本發明涉及農產品價格預警，尤其涉及一種基于模型預測的農產品價格波動預警方法及系統。

背景技術：

1、農產品作為人類生存與發展的重要物資，農產品價格的波動會為農業生產者、經營者以及消費者帶來諸多影響。

2、在現有技術中，常通過移動平均法、指數平滑法、arima模型、因果分析方法等實現對于農產品價格的預測。時間序列分析方法也為農產品價格的預測奠定了基礎。

3、上述方法雖然能夠實現對農產品價格的預測和預警，僅通過一個維度的預測容易導致預測不準確，還容易忽略如自然因素、市場供需變化等外部因素對農產品價格的影響，因而，需要一種方法能夠實現通過多維數據的融合實現對初始預測價的預估，并在存在鄰近極端影響因素時，對初始預測價進行修正，從而得到更準確的農產品價格。

技術實現思路

1、本發明提供一種基于模型預測的農產品價格波動預警方法、計算機可讀存儲介質，其主要目的在于通過多維數據的融合來實現對初始預測價的預估，并在存在鄰近極端影響因素時，對初始預測價進行修正，從而得到更準確的農產品價格。

2、為實現上述目的，本發明提供的一種基于模型預測的農產品價格波動預警方法，包括：

3、獲取農產品歸屬點，基于農產品歸屬點獲取歷史價格數據集，劃分所述歷史價格數據集，得到多個目標年，獲取多個目標年中每一個目標年對應的標識周價曲線及標識波動曲線，得到預處理歷史數據；

4、獲取預測模型集，對預測模型集執行組合操作，得到多個組合模型，其中，預測模型集中包括多個預測模型；

5、獲取待預測農產品歸屬點數據，其中，所述待預測農產品歸屬點數據包括：待預測農產品、待預測供應端口、待預測端口地區及待預測時間；

6、基于待預測農產品歸屬點數據及預處理歷史數據獲取鄰近日數據，將鄰近日數據及預處理歷史數據導入至多個組合模型，得到多個模型預測價，基于預處理歷史數據計算歷史預測價，基于鄰近日數據計算鄰近預測價；

7、基于多個模型預測價、歷史預測價及鄰近預測價獲取待預測農產品歸屬點數據的初始預測價，獲取鄰近日數據的鄰近極端影響因素集；

8、若鄰近極端影響因素集不為空集，則基于鄰近極端影響因素集獲取修正農產品價格，并基于鄰近極端影響因素集生成價格預警；

9、否則，基于初始預測價完成基于模型預測的農產品價格波動預警。

10、可選地，所述獲取農產品歸屬點，包括：

11、獲取農產品集，對農產品集中的農產品均執行如下操作：

12、獲取農產品對應的供應端口集，從供應端口集中依次提取供應端口，并獲取所述供應端口對應的端口地區集，從端口地區集中依次提取端口地區，合并所述農產品、端口地區及供應端口，得到初始農產品歸屬點，其中，供應端口包括：生產端及銷售端，初始農產品歸屬點包括：一個農產品、一個供應端口及一個端口地區；

13、匯總初始農產品歸屬點，從匯總后的初始農產品歸屬點中提取農產品歸屬點。

14、可選地，所述獲取多個目標年中每一個目標年對應的標識周價曲線及標識波動曲線，得到預處理歷史數據，包括：

15、從多個目標年中依次提取目標年，對所提取的目標年執行如下操作：

16、基于預設的周時序劃分所提取的目標年，得到多個周價時序，利用所述歷史價格數據集填充多個周價時序，得到多個周價數據集；

17、對多個周價數據集中的周價數據集均執行如下操作：

18、統計周價數據集中的農產品價格集及樣本個數，基于農產品價格集及樣本個數計算周價均值，并獲取周價均值在周價時序內的極端影響因素集，其中，所述極端影響因素集包括零個、一個或多個極端影響因素；

19、按照時間由先至后的順序匯總周價均值，得到多個順序周價；

20、基于多個順序周價計算多個順序周波動比例，根據多個順序周價及多個順序周波動比例獲取目標年對應的周價曲線及波動曲線，基于極端影響因素集對所述周價曲線及波動曲線執行標識操作，得到標識周價曲線及標識波動曲線；

