一种逐日蔬菜价格的预测方法和装置制造方法及图纸

本发明专利技术实施例提供一种逐日蔬菜价格的预测方法和装置，所述方法包括：取得所预测蔬菜价格的逐日数据，所述逐日数据至少包括蔬菜逐日的价格和对应的气象数据；将所述蔬菜的逐日数据转换为逐月数据或逐季数据，将所述逐月数据或逐季数据进行数据处理后，得到影响蔬菜价格逐月波动项或逐季波动项，将所述逐月波动项或逐季波动项转换为逐日波动项；检验所述逐日波动项，得到所述蔬菜价格和所述气象数据之间是否有稳定的相关性；当所述蔬菜价格和气象数据之间具有所述稳定的相关性，则利用预测模型预测所述蔬菜价格。本发明专利技术实现了基于气象因素的蔬菜价格逐日预测。

【技术实现步骤摘要】

本申请涉及蔬菜价格预测
，具体涉及一种逐日蔬菜价格的预测方法和装 置。
技术介绍
蔬菜作为商品，价格波动首先受到一般供需关系的影响，同时，蔬菜作为鲜活农产 品，具有不易存储的特点，容易受到多种因素的影响从而呈现特有的规律性价格波动。 现有的蔬菜价格预测一般是利用蔬菜价格数据，采用时间序列分解和H-P滤波技 术，将蔬菜价格分解为季节性波动、随机性波动、周期性波动和长期趋势4部分，并测算各 波动成分对蔬菜价格波动的贡献，测算的方法一般为定量预测和定性预测。 但是现有的蔬菜价格预测方法不能实现对蔬菜价格逐日的预测，且预测时没有充 分考虑多种因素的影响，导致预测结果不准确，偏差大。
技术实现思路
有鉴于此，本专利技术实施例的主要目的在于解决上述问题，在蔬菜价格预测时加入 气象要素、在蔬菜价格序列分解后剔除掉与气象要素弱相关的波动项和通过统计降尺度的 方法使逐月数据或逐季数据转为逐日数据实现基于气象要素的逐日蔬菜价格预测。 本专利技术实施例是这样实现的，一种逐日蔬菜价格的预测方法，包括： 数据输入步骤：取得所预测蔬菜价格的逐日数据，所述逐日数据至少包括蔬菜逐 日的价格和对应的气象数据； 数据处理步骤：将所述逐日数据转换为逐月数据或逐季数据，将所述逐月数据或 逐季数据进行数据处理后，得到影响蔬菜价格逐月波动项或逐季波动项，将所述逐月波动 项或逐季波动项转换为逐日波动项； 检验步骤：检验所述逐日波动项，得到所述蔬菜价格和所述气象数据之间是否有 稳定的相关性； 预测步骤：当所述蔬菜价格和气象数据之间具有所述稳定的相关性，则利用预测 模型预测所述蔬菜价格。 进一步地，所述数据处理步骤中将所述逐月数据或逐季数据进行数据处理包括对 所述数据进行季节性调整和Η-p滤波，所述季节性调整利用X12季节调整法分离出季节性 波动项、不规则波动项和趋势循环项，所述H-P滤波将所述循环波动项进一步分解为趋势 波动项和循环波动项，经过所述季节性调整和H-P滤波后，所述数据最后分解为季节性波 动项、不规则波动项、趋势性波动项、循环性波动项。 进一步地，所述将所述逐月波动项或逐季波动项转换为逐日波动项之前，还包括： 去除与气象因素弱相关而与经济发展周期和消费水平强相关的趋势性波动项和循环波动 项，将所述季节性波动项和所述不规则波动项相加得到新的季节性扰动项，将所述季节扰 动项作为逐月波动项或逐季波动项进行转换。进一步地，所述检验步骤中检验所述逐日波 动项包括使用单位根检验方法和协整检验方法得到所述蔬菜价格和气象数据之间是否有 稳定的相关性，当由所述单位根检验方法检验的所述逐日波动项中的逐日价格波动和逐日 气象波动两者的单位根统计量满足平稳性的阈值时，且当由协整检验方法检验的所述逐日 价格波动和逐日气象波动两者间满足平稳性的阈值时，则所述蔬菜价格和所述气象数据之 间具有稳定的相关性。 进一步地，所述预测步骤中的利用预测模型预测所述蔬菜的价格包括利用自回归 分布滞后模型预测所述蔬菜的价格，所述自回归分布滞后模型通过统计软件进行模型回归 后，去除模型中不满足显著性检验的解释变量后得到简化的自回归分布滞后模型。 根据本专利技术实施例的另一方面，本专利技术实施例还提供一种逐日蔬菜价格的预测装 置，包括： 数据输入装置，用于取得所预测蔬菜价格的逐日数据，所述逐日数据至少包括蔬 菜逐日的价格和对应的气象数据； 数据处理装置，用于将所述蔬菜的逐日数据转换为逐月数据或逐季数据，将所述 逐月数据或逐季数据进行数据处理后，得到影响蔬菜价格逐月波动项或逐季波动项，将所 述逐月波动项或逐季波动项转换为逐日波动项； 检验装置，用于检验所述逐日波动项，得到所述蔬菜价格和所述气象数据之间是 否有稳定的相关性； 预测装置，用于当所述蔬菜价格和气象数据之间具有稳定的相关性，则利用预测 模型预测所述蔬菜的价格。 