基于深度學習技術的數字惠農信息系統設計

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代農業進程的加快，傳統的助農方式已無法滿足鄉村地區快速發展的需求，數字化轉型已成為推動鄉村振興的重要手段，探索高效可行的智慧化惠農模式勢在必行。而傳統的農產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字惠農系統在一定程度上做到精準預測，為農戶提供較為可靠的決策依據，從而實現農業生產管理的精準化與智能化，從行情預測、智慧種植到農產品流通，再到農業服務，覆蓋了農業全產業鏈，有效提升了生產效率，極大程度上優化了資源配置。

1研究背景與現狀

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

2 系統整體設計

2.1 系統功能簡介

“鄉鏈科技\"數字惠農信息系統是由管理平臺、移動端小程序、Web網站構成統一后臺管理多用戶端的智能系統，包含批發零售、行情預測、農技學堂、新聞資訊等6大功能模塊，支持農戶上傳經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資訊，能夠增加農民營收渠道，打破信息差距，推動鄉村振興，具體功能如圖1所示。

2.2 系統架構設計

“鄉鏈科技\"數字惠農信息系統的架構設計遵循分層原則，清晰劃分為接入終端、API接口層、業務服務層、數據層、數據庫和運行環境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解耦。業務服務層涵蓋了系統的核心功能，如用戶管理、項目管理等，支撐日常業務運作。數據層負責數據緩存和同步，提高數據處理效率。數據庫層使用MySQL和Redis，分別存儲結構化數據和提供高速緩存。運行環境包括網絡、軟件和硬件平臺，為整個系統提供穩定的運行基礎。這種分層設計使得系統易于維護、擴展和升級，同時保障了系統的高性能和高可用性。系統架構如圖2所示。

圖1 系統功能模塊

2.3系統關鍵技術

本系統的后端是基于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可擴展的服務。為確保數據安全，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，保護敏感數據。

在數據檢索方面，本系統集成了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據分析，使得系統能夠迅速響應用戶的搜索請求，提升用戶體驗。

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

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

此外，為了解決緩存問題，本文使用了Redis系統，將頻繁訪問的數據保存在內存中，減輕數據庫壓力，提升數據訪問速度，使系統能夠在高并發場景下具有出色的表現。

前端部分，本系統采用Vue.js框架，配合ElementPlusUI組件庫和構建工具Vite進行開發，打造了友好的用戶界面。Vue.js的響應式數據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，提升了開發效率。系統實現了用戶會話數據的緩存，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有的項目框架進行整合，在各種開發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流程，還能促進前端開發的標準化和模塊化。目前，Vue已經成了深受開發者喜愛的前端框架[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。該框架能夠簡化Spring應用的開發流程，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 生態系統十分繁榮，使得開發者能靈活高效地構建系統[3]

2.3.3 數據庫

利用MySQL和Redis進行數據庫構建，設計數據庫模型，包括表的設計、字段的定義、索引的創建，編寫相應的SQL腳本來初始化數據，存儲產品屬性、產地信息、價格變動、市場需求等和農產品相關的各類信息，通過數據清洗、填補缺失值和處理異常值等步驟，來保證數據的質量和準確性，采用數據去重、聚類分析、統計分析、關聯規則挖掘等技術，為數據庫的構建提供有力的數據支持[4]

圖2系統架構設計

表1系統開發技術及工具

3基于深度學習的農產品價格預測

3.1數據準備與預處理

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據，包括大白菜、西紅柿、黃瓜、土豆、青椒、大蔥、大蒜、豆角、西葫蘆等多種農產品，其每月價格數據均來源于河北省農業農村廳（https：//nync.hebei.gov.cn/），價格單位為元/kg。由于原始價格數據具有較大的動態范圍，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max-min歸一化公式對數據進行了標準化處理，將其縮放到[0，1]的范圍內，以提高模型的訓練效果。

3.2深度學習模型的建立與預測

農產品的價格數據在時間上往往呈現連續性，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，對價格數據進行了預測。具體而言，對于存在季節性和趨勢性等平穩特征的數據，利用ARIMA模型捕捉時間序列中的線性依賴；對于受長期趨勢、季節性因素以及突發事件等多種因素影響的價格數據，利用LSTM模型捕捉復雜的非線性特征。最終，通過2個預測數據的加和，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據來實現對未來趨勢的預測。通常情況下，在進行模型構建前要對數據進行假設檢驗。首先，利用ADF檢驗其平穩性，即判斷價格數據的均值與方差是否在時間上保持恒定，不出現顯著波動。然后，通過Ljung-Box檢驗對數據殘差進行白噪聲檢驗，即判斷數據中是否存在自相關性。

