錢曄 孫吉紅 孫媛媛 彭琳 張劍波 韋翌

摘要 針對(duì)鮮切花種植戶盲目種植，時(shí)常出現(xiàn)供求不平衡的情況，擬設(shè)計(jì)一個(gè)農(nóng)業(yè)大數(shù)據(jù)環(huán)境下鮮切花行情監(jiān)測(cè)系統(tǒng)。通過(guò)昆明國(guó)際花卉拍賣交易中心官網(wǎng)提供的數(shù)據(jù)，作為構(gòu)建智能預(yù)測(cè)模型的數(shù)據(jù)源，構(gòu)建基于BP算法的價(jià)格預(yù)測(cè)模型；根據(jù)鮮切花不同季節(jié)不同均價(jià)及最高最低價(jià)格，制定鮮切花價(jià)格等級(jí)區(qū)間標(biāo)準(zhǔn)，將預(yù)測(cè)結(jié)果輸入標(biāo)準(zhǔn)中，產(chǎn)生預(yù)警信息。再引進(jìn)農(nóng)業(yè)大數(shù)據(jù)技術(shù)，設(shè)計(jì)農(nóng)業(yè)大數(shù)據(jù)環(huán)境下鮮切花行情監(jiān)測(cè)系統(tǒng)。該系統(tǒng)的實(shí)施將為農(nóng)戶、散戶、種植戶、銷售商提供準(zhǔn)確的信息，確保經(jīng)濟(jì)利益最大化，助推云南省鮮切花產(chǎn)業(yè)大發(fā)展、大繁榮。

關(guān)鍵詞 監(jiān)測(cè)；大數(shù)據(jù)；鮮切花；發(fā)展

中圖分類號(hào) S126文獻(xiàn)標(biāo)識(shí)碼 A文章編號(hào) 0517-6611（2018）15-0185-03

Abstract In view of the growers blind planting of fresh cut flowers and the situation of shortage of demand or supply exceeding demand in the market，we are going to design a fresh cut flower market monitoring system under a large agricultural data environment. The data provided by Kunming International Flower Auction Trading Centers official website serves can be using as a data source for building an intelligent forecasting model to build a price prediction model based on BP algorithm. According to the different season， the average price and the highest and lowest price of fresh cut flowers， we can establish the interval standard of fresh cut flower price grade， and enter the prediction result into the standard to produce early warning information. The new agricultural data technology was introduced to design the fresh cut flower market monitoring system under the large agricultural data environment. The implementation of this system will provide farmers， retail investors， growers and distributors with accurate information to ensure maximum economic benefits and promote the great development and prosperity of the fresh cut flowers industry in Yunnan Province.

Key words Monitor；Big data；Fresh cut flowers；Development

鮮切花作為云南省的特色產(chǎn)物，是我國(guó)重要的園藝作物之一，自20世紀(jì)80年代以來(lái)，云南省的鮮切花產(chǎn)業(yè)迅速發(fā)展，該省已經(jīng)成為亞洲第一大鮮切花生產(chǎn)銷售基地。目前，云南省每年的鮮切花銷量占全國(guó)鮮切花銷量的60%以上。霜凍、寒冬季節(jié)，云南省的月季、非洲菊、百合等鮮切花除本地內(nèi)銷外，主要銷售到北京、上海、天津、哈爾濱等地；菊花、滿天星、月季等鮮切花主要出口日本、韓國(guó)等。每年云南省出口至日本的菊花近1億枝，占我國(guó)出口菊花總量的93%。近年來(lái)，中國(guó)園林網(wǎng)、中國(guó)花卉協(xié)會(huì)等知名網(wǎng)站頻頻爆出，在非節(jié)假日期間，由于鮮切花大量上市，昆明國(guó)際花卉市場(chǎng)同往年一樣，不但內(nèi)銷、外銷量迅速銳減，而且銷售價(jià)格暴跌。因此，在云南省鮮切花產(chǎn)量不斷上漲、市場(chǎng)地位不斷提高的前提下，掌握鮮切花價(jià)格變動(dòng)的規(guī)律，開(kāi)展鮮切花行情監(jiān)測(cè)與預(yù)警研究，對(duì)保障農(nóng)戶、散戶、種植企業(yè)等利益，穩(wěn)定鮮切花市場(chǎng)、優(yōu)化資源配置、促進(jìn)云南鮮切花產(chǎn)業(yè)健康發(fā)展具有重要的理論及現(xiàn)實(shí)意義[1]。