21、匯總標識周價曲線及標識波動曲線，得到預處理歷史數據。

22、可選地，所述基于農產品價格集及樣本個數計算周價均值，包括：

23、若樣本個數大于預設的樣本量閾值，計算農產品價格集中農產品價格的均值，得到周價均值；

24、若樣本個數小于等于樣本量閾值，則獲取周價數據集的多個相鄰周價時序列及多個類農產歸屬點，確認出多個相鄰周價時序列中每一個相鄰周價時序列對應的鄰周價均值，得到多個鄰周價均值，查詢多個類農產歸屬點中每一個類農產歸屬點在所述周價時序內的類周價均值，得到多個類周價均值，計算多個鄰周價均值及多個類周價均值的均值，得到周價均值。

25、可選地，所述基于多個順序周價計算多個順序周波動比例，根據多個順序周價及多個順序周波動比例獲取目標年對應的周價曲線及波動曲線，基于極端影響因素集對所述周價曲線及波動曲線執行標識操作，得到標識周價曲線及標識波動曲線，包括：

26、從多個順序周價中依次提取順序周價，并提取多個順序周價中與所述順序周價相鄰的下一順序周價，得到鄰順序周價，基于順序周價及鄰順序周價計算順序波動比例，匯總順序波動比例，得到多個順序波動比例，其中，順序波動比例與順序周價一一對應，且順序波動比例的計算公式如下：

27、

28、其中，表示順序波動比例，表示鄰順序周價，表示順序周價；

29、基于所述多個周價時序構建多個周時橫坐標，以多個周時橫坐標為周價曲線的橫坐標，以多個周時橫坐標對應的多個順序周價為周價曲線的縱坐標，利用預構建的曲線擬合方法構建周價曲線；

30、以多個周時橫坐標為波動曲線的橫坐標，以多個周時橫坐標對應的多個順序波動比例為縱坐標，構建波動曲線；

31、依次提取周價曲線中的順序周價，得到目標標識點，提取目標標識點對應的周價時序、極端影響因素集及順序波動比例，得到順序周價標識，利用順序周價標識對目標標識點執行標識操作，確認周價曲線中的目標標識點均執行標識操作后，得到標識周價曲線；

32、利用極端影響因素集及多個順序波動比例獲取標識波動曲線。

33、可選地，所述將鄰近日數據及預處理歷史數據導入至多個組合模型，得到多個模型預測價，包括：

34、從多個組合模型中依次提取組合模型，并對組合模型均執行如下操作：

35、確認出第一模型及第二模型，將所述預處理歷史數據劃分為歷史訓練集及歷史測試集，利用所述歷史訓練集對所述第一模型及第二模型均執行訓練，并利用歷史測試集對訓練后的第一模型及訓練后的第二模型均執行測試，得到第一誤差均方及第二誤差均方，基于第一誤差均方及第二誤差均方計算第一權重及第二權重；

36、將鄰近日數據及預處理歷史數據導入至訓練后的第一模型及訓練后的第二模型，得到初始第一模型及初始第二模型，基于初始第一模型及初始第二模型預測所述待預測農產品歸屬點數據的第一預測價及第二預測價，基于第一預測價、第二預測價、第一權重及第二權重計算模型預測價；

37、匯總模型預測價，得到多個模型預測價。

38、可選地，所述模型預測價的計算公式如下所示：

39、

40、其中，表示模型預測價，表示歷史測試集中的歷史測試價格的總個數，表示訓練后的第一模型對歷史測試集中第歷史測試價格進行預測所得到的第一模型第預測價格，表示第一模型的第一模型第預測價格在歷史測試集中對應的第歷史測試價格，表示第一預測價，表示訓練后的第二模型對歷史測試集中第歷史測試價格進行預測所得到的第二模型第預測價格，表示第二模型的第二模型第預測價格在歷史測試集中對應的第歷史測試價格，表示第二預測價。

41、可選地，所述基于預處理歷史數據計算歷史預測價，基于鄰近日數據計算鄰近預測價，包括：

42、從預處理歷史數據提取出多個目標年中待預測時間對應的多個周價均值，得到多個初始歷史周價，剔除多個初始歷史周價中對應極端影響因素集不為空集的初始歷史周價，得到多個清洗歷史周價，計算多個清洗歷史周價的均值，得到歷史預測價；

43、基于鄰近日數據繪制鄰近日價格曲線，并計算鄰近日價格曲線中預設的鄰近待預測時間對應的斜率，得到鄰近日趨勢，基于鄰近日趨勢構建趨勢直線，并計算待預測時間在趨勢直線中的縱坐標，得到第一鄰近預測價；

44、從預處理歷史數據提取多個目標年對應的標識波動曲線，得到多個歷史波動曲線，從多個歷史波動曲線中提取多個目標年中待預測時間對應的多個歷史波動數據組，其中，歷史波動數據組與歷史波動曲線一一對應，歷史波動數據組中包括多個歷史波動數據，且歷史波動數據為目標年中與待預測時間相鄰的順序波動比例；

