农产品市场监测预警深度学习智能预测方法
作者： 许世卫;李乾川;栾汝朋;庄家煜;刘佳佳;熊露
论文名称： 农产品市场监测预警深度学习智能预测方法
摘要： [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
原文链接： DOI： 10.12133/j.smartag.SA202411004