中圖分類號：TP311.52 文獻標志碼：A

0 引言

隨著信息技術的進步與現(xiàn)代農(nóng)業(yè)進程的加快，傳統(tǒng)的助農(nóng)方式已無法滿足鄉(xiāng)村地區(qū)快速發(fā)展的需求，數(shù)字化轉(zhuǎn)型已成為推動鄉(xiāng)村振興的重要手段，探索高效可行的智慧化惠農(nóng)模式勢在必行。而傳統(tǒng)的農(nóng)產(chǎn)品價格預測模型往往存在預測精度不高、適應性不強等問題，利用深度學習模型及人工智能技術等設計的數(shù)字惠農(nóng)系統(tǒng)在一定程度上做到精準預測，為農(nóng)戶提供較為可靠的決策依據(jù)，從而實現(xiàn)農(nóng)業(yè)生產(chǎn)管理的精準化與智能化，從行情預測、智慧種植到農(nóng)產(chǎn)品流通，再到農(nóng)業(yè)服務，覆蓋了農(nóng)業(yè)全產(chǎn)業(yè)鏈，有效提升了生產(chǎn)效率，極大程度上優(yōu)化了資源配置。

1研究背景與現(xiàn)狀

隨著信息技術的快速發(fā)展，特別是物聯(lián)網(wǎng)、大數(shù)據(jù)、云計算等技術的廣泛應用，農(nóng)業(yè)現(xiàn)代化進程正逐步加快。中國作為農(nóng)業(yè)大國對“三農(nóng)”問題格外重視，就加快農(nóng)業(yè)信息化建設，提出了一系列政策以推動農(nóng)業(yè)數(shù)字化轉(zhuǎn)型，因此農(nóng)業(yè)信息化、智能化建設已經(jīng)成為國家戰(zhàn)略的重要組成部分。數(shù)字惠農(nóng)信息系統(tǒng)也應運而生，系統(tǒng)通過應用現(xiàn)代信息技術和智能化設備，利用智能化手段，為農(nóng)民提供更加精準、高效的信息服務，提升農(nóng)業(yè)生產(chǎn)效率，減少生產(chǎn)成本，改善農(nóng)業(yè)產(chǎn)品質(zhì)量和農(nóng)民的生活水平，以推動農(nóng)業(yè)的可持續(xù)發(fā)展。本團隊結合深度學習技術，為農(nóng)業(yè)信息化系統(tǒng)帶來了新的發(fā)展機遇。深度學習技術以強大的數(shù)據(jù)處理和分析能力，在農(nóng)業(yè)環(huán)境監(jiān)測、農(nóng)產(chǎn)品價格預測、科學種植等方面發(fā)揮巨大作用，為農(nóng)業(yè)生產(chǎn)的科學決策提供有力支持。當前，基于深度學習技術的數(shù)字惠農(nóng)信息系統(tǒng)在國內(nèi)外取得了一定的研究進展和應用成果。其中在農(nóng)作物病蟲害識別、生長狀態(tài)監(jiān)測方面成果頗豐，實現(xiàn)對作物生長狀態(tài)的智能識別和預測、病蟲害的精準識別和早期預警，面向作物生長方面居多，產(chǎn)出的作物品質(zhì)逐年變好，但在農(nóng)業(yè)相關的數(shù)據(jù)獲取和處理存在欠缺[1]，使得農(nóng)作物經(jīng)常因市場變化導致利潤降低，農(nóng)業(yè)環(huán)境的復雜性也使得深度學習算法的訓練和優(yōu)化面臨一定困難。因此，團隊側重對市場變化提前進行分析，對農(nóng)業(yè)生產(chǎn)做出輔助決策。該系統(tǒng)在農(nóng)業(yè)領域具有較為廣闊的應用前景，相信未來可以為農(nóng)業(yè)的可持續(xù)發(fā)展做出顯著的貢獻。

