数据的正向传播两个过程组成。正向传播使输入信息在相应的权阈值和激活函数下传输到输出层，当输出误差大于给定精度时，则转入误差反向传播，在误差返回过程中，网络修正各层权重值，如此反复迭代直到达到给定的精度。

模型评估是在建模完成之后，需要对模型进行评估。如果能达到预期的要求，则该模型是有效的。常用的模型评价指标有平均绝对误差(MAE)、均方误差(MSE)、均方根误差(RMAE)和平均绝对百分误差(MAPE)等。

养殖总成本包含以下几个部分：

第一个是补饲费用，其包含羔羊和种羊的补饲费用，补饲包括干草和精料两部分。基础种羊培育费：一只羔羊培育成种羊所花的费用÷5年(种羊的使用期限)医药水电费：按一年10元/只折算。棚圈等固定资产折旧费：75000(150平米)/13年(使用期限)雇佣牧工费用：4500元/月，一个牧工可以管理300只羊。

为了使养殖户的成本合乎实际，在所有的输入参数中，养殖成本补饲费用(补饲量×饲料价格)中的饲料价格、棚圈等固定资产折旧费、雇佣牧工费用均可以根据自己的实际情况实时输入。

本申请相比现有技术有如下优点：

本申请采用神经网络进行价格预测，在速度上提升明显。

以上实施例仅为说明本申请的技术思想，不能以此限定本申请的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明保护范围之内；本申请未涉及的技术均可通过现有技术加以实现。

Claims

1.一种价格预测方法，其特征在于，所述价格预测方法包括以下步骤：

S1：获取原始数据；

S2：数据预处理；

S3：特征选择；

S4：引入气象因子建立价格预测模型；

S5：模型评估。

2.根据权利要求1所述的价格预测方法，其特征在于：所述原始数据包括价格数据、气象数据、羊肉产量、羊肉进口量、羊肉需求量、人均可支配收入以及影响因素数据。

3.根据权利要求2所述的价格预测方法，其特征在于：所述价格数据为日或月度变化数据。

4.根据权利要求2所述的价格预测方法，其特征在于：所述气象数据包括降水量、温度、湿度、气压、风速、PM2.5。

5.根据权利要求2所述的价格预测方法，其特征在于：所述价格数据作为输出变量。

6.根据权利要求2所述的价格预测方法，其特征在于：所述影响因素数据作为输入变量。

7.根据权利要求1所述的价格预测方法，其特征在于：所述数据预处理包含两个部分：一是转换数据的格式以适合分析处理，二是对异常或缺失数据做一定处理，如果数据量足够大，包含缺失值或异常值的数据行可以直接剔除，否则使用平均值或中位数加以替换，以满足样本量的需求。

8.根据权利要求1所述的价格预测方法，其特征在于：所述特征选择采用灰色关联分析法对所有输入变量按照与价格的关联度情况进行筛选。

9.根据权利要求8所述的价格预测方法，其特征在于：所述灰色关联分析法包括五个步骤：

S10：确定参考序列和比较序列；

S11：无量纲化处理；

S12：计算关联系数；

S13：计算关联度；

S14：关联度排序。

10.根据权利要求9所述的价格预测方法，其特征在于：所述参考序列是价格，所述比较序列是价格影响因子。