CN117333241A - 一种生猪价格预测模型建模、生猪价格预测方法及装置 - Google Patents

一种生猪价格预测模型建模、生猪价格预测方法及装置 Download PDF

Info

Publication number
CN117333241A
CN117333241A CN202311267065.8A CN202311267065A CN117333241A CN 117333241 A CN117333241 A CN 117333241A CN 202311267065 A CN202311267065 A CN 202311267065A CN 117333241 A CN117333241 A CN 117333241A
Authority
CN
China
Prior art keywords
live pig
prediction model
price
price prediction
data
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
CN202311267065.8A
Other languages
English (en)
Inventor
刘旭
杨帆
刘阳
贺可函
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.)
Sichuan New Hope Animal Nutrition Technology Co ltd
Shandong New Hope Liuhe Group Co Ltd
New Hope Liuhe Co Ltd
Original Assignee
Sichuan New Hope Animal Nutrition Technology Co ltd
Shandong New Hope Liuhe Group Co Ltd
New Hope Liuhe Co Ltd
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 Sichuan New Hope Animal Nutrition Technology Co ltd, Shandong New Hope Liuhe Group Co Ltd, New Hope Liuhe Co Ltd filed Critical Sichuan New Hope Animal Nutrition Technology Co ltd
Priority to CN202311267065.8A priority Critical patent/CN117333241A/zh
Publication of CN117333241A publication Critical patent/CN117333241A/zh
Pending legal-status Critical Current

Links

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
    • G06Q30/0283—Price estimation or determination
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G06N3/0455—Auto-encoder networks; Encoder-decoder networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Strategic Management (AREA)
  • Development Economics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Accounting & Taxation (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Finance (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Business, Economics & Management (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Agronomy & Crop Science (AREA)
  • Mining & Mineral Resources (AREA)
  • Tourism & Hospitality (AREA)
  • Primary Health Care (AREA)
  • Human Resources & Organizations (AREA)
  • Animal Husbandry (AREA)
  • Marine Sciences & Fisheries (AREA)
  • Physiology (AREA)

Abstract

本发明公开了一种生猪价格预测模型建模、生猪价格预测方法及装置，包括：采集价格影响数据，并对所述价格影响数据进行预处理和序列化处理；并对序列化处理后的价格影响数据进行划分，生成训练集；根据神经网络结构搜索方法及搜索策略构建生猪价格预测模型，并根据多损失函数和训练集训练所述生猪价格预测模型；根据奇异值分解将训练好的模型中所有的线性层进行低秩处理，完成生猪价格预测模型构建。本发明在网络模型拓扑结构基础上，使神经网络结构搜索方法，自动搜索预测模型的结构。在匹配适合长序列生猪价格预测任务的深度学习模型同时，减少人工设计和调试成本，并提高自动搜索的效率。