2 系統(tǒng)整體設計

2.1 系統(tǒng)功能簡介

“鄉(xiāng)鏈科技\"數(shù)字惠農(nóng)信息系統(tǒng)是由管理平臺、移動端小程序、Web網(wǎng)站構成統(tǒng)一后臺管理多用戶端的智能系統(tǒng)，包含批發(fā)零售、行情預測、農(nóng)技學堂、新聞資訊等6大功能模塊，支持農(nóng)戶上傳經(jīng)管理員審核的商品進行銷售。利用上述模型進行行情預測并提供最新行業(yè)資訊，能夠增加農(nóng)民營收渠道，打破信息差距，推動鄉(xiāng)村振興，具體功能如圖1所示。

2.2 系統(tǒng)架構設計

“鄉(xiāng)鏈科技\"數(shù)字惠農(nóng)信息系統(tǒng)的架構設計遵循分層原則，清晰劃分為接入終端、API接口層、業(yè)務服務層、數(shù)據(jù)層、數(shù)據(jù)庫和運行環(huán)境6個核心層面。接入終端包括PC端、小程序，為用戶提供多樣化的訪問方式。API接口層作為系統(tǒng)與外界交互的橋梁，提供RESTfulAPI和微服務接口，確保前后端分離和系統(tǒng)解耦。業(yè)務服務層涵蓋了系統(tǒng)的核心功能，如用戶管理、項目管理等，支撐日常業(yè)務運作。數(shù)據(jù)層負責數(shù)據(jù)緩存和同步，提高數(shù)據(jù)處理效率。數(shù)據(jù)庫層使用MySQL和Redis，分別存儲結構化數(shù)據(jù)和提供高速緩存。運行環(huán)境包括網(wǎng)絡、軟件和硬件平臺，為整個系統(tǒng)提供穩(wěn)定的運行基礎。這種分層設計使得系統(tǒng)易于維護、擴展和升級，同時保障了系統(tǒng)的高性能和高可用性。系統(tǒng)架構如圖2所示。

圖1 系統(tǒng)功能模塊

2.3系統(tǒng)關鍵技術

本系統(tǒng)的后端是基于SpringBoot的框架，能夠快速搭建RESTful API和微服務。SpringBoot的簡潔性和靈活性使得本團隊能夠高效開發(fā)可擴展的服務。為確保數(shù)據(jù)安全，本團隊使用Spring Security進行精細化權限控制，通過配置用戶認證和授權機制，有效管理用戶訪問權限，保護敏感數(shù)據(jù)。

在數(shù)據(jù)檢索方面，本系統(tǒng)集成了Elasticsearch的分布式架構，利用其強大的搜索引擎能力支持復雜查詢和實時數(shù)據(jù)分析，使得系統(tǒng)能夠迅速響應用戶的搜索請求，提升用戶體驗。

在數(shù)據(jù)存儲方面，本系統(tǒng)采用關系型數(shù)據(jù)庫MySQL，負責管理結構化數(shù)據(jù)，通過合理的索引優(yōu)化查詢性能，以提升整體響應速度。同時，華為云OBS（對象存儲服務）用于存儲靜態(tài)數(shù)據(jù)，確保數(shù)據(jù)可靠和安全。

為了處理異步消息，本系統(tǒng)集成了RabbitMQ服務器，有效解耦了各個服務之間的依賴關系，確保業(yè)務流程順暢，使系統(tǒng)能夠高效處理后臺任務，從而提升響應速度和穩(wěn)定性。

此外，為了解決緩存問題，本文使用了Redis系統(tǒng)，將頻繁訪問的數(shù)據(jù)保存在內(nèi)存中，減輕數(shù)據(jù)庫壓力，提升數(shù)據(jù)訪問速度，使系統(tǒng)能夠在高并發(fā)場景下具有出色的表現(xiàn)。

