CN112053181A - 一种农产品价格预测方法及系统 - Google Patents

一种农产品价格预测方法及系统 Download PDF

Info

Publication number
CN112053181A
CN112053181A CN202010773697.1A CN202010773697A CN112053181A CN 112053181 A CN112053181 A CN 112053181A CN 202010773697 A CN202010773697 A CN 202010773697A CN 112053181 A CN112053181 A CN 112053181A
Authority
CN
China
Prior art keywords
agricultural product
price
historical
data
time period
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
Application number
CN202010773697.1A
Other languages
English (en)
Inventor
吴建伟
霍洪彦
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Paide Science And Technology Development Co ltd
Beijing Research Center for Information Technology in Agriculture
Original Assignee
Beijing Paide Science And Technology Development Co ltd
Beijing Research Center for Information Technology in Agriculture
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Paide Science And Technology Development Co ltd, Beijing Research Center for Information Technology in Agriculture filed Critical Beijing Paide Science And Technology Development Co ltd
Priority to CN202010773697.1A priority Critical patent/CN112053181A/zh
Publication of CN112053181A publication Critical patent/CN112053181A/zh
Pending legal-status Critical Current

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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • 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)
  • Development Economics (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Data Mining & Analysis (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Game Theory and Decision Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Marine Sciences & Fisheries (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Agronomy & Crop Science (AREA)
  • Animal Husbandry (AREA)
  • General Engineering & Computer Science (AREA)
  • Mining & Mineral Resources (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Primary Health Care (AREA)
  • Tourism & Hospitality (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供一种农产品价格预测方法及系统，该方法包括：获取目标农产品在第一预设历史时间段内的历史价格数据；将第一预设历史时间段内的历史价格数据输入到农产品价格预测模型中，获取目标农产品在预设未来时间段内的价格数据，其中，农产品价格预测模型为Prophet时间序列模型，农产品价格预测模型是基于第二预设历史时间段内的历史价格数据进行训练得到。本发明实施例提供的一种农产品价格预测方法及系统，利用Prophet时间序列模型构建农产品价格预测模型，与传统的方法相比，提高了农产品的价格预测精度。