Description

一种生猪价格预测模型建模、生猪价格预测方法及装置
技术领域
本发明涉及价格预测技术领域，尤其涉及一种生猪价格预测模型建模、生猪价格预测方法及装置。
背景技术
目前，由于我国养猪生产存在着明显的不稳定性波动，尤其受到多方面因素的影响，猪肉价格往往存在剧烈波动，极大的影响养猪农民的经济收入和人民的消费生活，而猪肉价格是养猪场效益的直接体现。对于大规模养殖场来说，长序列长时间生猪价格预测对引种扩张等公司层面战略决策有重要指导意义。
现有的生猪价格预测方法大多基于传统的回归预测模型和目前流行的基于神经网络的时间序列预测模型，这些预测方法对于未来几天内或几个时间点等短时间序列的预测性能还不错，但是对未来半年、一年甚至未来几年等长时间序列进行预测时，模型的预测性能下降。长序列长时间预测依赖于模型有较高的预测能力，这要求精确有效的捕获输入和输出之间长期的依赖关系，仅靠人工难以准确地捕捉输出与输入之间的长期依赖关系。
发明内容
本发明提供了一种生猪价格预测模型建模、生猪价格预测方法及装置，以解决现有生猪价格预测的长时间序列预测准确性不佳的技术问题。
为了解决上述技术问题，本发明实施例提供了一种生猪价格预测模型建模方法，包括：
采集价格影响数据，并对所述价格影响数据进行预处理和序列化处理；并对序列化处理后的价格影响数据进行划分，生成训练集；
根据神经网络结构搜索方法及搜索策略构建生猪价格预测模型，并根据多损失函数和训练集训练所述生猪价格预测模型；
根据奇异值分解将训练好的模型中所有的线性层进行低秩处理，完成生猪价格预测模型构建。
本发明在网络模型拓扑结构基础上，使神经网络结构搜索方法，自动搜索预测模型的结构。在匹配适合长序列生猪价格预测任务的深度学习模型同时，减少人工设计和调试成本，并提高自动搜索的效率。根据多种损失函数融合避免长序列训练预测不稳定，同时根据奇异值分解的方法对线性层进行低秩处理从而避免长序列趋势预测波动性较大。
进一步的，所述根据神经网络结构搜索方法及搜索策略构建生猪价格预测模型，具体为：
根据所述价格影响数据确定若干个特征模块，并确定各个特征模块的特征参数，所述特征参数包括卷积层个数、卷积层参数和长短期记忆网络参数；
根据神经网络结构搜索方法、搜索策略和各个特征模块的特征参数生成子网络结构；
根据所述子网络结构和评估指标构建生猪价格预测模型。
进一步的，所述根据神经网络结构搜索方法、搜索策略和各个特征模块的特征参数生成子网络结构，具体为：
根据各个特征模块的特征参数确定搜索空间和搜索策略；
根据所述搜索策略确定模型参数，所述搜索策略包括随机搜索算法、进化算法和强化学习算法；
根据所述搜索空间和模型参数生成子网络结构。
进一步的，所述根据所述子网络结构和评估指标构建生猪价格预测模型，具体为：
根据所述搜索策略确定评估指标，所述评估指标包括验证集精度和搜素时间；
根据所述评估指标对所述子网络结构进行评估迭代，并生成生猪价格预测模型。
进一步的，所述根据多损失函数和训练集训练所述生猪价格预测模型，具体为：
确定若干个损失函数，并将所述若干个损失函数进行融合生成多损失函数；
根据所述多损失函数、训练集迭代训练所述生猪价格预测模型，直至达到预设条件，停止迭代，完成生猪价格预测模型训练。
进一步的，所述根据奇异值分解将训练好的模型中所有的线性层进行低秩处理，完成生猪价格预测模型构建，具体为：
将训练好的生猪价格预测模型中的所有线性层分解为若干个第一矩阵的乘积；
根据所述第一矩阵计算线性层的奇异值，并根据第一保留公式对所述奇异值进行筛选；
根据筛选后的奇异值生成第二矩阵，并根据所述第二矩阵对所述线性层进行更新，完成生猪价格预测模型构建。
进一步的，所述采集价格影响数据，并对所述价格影响数据进行预处理和序列化处理，具体为：
采集价格影响数据，所述价格影响数据包括中台生产数据、外部行情数据、环境数据和政策数据；
根据时间特性对所述价格影响数据进行合并，并对所述价格影响数据进行预处理，所述预处理包括缺失值填充和异常值处理；
对预处理后的价格影响数据进行序列化处理，所述序列化处理包括位置编码和卷积编码。
第二方面，本发明提供了一种生猪价格预测方法，包括：
根据预设的采集周期获取第一价格影响数据，并对所述第一价格影响数据进行数据融合和异常值监测处理；
应用所述的生猪价格预测模型建模方法构建生猪价格预测模型；
将所述根据所述第一价格影响数据输入所述生猪价格预测模型，预测所述生猪价格。
第三方面，本发明提供了一种生猪价格预测模型建模装置，包括：数据预处理模块、搜索模块和低秩处理模块；