前端部分，本系統(tǒng)采用Vue.js框架，配合ElementPlusUI組件庫和構建工具Vite進行開發(fā)，打造了友好的用戶界面。Vue.js的響應式數(shù)據(jù)綁定特性確保用戶界面的交互流暢，而ElementPlus則提供了豐富的組件，提升了開發(fā)效率。系統(tǒng)實現(xiàn)了用戶會話數(shù)據(jù)的緩存，使得用戶在不同頁面之間能夠無縫切換。同時，本文集成了商品搜索功能，方便用戶快速找到所需商品并配置了路由守衛(wèi)和頁面級權限控制，進一步增強了安全性與用戶操作的順暢性。

2.3.1 前端界面

前端主要使用Vue漸進式框架。Vue的架構設計簡潔直觀，便于與第三方庫或現(xiàn)有的項目框架進行整合，在各種開發(fā)場景中都具有很強的應用潛力。Vue的應用不僅能夠加速開發(fā)流程，還能促進前端開發(fā)的標準化和模塊化。目前，Vue已經(jīng)成了深受開發(fā)者喜愛的前端框架[2]

2.3.2后端服務器

后端利用Pivotal團隊打造的開源SpringBoot框架完成后端開發(fā)。該框架能夠簡化Spring應用的開發(fā)流程，具有強大的集成能力，無縫集成眾多流行框架，最重要的是，SpringCloud 生態(tài)系統(tǒng)十分繁榮，使得開發(fā)者能靈活高效地構建系統(tǒng)[3]

2.3.3 數(shù)據(jù)庫

利用MySQL和Redis進行數(shù)據(jù)庫構建，設計數(shù)據(jù)庫模型，包括表的設計、字段的定義、索引的創(chuàng)建，編寫相應的SQL腳本來初始化數(shù)據(jù)，存儲產(chǎn)品屬性、產(chǎn)地信息、價格變動、市場需求等和農(nóng)產(chǎn)品相關的各類信息，通過數(shù)據(jù)清洗、填補缺失值和處理異常值等步驟，來保證數(shù)據(jù)的質(zhì)量和準確性，采用數(shù)據(jù)去重、聚類分析、統(tǒng)計分析、關聯(lián)規(guī)則挖掘等技術，為數(shù)據(jù)庫的構建提供有力的數(shù)據(jù)支持[4]

圖2系統(tǒng)架構設計

表1系統(tǒng)開發(fā)技術及工具

3基于深度學習的農(nóng)產(chǎn)品價格預測

3.1數(shù)據(jù)準備與預處理

本研究選取2020年1月1日至2024年8月31日河北省主要蔬菜品種的每月價格數(shù)據(jù)，包括大白菜、西紅柿、黃瓜、土豆、青椒、大蔥、大蒜、豆角、西葫蘆等多種農(nóng)產(chǎn)品，其每月價格數(shù)據(jù)均來源于河北省農(nóng)業(yè)農(nóng)村廳（https：//nync.hebei.gov.cn/），價格單位為元/kg。由于原始價格數(shù)據(jù)具有較大的動態(tài)范圍，直接輸入模型可能會影響收斂速度和預測精度。因此，本研究根據(jù)max-min歸一化公式對數(shù)據(jù)進行了標準化處理，將其縮放到[0，1]的范圍內(nèi)，以提高模型的訓練效果。

3.2深度學習模型的建立與預測

農(nóng)產(chǎn)品的價格數(shù)據(jù)在時間上往往呈現(xiàn)連續(xù)性，具有明顯的時間序列特征。因此，本研究將ARIMA和LSTM2種深度學習模型相融合，構建了ARIMA-LSTM組合模型，對價格數(shù)據(jù)進行了預測。具體而言，對于存在季節(jié)性和趨勢性等平穩(wěn)特征的數(shù)據(jù)，利用ARIMA模型捕捉時間序列中的線性依賴；對于受長期趨勢、季節(jié)性因素以及突發(fā)事件等多種因素影響的價格數(shù)據(jù)，利用LSTM模型捕捉復雜的非線性特征。最終，通過2個預測數(shù)據(jù)的加和，得到新的預測結果。

