Welcome to Smart Agriculture 中文
Smart Agriculture

Smart Agriculture >

2025 1 - 13

DOI: https://doi.org/10.12133/j.smartag.SA202411004

Agricultural Market Monitoring and Early Warning: An Integrated Forecasting Approach Based on Deep Learning

  • XU Shiwei , 1, 3, 4 ,
  • LI Qianchuan , 2 ,
  • LUAN Rupeng , 2 ,
  • ZHUANG Jiayu 1, 3, 4 ,
  • LIU Jiajia 1, 3, 4 ,
  • XIONG Lu 1, 3
Expand
  • 1. Institute of Agricultural Information, Chinese Academy of Agricultural Sciences, Beijing 100081, China
  • 2. Institute of Data Science and Agricultural Economics, Beijing Academy of Agricultural and Forestry Sciences, Beijing 100097, China
  • 3. Key Laboratory of Agricultural Monitoring and Early Warning Technology, Ministry of Agriculture and Rural Affairs, Beijing 100081, China
  • 4. Key Open Laboratory of Agricultural Monitoring and Early Warning Intelligent System, Chinese Academy of Agricultural Sciences, Beijing 100081, China
LUAN Rupeng, E-mail:

Received date: 2024-10-25

  Online published: 2025-02-26

Supported by

The "14th Five-Year Plan" National Key R&D Program(2022YFD1600603)

Key Laboratory of Agricultural Monitoring and Early-Warning Technology, Ministry of Agriculture and Rural Affairs, Open Project Fund(KLAMEWT202403)

Copyright

copyright©2025 by the authors
Fold

Abstract

Significance The fluctuations in the supply, consumption, and prices of agricultural products directly affect market monitoring and early- warning systems. With the ongoing transformation of China's agricultural production methods and market system, advancements in data acquisition technologies have led to an explosive growth in agricultural data. However, the complexity of the data, the narrow applicability of existing models, and their limited adaptability still present significant challenges in monitoring and forecasting the interlinked dynamics of multiple agricultural products. The efficient and accurate forecasting of agricultural market trends is critical for timely policy interventions and disaster management, particularly in a country with a rapidly changing agricultural landscape like China. Consequently, there is a pressing need to develop deep learning models that are tailored to the unique characteristics of Chinese agricultural data. These models should enhance the monitoring and early warning capabilities of agricultural markets, thus enabling precise decision-making and effective emergency responses. Methods An integrated forecasting methodology was proposed based on deep learning techniques, leveraging multi-dimensional agricultural data resources from China. The research introduced several models tailored to different aspects of agricultural market forecasting. For production prediction, a generative adversarial network and residual network collaborative model (GAN-ResNet) was employed. For consumption forecasting, a variational autoencoder and ridge regression (VAE-Ridge) model was used, while price prediction was handled by an Adaptive-Transformer model. A key feature of the study was the adoption of an "offline computing and visualization separation" strategy within the Chinese agricultural monitoring and early-warning system (CAMES). This strategy ensures that model training and inference are performed offline, with the results transmitted to the front-end system for visualization using lightweight tools such as ECharts. This approach balances computational complexity with the need for real-time early warnings, allowing for more efficient resource allocation and faster response times. The corn, tomato, and live pig market data used in this study covered production, consumption and price data from 1980 to 2023, providing comprehensive data support for model training. Results and Discussions The deep learning models proposed in this study significantly enhanced the forecasting accuracy for various agricultural products. For instance, the GAN-ResNet model, when used to predict maize yield at the county level, achieved a mean absolute percentage error (MAPE) of 6.58%. The VAE-Ridge model, applied to pig consumption forecasting, achieved a MAPE of 6.28%, while the Adaptive-Transformer model, used for tomato price prediction, results in a MAPE of 2.25%. These results highlighted the effectiveness of deep learning models in handling complex, nonlinear relationships inherent in agricultural data. Additionally, the models demonstrate notable robustness and adaptability when confronted with challenges such as sparse data, seasonal market fluctuations, and heterogeneous data sources. The GAN-ResNet model excels in capturing the nonlinear fluctuations in production data, particularly in response to external factors such as climate conditions. Its capacity to integrate data from diverse sources—including weather data and historical yield data—made it highly effective for production forecasting, especially in regions with varying climatic conditions. The VAE-Ridge model addressed the issue of data sparsity, particularly in the context of consumption data, and provided valuable insights into the underlying relationships between market demand, macroeconomic factors, and seasonal fluctuations. Finally, the Adaptive-Transformer model stand out in price prediction, with its ability to capture both short-term price fluctuations and long-term price trends, even under extreme market conditions. Conclusions This study presents a comprehensive deep learning-based forecasting approach for agricultural market monitoring and early warning. The integration of multiple models for production, consumption, and price prediction provides a systematic, effective, and scalable tool for supporting agricultural decision-making. The proposed models demonstrate excellent performance in handling the nonlinearities and seasonal fluctuations characteristic of agricultural markets. Furthermore, the models' ability to process and integrate heterogeneous data sources enhances their predictive power and makes them highly suitable for application in real-world agricultural monitoring systems. Future research will focus on optimizing model parameters, enhancing model adaptability, and expanding the system to incorporate additional agricultural products and more complex market conditions. These improvements will help increase the stability and practical applicability of the system, thus further enhancing its potential for real-time market monitoring and early warning capabilities.