所述数据预处理模块，用于采集价格影响数据，并对所述价格影响数据进行预处理和序列化处理；并对序列化处理后的价格影响数据进行划分，生成训练集；
所述搜索模块，用于根据神经网络结构搜索方法及搜索策略构建生猪价格预测模型，并根据多损失函数和训练集训练所述生猪价格预测模型；
所述低秩处理模块，用于根据奇异值分解将训练好的模型中所有的线性层进行低秩处理，完成生猪价格预测模型构建。
第三方面，本发明提供了一种生猪价格预测装置，包括：数据采集模块、模型构建模型和预测模块；
所述数据采集模块，用于根据预设的采集周期获取第一价格影响数据，并对所述第一价格影响数据进行数据融合和异常值监测处理；
所述模型构建模型，用于应用所述的生猪价格预测模型建模方法构建生猪价格预测模型；
所述预测模块，用于将所述根据所述第一价格影响数据输入所述生猪价格预测模型，预测所述生猪价格。
附图说明
图1为本发明实施例提供的一种生猪价格预测模型建模方法的一种结构示意图；
图2为本发明实施例提供的一种网络拓扑结构图；
图3为本发明施例提供的生猪价格预测模型建模方法的另一种流程示意图；
图4为本发明实施例提供的生猪价格预测方法的一种流程示意图；
图5为本发明实施例提供的生猪价格预测模型建模装置的一种结构示意图。
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。
实施例一
请参照图1，图1为本发明实施例提供的一种生猪价格预测模型建模方法的一种结构示意图，包括步骤101至步骤103，具体如下：
步骤101：采集价格影响数据，并对所述价格影响数据进行预处理和序列化处理；并对序列化处理后的价格影响数据进行划分，生成训练集；
在本实施例中，所述采集价格影响数据，并对所述价格影响数据进行预处理和序列化处理，具体为：
采集价格影响数据，所述价格影响数据包括中台生产数据、外部行情数据、环境数据和政策数据；
根据时间特性对所述价格影响数据进行合并，并对所述价格影响数据进行预处理，所述预处理包括缺失值填充和异常值处理；
对预处理后的价格影响数据进行序列化处理，所述序列化处理包括位置编码和卷积编码。
在本实施例中，通过多源采集，获取系统内部中台生产数据、外部行情数据、环境数据和政策数据等，生成价格影响数据。
在本实施例中，根据时间特性对所述价格影响数据进行合并，包括根据各项数据的时间特性按天、按月、按周的特征各自进行合并。
在本实施例中，根据时序异常检测模型对合并后的价格影响数据进行异常值检测，并对异常值进行剔除或更改。
在本实施例中，根据特定窗口内的均值对所述异常值和缺失值进行填充。
在本实施例中，在进行序列化处理时，对时间数据进行位置编码处理，并对按月按周数据做填充和卷积编码处理。
在本实施例中，所述对序列化处理后的价格影响数据进行划分，生成训练集包括通过特定的滑动窗口对价格影响数据和未来若干天的猪肉价格进行滑动，获得若干个滑窗数据，并将所述滑窗数据划分为训练集和测试集。
作为本发明实施例的一种具体举例，通过大小为M天的滑动窗口对价格影响数据和对应的未来N天的猪肉价格进行滑动，得到S个滑窗数据，然后将其划分为训练集和测试集，M>＝N。
步骤102：根据神经网络结构搜索方法及搜索策略构建生猪价格预测模型，并根据多损失函数和训练集训练所述生猪价格预测模型；
在本实施例中，所述根据神经网络结构搜索方法及搜索策略构建生猪价格预测模型，具体为：
根据所述价格影响数据确定若干个特征模块，并确定各个特征模块的特征参数，所述特征参数包括卷积层个数、卷积层参数和长短期记忆网络参数；
根据神经网络结构搜索方法、搜索策略和各个特征模块的特征参数生成子网络结构；
根据所述子网络结构和评估指标构建生猪价格预测模型。
在本实施例中，根据不同数据对生猪价格周期的影响不同，将所述价格影响数据分为若干个特征组，从而确定若干个特征模块，并根据所述特征模块构建网络拓扑结构。
作为本发明实施例的一种具体举例，请参照图2，图2为本发明实施例提供的一种网络拓扑结构图。
在本实施例中，按对生猪价格的周期影响，接入不同特征组，确定四个特征模块，x1对应的M1模块，x2...M2,x3...M4。每个模块根据特征长度叠加不同个标准卷积模块，以及不同卷积核等，每个模块最后叠加一个长短期记忆网络。
在本实施例中，通过若干个特征模块获取不同时间维度上的特征，从而提高模型的预测准确性。
在本实施例中，在限定的网络模型拓扑结构基础上，使神经网络结构搜索方法，自动搜索预测模型的结构。通过在所述网络模型拓扑结构的基础上定义各个特征模块的搜索空间，包括卷积层个数、卷积层参数和长短期记忆网络参数。