3.2.1 相關知識

（1）ARIMA模型。

ARIMA模型[5]的基本原理是通過擬合以往的時間序列數(shù)據(jù)來實現(xiàn)對未來趨勢的預測。通常情況下，在進行模型構建前要對數(shù)據(jù)進行假設檢驗。首先，利用ADF檢驗其平穩(wěn)性，即判斷價格數(shù)據(jù)的均值與方差是否在時間上保持恒定，不出現(xiàn)顯著波動。然后，通過Ljung-Box檢驗對數(shù)據(jù)殘差進行白噪聲檢驗，即判斷數(shù)據(jù)中是否存在自相關性。

對已通過假設檢驗的數(shù)據(jù)集進行模型擬合，構建ARIMA （p，d，q） 模型。其中， p 表示自回歸項數(shù)， q 表示滑動平均項數(shù)，而 d 則表示使序列達到平穩(wěn)狀態(tài)所需進行的差分操作的次數(shù)（階數(shù)）。公式如下：

α（B）（1-B）^dy_t=β（B）ε_t

式中， y_t 表示歷史觀測值的時間序列， ε_t 表示均值為0、方差為常數(shù)的獨立分布的白噪聲序列， B 為滯后算子， B 的計算公式為：

然后，利用AIC（AkaikeInformationCriterion）準則求解 p，q ，選擇具有最小AIC值的模型作為最優(yōu)模型，計算公式為：

AIC=-2log（L）+2（p+q+1）

式中， L 是ARIMA模型的似然函數(shù)值，1是常數(shù)項的估計量。

（2）LSTM模型。

LSTM模型能夠處理具有非線性特征的時間序列數(shù)據(jù)，具有長時記憶能力，主要通過細胞狀態(tài)和門2個關鍵要素來實現(xiàn)預測，其中細胞狀態(tài)是指重復單元頂端傳送的向量，須要進行初級線性變換；門控機制使得信息能夠選擇性地進出，從而對細胞狀態(tài)進行修改或更新。其核心原理如下：

① 輸入門：確定了應該被更新或整合進細胞狀態(tài)的值。

i_t=σ（W_iix_t+b_ii+W_hih_t-1+b_hi）

② 遺忘門：決定了細胞狀態(tài)中哪些信息應該被丟棄。

f_t=σ（W_ifx_t+b_if+W_hfh_t-1+b_hf）

③ 細胞狀態(tài)更新：生成一個新的候選細胞狀態(tài)，將其與遺忘門和輸入門的輸出相結合，從而更新細胞狀態(tài)。

g_?t=tanh（W_igx_?t+b_ig+W_hgh_t-1+b_hg）

c_t=f_t?c_t-1+i_t?g_t

④ 輸出門：決定了細胞狀態(tài)中應該被輸出的值。

o_t=σ（W_iox_t+b_io+W_hoh_t-1+b_ho）

⑤ 遺忘狀態(tài)更新：在細胞狀態(tài)更新時，遺忘門將對舊信息實現(xiàn)遺忘操作。

h_t=o_t?tanh（c_t）

式中， σ 表示Sigmoid激活函數(shù)，tanh表示雙曲正切激活函數(shù)， W 和 b 分別是權重和偏置。

3.2.2 ARIMA-LSTM組合模型的建立

本文研究的蔬菜的月平均價格數(shù)據(jù)是小樣本集，受不規(guī)則沖擊影響大，具有季節(jié)性、非平穩(wěn)等特征，采用單一模型預測誤差較大，而將2種模型相結合后，可達到優(yōu)勢互補的效果。因此，將蔬菜的月平均價格的時間序列 P_ι 看成由線性結構 f_t 和非線性結構 組成，即 P_Λt=f_t+S_Λt ，建立ARIMA-LSTM模型[，具體步驟如下。