對已通過假設檢驗的數據集進行模型擬合，構建ARIMA （p，d，q） 模型。其中， p 表示自回歸項數， q 表示滑動平均項數，而 d 則表示使序列達到平穩狀態所需進行的差分操作的次數（階數）。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模型的似然函數值，1是常數項的估計量。

（2）LSTM模型。

LSTM模型能夠處理具有非線性特征的時間序列數據，具有長時記憶能力，主要通過細胞狀態和門2個關鍵要素來實現預測，其中細胞狀態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 細胞狀態更新：生成一個新的候選細胞狀態，將其與遺忘門和輸入門的輸出相結合，從而更新細胞狀態。

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 遺忘狀態更新：在細胞狀態更新時，遺忘門將對舊信息實現遺忘操作。

h_t=o_t?tanh（c_t）

式中， σ 表示Sigmoid激活函數，tanh表示雙曲正切激活函數， 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據是小樣本集，受不規則沖擊影響大，具有季節性、非平穩等特征，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：標準化的價格數據通過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，未通過平穩性檢驗，須要進行差分運算并重復進行ADF檢驗，直至所有數據都滿足平穩性要求。然后進行Ljung-Box檢驗，經檢驗發現所有價格的 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據進行預測，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模型的輸入數據，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市場價格預測結果

4優勢與問題

4.1特色優勢

數字惠農信息系統集成了物聯網、大數據、人工智能等前沿技術，實現了農業生產管理的精準化、智能化以及網絡化，不僅提高了生產效率，還優化了資源配置，為農業現代化提供了強有力的支撐。同時系統利用深度學習模型中的ARIMA與LSTM進行組合，對農產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定性，為農業生產者的決策提供了可靠的依據。此外，數字惠農信息系統涵蓋了批發零售、行情預測、農技學堂、新聞資訊等多個功能模塊，滿足了農業生產者的多元化需求。系統提供的行情預測功能，能夠幫助農戶更好地把握市場動態，制定科學的種植和銷售計劃，其中農技學堂和新聞資訊等功能也為農戶提供了豐富的知識和技能支持。

4.2 現存問題

首先，部分農村地區的基礎設施建設相對滯后，網絡覆蓋不全、數據傳輸速度慢等問題在一定程度上制約了數字惠農信息系統的推廣。為克服這一困難，前期要加大基礎設施投人來提升農村地區的信息化水平，可能會面臨大量資金投入，引發資金管理的風險。其次，系統的后期運維需要專業的技術人員支持，而目前農村地區的專業技術人員相對匱乏，影響了系統的有效使用和推廣，因此，還要加大農村地區的人才培養和引進力度，提高農村地區的技術支持能力。最后，現在的信息共享機制不夠健全，導致數據孤島現象較為嚴重，可能會影響系統的整體功能。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、各企業之間的數據互聯互通，以更好地實現系統功能，為更多的農戶服務。

5結語

當前的數字惠農信息系統作為連接傳統農業與現代科技的橋梁，正逐漸展現其巨大的潛力和價值，通過對系統的設計與實現進行深入探討，旨在為解決農業生產中的信息滯后、資源配置不均等問題提供新的思路和解決方案。本文提出的數字惠農信息系統，通過融合物聯網、大數據與人工智能技術，實現了農業生產管理的智能化、網絡化，不僅對農產品價格進行較為精準的預測，提供可靠的決策供農戶參考，還涵蓋了批發零售、行情預測、農技學堂、新聞資訊等多個功能模塊，滿足了農業生產者的多元化需求（湊的字數）。然而，系統的推廣與應用仍面臨諸多挑戰，部分農村地區基礎設施建設滯后、網絡覆蓋不全等問題制約了系統的普及，農村地區相關的專業人才相對匱乏影響系統的推廣和使用。未來政府加大基礎設施投入，提升農村信息化水平，加強農村地區的人才培養和引進力度，系統也將不斷完善和優化，為農業生產提供更加全面、精準的服務，為實現鄉村振興戰略和農業可持續發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服務信息系統分析與設計[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].科技與創新，2017（20）：119-121.

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

[4]舒偉，劉兵.Redis架構下的MySQL數據庫性能提升淺析[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