Key words： monitoring and early-warning; deep learning; production forecasting; consumption forecasting; price forecasting; maize; pork; tomato

Cite this article

XU Shiwei , LI Qianchuan , LUAN Rupeng , ZHUANG Jiayu , LIU Jiajia , XIONG Lu . Agricultural Market Monitoring and Early Warning: An Integrated Forecasting Approach Based on Deep Learning[J]. Smart Agriculture, 2025 : 1 -13 . DOI: 10.12133/j.smartag.SA202411004

（登录www.smartag.net.cn免费获取电子版全文）

0 引 言

农产品市场波动受到多重复杂因素的影响，包括自然条件、经济形势和政策变动 ［ 1］。这些因素使得市场中的供给、需求和价格变化充满了高度不确定性和周期性，对市场的管理和决策提出了更高的要求 ［ 2, 3］。在这样的背景下，传统预测方法在应对复杂动态变化时表现不足 ［ 4- 6］。因此，捕捉农产品市场的非线性关系并实现精准监测与预警至关重要 ［ 7, 8］。
传统的农产品市场预测方法多采用时间序列分析和统计建模等手段，这些方法依赖于数据的线性关系，难以应对农产品市场的非线性变化和复杂性 ［ 9］。近年来，深度学习逐渐应用于农产品市场预测中，特别是生成对抗网络（Generative Adversarial Networks, GAN）、变分自编码器（Variational Autoencoder, VAE）和变换器（Transformer）等模型展示了较强的非线性特征捕捉能力。例如，VAE结合岭回归（Ridge Regression）模型解决了消费需求中的稀疏数据问题，在消费量预测方面取得了进展 ［ 10］；Temporal Fusion Transformer模型凭借其处理长短期时间依赖的能力，适用于价格波动的捕捉 ［ 11］。
在国际上，深度学习模型，尤其是图卷积网络（Graph Convolutional Network, GCN）、隐马尔可夫模型（Hidden Markov Model, HMM）和时间卷积网络（Temporal Convolutional Network, TCN）等，已广泛应用于农产品生产、价格预测以及精准农业监测等领域。例如，Qu等 ［ 12］提出了一种基于GCN和Transformer的多输出时空模型，用于谷物存储温度预测，显著提高了预测效率和准确性。Avinash等 ［ 13］利用HMM与深度学习模型相结合，提出了一种新的农业商品价格预测方法，尤其在价格波动较大的市场中，提升了预测精度和稳定性。此外，Zhu等 ［ 14］探讨了深度学习在多种传感器系统中的应用，强调了深度学习技术在农业数据分析中的潜力，尤其在智能农业和精准农业领域，为农产品的监测与管理提供了新的技术方案。这些研究展示了深度学习模型在农产品预测中的广泛应用，尤其是在复杂和动态的市场条件下，同时也推动了智能传感器和数据分析技术的不断进步。
