農業大數據環境下的鮮切花行情監測系統設計

錢曄 孫吉紅 孫媛媛 彭琳 張劍波 韋翌

摘要 針對鮮切花種植戶盲目種植，時常出現供求不平衡的情況，擬設計一個農業大數據環境下鮮切花行情監測系統。通過昆明國際花卉拍賣交易中心官網提供的數據，作為構建智能預測模型的數據源，構建基于BP算法的價格預測模型；根據鮮切花不同季節不同均價及最高最低價格，制定鮮切花價格等級區間標準，將預測結果輸入標準中，產生預警信息。再引進農業大數據技術，設計農業大數據環境下鮮切花行情監測系統。該系統的實施將為農戶、散戶、種植戶、銷售商提供準確的信息，確保經濟利益最大化，助推云南省鮮切花產業大發展、大繁榮。

關鍵詞 監測；大數據；鮮切花；發展

中圖分類號 S126文獻標識碼 A文章編號 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物，是我國重要的園藝作物之一，自20世紀80年代以來，云南省的鮮切花產業迅速發展，該省已經成為亞洲第一大鮮切花生產銷售基地。目前，云南省每年的鮮切花銷量占全國鮮切花銷量的60%以上。霜凍、寒冬季節，云南省的月季、非洲菊、百合等鮮切花除本地內銷外，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、韓國等。每年云南省出口至日本的菊花近1億枝，占我國出口菊花總量的93%。近年來，中國園林網、中國花卉協會等知名網站頻頻爆出，在非節假日期間，由于鮮切花大量上市，昆明國際花卉市場同往年一樣，不但內銷、外銷量迅速銳減，而且銷售價格暴跌。因此，在云南省鮮切花產量不斷上漲、市場地位不斷提高的前提下，掌握鮮切花價格變動的規律，開展鮮切花行情監測與預警研究，對保障農戶、散戶、種植企業等利益，穩定鮮切花市場、優化資源配置、促進云南鮮切花產業健康發展具有重要的理論及現實意義[1]。

1 云南鮮切花行情分析

該研究以玫瑰鮮切花為例，相關數據來源于昆明國際花卉拍賣交易中心官方網站公布的2016年1月1日—2017年12月31日玫瑰鮮切花交易的相關數據，基本能夠反映出全國玫瑰鮮切花批發價格以及價格的波動情況。

根據收集的數據顯示，2016年1月—2017年12月，昆明市玫瑰鮮切花的價格由季節性變動所影響。進入冬季以來，玫瑰鮮切花的價格較高，以2017年為例，冬季玫瑰鮮切花均價約為1.7元/支，最高均價約為5.0元/支；而夏季時玫瑰鮮切花均價約為0.6元/支，最高均價約為2.5元/支；春季時玫瑰鮮切花均價約為1.0元/支，最高均價約為3.5元/支；秋季時玫瑰鮮切花均價約為0.8元/支，最高均價約為3.5元/支。由此可以推算出：冬季玫瑰鮮切花的價格最高，夏季的價格最低，春秋季節的價格變化較小。

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

2 價格預測在智能算法中的應用

農產品價格預測研究中，Moore[2]通過建立回歸預測方程對棉花的產量及價格進行預測；之后，Maki[3]、Cox[4]、Sarle[5]采用多元回歸方程分別對豬肉、牛肉及生豬進行了價格預測。隨著定量預測方法的不斷發展成熟，時間序列分析技術、灰色理論模型、馬爾可夫鏈、Logistic 模型、小波理論模型、神經網絡模型等模型相繼出現[6]，各種智能算法被廣泛運用于農產品價格預測中。國內研究人員主要沿用定量預測方法構建了智能預測模型。許彪等[7]通過建立5因素模型的生豬價格分析模型框架，預測未來15個月生豬價格趨勢；方燕等[8]通過灰色預測算法，構建基于灰色算法的大豆價格預測模型，對大豆的價格進行預測；孫吉紅等[9]通過BP人工神經網絡算法，構建基于智能算法的鮮切花價格預測模型，對來年的鮮切花價格進行預測；段青玲等[10]采用時間序列 GA-SVR算法構建水產品價格預測模型，對水產品價格進行預測；金智等[11]采用人工神經網絡算法對玉米的短期價格進行預測。

綜合國內外的農產品價格預測研究可知，目前主要是采用定量預測方法構建智能預測模型對農產品價格進行預測。其中，時間序列算法構建的預測模型與人工神經網絡算法構建的預測模型相比，預測的準確率較低；而人工神經網絡算法中不同算法構建的預測模型針對不同條件的農產品，預測的準確率不同。

