[发明专利]一种基于多维度因子的鸡价预测方法

说明书

本发明公开了一种基于多维度因子的鸡价预测方法，包括步骤：1)获取基础数据，包括历史价格分类数据、养殖数据、饲料人员成本；2)利用数据进行概率计算；3)对观测数据构建模型进行学习训练；4)基于场景数据对模型进行调整修正，包括将价格进行分类整理，并通过贝叶斯理论获得分类的多维数据因子模型，从而得到观测数据的价格分类区间，用于标记价格偏离度，从而进行价格预测修正。本发明对价格时间序列数据的模式识别能力，对鸡价走势进行建模、挖掘和预测，并同时考虑了具体场景数据，利用场景数据对预测过程进行修正，从而实现一个高精度的可扩展价格预测，使得价格预测具有实用性。

技术领域

本发明涉及畜牧业销售价格预测及机器学习的技术领域，尤其是指一种基于多维度因子的鸡价预测方法。

背景技术

鸡肉是目前我国的主要肉类来源之一，鸡以及鸡肉价格的变化波动影响着国民的食品消费安全，也影响着农户、饲料供应商、畜牧企业、食品冷链运输企业、食品加工销售企业的生产和运营。对鸡及其鸡肉价格的预测研究成为许多研究人员专注的一个课题。

目前，鸡价预测的研究与其他价格预测研究类似，主要分为以下两种：1)基于时间序列模型的预测：采用时间序列模型，如指数平滑模型，ARIMA模型等经典的方法，这些方法本质上是对历史走势进行学习和挖掘，通过周期参数预测等获得走势规律，从而实现预测。2)通过各种输入因素进行机器学习挖掘，从而获得预测数据。总体而言，这两种方式方法各有优劣。第一种方法较直观，可扩展性好，对周期性的价格变动具有很良好的预测效果，但对于意外因素影响价格的情况预测准确率有限。第二种方法可以有效挖掘无周期因素的变化波动，但不同的应用数据需要研究不同的场景和数据格式，对数据和行为进行建模，因此技术可扩展性较弱。这就意味着，一方面如需获得可扩展性较强的模型算法，就不能过于依赖应用场景特殊情况，但也就失去了更高的预测准确度，另一方面如果需要更精准地挖掘预测价格走势，需要深入研究和考虑具体应用场景，则可扩展性较弱。

发明内容

本发明的目的在于克服现有技术的缺点与不足，提出了一种基于多维度因子的鸡价预测方法，对价格时间序列数据的模式识别能力，对鸡价走势进行建模、挖掘和预测，并同时考虑了具体场景数据，利用场景数据对预测过程进行修正，有效缓解了传统方法过于依赖时间序列数据的方式，从而实现一个高精度的可扩展价格预测，使得价格预测具有实用性。

为实现上述目的，本发明所提供的技术方案为：一种基于多维度因子的鸡价预测方法，包括以下步骤：

1)观测数据收集：获取基础数据，包括历史价格分类数据、养殖数据和饲料人员成本数据；

2)概率计算：利用数据进行概率计算，包括从观测数据中进行参数假设，并基于观测数据进行条件概率最大化计算；

3)模型训练：对观测数据构建模型进行学习训练；包括基于隐马尔科夫模型进行训练，并对价格时间序列数据进行预测，获得初始预测结果；

4)数据趋势分类：基于场景数据对模型进行调整修正，包括将价格进行分类整理，并通过贝叶斯理论获得分类的多维数据因子模型，从而得到观测数据的价格分类区间，用于标记价格是偏高还是偏低；

5)数据纠正：融合步骤3)和步骤4)的结果，即使用步骤4)对步骤3)的预测进行修正，获得最终的预测结果。

在步骤1)中，所述历史价格分类数据是指历史鸡价走势，包括每天的不同品种的鸡报价以及鸡肉价格指数，主要有：三黄鸡、白羽肉鸡、黄羽肉鸡、茶花鸡、白羽肉鸡、固始鸡和红羽肉鸡，该价格从温氏畜牧养殖大数据平台导出；所述养殖数据是指每个鸡场养殖的统计数据，包括养鸡场总数、异常养殖场数、种鸡设计规模、实际规模、养户总数、存栏数、死淘率、种鸡肉鸡孵化场数量以及环控安装数、种鸡及鸡苗群数、种蛋数和孵化数；所述饲料人员成本数据是指系统中记录的饲料消耗量、价格、人员数量和薪酬数据，包括饲料消耗量、饲料分类价格、饲养人员分类和数量及水电气消耗数；