CN114549096A - 一种农产品价格风险预警系统及方法 - Google Patents
一种农产品价格风险预警系统及方法 Download PDFInfo
- Publication number
- CN114549096A CN114549096A CN202210454877.2A CN202210454877A CN114549096A CN 114549096 A CN114549096 A CN 114549096A CN 202210454877 A CN202210454877 A CN 202210454877A CN 114549096 A CN114549096 A CN 114549096A
- Authority
- CN
- China
- Prior art keywords
- price
- historical
- agricultural product
- early warning
- daily
- 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 62
- 230000003442 weekly effect Effects 0.000 claims description 85
- 230000007774 longterm Effects 0.000 claims description 77
- 230000000630 rising effect Effects 0.000 claims description 38
- 238000000354 decomposition reaction Methods 0.000 claims description 25
- 239000000126 substance Substances 0.000 claims description 23
- 238000012417 linear regression Methods 0.000 claims description 14
- 238000007405 data analysis Methods 0.000 claims description 11
- 238000010606 normalization Methods 0.000 claims description 11
- 230000002159 abnormal effect Effects 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 10
- 238000004458 analytical method Methods 0.000 claims description 8
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000012795 verification Methods 0.000 claims description 6
- 230000000007 visual effect Effects 0.000 claims description 6
- 238000012800 visualization Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000008030 elimination Effects 0.000 claims description 3
- 238000003379 elimination reaction Methods 0.000 claims description 3
- 230000008439 repair process Effects 0.000 claims description 3
- 238000011161 development Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 3
- 238000012271 agricultural production Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 241000233866 Fungi Species 0.000 description 1
- 240000007594 Oryza sativa Species 0.000 description 1
- 235000007164 Oryza sativa Nutrition 0.000 description 1
- 241000209140 Triticum Species 0.000 description 1
- 235000021307 Triticum Nutrition 0.000 description 1
- 240000008042 Zea mays Species 0.000 description 1
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 description 1
- 235000002017 Zea mays subsp mays Nutrition 0.000 description 1
- 230000003213 activating effect Effects 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 235000013339 cereals Nutrition 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 235000005822 corn Nutrition 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 244000144972 livestock Species 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 235000019198 oils Nutrition 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 235000009566 rice Nutrition 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 238000011218 seed culture Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 230000000087 stabilizing effect Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 235000013311 vegetables Nutrition 0.000 description 1
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
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- 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
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- Tourism & Hospitality (AREA)
- Agronomy & Crop Science (AREA)
- Operations Research (AREA)
- Educational Administration (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种农产品价格风险预警系统及方法，属于农业大数据技术领域，通过数据采集单元、数据处理单元、数据分析单元、数据库和可视化终端之间的数据交互，并采用一阶二项拟合算法、均值范围比较算法进行短期价格风险预警，采用时间序列分解算法进行中长期、长期价格风险预警，实现了农产品价格的短期、中长期和长期风险预警以及可视化展示。
Description
技术领域
本发明涉及农业大数据技术领域，特别是涉及一种农产品价格风险预警系统及方法。
背景技术