1 云南鮮切花行情分析

該研究以玫瑰鮮切花為例，相關(guān)數(shù)據(jù)來(lái)源于昆明國(guó)際花卉拍賣交易中心官方網(wǎng)站公布的2016年1月1日—2017年12月31日玫瑰鮮切花交易的相關(guān)數(shù)據(jù)，基本能夠反映出全國(guó)玫瑰鮮切花批發(fā)價(jià)格以及價(jià)格的波動(dòng)情況。

根據(jù)收集的數(shù)據(jù)顯示，2016年1月—2017年12月，昆明市玫瑰鮮切花的價(jià)格由季節(jié)性變動(dòng)所影響。進(jìn)入冬季以來(lái)，玫瑰鮮切花的價(jià)格較高，以2017年為例，冬季玫瑰鮮切花均價(jià)約為1.7元/支，最高均價(jià)約為5.0元/支；而夏季時(shí)玫瑰鮮切花均價(jià)約為0.6元/支，最高均價(jià)約為2.5元/支；春季時(shí)玫瑰鮮切花均價(jià)約為1.0元/支，最高均價(jià)約為3.5元/支；秋季時(shí)玫瑰鮮切花均價(jià)約為0.8元/支，最高均價(jià)約為3.5元/支。由此可以推算出：冬季玫瑰鮮切花的價(jià)格最高，夏季的價(jià)格最低，春秋季節(jié)的價(jià)格變化較小。

值得關(guān)注的是，節(jié)假日前夕玫瑰鮮切花價(jià)格暴漲，例如2017年情人節(jié)前夕玫瑰鮮切花價(jià)格大幅上漲，2月9日最高拍賣價(jià)9.9元/支，2月10日10.3元/支，2月11日12.1元/支；與春季最高均價(jià)相比較漲幅在3倍以上。

2 價(jià)格預(yù)測(cè)在智能算法中的應(yīng)用

農(nóng)產(chǎn)品價(jià)格預(yù)測(cè)研究中，Moore[2]通過(guò)建立回歸預(yù)測(cè)方程對(duì)棉花的產(chǎn)量及價(jià)格進(jìn)行預(yù)測(cè)；之后，Maki[3]、Cox[4]、Sarle[5]采用多元回歸方程分別對(duì)豬肉、牛肉及生豬進(jìn)行了價(jià)格預(yù)測(cè)。隨著定量預(yù)測(cè)方法的不斷發(fā)展成熟，時(shí)間序列分析技術(shù)、灰色理論模型、馬爾可夫鏈、Logistic 模型、小波理論模型、神經(jīng)網(wǎng)絡(luò)模型等模型相繼出現(xiàn)[6]，各種智能算法被廣泛運(yùn)用于農(nóng)產(chǎn)品價(jià)格預(yù)測(cè)中。國(guó)內(nèi)研究人員主要沿用定量預(yù)測(cè)方法構(gòu)建了智能預(yù)測(cè)模型。許彪等[7]通過(guò)建立5因素模型的生豬價(jià)格分析模型框架，預(yù)測(cè)未來(lái)15個(gè)月生豬價(jià)格趨勢(shì)；方燕等[8]通過(guò)灰色預(yù)測(cè)算法，構(gòu)建基于灰色算法的大豆價(jià)格預(yù)測(cè)模型，對(duì)大豆的價(jià)格進(jìn)行預(yù)測(cè)；孫吉紅等[9]通過(guò)BP人工神經(jīng)網(wǎng)絡(luò)算法，構(gòu)建基于智能算法的鮮切花價(jià)格預(yù)測(cè)模型，對(duì)來(lái)年的鮮切花價(jià)格進(jìn)行預(yù)測(cè)；段青玲等[10]采用時(shí)間序列 GA-SVR算法構(gòu)建水產(chǎn)品價(jià)格預(yù)測(cè)模型，對(duì)水產(chǎn)品價(jià)格進(jìn)行預(yù)測(cè)；金智等[11]采用人工神經(jīng)網(wǎng)絡(luò)算法對(duì)玉米的短期價(jià)格進(jìn)行預(yù)測(cè)。