在国内，随着农业大数据的快速发展，基于深度学习的市场监测与预警研究在农业生产、病害识别和价格预测等领域得到了较为广泛应用，逐渐成为提升农业生产效率和决策支持的重要工具。例如，郭惠萍等 ［ 15］结合改进的MobileNetV3和迁移学习方法，成功提升了苹果叶片病害识别的准确性，为农业病虫害监测提供了有效技术手段，这一方法在农业生产管理中起到了关键作用。进一步的研究表明，深度学习方法能够克服传统统计模型在农产品市场预测中的局限性，特别是在处理复杂的非线性关系和多维异构数据时，表现出了显著的优势 ［ 16］。此外，王润周等 ［ 17］提出了一种基于信号分解和深度学习的农产品价格预测模型（CT-BiSeq2seq），通过结合温度、养殖成本及市场关注度等多维度数据，显著提高了猪肉价格的预测精度，为农业商品价格的精准预测提供了有力支持。
然而，现有研究主要集中在单一农产品或单一因素的预测上，缺乏对生产、消费和价格三个要素的综合预测与预警。其次，单一模型的预测效果受到数据波动性和环境因素的影响，鲁棒性较差，难以应对复杂的市场环境。最后，缺乏系统性的多模型集成框架，无法充分利用各类深度学习模型的优势进行全面的市场监测与预警。
针对上述问题，本研究提出了基于深度学习的农产品市场监测与预警系统，构建了针对不同预测任务的生产、消费和价格三大模型，实现了多维度市场数据的全面集成和精准预测。为农产品市场的决策支持提供了系统化的解决方案，通过多维数据集成与多模型融合，弥补了传统预测方法的不足，为农业决策和风险管理提供了理论与实践依据。

1 数据与处理

1.1　数据来源

本研究使用的玉米、番茄和生猪市场数据，涵盖生产、消费和价格等多维度数据，来源于政府统计、农业农村部门，以及项目采集的数据，时间覆盖1980—2023年。数据包括不同市场条件下的典型年份，为模型训练提供全面的数据支持，并确保预测结果的时效性。
本研究玉米、生猪和番茄三个品种数据集如 表1所示。关于玉米生产数据，本研究选取了1980—2019年间387个县的玉米生产数据，确保数据的代表性和稳定性。数据集包含三大部分：一是气象数据，包括日照、温度、降水等因素，涵盖玉米各生育阶段，并包含有效积温和极端高温天数；二是生产数据，包括各县的年产量和播种面积，反映不同地区的生产差异；三是县级数据，基于数据的完整性和持续性，确保了模型的广泛适用性，尤其涵盖了主要的玉米产区，为生产量预测模型提供了可靠支持。关于玉生猪消费数据，本研究使用的数据集涵盖了1980年至2023年共44年的全国生猪及相关农产品生产、消费数据，主要包括几个关键维度 。猪肉生产量等直接相关的核心数据；牛肉生产量等替代性产品的产量和消费量数据；居民收入水平，包括居民人均可支配收入、工资性收入、转移净收入等经济因素；进出口量及其他市场相关的数据。这些多维度的特征为模型的训练和预测提供了数据基础。番茄价格数据集涵盖了2021年10月至2024年8月期间来自全国292家批发市场的日度价格数据和来自电商平台的爬取数据。批发市场数据集包含产地、销地和集散地的番茄日度价格信息，共涉及292家批发市场。价格数据按日汇总，覆盖了全国范围内的主要农产品批发市场网络。批发市场数据能够反映番茄在流通环节中的供需平衡，是预测市场价格波动的重要数据源。电商平台数据集包括从电商平台爬取的番茄农产品日度价格数据，这些数据能够捕捉线上市场的价格动态，特别是在季节性波动和节假日促销活动期间。通过结合线上线下价格数据，本研究构建了一个更加全面的价格预测数据集。
表1 不同农产品的数据集及主要特征