农产品作为基础产品，农产品的价格变动和市场运行关系到整个国民经济的健康发展，关系到生产者和消费者的切身利益。农产品价格大起大落，不仅损害生产者的利益，更会影响消费者的日常生活。因此，需进一步加强农产品价格的风险预警，对于引导农产品市场健康运行、稳定农产品价格、搞活农产品流通和保障农产品供求平衡具有十分重要的意义。
现有农产品价格的风险预警的方法有：一是每月定期对稻谷、小麦、玉米等价格进行监测分析，确立警级警线；二是分析农产品的月度价格指数的变化趋势进行监测预警；可以看出，目前已有的农产品价格的风险预警只能实现月度价格的风险预警，却无法实现日价格风险预警、周价格风险预警等。而对日价格、周价格等进行短期、中长期风险预警对于农户及时调整种养殖、投入与产出等提供参考依据，能够有效降低农产品价格大起大落对农户造成的损失。
因此，提供准确的农产品短期、中长期、长期价格的风险预警是目前农业发展中亟待解决的一个技术问题。
发明内容
本发明的目的是提供一种农产品价格风险预警系统及方法，以实现农产品价格的短期、中长期和长期风险预警。
为实现上述目的，本发明提供了如下方案：
一种农产品价格风险预警系统，所述系统包括：数据采集单元、数据处理单元、数据分析单元、数据库和可视化终端；
数据采集单元，用于实时采集第一预设区域中每一第二预设区域每一种农产品的历史日价格；所述第一预设区域包括多个第二预设区域；
数据处理单元，用于对采集的每一第二预设区域每一种农产品的历史日价格进行数据预处理，并根据数据预处理后的每一第二预设区域每一种农产品的历史日价格确定每一第二预设区域和第一预设区域每一种农产品的历史日均价、历史周均价和历史月均价；
数据库，用于存储每一第二预设区域和第一预设区域每一种农产品的历史日均价、历史周均价和历史月均价；
数据分析单元，用于从数据库中获取待分析对象的农产品种类的历史日均价、历史周均价和历史月均价，并根据待分析对象的农产品种类的历史日均价、历史周均价和历史月均价确定未来时段内每日的日价格或未来时段内每周的周价格或未来时段内每月的月价格，进而根据未来时段内每日的日价格进行短期的风险预警，根据未来时段内每周的周价格和历史周均价进行中长期的风险预警，根据未来时段内每月的月价格和历史月均价进行长期的风险预警；所述风险预警包括价格有上涨风险、价格有下跌风险和价格在正常范围内波动；
可视化终端，用于接收并显示短期、中长期和长期的风险预警。
可选的，所述数据处理单元包括：
异常数据剔除子单元，用于利用3σ关联验证模型对第一预设区域每一第二预设区域每一种农产品的历史日价格进行异常数据的剔除，获得剔除后的每一第二预设区域每一种农产品的历史日价格；
缺失数据修复子单元，用于采用自校正回归补缺模型对剔除后的每一第二预设区域每一种农产品的历史日价格进行缺失数据的修复，获得修复后的每一第二预设区域每一种农产品的历史日价格；
第二预设区域历史日均价计算子单元，用于根据每一第二预设区域每一种农产品的历史日价格，利用公式
，计算每一第二预设区域每一种农产品的历史日均价；其中，
为第二预设区域k农产品i的历史日均价，
为第二预设区域k农产品i的第j个历史日价格，N为历史日价格的数量；
第二预设区域历史周和月均价计算子单元，用于根据每一第二预设区域每一种农产品的历史日均价，分别计算每一第二预设区域每一种农产品的历史周均价和历史月均价；
第一预设区域历史日价格确定子单元，用于将第一预设区域所有第二预设区域的每一种农产品的历史日均价的均值确定为第一预设区域每一种农产品的历史日价格；
第一预设区域历史周和月价格计算子单元，用于根据第一预设区域每一种农产品的历史日价格，分别计算第一预设区域每一种农产品的历史周价格和历史月价格。
可选的，所述数据分析单元包括：
待分析对象获取子单元，用于获取待分析对象和待分析对象的农产品种类；所述待分析对象为第一预设区域或第二预设区域；
历史价格获取子单元，用于获取待分析对象的农产品种类在第一历史时间段的历史日价格、第二历史时间段的历史周价格和第三历史时间段的历史月价格；
价格预测子单元，用于根据第一历史时间段的历史日价格，利用极端随机树模型获得第一预测时段内每日的日预测价格；根据第二历史时间段的历史周价格，利用极端随机树模型获得第二预测时段内每周的周预测价格；并根据第三历史时间段的历史月价格，利用极端随机树模型获得第三预测时段内每月的月预测价格；所述第一预测时段为小于或等于一周的时段；所述第二预测时段为大于一周且小于或等于四周的时段；所述第三预测时段为大于四周的时段；
短期风险预警：
判断子单元，用于获取第一预测时段内所有日预测价格的平均价格与历史平均价格的差价，并判断所述差价是否大于预设差价阈值，获得判断结果；所述历史平均价格为与第一预测时段的时长相同的最近历史时段内所有日预测价格的平均值；
第一拟合系数获得子单元，用于若所述判断结果表示是，则根据第一预测时段内每日的日预测价格，采用一阶二项拟合算法进行线性拟合，获得第一拟合系数；
第一短期风险预警子单元，用于将第一拟合系数与预设系数区间进行比较，并根据比较结果生成农产品价格的风险预警信息；具体包括：当k 1≥k max时，生成的农产品价格的风险预警信息为短期价格有上涨风险；当k 1≤k min时，生成的农产品价格的风险预警信息为短期价格有下跌风险；当k max>k 1>k min时，生成的农产品价格的风险预警信息为短期价格在正常范围内波动；k 1表示第一拟合系数，k max表示斜率上限值，k min表示斜率下限值；
价格限值获得子单元，用于若所述判断结果表示否，则根据第一预测时段内每日的日预测价格，采用均值范围比较算法，获得最高价格和最低价格；
数量统计子单元，用于分别统计第二历史时间段对应的未来时段内多个预测价格中小于或等于最低价格的数量N 1、大于或等于最高价格的数量N 2、大于最低价格且小于最高价格的数量N 3；
第二短期风险预警子单元，用于通过比较N 1、N 2、N 3的大小，生成农产品价格的风险预警信息；具体包括：若N 2>N 1且N 2>N 3，则生成的农产品价格的风险预警信息为短期价格有上涨风险；若N 1>N 2且N 1>N 3，则生成的农产品价格的风险预警信息为短期价格有下跌风险；若N 3>N 1且N 3>N 2，则生成的农产品价格的风险预警信息为短期价格在正常范围内波动；所述短期为小于或等于一周的时长；
中长期风险预警：
周价格分解子单元，用于根据第二预测时段内每周的周预测价格和第二历史时间段的历史周价格，采用时间序列分解算法，获得周价格涨跌趋势项；
周价格时间序列化子单元，用于对第二历史时间段的历史周价格和第二预测时段内每周的周预测价格进行时间序列化；
第二拟合系数获得子单元，用于根据时间序列化后的周价格，利用线性回归算法拟合得到第二拟合系数；
中长期风险预警子单元，用于将第二拟合系数与预设系数区间进行比较，并根据比较结果生成农产品价格的风险预警信息；具体包括：当k 2≥k max时，生成的农产品价格的风险预警信息为中长期价格有上涨风险；当k 2≤k min时，生成的农产品价格的风险预警信息为中长期价格有下跌风险；当k max>k 2>k min时，生成的农产品价格的风险预警信息为中长期价格在正常范围内波动；其中，k 2表示第二拟合系数；所述中长期为大于一周且小于或等于四周的时长；
长期风险预警：
月价格分解子单元，用于根据第三预测时段内每月的月预测价格和第三历史时间段的历史月价格，采用时间序列分解算法，获得月价格涨跌趋势项；
月价格时间序列化子单元，用于对第三历史时间段的历史月价格和第三预测时段内每月的月预测价格进行时间序列化；
第三拟合系数获得子单元，用于根据时间序列化后的月价格，利用线性回归算法拟合得到第三拟合系数；
长期风险预警子单元，用于将第三拟合系数与预设系数区间进行比较，并根据比较结果生成农产品价格的风险预警信息；具体包括：当k 3≥k max时，生成的农产品价格的风险预警信息为长期价格有上涨风险；当k 3≤k min时，生成的农产品价格的风险预警信息为长期价格有下跌风险；当k max>k 3>k min时，生成的农产品价格的风险预警信息为长期价格在正常范围内波动；其中，k 3表示第三拟合系数；所述长期为大于四周的时长。
可选的，所述第一拟合系数获得子单元包括：
归一化模块，用于对第一预测时段内每日的日预测价格和第一预测时段内每日的日预测价格对应的日期进行归一化处理，获得归一化后的预测价格和归一化后的日期；
线性拟合模块，用于根据归一化后的预测价格和归一化后的日期，采用一阶二项拟合算法进行线性拟合，获得拟合直线方程为y=kx+b；其中，y表示归一化后的预测价格，x表示归一化后的日期，k表示斜率，b表示常数；