綜合國(guó)內(nèi)外的農(nóng)產(chǎn)品價(jià)格預(yù)測(cè)研究可知，目前主要是采用定量預(yù)測(cè)方法構(gòu)建智能預(yù)測(cè)模型對(duì)農(nóng)產(chǎn)品價(jià)格進(jìn)行預(yù)測(cè)。其中，時(shí)間序列算法構(gòu)建的預(yù)測(cè)模型與人工神經(jīng)網(wǎng)絡(luò)算法構(gòu)建的預(yù)測(cè)模型相比，預(yù)測(cè)的準(zhǔn)確率較低；而人工神經(jīng)網(wǎng)絡(luò)算法中不同算法構(gòu)建的預(yù)測(cè)模型針對(duì)不同條件的農(nóng)產(chǎn)品，預(yù)測(cè)的準(zhǔn)確率不同。

3 智能監(jiān)控模型的構(gòu)建

該研究在參照前人研究的基礎(chǔ)上構(gòu)建智能預(yù)測(cè)模型，預(yù)測(cè)鮮切花價(jià)格，評(píng)估價(jià)格等級(jí)，當(dāng)價(jià)格超出警戒線時(shí)將提前預(yù)警。

首先，根據(jù)云南省鮮切花市場(chǎng)價(jià)格的特點(diǎn)，構(gòu)建短期價(jià)格預(yù)測(cè)模型，提高鮮切花價(jià)格預(yù)測(cè)的準(zhǔn)確率；第二，根據(jù)BP人工神經(jīng)網(wǎng)絡(luò)算法在預(yù)測(cè)中的局限性，對(duì)BP神經(jīng)網(wǎng)絡(luò)算法進(jìn)行改進(jìn)，提高預(yù)測(cè)的準(zhǔn)確率；第三，在農(nóng)產(chǎn)品價(jià)格預(yù)測(cè)中，最關(guān)鍵的是影響農(nóng)產(chǎn)品價(jià)格的因素確定，筆者根據(jù)前人的研究成果確定影響鮮切花價(jià)格的因素；第四，將鮮切花價(jià)格分為6級(jí)，當(dāng)預(yù)測(cè)價(jià)格小于等于2級(jí)時(shí)（2級(jí)價(jià)格為警戒線）將發(fā)出警報(bào)。

確保采集數(shù)據(jù)的真實(shí)性和實(shí)效性，影響因素的準(zhǔn)確性，預(yù)測(cè)模型的高預(yù)測(cè)率，構(gòu)建具有實(shí)用性的云南省鮮切花行情監(jiān)測(cè)模型至關(guān)重要。

3.1 數(shù)據(jù)采集、分析及處理

該研究以昆明國(guó)際花卉拍賣交易中心公布的數(shù)據(jù)為數(shù)據(jù)來(lái)源，以玫瑰鮮切花為例進(jìn)行分析，收集整理了2016年1月1日—2017年12月31日關(guān)于玫瑰鮮切花的數(shù)據(jù)，為構(gòu)建鮮切花行情監(jiān)測(cè)模型提供數(shù)據(jù)支撐。

3.1.1 異常數(shù)據(jù)分析及處理方法。

首先，將收集整理的數(shù)據(jù)導(dǎo)入Excel表格中，剔除情人節(jié)、國(guó)慶節(jié)、七夕、春節(jié)前后的數(shù)據(jù)，并按照春夏秋冬四季進(jìn)行分組，將收集到的數(shù)據(jù)共分為4個(gè)組，分別單獨(dú)進(jìn)行分析。觀察每組數(shù)據(jù)中是否出現(xiàn)忽高忽低的異常數(shù)據(jù)，如果出現(xiàn)此類數(shù)據(jù)，就使用格拉布斯準(zhǔn)則，在MATLAB平臺(tái)中，剔除異常數(shù)據(jù)，具體算法如下：

