CN114493697A - 农产品价格预测的方法、系统、存储介质及电子设备 - Google Patents
农产品价格预测的方法、系统、存储介质及电子设备 Download PDFInfo
- Publication number
- CN114493697A CN114493697A CN202210083365.XA CN202210083365A CN114493697A CN 114493697 A CN114493697 A CN 114493697A CN 202210083365 A CN202210083365 A CN 202210083365A CN 114493697 A CN114493697 A CN 114493697A
- Authority
- CN
- China
- Prior art keywords
- agricultural product
- price
- data
- price data
- agricultural
- 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 56
- 238000003860 storage Methods 0.000 title claims abstract description 20
- 238000012549 training Methods 0.000 claims abstract description 58
- 238000009826 distribution Methods 0.000 claims abstract description 40
- 238000002790 cross-validation Methods 0.000 claims abstract description 16
- 238000012216 screening Methods 0.000 claims abstract description 13
- 238000010606 normalization Methods 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 17
- 238000003062 neural network model Methods 0.000 claims description 12
- 238000007781 pre-processing Methods 0.000 claims description 11
- 238000013528 artificial neural network Methods 0.000 claims description 7
- 238000013277 forecasting method Methods 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 13
- 238000004590 computer program Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000013500 data storage Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007717 exclusion Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 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
- G06Q30/0206—Price or cost determination based on market factors
-
- 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
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Accounting & Taxation (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Human Resources & Organizations (AREA)