第一拟合系数确定模块，用于将所述拟合直线方程中的斜率k确定为第一拟合系数。
可选的，所述价格限值获得子单元包括：
平均值和标准差计算模块，用于计算第一预测时段内所有日预测价格的平均值和标准差；
最低价格确定模块，用于根据所述平均值和标准差，利用公式
，确定最低价格；其中，Pmin表示最低价格，
表示第一预测时段内所有日预测价格的平均值，δ表示标准差；
最高价格确定模块，用于根据所述平均值和标准差，利用公式
，确定最高价格；其中，Pmax表示最高价格。
一种农产品价格风险预警方法，所述方法包括：
获取待分析对象和待分析对象的农产品种类；所述待分析对象为第一预设区域或第二预设区域；
获取待分析对象的农产品种类在第一历史时间段的历史日价格、第二历史时间段的历史周价格和第三历史时间段的历史月价格；
根据第一历史时间段的历史日价格，利用极端随机树模型获得第一预测时段内每日的日预测价格；根据第二历史时间段的历史周价格，利用极端随机树模型获得第二预测时段内每周的周预测价格；并根据第三历史时间段的历史月价格，利用极端随机树模型获得第三预测时段内每月的月预测价格；所述第一预测时段为小于或等于一周的时段；所述第二预测时段为大于一周且小于或等于四周的时段；所述第三预测时段为大于四周的时段；
短期风险预警方法为：
获取第一预测时段内所有日预测价格的平均价格与历史平均价格的差价，并判断所述差价是否大于预设差价阈值，获得判断结果；所述历史平均价格为与第一预测时段的时长相同的最近历史时段内所有日预测价格的平均值；
若所述判断结果表示是，则根据第一预测时段内每日的日预测价格，采用一阶二项拟合算法进行线性拟合，获得第一拟合系数；
将第一拟合系数与预设系数区间进行比较，并根据比较结果生成农产品价格的风险预警信息；具体包括：当k 1≥k max时，生成的农产品价格的风险预警信息为短期价格有上涨风险；当k 1≤k min时，生成的农产品价格的风险预警信息为短期价格有下跌风险；当k max>k 1>k min时，生成的农产品价格的风险预警信息为短期价格在正常范围内波动；k 1表示第一拟合系数，k max表示斜率上限值，k min表示斜率下限值；
若所述判断结果表示否，则根据第一预测时段内每日的日预测价格，采用均值范围比较算法，获得最高价格和最低价格；
分别统计第二历史时间段对应的未来时段内多个预测价格中小于或等于最低价格的数量N 1、大于或等于最高价格的数量N 2、大于最低价格且小于最高价格的数量N 3；
通过比较N 1、N 2、N 3的大小，生成农产品价格的风险预警信息；具体包括：若N 2>N 1且N 2>N 3，则生成的农产品价格的风险预警信息为短期价格有上涨风险；若N 1>N 2且N 1>N 3，则生成的农产品价格的风险预警信息为短期价格有下跌风险；若N 3>N 1且N 3>N 2，则生成的农产品价格的风险预警信息为短期价格在正常范围内波动；所述短期为小于或等于一周的时长；
中长期风险预警方法为：
根据第二预测时段内每周的周预测价格和第二历史时间段的历史周价格，采用时间序列分解算法，获得周价格涨跌趋势项；
对第二历史时间段的历史周价格和第二预测时段内每周的周预测价格进行时间序列化；
根据时间序列化后的周价格，利用线性回归算法拟合得到第二拟合系数；
将第二拟合系数与预设系数区间进行比较，并根据比较结果生成农产品价格的风险预警信息；具体包括：当k 2≥k max时，生成的农产品价格的风险预警信息为中长期价格有上涨风险；当k 2≤k min时，生成的农产品价格的风险预警信息为中长期价格有下跌风险；当k max>k 2>k min时，生成的农产品价格的风险预警信息为中长期价格在正常范围内波动；其中，k 2表示第二拟合系数；所述中长期为大于一周且小于或等于四周的时长；
长期风险预警方法为：
根据第三预测时段内每月的月预测价格和第三历史时间段的历史月价格，采用时间序列分解算法，获得月价格涨跌趋势项；
对第三历史时间段的历史月价格和第三预测时段内每月的月预测价格进行时间序列化；
根据时间序列化后的月价格，利用线性回归算法拟合得到第三拟合系数；
将第三拟合系数与预设系数区间进行比较，并根据比较结果生成农产品价格的风险预警信息；具体包括：当k 3≥k max时，生成的农产品价格的风险预警信息为长期价格有上涨风险；当k 3≤k min时，生成的农产品价格的风险预警信息为长期价格有下跌风险；当k max>k 3>k min时，生成的农产品价格的风险预警信息为长期价格在正常范围内波动；其中，k 3表示第三拟合系数；所述长期为大于四周的时长。
可选的，所述获取待分析对象和待分析对象的农产品种类，之前还包括：
获取每一第二预设区域每一种农产品的历史日价格；
根据每一第二预设区域每一种农产品的历史日价格，利用公式
，计算每一第二预设区域每一种农产品的历史日均价；其中，
为第二预设区域k农产品i的历史日均价，
为第二预设区域k农产品i的第j个历史日价格，N为历史日价格的数量；
根据每一第二预设区域每一种农产品的历史日均价，分别计算每一第二预设区域每一种农产品的历史周均价和历史月均价；
将第一预设区域所有第二预设区域的每一种农产品的历史日均价的均值确定为第一预设区域每一种农产品的历史日价格；
根据第一预设区域每一种农产品的历史日价格，分别计算第一预设区域每一种农产品的历史周价格和历史月价格。
可选的，所述获取每一第二预设区域每一种农产品的历史日价格，之后还包括：
利用3σ关联验证模型对每一第二预设区域每一种农产品的历史日价格进行异常数据的剔除，获得剔除后的每一第二预设区域每一种农产品的历史日价格；
采用自校正回归补缺模型对剔除后的每一第二预设区域每一种农产品的历史日价格进行缺失数据的修复，获得修复后的每一第二预设区域每一种农产品的历史日价格。
可选的，所述根据第一预测时段内每日的日预测价格，采用一阶二项拟合算法进行线性拟合，获得第一拟合系数，具体包括：
对第一预测时段内每日的日预测价格和第一预测时段内每日的日预测价格对应的日期进行归一化处理，获得归一化后的预测价格和归一化后的日期；
根据归一化后的预测价格和归一化后的日期，采用一阶二项拟合算法进行线性拟合，获得拟合直线方程为y=kx+b；其中，y表示归一化后的预测价格，x表示归一化后的日期，k表示斜率，b表示常数；
将所述拟合直线方程中的斜率k确定为第一拟合系数。
可选的，所述根据第一预测时段内每日的日预测价格，采用均值范围比较算法，获得最高价格和最低价格，具体包括：
计算第一预测时段内所有日预测价格的平均值和标准差；
根据所述平均值和标准差，利用公式
，确定最低价格；其中，Pmin表示最低价格，
表示第一预测时段内所有日预测价格的平均值，δ表示标准差；
根据所述平均值和标准差，利用公式
，确定最高价格；其中，Pmax表示最高价格。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明公开一种农产品价格风险预警系统及方法，通过数据采集单元、数据处理单元、数据分析单元、数据库和可视化终端之间的数据交互，并采用一阶二项拟合算法、均值范围比较算法进行短期价格风险预警，采用时间序列分解算法进行中长期、长期价格风险预警，实现了农产品价格的短期、中长期和长期风险预警以及可视化展示。
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性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明提供的一种农产品价格风险预警系统的结构图；
图2为本发明提供的日均价趋势坐标图的示意图；
图3为本发明提供的一种农产品价格风险预警方法的原理图。
具体实施方式
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，所描述的实施例仅仅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。
本发明的目的是提供一种农产品价格风险预警系统及方法，以实现农产品价格的短期、中长期和长期风险预警。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
本发明提供了一种农产品价格风险预警系统，如图1所示，系统包括：数据采集单元、数据处理单元、数据分析单元、数据库和可视化终端。
