一种基于大数据计算的中药材价格预测方法技术

本发明专利技术公开了一种基于大数据计算的中药材价格预测方法，先采用X12季节调整算法将历史月售价格分解为月售价格的趋势循环因子、季节因子、不规则因子和季节交易日混合因子。采用时间序列法对其中规律明显的趋势循环因子进行预测得到新的趋势循环因子，然后还原各个月份的季节因子，使用当年的CPI来代表年度中各个月份的CPI的值。最后挖掘各个年度的降雨量数据，将趋势循环因子、季节因子、不规则因子、季节交易日因子、当月CPI和年降雨量作为LM‑BP神经网络模型的输入层进行分析预测。使用本发明专利技术的方法预测效果明显优于单一的时间序列法，新方法较大程度地提高了白术月售价格的预测精度，可以推广到市场作为中药材月售价格的预测方法。

【技术实现步骤摘要】

本专利技术涉及大数据技术处理领域，特别是一种基于大数据的内存计算LM-BP算法结合X-12-ARIMA季节调整法预测白术的月售价格。
技术介绍
中药材交易市场是我国特色社会主义市场经济的重要组成部分，也是政府大力解决“三农”问题使农民富起来的有效途径，对于国民经济的健康可持续发展和缩小国民贫富差距具有重大意义。大数据时代，一个好的预测方法可以为决策者提供强有力的决策依据，其不仅可以准确地预测价格的走势，还可以预测市场对中药材的需求，从而使政府部门能够合理地规划药农种植中药材面积及种植品种、减少中药材库存、合理规划种植市场需要的中药材、提高药农的收入、满足市场对中药材种类和数量的需求。因此，准确地中药材价格预测对政府部门合理规划中药材种植和提高药农的收入以及满足国民对中药材的需求具有重大意义，是中药材交易市场的关注焦点，也是当前理论研究需要继续深化的重要课题之一。目前用于预测的方法很多，主要有：移动平均预测方法，趋势外推方法、回归预测方法、灰色预测和机器学习法。但是当前的研究工作在中药材这种特定领域都没有取得很好的效果，且都局限于小数据量的预测，在大数据时代利用大数据进行预测具有极其重要的意义，重要的是，如果运算的速度足够快，可使预测的即时数据进行实时展现，以为决策者提供最有力的数据支撑。标准BP神经网络算法具有收敛速度慢，学习速率不易确定的缺点，高斯-牛顿优化算法(LM算法)能够根据迭代的结果动态地调整阻尼因子来动态调整迭代的收敛方向，可使每次的迭代误差函数值都有所下降。但是LM算法的运算量大，对内存的要求极高，随着内存计算的发展，Spark可以很好地克服LM算法对内存要求高的问题。并且实际的价格中包含了趋势循环因子、季节因子、不规则因子、季节交易日混合因子并且受到当期CPI(居民消费价格指数)和药农趋利心理导致的库存量的影响，降雨量是影响白术产量的主要因素，因此也是左右白术市场价格的重要因子。所以使用单一的方法进行预测很难结合各方面的因素，最终导致预测的准确度和精度不高的问题。
技术实现思路
本专利技术的目的是提出一种基于大数据计算的中药材价格预测方法；利用基于Spark平台大数据技术在中药材交易系统中，进行药材价格预测的应用，实现中药月售价格的预测方法。本专利技术的目的是通过以下技术方案来实现的：本专利技术提供的一种基于大数据计算的中药材价格预测方法，包括以下步骤：S1：获取历史月售价格数据并采用X12季节调整算法将历史月售价格数据分解为月售价格的趋势循环因子、季节因子、不规则因子和季节交易日混合因子；S2：采用时间序列法对趋势循环因子进行预测得到新的趋势循环因子；S3：根据历史月售价格数据获取预测月份的季节因子；S4：根据历史月售价格数据获取当月份的CPI值；S5：获取年降雨量数据；S6：将新趋势循环因子、季节因子、不规则因子、季节交易日因子、CPI值和年降雨量输入到LM-BP神经网络模型的输入层进行分析预测。进一步，所述趋势循环因子、季节因子、不规则因子和季节交易日因子是通过使用Eviews软件中的X12乘法模型来进行分解的。进一步，所述趋势循环因子是按照以下步骤来实现：S11：使用Eviews软件进行分解，导入M个月的历史月售价格数据；S12：使用Eviews中的X12季节调整法的乘法模型将历史月售价格数据分解为趋势循环因子Price_TC、季节因子Price_SF、季节交易日混合因子Price_D16和不规则因子Price_IR；S13：对趋势循环因子Price_TC进行平稳性检测，如果Price_TC不满足平稳性条件，通过差分变换使其满足平稳性条件；S14：通过计算描述序列Price_TC的统计量来确定时间序列ARIMA(p,d,q)模型的阶数p和q；S15：根据步骤S13和S14，建立时间序列ARIMA(p,d,q)模型，估计针对趋势循环因子序列Price_TC所建立的ARIMA模型的未知数，并检验参数的显著性；S16：检验所建模型的残差序列ε是否为一个白噪声序列，如若不是，则返回步骤S④对序列Price_TC重新建模；如果是，则可以通过所建的模型来预测未来的月售价格对应的趋势循环因子Price_TCN。进一步，所述季节因子Price_SF是按照以下步骤来实现：S31：输入预测当期所在年份之前的整年的月售价格数据；S32：使用X12季节调整方法的乘法模型分离出其中的季节因子；S33：计算得到年各月的季节因子的同期平均数；S34：将各期平均数相加除以总项数作为总的平均数；S35：将各期平均数与总平均数相除得到的值作为预测年份对应的月份的季节因子。进一步，所述CPI值和年降雨量数据是利用互联网数据来挖掘各个年度的CPI和地区的降雨量，具体步骤如下：S41：使用RonSpark平台，获取互联网上的各个年份的CPI值和地区的降雨量信息；S42：计算年度的平均CPI值并作为本年度内各个月份的CPI值；S43：根据地区的降雨量信息来计算得到每个月的降雨总量作为各个月份的降雨量信息。进一步，所述LM-BP神经网络模型采用使用内存计算平台Spark来对LM-BP神经网络预测算法进行训练，具体步骤如下：S61：按照以下公式进行计算：根据Gorman定理：S＝log2N，其中，S为隐含层节点数，N为模式数；Kolmogorov定理：S＝2n+1，其中，S是隐含节点数，n是输入层节点数；S62：使用线性变换对原始数据进行归一化处理，设Amin和Amax分别为属性X的最大值和最小值，令Y＝(X-Amin)/(Amax-Amin)得到X的归一化后的数据；S63：输出被归一化到区间[0,1]中，将输入神经元的传递函数设定为S型对数函数；S64：计算LM-BP神经网络的评价函数。进一步，所述评价函数按照以下公式进行计算：具体步骤如下：S641：μ＜-10-1,a(0)＝a0；S642：计算∑(a)；S643：计算Jacobian矩阵S644：a(K+1)＝a(k)l[JTJ+μ1]-1JTf(a(k))；S645：计算E(a(k+1))；S646：如果E(a(k+1))>E(a(k))，则μ<-μ*10，转到S644；S647：如果E(a(k+1))<误差指标，则计算成功，算法结束；S648：μ<-μ*0.1S649：a(k)＝a(k+1)，转到S642。由于采用了上述技术方案，本专利技术具有如下的优点：因此本专利技术中BP神经网络采用LM算法进行训练本专利技术借助大数据处理平台Spark将基于内存计算的LM-BP神经网络预测算法和X12季节调整法以及时间序列法相结合，实现中药材白术的月售价格的预测方法。针对直接使用时间序列法和神经网络算法预测白术月售价格时难以发现和学习到历史价格中的规律并导致预测准确度和精度不高的问题；先采用X12季节调整算法将历史月售价格分解为月售价格的趋势循环因子、季节因子、不规则因子和季节交易日混合因子。首先采用时间序列法对其中规律明显的趋势循环因子进行预测得到新的趋势循环因子，然后还原各个月份的季节因子，再者价格的实际数值还受到当期的CPI的影响，所以要利用数据挖掘技术获得各个月份的CPI，由于同一年度的CPI变化相对较小，此处使用当年的CPI来代表年度中各个月份的CPI的值。本文档来自技高网...