Table 1 Datasets and key features of different agricultural products

数据集名称 数据主要特征 时间范围 数据来源
玉米生产数据集 气象数据（光照时长、温度、降雨量、有效积温、极端高温天数等）、生产数据（播种面积、年产量等） 1980—2019年 国家统计局（https：//data.stats.gov.cn/easyquery.htm）、农业农村部官网（http：//www.moa.gov.cn）、中国气象局（https：//data.cma.cn）、中国农业监测预警系统（China Agricultural Monitoring and Early-warning System， CAMES）数据
生猪消费数据集 猪肉生产和消费量、替代品数据（牛肉、羊肉、禽肉、鸡蛋、奶类等）、经济特征（居民收入、工资性收入等） 1980—2023年 国家统计局、中国畜牧业协会（https：//www.caaa.cn/html/fw/market/zhu/index.html）、CAMES数据
番茄价格数据集 批发市场和电商平台价格（产地、销地、集散地）、季节性波动、促销期价格变化等 2021—2024年 中国农产品市场网（https：//pfsc.agri.cn/#/indexPage）、阿里巴巴（https：//www.taobao.com）、京东（https：//www.jd.com）、CAMES数据

1.2　数据处理

为了提高模型的准确性和鲁棒性，本研究对数据进行了预处理。一是缺失值填补。小范围缺失值使用线性插值，大范围缺失值采用均值和K近邻（K-Nearest Neighbor, KNN）填补。二是异常值处理。使用均值±3倍标准差法检测并替换异常值。
除此之外，对于一些小样本区域数据的稀疏性问题，引入了生成对抗网络进行数据增强 ［ 18］，通过生成虚拟样本以平衡数据集，提升模型在多样性场景中的泛化能力。
数据处理主要步骤如下。
1）数据清洗。首先对原始数据中的缺失值和异常值进行补全与修正。缺失值处理如 公式（1）所示。
X c l e a n = X r a w - { m i s s i n g , o u t l i e r s }
式中： X c l e a n表示经过清洗和处理后的数据集； X r a w是原始数据集，去除了缺失值和异常数据；missing是指缺失值；outliers是指异常值。
2）特征选择。以领域知识驱动筛选依据根据农产品市场特性，选择与生产、消费和价格密切相关的特征，如气象数据在玉米生产中的应用，经济指标在生猪消费中的作用等。为减少冗余数据并提升模型计算效率，本研究采用主成分分析（Principal Component Analysis, PCA）和递归特征消除法（Recursive Feature Elimination, RFE）进行特征选择。具体来说，主成分分析法用于提取数据中的主要信息，减少特征维度 ［ 19］；而递归特征消除法通过逐步排除对模型贡献较小的特征，最终保留与预测任务最为相关的特征。具体如 公式（2）所示。
F s e l e c t e d = P C A ( D c l e a n ) ⋃ R F E ( D c l e a n )
式中： F s e l e c t e d为最终选择的特征集； D clean为有效的观测值。
3）数据增强。针对生产、消费和价格数据中的样本稀疏和不足问题，利用GAN对数据进行了扩充 ［ 20］。该方法通过生成器（Generator）和判别器（Discriminator）的相互作用，生成逼真的虚拟数据样本，以弥补稀疏数据的不足。其损失函数如 公式（3）所示。
L G A N = E x ~ p d a t a [ l o g D ( x ) ] + E z ~ p z l o g 1 - D ( G ( z ) )
式中： x是真实样本，来自数据分布 P d a t a； z是从潜在空间 P z中采样的噪声向量； D ( x )为判别器对输入 x的输出，表示输入数据属于真实样本的概率； G ( z )为生成器生成的虚拟数据，基于噪声向量 z生成； D ( G ( z ) )为判别器对生成数据 G ( z )的输出，表示生成数据属于真实样本的概率。通过GAN生成的虚拟数据增强了样本的多样性，确保模型在各类数据条件下的稳健性。