作为本发明实施例的一种具体举例，确定4个特征模块M1、M2、M3和M4，其中各个模块均包括CNN(卷积神经网络)及LSTM(长短期记忆网络)。
在本实施例中，确定所述特征模块的特征参数，示例的，将所述卷积层个数的范围确定为：0,1,2,3,4，将所述卷积层参数确定为：{Kernel_size:3*3,stride:1,padding＝1；Kernel_size:5*5,stride:1,padding＝2；Kernel_size:7*7,stride:1,padding＝3；}将所述长短期记忆网络参数确定为：{Hidden_size：1,2,3,4,5；Number_layer：1,2,3；Bidirectional：True/False}
在本实施例中，所述根据神经网络结构搜索方法、搜索策略和各个特征模块的特征参数生成子网络结构，具体为：
根据各个特征模块的特征参数确定搜索空间和搜索策略；
根据所述搜索策略确定模型参数，所述搜索策略包括随机搜索算法、进化算法和强化学习算法；
根据所述搜索空间和模型参数生成子网络结构。
在本实施例中，使用神经网络结构搜索方法以及搜索策略诸如随机搜索、进化算法、强化学习等，搜索发现适合长周期猪价预测的深度学习模型。
在本实施例中，确定搜索空间S后，定义搜索策略，所述搜索策略包括随机搜索、遗传算法策略、强化学习策略等。
在本实施例中，根据所述搜索空寂，随机生成自网络结构S1。
在本实施例中，所述根据所述子网络结构和评估指标构建生猪价格预测模型，具体为：
根据所述搜索策略确定评估指标，所述评估指标包括验证集精度和搜素时间；
根据所述评估指标对所述子网络结构进行评估迭代，并生成生猪价格预测模型。
在本实施例中，预先设置所述子网络结构的评估指标，所述评估指标包括验证集精度和和资源限制项，例如搜素时间；并根据确定的搜索策略设置搜索参数从而迭代搜索子网络结构，并对所述进行评估和更新，获取最优的子网络结构，根据所述最优的子网络结构生成生猪价格预测模型。
作为本发明实施例的一种具体举例，以遗传算法进行神经网络架构搜索为例：
根据定义的特征模块的搜索空间，设定神经网络结构的初始种群，并进行参数设定。
在本实施例中，确定验证集的准确率为个体(子网络结构S1)适应度的评估指标。设定模型参数，具体的：遗传算法的种群规模30、进化代数1000。交叉和变异的概率分别为0.5和0.1。
在本实施例中，从种群中随机选择两个个体(子网络结构)，然后计算并比较其适应度，并保留较高者进行下一步交叉或变异，生成新的子网络结构S1’；对新生成的S1’进行训练评估，将适应度高的S1’放回种群，生成新一代种群。
在本实施例中，经过多代进化后，当达到最大进化迭代次数或者连续多次前后两代中最优个体的适应度相差在一定范围内，结束迭代输出最优个体S1作为最优的子网络结构，从而根据所述最优的子网络结构生成生猪价格预测模型。
在本实施例中，所述根据多损失函数和训练集训练所述生猪价格预测模型，具体为：
确定若干个损失函数，并将所述若干个损失函数进行融合生成多损失函数；
根据所述多损失函数、训练集迭代训练所述生猪价格预测模型，直至达到预设条件，停止迭代，完成生猪价格预测模型训练。
在本实施例中，对模型预测结果与真实值的偏差部分赋予残差一个L2正则损失，具体的：
在本实施例中，计算所有预测值和真实值之间的差异，传入Softmax函数后得到长度为T的向量，此向量与1/T求差值并求绝对值，求和后乘以T得到损失，具体的：
在本实施例中，分别对预测值和真实值进行傅里叶变换得到频域信息，求模并获主成分，使用L2范数计算损失，具体的：
在本实施例中，计算真实值的自相关系数，计算真实值与预测值的互相关系数，计算两个两者的L2范数得到损失，具体的：
上述损失函数中，y为真实值，y＝[y1,y2,…,yn]，为预测值，/>
在本实施例中，通过对上述若干个损失函数进行融合得到最终的多损失函数，具体的：
L＝l1+αl2+(1-α)l3+γl4 (5)
其中，α∈[0,1],γ为超参数。
步骤103：根据奇异值分解将训练好的模型中所有的线性层进行低秩处理，完成生猪价格预测模型构建。
在本实施例中，所述根据奇异值分解将训练好的模型中所有的线性层进行低秩处理，完成生猪价格预测模型构建，具体为：
将训练好的生猪价格预测模型中的所有线性层分解为若干个第一矩阵的乘积；
根据所述第一矩阵计算线性层的奇异值，并根据第一保留公式对所述奇异值进行筛选；
根据筛选后的奇异值生成第二矩阵，并根据所述第二矩阵对所述线性层进行更新，完成生猪价格预测模型构建。
在本实施例中，将训练好的模型中所有的线性层进行低秩处理。使用奇异值分解(SVD)来对每一个线性层进行降维。
