CN111275246A - 一种基于大数据技术的单品种农产品价格预测方法 - Google Patents
一种基于大数据技术的单品种农产品价格预测方法 Download PDFInfo
- Publication number
- CN111275246A CN111275246A CN202010038737.8A CN202010038737A CN111275246A CN 111275246 A CN111275246 A CN 111275246A CN 202010038737 A CN202010038737 A CN 202010038737A CN 111275246 A CN111275246 A CN 111275246A
- Authority
- CN
- China
- Prior art keywords
- price
- compensation value
- chart
- agricultural products
- agricultural product
- 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
Images
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
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Mining
Abstract
本发明实施例公开了一种基于大数据技术的单品种农产品价格预测方法,其技术方案要点是:S1,确定农产品需要预测的价格时间;S2,获取历史中该农产品的历史价格走势图表A;S3,从历史价格走势图表A中截取该农产品在需要预测的价格时间前X天的近期价格波动图表B;S4,对比近期价格波动图表B与历史价格走势图表A;S5,截取历史价格走势图表A中与近期价格波动图表B重合度最高的部分,命名该部分图表为相似图表C;S6,根据相似图表C和近期价格波动图表B各个对应节点的差值计算出补偿值,所述节点为每天该农产品的价格;S7,将相似图表C中对应需要预测的价格时间的节点加上补偿值,算出需要预测的价格时间的该种农产品的价格。
Description
技术领域
本发明实施例涉及农产品价格预测技术领域,具体涉及一种基于大数据技术的单品种农产品价格预测方法。
背景技术
农产品是农业中生产的物品,如高粱、稻子、花生、玉米、小麦以及各个地区土特产等。国家规定初级农产品是指农业活动中获得的植物、动物及其产品,不包括经过加工的各类产品。可以说,农产品与人类息息相关,同样,农产品的价格变化也是很多人所关心的重要信息。
中国专利公开了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。上述的方法,提高了农产品价格预测的精度。但上述的专利通过对市场交易极性的预测,来预测农产品的价格趋势,并不能够得出农产品价格的准确数值。
发明内容
为此,本发明实施例提供一种基于大数据技术的单品种农产品价格预测方法,以解决现有技术中由于只能粗略预测农产品的价格趋势而导致的不能准确得出预测农产品价格数值的问题。
为了实现上述目的,本发明实施例提供如下技术方案:一种基于大数据技术的单品种农产品价格预测方法,包括以下步骤S1,确定一种农产品以及该种农产品需要预测的价格时间;S2,获取历史中该农产品的历史价格走势图表A;S3,从历史价格走势图表A中截取该农产品在需要预测的价格时间前X天的近期价格波动图表B;S4,对比近期价格波动图表B与历史价格走势图表A;S5,截取历史价格走势图表A中与近期价格波动图表B重合度最高的部分,命名该部分图表为相似图表C;S6,根据相似图表C和近期价格波动图表B各个对应节点的差值计算出补偿值,所述节点为每天该农产品的价格;S7,将相似图表C中对应需要预测的价格时间的节点加上补偿值,算出需要预测的价格时间的该种农产品的价格。
本发明实施例的特征还在于,所述补偿值包括影响农作物的各项指标均在正常范围的情况下对农产品预测的价格进行补偿的普通补偿值以及当影响该农作物的某一项超出正常范围对农产品预测的价格进行补偿的重大灾情补偿值。
本发明实施例的特征还在于,所述普通补偿值的计算方法包括S6.1,相似图表C中与近期价格波动图表图表B中每两个对应的节点设置为一组;S6.2,计算每组节点的差值并求出所有差值的平均数,该平均数设置为普通补偿值a,所述补偿值=a。
本发明实施例的特征还在于,所述重大灾情补偿值包括旱灾补偿值、涝灾补偿值。
本发明实施例的特征还在于,所述旱灾补偿值和涝灾补偿值的计算方法为S8.1,确定需要预测价格的农产品的主要产地;S8.2,收集该产地历史降雨数据和该种农产品的价格数据;S8.3,计算出降雨量对农产品价格的影响系数以及正常降雨量范围。
本发明实施例的特征还在于,启用重大灾情补偿值的方法为收集需要预测价格的农产品主要产地的年降水量数据,并求出年降水量平均值,低于降水量平均值百分之五十的判定为旱灾年,高于降水量平均值百分之五十的判定为降水量涝灾年,当判定为降水量涝灾年或旱灾年时补偿值=普通补偿值a+重大灾情补偿值b。
本发明实施例的特征还在于,所述重大灾情补偿值的计算方法为旱灾补偿值:收集历年旱灾年的单品种农产品的价格数据,与历史年份对比,找出与每个旱灾年的其他影响农产品价格因素趋近相同的年份,并算出价格差值的平均值,该平均值即为旱灾补偿值。
本发明实施例的特征还在于,所述重大灾情补偿值的计算方法为涝灾补偿值:收集历年涝灾年的单品种农产品的价格数据,与历史年份对比,找出与每个涝灾年的其他影响农产品价格因素趋近相同的年份,并算出价格差值的平均值,该平均值即为涝灾补偿值。
