一种基于统计学习的猪肉价格波动预警方法及系统技术方案

本发明专利技术涉及一种基于统计学习的猪肉价格波动预警方法及系统，包括对猪肉价格相关性数据进行采集和数据预处理；基于猪肉价格和其他因素的相关性分析；构建VAR(n)模型，计量分析猪肉与其他价格的波动规律；对猪肉与其他研究变量挖掘内在的关联准则；对猪肉价格与其他因素的相关性综合分析；分析得到与猪肉价格相关性强的特征因素；划分训练数据集和测试数据集；建立猪肉价格波动的预警模型；利用时差相关分析确立预警指标建立预警模型；对各变量的异常波动进行预警；利用前期分析挖掘得到的相关性变量，纳入预警模型充当解释变量；搭建BP神经网络模型；根据对预警区间正误的判别是否正确，对测试集合进行评价；判断价格走势和市场冷热。

【技术实现步骤摘要】
一种基于统计学习的猪肉价格波动预警方法及系统
本专利技术涉及计算机相关
，具体是一种基于统计学习的猪肉价格波动预警方法及系统。
技术介绍
猪肉在山东肉类消费品结构中占有非常重要的地位，近十年来，猪肉在居民生产消费结构中比重在60％以上，近年以来，猪肉价格呈现非线性的波动，在经历非洲猪瘟后一年的时期内，猪肉价格波动比较明显。猪肉价格的波动从侧面反映了猪肉产业链中存在的一些问题。猪肉供需、民生消费结构及其他市场因素的改变都会对猪肉价格产生影响，内部的波动不仅会造成猪肉价格的波动，还会影响市场秩序，引发养殖户的养殖规模更改，影响民生的正常消费。针对猪肉价格波动剧烈的问题，农户、养殖企业、政府往往不能理性判断猪肉价格市场走势，对于价格的预测多为人工干预和依据市场行情报告，然而通过专家判断的结果往往较为主观，现有技术的缺陷导致猪肉价格波动不能及时的预警，预测变量信息不能有效利用。本方法基于对各变量的时间序列建模分析的结果，运用多种统计学习方法，提供一种对猪肉价格波动预警的方法及系统，用以指导政府、农户对当前市场的冷热度判断，为构建健康的市场环境提供指导。现有价格预测方法存在以下缺点：1、现有预警方法多依赖于人工评估，对于影响猪肉价格波动的因素分析不够完全，导致预测结果不够精准；2、现有预警方法较为单一，对预警变量的筛选没有考虑序列在时间上的相依性问题，对相关特征提取方法单一，不能挑选出最适合用于猪肉价格预警的特。
技术实现思路
本专利技术的目的在于提供一种基于统计学习的猪肉价格波动预警方法及系统，以解决上述
技术介绍
中提出的问题。为实现上述目的，本专利技术提供如下技术方案：一种基于统计学习的猪肉价格波动预警方法，包括以下步骤：S1、对猪肉价格相关性数据进行采集和数据预处理；S2、基于猪肉价格和其他因素的相关性分析，分析和挖掘出影响猪肉价格的变量，由VAR模型对数据统计性质的要求，对所研究变量利用ADF单位根检方法进行平稳性检验和协整检验；S3、结合猪周期以及AIC、BIC最小准则确定最优阶数n，构建VAR(n)模型，由脉冲响应分析分析猪肉价格与其他研究变量之间的动态交互作用及其效应；S4、对猪肉与其他研究变量挖掘内在的关联准则，利用Apriori挖掘算法寻找各变量之间的关联关系；S5、由关联规则相关性的可视化和量化结果，对猪肉价格与其他因素的相关性综合分析；S6、基于S2-S5，剔除相关性、关联性较弱的变量，如豆粕、鸡蛋、鸡肉等变量，综合分析得到与猪肉价格相关性较强的变量；S7、利用前期分析挖掘得到的相关性变量，引入存栏量等数据，纳入预测模型充当解释变量，以上述确定变量为基础划分训练数据集和测试数据集；S8、利用前期分析得到的相关性变量，建立猪肉价格波动的预警模型，将所有变量统一转化为波动率；S9、利用时差相关分析法建立预警指标，得到玉米价格变动率、生猪存栏量变动率、能繁母猪存栏量波动率三个先行指标；S10、根据先行指标和猪肉价格的波动率预警阈值建立预警波动区间，确定预警规则，由建立的预警区间对各变量的异常波动进行预警；S11、基于S9得到的先行指标，根据指标的先行期对原始数据进行修正，利用前期分析挖掘得到的相关性变量，纳入预警模型充当解释变量；S12、将上述数据集的大部分以上划分为训练集合，其余为测试集，搭建BP神经网络模型；S13、将S12中所述训练集合中的训练样本，输入神经网络模型，进行训练，利用弹性反向传播BP-神经网络((RPROP))模型训练得到合适的参数后对测试样本的数据进行分析，将测试样本的预测数据划分到预先确定的预警区间，同测试集合的真实值进行对比。根据对预警区间正误的判别是否正确，对测试集合进行评价；S14、预测后续猪肉价格的波动区间，输入先行预警指标，通过所建立的BP-神经网络预测模型进行预测，得到输出变量-猪肉价格的波动率，划分到相应的预警区间，对猪肉价格波动率预警分析，从而判断价格走势和市场冷热，从而判断价格走势和市场冷热。作为本专利技术再进一步的方案：所述步骤S2中，对猪肉价格相关因素价格分析，包括以下步骤：1)、数据采集：活猪价格、仔猪价格、去骨带皮猪肉价格、牛肉价格、羊肉价格、鸡肉价格、鸡蛋价格、玉米价格、豆粕价格等9个变量；2)、建模检验：平稳性检验、协整检验确定可以建立Granger相关性分析和VAR模型的建立；3)、确立模型：根据AIC最小准则确定VAR模型阶数n；4)、脉冲响应分析：探究模型中的变量对其他变量的冲击程度；5)、数据挖掘利用Apriori算法分析探讨上述变量的关联性；6)、结合上述分析综合确定9个变量中与猪肉价格相关性高的因素，剔除弱相关因素。作为本专利技术再进一步的方案：所述步骤S5中，根据量化分析的结果，得到部分变量与猪肉价格不构成关联关系，如鸡肉、豆粕，对此类低关联变量在后续预测中进行剔除；对存在多项关联规则的其他变量，结合前期时间序列建模分析的结果进行综合筛选。作为本专利技术再进一步的方案：所述步骤S8中，对猪肉价格进行预警，包括以下步骤：11)、数据采集：对所要研究的猪肉价格，将生猪存栏量、能繁母猪存栏、以及去骨带皮猪肉、待宰活猪、牛肉、羊肉、玉米价格作为模型中的变量数据进行采集，并对数据统一进行转化处理；12)、数据指标选取：根据时差相关分析法确定所要研究的指标；13)、数据处理：根据时差间隔期，对原始数据进行间隔期处理；14)、数据分割：将所研究变量的数集分为测试集合和训练集合；15)、模型建立：通过上述指标建立与猪肉价格波动预测的相关模型，利用BP神经网络进行训练得到合适的参数，根据预测值所属的波动区间的正确性来评价预测效果。作为本专利技术再进一步的方案：所述步骤S8中，波动率计算方法如下：其中，Pt，Pt-1分别为t期研究指标价格、t-1期研究指标的价格，所有变量统一处理为上述计算公式。作为本专利技术再进一步的方案：所述步骤S9中，时差相关分析法计算方法如下：其中，x,y为样本量为n的时间序列，l为超前或滞后期,被称为时差或延迟数，r为时差为l时得到的关于x、y两个指标的时差相关系数。作为本专利技术再进一步的方案：所述步骤S10中，预警波动区间为：其中，u为波动率的均值，σ为波动率的标准差，根据所叙述的预警区间对猪肉价格的波动可以进行预警，如果D(x)＝3，则代表当前猪肉价格数据波动处于正向重警区间，猪肉价格上升趋势比较明显，如果D(x)＝2，则代表当前猪肉价格数据波动处于正向轻警区间，如果D(x)＝1，则代表当前猪肉价格数据波动处于无警区间，猪肉价格波动比较平稳，如果D(x)＝-2，则代表当前猪肉价格数据波动处于负向轻警区间，如果D(x)＝-3，则代表当前猪肉价格数据波动处于负向重警区间，猪肉价格下跌过快。一种基于统计学习的猪肉价格波动预警系统，用于实本文档来自技高网...

