趙宇蘭

(山西大學(xué)商務(wù)學(xué)院信息學(xué)院，山西 太原 030031)

0 引言

隨著大數(shù)據(jù)時(shí)代的到來，人們對數(shù)據(jù)的獲取、統(tǒng)計(jì)的需求日益增大。爬蟲技術(shù)的不斷成熟為人們獲取互聯(lián)網(wǎng)數(shù)據(jù)提供了極大的便利。在農(nóng)業(yè)領(lǐng)域，人們開始將農(nóng)業(yè)數(shù)據(jù)與大數(shù)據(jù)技術(shù)相結(jié)合，運(yùn)用大數(shù)據(jù)的采集、存儲、分析以及可視化等技術(shù)，幫助人們快速挖掘、分析出數(shù)據(jù)背后有價(jià)值的信息，降低農(nóng)產(chǎn)品生產(chǎn)、銷售過程中不必要的風(fēng)險(xiǎn)。本文以中國飼料行業(yè)信息網(wǎng)中玉米的銷售價(jià)格為數(shù)據(jù)源，采用網(wǎng)絡(luò)爬蟲軟件GeeSooker進(jìn)行數(shù)據(jù)采集和存儲，以玉米市場價(jià)格的歷史時(shí)間序列建立價(jià)格預(yù)測的ARIMA模型[1]，進(jìn)一步分析玉米市場價(jià)格的波動狀況和變化趨勢。

1 預(yù)測技術(shù)的概述

1.1 網(wǎng)絡(luò)爬蟲技術(shù)

農(nóng)產(chǎn)品市場價(jià)格挖掘預(yù)測是基于互聯(lián)網(wǎng)農(nóng)業(yè)數(shù)據(jù)，為了滿足農(nóng)產(chǎn)品市場價(jià)格數(shù)據(jù)挖掘預(yù)測的需求，本文采用網(wǎng)絡(luò)爬蟲技術(shù)獲取互聯(lián)網(wǎng)數(shù)據(jù)，數(shù)據(jù)獲取過程如圖1所示。

圖1 數(shù)據(jù)獲取組成圖

其中，爬蟲引擎[2]用于處理爬蟲系統(tǒng)的數(shù)據(jù)流處理并觸發(fā)事務(wù)；調(diào)度器用于接受引擎發(fā)送的請求，將其放入處理隊(duì)列，并在引擎再次請求時(shí)返回；數(shù)據(jù)清洗模塊是將下載下來的信息進(jìn)行處理，剔除無效信息和冗余信息；下載器用于下載網(wǎng)站頁面內(nèi)容，并將其傳遞給下一個(gè)處理業(yè)務(wù)；爬蟲規(guī)則用來指定下載網(wǎng)頁，編寫用于分析網(wǎng)站源碼并聽取信息。

1.2 數(shù)據(jù)的采集過程

本文采用GeeSooker爬蟲瀏覽器對中國飼料信息網(wǎng)的2018年1月到2019年2月玉米銷售價(jià)格進(jìn)行采集，采集過程[3]如下：

1) 加載網(wǎng)頁，定義加載規(guī)則、主題；

2) 點(diǎn)選待采信息生成標(biāo)簽，抓取內(nèi)容并提交；

3) 測試，保存規(guī)則，開始爬取數(shù)據(jù)；

4) Data Scrape rworks文件夾中查看數(shù)據(jù)。

1.3 數(shù)據(jù)清洗

數(shù)據(jù)清洗是整個(gè)數(shù)據(jù)分析過程中不可或缺的一部分，結(jié)果的質(zhì)量與模型的效果和最終結(jié)論直接相關(guān)。本文重點(diǎn)對采集數(shù)據(jù)進(jìn)行缺失值清洗、邏輯錯(cuò)誤清洗和關(guān)聯(lián)性驗(yàn)證，最終得到表1中2018/1/2～2019/2/28玉米的銷售價(jià)格數(shù)據(jù)。

表1 玉米的銷售價(jià)格數(shù)據(jù)片段

2 模型建立的分析

2.1 ARIMA模型

ARIMA模型是差分整合移動平均自回歸模型，它是時(shí)間序列預(yù)測分析方法之一。該模型可以通過時(shí)間序列數(shù)據(jù)了解數(shù)據(jù)或預(yù)測系列中的未來預(yù)測點(diǎn)。在數(shù)據(jù)顯示非平穩(wěn)性證據(jù)的一些情況下，可以應(yīng)用初始差異步驟一次或多次消除非平穩(wěn)性。

2.2 ARIMA模型運(yùn)用流程

首先獲得時(shí)間序列數(shù)據(jù)；觀察模型可視化得到的原始時(shí)間序列圖是否平穩(wěn)，如果不平穩(wěn)，可通過差分運(yùn)算平穩(wěn)化；通過差分運(yùn)算后得到新的自相關(guān)圖和偏自相關(guān)圖來驗(yàn)證模型的穩(wěn)定性；對模型進(jìn)行參數(shù)檢驗(yàn)，使結(jié)果更具合理性；利用已通過檢驗(yàn)的模型進(jìn)行預(yù)測。