本发明实施例具有如下优点:通过近期的价格走向图表与历史的价格走向图表做对比,并筛选出与近期价格走向图表最接近的部分图表,能够根据历史图表的走向做比对,得出之后的价格走向趋势,且截取的图表时间越长,则价格走向越接近实际测试值,同时根据近期的价格图表与历史图表做比对,差值的平均数做补偿值的行为能够保证预计得出的价格更加精准,能够预测出具体的数值。
附图说明
为了更清楚地说明本发明的实施方式或现有技术中的技术方案,下面将对实施方式或现有技术描述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示例性的,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,还可以根据提供的附图引伸获得其它的实施附图。
本说明书所绘示的结构、比例、大小等,均仅用以配合说明书所揭示的内容,以供熟悉此技术的人士了解与阅读,并非用以限定本发明可实施的限定条件,故不具技术上的实质意义,任何结构的修饰、比例关系的改变或大小的调整,在不影响本发明所能产生的功效及所能达成的目的下,均应仍落在本发明所揭示的技术内容得能涵盖的范围内。
图1为本发明实施例提供的一种基于大数据技术的单品种农产品价格预测方法的方法流程图;
图2为本发明实施例提供的一种基于大数据技术的单品种农产品价格预测方法的普通补偿值的计算方法流程示意图;
图3为本发明实施例提供的一种基于大数据技术的单品种农产品价格预测方法的旱灾补偿值和涝灾补偿值的计算方法。
具体实施方式
以下由特定的具体实施例说明本发明的实施方式,熟悉此技术的人士可由本说明书所揭露的内容轻易地了解本发明的其他优点及功效,显然,所描述的实施例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。
实施例:一种基于大数据技术的单品种农产品价格预测方法,参照图1所示,包括以下步骤
首先确定一种农产品,在本实施例中以黄豆为例,但不仅限与黄豆,也可以为其他农作物,本方法适用于大多具有价格变动的农作物。
确定农作物之后,确定需要预测黄豆的价格时间,通常预测时间为黄豆的近期价格。当农作物以及预测时间皆选择完毕后,从互联网中获取黄豆的历史价格数据,并生成价格走向图表,其价格变动的周期由预测时间决定,如需要预测黄豆在三天后的价格,则获取黄豆的历史价格数据的周期为每天或三天为一个周期,即获取农作物历史价格的周期为需要预测的时间能够整除的时间。
将近期的价格同样生产图表,近期的价格选择时间可调,根据需求价格的准确度来进行选择,由于获取近期价格的数据越多,则表示近期数据的趋势越精准,所以得到的预测结果也就越准。
参照图1和图2所示,将截取的近期价格波动图表B与历史价格走势图表A进行在图像比对分析软件内进行对比,并从历史价格走势图表中截取出与近期价格波动图表B重合度最高的部分,命名该部分图表为相似图表C,由于上述的图像比对分析的软件已经是较为成熟的技术,在本实施例中不多加赘述。
以每天为一个节点,将相似图表C与近期价格波动图表B中节点的数据提取出来,并计算相似图表C中与近期价格波动图表B中对应节点的差值,并取所有差值的平均数,该平均数的数值设置为普通补偿值,即当农产品价格没有遇到重大灾情时的常规补偿值,此时补偿值=a。
还设置有当影响该农作物的某一项超出正常范围对农产品预测的价格进行补偿的重大灾情补偿值。
在本实施例中,重大灾情补偿值设置有降水量异常时,影响农作物的补偿值,即重大灾情补偿值包括降水量较少时的旱灾补偿值和降水量较多时的涝灾补偿值。
参照图1和图3所示,由于各种农产品的产地不同,所以在确定是否为降雨量异常之前需要先确定农产品的产地,在确定农产品的产地后,收集该产地地区的历史降雨数据和农产品的价格数据,并求出年降水量平均值,低于降水量平均值百分之五十的判定为旱灾年,高于降水量平均值百分之五十的判定为降水量涝灾年,当判定为降水量涝灾年或旱灾年时补偿值=普通补偿值a+重大灾情补偿值b。
其中重大灾情补偿值的计算方法为
旱灾补偿值:收集历年旱灾年的单品种农产品的价格数据,与历史年份对比,找出与每个旱灾年的其他影响农产品价格因素趋近相同的年份,并算出价格差值的平均值,该平均值即为旱灾补偿值。
涝灾补偿值:收集历年涝灾年的单品种农产品的价格数据,与历史年份对比,找出与每个涝灾年的其他影响农产品价格因素趋近相同的年份,并算出价格差值的平均值,该平均值即为涝灾补偿值。
虽然,上文中已经用一般性说明及具体实施例对本发明作了详尽的描述,但在本发明基础上,可以对之作一些修改或改进,这对本领域技术人员而言是显而易见的。因此,在不偏离本发明精神的基础上所做的这些修改或改进,均属于本发明要求保护的范围。
Claims (8)
1.一种基于大数据技术的单品种农产品价格预测方法,其特征是:包括以下步骤
S1,确定一种农产品以及该种农产品需要预测的价格时间;
S2,获取历史中该农产品的历史价格走势图表A;
S3,从历史价格走势图表A中截取该农产品在需要预测的价格时间前X天的近期价格波动图表B;
S4,对比近期价格波动图表B与历史价格走势图表A;
S5,截取历史价格走势图表A中与近期价格波动图表B重合度最高的部分,命名该部分图表为相似图表C;
S6,根据相似图表C和近期价格波动图表B各个对应节点的差值计算出补偿值,所述节点为每天该农产品的价格;
S7,将相似图表C中对应需要预测的价格时间的节点加上补偿值,算出需要预测的价格时间的该种农产品的价格。
2.根据权利要求1所述的一种基于大数据技术的单品种农产品价格预测方法,其特征是:所述补偿值包括影响农作物的各项指标均在正常范围的情况下对农产品预测的价格进行补偿的普通补偿值以及当影响该农作物的某一项超出正常范围对农产品预测的价格进行补偿的重大灾情补偿值。
3.根据权利要求2所述的一种基于大数据技术的单品种农产品价格预测方法,其特征是:所述普通补偿值的计算方法包括
S6.1,相似图表C中与近期价格波动图表图表B中每两个对应的节点设置为一组;
S6.2,计算每组节点的差值并求出所有差值的平均数,该平均数设置为普通补偿值a,所述补偿值=a。