Description

一种农产品价格预测方法及系统
技术领域
本发明涉及农业技术领域，尤其涉及一种农产品价格预测方法及系统。
背景技术
农产品价格是农产品市场的核心，农产品市场短期内价格的波动不稳和变化的复杂性，会导致农产品市场供需的不平衡，给农产品市场的生产经营者和消费者带来很大的影响。
近年来，农产品价格预测体系得到了较快的发展，从预测方法的出现早晚、复杂程度、数理化程度、智能程度等方面来看，大致可分为定性预测方法和定量预测方法。定性预测方法是指预测者依靠丰富的经验和综合分析能力，根据已掌握的资料，对事物的未来发展做出性质和程度上的判断，并通过一定形式综合各方面的的意见，作为预测未来的主要依据。定量预测法是根据已掌握的比较完备的历史统计数据，运用一定的数学方法进行科学的加工整理，借以揭示有关变量之间的规律性联系，如时间序列预测法、因果关系预测法等，用于预测和推测未来发展变化情况的一类预测方法。
但苹果市场短期内的预测方法仍然采用定性预测方法，即靠生产经营者的经验来判断预测。虽然农产品价格预测体系得到了较快的发展，但仍存在着预测模型单一化、不够体系化等问题。
早期的定性预测方法如德尔菲法、主观概率法、领先指标法、相互影响法存在着主观性大、精确度低等缺点；而使用时间序列预测法、因果关系预测法等定量预测方法则缺少考虑突发因素，以及外界环境影响等问题，因此对于在短期内受复杂环境(生产因素和市场环境因素等)影响的苹果价格变化的预测也存在着准确率低等问题。
因此，亟需一种农产品价格预测方法。
发明内容
本发明实施例提供一种农产品价格预测方法及系统，用以解决现有技术中价格预测准确度低的缺陷，提高农产品价格预测的准确度。
本发明实施例提供一种农产品价格预测方法，包括：
获取目标农产品在第一预设历史时间段内的历史价格数据；
将所述第一预设历史时间段内的历史价格数据输入到农产品价格预测模型中，获取所述目标农产品在预设未来时间段内的价格数据，其中，所述农产品价格预测模型为Prophet时间序列模型，所述农产品价格预测模型是基于第二预设历史时间段内的历史价格数据进行训练得到。
根据本发明一个实施例的农产品价格预测方法，所述农产品价格预测模型具体如下：
Y(t)＝g(t)+s(t)+h(t)+et，
其中，Y(t)表示所述农产品价格预测模型，g(t)表示价格的非周期性变化，s(t)表示价格的周期性变化，h(t)表示环境因素对价格的影响，et表示误差项。
根据本发明一个实施例的农产品价格预测方法，所述价格的非周期性变化具体计算公式如下：
g(t)＝(k+a(t)T·δ)·t+(b+a(t)T·γ)，
其中，k表示曲线的增长率，a(t)表示指示函数，T表示当前时间，δ表示增长率的变化量，b表示偏移量，γ表示模型容量。
根据本发明一个实施例的农产品价格预测方法，所述价格的周期性变化具体计算公式如下：
Figure BDA0002617585890000031
其中，N表示傅里叶阶数，an为第一预设参数，bn为第二预设参数，p表示周期数据为7。
根据本发明一个实施例的农产品价格预测方法，所述环境因素对价格的影响采用自回归矩阵进行构建。
根据本发明一个实施例的农产品价格预测方法，所述环境因素对价格的影响采用自回归矩阵进行构建，具体计算公式如下：
Z(t)＝[1(t∈D1,…,1(t∈DL))]，
h(t)＝Z(t)·k,k～Normal(0,v)，
其中，t表示当前时间，DL表示时间序列中特殊变化的日期，k服从正态分布k～Normal(0,v)，v表示默认值设定为10。
根据本发明一个实施例的农产品价格预测方法，还包括：通过第三预设历史时间段内的历史价格数据对所述农产品价格预测模型进行校验。
根据本发明一个实施例的一种农产品价格预测系统，包括：
获取模块，用于获取目标农产品在第一预设历史时间段内的历史价格数据；
预测模块，用于将所述第一预设历史时间段内的历史价格数据输入到农产品价格预测模型中，获取所述目标农产品在预设未来时间段内的价格数据，其中，所述农产品价格预测模型为Prophet时间序列模型，所述农产品价格预测模型是基于第二预设历史时间段内的历史价格数据进行训练得到。
本发明实施例还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述农产品价格预测方法的步骤。
本发明实施例还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述农产品价格预测方法的步骤。
本发明实施例提供的一种农产品价格预测方法及系统，利用Prophet时间序列模型构建农产品价格预测模型，与传统的方法相比，提高了农产品的价格预测精度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，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的附图。
图1为本发明实施例提供的一种农产品价格预测方法的流程图；
图2为本发明实施例中苹果预测价格数据示意图；
图3为本发明的数据预测结果与实际价格值间的关系示意图；
图4为本发明实施例提供的一种农产品价格预测系统的结构示意图；
图5为本发明实施例提供的一种电子设备的实体结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，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作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。
图1为本发明实施例提供的一种农产品价格预测方法的流程图，如图1所示，该方法包括：
S1，获取目标农产品在第一预设历史时间段内的历史价格数据；