数据采集单元用于实时采集第一预设区域中每一第二预设区域每一种农产品的历史日价格；所述第一预设区域包括多个第二预设区域；数据处理单元用于对采集的每一第二预设区域每一种农产品的历史日价格进行数据预处理，并根据数据预处理后的每一第二预设区域每一种农产品的历史日价格确定每一第二预设区域和第一预设区域每一种农产品的历史日均价、历史周均价和历史月均价；数据库用于存储每一第二预设区域和第一预设区域每一种农产品的历史日均价、历史周均价和历史月均价；数据分析单元用于从数据库中获取待分析对象的农产品种类的历史日均价、历史周均价和历史月均价，并根据待分析对象的农产品种类的历史日均价、历史周均价和历史月均价确定未来时段内每日的日价格或未来时段内每周的周价格或未来时段内每月的月价格，进而根据未来时段内每日的日价格进行短期的风险预警，根据未来时段内每周的周价格和历史周均价进行中长期的风险预警，根据未来时段内每月的月价格和历史月均价进行长期的风险预警；风险预警包括价格有上涨风险、价格有下跌风险和价格在正常范围内波动；可视化终端用于接收并显示短期、中长期和长期的风险预警。
农产品包括蔬菜、果品、粮油、水产品、畜产品、食用菌、药材等。
以中国为例，第一预设区域指代中国全国，第二预设区域指代中国的省份。
数据采集单元：涉农数据是农业大数据平台的基石，其种类繁多，分散在农业生产、管理和流通环节的角落里。传统的数据采集手段通常适用于年、月、日为单位级别的数据，实时性要求不高。然而，随着计算机、通讯、遥感、物联等技术的迅速发展，当前许多涉农数据通常是以天、小时、分钟，甚至秒钟为单位呈现，则对数据提出了实时性要求。为了高效地采集和处理这些数据，本环节考虑流式计算具有无边界、动态和低延迟特点，研究面向流式计算地农业大数据自动采集方法，从而有效克服传统技术手段采集壁垒，为农业大数据平台构建提供及时可靠数据支撑。
数据处理单元包括：异常数据剔除子单元、缺失数据修复子单元、第二预设区域历史日均价计算子单元、第二预设区域历史周均价计算子单元、第二预设区域历史月均价子单元、第一预设区域历史日价格确定子单元、第一预设区域历史周价格计算子单元和第一预设区域历史月价格子单元。
异常数据剔除子单元用于利用3σ关联验证模型对第一预设区域每一第二预设区域每一种农产品的历史日价格进行异常数据的剔除，获得剔除后的每一第二预设区域每一种农产品的历史日价格。缺失数据修复子单元用于采用自校正回归补缺模型对剔除后的每一第二预设区域每一种农产品的历史日价格进行缺失数据的修复，获得修复后的每一第二预设区域每一种农产品的历史日价格。第二预设区域历史日均价计算子单元用于根据每一第二预设区域每一种农产品的历史日价格，利用公式
，计算每一第二预设区域每一种农产品的历史日均价；其中，
为第二预设区域k农产品i的历史日均价，
为第二预设区域k农产品i的第j个历史日价格，N为历史日价格的数量。第二预设区域历史周和月均价计算子单元，用于根据每一第二预设区域每一种农产品的历史日均价，分别计算每一第二预设区域每一种农产品的历史周均价和历史月均价；第一预设区域历史日价格确定子单元，用于将第一预设区域所有第二预设区域的每一种农产品的历史日均价的均值确定为第一预设区域每一种农产品的历史日价格；第一预设区域历史周和月价格计算子单元，用于根据第一预设区域每一种农产品的历史日价格，分别计算第一预设区域每一种农产品的历史周价格和历史月价格。
数据分析单元包括：待分析对象获取子单元、历史价格获取子单元、价格预测子单元、判断子单元、第一拟合系数获得子单元、第一短期风险预警子单元、价格限值获得子单元、数量统计子单元、第二短期风险预警子单元、周价格时间序列化子单元、第二拟合系数获得子单元、中长期风险预警子单元、月价格时间序列化子单元、第三拟合系数获得子单元和长期风险预警子单元。
待分析对象获取子单元用于获取待分析对象和待分析对象的农产品种类；所述待分析对象为第一预设区域或第二预设区域。
历史价格获取子单元用于获取待分析对象的农产品种类在第一历史时间段的历史日价格、第二历史时间段的历史周价格和第三历史时间段的历史月价格。
价格预测子单元用于根据第一历史时间段的历史日价格，利用极端随机树模型获得第一预测时段内每日的日预测价格；根据第二历史时间段的历史周价格，利用极端随机树模型获得第二预测时段内每周的周预测价格；并根据第三历史时间段的历史月价格，利用极端随机树模型获得第三预测时段内每月的月预测价格。所述第一预测时段为小于或等于一周的时段；所述第二预测时段为大于一周且小于或等于四周的时段；所述第三预测时段为大于四周的时段。
短期风险预警：
判断子单元用于获取第一预测时段内所有日预测价格的平均价格与历史平均价格的差价，并判断所述差价是否大于预设差价阈值，获得判断结果；所述历史平均价格为与第一预测时段的时长相同的最近历史时段内所有日预测价格的平均值。
第一拟合系数获得子单元用于若所述判断结果表示是，则根据第一预测时段内每日的日预测价格，采用一阶二项拟合算法进行线性拟合，获得第一拟合系数。
第一短期风险预警子单元用于将第一拟合系数与预设系数区间进行比较，并根据比较结果生成农产品价格的风险预警信息；具体包括：当k 1≥k max时，生成的农产品价格的风险预警信息为短期价格有上涨风险；当k 1≤k min时，生成的农产品价格的风险预警信息为短期价格有下跌风险；当k max>k 1>k min时，生成的农产品价格的风险预警信息为短期价格在正常范围内波动；k 1表示第一拟合系数，k max表示斜率上限值，k min表示斜率下限值。
价格限值获得子单元用于若所述判断结果表示否，则根据第一预测时段内每日的日预测价格，采用均值范围比较算法，获得最高价格和最低价格。
数量统计子单元用于分别统计第二历史时间段对应的未来时段内多个预测价格中小于或等于最低价格的数量N 1、大于或等于最高价格的数量N 2、大于最低价格且小于最高价格的数量N 3。
第二短期风险预警子单元用于通过比较N 1、N 2、N 3的大小，生成农产品价格的风险预警信息；具体包括：若N 2>N 1且N 2>N 3，则生成的农产品价格的风险预警信息为短期价格有上涨风险；若N 1>N 2且N 1>N 3，则生成的农产品价格的风险预警信息为短期价格有下跌风险；若N 3>N 1且N 3>N 2，则生成的农产品价格的风险预警信息为短期价格在正常范围内波动；所述短期为小于或等于一周的时长。
中长期风险预警：
周价格分解子单元用于根据第二预测时段内每周的周预测价格和第二历史时间段的历史周价格，采用时间序列分解算法，获得周价格涨跌趋势项。
周价格时间序列化子单元用于对第二历史时间段的历史周价格和第二预测时段内每周的周预测价格进行时间序列化。
第二拟合系数获得子单元用于根据时间序列化后的周价格，利用线性回归算法拟合得到第二拟合系数。
中长期风险预警子单元用于将第二拟合系数与预设系数区间进行比较，并根据比较结果生成农产品价格的风险预警信息；具体包括：当k 2≥k max时，生成的农产品价格的风险预警信息为中长期价格有上涨风险；当k 2≤k min时，生成的农产品价格的风险预警信息为中长期价格有下跌风险；当k max>k 2>k min时，生成的农产品价格的风险预警信息为中长期价格在正常范围内波动；其中，k 2表示第二拟合系数。中长期为大于一周且小于或等于四周的时长。
长期风险预警：
月价格分解子单元用于根据第三预测时段内每月的月预测价格和第三历史时间段的历史月价格，采用时间序列分解算法，获得月价格涨跌趋势项。
月价格时间序列化子单元用于对第三历史时间段的历史月价格和第三预测时段内每月的月预测价格进行时间序列化。
第三拟合系数获得子单元用于根据时间序列化后的月价格，利用线性回归算法拟合得到第三拟合系数。
长期风险预警子单元用于将第三拟合系数与预设系数区间进行比较，并根据比较结果生成农产品价格的风险预警信息；具体包括：当k 3≥k max时，生成的农产品价格的风险预警信息为长期价格有上涨风险；当k 3≤k min时，生成的农产品价格的风险预警信息为长期价格有下跌风险；当k max>k 3>k min时，生成的农产品价格的风险预警信息为长期价格在正常范围内波动；其中，k 3表示第三拟合系数。长期为大于四周的时长。
一阶二项拟合算法和均值范围比较算法都属于短期风险预警方法，时间序列分解算法属于长期预测方法，时间序列分解算法中STL（Seasonal-Trend decomposition usingLoess）和EMD（Empirical Mode Decomposition，经验模态分解）等均可以实现长期风险预警，在此不做具体限定。
风险预警子单元采用两种统计方式实现预警。