45、計算多個歷史波動數據組的歷史波動均值，并從鄰近日價格曲線中提取鄰近價格值，基于鄰近價格值及歷史波動均值計算第二鄰近預測價，基于第一鄰近預測價及第二鄰近預測價計算鄰近預測價。

46、可選地，所述基于多個模型預測價、歷史預測價及鄰近預測價獲取待預測農產品歸屬點數據的初始預測價，包括：

47、匯總多個模型預測價、歷史預測價及鄰近預測價，得到預測價集合；

48、計算預測價集合的預測價方差，若所述預測價方差小于預設的方差閾值，則計算預測價集合的均值，得到初始預測價；

49、否則，利用預構建的離群點剔除方法篩選所述預測價集合，得到優化預測價集，計算優化預測價集的均值，得到初始預測價。

50、為實現上述目的，本發明還提供一種基于模型預測的農產品價格波動預警系統，包括：

51、預處理歷史數據模塊，用于獲取農產品歸屬點，基于農產品歸屬點獲取歷史價格數據集，劃分所述歷史價格數據集，得到多個目標年，獲取多個目標年中每一個目標年對應的標識周價曲線及標識波動曲線，得到預處理歷史數據；

52、待預測農產品歸屬點數據模塊，用于獲取預測模型集，對預測模型集執行組合操作，得到多個組合模型，其中，預測模型集中包括多個預測模型，獲取待預測農產品歸屬點數據，其中，所述待預測農產品歸屬點數據包括：待預測農產品、待預測供應端口、待預測端口地區及待預測時間；

53、初始預測價模塊，用于基于待預測農產品歸屬點數據及預處理歷史數據獲取鄰近日數據，將鄰近日數據及預處理歷史數據導入至多個組合模型，得到多個模型預測價，基于預處理歷史數據計算歷史預測價，基于鄰近日數據計算鄰近預測價，基于多個模型預測價、歷史預測價及鄰近預測價獲取待預測農產品歸屬點數據的初始預測價，獲取鄰近日數據的鄰近極端影響因素集；

54、預警模塊，用于若鄰近極端影響因素集不為空集，則基于鄰近極端影響因素集獲取修正農產品價格，并基于鄰近極端影響因素集生成價格預警，否則，基于初始預測價完成基于模型預測的農產品價格波動預警。

55、為了解決上述問題，本發明還提供一種電子設備，所述電子設備包括：

56、存儲器，存儲至少一個指令；及處理器，執行所述存儲器中存儲的指令以實現上述所述的基于模型預測的農產品價格波動預警方法。

57、為了解決上述問題，本發明還提供一種計算機可讀存儲介質，所述計算機可讀存儲介質中存儲有至少一個指令，所述至少一個指令被電子設備中的處理器執行以實現上述所述的基于模型預測的農產品價格波動預警方法。

58、為解決背景技術所述問題，獲取待預測農產品歸屬點數據，基于待預測農產品歸屬點數據及預處理歷史數據獲取鄰近日數據，將鄰近日數據及預處理歷史數據導入至多個組合模型，得到多個模型預測價。本發明通過多個模型進行預測，旨在消除單一模型進行預測時的誤差，且在同一個組合模型中，由于第一誤差均方及第二誤差均方是根據誤差的累積進行計算的，因此本發明中，第一誤差均方及第二誤差均方中越小的均方誤差所對應的權重越大，以實現通過模型預測價的計算公式計算出模型預測價更準確。基于預處理歷史數據計算歷史預測價，本發明還聯合了歷史數據為農產品價格的預測提供參考。基于鄰近日數據計算鄰近預測價，可見本發明還聯合了時間最新的農產品價格為農產品價格的預測提供參考。基于多個模型預測價、歷史預測價、鄰近預測價及鄰近極端影響因素集獲取初始預測價，完成基于模型預測的農產品價格波動預警。本發明通過多維數據的融合來實現對初始預測價的預估，然而本發明在前文的每一步計算中，剔除了極端影響因素所帶來的價格波動，在此計算的初始預測價無法體現當鄰近極端影響因素集不為空集時，待預測農產品歸屬點所對應的價格。因此，若鄰近極端影響因素集不為空集，則說明需要利用鄰近極端影響因素集修正初始預測價，得到修正農產品價格，并發出警報，使得農產品的價格預測和預警更為準確。因此，本發明可通過多維數據的融合來實現對初始預測價的預估，并在存在鄰近極端影響因素時，對初始預測價進行修正，從而得到更準確的農產品價格。