本发明实施例中以预测苹果在2020.8-2020.12年的价格为例进行说明，第一预设历史时间段为2020.8之前的时间段，本发明实施例中第一预设历史时间段为2019.1-2019.12，也就是获取该时间段内苹果的历史价格数据，该历史价格数据可以是以周为单位获取的，也可以是以月或日为单位获取的，具体根据实际需要进行确定。
S2，将所述第一预设历史时间段内的历史价格数据输入到农产品价格预测模型中，获取所述目标农产品在预设未来时间段内的价格数据，其中，所述农产品价格预测模型为Prophet时间序列模型，所述农产品价格预测模型是基于第二预设历史时间段内的历史价格数据进行训练得到。
然后将第一预设历史时间段内苹果的历史价格数据输入到农产品价格预测模型中，得到农产品在预设未来时间段内的价格数据，具体地，预设未来时间段即为2020.8-2020.12。
农产品价格预测模型的具体结构是Prophet时间序列模型，Prophet时间序列模型与传统的时间序列法有所不同，Prophet是FaceBook开发的一种新的时间序列模型，该模型采用广义加法模型来拟合平滑和预测函数，分析过程中可以通过人为交互实现灵活地探索不同的模型规范，已达到更准确的预测准确度。
Prophet时间序列模型将数据划分为趋势项、周期项和节日项三个部分，趋势项可以拟合数据中的非周期变化，通过数据的变化来判定数据的趋势性，周期项可以拟合数据中的周期变化，表示数据的每周、每季、每年等周期变化，节日项可以拟合数据中的人为因素造成的非规律性影响，如十一、春节等节假日造成的影响因素。
本发明实施例是根据10年前苹果的历史价格数据，利用Prophet时间序列模型构建苹果价格预测模型，由于苹果价格数据具有很强的节假日及季节效应，Prophet时间序列模型不同于传统的时间序列模型，该模型对具有周期性、节日效应的序列具有出色的适应能力，因此利用Prophet时间序列模型，结合大量数据对Prophet时间序列模型进行训练和测试，从而构建一个能够相对准确预测苹果价格的神经网络模型算法，对短期内苹果价格进行预测。
另外地，该农产品价格预测模型是基于第二预设历史时间段内的历史价格数据进行训练得到的，本发明实施例中，第二预设历史时间段为2010.1-2019.12，也就是采集过去九年间苹果的历史价格数据，通过该历史价格数据对农产品预测模型进行无监督学习，使得农产品价格预测模型中的权重和参数能进行反复调整，使得训练后的农产品价格预测模型中的参数最佳。
本发明实施例提供一种农产品价格预测方法，利用Prophet时间序列模型构建农产品价格预测模型，与传统的方法相比，提高了农产品的价格预测精度。
在上述实施例的基础上，优选地，所述农产品价格预测模型具体如下：
Y(t)＝g(t)+s(t)+h(t)+et，
其中，Y(t)表示所述农产品价格预测模型，g(t)表示价格的非周期性变化，s(t)表示价格的周期性变化，h(t)表示环境因素对价格的影响，et表示误差项。
具体地，农产品价格预测模型可以通过如上公式表示，g(t)表示苹果历史价格数据的非周期性变化，即前面所说的趋势项，s(t)表示苹果历史价格数据的周期性变化，即前面所述的周期项，h(t)表示节日项，et表示用来反映未在模型中体现的异常变动。
在上述实施例的基础上，优选地，所述价格的非周期性变化具体计算公式如下：
g(t)＝(k+a(t)T·δ)·t+(b+a(t)T·γ)，
其中，k表示曲线的增长率，a(t)表示指示函数，T表示当前时间，δ表示增长率的变化量，b表示偏移量，γ表示模型容量。
趋势项是对苹果的历史价格数据中的非周期部分或趋势部分拟合分段线性函数，线性拟合会将特殊点和缺失数据的影响降到最小，通过对近10年苹果的历史价格序列进行周期性分析可以得到该价格序列呈现线性增长趋势，因此本发明实施例采用分段线性模型进行趋势项的建模。
在上述实施例的基础上，优选地，所述价格的周期性变化具体计算公式如下：
Figure BDA0002617585890000081
其中，N表示傅里叶阶数，an为第一预设参数，bn为第二预设参数，p表示周期数据为7。
本发明实施例中周期项的构建使用傅里叶级数模型，模型中通过设定N的值的大小，来进行周期的调整。
在上述实施例的基础上，优选地，所述环境因素对价格的影响采用自回归矩阵进行构建。
具体地，本发明实施例中通过自回归矩阵对环境因素进行建模，具体建模公式如下：
Z(t)＝[1(t∈D1,…,1(t∈DL))]，
h(t)＝Z(t)·k,k～Normal(0,v)，
其中，t表示当前时间，DL表示时间序列中特殊变化的日期，k服从正态分布k～Normal(0,v)，v表示默认值设定为10。
在上述实施例的基础上，优选地，通过第三预设历史时间段内的历史价格数据对所述农产品价格预测模型进行校验。
具体地，本发明实施例中将苹果前十年的历史价格数据按照9:1的比例将该历史价格数据划分为训练集和验证集，利用训练集中的数据对该农产品价格预测模型进行训练，使得农产品价格预测模型中的权重和参数能进行反复调整，使得训练后的农产品价格预测模型中的参数最佳。
然后利用验证集中的数据对训练后的农产品价格预测模型进行校验，通过两组数据的不断拟合，来提高农产品价格预测模型的准确性。
本发明实施例预测数据采用2010年至2018年间的数据作为训练集数据用于学习数据的属性生成农产品价格预测模型，2019年的数据作为测试集合用来测试数据的属性，图2为本发明实施例中苹果预测价格数据示意图，得到预测结果如图2所示。
通过对预测结果进行误差检验，均方跟误差为0.22预测误差较小，预测结果较为理想。通过分析Prophet时间序列模型能够较好的对价格时间序列进行预测，该算法的实现对价格时间预测研究具有参考意义。
与其他的短期价格预测方法相比，本发明利用Prophet时间序列模型计算分析，构建苹果短期内的价格预测方法。与实际的苹果市场价格误差更小，而且价格变化曲线基本一致。