1.3　具体模型特征集

在模型的构建过程中，特征集的选择对模型的预测精度起到了至关重要的作用。本研究根据不同农产品的市场特性，构建了生产、消费和价格三大类特征集。
1）生产特征。玉米县级单产数据、各个生育阶段气象数据、农业农村管理水平数据是生产预测的关键要素 ［ 21］。为提高预测精度，引入了季节性因素，通过自适应时间窗口对生产量数据进行加权处理，具体如 公式（4）所示。
W a d a p t i v e = ∑ i = 1 T α i ⋅ f ( x i )
式中： W a d a p t i v e表示自适应时间窗口权重； T为时间序列长度； α i为时间窗口的可学习参数。
2）消费特征。主要包括居民收入、消费水平和经济增长等宏观经济数据，居民人均可支配收入和工资性收入等指标，能够有效反映消费者的购买力，对需求变化具有较好的解释力。此外，季节性因素和消费品替代性等因素也纳入了特征集，以提升模型对需求预测的精度。
3）价格特征。包括批发和零售价格等，反映市场交易价格及其波动。季节性变化对价格的影响被纳入模型，通过特征工程捕捉价格与季节的关联性。周期性特征通过季节性分解和正弦余弦变换提取，趋势性特征通过移动平均和差分操作稳定时间序列。自适应时间窗口优化价格数据的周期性和趋势性特征。针对番茄价格预测，使用了2021年10月—2024年8月的35个月批发市场月度平均价格数据。
这些特征为供需与价格预测提供了稳固的数据支持，确保模型能精准捕捉市场动态。

2 模型建立

本研究构建了三类深度学习监测预警模型，分别用于农产品市场的生产量预测、消费量分析和价格预测。这些模型在架构上进行了全面的超参数调优，并对数据特征进行了深入学习。通过这些模型的应用，能够从不同维度对农产品市场进行有效的监测和预测。具体来说，采用GAN-ResNet模型进行生产量预测，变分自编码器岭回归消费预测模型（Variational Autoencoder and Ridge Regression, VAE-Ridge）模型进行需求量预测，自适应变换器（Adaptive-Transformer）模型用于价格预测。每种模型根据其特性和数据的具体需求进行了详细的模型构建与调整。

2.1　生成对抗与残差网络协同生产量预测模型（GAN -ResNet）

GAN与ResNet的协同模型结合了生成对抗网络强大的数据生成能力与残差网络在深度学习中的梯度优化优势。GAN的生成器（Generator）和判别器（Discriminator）用于生成生产量预测模型的高质量数据模拟 ［ 22］，而ResNet网络则通过跳跃连接的方式有效缓解深层网络中梯度消失的问题 ［ 23］。相较于传统GAN模型，本研究的GAN-ResNet模型通过引入残差块（Residual Block），强化了基于DCGAN（Deep Convolutional Generative Adversarial Network）框架的生成器的梯度流动能力，可提升数据生成的稳定性。生成器以气象因子（如日照、降雨）为条件变量，生成贴合实际分布的玉米产量数据。同时，通过谱归一化优化判别器的收敛性能，优化目标函数的平滑性，具体如 公式（5）和 公式（6）所示。
W = W σ ( W )
σ ( W ) = m a x x ≠ 0 ‖ W x ‖ x
式中： W为网络中的权重矩阵； σ ( W )表示矩阵 W的最大奇异值，归一化后的权重能够防止判别器在训练过程中因权值变化过大而导致的不稳定性。这种改进在处理复杂的玉米产量预测任务时，能更准确地捕捉生产数据的非线性特征，提高农产品生产量的预测精度。