本发明不仅可以对日价格、周价格和月价格分别进行短期、中长期、长期风险预警，还可以对季价格、年价格等利用相同的方法进行长期风险预警。
针对本发明使用的三种算法，三种方法还能够对日价格和周价格分别进行风险预警的过程如下：
一、一阶二项拟合算法
1.日价格风险预警
根据预测的5天价格进行一阶二项拟合，得出系数k；
k>=0.4 短期价格有上涨风险；
k<=-0.4 短期价格有下跌风险；
-0.4<k<0.4 短期价格正常范围内波动。
2.周价格风险预警
根据预测的3周价格进行一阶二项拟合，得出系数k；
k>=0.4 短期价格有上涨风险；
k<=-0.4 短期价格有下跌风险；
-0.4<k<0.4 短期价格正常范围内波动。
二、均值范围比较算法
1.日价格风险预警
根据预测的未来5天价格，获取其中最高价maxPrice以及最低价minPrice
计算价格<=minPrice的数据个数m，价格>=maxPrice的数据个数n，minPrice<价格<maxPrice的数据个数p；
得出结论：
n>m && n>p 短期价格有上涨风险；
m>n && m>p 短期价格有下跌风险；
p>n && p>m 短期价格在正常范围内波动；
否则，短期价格波动剧烈。
其中，最高价maxPrice以及最低价minPrice的获取方式为：
未来5天价格的平均值avgPrice，未来5天价格的标准差standardDeviation；
minPrice=avgPrice-1.5*standardDeviation；
maxPrice=avgPrice+1.5*standardDeviation。
2.周价格风险预警
根据预测的未来3周价格，获取其中最高价maxPrice以及最低价minPrice；
计算价格<=minPrice的数据个数m，价格>=maxPrice的数据个数n，minPrice<价格<maxPrice的数据个数p；
得出结论：
n>m && n>p 短期价格有上涨风险；
m>n && m>p 短期价格有下跌风险；
p>n && p>m 短期价格在正常范围内波动；
否则，短期价格波动剧烈。
三、时间序列分解算法
1.日价格风险预警
对近365天以及预测出来的5天价格数据进行时间序列化；
再利用线性回归算法拟合得到斜率系数k；
k>=0.4 长期价格有上涨风险；
k<=-0.4 长期价格有下跌风险；
-0.4<k<0.4 长期价格正常范围内波动。
2.周价格风险预警
对近52周以及预测出来的3周价格数据进行时间序列化；
再利用线性回归算法拟合得到斜率系数k；
k>=0.4 长期价格有上涨风险；
k<=-0.4 长期价格有下跌风险；
-0.4<k<0.4 长期价格正常范围内波动。
可视化终端包括：条件选择模块和价格展示模块。
条件选择模块、价格展示模块均与数据分析单元连接，条件选择模块用于接收待分析对象和待分析对象的农产品种类的选取。
对应于风险预警子单元的第一种预警方式，价格展示模块用于获取待分析对象的农产品种类的历史日均价、历史周均价和历史月均价以及未来时段每日的日均价、未来时段每周的周均价和未来时段每月的月均价，并以一个日价格坐标图的方式展示待分析对象的农产品种类的历史日均价和未来时段每日的日均价，以一个周价格坐标图的方式展示待分析对象的农产品种类的历史周均价和未来时段每周的周均价，同时以一个月价格坐标图的方式展示待分析对象的农产品种类的历史月均价和未来时段每月的月均价。可视化终端利用坐标图展示日均价趋势、周均价趋势和月均价趋势，形成日均价趋势坐标图、周均价趋势坐标图和月均价趋势坐标图。风险预警结果在日均价趋势坐标图、周均价趋势坐标图和月均价趋势坐标图的下方进行可视化展示。
设定斜率上限值等于0.4，即，当拟合直线的斜率大于斜率上限值0.4时，该种类农产品短期价格有上涨风险。
参照图2，拟合直线方程为y=-1.26x+6.05，x前面的系数-1.26为拟合直线的斜率。此时设定斜率下限值可以设定为-0.4，-1.26小于斜率下限值-0.4，所以，该种类农产品短期价格有下跌风险。
对应于均值范围比较算法的预警结果，可视化终端利用带颜色标识的饼图展示日均价趋势预警和周均价趋势预警，形成日均价趋势预警饼图和周均价趋势预警饼图。
优选但不限于，当日均价趋势预警饼图或周均价趋势预警饼图的颜色为红色时，表示价格有上涨风险。
当日均价趋势预警饼图或周均价趋势预警饼图的颜色为绿色时，表示价格有下跌风险。
当日均价趋势预警饼图或周均价趋势预警饼图的颜色为蓝色时，表示价格在正常范围内波动。
其中，历史价格上限、下限为预测的未来时段前30周的日价格、周价格或月价格的历史价格上限和下限。因此，历史价格上限、下限会随着未来时段前30周的日价格、周价格或月价格的波动而发生变化。
作为一种优选方式，当鼠标放置在日均价趋势预警饼图上时，显示日均价趋势预警饼图的颜色标记对应的日均价的总数量及在未来时段的日均价总数量中所占比例。并且在鼠标放置在日均价趋势预警饼图上后，日均价趋势预警饼图会放大，便于突出显示。同时日均价趋势预警饼图的左侧会对应显示每种颜色标记对应的价格筛选条件，方便用户了解历史价格的上限和下限。
当鼠标放置在周均价趋势预警饼图上时，显示周均价趋势预警饼图的颜色标记对应的周均价的总数量及在未来时段的周均价总数量中所占比例。
基于前述的农产品价格风险预警系统，本发明还提供了一种农产品价格风险预警方法，如图3所示，所述方法包括：
步骤1，获取待分析对象的农产品种类在第一历史时间段的历史日价格、第二历史时间段的历史周价格和第三历史时间段的历史月价格。
为了提高预测结果的准确度，第一历史时间段的历史日价格、第二历史时间段的历史周价格和第三历史时间段的历史月价格需要进行特征提取、特征选择和特征构造。
历史价格和预测价格都是与时间变量有关系的数据，尤其是农产品价格随季节会呈现规律性变化。因此，提取价格的时间特征，包括一周中的星期几、一个月中的第几周、一年中的第几个月或第几季度等。将提取的时间特征与价格一起作为训练样本，对极端随机树模型进行训练，或对支持向量机回归模型进行训练。利用训练好的极端随机树模型后训练好的支持向量机回归模型预测价格，使得价格预测的结果更为准确。
步骤2，根据第一历史时间段的历史日价格，利用极端随机树模型获得第一预测时段内每日的日预测价格；根据第二历史时间段的历史周价格，利用极端随机树模型获得第二预测时段内每周的周预测价格；并根据第三历史时间段的历史月价格，利用极端随机树模型获得第三预测时段内每月的月预测价格。所述第一预测时段为小于或等于一周的时段；所述第二预测时段为大于一周且小于或等于四周的时段；所述第三预测时段为大于四周的时段。
步骤3，短期风险预警方法为：
3-1，获取第一预测时段内所有日预测价格的平均价格与历史平均价格的差价，并判断所述差价是否大于预设差价阈值，获得判断结果；所述历史平均价格为与第一预测时段的时长相同的最近历史时段内所有日预测价格的平均值；
3-2，若所述判断结果表示是，则根据第一预测时段内每日的日预测价格，采用一阶二项拟合算法进行线性拟合，获得第一拟合系数；
具体包括：
对第一预测时段内每日的日预测价格和第一预测时段内每日的日预测价格对应的日期进行归一化处理，获得归一化后的预测价格和归一化后的日期；即将预测价格和日期都归一化到[0,1]；
根据归一化后的预测价格和归一化后的日期，采用一阶二项拟合算法进行线性拟合，获得拟合直线方程为y=kx+b；其中，y表示归一化后的预测价格，x表示归一化后的日期，k表示斜率，b表示常数；
将所述拟合直线方程中的斜率k确定为第一拟合系数。
3-3，将第一拟合系数与预设系数区间进行比较，并根据比较结果生成农产品价格的风险预警信息；具体包括：当k 1≥k max时，生成的农产品价格的风险预警信息为短期价格有上涨风险；当k 1≤k min时，生成的农产品价格的风险预警信息为短期价格有下跌风险；当k max>k 1>k min时，生成的农产品价格的风险预警信息为短期价格在正常范围内波动；k 1表示第一拟合系数，k max表示斜率上限值，k min表示斜率下限值；
3-4，若所述判断结果表示否，则根据第一预测时段内每日的日预测价格，采用均值范围比较算法，获得最高价格和最低价格；
具体包括：
计算第一预测时段内所有日预测价格的平均值和标准差；
根据所述平均值和标准差，利用公式
，确定最低价格；其中，Pmin表示最低价格，
表示第一预测时段内所有日预测价格的平均值，δ表示标准差；
根据所述平均值和标准差，利用公式
，确定最高价格；其中，Pmax表示最高价格。
