一种基于大数据计算的中药材价格预测方法与流程

技术特征：

1.一种基于大数据计算的中药材价格预测方法，其特征在于：包括以下步骤：

S1：获取历史月售价格数据并采用X12季节调整算法将历史月售价格数据分解为月售价格的趋势循环因子、季节因子、不规则因子和季节交易日混合因子；

S2：采用时间序列法对趋势循环因子进行预测得到新的趋势循环因子；

S3：根据历史月售价格数据获取预测月份的季节因子；

S4：根据历史月售价格数据获取当月份的CPI值；

S5：获取年降雨量数据；

S6：将新趋势循环因子、季节因子、不规则因子、季节交易日因子、CPI值和年降雨量输入到LM-BP神经网络模型的输入层进行分析预测。

2.如权利要求1所述的基于大数据计算的中药材价格预测方法，其特征在于：所述趋势循环因子、季节因子、不规则因子和季节交易日因子是通过使用Eviews软件中的X12乘法模型来进行分解的。

3.如权利要求1所述的基于大数据计算的中药材价格预测方法，其特征在于：所述趋势循环因子是按照以下步骤来实现：

S11：使用Eviews软件进行分解，导入M个月的历史月售价格数据；

S12：使用Eviews中的X12季节调整法的乘法模型将历史月售价格数据分解为趋势循环因子Price_TC、季节因子Price_SF、季节交易日混合因子Price_D16和不规则因子Price_IR；

S13：对趋势循环因子Price_TC进行平稳性检测，如果Price_TC不满足平稳性条件，通过差分变换使其满足平稳性条件；

S14：通过计算描述序列Price_TC的统计量来确定时间序列ARIMA(p,d,q)模型的阶数p和q；

S15：根据步骤S13和S14，建立时间序列ARIMA(p,d,q)模型，估计针对趋势循环因子序列Price_TC所建立的ARIMA模型的未知数，并检验参数的显著性；

S16：检验所建模型的残差序列ε是否为一个白噪声序列，如若不是，则返回步骤S④对序列Price_TC重新建模；如果是，则可以通过所建的模型来预测未来的月售价格对应的趋势循环因子Price_TCN。

4.如权利要求1所述的基于大数据计算的中药材价格预测方法，其特征在于：所述季节因子Price_SF是按照以下步骤来实现：

S31：输入预测当期所在年份之前的整年的月售价格数据；

S32：使用X12季节调整方法的乘法模型分离出其中的季节因子；

S33：计算得到年各月的季节因子的同期平均数；

S34：将各期平均数相加除以总项数作为总的平均数；

S35：将各期平均数与总平均数相除得到的值作为预测年份对应的月份的季节因子。

5.如权利要求1所述的基于大数据计算的中药材价格预测方法，其特征在于：所述CPI值和年降雨量数据是利用互联网数据来挖掘各个年度的CPI和地区的降雨量，具体步骤如下：

S41：使用RonSpark平台，获取互联网上的各个年份的CPI值和地区的降雨量信息；

S42：计算年度的平均CPI值并作为本年度内各个月份的CPI值；

S43：根据地区的降雨量信息来计算得到每个月的降雨总量作为各个月份的降雨量信息。

6.如权利要求1所述的基于大数据计算的中药材价格预测方法，其特征在于：所述LM-BP神经网络模型采用使用内存计算平台Spark来对LM-BP神经网络预测算法进行训练，具体步骤如下：

S61：按照以下公式进行计算：

根据Gorman定理：S＝log2N，其中，S为隐含层节点数，N为模式数；

Kolmogorov定理：S＝2n+1，其中，S是隐含节点数，n是输入层节点数；

S62：使用线性变换对原始数据进行归一化处理，设Amin和Amax分别为属性X的最大值和最小值，令Y＝(X-Amin)/(Amax-Amin)得到X的归一化后的数据；

S63：输出被归一化到区间[0,1]中，将输入神经元的传递函数设定为S型对数函数；

S64：计算LM-BP神经网络的评价函数。

7.如权利要求6所述的基于大数据计算的中药材价格预测方法，其特征在于：所述评价函数按照以下公式进行计算：

具体步骤如下：

S641：μ<-10^-1,a(0)＝a0；

S642：计算∑(a)；

S643：计算Jacobian矩阵

S644：a(K+1)＝a(k)l[JTJ+μ₁]-1JTf(a(k))；

S645：计算E(a(k+1))；

S646：如果E(a(k+1))>E(a(k))，则μ<-μ*10，转到S644；

S647：如果E(a(k+1))<误差指标，则计算成功，算法结束；

S648：μ<-μ*0.1

S649：a(k)＝a(k+1)，转到S642。