【技术保护点】
一种基于大数据计算的中药材价格预测方法，其特征在于：包括以下步骤：S1：获取历史月售价格数据并采用X12季节调整算法将历史月售价格数据分解为月售价格的趋势循环因子、季节因子、不规则因子和季节交易日混合因子；S2：采用时间序列法对趋势循环因子进行预测得到新的趋势循环因子；S3：根据历史月售价格数据获取预测月份的季节因子；S4：根据历史月售价格数据获取当月份的CPI值；S5：获取年降雨量数据；S6：将新趋势循环因子、季节因子、不规则因子、季节交易日因子、CPI值和年降雨量输入到LM‑BP神经网络模型的输入层进行分析预测。

【技术特征摘要】
1.一种基于大数据计算的中药材价格预测方法，其特征在于：包括以下步骤：S1：获取历史月售价格数据并采用X12季节调整算法将历史月售价格数据分解为月售价格的趋势循环因子、季节因子、不规则因子和季节交易日混合因子；S2：采用时间序列法对趋势循环因子进行预测得到新的趋势循环因子；S3：根据历史月售价格数据获取预测月份的季节因子；S4：根据历史月售价格数据获取当月份的CPI值；S5：获取年降雨量数据；S6：将新趋势循环因子、季节因子、不规则因子、季节交易日因子、CPI值和年降雨量输入到LM-BP神经网络模型的输入层进行分析预测。2.如权利要求1所述的基于大数据计算的中药材价格预测方法，其特征在于：所述趋势循环因子、季节因子、不规则因子和季节交易日因子是通过使用Eviews软件中的X12乘法模型来进行分解的。3.如权利要求1所述的基于大数据计算的中药材价格预测方法，其特征在于：所述趋势循环因子是按照以下步骤来实现：S11：使用Eviews软件进行分解，导入M个月的历史月售价格数据；S12：使用Eviews中的X12季节调整法的乘法模型将历史月售价格数据分解为趋势循环因子Price_TC、季节因子Price_SF、季节交易日混合因子Price_D16和不规则因子Price_IR；S13：对趋势循环因子Price_TC进行平稳性检测，如果Price_TC不满足平稳性条件，通过差分变换使其满足平稳性条件；S14：通过计算描述序列Price_TC的统计量来确定时间序列ARIMA(p,d,q)模型的阶数p和q；S15：根据步骤S13和S14，建立时间序列ARIMA(p,d,q)模型，估计针对趋势循环因子序列Price_TC所建立的ARIMA模型的未知数，并检验参数的显著性；S16：检验所建模型的残差序列ε是否为一个白噪声序列，如若不是，则返回步骤S④对序列Price_TC重新建模；如果是，则可以通过所建的模型来预测未来的月售价格对应的趋势循环因子Price_TCN。4.如权利要求1所述的基于大数据计算的中药材价格预测方法，其特征在于：所述季节因子Price_SF是按照以下步骤来实现：S31：输入预测当期所在年份之前的整年的月售价格数据；S32...

【专利技术属性】
技术研发人员：王振，雷维卓，
申请(专利权)人：重庆大学，
类型：发明
国别省市：重庆;50