3 智能監控模型的構建

該研究在參照前人研究的基礎上構建智能預測模型，預測鮮切花價格，評估價格等級，當價格超出警戒線時將提前預警。

首先，根據云南省鮮切花市場價格的特點，構建短期價格預測模型，提高鮮切花價格預測的準確率；第二，根據BP人工神經網絡算法在預測中的局限性，對BP神經網絡算法進行改進，提高預測的準確率；第三，在農產品價格預測中，最關鍵的是影響農產品價格的因素確定，筆者根據前人的研究成果確定影響鮮切花價格的因素；第四，將鮮切花價格分為6級，當預測價格小于等于2級時（2級價格為警戒線）將發出警報。

確保采集數據的真實性和實效性，影響因素的準確性，預測模型的高預測率，構建具有實用性的云南省鮮切花行情監測模型至關重要。

3.1 數據采集、分析及處理

該研究以昆明國際花卉拍賣交易中心公布的數據為數據來源，以玫瑰鮮切花為例進行分析，收集整理了2016年1月1日—2017年12月31日關于玫瑰鮮切花的數據，為構建鮮切花行情監測模型提供數據支撐。

3.1.1 異常數據分析及處理方法。

首先，將收集整理的數據導入Excel表格中，剔除情人節、國慶節、七夕、春節前后的數據，并按照春夏秋冬四季進行分組，將收集到的數據共分為4個組，分別單獨進行分析。觀察每組數據中是否出現忽高忽低的異常數據，如果出現此類數據，就使用格拉布斯準則，在MATLAB平臺中，剔除異常數據，具體算法如下：

將收集到的數據xi按照一定的次序排隊，Grubbs導出g=xn-σ的分布，取顯著水平ɑ，公式如下[12]：

3.1.2 數據歸一化處理。

該研究共收集730組數據，剔除情人節、國慶節、七夕、春節前后的數據以及異常數據，第1組數據包含數據信息160條，第2組數據包含數據信息158條，第3組數據包含數據信息170條，第4組數據包含數據信息173條。采用歸一化算法分別對4組信息進行歸一化處理，處理后將所有信息值控制在-1～1，提高預測的準確率。

3.2 鮮切花價格影響因子的確立及分析

影響農產品價格因素眾多，國內外學者曾多次在學術期刊中提到影響農產品價格的因素主要包括農產品產量、農產品銷量、居民購買能力等。總的來說，主要是圍繞供求量和需求量來確定鮮切花價格影響因子。該研究主要是總結國內外學者的相關研究結論，確定影響鮮切花價格的因素為昆明國際花卉拍賣交易中心玫瑰鮮切花每天的拍賣量和實際拍賣的數量。

3.3 構建基于BP人工神經網絡算法的預測模型[13] 如圖1所示，BP人工神經網絡包括輸入層、隱含層和輸出層共3層結構，圖中x1，x2，x3，...，xn是BP人工神經網絡的輸入值，y1，y2，y3，...，ym是BP人工神經網絡的預測值，中間Wjk為權值，具有算法如下。

3.3.1 構建BP神經網絡。

采用newff（）函數構建神經網絡構架。

net=newff

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

注：net=newff主要用作對話框上建立BP神經網絡構架。

3.3.2 初始化權值。

采用newff（）函數自動進行權值的初始化過程，促使網絡恢復至初始化狀態。

3.3.3 網絡仿真。

首先確定網絡結構，然后確定輸入變量，最后應用函數sim（）進行網絡計算，輸出預測值。

3.3.4 網絡學習。

輸入樣本數據和期望輸出向量，在訓練過程中，將自動調整權值、閾值，直到表現函數達到最小值。其中，前饋型神經網絡表現函數的默認值是期望輸出向量機網絡輸出的均方差。

3.3.5 BP網絡預測。

使用訓練好的BP神經網絡預測特征值，根據預測結果分析BP神經網絡預測的能力。

3.4 預警模型的設計

以2017年昆明國際花卉拍賣交易中心玫瑰鮮切花的拍賣數據為研究對象進行分析，春季玫瑰鮮切花最高單價為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約為1.0元/支，夏季約為0.6元/支，秋季約為0.8元/支。根據以上數據進行分析、設計，將鮮切花價格分為6級：第1級價格在0～0.6元/支；第2級價格在>0.6～0.8元/支；第3級價格在>0.8～1.0元/支；第4級價格在>1.0～1.5元/支；第5級價格在>1.5～2.5元/支；第6級價格在2.5元/支以上。

在構建鮮切花價格預測模型之后，通過構建鮮切花價格預警系統，為農戶、散戶、種植戶以及銷售商提供較為精確的預測數據，具體情況如下：

根據鮮切花不同季節不同均價及最高最低價格，制定鮮切花價格等級區間標準，將預測結果輸入標準中，產生預警信息。當預測價格在0.8元/支及以下時，系統將自動預警，提醒農戶、散戶、種植戶鮮切花價格已經進入低價時期；同時，提醒鮮切花銷售商，鮮切花價格低利于大量收購。當預測價格高于1.5元/支時，系統自動提示，當鮮切花價格進入黃金時期，利于大量采摘、種植。表1為鮮切花預警系統的設計情況。