- Tourism & Hospitality (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Mining & Mineral Resources (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Marine Sciences & Fisheries (AREA)
- Animal Husbandry (AREA)
- Primary Health Care (AREA)
- Agronomy & Crop Science (AREA)
- Game Theory and Decision Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种农产品价格预测的方法、系统、存储介质及电子设备，其中农产品价格预测的方法包括：获取历史农产品价格数据。对价格数据进行归一化，并使用LASSO回归筛选出最佳输入变量。通过交叉验证来筛选出最优超参数，以获得不同分位数的最佳模型。使用农产品历史价格数据对所筛选出的最佳模型进行训练，得到训练模型。获取当前农产品价格数据。对当前农产品价格数据进行归一化，并代入训练模型进行预测，得到k个分位数。根据k个分位数进行核密度估计，得到农产品预测价格概率密度分布。输出概率密度预测分布结果。借此，本发明的农产品价格预测的方法，可以对农产品价格进行多维度预测，且可以提供更多的信息，使预测结果更加可信。
Description
技术领域
本发明是关于农业技术领域，特别是关于一种农产品价格预测的方法、系统、存储介质及电子设备。
背景技术
农产品市场作为市场经济重要的组成部分，其与人们生活密切相关。农产品价格作为农产品市场的核心要素，其直接决定着农产品的市场繁荣与稳定。农产品价格调控作为经济宏观调控的重要组成部分，准确的预测农产品价格，并作出预警可有效的提高宏观经济政策的执行效果。
随着科技水平的调高，农产品价格预测理论已经有了较为长远的发展，但现有的预测理论主要聚焦于点预测方面。传统的点预测方法在预测农产品价格时只可给出单一的点预测值，难以给出农产品价格的概率分布信息，片面的使用点预测值作为政策制定参考可能会造成政策的失真，进而影响农产品市场健康发展。
公开于该背景技术部分的信息仅仅旨在增加对本发明的总体背景的理解，而不应当被视为承认或以任何形式暗示该信息构成已为本领域一般技术人员所公知的现有技术。
发明内容
本发明的目的在于提供一种农产品价格预测的方法、系统、存储介质及电子设备，其可以对农产品价格进行多维度预测，且可以提供更多的信息，使预测结果更加可信。
为实现上述目的，第一方面，本发明提供了一种农产品价格预测的方法，包括：获取历史农产品价格数据。对价格数据进行归一化，并使用LASSO回归筛选出最佳输入变量。通过交叉验证来筛选出最优超参数，以获得不同分位数的最佳模型。使用农产品历史价格数据对所筛选出的最佳模型进行训练，得到训练模型。获取当前农产品价格数据。对当前农产品价格数据进行归一化，并代入训练模型进行预测，得到k个分位数。根据k个分位数进行核密度估计，得到农产品预测价格概率密度分布。输出农产品价格点预测值、预测区间或概率密度预测分布结果。
在本发明的一实施方式中，历史农产品价格数据包括往期月度、季度或年度农产品价格数据。
在本发明的一实施方式中，输入变量包括农产品历史各期月度、季度或年度价格。
在本发明的一实施方式中，最佳模型为通过交叉验证以及变量筛选之后，参数数量最少且误差最小的分位数神经网络模型。
第二方面，本发明提供了一种农产品价格预测的系统，包括：训练模块、预测模块、生成模块以及输出模块。训练模块用以获取农产品历史价格数据，并通过不同分位数的最佳模型进行训练，得到训练模型。预测模块用以获得当前农产品价格数据，且对所述当前农产品价格数据进行归一化，并代入训练模型进行预测，得到k个分位数。生成模块用以根据k个分位数进行核密度估计，得到农产品预测价格概率密度分布。以及输出模块用以输出农产品价格点预测值、预测区间或概率密度预测分布结果。
在本发明的一实施方式中，训练模块包括：历史数据获取单元、第一归一化处理单元以及训练执行单元。历史数据获取单元用以获取历史农产品价格数据，历史农产品价格数据具体包括往期月度、季度或年度农产品价格数据。第一归一化处理单元用以对所述历史农产品价格数据进行预处理，得到归一化后的价格数据，以来进行模型训练。以及训练执行单元用以使用一组分位数神经网络对处理后的训练数据进行拟合。其中，处理后的价格数据为当前农产品价格数据以及由LASSO方法筛选出的有必要输入模型的历史价格数据。