步驟1：標準化的價格數(shù)據(jù)通過ARIMA模型對進行預測，得到預測值 f_t 。

步驟2：用LSTM模型預測由真實值減去 得到誤差序列，得到預測值 。

步驟3：ARIMA-LSTM組合模型得到的預測值等于步驟1、2之和，即 P_Λt=f_Λt+S_Λt 。

3.2.3模型的預測結果

在假設檢驗中，土豆和大蔥價格的 ADF 檢驗 p 值分別為0.167、0.948，均大于0.05，未通過平穩(wěn)性檢驗，須要進行差分運算并重復進行ADF檢驗，直至所有數(shù)據(jù)都滿足平穩(wěn)性要求。然后進行Ljung-Box檢驗，經(jīng)檢驗發(fā)現(xiàn)所有價格的 p 值均大于等于顯著性水平0.05，價格序列通過了白噪聲測試，顯示沒有顯著的自相關性。

利用ARIMA模型對標準化的蔬菜價格數(shù)據(jù)進行預測，得到初始的預測值。然后計算預測值和真實值的誤差，作為LSTM模型的輸入數(shù)據(jù)，反復迭代訓練模型。在訓練LSTM模型時，為了防止過擬合，本研究將迭代次數(shù)設置為100，得到了最佳的誤差序列預測值。最后將2個模型的預測值組合，即為最終的預測值，如圖3所示。

圖32024年9月到2026年12月河北省主要蔬菜品類批發(fā)市場價格預測結果

4優(yōu)勢與問題

4.1特色優(yōu)勢

數(shù)字惠農(nóng)信息系統(tǒng)集成了物聯(lián)網(wǎng)、大數(shù)據(jù)、人工智能等前沿技術，實現(xiàn)了農(nóng)業(yè)生產(chǎn)管理的精準化、智能化以及網(wǎng)絡化，不僅提高了生產(chǎn)效率，還優(yōu)化了資源配置，為農(nóng)業(yè)現(xiàn)代化提供了強有力的支撐。同時系統(tǒng)利用深度學習模型中的ARIMA與LSTM進行組合，對農(nóng)產(chǎn)品的價格進行了較為精準的預測，采用的組合模型巧妙結合了ARIMA模型的線性預測能力和LSTM模型的非線性特征捕捉能力，大大提高了預測的準確性和穩(wěn)定性，為農(nóng)業(yè)生產(chǎn)者的決策提供了可靠的依據(jù)。此外，數(shù)字惠農(nóng)信息系統(tǒng)涵蓋了批發(fā)零售、行情預測、農(nóng)技學堂、新聞資訊等多個功能模塊，滿足了農(nóng)業(yè)生產(chǎn)者的多元化需求。系統(tǒng)提供的行情預測功能，能夠幫助農(nóng)戶更好地把握市場動態(tài)，制定科學的種植和銷售計劃，其中農(nóng)技學堂和新聞資訊等功能也為農(nóng)戶提供了豐富的知識和技能支持。

4.2 現(xiàn)存問題

首先，部分農(nóng)村地區(qū)的基礎設施建設相對滯后，網(wǎng)絡覆蓋不全、數(shù)據(jù)傳輸速度慢等問題在一定程度上制約了數(shù)字惠農(nóng)信息系統(tǒng)的推廣。為克服這一困難，前期要加大基礎設施投人來提升農(nóng)村地區(qū)的信息化水平，可能會面臨大量資金投入，引發(fā)資金管理的風險。其次，系統(tǒng)的后期運維需要專業(yè)的技術人員支持，而目前農(nóng)村地區(qū)的專業(yè)技術人員相對匱乏，影響了系統(tǒng)的有效使用和推廣，因此，還要加大農(nóng)村地區(qū)的人才培養(yǎng)和引進力度，提高農(nóng)村地區(qū)的技術支持能力。最后，現(xiàn)在的信息共享機制不夠健全，導致數(shù)據(jù)孤島現(xiàn)象較為嚴重，可能會影響系統(tǒng)的整體功能。為了促進信息共享和資源整合，還要建立完善的信息共享機制和標準體系，推動各部門、各企業(yè)之間的數(shù)據(jù)互聯(lián)互通，以更好地實現(xiàn)系統(tǒng)功能，為更多的農(nóng)戶服務。