將收集到的數(shù)據(jù)xi按照一定的次序排隊(duì)，Grubbs導(dǎo)出g=xn-σ的分布，取顯著水平ɑ，公式如下[12]：

3.1.2 數(shù)據(jù)歸一化處理。

該研究共收集730組數(shù)據(jù)，剔除情人節(jié)、國(guó)慶節(jié)、七夕、春節(jié)前后的數(shù)據(jù)以及異常數(shù)據(jù)，第1組數(shù)據(jù)包含數(shù)據(jù)信息160條，第2組數(shù)據(jù)包含數(shù)據(jù)信息158條，第3組數(shù)據(jù)包含數(shù)據(jù)信息170條，第4組數(shù)據(jù)包含數(shù)據(jù)信息173條。采用歸一化算法分別對(duì)4組信息進(jìn)行歸一化處理，處理后將所有信息值控制在-1～1，提高預(yù)測(cè)的準(zhǔn)確率。

3.2 鮮切花價(jià)格影響因子的確立及分析

影響農(nóng)產(chǎn)品價(jià)格因素眾多，國(guó)內(nèi)外學(xué)者曾多次在學(xué)術(shù)期刊中提到影響農(nóng)產(chǎn)品價(jià)格的因素主要包括農(nóng)產(chǎn)品產(chǎn)量、農(nóng)產(chǎn)品銷量、居民購(gòu)買能力等?？偟膩?lái)說(shuō)，主要是圍繞供求量和需求量來(lái)確定鮮切花價(jià)格影響因子。該研究主要是總結(jié)國(guó)內(nèi)外學(xué)者的相關(guān)研究結(jié)論，確定影響鮮切花價(jià)格的因素為昆明國(guó)際花卉拍賣交易中心玫瑰鮮切花每天的拍賣量和實(shí)際拍賣的數(shù)量。

3.3 構(gòu)建基于BP人工神經(jīng)網(wǎng)絡(luò)算法的預(yù)測(cè)模型[13] 如圖1所示，BP人工神經(jīng)網(wǎng)絡(luò)包括輸入層、隱含層和輸出層共3層結(jié)構(gòu)，圖中x1，x2，x3，...，xn是BP人工神經(jīng)網(wǎng)絡(luò)的輸入值，y1，y2，y3，...，ym是BP人工神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)值，中間Wjk為權(quán)值，具有算法如下。

3.3.1 構(gòu)建BP神經(jīng)網(wǎng)絡(luò)。

采用newff（）函數(shù)構(gòu)建神經(jīng)網(wǎng)絡(luò)構(gòu)架。

net=newff

Net=newff（PR，[S1 S2 S3 S4...SN]，{TF1 TF2 TF3 TF4...TFN}，BTF，BLF PF）

注：net=newff主要用作對(duì)話框上建立BP神經(jīng)網(wǎng)絡(luò)構(gòu)架。

3.3.2 初始化權(quán)值。

采用newff（）函數(shù)自動(dòng)進(jìn)行權(quán)值的初始化過(guò)程，促使網(wǎng)絡(luò)恢復(fù)至初始化狀態(tài)。

3.3.3 網(wǎng)絡(luò)仿真。

首先確定網(wǎng)絡(luò)結(jié)構(gòu)，然后確定輸入變量，最后應(yīng)用函數(shù)sim（）進(jìn)行網(wǎng)絡(luò)計(jì)算，輸出預(yù)測(cè)值。

3.3.4 網(wǎng)絡(luò)學(xué)習(xí)。

輸入樣本數(shù)據(jù)和期望輸出向量，在訓(xùn)練過(guò)程中，將自動(dòng)調(diào)整權(quán)值、閾值，直到表現(xiàn)函數(shù)達(dá)到最小值。其中，前饋型神經(jīng)網(wǎng)絡(luò)表現(xiàn)函數(shù)的默認(rèn)值是期望輸出向量機(jī)網(wǎng)絡(luò)輸出的均方差。