在本发明的一实施方式中，预测模块包括：第二归一化处理单元、预测数据整理单元以及预测执行单元。第二归一化处理单元用以对所述当前农产品价格数据进行预处理，得到归一化后的数据。预测数据整理单元用以整理各期农产品价格，最终形成模型输入数据，其主要包括当前农产品价格数据以及由LASSO方法筛选出的有必要输入模型的历史价格数据。以及预测执行单元用以将处理后的农产品价格数据输入到已训练好的分位数神经网络模型当中，对模型输出结果进行反归一化后得到当前农产品预测价格概率分布的k个分位数。
在本发明的一实施方式中，生成模块包括：核密度估计超参数选择单元、核密度估计执行单元以及输出单元。核密度估计超参数选择单元用以在进行核密度估计前，确定有关超参数，相关超参数通过交叉验证选取。核密度估计执行单元用以根据预测执行单元所得到的k个分位数，使用核密度估计法估计得到预测价格的概率密度分布。以及输出单元用以根据具体需要输出农产品价格点预测值、预测区间或概率密度预测分布。
第三方面，本发明实施例还提供了一种存储介质，存储介质存储有计算机可执行指令，所述计算机可执行指令用于执行上述的农产品价格预测的方法。
第四方面，本发明实施例还提供了一种电子设备，包括：
至少一个处理器；以及，
与至少一个处理器通信连接的存储器；其中，
存储器存储有可被所述至少一个处理器执行的指令，指令被所述至少一个处理器执行，以使至少一个处理器能够执行上述的农产品价格预测的方法。
与现有技术相比，根据本发明的农产品价格预测的方法、系统、存储介质及电子设备，对历史农产品数据进行预处理获得归一化后的数据；使用归一化的历史价格数据对分位数神经网络模型进行训练，得到训练模型，利用训练后的模型对农产品价格进行预测同时得到农产品价格的各个分位数，根据所得到农产品价格分位数，利用核密度估计得到农产品预测价格的概率密度估计，在得到农产品预测价格概率密度分布之后，可根据使用者需要进行点预测、区间预测或概率密度预测。相较于单一的点预测或区间预测来说，本发明的农产品价格预测的方法、系统、存储介质及电子设备可对农产品价格进行多维度预测，相比而言，其可以提供更多的信息，使预测结果更加可信。
附图说明
图1是根据本发明一实施方式的农产品价格预测的方法的流程示意图；
图2是根据本发明一实施方式的农产品价格预测的系统的结构示意图；
图3是根据本发明一实施方式的农产品价格预测的方法的电子设备的结构示意图。
具体实施方式
下面结合附图，对本发明的具体实施方式进行详细描述，但应当理解本发明的保护范围并不受具体实施方式的限制。
除非另有其它明确表示，否则在整个说明书和权利要求书中，术语“包括”或其变换如“包含”或“包括有”等等将被理解为包括所陈述的元件或组成部分，而并未排除其它元件或其它组成部分。
图1是根据本发明一实施方式的农产品价格预测的方法的流程示意图。如图1所示，第一方面，根据本发明优选实施方式的一种农产品价格预测的方法，包括：获取历史农产品价格数据。对价格数据进行归一化，并使用LASSO回归筛选出最佳输入变量。通过交叉验证来筛选出最优超参数，以获得不同分位数的最佳模型。使用农产品历史价格数据对所筛选出的最佳模型进行训练，得到训练模型。获取当前农产品价格数据。对当前农产品价格数据进行归一化，并代入训练模型进行预测，得到k个分位数。根据k个分位数进行核密度估计，得到农产品预测价格概率密度分布。输出农产品价格点预测值、预测区间或概率密度预测分布结果。
在本发明的一实施方式中，历史农产品价格数据包括往期月度、季度或年度农产品价格数据。
在本发明的一实施方式中，输入变量包括农产品历史各期月度、季度或年度价格。
在本发明的一实施方式中，最佳模型为通过交叉验证以及变量筛选之后，参数数量最少且误差最小的分位数神经网络模型。
图2是根据本发明一实施方式的农产品价格预测的系统的结构示意图。如图2所示，第二方面，根据本发明优选实施方式的农产品价格预测的系统，包括：训练模块1、预测模块2、生成模块3以及输出模块4。训练模块1用以获取农产品历史价格数据，并通过不同分位数的最佳模型进行训练，得到训练模型。预测模块2用以获得当前农产品价格数据，且对所述当前农产品价格数据进行归一化，并代入训练模型进行预测，得到k个分位数。生成模块3用以根据k个分位数进行核密度估计，得到农产品预测价格概率密度分布。以及输出模块4用以输出农产品价格点预测值、预测区间或概率密度预测分布结果。
