本发明涉及互联网领域，特别涉及一种药材价格预测方法。
背景技术：
随着中药材市场的逐渐成熟，中药材市场前景非常广阔。然而无论对于中药材的种植还是中药材的贸易，中药材经营成功的关键是对市场进行正确的分析，需要对市场的需求量、种植面积、产量、市场增长驱动因素、气候等进行分析，并对市场价格走势进行科学、正确的预测判断。为中药材种植农户及中药材贸易商经营决策提供参考是我们公司未来的真实意愿。但是现在中药材市场都无法做到对药材价格的预测。
技术实现要素：
为了解决现有技术中的问题，本发明提供了一种药材价格预测方法，解决现有技术中无法对药材价格进行预测的问题。
一种药材价格预测方法，包括如下步骤：（a）药材价格数据准备；（b）药材价格影响因素分析；（c）建立小波神经网络预测模型；（d）得出价格预测结果。
作为本发明的进一步改进：所述步骤（a）中，收集并分析历年药材平均销售价格，按年/月价格收集并进行数据存储。
作为本发明的进一步改进：所述步骤（b）中，采用灰色关联度方法来判断药材价格与价格影响因素的关联度，进而分析各影响因素对于药材价格的影响程度的大小。
作为本发明的进一步改进：所述步骤（b）中，药材价格影响因素为种植面积、年产量、炒作因素、降水量、农业生产资料价格指数和农产品生产者价格指数。
作为本发明的进一步改进：所述步骤（c）中，采用bp神经网络运算方法进行药材价格预测。
作为本发明的进一步改进：所述步骤（c）中，小波神经网络由输入层、隐藏层以及输出层组成，三层拓扑结构为任意逼近非线性映射关系；同层各神经元之间并无联结。
作为本发明的进一步改进：所述步骤（c）中，建立预测模型具体按以下步骤进行：输入学习样本，利用当前网络计算隐藏层及输出层的输出，计算误差和梯度向量；对学习算法进行判断，当算法设定的函数值小于预设的精度值时停止学习，否则继续学习。
作为本发明的进一步改进：所述步骤（d）中，通过matlab工具进行仿真预测，并得出药材价格预测结果。
本发明的有益效果是：预测效果很好，精度较高；同时，移植性较高，只需分析不同品种价格及其影响因素，均可进行检验和预测。
【附图说明】
图1是本发明中神经网络流程示意图；
图2是本发明神经网络学习算法示意图。
【具体实施方式】
下面结合具体实施方式和附图对本发明进一步说明。
一种药材价格预测方法，包括如下步骤：（a）药材价格数据准备；（b）药材价格影响因素分析；（c）建立小波神经网络预测模型；（d）得出价格预测结果。
所述步骤（a）中，收集并分析历年药材平均销售价格，按年/月价格收集并进行数据存储。
所述步骤（b）中，采用灰色关联度方法来判断药材价格与价格影响因素的关联度，进而分析各影响因素对于药材价格的影响程度的大小。
所述步骤（b）中，药材价格影响因素为种植面积、年产量、炒作因素、降水量、农业生产资料价格指数和农产品生产者价格指数。
所述步骤（c）中，采用bp神经网络运算方法进行药材价格预测。
所述步骤（c）中，小波神经网络由输入层、隐藏层以及输出层组成，三层拓扑结构为任意逼近非线性映射关系；同层各神经元之间并无联结。
所述步骤（c）中，建立预测模型具体按以下步骤进行：输入学习样本，利用当前网络计算隐藏层及输出层的输出，计算误差和梯度向量；对学习算法进行判断，当算法设定的函数值小于预设的精度值时停止学习，否则继续学习。
所述步骤（d）中，通过matlab工具进行仿真预测，并得出药材价格预测结果。
通过收集并分析历年山楂平均销售价格及影响因素，以数据挖掘为收到进行数据准备、建立数据挖掘模型，数据预测及结论表述，从而进行一系列的学习与研究达成本次研究的预期。首先对原始数据进行预处理，并使用灰色关联度分析方法分析各影响因素与价格的关联度，从而确定关键影响因素。再小波神经网络的方法，通过matlab工具进行仿真预测，得出预测结果。