【技术保护点】
1.一种基于统计学习的猪肉价格波动预警方法，其特征在于，包括以下步骤：/nS1、对猪肉价格相关性数据进行采集和数据预处理；/nS2、基于猪肉价格和其他因素的相关性分析，分析和挖掘出影响猪肉价格的变量，由VAR模型对数据统计性质的要求，对所研究变量利用ADF单位根检方法进行平稳性检验和协整检验；/nS3、结合猪周期以及AIC、BIC最小准则确定最优阶数n，构建VAR(n)模型，由脉冲响应对猪肉价格和其他研究变量之间的动态交互作用进行脉冲响应分析；/nS4、对猪肉与其他研究变量挖掘内在的关联准则，利用Apriori挖掘算法寻找各变量之间的关联关系；/nS5、由关联规则相关性的可视化和量化结果，对猪肉价格与其他因素的相关性综合分析；/nS6、基于S2-S5，剔除相关性、关联性较弱的变量，如豆粕、鸡蛋、鸡肉等变量，综合分析得到与猪肉价格相关性较强的变量；/nS7、利用前期分析挖掘得到的相关性变量，引入存栏量等数据，纳入预测模型充当解释变量，以上述确定变量为基础划分训练数据集和测试数据集；/nS8、利用前期分析得到的相关性变量，建立猪肉价格波动的预警模型，将所有变量统一转化为波动率；/nS9、利用时差相关分析法建立预警指标，得到玉米价格变动率、生猪存栏量变动率、能繁母猪存栏量波动率三个先行指标；/nS10、根据先行指标和猪肉价格的波动率预警阈值建立预警波动区间，确定预警规则，由建立的预警区间对各变量的异常波动进行预警；/nS11、基于S9得到的先行指标，根据指标的先行期对原始数据进行修正，利用前期分析挖掘得到的相关性变量，纳入预警模型充当解释变量；/nS12、将上述数据集的大部分以上划分为训练集合，其余为测试集，搭建BP神经网络模型；/nS13、将S12中所述训练集合中的训练样本，输入神经网络模型，进行训练，利用弹性反向传播BP-神经网络((RPROP))模型训练得到合适的参数后对测试样本的数据进行分析，将测试样本的预测数据划分到预先确定的预警区间，同测试集合的真实值进行对比。根据对预警区间正误的判别是否正确，对测试集合进行评价；/nS14、预测后续猪肉价格的波动区间，输入先行预警指标，通过所建立的BP-神经网络预测模型进行预测，得到输出变量-猪肉价格的波动率，划分到相应的警区间，对猪肉价格波动率预警分析，从而判断价格走势和市场冷热，从而判断价格走势和市场冷热。/n...