进一步地，所述数据处理装置包括：季节性调整装置，用于使用X12季节调整法分 离出季节性波动项、不规则波动项和趋势循环项；H-P滤波装置，用于将所述趋势循环项进 一步分解为趋势波动项和循环波动项；经过所述季节性调整装置和所述H-P滤波装置的处 理后，所述数据最终分解为季节性波动项、不规则波动项、趋势性波动项和循环性波动项。 进一步地，所述将所述逐月波动项或逐季波动项转换为逐日波动项之前，还包括： 去除掉与气象因素弱相关而与经济发展周期和消费水平强相关的趋势性波动项和循环波 动项，将所述季节性波动项和所述不规则波动项相加得到新的季节性扰动项，将所述季节 扰动项作为逐月波动项或逐季波动项进行转换。进一步地，所述装置进一步包括：相关性判 断装置，用于使用单位根检验方法和协整检验方法检验所述的蔬菜价格和气象数据之间是 否有稳定的相关性，当由所述单位根检验方法检验的所述逐日波动项中的逐日价格波动和 逐日气象波动两者的单位根统计量满足平稳性的阈值时，且当由协整检验方法检验的所述 逐日价格波动和逐日气象波动两者间满足平稳性的阈值时，则所述蔬菜价格和所述气象数 据之间具有稳定的相关性。 进一步地，所述预测装置中利用预测模型预测所述蔬菜的价格包括利用自回归分 布滞后模型预测所述蔬菜的价格，所述自回归分布滞后模型通过统计软件进行模型回归 后，去除模型中不满足显著性检验的解释变量后得到简化的自回归分布滞后模型。 根据上述技术方案，本专利技术实施例具有如下效果： 通过季节调整法、H-P滤波等技术，将蔬菜价格时间序列数据分解为季节性波动 项、不规则波动项、趋势性波动项、循环性波动项4种波动成分。剔除了与气象要素相关程 度较低的分解项，保留了受气象要素影响程度较深的分解项，有助于更加客观地考察气象 要素对菜心价格波动的影响； 将分解得到的逐月波动项转换为逐日波动项，实现逐日蔬菜价格预测； 将气象要素引入蔬菜价格预测模型，对蔬菜品种价格进行短期预测，针对不同的 波动周期，根据蔬菜生长与气象要素关系，给出气象要素影响蔬菜价格的机理解释，增强了 预测模型机理方面的解释性。【附图说明】 通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它 特征、目的和优点将会变得更明显： 图1示出了本申请提供的蔬菜价格预测方法一种实施例的流程图； 图2示出了本申请提供的蔬菜价格预测方法另外一实施例的流程图； 图3示出了本申请提供的蔬菜价格的预测装置实施例的结构图。【具体实施方式】 下面结合附图和实施例对本申请作进一步详细说明。可以理解的是，此处所描述 的具体实施例仅仅用于解释相关专利技术，而非对该专利技术的限定。另外还需要说明的是，为了便 于描述，附图中仅示出了与有关专利技术相关的部分。 需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相 互组合。下面将参考附图并结合实施例来详细说明本申请。 如图1所示，一种逐日蔬菜价格的预测方法，具体包括以下的步骤： (SlOl)数据输入步骤，取得所预测蔬菜价格的逐日数据，所述逐日数据至少包括 蔬菜逐日的价格和对应的气象数据； (S102)数据处理步骤，将所述逐日数据转换为逐月数据或逐季数据，将所述逐月 数据或逐季数据进行数据处理后，得到影响蔬菜价格逐月波动项或逐季波动项，将所述逐 月波动项或逐季波动项转换为逐日波动项； (S103)检验步骤，检验本文档来自技高网...

【技术保护点】
一种逐日蔬菜价格的预测方法，其特征在于，包括：数据输入步骤，取得所预测蔬菜价格的逐日数据，所述逐日数据至少包括蔬菜逐日的价格和对应的气象数据；数据处理步骤，将所述逐日数据转换为逐月数据或逐季数据，将所述逐月数据或逐季数据进行数据处理后，得到影响蔬菜价格逐月波动项或逐季波动项，将所述逐月波动项或逐季波动项转换为逐日波动项；检验步骤，检验所述逐日波动项，得到所述蔬菜价格和所述气象数据之间是否有稳定的相关性；预测步骤，当所述蔬菜价格和气象数据之间具有所述稳定的相关性，则利用预测模型预测所述蔬菜价格。

【技术特征摘要】

【专利技术属性】
技术研发人员：翟志宏，林镇国，黄俊，郑璟，李春梅，杨永聪，陈卓煌，
申请(专利权)人：广东省气候中心，
类型：发明
国别省市：广东;44