4.根据权利要求3所述的一种基于大数据技术的单品种农产品价格预测方法,其特征是:
所述重大灾情补偿值包括旱灾补偿值、涝灾补偿值。
5.根据权利要求4所述的一种基于大数据技术的单品种农产品价格预测方法,其特征是:所述旱灾补偿值和涝灾补偿值的计算方法为
S8.1,确定需要预测价格的农产品的主要产地;
S8.2,收集该产地历史降雨数据和该种农产品的价格数据;
S8.3,计算出降雨量对农产品价格的影响系数以及正常降雨量范围。
6.根据权利要求5所述的一种基于大数据技术的单品种农产品价格预测方法,其特征是:启用重大灾情补偿值的方法为
收集需要预测价格的农产品主要产地的年降水量数据,并求出年降水量平均值,低于降水量平均值百分之五十的判定为旱灾年,高于降水量平均值百分之五十的判定为降水量涝灾年,当判定为降水量涝灾年或旱灾年时补偿值=普通补偿值a+重大灾情补偿值b。
7.根据权利要求6所述的一种基于大数据技术的单品种农产品价格预测方法,其特征是:所述重大灾情补偿值的计算方法为
旱灾补偿值:收集历年旱灾年的单品种农产品的价格数据,与历史年份对比,找出与每个旱灾年的其他影响农产品价格因素趋近相同的年份,并算出价格差值的平均值,该平均值即为旱灾补偿值。
8.根据权利要求7所述的一种基于大数据技术的单品种农产品价格预测方法,其特征是:所述重大灾情补偿值的计算方法为
涝灾补偿值:收集历年涝灾年的单品种农产品的价格数据,与历史年份对比,找出与每个涝灾年的其他影响农产品价格因素趋近相同的年份,并算出价格差值的平均值,该平均值即为涝灾补偿值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010038737.8A CN111275246A (zh) | 2020-01-14 | 2020-01-14 | 一种基于大数据技术的单品种农产品价格预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010038737.8A CN111275246A (zh) | 2020-01-14 | 2020-01-14 | 一种基于大数据技术的单品种农产品价格预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111275246A true CN111275246A (zh) | 2020-06-12 |
Family
ID=71003007
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010038737.8A Pending CN111275246A (zh) | 2020-01-14 | 2020-01-14 | 一种基于大数据技术的单品种农产品价格预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111275246A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112580989A (zh) * | 2020-12-23 | 2021-03-30 | 南京绿投科技有限公司 | 一种基于工业大数据的云平台数据管理系统及管理方法 |
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 |
CN114565400A (zh) * | 2022-01-27 | 2022-05-31 | 郭树龙 | 基于工程材料设备网购交易价格大数据分析装置及方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW542982B (en) * | 2000-05-19 | 2003-07-21 | Manugistics Atlanta Inc | Dynamic pricing system |
CN104217091A (zh) * | 2013-06-05 | 2014-12-17 | 北京齐尔布莱特科技有限公司 | 一种基于历史走势权重的网站访问量预测方法 |
CN106779144A (zh) * | 2016-11-18 | 2017-05-31 | 洪志令 | 一种基于自身历史相关时间点的股票趋势预测方法 |
CN108805717A (zh) * | 2017-05-03 | 2018-11-13 | 深圳金银汇友信息科技有限公司 | 一种金融行情ai预判算法 |
US20190012687A1 (en) * | 2017-07-05 | 2019-01-10 | Kabushiki Kaisha Toshiba | Bid-price determination apparatus, bid-price determination method, and non-transitory computer readable medium |
-
2020
- 2020-01-14 CN CN202010038737.8A patent/CN111275246A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW542982B (en) * | 2000-05-19 | 2003-07-21 | Manugistics Atlanta Inc | Dynamic pricing system |
CN104217091A (zh) * | 2013-06-05 | 2014-12-17 | 北京齐尔布莱特科技有限公司 | 一种基于历史走势权重的网站访问量预测方法 |
CN106779144A (zh) * | 2016-11-18 | 2017-05-31 | 洪志令 | 一种基于自身历史相关时间点的股票趋势预测方法 |