在本实施例中，先提取生猪价格预测模型中的线性层，并分别对线性层进行奇异值分解SVD，根据第一保留公式选取合适的奇异值个数k，从而对奇异值重构第二矩阵M～，并利用第二矩阵M～替换掉原来的线性层M
在本实施例中，通过舍弃少量非重要容易引起干扰误差的参数，既降低了模型预测的波动性，又减少了模型的参数量。
作为本发明实施例的一种具体举例，一个线性的全连接层表示为一个矩阵M，其形状为m*n，使用SVD分解将其分解为三个矩阵的乘积M＝USVT，其中，U为左奇异向量矩阵，S为奇异值对角矩阵，V为右奇异向量矩阵，U和V为m*r的矩阵，S为r*r的矩阵，阶段奇异值矩阵得到S～，根据第一保留公式保留前k个主要的奇异值，将近似的矩阵M～替换原有的线性层。所述第一保留公式具体为：
在本实施例中，m,n,r均是矩阵维度，表示了SVD各个矩阵的大小。此外，由于k的选择并不固定，k越小，模型压缩越多，鲁棒性越高。
在本实施例中，将完成训练生猪价格预测模型部署在推理服务器，从而对生猪价格进行预测。
请参照图3，图3为本发明施例提供的生猪价格预测模型建模方法的另一种流程示意图。
在本实施例中，通过获取多源的价格影响数据，并对价格影响数据进行异常值处理，从而根据所述价格影响数据定义模型的搜索空间，获取子网络结构，当评估值达到预设的期望值时，根据所述子网络结构构建生猪价格预测模型并进行训练，并对训练好的生猪价格预测模型进行低秩处理，从而根据所述生猪价格预测模型预测生猪价格。
在本实施例中，在网络模型拓扑结构基础上，使神经网络结构搜索方法，自动搜索预测模型的结构。在匹配适合长序列生猪价格预测任务的深度学习模型同时，减少人工设计和调试成本，并提高自动搜索的效率。根据多种损失函数融合避免长序列训练预测不稳定，同时根据奇异值分解的方法对线性层进行低秩处理从而避免长序列趋势预测波动性较大。
请参照图4，图4为本发明实施例提供的生猪价格预测方法的一种流程示意图，包括步骤401至步骤403，具体的：
步骤401：根据预设的采集周期获取第一价格影响数据，并对所述第一价格影响数据进行数据融合和异常值监测处理；
步骤402：应用所述的生猪价格预测模型建模方法构建生猪价格预测模型；
步骤403：将所述根据所述第一价格影响数据输入所述生猪价格预测模型，预测所述生猪价格。
请参照图5，图5为本发明实施例提供的生猪价格预测模型建模装置的一种结构示意图，包括：数据预处理模块501、搜索模块502和低秩处理模块503；
所述数据预处理模块501，用于采集价格影响数据，并对所述价格影响数据进行预处理和序列化处理；并对序列化处理后的价格影响数据进行划分，生成训练集；
所述搜索模块502，用于根据神经网络结构搜索方法及搜索策略构建生猪价格预测模型，并根据多损失函数和训练集训练所述生猪价格预测模型；
所述低秩处理模块503，用于根据奇异值分解将训练好的模型中所有的线性层进行低秩处理，完成生猪价格预测模型构建。
本发明实施例还提供了一种生猪价格预测装置，包括：数据采集模块、模型构建模型和预测模块；
所述数据采集模块，用于根据预设的采集周期获取第一价格影响数据，并对所述第一价格影响数据进行数据融合和异常值监测处理；
所述模型构建模型，用于应用所述的生猪价格预测模型建模方法构建生猪价格预测模型；
所述预测模块，用于将所述根据所述第一价格影响数据输入所述生猪价格预测模型，预测所述生猪价格。
在本实施例中，基于限定的网络拓扑结构自动训练出一套适合长序列生猪价格趋势预测的最优深度学习模型，并在最优深度学习模型结构基础上使用特征数据结合改进的损失函数训练模型并更新参数，使用最优模型结构及更新的参数实现长序列猪价预测，提高预测精度。
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步的详细说明，应当理解，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围。特别指出，对于本领域技术人员来说，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种生猪价格预测模型建模方法，其特征在于，包括：
采集价格影响数据，并对所述价格影响数据进行预处理和序列化处理；并对序列化处理后的价格影响数据进行划分，生成训练集；
根据神经网络结构搜索方法及搜索策略构建生猪价格预测模型，并根据多损失函数和训练集训练所述生猪价格预测模型；
根据奇异值分解将训练好的模型中所有的线性层进行低秩处理，完成生猪价格预测模型构建。