在一实施例中，我们采用山楂的价格来进行说明。
数据收集时，山楂的价格我们选择了2004年至2014年的山楂月价格，其影响因素为年度数据，为了保持数据为相同的维数，将山楂的月平均数据处理为年平均数据。按时间、年均价/元、种植面积/万亩、成灾面积/公顷、年产量、炒作因素以及平均气温来进行数据的收集；同时，也按时间、日照时数、平均风速、平均相对湿度、降水量、农业生产资料价格指数以及农产品生产者价格指数进行山楂数据收集。
影响价格因素的关联度分析:由于选用的价格影响因素较多，为了判断这些因素是否为关键影响因素，是否存在冗余项，我们用灰色关联度方法来判断山楂价格与各因素的关联度，进而分析各影响因素对于山楂价格的影响程度的大小，根据山楂价格与各影响因素的关联度指数，当关联度指数大于0.6的因素如初始选择种植面积、年产量、炒作因素、降水量、农业生产资料价格指数、农产品生产者价格指数6个指标作为我们的初始建模指标。考虑到模型的复杂性和指标对价格的影响程度，我们在农业生产资料价格指数和农产品生产者价格指数中选择一个指标作为我们的建模指标，在这里我们选择关联度指数较大的作为我们的建模指标，故最终的建模的指标为：种植面积、年产量、炒作因素、降水量、农产品生产者价格指数5个指标。
小波神经网络预测模型：
经过对影响价格因素分析后，发现中药材市场为动态多变的环境，存在着大量的非线性、不平稳性、不确定性和时变性。由于传统的时间序列模型对于处理动态非平稳、动态非线性问题的局限性，对中药材价格预测效果不太理想。然而，在智能的计算方法中，人工神经网络是具有代表意义的一种方法，有单个神经元构成网络，虽然较简单，但是却能体现非线性本质特征的功能，由于这种能力，使得通过人工神经网络运用非线性连续函数建立模型成为可能。在人工神经网络中，bp神经网络运算方法简单运用最为广泛，但在山楂价格预测模型中误差较。小波神经网络将神经网络与小波分析理论的优点结合，并且在研究动态非平稳、动态非线性的问题时，新引进的伸缩因子和平移因子，使小波神经网络在实际应用中的逼近能力更为增强，预测精度高，适用性强。故此次我们选择小波神经网络建立山楂预测模型。
神经网络是由三层网络结构构成的，即为输入层、隐藏层、输出层，各层之间均匀节点。神经网络的系统的特征使三层拓扑结构可以任意逼近非线性映射关系。结构如下图。各层的神经元与下一层的所有神经元进行广泛的联结，然而同层各神经元之间并无联结，数据处理的方向即为箭头表示的方向，如图2。
在山楂的建模过程中n=5,即上面列举的5个指标，m=1,即为山楂的年价格。
学习算法的具体实现步奏如下：（1）网络参数的初始化。（2）输入学习样本即相应的期望输出。（3）利用当前网络计算隐藏层及输出层的输出。（4）计算误差和梯度向量。（5）修改网络参数值。（6）判断算法是否结束。
当e<
对该模型进行测试，在一实施例中，选择了2004年至2012年的数据进行网络训练（作为训练集），2013年和2014年的数据作为对网络的测试（作为测试集）进行测试，其结果中9组训练样本的预测曲线与实际值的价格曲线趋势基本一致，并且2组测试样本的预期值与实际值的差距较小，达到预期的试验效果。
预测模型：
在一实施例中，选择所以得数据（2004年至2014年）作为训练样本，把训练好的网络进行2015年的价格预测。
其输出结果随着训练样本的增多网络的逼近效果要更好一些，11组训练样本的预测曲线与实际值的价格曲线趋势基本一致，效果较好，并且预测价格与实际价格很相似。
小波神经网络作为山楂价格预测效果很好，精度较高。移植性较高，只需分析不同品种价格及其影响因素，均可带入该模型进行检验和预测。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。