CN108805717A (zh) * | 2017-05-03 | 2018-11-13 | 深圳金银汇友信息科技有限公司 | 一种金融行情ai预判算法 |
US20190012687A1 (en) * | 2017-07-05 | 2019-01-10 | Kabushiki Kaisha Toshiba | Bid-price determination apparatus, bid-price determination method, and non-transitory computer readable medium |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112580989A (zh) * | 2020-12-23 | 2021-03-30 | 南京绿投科技有限公司 | 一种基于工业大数据的云平台数据管理系统及管理方法 |
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 |
CN114565400A (zh) * | 2022-01-27 | 2022-05-31 | 郭树龙 | 基于工程材料设备网购交易价格大数据分析装置及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Bang et al. | Fuzzy Logic based Crop Yield Prediction using Temperature and Rainfall parameters predicted through ARMA, SARIMA, and ARMAX models | |
CN111275246A (zh) | 一种基于大数据技术的单品种农产品价格预测方法 | |
Farber et al. | Assessment of alternative approaches for bioclimatic modeling with special emphasis on the Mahalanobis distance | |
JP6837949B2 (ja) | 予測システム及び方法 | |
Ma et al. | A method for multiple periodic factor prediction problems using complex fuzzy sets | |
US6609118B1 (en) | Methods and systems for automated property valuation | |
Ballesteros et al. | FORETo: New software for reference evapotranspiration forecasting | |
AU2005314213A1 (en) | Method and apparatus for testing automated valuation models | |
CN111723929A (zh) | 一种基于神经网络的数值预报产品订正方法、装置和系统 | |
Finger | Biases in farm-level yield risk analysis due to data aggregation | |
JP2004112869A (ja) | 電力需要予測システム | |
CN108390793A (zh) | 一种分析系统稳定性的方法及装置 | |
CN111191725A (zh) | 一种基于pca数据处理的rbf故障诊断方法、系统、终端及计算机存储介质 | |
Cipollini et al. | Housing market shocks in italy: A GVAR approach | |
JPH04372046A (ja) | 需要量予測方法及び装置 | |
CN111461435A (zh) | 一种农作物产量的预测方法和系统 | |
JP4261471B2 (ja) | 配電系統負荷想定方法及び装置 | |
Mohapatra et al. | Price forecasting of groundnut in Odisha | |
El Mouna et al. | A Comparative Study of Urban House Price Prediction using Machine Learning Algorithms | |
JPH0756890A (ja) | 季節性商品需要データ異常値摘出システム | |
Yashavanth et al. | Disparity in the wages of agricultural labourers in India: An interval-valued data analysis | |
Dabrowski et al. | Quality Control in Weather Monitoring with Dynamic Linear Models | |
Krishna et al. | Timeseries analysis of consumption and production of wheat in India using ARIMA models | |
Opok et al. | Electricity demand forecasting towards vision 2016 for Botswana using decomposition (multiplicative) time serial model | |
CN117200223A (zh) | 日前电力负荷预测方法和装置 |
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 |