3.3.5 BP網(wǎng)絡(luò)預(yù)測(cè)。

使用訓(xùn)練好的BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)特征值，根據(jù)預(yù)測(cè)結(jié)果分析BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)的能力。

3.4 預(yù)警模型的設(shè)計(jì)

以2017年昆明國(guó)際花卉拍賣交易中心玫瑰鮮切花的拍賣數(shù)據(jù)為研究對(duì)象進(jìn)行分析，春季玫瑰鮮切花最高單價(jià)為3.5元/支，夏季為2.5元/支，秋季為3.5元/枝，冬季為5.0元/支；春季玫瑰鮮切花均價(jià)約為1.0元/支，夏季約為0.6元/支，秋季約為0.8元/支。根據(jù)以上數(shù)據(jù)進(jìn)行分析、設(shè)計(jì)，將鮮切花價(jià)格分為6級(jí)：第1級(jí)價(jià)格在0～0.6元/支；第2級(jí)價(jià)格在>0.6～0.8元/支；第3級(jí)價(jià)格在>0.8～1.0元/支；第4級(jí)價(jià)格在>1.0～1.5元/支；第5級(jí)價(jià)格在>1.5～2.5元/支；第6級(jí)價(jià)格在2.5元/支以上。

在構(gòu)建鮮切花價(jià)格預(yù)測(cè)模型之后，通過(guò)構(gòu)建鮮切花價(jià)格預(yù)警系統(tǒng)，為農(nóng)戶、散戶、種植戶以及銷售商提供較為精確的預(yù)測(cè)數(shù)據(jù)，具體情況如下：

根據(jù)鮮切花不同季節(jié)不同均價(jià)及最高最低價(jià)格，制定鮮切花價(jià)格等級(jí)區(qū)間標(biāo)準(zhǔn)，將預(yù)測(cè)結(jié)果輸入標(biāo)準(zhǔn)中，產(chǎn)生預(yù)警信息。當(dāng)預(yù)測(cè)價(jià)格在0.8元/支及以下時(shí)，系統(tǒng)將自動(dòng)預(yù)警，提醒農(nóng)戶、散戶、種植戶鮮切花價(jià)格已經(jīng)進(jìn)入低價(jià)時(shí)期；同時(shí)，提醒鮮切花銷售商，鮮切花價(jià)格低利于大量收購(gòu)。當(dāng)預(yù)測(cè)價(jià)格高于1.5元/支時(shí)，系統(tǒng)自動(dòng)提示，當(dāng)鮮切花價(jià)格進(jìn)入黃金時(shí)期，利于大量采摘、種植。表1為鮮切花預(yù)警系統(tǒng)的設(shè)計(jì)情況。

4 大數(shù)據(jù)環(huán)境下鮮切花行情監(jiān)測(cè)系統(tǒng)的設(shè)計(jì)

大數(shù)據(jù)作為信息技術(shù)與多學(xué)科結(jié)合的產(chǎn)物，在多種產(chǎn)業(yè)中獲得了應(yīng)用。但是，目前并沒(méi)有非常權(quán)威、精確的定義。世界著名咨詢公司麥肯錫定義“大數(shù)據(jù)”：沒(méi)有辦法在短期內(nèi)使用傳統(tǒng)意義的數(shù)據(jù)庫(kù)對(duì)其進(jìn)行數(shù)據(jù)處理的數(shù)據(jù)集[14]。維基百科則是這樣定義“大數(shù)據(jù)”：利用軟件工具分析、處理、管理數(shù)據(jù)需要的時(shí)間超出可以容忍的時(shí)間[15]。除此之外，相對(duì)具有代表性是3 V定義，即認(rèn)為只要滿足多樣性、高速性及規(guī)模性的數(shù)據(jù)集合就稱為大數(shù)據(jù)[16]。

4.1 農(nóng)業(yè)大數(shù)據(jù)

