基于分布式神经网络的苹果价格预测方法
发布时间：2021-02-28 18:50
针对传统农产品价格预测模型在大数据场景下无法快速准确对苹果市场价格进行预测的问题,提出一种基于分布式神经网络的苹果价格预测方法。首先,研究影响苹果市场价格的相关因素,选取苹果历史价格、替代品历史价格、居民消费水平和原油价格四个特征作为神经网络模型的输入;然后,构建蕴含价格波动规律的分布式神经网络模型,实现对苹果市场价格的短期预测。实验结果显示,基于分布式神经网络的苹果市场价格短期预测模型具有较高的预测精度,平均相对误差仅为0. 50%,满足苹果市场价格预测的要求。实验结果表明,分布式神经网络模型能够通过自学习特性揭示出苹果市场价格的波动规律和发展趋势,所提方法能为稳定苹果市场秩序和市场价格宏观调控提供科学依据,有助于降低价格波动带来的危害,帮助果农规避市场风险。
【文章来源】：计算机应用. 2020,40(02)北大核心
【文章页数】：6 页
【部分图文】：
神经网络预测模型
本文提出的分布式神经网络模型设计如图2所示：分布式神经网络模型能对大数据进行分解，同时，将训练模型的计算量分摊在多个计算节点上并行计算以加快收敛，最后将中间结果组装成最终解，对苹果市场价格进行预测。在训练过程中采用的分布式神经网络算法如算法1所示，在Spark分布式计算框架中首先在Master节点设置全局神经网络模型参数，主要包括神经网络结构、网络层数、激活函数、学习率因子和网络权重。然后，采用数据划分策略将较大的数据集D划分成m等份数据集。最后，将全局神经网络模型结构和参数广播至各Worker节点。各Worker节点接收到Master节点传来的权重参数后对各自神经网络结构进行初始化，并利用式（2）和式（3）进行前馈计算，通过逐层的信息传递和计算，得到前馈神经网络最后的输出y(aL）。
从图4可以看出，各地区的相对误差曲线基本控制在一个较小的水平1%之下，但仍然有2个预测数据点的相对误差超过了1%的水平。实验结果表明，分布式神经网络模型具有较高的预测精度，能够使得绝大部分预测数据点都保持在较小的相对误差范围内。尽管个别数据点相对误差稍微有些偏差（实际上，相对误差最大也没有超过1.4%），但也说明个别数据点的预测偏差不会对其他预测点产生不良的影响，从而进一步验证了神经网络模型具有较强的非线性拟合能力和稳定性。为了更加详细地对预测效果进行深度分析，以各产区的苹果市场价格预测过程为例进行具体评价。从表2中看出，陕西省白水县苹果市场价格预测结果非常逼近真实价格，绝对误差绝对值超过0.02元/斤的仅有两个预测点，其他预测点偏差相对较小，其平均相对误差值为0.36%，处于非常小的水平。相比其他地区，陕西省洛川县苹果市场价格预测结果的误差最大；但绝对误差超过0.03元/斤的也仅有两个预测数据点，样本270和271绝对误差超过了0.05元/斤，相对误差超过了1%，其他预测点偏差相对较小。总体上来看，陕西洛川苹果的平均绝对误差保持在0.027元/斤，平均相对误差值为0.66%，满足对苹果市场价格的预测要求。陕西省千阳县苹果市场价格预测结果相对较好，只有一个预测数据点的绝对误差绝对值超过了0.04元/斤，其他预测数据点的绝对误差绝对值和相对误差保持在较小的范围之内。但在千阳苹果市场预测时预测值均低于真实值，这说明基于分布式神经网络模型针对低估现象不存在自我修正机制。全国苹果市场价格预测结果相比其他地区预测效果最佳，绝对误差超过0.01元/斤的仅有一个预测数据点，其他预测点偏差都非常小，几乎可以忽略；其相对误差相应地也处于非常小的水平，其平均相对误差仅为0.28%，这样的预测结果近乎于“完全精准预测”。
【参考文献】：
期刊论文
[1]基于组合模型的农产品物价预测算法[J]. 苏照军,郭锐锋,高岑,王美吉,李冬梅. 计算机系统应用. 2019(05)
[2]ARIMA模型和灰色模型在农产品价格预测中的应用比较[J]. 丁慧娟,张金磊,陈建中,李均涛,崔鹏. 安徽农业科学. 2018(24)
[3]基于多角度多区域特征融合的苹果分类方法[J]. 刘媛媛,王晖,郭躬德,江楠峰. 计算机应用. 2018(05)
[4]基于卷积神经网络的中文微博情感分类[J]. 冯多,林政,付鹏,王伟平. 计算机应用与软件. 2017(04)
[5]基于改进BP网络的车牌字符识别方法研究[J]. 张国云,向灿群,吴健辉,郭龙源,涂兵. 计算机应用与软件. 2017(04)
[6]基于云计算的特色农庄平台设计与探讨[J]. 钱晔,孙吉红,彭琳,李文峰,周慧,陆国泉,汪惜今. 计算机技术与发展. 2017(02)
[7]基于时间序列GA-SVR的水产品价格预测模型及验证[J]. 段青玲,张磊,魏芳芳,肖晓琰,王亮. 农业工程学报. 2017(01)
[8]基于信息粒化和PSO-SVR模型的棉花价格波动区间和变化趋势预测[J]. 张永礼,赵蕾,董志良. 广东农业科学. 2015(11)