差分平穩(wěn)時(shí)間序列建模步驟如圖2所示。

“Bin”這個(gè)詞原指酒窖里存儲葡萄酒的隔間或者格子，常以不同的序號來標(biāo)記不同的隔間，因此，澳大利亞很多酒莊都喜歡用“Bin”+序號來為自己的酒款命名。后來，由于易記又順口，隔間的序號慢慢成為葡萄酒的代號。1959年，Bin 28成為Penfolds Bin系列葡萄酒第一個(gè)以此命名的葡萄酒。自此以后，Bin組合層出，為消費(fèi)者所記住和熟知，成了Penfolds旗下最為知名的受歡迎的一個(gè)系列。其中，價(jià)格由低到高，最受歡迎的王牌產(chǎn)品有：

圖2 差分平穩(wěn)時(shí)間序列建模步驟

3 模型的實(shí)現(xiàn)

3.1 建立模型

首先，利用Python語言將抓取數(shù)據(jù)對接[4]，為后文模型的建立做鋪墊，具體代碼如下所示。

# arima時(shí)序模型

# 參數(shù)初始化

discfile = 'sun_C0.csv'

forecastnum = 31

# 讀取數(shù)據(jù)，指定日期列為指標(biāo)，Pandas自動將“日期”列識別名Datetime格式

data = pd.read_csv(discfile, index_col='date')

date_range = pd.date_range(start=min(data.index), end=max(data.index))

date_df = pd.DataFrame(index=date_range)

data = pd.merge(date_df, data, left_index=True, right_index=True, how=' left')

data = data.fillna(method=' ffill')

print(data)

從圖3原始序列的時(shí)序圖可以看出2018年1月～2019年2月玉米的歷史銷售價(jià)格波動情況呈現(xiàn)上升趨勢，說明模型沒有達(dá)到平穩(wěn)化要求，需要進(jìn)行處理。進(jìn)一步利用Python語言建立原始序列的自相關(guān)圖。圖4原始序列的自相關(guān)圖顯示玉米銷售價(jià)格波動具有很強(qiáng)的非平穩(wěn)性。

圖3 原始序列的時(shí)序圖

圖4 原始序列的自相關(guān)圖

通過一階差分運(yùn)算對原始數(shù)據(jù)序列進(jìn)行平穩(wěn)化處理，使玉米銷售價(jià)格波動趨向平穩(wěn)，如圖5所示。

圖5 一階差分之后序列的時(shí)序圖

利用差分運(yùn)算轉(zhuǎn)化得到新的自相關(guān)圖和偏自相關(guān)圖，如圖6和圖7。結(jié)果顯示玉米銷售價(jià)格波動趨向穩(wěn)定。

圖6 一階差分之后序列的自相關(guān)圖

圖7 一階差分之后序列的偏自相關(guān)圖

3.2 模型檢驗(yàn)

利用表2原始序列的單位根檢驗(yàn)所示，進(jìn)一步證明數(shù)據(jù)趨向穩(wěn)定性得到可靠的模型來提前預(yù)測短期玉米銷售價(jià)格的實(shí)際情況，為農(nóng)業(yè)預(yù)測合理數(shù)據(jù)，避免供大于求或供不應(yīng)求的現(xiàn)象。差分序列的單位根檢驗(yàn)如表3所示。

表2 原始序列的單位根檢驗(yàn)

表3 差分序列的單位根檢驗(yàn)

表2和表3數(shù)據(jù)顯示，原始序列的單位根檢驗(yàn)沒有使模型平穩(wěn)化。然后通過差分序列之后得到的單位根檢驗(yàn)數(shù)據(jù)逐漸趨向平穩(wěn)，通過P值可以看到其結(jié)果小于0.05，證明新的序列已達(dá)到平穩(wěn)。

3.3 模型預(yù)測

建立的ARIMA模型進(jìn)行短期預(yù)測，為了得到可靠合理的數(shù)據(jù),使誤差降到最小，我們只能做未來1個(gè)月的預(yù)測[5,6]。所以應(yīng)用ARIMA模型對2019/3/1～2019/3/31玉米的銷售價(jià)格數(shù)據(jù)做為期31天的預(yù)測，結(jié)果如表2所示。

表4 玉米的銷售價(jià)格數(shù)據(jù)

4 結(jié)語

本文利用Python語言進(jìn)行程序?qū)崿F(xiàn)ARIMA模型，實(shí)現(xiàn)了玉米銷售價(jià)格的預(yù)測。通過建立模型得到可視化預(yù)測圖表以驗(yàn)證模型的可靠性，并形象直觀表達(dá)價(jià)格波動情況，得到為期1個(gè)月的短期預(yù)測數(shù)據(jù)。該模型的優(yōu)點(diǎn)是，在短期預(yù)測中誤差較小、數(shù)據(jù)變化較穩(wěn)定。但在長期預(yù)測中，由于時(shí)間延遲，數(shù)據(jù)波動較大，預(yù)測結(jié)果尚不穩(wěn)定。