3-5，分别统计第二历史时间段对应的未来时段内多个预测价格中小于或等于最低价格的数量N 1、大于或等于最高价格的数量N 2、大于最低价格且小于最高价格的数量N 3；
3-6，通过比较N 1、N 2、N 3的大小，生成农产品价格的风险预警信息；具体包括：若N 2>N 1且N 2>N 3，则生成的农产品价格的风险预警信息为短期价格有上涨风险；若N 1>N 2且N 1>N 3，则生成的农产品价格的风险预警信息为短期价格有下跌风险；若N 3>N 1且N 3>N 2，则生成的农产品价格的风险预警信息为短期价格在正常范围内波动。短期为小于或等于一周的时长。
步骤4，中长期风险预警方法为：
4-1，根据第二预测时段内每周的周预测价格和第二历史时间段的历史周价格，采用时间序列分解算法，获得周价格涨跌趋势项；
4-2，对第二历史时间段的历史周价格和第二预测时段内每周的周预测价格进行时间序列化；
4-3，根据时间序列化后的周价格，利用线性回归算法拟合得到第二拟合系数；
4-4，将第二拟合系数与预设系数区间进行比较，并根据比较结果生成农产品价格的风险预警信息；具体包括：当k 2≥k max时，生成的农产品价格的风险预警信息为中长期价格有上涨风险；当k 2≤k min时，生成的农产品价格的风险预警信息为中长期价格有下跌风险；当k max>k 2>k min时，生成的农产品价格的风险预警信息为中长期价格在正常范围内波动；其中，k 2表示第二拟合系数。中长期为大于一周且小于或等于四周的时长。
步骤5，长期风险预警方法为：
5-1，根据第三预测时段内每月的月预测价格和第三历史时间段的历史月价格，采用时间序列分解算法，获得月价格涨跌趋势项；
5-2，对第三历史时间段的历史月价格和第三预测时段内每月的月预测价格进行时间序列化；
5-3，根据时间序列化后的月价格，利用线性回归算法拟合得到第三拟合系数；
5-4，将第三拟合系数与预设系数区间进行比较，并根据比较结果生成农产品价格的风险预警信息；具体包括：当k 3≥k max时，生成的农产品价格的风险预警信息为长期价格有上涨风险；当k 3≤k min时，生成的农产品价格的风险预警信息为长期价格有下跌风险；当k max>k 3>k min时，生成的农产品价格的风险预警信息为长期价格在正常范围内波动；其中，k 3表示第三拟合系数。长期为大于四周的时长。
在进行步骤1之前还包括：
获取每一第二预设区域每一种农产品的历史日价格；
根据每一第二预设区域每一种农产品的历史日价格，利用公式
，计算每一第二预设区域每一种农产品的历史日均价；其中，
为第二预设区域k农产品i的历史日均价，
为第二预设区域k农产品i的第j个历史日价格，N为历史日价格的数量；
根据每一第二预设区域每一种农产品的历史日均价，分别计算每一第二预设区域每一种农产品的历史周均价和历史月均价；
将第一预设区域所有第二预设区域的每一种农产品的历史日均价的均值确定为第一预设区域每一种农产品的历史日价格；
根据第一预设区域每一种农产品的历史日价格，分别计算第一预设区域每一种农产品的历史周价格和历史月价格。
步骤1之后还包括：
利用3σ关联验证模型对每一第二预设区域每一种农产品的历史日价格进行异常数据的剔除，获得剔除后的每一第二预设区域每一种农产品的历史日价格；
采用自校正回归补缺模型对剔除后的每一第二预设区域每一种农产品的历史日价格进行缺失数据的修复，获得修复后的每一第二预设区域每一种农产品的历史日价格。
一阶二项拟合算法、均值范围比较算法和时间序列分解算法不仅限制于本发明公开的短期或长期风险预警，每一算法均可以实现短期、中长期和长期的风险预警。
本发明通过多维度全视角农业大数据挖掘分析，对收集的农业数据进行深度挖掘分析，从海量数据中提取有价值的信息，对农业生产、发展提供技术支撑，为广大农业从业者提供科学合理的信息指导与决策服务。
本说明书中各个实施例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部分互相参见即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种农产品价格风险预警系统，其特征在于，所述系统包括：数据采集单元、数据处理单元、数据分析单元、数据库和可视化终端；
数据采集单元，用于实时采集第一预设区域中每一第二预设区域每一种农产品的历史日价格；所述第一预设区域包括多个第二预设区域；
数据处理单元，用于对采集的每一第二预设区域每一种农产品的历史日价格进行数据预处理，并根据数据预处理后的每一第二预设区域每一种农产品的历史日价格确定每一第二预设区域和第一预设区域每一种农产品的历史日均价、历史周均价和历史月均价；
数据库，用于存储每一第二预设区域和第一预设区域每一种农产品的历史日均价、历史周均价和历史月均价；
数据分析单元，用于从数据库中获取待分析对象的农产品种类的历史日均价、历史周均价和历史月均价，并根据待分析对象的农产品种类的历史日均价、历史周均价和历史月均价确定未来时段内每日的日价格或未来时段内每周的周价格或未来时段内每月的月价格，进而根据未来时段内每日的日价格进行短期的风险预警，根据未来时段内每周的周价格和历史周均价进行中长期的风险预警，根据未来时段内每月的月价格和历史月均价进行长期的风险预警；所述风险预警包括价格有上涨风险、价格有下跌风险和价格在正常范围内波动；
可视化终端，用于接收并显示短期、中长期和长期的风险预警。
2.根据权利要求1所述的农产品价格风险预警系统，其特征在于，所述数据处理单元包括：
异常数据剔除子单元，用于利用3σ关联验证模型对第一预设区域每一第二预设区域每一种农产品的历史日价格进行异常数据的剔除，获得剔除后的每一第二预设区域每一种农产品的历史日价格；
缺失数据修复子单元，用于采用自校正回归补缺模型对剔除后的每一第二预设区域每一种农产品的历史日价格进行缺失数据的修复，获得修复后的每一第二预设区域每一种农产品的历史日价格；
第二预设区域历史日均价计算子单元，用于根据每一第二预设区域每一种农产品的历史日价格，利用公式
，计算每一第二预设区域每一种农产品的历史日均价；其中，
为第二预设区域k农产品i的历史日均价，
为第二预设区域k农产品i的第j个历史日价格，N为历史日价格的数量；
第二预设区域历史周和月均价计算子单元，用于根据每一第二预设区域每一种农产品的历史日均价，分别计算每一第二预设区域每一种农产品的历史周均价和历史月均价；
第一预设区域历史日价格确定子单元，用于将第一预设区域所有第二预设区域的每一种农产品的历史日均价的均值确定为第一预设区域每一种农产品的历史日价格；
第一预设区域历史周和月价格计算子单元，用于根据第一预设区域每一种农产品的历史日价格，分别计算第一预设区域每一种农产品的历史周价格和历史月价格。
3.根据权利要求1所述的农产品价格风险预警系统，其特征在于，所述数据分析单元包括：
待分析对象获取子单元，用于获取待分析对象和待分析对象的农产品种类；所述待分析对象为第一预设区域或第二预设区域；
历史价格获取子单元，用于获取待分析对象的农产品种类在第一历史时间段的历史日价格、第二历史时间段的历史周价格和第三历史时间段的历史月价格；
价格预测子单元，用于根据第一历史时间段的历史日价格，利用极端随机树模型获得第一预测时段内每日的日预测价格；根据第二历史时间段的历史周价格，利用极端随机树模型获得第二预测时段内每周的周预测价格；并根据第三历史时间段的历史月价格，利用极端随机树模型获得第三预测时段内每月的月预测价格；所述第一预测时段为小于或等于一周的时段；所述第二预测时段为大于一周且小于或等于四周的时段；所述第三预测时段为大于四周的时段；
短期风险预警：
判断子单元，用于获取第一预测时段内所有日预测价格的平均价格与历史平均价格的差价，并判断所述差价是否大于预设差价阈值，获得判断结果；所述历史平均价格为与第一预测时段的时长相同的最近历史时段内所有日预测价格的平均值；
第一拟合系数获得子单元，用于若所述判断结果表示是，则根据第一预测时段内每日的日预测价格，采用一阶二项拟合算法进行线性拟合，获得第一拟合系数；
第一短期风险预警子单元，用于将第一拟合系数与预设系数区间进行比较，并根据比较结果生成农产品价格的风险预警信息；具体包括：当k 1≥k max时，生成的农产品价格的风险预警信息为短期价格有上涨风险；当k 1≤k min时，生成的农产品价格的风险预警信息为短期价格有下跌风险；当k max>k 1>k min时，生成的农产品价格的风险预警信息为短期价格在正常范围内波动；k 1表示第一拟合系数，k max表示斜率上限值，k min表示斜率下限值；