表1为本发明实施例的数据预测结果与实际价格的比较分析表，从表1中可以看出，两者间具有极显著的相关关系，预测数据值与实际值比较接近，且两种方法所取得的结果差异不显著，P<0.1，完全满足苹果市场短期价格预测的实际应用需求。
图3为本发明的数据预测结果与实际价格值间的关系示意图，如图3所示，从实验结果来看，采用本发明提出的Prophet时间序列模型数据算法的预测方法，其数据预测结果准确可靠，提高了预测结果的准确性、连续性和稳定性，能够满足对短期内苹果价格预测的应用需求。本发明实现方法简单，重复使用率高，数据预测准确，达到了应用的要求。
表1
时间(2019年) 实际价格(元) 预测价格(元)
第1周 8.41 8.42
第2周 8.44 8.35
第3周 8.59 8.50
第4周 8.65 8.68
第5周 8.8 8.79
第6周 8.69 8.71
第7周 8.73 8.75
第8周 8.69 8.75
第9周 8.69 8.75
第10周 8.85 8.90
第11周 8.68 8.72
第12周 8.71 8.78
第13周 8.78 8.85
第14周 8.84 8.80
第15周 8.86 8.93
第16周 9.05 9.15
第17周 9.32 9.41
第18周 9.51 9.48
第19周 9.74 9.81
第20周 10.18 10.22
第21周 10.72 10.68
第22周 11.51 11.56
第23周 11.79 11.91
第24周 12.18 12.16
第25周 12.55 12.50
第26周 12.9 12.88
第27周 13.07 13.11
第28周 13.36 13.38
第29周 13.31 13.38
第30周 13.4 13.40
第31周 13.71 13.75
第32周 13.55 13.62
第33周 13.1 13.08
第34周 12.92 13.01
图4为本发明实施例提供的一种农产品价格预测系统的结构示意图，如图4所示，该系统包括获取模块401和预测模块402，其中：
获取模块401用于获取目标农产品在第一预设历史时间段内的历史价格数据；
预测模块402用于将所述第一预设历史时间段内的历史价格数据输入到农产品价格预测模型中，获取所述目标农产品在预设未来时间段内的价格数据，其中，所述农产品价格预测模型为Prophet时间序列模型，所述农产品价格预测模型是基于第二预设历史时间段内的历史价格数据进行训练得到。
本实施例为与上述方法实施例相对应的系统实施例，详情请参考上述方法实施例，本系统实施例在此不再赘述。
图5为本发明实施例提供的一种电子设备的实体结构示意图，如图5所示，该电子设备可以包括：处理器(processor)510、通信接口(Communications Interface)520、存储器(memory)530和通信总线540，其中，处理器510，通信接口520，存储器530通过通信总线540完成相互间的通信。处理器510可以调用存储器530中的逻辑指令，以执行一种农产品价格预测方法，该方法包括：
获取目标农产品在第一预设历史时间段内的历史价格数据；
将所述第一预设历史时间段内的历史价格数据输入到农产品价格预测模型中，获取所述目标农产品在预设未来时间段内的价格数据，其中，所述农产品价格预测模型为Prophet时间序列模型，所述农产品价格预测模型是基于第二预设历史时间段内的历史价格数据进行训练得到。
此外，上述的存储器530中的逻辑指令可以通过软件功能单元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，本发明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)执行本发明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，RandomAccess Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明实施例还提供一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法实施例所提供的一种农产品价格预测方法，该方法包括：
获取目标农产品在第一预设历史时间段内的历史价格数据；
将所述第一预设历史时间段内的历史价格数据输入到农产品价格预测模型中，获取所述目标农产品在预设未来时间段内的价格数据，其中，所述农产品价格预测模型为Prophet时间序列模型，所述农产品价格预测模型是基于第二预设历史时间段内的历史价格数据进行训练得到。
又一方面，本发明实施例还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各实施例提供的一种农产品价格预测方法，该方法包括：
获取目标农产品在第一预设历史时间段内的历史价格数据；
将所述第一预设历史时间段内的历史价格数据输入到农产品价格预测模型中，获取所述目标农产品在预设未来时间段内的价格数据，其中，所述农产品价格预测模型为Prophet时间序列模型，所述农产品价格预测模型是基于第二预设历史时间段内的历史价格数据进行训练得到。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，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)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上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精神和范围。