在本发明的一实施方式中，训练模块1包括：历史数据获取单元、第一归一化处理单元以及训练执行单元。历史数据获取单元用以获取历史农产品价格数据，历史农产品价格数据具体包括往期月度、季度或年度农产品价格数据。第一归一化处理单元用以对所述历史农产品价格数据进行预处理，得到归一化后的价格数据，以来进行模型训练。以及训练执行单元用以使用一组分位数神经网络对处理后的训练数据进行拟合。其中，处理后的价格数据为当前农产品价格数据以及由LASSO方法筛选出的有必要输入模型的历史价格数据。
在本发明的一实施方式中，预测模块2包括：第二归一化处理单元、预测数据整理单元以及预测执行单元。第二归一化处理单元用以对所述当前农产品价格数据进行预处理，得到归一化后的数据。预测数据整理单元用以整理各期农产品价格，最终形成模型输入数据，其主要包括当前农产品价格数据以及由LASSO方法筛选出的有必要输入模型的历史价格数据。以及预测执行单元用以将处理后的农产品价格数据输入到已训练好的分位数神经网络模型当中，对模型输出结果进行反归一化后得到当前农产品预测价格概率分布的k个分位数。
在本发明的一实施方式中，生成模块3包括：核密度估计超参数选择单元、核密度估计执行单元以及输出单元。核密度估计超参数选择单元用以在进行核密度估计前，确定有关超参数，相关超参数通过交叉验证选取。核密度估计执行单元用以根据预测执行单元所得到的k个分位数，使用核密度估计法估计得到预测价格的概率密度分布。以及输出单元用以根据具体需要输出农产品价格点预测值、预测区间或概率密度预测分布。
第三方面，本发明实施例还提供了一种存储介质，存储介质存储有计算机可执行指令，所述计算机可执行指令用于执行上述的农产品价格预测的方法。
其中，所述存储介质可以是计算机能够存取的任何可用介质或数据存储设备，包括但不限于磁性存储器(例如软盘、硬盘、磁带、磁光盘(MO)等)、光学存储器(例如CD、DVD、BD、HVD等)、以及半导体存储器(例如ROM、EPROM、EEPROM、非易失性存储器(NAND FLASH)、固态硬盘(SSD))等。
图3是根据本发明一实施方式的农产品价格预测的方法的电子设备的结构示意图。如图3所示，第四方面，本发明实施例还提供了一种电子设备。电子设备1100可以是具备计算能力的主机服务器、个人计算机PC、或者可携带的便携式计算机或终端等。本发明具体实施例并不对电子设备的具体实现做限定。
该电子设备1100包括至少一个处理器(processor)1110、通信接口(Communications Interface)1120、存储器(memory array)1130和总线1140。其中，处理器1110、通信接口1120、以及存储器1130通过总线1140完成相互间的通信。
通信接口1120用于与网元通信，其中网元包括例如虚拟机管理中心、共享存储等。
处理器1110用于执行程序。处理器1110可能是一个中央处理器CPU，或者是专用集成电路ASIC(Application Specific Integrated Circuit)，或者是被配置成实施本发明实施例的一个或多个集成电路。
存储器1130用于可执行的指令。存储器1130可能包含高速RAM存储器，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。存储器1130也可以是存储器阵列。存储器1130还可能被分块，并且所述块可按一定的规则组合成虚拟卷。存储器1130存储的指令可被处理器1110执行，以使处理器1110能够执行上述任意方法实施例中的农产品价格预测的方法。
在实际应用中，本发明的农产品价格预测的方法包括：获取历史农产品价格数据。对所述历史农产品数据进行预处理，得到归一化后的价格数据。对农产品价格滞后20期一共20个变量作为初始输入变量进行筛选得到最佳输入变量，并通过交叉验证得到最优超参数，以获得不同分位数的最佳模型。通过农产品历史价格数据对最佳分位数神经网络模型进行训练，得到训练模型。获取当前农产品价格数据。对所述当前农产品价格数据进行预处理，得到归一化后的数据。将当前农产品价格数据以及由LASSO方法筛选出的有必要输入模型的历史价格数据输入到所述训练模型当中，对模型输出结果进行反归一化后得到当前农产品预测价格概率分布的k个分位数。根据所得到的k个分位数，使用核密度估计法估计得到预测价格的概率密度分布。根据具体需要输出农产品价格点预测值、预测区间或概率密度预测分布。历史农产品数据具体包括往期月度、季度或年度农产品价格数据。模型的输入变量包括农产品历史各期月度、季度或年度价格，筛选所使用的方法为LASSO方法。最佳模型为通过交叉验证以及变量筛选之后，参数数量最少且误差最小的分位数神经网络模型。处理后的农产品价格数据是指当前农产品价格数据以及由LASSO方法筛选出的有必要输入模型的历史价格数据。分位数神经网络是指一组模型，由于单个模型只能预测农产品价格概率分布的一个分位数点，若估计整个农产品价格概率分布，则需估计一组模型。核密度估计法在对概率密度分布进行估计时，需要事先确定一组超参数，相关参数通过交叉验证选取。
