(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211010832.2 (22)申请日 2022.08.23 (71)申请人 西安建筑科技大 学 地址 710055 陕西省西安市碑林区雁塔路 中段13号 (72)发明人 张新生　王润周　杨厂　韩轶伟　 武春杨　李娅楠　 (74)专利代理 机构 北京盛询知识产权代理有限 公司 11901 专利代理师 相黎超 (51)Int.Cl. G06Q 30/02(2012.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06Q 50/02(2012.01) (54)发明名称 基于信号分解和深度学习的农产品价格预 测方法及系统 (57)摘要 本发明公开基于信号分解和深度学习的农 产品价格预测方法及系统， 包括： 对农产品的原 始价格序列进行CEEMD分解， 得到价格子序列； S2， 基于价格子序列， 得到重构序列； S3， 基于重 构序列， 得到重构序列数据特征； S4， 构建 BiSeq2seq模型， 将重构序列数据特征输入至 CCS‑BiSeq2seq模型， 得到预测结果。 可大幅度提 高预测的准确性， 为解决农产品的预测问题提供 跨学科融合的思路。 保证供求关系平衡与健全重 大事件预警体系对防止农产品价格波动有重大 意义。 权利要求书1页 说明书11页 附图5页 CN 115392964 A 2022.11.25 CN 115392964 A 1.基于信号分解和深度学习的农产品价格预测方法， 其特 征在于， 包括以下步骤： S1， 对农产品的原 始价格序列进行C EEMD分解， 得到价格子序列； S2， 基于所述 价格子序列， 得到 重构序列； S3， 基于所述重构序列， 得到 重构序列数据特 征； S4， 构建B iSeq2seq模型， 将所述重构序列数据特征输入至CCS ‑BiSeq2seq模型， 得到预 测结果。 2.根据权利要求1所述的基于信号分解和深度学习的农产品价格预测方法， 其特征在 于， 所述S2包括： 分析皮尔逊相关系数和所述价格子序列， 重构得到重构序列， 所述重构序列包括高频 项、 低频项、 残差项和原价格。 3.根据权利要求1所述的基于信号分解和深度学习的农产品价格预测方法， 其特征在 于， 所述S3包括： 采用一维CN N卷积神经网络从所述重构序列中提取 所述重构序列数据特 征。 4.根据权利要求1所述的基于信号分解和深度学习的农产品价格预测方法， 其特征在 于， 对所述BiSeq2seq模型引入自注意力机制。 5.基于信号分解和深度学习的农产品价格预测系统， 其特征在于， 包括： 分解模块、 重 构模块、 提取模块和构建模块； 所述分解模块用于对农产品的原 始价格序列进行C EEMD分解， 得到价格子序列； 所述重构模块用于基于所述 价格子序列， 得到 重构序列； 所述提取模块用于基于所述重构序列， 得到 重构序列数据特 征； 所述构建模块用于构建BiSeq2seq模型， 将所述重构序列数据特征输入至CCS ‑ BiSeq2seq模型， 得到预测结果。 6.根据权利要求5所述的基于信号分解和深度学习的农产品价格预测系统， 其特征在 于， 所述重构模块分析皮尔逊相关系数和所述价格子序列， 重构得到重构序列， 所述重构序 列包括高频项、 低频项、 残差项和原价格。 7.根据权利要求5所述的基于信号分解和深度学习的农产品价格预测系统， 其特征在 于， 所述提取模块采用一维CNN卷积神经网络从所述重构序列中提取所述重构序列数据特 征。 8.根据权利要求5所述的基于信号分解和深度学习的农产品价格预测系统， 其特征在 于， 对所述BiSeq2seq模型引入自注意力机制。权　利　要　求　书 1/1 页 2 CN 115392964 A 2基于信号分解和深度学习的农产品价格预测方 法及系统 技术领域 [0001]本发明涉及农产品价格预测技术领域， 特别涉及基于信号分解和深度学习的农产 品价格预测方法及系统。 背景技术 [0002]我国是农业大国， 农产品价格的波动影响着民生以及国民经济 的稳定发展。 农产 品的非正常价格波动逐渐增多， 非正常的农产品价格波动严重影响着人民的生活安定和国 家经济的稳定发展， 因此建立精准的农产品价格预测模型， 预防突发事件对人民生活的影 响， 对解决 “三农”问题及农业信息化建 设具有重要作用。 [0003]目前， 对农产品价格 的预测研究主要分为传统计量统计方法、 人工智能方法及组 合模型三类预测方法， 且各类方法按时间顺序不断发展。 以上研究丰富了传统的价格预测 研究， 使传统计量统计方法逐渐形成了系统的时间序列预测模型。 然而传统计量统计方法 在处理非线性问题上有较强的局限性。 发明内容 [0004]为解决上述现有技术中所存在的问题， 本发明提供基于信号分解和深度学习的农 产品价格预测方法及系统， 采用互补集合经验模态分解方法， 结合皮尔逊相关系 数进行序 列重构， 再利用一 维CNN卷积提取数据间的时间序列关系， 随后引入自注意力机制并加强全 局关联； 最后构建BiSeq2seq  网络进行多步预测， 可 大幅度提高预测的准确性。 [0005]一方面， 为了实现上述技术目的， 本发明提供了基于信号分解和深度学习的农产 品价格预测方法， 包括： [0006]S1， 对农产品的原 始价格序列进行C EEMD分解， 得到价格子序列； [0007]S2， 基于所述 价格子序列， 得到 重构序列； [0008]S3， 基于所述重构序列， 得到 重构序列数据特 征； [0009]S4， 构建BiSeq2seq模型， 将所述重构序列数据特征输入至  CCS‑BiSeq2seq模型， 得到预测结果。 [0010]可选地， 所述S2包括： [0011]分析皮尔逊相关系数和所述价格子序列， 重构得到重构序列， 所述重构序列包括 高频项、 低频项、 残差项和原价格。 [0012]可选地， 所述S3包括： [0013]采用一维CN N卷积神经网络从所述重构序列中提取 所述重构序列数据特 征。 [0014]可选地， 对所述BiSeq2seq模型引入自注意力机制。 [0015]另一方面， 为了实现上述技术目的， 本发明还提供了基于信号分解和深度学习的 农产品价格预测系统， 包括： 分解模块、 重构模块、 提取模块和构建模块； [0016]所述分解模块用于对农产品的原 始价格序列进行C EEMD分解， 得到价格子序列； [0017]所述重构模块用于基于所述 价格子序列， 得到 重构序列；说　明　书 1/11 页 3 CN 115392964 A 3