農(nóng)業(yè)大數(shù)據(jù)是以大數(shù)據(jù)分析為中心，使用智能算法、技術(shù)、方法等分析和處理農(nóng)業(yè)領(lǐng)域中生產(chǎn)環(huán)節(jié)、銷售環(huán)節(jié)形成的數(shù)據(jù)信息，從而得出對(duì)農(nóng)業(yè)生產(chǎn)、銷售有重要指導(dǎo)意義的信息。農(nóng)業(yè)大數(shù)據(jù)的實(shí)施過(guò)程就是將收集整理的大數(shù)據(jù)集合，采用農(nóng)業(yè)信息技術(shù)（數(shù)據(jù)挖掘、智能算法、云計(jì)算技術(shù)）進(jìn)行分析整理，并指導(dǎo)農(nóng)業(yè)生產(chǎn)、銷售。溫孚江[17]教授認(rèn)為農(nóng)業(yè)大數(shù)據(jù)是在農(nóng)業(yè)生產(chǎn)、銷售等過(guò)程中跨越行業(yè)、專業(yè)處理數(shù)據(jù)的過(guò)程。王儒敬[18]教授認(rèn)為，目前我國(guó)農(nóng)業(yè)信息化進(jìn)一步發(fā)展的關(guān)鍵點(diǎn)就是建立農(nóng)業(yè)大數(shù)據(jù)中心，采用數(shù)據(jù)挖掘、云計(jì)算、智能算法等技術(shù)解決農(nóng)業(yè)發(fā)展的瓶頸。

4.2 大數(shù)據(jù)環(huán)境下鮮切花行情監(jiān)測(cè)系統(tǒng)的設(shè)計(jì)

前文已經(jīng)構(gòu)建了鮮切花價(jià)格預(yù)測(cè)模型、鮮切花價(jià)格預(yù)警系統(tǒng)，并將兩者有機(jī)結(jié)合起來(lái)形成了完整的鮮切花行情監(jiān)測(cè)系統(tǒng)。但是，隨著時(shí)間的推移，該系統(tǒng)的精確度、適用性、智能性逐漸衰弱。為了更好地適應(yīng)當(dāng)前瞬息萬(wàn)變的數(shù)字化、智能化、網(wǎng)絡(luò)化時(shí)代，積極開(kāi)拓互聯(lián)網(wǎng)+鮮切花產(chǎn)業(yè)，引進(jìn)農(nóng)業(yè)大數(shù)據(jù)技術(shù)，結(jié)合鮮切花行情監(jiān)測(cè)系統(tǒng)，構(gòu)建農(nóng)業(yè)大數(shù)據(jù)環(huán)境下鮮切花行情監(jiān)測(cè)系統(tǒng)。主要是聯(lián)合昆明市斗南國(guó)際花卉市場(chǎng)，提供近10年以來(lái)，所有種類鮮切花的相關(guān)數(shù)據(jù)，并不斷產(chǎn)生新的數(shù)據(jù)，將所有數(shù)據(jù)作為樣本測(cè)試數(shù)據(jù)輸入基于BP人工神經(jīng)網(wǎng)絡(luò)算法的預(yù)測(cè)模型中，并將鮮切花價(jià)格預(yù)警系統(tǒng)置于其官方網(wǎng)站中，借用云平臺(tái)，為滿足不同用戶的需求，提供價(jià)格低廉的數(shù)據(jù)分享形式。

5 展望

數(shù)據(jù)將成為未來(lái)科技革命中最重要的資源，然而僅僅是一堆靜態(tài)的數(shù)據(jù)則很難創(chuàng)造經(jīng)濟(jì)效益，只有通過(guò)數(shù)據(jù)挖掘、時(shí)間序列算法、神經(jīng)網(wǎng)絡(luò)算法、灰色理論、云計(jì)算技術(shù)等智能算法，針對(duì)不同的情況采用不同的智能算法建立相應(yīng)的智能預(yù)測(cè)（識(shí)別）模型，才能將數(shù)據(jù)轉(zhuǎn)化為信息，發(fā)揮數(shù)據(jù)的作用，并應(yīng)用管理學(xué)知識(shí)發(fā)揮最大的效益。