价格限值获得子单元，用于若所述判断结果表示否，则根据第一预测时段内每日的日预测价格，采用均值范围比较算法，获得最高价格和最低价格；
数量统计子单元，用于分别统计第二历史时间段对应的未来时段内多个预测价格中小于或等于最低价格的数量N 1、大于或等于最高价格的数量N 2、大于最低价格且小于最高价格的数量N 3；
第二短期风险预警子单元，用于通过比较N 1、N 2、N 3的大小，生成农产品价格的风险预警信息；具体包括：若N 2>N 1且N 2>N 3，则生成的农产品价格的风险预警信息为短期价格有上涨风险；若N 1>N 2且N 1>N 3，则生成的农产品价格的风险预警信息为短期价格有下跌风险；若N 3>N 1且N 3>N 2，则生成的农产品价格的风险预警信息为短期价格在正常范围内波动；所述短期为小于或等于一周的时长；
中长期风险预警：
周价格分解子单元，用于根据第二预测时段内每周的周预测价格和第二历史时间段的历史周价格，采用时间序列分解算法，获得周价格涨跌趋势项；
周价格时间序列化子单元，用于对第二历史时间段的历史周价格和第二预测时段内每周的周预测价格进行时间序列化；
第二拟合系数获得子单元，用于根据时间序列化后的周价格，利用线性回归算法拟合得到第二拟合系数；
中长期风险预警子单元，用于将第二拟合系数与预设系数区间进行比较，并根据比较结果生成农产品价格的风险预警信息；具体包括：当k 2≥k max时，生成的农产品价格的风险预警信息为中长期价格有上涨风险；当k 2≤k min时，生成的农产品价格的风险预警信息为中长期价格有下跌风险；当k max>k 2>k min时，生成的农产品价格的风险预警信息为中长期价格在正常范围内波动；其中，k 2表示第二拟合系数；所述中长期为大于一周且小于或等于四周的时长；
长期风险预警：
月价格分解子单元，用于根据第三预测时段内每月的月预测价格和第三历史时间段的历史月价格，采用时间序列分解算法，获得月价格涨跌趋势项；
月价格时间序列化子单元，用于对第三历史时间段的历史月价格和第三预测时段内每月的月预测价格进行时间序列化；
第三拟合系数获得子单元，用于根据时间序列化后的月价格，利用线性回归算法拟合得到第三拟合系数；
长期风险预警子单元，用于将第三拟合系数与预设系数区间进行比较，并根据比较结果生成农产品价格的风险预警信息；具体包括：当k 3≥k max时，生成的农产品价格的风险预警信息为长期价格有上涨风险；当k 3≤k min时，生成的农产品价格的风险预警信息为长期价格有下跌风险；当k max>k 3>k min时，生成的农产品价格的风险预警信息为长期价格在正常范围内波动；其中，k 3表示第三拟合系数；所述长期为大于四周的时长。
4.根据权利要求3所述的农产品价格风险预警系统，其特征在于，所述第一拟合系数获得子单元包括：
归一化模块，用于对第一预测时段内每日的日预测价格和第一预测时段内每日的日预测价格对应的日期进行归一化处理，获得归一化后的预测价格和归一化后的日期；
线性拟合模块，用于根据归一化后的预测价格和归一化后的日期，采用一阶二项拟合算法进行线性拟合，获得拟合直线方程为y=kx+b；其中，y表示归一化后的预测价格，x表示归一化后的日期，k表示斜率，b表示常数；
第一拟合系数确定模块，用于将所述拟合直线方程中的斜率k确定为第一拟合系数。
5.根据权利要求3所述的农产品价格风险预警系统，其特征在于，所述价格限值获得子单元包括：
平均值和标准差计算模块，用于计算第一预测时段内所有日预测价格的平均值和标准差；
最低价格确定模块，用于根据所述平均值和标准差，利用公式
，确定最低价格；其中，Pmin表示最低价格，
表示第一预测时段内所有日预测价格的平均值，δ表示标准差；
最高价格确定模块，用于根据所述平均值和标准差，利用公式
，确定最高价格；其中，Pmax表示最高价格。
6.一种农产品价格风险预警方法，其特征在于，所述方法包括：
获取待分析对象和待分析对象的农产品种类；所述待分析对象为第一预设区域或第二预设区域；
获取待分析对象的农产品种类在第一历史时间段的历史日价格、第二历史时间段的历史周价格和第三历史时间段的历史月价格；
根据第一历史时间段的历史日价格，利用极端随机树模型获得第一预测时段内每日的日预测价格；根据第二历史时间段的历史周价格，利用极端随机树模型获得第二预测时段内每周的周预测价格；并根据第三历史时间段的历史月价格，利用极端随机树模型获得第三预测时段内每月的月预测价格；所述第一预测时段为小于或等于一周的时段；所述第二预测时段为大于一周且小于或等于四周的时段；所述第三预测时段为大于四周的时段；
短期风险预警方法为：
获取第一预测时段内所有日预测价格的平均价格与历史平均价格的差价，并判断所述差价是否大于预设差价阈值，获得判断结果；所述历史平均价格为与第一预测时段的时长相同的最近历史时段内所有日预测价格的平均值；
若所述判断结果表示是，则根据第一预测时段内每日的日预测价格，采用一阶二项拟合算法进行线性拟合，获得第一拟合系数；
将第一拟合系数与预设系数区间进行比较，并根据比较结果生成农产品价格的风险预警信息；具体包括：当k 1≥k max时，生成的农产品价格的风险预警信息为短期价格有上涨风险；当k 1≤k min时，生成的农产品价格的风险预警信息为短期价格有下跌风险；当k max>k 1>k min时，生成的农产品价格的风险预警信息为短期价格在正常范围内波动；k 1表示第一拟合系数，k max表示斜率上限值，k min表示斜率下限值；
若所述判断结果表示否，则根据第一预测时段内每日的日预测价格，采用均值范围比较算法，获得最高价格和最低价格；
分别统计第二历史时间段对应的未来时段内多个预测价格中小于或等于最低价格的数量N 1、大于或等于最高价格的数量N 2、大于最低价格且小于最高价格的数量N 3；
通过比较N 1、N 2、N 3的大小，生成农产品价格的风险预警信息；具体包括：若N 2>N 1且N 2>N 3，则生成的农产品价格的风险预警信息为短期价格有上涨风险；若N 1>N 2且N 1>N 3，则生成的农产品价格的风险预警信息为短期价格有下跌风险；若N 3>N 1且N 3>N 2，则生成的农产品价格的风险预警信息为短期价格在正常范围内波动；所述短期为小于或等于一周的时长；
中长期风险预警方法为：
根据第二预测时段内每周的周预测价格和第二历史时间段的历史周价格，采用时间序列分解算法，获得周价格涨跌趋势项；
对第二历史时间段的历史周价格和第二预测时段内每周的周预测价格进行时间序列化；
根据时间序列化后的周价格，利用线性回归算法拟合得到第二拟合系数；
将第二拟合系数与预设系数区间进行比较，并根据比较结果生成农产品价格的风险预警信息；具体包括：当k 2≥k max时，生成的农产品价格的风险预警信息为中长期价格有上涨风险；当k 2≤k min时，生成的农产品价格的风险预警信息为中长期价格有下跌风险；当k max>k 2>k min时，生成的农产品价格的风险预警信息为中长期价格在正常范围内波动；其中，k 2表示第二拟合系数；所述中长期为大于一周且小于或等于四周的时长；
长期风险预警方法为：
根据第三预测时段内每月的月预测价格和第三历史时间段的历史月价格，采用时间序列分解算法，获得月价格涨跌趋势项；
对第三历史时间段的历史月价格和第三预测时段内每月的月预测价格进行时间序列化；
根据时间序列化后的月价格，利用线性回归算法拟合得到第三拟合系数；
将第三拟合系数与预设系数区间进行比较，并根据比较结果生成农产品价格的风险预警信息；具体包括：当k 3≥k max时，生成的农产品价格的风险预警信息为长期价格有上涨风险；当k 3≤k min时，生成的农产品价格的风险预警信息为长期价格有下跌风险；当k max>k 3>k min时，生成的农产品价格的风险预警信息为长期价格在正常范围内波动；其中，k 3表示第三拟合系数；所述长期为大于四周的时长。
7.根据权利要求6所述的农产品价格风险预警方法，其特征在于，所述获取待分析对象和待分析对象的农产品种类，之前还包括：
获取每一第二预设区域每一种农产品的历史日价格；
根据每一第二预设区域每一种农产品的历史日价格，利用公式
，计算每一第二预设区域每一种农产品的历史日均价；其中，
为第二预设区域k农产品i的历史日均价，
为第二预设区域k农产品i的第j个历史日价格，N为历史日价格的数量；
根据每一第二预设区域每一种农产品的历史日均价，分别计算每一第二预设区域每一种农产品的历史周均价和历史月均价；