[9]基于经验模态分解和支持向量机的农产品价格短期预测[J]. 姚冠新,顾晴. 江苏农业科学. 2014(09)
[10]基于改进KNN算法的农产品价格预测模型[J]. 许杞刚,刘明军,李海. 济南大学学报(自然科学版). 2014(02)
硕士论文
[1]陕西省苹果市场影响因素分析[D]. 王向斌.西北农林科技大学 2015
本文编号：3056290
【文章来源】：计算机应用. 2020,40(02)北大核心
【文章页数】：6 页
【部分图文】：
神经网络预测模型
本文提出的分布式神经网络模型设计如图2所示：分布式神经网络模型能对大数据进行分解，同时，将训练模型的计算量分摊在多个计算节点上并行计算以加快收敛，最后将中间结果组装成最终解，对苹果市场价格进行预测。在训练过程中采用的分布式神经网络算法如算法1所示，在Spark分布式计算框架中首先在Master节点设置全局神经网络模型参数，主要包括神经网络结构、网络层数、激活函数、学习率因子和网络权重。然后，采用数据划分策略将较大的数据集D划分成m等份数据集。最后，将全局神经网络模型结构和参数广播至各Worker节点。各Worker节点接收到Master节点传来的权重参数后对各自神经网络结构进行初始化，并利用式（2）和式（3）进行前馈计算，通过逐层的信息传递和计算，得到前馈神经网络最后的输出y(aL）。
从图4可以看出，各地区的相对误差曲线基本控制在一个较小的水平1%之下，但仍然有2个预测数据点的相对误差超过了1%的水平。实验结果表明，分布式神经网络模型具有较高的预测精度，能够使得绝大部分预测数据点都保持在较小的相对误差范围内。尽管个别数据点相对误差稍微有些偏差（实际上，相对误差最大也没有超过1.4%），但也说明个别数据点的预测偏差不会对其他预测点产生不良的影响，从而进一步验证了神经网络模型具有较强的非线性拟合能力和稳定性。为了更加详细地对预测效果进行深度分析，以各产区的苹果市场价格预测过程为例进行具体评价。从表2中看出，陕西省白水县苹果市场价格预测结果非常逼近真实价格，绝对误差绝对值超过0.02元/斤的仅有两个预测点，其他预测点偏差相对较小，其平均相对误差值为0.36%，处于非常小的水平。相比其他地区，陕西省洛川县苹果市场价格预测结果的误差最大；但绝对误差超过0.03元/斤的也仅有两个预测数据点，样本270和271绝对误差超过了0.05元/斤，相对误差超过了1%，其他预测点偏差相对较小。总体上来看，陕西洛川苹果的平均绝对误差保持在0.027元/斤，平均相对误差值为0.66%，满足对苹果市场价格的预测要求。陕西省千阳县苹果市场价格预测结果相对较好，只有一个预测数据点的绝对误差绝对值超过了0.04元/斤，其他预测数据点的绝对误差绝对值和相对误差保持在较小的范围之内。但在千阳苹果市场预测时预测值均低于真实值，这说明基于分布式神经网络模型针对低估现象不存在自我修正机制。全国苹果市场价格预测结果相比其他地区预测效果最佳，绝对误差超过0.01元/斤的仅有一个预测数据点，其他预测点偏差都非常小，几乎可以忽略；其相对误差相应地也处于非常小的水平，其平均相对误差仅为0.28%，这样的预测结果近乎于“完全精准预测”。
【参考文献】：
期刊论文
[1]基于组合模型的农产品物价预测算法[J]. 苏照军,郭锐锋,高岑,王美吉,李冬梅. 计算机系统应用. 2019(05)
[2]ARIMA模型和灰色模型在农产品价格预测中的应用比较[J]. 丁慧娟,张金磊,陈建中,李均涛,崔鹏. 安徽农业科学. 2018(24)
[3]基于多角度多区域特征融合的苹果分类方法[J]. 刘媛媛,王晖,郭躬德,江楠峰. 计算机应用. 2018(05)
[4]基于卷积神经网络的中文微博情感分类[J]. 冯多,林政,付鹏,王伟平. 计算机应用与软件. 2017(04)
[5]基于改进BP网络的车牌字符识别方法研究[J]. 张国云,向灿群,吴健辉,郭龙源,涂兵. 计算机应用与软件. 2017(04)
[6]基于云计算的特色农庄平台设计与探讨[J]. 钱晔,孙吉红,彭琳,李文峰,周慧,陆国泉,汪惜今. 计算机技术与发展. 2017(02)
[7]基于时间序列GA-SVR的水产品价格预测模型及验证[J]. 段青玲,张磊,魏芳芳,肖晓琰,王亮. 农业工程学报. 2017(01)
[8]基于信息粒化和PSO-SVR模型的棉花价格波动区间和变化趋势预测[J]. 张永礼,赵蕾,董志良. 广东农业科学. 2015(11)
[9]基于经验模态分解和支持向量机的农产品价格短期预测[J]. 姚冠新,顾晴. 江苏农业科学. 2014(09)
[10]基于改进KNN算法的农产品价格预测模型[J]. 许杞刚,刘明军,李海. 济南大学学报(自然科学版). 2014(02)
硕士论文
[1]陕西省苹果市场影响因素分析[D]. 王向斌.西北农林科技大学 2015
本文编号：3056290
本文链接：https://www.wllwen.com/weiguanjingjilunwen/3056290.html