2.如权利要求1所述的生猪价格预测模型建模方法，其特征在于，所述根据神经网络结构搜索方法及搜索策略构建生猪价格预测模型，具体为：
根据所述价格影响数据确定若干个特征模块，并确定各个特征模块的特征参数，所述特征参数包括卷积层个数、卷积层参数和长短期记忆网络参数；
根据神经网络结构搜索方法、搜索策略和各个特征模块的特征参数生成子网络结构；
根据所述子网络结构和评估指标构建生猪价格预测模型。
3.如权利要求2所述的生猪价格预测模型建模方法，其特征在于，所述根据神经网络结构搜索方法、搜索策略和各个特征模块的特征参数生成子网络结构，具体为：
根据各个特征模块的特征参数确定搜索空间和搜索策略；
根据所述搜索策略确定模型参数，所述搜索策略包括随机搜索算法、进化算法和强化学习算法；
根据所述搜索空间和模型参数生成子网络结构。
4.如权利要求1所述的生猪价格预测模型建模方法，其特征在于，所述根据所述子网络结构和评估指标构建生猪价格预测模型，具体为：
根据所述搜索策略确定评估指标，所述评估指标包括验证集精度和搜素时间；
根据所述评估指标对所述子网络结构进行评估迭代，并生成生猪价格预测模型。
5.如权利要求1所述的生猪价格预测模型建模方法，其特征在于，所述根据多损失函数和训练集训练所述生猪价格预测模型，具体为：
确定若干个损失函数，并将所述若干个损失函数进行融合生成多损失函数；
根据所述多损失函数、训练集迭代训练所述生猪价格预测模型，直至达到预设条件，停止迭代，完成生猪价格预测模型训练。
6.如权利要求1所述的生猪价格预测模型建模方法，其特征在于，所述根据奇异值分解将训练好的模型中所有的线性层进行低秩处理，完成生猪价格预测模型构建，具体为：
将训练好的生猪价格预测模型中的所有线性层分解为若干个第一矩阵的乘积；
根据所述第一矩阵计算线性层的奇异值，并根据第一保留公式对所述奇异值进行筛选；
根据筛选后的奇异值生成第二矩阵，并根据所述第二矩阵对所述线性层进行更新，完成生猪价格预测模型构建。
7.如权利要求1所述的生猪价格预测模型建模方法，其特征在于，所述采集价格影响数据，并对所述价格影响数据进行预处理和序列化处理，具体为：
采集价格影响数据，所述价格影响数据包括中台生产数据、外部行情数据、环境数据和政策数据；
根据时间特性对所述价格影响数据进行合并，并对所述价格影响数据进行预处理，所述预处理包括缺失值填充和异常值处理；
对预处理后的价格影响数据进行序列化处理，所述序列化处理包括位置编码和卷积编码。
8.一种生猪价格预测方法，其特征在于，包括：
根据预设的采集周期获取第一价格影响数据，并对所述第一价格影响数据进行数据融合和异常值监测处理；
应用权利要求1至7任一项所述的生猪价格预测模型建模方法构建生猪价格预测模型；
将所述根据所述第一价格影响数据输入所述生猪价格预测模型，预测所述生猪价格。
9.一种生猪价格预测模型建模装置，其特征在于，包括：数据预处理模块、搜索模块和低秩处理模块；
所述数据预处理模块，用于采集价格影响数据，并对所述价格影响数据进行预处理和序列化处理；并对序列化处理后的价格影响数据进行划分，生成训练集；
所述搜索模块，用于根据神经网络结构搜索方法及搜索策略构建生猪价格预测模型，并根据多损失函数和训练集训练所述生猪价格预测模型；
所述低秩处理模块，用于根据奇异值分解将训练好的模型中所有的线性层进行低秩处理，完成生猪价格预测模型构建。
10.一种生猪价格预测装置，其特征在于，包括：数据采集模块、模型构建模型和预测模块；
所述数据采集模块，用于根据预设的采集周期获取第一价格影响数据，并对所述第一价格影响数据进行数据融合和异常值监测处理；
所述模型构建模型，用于应用权利要求1至7任一项所述的生猪价格预测模型建模方法构建生猪价格预测模型；
所述预测模块，用于将所述根据所述第一价格影响数据输入所述生猪价格预测模型，预测所述生猪价格。
CN202311267065.8A 2023-09-27 2023-09-27 一种生猪价格预测模型建模、生猪价格预测方法及装置 Pending CN117333241A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311267065.8A CN117333241A (zh) 2023-09-27 2023-09-27 一种生猪价格预测模型建模、生猪价格预测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311267065.8A CN117333241A (zh) 2023-09-27 2023-09-27 一种生猪价格预测模型建模、生猪价格预测方法及装置