【技术特征摘要】
1.一种基于统计学习的猪肉价格波动预警方法，其特征在于，包括以下步骤：
S1、对猪肉价格相关性数据进行采集和数据预处理；
S2、基于猪肉价格和其他因素的相关性分析，分析和挖掘出影响猪肉价格的变量，由VAR模型对数据统计性质的要求，对所研究变量利用ADF单位根检方法进行平稳性检验和协整检验；
S3、结合猪周期以及AIC、BIC最小准则确定最优阶数n，构建VAR(n)模型，由脉冲响应对猪肉价格和其他研究变量之间的动态交互作用进行脉冲响应分析；
S4、对猪肉与其他研究变量挖掘内在的关联准则，利用Apriori挖掘算法寻找各变量之间的关联关系；
S5、由关联规则相关性的可视化和量化结果，对猪肉价格与其他因素的相关性综合分析；
S6、基于S2-S5，剔除相关性、关联性较弱的变量，如豆粕、鸡蛋、鸡肉等变量，综合分析得到与猪肉价格相关性较强的变量；
S7、利用前期分析挖掘得到的相关性变量，引入存栏量等数据，纳入预测模型充当解释变量，以上述确定变量为基础划分训练数据集和测试数据集；
S8、利用前期分析得到的相关性变量，建立猪肉价格波动的预警模型，将所有变量统一转化为波动率；
S9、利用时差相关分析法建立预警指标，得到玉米价格变动率、生猪存栏量变动率、能繁母猪存栏量波动率三个先行指标；
S10、根据先行指标和猪肉价格的波动率预警阈值建立预警波动区间，确定预警规则，由建立的预警区间对各变量的异常波动进行预警；
S11、基于S9得到的先行指标，根据指标的先行期对原始数据进行修正，利用前期分析挖掘得到的相关性变量，纳入预警模型充当解释变量；
S12、将上述数据集的大部分以上划分为训练集合，其余为测试集，搭建BP神经网络模型；
S13、将S12中所述训练集合中的训练样本，输入神经网络模型，进行训练，利用弹性反向传播BP-神经网络((RPROP))模型训练得到合适的参数后对测试样本的数据进行分析，将测试样本的预测数据划分到预先确定的预警区间，同测试集合的真实值进行对比。根据对预警区间正误的判别是否正确，对测试集合进行评价；
S14、预测后续猪肉价格的波动区间，输入先行预警指标，通过所建立的BP-神经网络预测模型进行预测，得到输出变量-猪肉价格的波动率，划分到相应的警区间，对猪肉价格波动率预警分析，从而判断价格走势和市场冷热，从而判断价格走势和市场冷热。


2.根据权利要求1所述的一种基于统计学习的猪肉价格波动预警方法，其特征在于，所述步骤S2中，对猪肉价格相关因素价格分析，包括以下步骤：
1)、数据采集：活猪价格、仔猪价格、去骨带皮猪肉价格、牛肉价格、羊肉价格、鸡肉价格、鸡蛋价格、玉米价格、豆粕价格等9个变量；
2)、建模检验：平稳性检验、协整检验确定可以建立Granger相关性分析和VAR模型的建立；
3)、确立模型：根据AIC最小准则确定VAR模型阶数n；
4)、脉冲响应分析：探究模型中的变...

【专利技术属性】
技术研发人员：杜雯茜，朱效民，杨智慧，薛冰，
申请(专利权)人：山东省齐鲁大数据研究院，
类型：发明
国别省市：山东;37