Claims (10)

1.一种农产品价格预测方法，其特征在于，包括：
获取目标农产品在第一预设历史时间段内的历史价格数据；
将所述第一预设历史时间段内的历史价格数据输入到农产品价格预测模型中，获取所述目标农产品在预设未来时间段内的价格数据，其中，所述农产品价格预测模型为Prophet时间序列模型，所述农产品价格预测模型是基于第二预设历史时间段内的历史价格数据进行训练得到。
2.根据权利要求1所述的农产品价格预测方法，其特征在于，所述农产品价格预测模型具体如下：
Y(t)＝g(t)+s(t)+h(t)+et，
其中，Y(t)表示所述农产品价格预测模型，g(t)表示价格的非周期性变化，s(t)表示价格的周期性变化，h(t)表示环境因素对价格的影响，et表示误差项。
3.根据权利要求2所述的农产品价格预测方法，其特征在于，所述价格的非周期性变化具体计算公式如下：
g(t)＝(k+a(t)T·δ)·t+(b+a(t)T·γ)，
其中，k表示曲线的增长率，a(t)表示指示函数，T表示当前时间，δ表示增长率的变化量，b表示偏移量，γ表示模型容量。
4.根据权利要求2所述的农产品价格预测方法，其特征在于，所述价格的周期性变化具体计算公式如下：
Figure FDA0002617585880000021
其中，N表示傅里叶阶数，an为第一预设参数，bn为第二预设参数，p表示周期数据为7。
5.根据权利要求2所述的农产品价格预测方法，其特征在于，所述环境因素对价格的影响采用自回归矩阵进行构建。
6.根据权利要求5所述的农产品价格预测方法，其特征在于，所述环境因素对价格的影响采用自回归矩阵进行构建，具体计算公式如下：
Z(t)＝[1(t∈D1,…,1(t∈DL))]，
h(t)＝Z(t)·k,k～Normal(0,v)，
其中，t表示当前时间，DL表示时间序列中特殊变化的日期，k服从正态分布k～Normal(0,v)，v表示默认值设定为10。
7.根据权利要求1所述的农产品价格预测方法，其特征在于，还包括：通过第三预设历史时间段内的历史价格数据对所述农产品价格预测模型进行校验。
8.一种农产品价格预测系统，其特征在于，包括：
获取模块，用于获取目标农产品在第一预设历史时间段内的历史价格数据；
预测模块，用于将所述第一预设历史时间段内的历史价格数据输入到农产品价格预测模型中，获取所述目标农产品在预设未来时间段内的价格数据，其中，所述农产品价格预测模型为Prophet时间序列模型，所述农产品价格预测模型是基于第二预设历史时间段内的历史价格数据进行训练得到。
9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至7任一项所述农产品价格预测方法的步骤。
10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1至7任一项所述农产品价格预测方法的步骤。
CN202010773697.1A 2020-08-04 2020-08-04 一种农产品价格预测方法及系统 Pending CN112053181A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010773697.1A CN112053181A (zh) 2020-08-04 2020-08-04 一种农产品价格预测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010773697.1A CN112053181A (zh) 2020-08-04 2020-08-04 一种农产品价格预测方法及系统