5結語

當前的數(shù)字惠農(nóng)信息系統(tǒng)作為連接傳統(tǒng)農(nóng)業(yè)與現(xiàn)代科技的橋梁，正逐漸展現(xiàn)其巨大的潛力和價值，通過對系統(tǒng)的設計與實現(xiàn)進行深入探討，旨在為解決農(nóng)業(yè)生產(chǎn)中的信息滯后、資源配置不均等問題提供新的思路和解決方案。本文提出的數(shù)字惠農(nóng)信息系統(tǒng)，通過融合物聯(lián)網(wǎng)、大數(shù)據(jù)與人工智能技術，實現(xiàn)了農(nóng)業(yè)生產(chǎn)管理的智能化、網(wǎng)絡化，不僅對農(nóng)產(chǎn)品價格進行較為精準的預測，提供可靠的決策供農(nóng)戶參考，還涵蓋了批發(fā)零售、行情預測、農(nóng)技學堂、新聞資訊等多個功能模塊，滿足了農(nóng)業(yè)生產(chǎn)者的多元化需求（湊的字數(shù)）。然而，系統(tǒng)的推廣與應用仍面臨諸多挑戰(zhàn)，部分農(nóng)村地區(qū)基礎設施建設滯后、網(wǎng)絡覆蓋不全等問題制約了系統(tǒng)的普及，農(nóng)村地區(qū)相關的專業(yè)人才相對匱乏影響系統(tǒng)的推廣和使用。未來政府加大基礎設施投入，提升農(nóng)村信息化水平，加強農(nóng)村地區(qū)的人才培養(yǎng)和引進力度，系統(tǒng)也將不斷完善和優(yōu)化，為農(nóng)業(yè)生產(chǎn)提供更加全面、精準的服務，為實現(xiàn)鄉(xiāng)村振興戰(zhàn)略和農(nóng)業(yè)可持續(xù)發(fā)展目標做出更大的貢獻。

參考文獻

［1]孫筱霞.基于云技術的科技惠農(nóng)服務信息系統(tǒng)分析與設計[D].南京：東南大學，2019.

[2]朱二華.基于Vue.js的Web前端應用研究[J].科技與創(chuàng)新，2017（20）：119-121.

[3]張峰.應用SpringBoot改變web應用開發(fā)模式[J].科技創(chuàng)新與應用，2017（23）：193-194.

[4]舒?zhèn)ィ瑒⒈?Redis架構下的MySQL數(shù)據(jù)庫性能提升淺析[J].通訊世界，2015（14）：222.

[5]鄭佳寧.基于ARIMA和LSTM的混合模型在蔬菜價格預測中的應用[D].大連：東北財經(jīng)大學，2020.

[6]曹新悅，賀春林，崔夢天.基于X12-ARIMA和LSTM組合模型的城市蔬菜價格波動規(guī)律及預測[J].西南民族大學學報（自然科學版），2021（4）：418-425.

（編輯 王雪芬）

Abstract：Agriculture，as the foundationof thenational economy，is crucial for optimizing production eficiency and resource allocation.However，some rural areas face issues like information lag andunequal resource allcation．With the rapid development of information technologyand modernagriculture，smartagricultureand digital agricultural informationsystemsare becoming key tools toenhance agricultural production eficiencyandoptimizeresource allcation.Thisarticledesignsadigitalagricultural informationsystembasedondeeplearning technologytoaccurately predictagricultural product prices，optimize production decisions，and integrate IoT，big data，andAI technologies. This aims to achieve inteligentand networked agricultural production management，improve effciency，promote product circulation，boostagricultural modernizationandrural economic development，and support the implementation of rural revitalization strategies.

Key words：digital agricultural information system；deep learning;agricultural product price prediction;ARIMA model; LSTM model