具体来说，农产品价格预测的方法的流程主要包括：获取农产品历史价格数据，农产品历史价格数据主要包括农产品过去时段内各个月度、季度或者年度数据。
对价格数据进行归一化，并使用LASSO方法筛选出最佳输入变量：农产品价格变化范围较大，通过对其进行归一化，可加速模型训练的收敛速度。在对未来农产品价格进行预测时，某些输入变量起着决定性作用，通过LASSO将这些变量筛选出来，以来简化模型，提高运行速度。
通过交叉验证来筛选出模型最佳超参数：不同预测任务情形下，分位数神经网络的最佳超参数各不相同。通过交叉验证的方式进行筛选，可得到模型最佳超参数，使得模型预测性能最优。
使用处理后的数据对所筛选出的最佳模型进行训练，得到训练模型。
获取当前农产品价格数据：当前农产品价格数据主要是指即期农产品月度、季度或年度价格数据。
对模型输入数据进行归一化，并代入模型进行预测，得到k个分位数：模型输入数据主要包括当前农产品价格数据以及由LASSO方法筛选出的有必要输入模型的历史价格数据。由于每一个分位数对应一个分位数神经网络模型，因而将归一化的数据代入一组模型并进行反归一化之后会得到k个分位数。
根据k个分位数进行核密度估计，得到农产品预测价格概率密度分布，预测所得到的k个分位数可反应农产品预测价格的样本密度分布，但其不连续且不光滑。借助于核密度估计，农产品预测价格的总体密度分布可被估计出。
本发明的农产品价格预测的系统具体包括：训练模块1：用于获取农产品历史价格数据，通过其对分位数神经网络进行训练，得到训练模型。预测模块2，获得当前农产品价格数据，将其进行预处理之后，输入到训练模型当中，并得到预测价格概率分布的若干个分位数。生成模块3，根据预测得到的若干个分位数，利用核密度估计，得到预测价格的概率分布。此模块可根据使用者需要进行农产品价格点预测、区间预测或概率密度预测。训练模块1具体包括：历史数据获取单元，用于获取历史农产品价格数据。第一归一化处理单元，对所述历史农产品数据进行预处理，得到归一化后的价格数据，以来进行模型训练。训练执行单元，使用一组分位数神经网络对处理后的训练数据进行拟合。其中，处理后的农产品价格数据是指当前农产品价格数据以及由LASSO方法筛选出的有必要输入模型的历史价格数据。而预测模块2具体包括：当前数据获取单元，获取当前农产品价格数据。第二归一化处理单元，对所述当前农产品价格数据进行预处理，得到归一化后的数据。预测数据整理单元，整理各期农产品价格，最终形成模型输入数据，其主要包括当前农产品价格数据以及由LASSO方法筛选出的有必要输入模型的历史价格数据。预测执行单元，将处理后的农产品价格数据输入到已训练好的分位数神经网络模型当中，对模型输出结果进行反归一化后得到当前农产品预测价格概率分布的k个分位数。生成模块3具体包括：核密度估计超参数选择单元，在进行核密度估计前，需要确定有关超参数，相关参数通过交叉验证选取。核密度估计执行单元，根据预测单元所得到的k个分位数，使用核密度估计法估计得到预测价格的概率密度分布。输出单元，根据具体需要输出农产品价格点预测值、预测区间或概率密度预测分布。
总之，本发明的农产品价格预测的方法、系统、存储介质及电子设备，对历史农产品数据进行预处理获得归一化后的数据；使用归一化的历史价格数据对分位数神经网络模型进行训练，得到训练模型，利用训练后的模型对农产品价格进行预测同时得到农产品价格的各个分位数，根据所得到农产品价格分位数，利用核密度估计得到农产品预测价格的概率密度估计，在得到农产品预测价格概率密度分布之后，可根据使用者需要进行点预测、区间预测或概率密度预测。相较于单一的点预测或区间预测来说，本发明的农产品价格预测的方法、系统、存储介质及电子设备可对农产品价格进行多维度预测，相比而言，其可以提供更多的信息，使预测结果更加可信，从而可以向决策者提供更加丰富的农产品价格信息，进而提高了决策的可靠性。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
