农产品价格预测系统设计与实现摘要:根据农业价格指数构建了农产品价格数据仓库,充分利用长期积累的大量反映价格指标的历史和现在数据资源,并结合径向基函数(RBF)人工神经网络建模,揭示农产品价格与畜牧业､林业与渔业等相关因素价格的动态关系模型｡结果表明该模型能够很好地预测以白菜为例的农产品价格,实现农产品区域供求平衡,并为政府和农户提供结构调整的依据｡关键词:农产品;数据仓库;价格预测;RBF神经网络｡Design and Implementation of Produce Price Forecast SystemAbstract: Farm produce price data warehouse was established according to the agriculture price indices. The dynamic relationship model of farm produce price with stock rising, forestry and fishery was built based on the numerous accumulated history and present data resources which could reveal the price indices combining with RBF neural network modeling. The result proved that the model could simulate and forecast the price trend of cabbage correctly, providing an important method for the accurate forecast of agricultural product market information.Key words: agricultural products; data warehouse; price forecast; RBF neural network在我国目前以市场为先导的情况下,农业产品市场将面临着越来越严酷的竞争形势｡为此,地方政府和农户必须在制定明确的农业产品指标计划的前提下,根据现实资源的状况,组织农业生产｡农产品价格数据对于指导农产品生产以及调整农业结构具有重要意义,因此使用农产品的历史价格数据对未来价格趋势进行有效地预测显得尤为重要｡农产品价格与畜牧业､林业与渔业等相关因素之间存在着复杂的线性､非线性关系和交互作用,自变量和因变量是纯粹的离散数据,无法用数学公式来表示｡因此,必须找到一种适应这种自变量和因变量的特性､反映它们之间关系的模型,将给农业管理部门和农户提供有效的价格预测和决策支持｡针对上述问题,本研究提出构建农业信息数据仓库,并结合径向基函数(Radial basis function,RBF)人工神经网络建模对农产品价格进行预测｡1构建农产品数据仓库构建农产品信息数据仓库主要涉及数据的清理和集成,它是数据挖掘的一个重要的预处理步骤,即农产品价格预测提供数据环境[2]｡数据模型是数据仓库设计的基础｡数据模型是对现实世界进行抽象的工具,抽象的程度不同,就形成了不同抽象级别层次上的数据模型｡在数据仓库设计中存在三层数据模型如图1所示,即概念模型､逻辑模型和物理模型｡但数据仓库的数据模型与操作型数据库数据模型有一定的区别,主要表现在:数据仓库中的数据模型不包括纯操作型的数据;数据仓库中的数据模型扩充了码结构,增加了时间属性作为码的一部分;数据仓库中的数据模型增加了导出数据｡这三点差别是数据仓库作为面向数据分析处理所要求的｡1.1概念模型设计概念模型是决策信息由具体到抽象的第一步,它是一个为决策目标设计系统和收集信息而服务的概念性工具,它是由客观世界到计算机实现的中间层次｡1.1.1决策需求分析农产品价格预测系统是以农产品历史和现在的市场数据为基础,通过分析它们之间的相关关系,建立数学模型,并通过一定的定性分析,实现农产品价格预测的最佳值｡因此,建立农产品数据仓库的目的是为决策支持系统提供数据,具体地说,就是为数据挖掘提供分析数据｡1.1.2支持决策的数据需求分析数据仓库的开发过程如图1所示,所研究的农产品价格预测系统是以数据为驱动的｡数据仓库是面向主题的,针对农产品价格预测系统的要求,支持决策的数据需求分析主要从不同的角度为农业人员提供农业产品的生产､销售､库存的信息,使管理者全面､及时､准确地掌握成本､价格､市场需求等基础数据｡1.2逻辑模型设计逻辑模型是概念模型和物理模型之间的桥梁｡农产品数据仓库是建立在关系数据库的基础上,所以,数据仓库设计过程所采用的逻辑模型主要是关系模型｡根据农产品数据仓库的需求,数据仓库模型采用星型架构｡星型架构包括两个逻辑实体:事实数据表､维度表｡农产品价格事实数据表与维度表之间的星型架构数据模型如图2所示｡1.2.1事实数据表每个数据仓库或数据集市都包括一个或多个事实数据表｡星型架构的中心是一个事实数据表,用以捕获衡量单位业务运作的数据｡事实数据表中包含的数据随着时间的推移会变得十分庞大,是数据分析的中心｡1.2.2维度表与指标事实数据表相比,维度表是一个小得多的实体,维度表包含描述事实数据表中的事实记录的特性｡1.3物理模型设计物理模型是逻辑模型在数据仓库中的实现模式,是逻辑模型的软件实现过程｡1.3.1数据仓库实现平台研究采用的是Microsoft公司的SQL-Server2000｡SQL-Server2000具有强大的后台支持功能,是理想的C/S结构的后台开发工具｡1.3.2数据结构类型数据结构合理与否将直接影响到数据仓库的工作效率｡数据仓库中的数据结构有两方面的含义:一是数据表设计中的字段属性设置(数据属性､长度､空值等),合理的字段属性设置将会提高数据仓库的操作速度和性能;另一个是数据仓库中数据的非规范化处理,如:填加字段､细节p2.2RBF神经网络在农产品价格预测中的应用2.2.1模型建立选取某市2007~2009年共3年的农产品市场价格数据作为训练样,2008年下半年月报表数据如表1所示,进行自适应RBF神经网络训练｡所谓自适应RBF网络是指:最初RBF网络只有一个隐神经元,每训练一次,网络就增加一个隐神经元,直到满足训练误差要求为止｡这样就能够产生一个最小化的RBF网络｡利用Matlab软件编程对网络进行训练,经过训练,网络误差将达到理想要求即网络总误差不大于0.005｡2.2.2RBF预测检验利用训练好的网络对2009年上半年白菜价格进行预测检验,将这6个月的实际农产品数据输入网络,得到预测值(见表2)｡由预测结果可知,采用RBF神经网络模型预测白菜价格,其误差均小于0.3%,这充分说明RBF网络模型具有较高的预测精度,模型的泛化能力较好,可用于农产品价格的预测｡3结论提出了构建农产品数据仓库,并将RBF神经网络模型应用到农产品价格预测中｡采用RBF神经网络模型对农业领域中的产品价格数据进行短期预测并取得了良好的预测效果｡试验表明该模型可以为农产品生产与流通提供重要的数据指导｡应当指出的是,影响一个地区的农产品价格的因素很多,诸如供求､当地收入水平､饮食习惯､天气变化､国家宏观经济调控及相关政策的影响等,这些因素将对未来时期农产品的价格趋势造成很大影响,因此建议对已经建立模型,通过数据仓库的更新数据来修正RBF模型,从而使模型具有更好的预测性｡参考文献:[1] 范隽,雷英杰. 基于RBF神经网络的空战威胁评估[J]. 微计算机信息,2008(21):203-204.[2] 国涓,李会敏. 我国农产品价格波动的影响趋势分析[J]. 沈阳农业大学学报(社会科学版),2007,9(2):144-147.[3] 林建永,赵瑾璐. 农产品价格波动的非典型因素探析[J]. 理论探索,2009(5):73-75.[4] 徐兰芳. 数据仓库的访问控制策略研究[J]. 计算机应用与软件,2007,24(12):34-35,59.[5] 梁佳,刘东英. 中国农产品流通体制变革的动因与趋势[J]. 中国农学通报,2010,26(20):417-422.。