4 大數據環境下鮮切花行情監測系統的設計

大數據作為信息技術與多學科結合的產物，在多種產業中獲得了應用。但是，目前并沒有非常權威、精確的定義。世界著名咨詢公司麥肯錫定義“大數據”：沒有辦法在短期內使用傳統意義的數據庫對其進行數據處理的數據集[14]。維基百科則是這樣定義“大數據”：利用軟件工具分析、處理、管理數據需要的時間超出可以容忍的時間[15]。除此之外，相對具有代表性是3 V定義，即認為只要滿足多樣性、高速性及規模性的數據集合就稱為大數據[16]。

4.1 農業大數據

農業大數據是以大數據分析為中心，使用智能算法、技術、方法等分析和處理農業領域中生產環節、銷售環節形成的數據信息，從而得出對農業生產、銷售有重要指導意義的信息。農業大數據的實施過程就是將收集整理的大數據集合，采用農業信息技術（數據挖掘、智能算法、云計算技術）進行分析整理，并指導農業生產、銷售。溫孚江[17]教授認為農業大數據是在農業生產、銷售等過程中跨越行業、專業處理數據的過程。王儒敬[18]教授認為，目前我國農業信息化進一步發展的關鍵點就是建立農業大數據中心，采用數據挖掘、云計算、智能算法等技術解決農業發展的瓶頸。

4.2 大數據環境下鮮切花行情監測系統的設計

前文已經構建了鮮切花價格預測模型、鮮切花價格預警系統，并將兩者有機結合起來形成了完整的鮮切花行情監測系統。但是，隨著時間的推移，該系統的精確度、適用性、智能性逐漸衰弱。為了更好地適應當前瞬息萬變的數字化、智能化、網絡化時代，積極開拓互聯網+鮮切花產業，引進農業大數據技術，結合鮮切花行情監測系統，構建農業大數據環境下鮮切花行情監測系統。主要是聯合昆明市斗南國際花卉市場，提供近10年以來，所有種類鮮切花的相關數據，并不斷產生新的數據，將所有數據作為樣本測試數據輸入基于BP人工神經網絡算法的預測模型中，并將鮮切花價格預警系統置于其官方網站中，借用云平臺，為滿足不同用戶的需求，提供價格低廉的數據分享形式。

5 展望

數據將成為未來科技革命中最重要的資源，然而僅僅是一堆靜態的數據則很難創造經濟效益，只有通過數據挖掘、時間序列算法、神經網絡算法、灰色理論、云計算技術等智能算法，針對不同的情況采用不同的智能算法建立相應的智能預測（識別）模型，才能將數據轉化為信息，發揮數據的作用，并應用管理學知識發揮最大的效益。

云南省鮮切花產業作為我國的特色產業之一，在多方面發揮著重要的作用。構建農業大數據環境下鮮切花行情監測系統，提供準確率高、價格超低的鮮切花價格預測數據，并提供價格預警提醒業務，將為農戶、散戶、種植戶、銷售商提供準確的信息，確保其利益最大化，同時也為數據提供商增長了收益，實現了雙贏、共喜的局面。

參考文獻

[1] 趙姜，吳芮，吳敬學.中國西瓜價格短期預測分析[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.我國價格預測方法文獻研究[J].開發研究，2014（5）：105-109.

[7] 許彪，施亮，劉洋.我國生豬價格預測及實證研究[J].農業經濟問題，2014，35（8）：25-32.

[8] 方燕，馬艷.我國大豆價格波動及其未來走勢預測[J].價格理論與實踐，2014（6）：67-69.

[9] 孫吉紅，張麗蓮，武爾維，等.基于智能算法的價格預測模型探究[J].計算機技術與發展，2014，24（11）：107-109.

[10] 段青玲，張磊，魏芳芳，等.基于時間序列 GA-SVR 的水產品價格預測模型及驗證[J].農業工程學報，2017，33（1）：308-314.

[11] 金智，李風軍.基于人工神經網絡的玉米價格短期預測研究[J].寧夏師范學院學報（自然科學），2013，34（6）：77-81.

[12] 王巖，隋思漣.試驗設計與MATLAB數據分析[M].北京：清華大學出版社，2012.

[13] 張德豐.MATLAB神經網絡應用設計[M].北京：機械工業出版社，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.農業大數據研究的戰略意義與協同機制[J].高等農業教育，2013（11）：3-6.

[18] 王儒敬.我國農業信息化發展的瓶頸與應對策略思考[J].中國科學院院刊，2013，28（3）：337-343.