前述对本发明的具体示例性实施方案的描述是为了说明和例证的目的。这些描述并非想将本发明限定为所公开的精确形式，并且很显然，根据上述教导，可以进行很多改变和变化。对示例性实施例进行选择和描述的目的在于解释本发明的特定原理及其实际应用，从而使得本领域的技术人员能够实现并利用本发明的各种不同的示例性实施方案以及各种不同的选择和改变。本发明的范围意在由权利要求书及其等同形式所限定。
Claims (10)
1.一种农产品价格预测的方法，其特征在于，包括：
获取历史农产品价格数据；
对价格数据进行归一化，并使用LASSO回归筛选出最佳输入变量；
通过交叉验证来筛选出最优超参数，以获得不同分位数的最佳模型；
使用农产品历史价格数据对所筛选出的最佳模型进行训练，得到训练模型；
获取当前农产品价格数据；
对所述当前农产品价格数据进行归一化，并代入训练模型进行预测，得到k个分位数；
根据k个分位数进行核密度估计，得到农产品预测价格概率密度分布；
输出农产品价格点预测值、预测区间或概率密度预测分布结果。
2.如权利要求1所述的农产品价格预测的方法，其特征在于，所述历史农产品价格数据包括往期月度、季度或年度农产品价格数据。
3.如权利要求1所述的农产品价格预测的方法，其特征在于，所述输入变量包括农产品历史各期月度、季度或年度价格。
4.如权利要求1所述的农产品价格预测的方法，其特征在于，所述最佳模型为通过交叉验证以及变量筛选之后，参数数量最少且误差最小的分位数神经网络模型。
5.一种农产品价格预测的系统，其特征在于，包括：
训练模块，用以获取农产品历史价格数据，并通过不同分位数的最佳模型进行训练，得到训练模型；
预测模块，用以获得当前农产品价格数据，且对所述当前农产品价格数据进行归一化，并代入训练模型进行预测，得到k个分位数；
生成模块，用以根据k个分位数进行核密度估计，得到农产品预测价格概率密度分布；以及
输出模块，用以输出农产品价格点预测值、预测区间或概率密度预测分布结果。
6.如权利要求5所述的农产品价格预测的系统，其特征在于，所述训练模块包括：
历史数据获取单元，用以获取历史农产品价格数据，历史农产品价格数据具体包括往期月度、季度或年度农产品价格数据；
第一归一化处理单元，用以对所述历史农产品价格数据进行预处理，得到归一化后的价格数据，以来进行模型训练；以及
训练执行单元，用以使用一组分位数神经网络对处理后的训练数据进行拟合；
其中，处理后的价格数据为当前农产品价格数据以及由LASSO方法筛选出的有必要输入模型的历史价格数据。
7.如权利要求5所述的农产品价格预测的系统，其特征在于，所述预测模块包括：
第二归一化处理单元，用以对所述当前农产品价格数据进行预处理，得到归一化后的数据；
预测数据整理单元，用以整理各期农产品价格，最终形成模型输入数据，其主要包括当前农产品价格数据以及由LASSO方法筛选出的有必要输入模型的历史价格数据；以及
预测执行单元，用以将处理后的农产品价格数据输入到已训练好的分位数神经网络模型当中，对模型输出结果进行反归一化后得到当前农产品预测价格概率分布的k个分位数。
8.如权利要求7所述的农产品价格预测的系统，其特征在于，所述生成模块包括：
核密度估计超参数选择单元，用以在进行核密度估计前，确定有关超参数，相关超参数通过交叉验证选取；
核密度估计执行单元，用以根据预测执行单元所得到的k个分位数，使用核密度估计法估计得到预测价格的概率密度分布；以及
输出单元，用以根据具体需要输出农产品价格点预测值、预测区间或概率密度预测分布。
9.一种存储介质，其特征在于，所述存储介质存储有计算机可执行指令，所述计算机可执行指令用于执行权利要求1-4任意一项所述的农产品价格预测的方法。
10.一种电子设备，其特征在于，包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-4任意一项所述的农产品价格预测的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210083365.XA CN114493697A (zh) | 2022-01-24 | 2022-01-24 | 农产品价格预测的方法、系统、存储介质及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210083365.XA CN114493697A (zh) | 2022-01-24 | 2022-01-24 | 农产品价格预测的方法、系统、存储介质及电子设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114493697A true CN114493697A (zh) | 2022-05-13 |