Publications (1)

Publication Number Publication Date
CN117333241A true CN117333241A (zh) 2024-01-02

Family

ID=89282373

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311267065.8A Pending CN117333241A (zh) 2023-09-27 2023-09-27 一种生猪价格预测模型建模、生猪价格预测方法及装置

Country Status (1)

Country Link
CN (1) CN117333241A (zh)

Similar Documents

Publication Publication Date Title
CN111860982A (zh) 一种基于vmd-fcm-gru的风电场短期风电功率预测方法
CN112232543B (zh) 一种基于图卷积网络的多站点预测方法
CN112910690A (zh) 基于神经网络模型的网络流量预测方法、装置及设备
CN106529721A (zh) 一种深度特征提取的广告点击率预测系统及其预测方法
CN113988477A (zh) 基于机器学习的光伏功率短期预测方法、装置及存储介质
CN112884236B (zh) 一种基于vdm分解与lstm改进的短期负荷预测方法及系统
CN116128141B (zh) 风暴潮预测方法、装置、存储介质及电子设备
CN111932024A (zh) 一种能源负荷预测方法、装置、计算机设备及存储介质
CN111882157A (zh) 一种基于深度时空神经网络的需求预测方法、系统及计算机可读存储介质
CN114694379B (zh) 一种基于自适应动态图卷积的交通流预测方法及系统
CN117576910A (zh) 一种基于循环时空注意力机制的交通流量预测方法
CN114330934A (zh) 一种模型参数自适应的gru新能源短期发电功率预测方法
CN118036822A (zh) 电氢一体化能源站的电氢负荷预测方法、装置及存储介质
CN117494573B (zh) 一种风速预测方法、系统及电子设备
CN117829322A (zh) 基于周期性时间序列与多维度的关联型数据预测方法
CN117543537A (zh) 一种代理购电用户电量预测方法、装置、存储介质
CN115713044B (zh) 一种多工况切换下的机电设备剩余寿命分析方法和装置
CN110781755A (zh) 一种建筑钢筋智能识别计量方法及系统
CN116307049A (zh) 光伏发电功率预测方法、系统、终端及介质
CN117333241A (zh) 一种生猪价格预测模型建模、生猪价格预测方法及装置
CN115759885A (zh) 一种基于分布式物资供应下的物资抽检方法和装置
CN112581311B (zh) 一种多风电场聚合后出力长期波动特性预测方法及系统
CN118300104B (zh) 基于图神经网络的分布式光伏功率预测方法、系统、电子设备及存储介质
CN117874495B (zh) 一种太阳能发电功率组合预测方法及其装置
CN118538036B (zh) 一种基于深度学习方法的交通流短期预测方法及设备

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