将第一预设区域所有第二预设区域的每一种农产品的历史日均价的均值确定为第一预设区域每一种农产品的历史日价格；
根据第一预设区域每一种农产品的历史日价格，分别计算第一预设区域每一种农产品的历史周价格和历史月价格。
8.根据权利要求7所述的农产品价格风险预警方法，其特征在于，所述获取每一第二预设区域每一种农产品的历史日价格，之后还包括：
利用3σ关联验证模型对每一第二预设区域每一种农产品的历史日价格进行异常数据的剔除，获得剔除后的每一第二预设区域每一种农产品的历史日价格；
采用自校正回归补缺模型对剔除后的每一第二预设区域每一种农产品的历史日价格进行缺失数据的修复，获得修复后的每一第二预设区域每一种农产品的历史日价格。
9.根据权利要求6所述的农产品价格风险预警方法，其特征在于，所述根据第一预测时段内每日的日预测价格，采用一阶二项拟合算法进行线性拟合，获得第一拟合系数，具体包括：
对第一预测时段内每日的日预测价格和第一预测时段内每日的日预测价格对应的日期进行归一化处理，获得归一化后的预测价格和归一化后的日期；
根据归一化后的预测价格和归一化后的日期，采用一阶二项拟合算法进行线性拟合，获得拟合直线方程为y=kx+b；其中，y表示归一化后的预测价格，x表示归一化后的日期，k表示斜率，b表示常数；
将所述拟合直线方程中的斜率k确定为第一拟合系数。
10.根据权利要求6所述的农产品价格风险预警方法，其特征在于，所述根据第一预测时段内每日的日预测价格，采用均值范围比较算法，获得最高价格和最低价格，具体包括：
计算第一预测时段内所有日预测价格的平均值和标准差；
根据所述平均值和标准差，利用公式
，确定最低价格；其中，Pmin表示最低价格，
表示第一预测时段内所有日预测价格的平均值，δ表示标准差；
根据所述平均值和标准差，利用公式
，确定最高价格；其中，Pmax表示最高价格。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210454877.2A CN114549096A (zh) | 2022-04-28 | 2022-04-28 | 一种农产品价格风险预警系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210454877.2A CN114549096A (zh) | 2022-04-28 | 2022-04-28 | 一种农产品价格风险预警系统及方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114549096A true CN114549096A (zh) | 2022-05-27 |
Family
ID=81666923
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210454877.2A Pending CN114549096A (zh) | 2022-04-28 | 2022-04-28 | 一种农产品价格风险预警系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114549096A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116629913A (zh) * | 2023-07-24 | 2023-08-22 | 山东青上化工有限公司 | 一种复合肥料生产过程数据提取系统及处理方法 |
-
2022
- 2022-04-28 CN CN202210454877.2A patent/CN114549096A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116629913A (zh) * | 2023-07-24 | 2023-08-22 | 山东青上化工有限公司 | 一种复合肥料生产过程数据提取系统及处理方法 |
| CN116629913B (zh) * | 2023-07-24 | 2023-10-03 | 山东青上化工有限公司 | 一种复合肥料生产过程数据提取系统及处理方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111666269A (zh) | 食品安全大数据自动编码与全链条溯源体系 | |
| CN112116277A (zh) | 一种全链条食品安全大数据采集方法 | |
| CN114549096A (zh) | 一种农产品价格风险预警系统及方法 | |
| CN104298868A (zh) | 一种冷链物流的冷却肉货架期预测方法及系统 | |
| Katchova | Agricultural contracts and alternative marketing options: A matching analysis | |
| CN112396131A (zh) | 一种木瓜丝质量监控方法和装置 | |
| CN111985728A (zh) | 一种建立有机高粱产量预测模型的方法 | |
| Skydan et al. | Risks and threats to ensuring food security of Ukraine: methodological foundations and practical evaluation | |
| CN106355338A (zh) | 一种原料奶风险监测控制方法 | |
| Volatier et al. | Some statistical aspects of food intake assessment | |
| CN117350435A (zh) | 一种对虾工厂化养殖设备管理方法及系统 | |
| CN116151860A (zh) | 基于电子商务数据分析的智慧海洋服务数字化管理系统 | |
| CN116384880A (zh) | 基于大数据的煤料加工用库存分析管理系统 | |
| CN113393277B (zh) | 一种基于大数据的农产品市场数据分析系统 | |
| CN114971236A (zh) | 基于风险评估模型的河蟹膳食健康风险预警系统及方法 | |
| Kharkyanen et al. | Development of information technology for supporting the process of adjustment of the food enterprise assortment | |
| CN116681357B (zh) | 基于人工智能的食品质量分析系统及方法 | |
| Ma et al. | Research On Pricing and Replenishment of Vegetable Products Based on Time Series Prediction | |
| Waskito et al. | Analysis Of Harvest Productivity Improvementusing The Fmeamethodin The Vaname Shrimp Cultivation Industry | |
| Septania et al. | Quality Control of Frozen Fish Based on Fault Tree Analysis (FTA) and Failure Mode and Effect Analysis (FMEA) Methods | |
| CN114119052B (zh) | 一种基于大数据的假冒农产品监控方法及系统 | |
| Pardaev | FORECASTS OF TOMATO SUPPLY AND DEMAND | |
| CN115222339B (zh) | 基于云物流环境下的云仓库数据分析系统及方法 | |
| Setiawan et al. | Analysis of Cocoa Supply Chain Risk in Kare Village, Madiun District with Method Analytic Network Process | |
| CN111062554B (zh) | 农作物产期产量管理分析系统 |
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: 20220527 |