-
题名农产品市场监测预警深度学习智能预测方法
- 1
-
-
作者
许世卫
李乾川
栾汝朋
庄家煜
刘佳佳
熊露
-
机构
中国农业科学院农业信息研究所
北京市农林科学院数据科学与农业经济研究所
农业农村部农业监测预警技术重点实验室
中国农业科学院农业监测预警智能系统重点开放实验室
-
出处
《智慧农业(中英文)》
2025年第1期57-69,共13页
-
基金
“十四五”国家重点研发计划项目(2022YFD1600603)
农业农村部农业监测预警技术重点实验室开放课题基金(KLAMEWT202403)。
-
文摘
[目的/意义]农产品供给、消费和价格的变化直接影响市场监测和预警。随着中国农业生产方式和市场体系的转型,数据获取技术的进步使得农业数据呈现爆炸式增长。然而,农产品多品种的联动监测和预测仍面临数据复杂、模型狭窄、应变能力弱等挑战。因此,亟需构建适应中国农业数据特点的深度学习模型,以提升农产品市场的监测与预警能力,推动精准决策和应急响应。[方法]本研究应用深度学习方法,从中国多维农业数据资源实际出发,创新提出了一套不同监测预警对象条件下深度学习综合预测方法,构建了生成对抗与残差网络协同生产量模型(Generative Adversarial Network and Residual Network, GAN-ResNet)、变分自编码器岭回归消费预测模型(Variational Autoencoder and Ridge Regression, VAE-Ridge)、自适应变换器价格预测模型(Adaptive-Transformer)。为适应实际需求,研究在CAMES中采用“离线计算与可视化分离”策略,模型推理离线完成,平衡了计算复杂度与实时预警需求。[结果和讨论]深度学习综合预测方法在玉米单产、生猪消费量和番茄市场价格的预测上,均表现出显著的精度提升。GAN-ResNet生产量预测模型进行县级尺度玉米单产预测的平均绝对百分比误差(Mean Absolute Percentage Error, MAPE)为6.58%,运用VAE-Ridge模型分析生猪消费量的MAPE为6.28%,运用Adaptive-Transformer模型预测番茄价格的MAPE为2.25%。[结论]该研究提出的深度学习综合预测方法,具有较先进的单品种、多场景、宽条件下的农产品市场监测预警分析能力,并在处理不同区域多维数据、多品种替代、市场季节性波动等分析方面显示出优良的指标性能,可为中国农产品市场监测预警提供一套新的有效分析方法。
-
关键词
监测预警
深度学习
生产量预测
消费量预测
价格预测
生成对抗与残差网络协同生产量模型
变分自编码器岭回归消费预测模型
自适应变换器价格预测模型
-
Keywords
monitoring and early warning
deep learning
production forecasting
consumption forecasting
price forecasting
GAN-ResNet
VAE-Ridge
Adaptive-Transformer
-
分类号
TP393.01
[自动化与计算机技术—计算机应用技术]
-