Publications (1)

Publication Number Publication Date
CN112053181A true CN112053181A (zh) 2020-12-08

Family

ID=73602460

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010773697.1A Pending CN112053181A (zh) 2020-08-04 2020-08-04 一种农产品价格预测方法及系统

Country Status (1)

Country Link
CN (1) CN112053181A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112862413A (zh) * 2021-03-30 2021-05-28 普洛斯科技(重庆)有限公司 承运订单的校验方法及装置、电子设备、存储介质
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

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
刘学飞: "生姜价格预测与大数据平台研发", 《中国优秀硕士学位论文全文数据库》, pages 22 - 35 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112862413A (zh) * 2021-03-30 2021-05-28 普洛斯科技(重庆)有限公司 承运订单的校验方法及装置、电子设备、存储介质
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
CN103310286A (zh) 一种具有时间序列特性的产品订单预测方法及装置
CN111461786A (zh) 基于Prophet-CEEMDAN-ARIMA的商品销量预测方法及装置
CN112308414A (zh) 收入异常检测的方法、装置、电子设备及存储介质
CN113962745A (zh) 基于prophet模型及大数据的销量预测方法和系统
CN112053181A (zh) 一种农产品价格预测方法及系统
CN107992991A (zh) 基于外部环境因素和协整理论的年度售电量预测方法
CN111738504A (zh) 企业财务指标资金量预测方法和装置、设备及存储介质
CN111737249A (zh) 基于Lasso算法的异常数据检测方法及装置
WO2021252815A1 (en) Activity level measurement using deep learning and machine learning
CN114498619A (zh) 一种风电功率预测方法及装置
CN112785057A (zh) 基于指数平滑的件量预测方法、装置、设备及存储介质
CN114548494B (zh) 一种可视化造价数据预测智能分析系统
CN114154716B (zh) 一种基于图神经网络的企业能耗预测方法及装置
CN117726018A (zh) 基于电力大数据的经济发展趋势分析方法
CN117277312A (zh) 一种基于灰色关联分析的电力负荷影响因素方法及设备
CN117217804A (zh) 一种智能定价与库存管理方法及系统
CN112598181A (zh) 负荷预测方法、装置、设备和存储介质
Telipenko et al. Results of research on development of an intellectual information system of bankruptcy risk assessment of the enterprise
CN115907192A (zh) 风电功率波动区间预测模型的生成方法、装置及电子设备
CN110580542A (zh) 一种用电量预测方法和装置
CN115907848A (zh) 销量预测方法、系统、作业机械、电子设备及计算机介质
CN115759455A (zh) 一种基于时序高斯混合密度网络的负荷概率密度预测方法
Deng et al. Medium-term rolling load forecasting based on seasonal decomposition and long short-term memory neural network
CN114925931A (zh) 台区负荷预测方法及系统
CN114971736A (zh) 电力计量物资需求预测方法、装置、电子设备和存储介质

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