Family
ID=81474324
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210083365.XA Pending CN114493697A (zh) | 2022-01-24 | 2022-01-24 | 农产品价格预测的方法、系统、存储介质及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114493697A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115081686A (zh) * | 2022-05-30 | 2022-09-20 | 彩虹显示器件股份有限公司 | 一种基于机器学习的基板玻璃引出量在线控制系统及方法 |
-
2022
- 2022-01-24 CN CN202210083365.XA patent/CN114493697A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115081686A (zh) * | 2022-05-30 | 2022-09-20 | 彩虹显示器件股份有限公司 | 一种基于机器学习的基板玻璃引出量在线控制系统及方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2021174811A1 (zh) | 车流量时间序列的预测方法及预测装置 | |
| CN106022505A (zh) | 一种预测用户离网的方法及装置 | |
| US20210374582A1 (en) | Enhanced Techniques For Bias Analysis | |
| CN106778908A (zh) | 一种新异类检测方法与装置 | |
| CN109741177A (zh) | 用户信用的评估方法、装置及智能终端 | |
| CN111797320A (zh) | 数据处理方法、装置、设备及存储介质 | |
| CN111199469A (zh) | 用户还款模型生成方法、装置及电子设备 | |
| CN113807469A (zh) | 一种多能源用户价值预测方法、装置、存储介质和设备 | |
| US20190220924A1 (en) | Method and device for determining key variable in model | |
| CN113837383A (zh) | 模型训练方法、装置、电子设备及存储介质 | |
| CN115796548A (zh) | 一种资源分配方法、装置、计算机设备、存储介质及产品 | |
| CN116452333A (zh) | 异常交易检测模型的构建方法、异常交易检测方法及装置 | |
| CN114493697A (zh) | 农产品价格预测的方法、系统、存储介质及电子设备 | |
| CN111368837B (zh) | 一种图像质量评价方法、装置、电子设备及存储介质 | |
| CN111091863A (zh) | 一种存储设备故障检测方法及相关装置 | |
| CN113506175A (zh) | 中小企业风险预警模型优化方法、装置、设备和存储介质 | |
| CN116862078B (zh) | 一种换电套餐用户逾期的预测方法、系统、装置及介质 | |
| CN112737834A (zh) | 一种云硬盘故障预测方法、装置、设备及存储介质 | |
| CN117422182A (zh) | 数据预测方法、装置及存储介质 | |
| CN117235633A (zh) | 机构分类方法、装置、计算机设备及存储介质 | |
| WO2022222230A1 (zh) | 基于机器学习的指标预测方法、装置、设备及存储介质 | |
| CN113269259B (zh) | 一种目标信息的预测方法及装置 | |
| WO2022156064A1 (zh) | 闪存芯片可靠性等级预测方法、装置及存储介质 | |
| CN115829736A (zh) | 模型参数的测试方法、装置、存储介质以及电子设备 | |
| CN115660101A (zh) | 一种基于业务节点信息的数据服务提供方法及装置 |
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 |