云南省鮮切花產(chǎn)業(yè)作為我國(guó)的特色產(chǎn)業(yè)之一，在多方面發(fā)揮著重要的作用。構(gòu)建農(nóng)業(yè)大數(shù)據(jù)環(huán)境下鮮切花行情監(jiān)測(cè)系統(tǒng)，提供準(zhǔn)確率高、價(jià)格超低的鮮切花價(jià)格預(yù)測(cè)數(shù)據(jù)，并提供價(jià)格預(yù)警提醒業(yè)務(wù)，將為農(nóng)戶、散戶、種植戶、銷售商提供準(zhǔn)確的信息，確保其利益最大化，同時(shí)也為數(shù)據(jù)提供商增長(zhǎng)了收益，實(shí)現(xiàn)了雙贏、共喜的局面。

參考文獻(xiàn)

[1] 趙姜，吳芮，吳敬學(xué).中國(guó)西瓜價(jià)格短期預(yù)測(cè)分析[J].北方園藝，2015，58（23）：213-216.

[2] MOORE H L.Forecasting the yield and the price of cotton[M].New York：The Macmillan Company，1917：100-113.

[3] MAKI W R.Forecasting livestock supplies and prices with an econometric model[J].American journal of agricultural economics，1963，45（3）：612-624.

[4] COX C B，LUBY P J.Predicting hog prices[J].American journal of agricultural economics，1956，38（4）：931-939.

[5] SARLE C F.The forecasting of the price of hogs[J].American economic review，1925，15（3）：1-22.

[6] 范曉.我國(guó)價(jià)格預(yù)測(cè)方法文獻(xiàn)研究[J].開(kāi)發(fā)研究，2014（5）：105-109.

[7] 許彪，施亮，劉洋.我國(guó)生豬價(jià)格預(yù)測(cè)及實(shí)證研究[J].農(nóng)業(yè)經(jīng)濟(jì)問(wèn)題，2014，35（8）：25-32.

[8] 方燕，馬艷.我國(guó)大豆價(jià)格波動(dòng)及其未來(lái)走勢(shì)預(yù)測(cè)[J].價(jià)格理論與實(shí)踐，2014（6）：67-69.

[9] 孫吉紅，張麗蓮，武爾維，等.基于智能算法的價(jià)格預(yù)測(cè)模型探究[J].計(jì)算機(jī)技術(shù)與發(fā)展，2014，24（11）：107-109.

[10] 段青玲，張磊，魏芳芳，等.基于時(shí)間序列 GA-SVR 的水產(chǎn)品價(jià)格預(yù)測(cè)模型及驗(yàn)證[J].農(nóng)業(yè)工程學(xué)報(bào)，2017，33（1）：308-314.

[11] 金智，李風(fēng)軍.基于人工神經(jīng)網(wǎng)絡(luò)的玉米價(jià)格短期預(yù)測(cè)研究[J].寧夏師范學(xué)院學(xué)報(bào)（自然科學(xué)），2013，34（6）：77-81.

[12] 王巖，隋思漣.試驗(yàn)設(shè)計(jì)與MATLAB數(shù)據(jù)分析[M].北京：清華大學(xué)出版社，2012.

[13] 張德豐.MATLAB神經(jīng)網(wǎng)絡(luò)應(yīng)用設(shè)計(jì)[M].北京：機(jī)械工業(yè)出版社，2009.

[14] MANYIKA J，CHUI M，BROWN B，et al.Big data：The next frontier for innovation，competition，and productivity[R].The Mckinsey Global Institute，2011.

[15] Big data [EB/OL].[2014-03-19].http：//en.wikipeddia.or/wi-ki/big_data.

[16] GROBELNIK M.Big Data Tutorial [EB/OL].[2014-03-19].http：//Videolectures.net/eswc2012_grobelnik_big-data.

[17] 溫孚江.農(nóng)業(yè)大數(shù)據(jù)研究的戰(zhàn)略意義與協(xié)同機(jī)制[J].高等農(nóng)業(yè)教育，2013（11）：3-6.

[18] 王儒敬.我國(guó)農(nóng)業(yè)信息化發(fā)展的瓶頸與應(yīng)對(duì)策略思考[J].中國(guó)科學(xué)院院刊，2013，28（3）：337-343.