2.1.1　模型架构

生成器接收输入的结构化数据（如县级产量数据、县级气象数据、全国进口量数据等），通过多个残差块提取特征，并生成生产量预测结果 Y ^，具体如 公式（7）所示。
Y ^ = G R e s N e t ( X s , X h )
式中： X s为结构化数据输入； X h为历史生产量数据。残差块的输出如 公式（8）所示。
F ( x ) = x + ℱ { x , ( W i ) }
式中： F ( x )为残差块的输出； x为输入数据； W i为学习权重； ℱ ( x , { W i } )表示经过变换后的特征。
生成器 G的损失函数如 公式（9）所示。
ℒ G = - E z ~ p z l o g D G ( z ) + α ‖ y - G ( z ) ‖ 2
式中： ℒ G为生成器的标准GAN损失函数； α为正则化系数； y为真实样本或目标值； ‖ y - G ( z ) ‖ 2为生成器生成的数据与真实目标数据之间的平方误差。
生成器的损失函数包含标准GAN损失和分类正则化项，最终损失函数如 公式（10）所示。
ℒ G A N - R e s N e t - G = - E X s l o g D ( G R e s N e t ( X s ) ) +                      γ ⋅ ℒ c l a s s i f i c a t i o n
式中： ℒ G A N - R e s N e t - G为生成器的总损失函数； E X s为对输入数据 x的期望操作； D ( G R e s N e t ( X s ) )为判别器对生成数据 G R e s N e t ( X s )的输出，表示判别器判断生成数据为真实数据的概率； G R e s N e t ( X s )为生成器，结合了残差网络框架，用于生成样本； γ为分类正则化项的超参数； L c l a s s i f i c a t i o n为分类损失，用于度量生成数据与目标类别标签之间的差异。
分类正则化确保生成的生产量符合市场实际情况，避免了生成器生成不合理数据。

2.1.2　超参数调优

模型中的超参数调优是提升性能的关键环节。 图1是本研究进行的主要超参数优化内容。
图1 生成对抗与残差网络协同生产量预测模型示意图

Fig. 1 schematic diagram of GAN-ResNet production forecasting model

正则化系数（λ）：通过调整正则化系数，模型能够更好地控制生成器权重的复杂性，避免过拟合现象。基于实验结果，选用了较小的正则化系数，对比实验的结果表明该值能够有效减少模型的过拟合 ［ 24］。
生成器与判别器层数：为了保证模型的生成效果和判别效果，生成器和判别器卷积合适的网络层数能够平衡模型复杂度与数据特征提取的多样性。此外，跳跃连接的引入提高了深层网络的收敛速度和性能表现。
通过这些调整，模型在不同生产量场景下的表现得到显著提升，尤其是在对气候波动和市场变化应对方面，GAN-ResNet展现出更高的稳定性和准确性 。

2.2　变分自编码器岭回归消费预测模型（VAE-Ridge）

VAE-Ridge模型结合了变分自编码器的非线性特征提取能力与岭回归的线性回归特性，适用于需求量的分析与预测。VAE用于学习消费数据的潜在分布 ［ 25］，岭回归则通过正则化处理线性回归中的多重共线性问题 ［ 26］。该模型在处理高维度稀疏数据时，展现了较高的鲁棒性。相较于单一VAE或岭回归模型，通过将VAE的特征学习能力与岭回归的正则化优势相结合，可提升消费量预测的稳定性和准确性，特别是在数据稀疏的情况下效果更加突出。具体来说，解码器通过边际似然函数 p θ ( x | z )重构输入，从而实现非线性特征的有效表示；岭回归的 λ正则化参数用于控制模型复杂度并避免过拟合。

2.2.1　模型架构

VAE通过潜在空间中的特征分布进行消费量的预测。 图2为此模型的具体架构示意图。
图2 变分自编码器岭回归消费预测模型示意图

Fig. 2 Schematic diagram of VAE-Ridge regression consumption forecasting model

本研究VAE的损失函数由重构误差和KL散度项（Kullback-Leibler Divergence）组成，具体如 公式（11）所示。
ℒ V A E = E q ϕ ( z | x ) [ ‖ x - g ( z ; θ ) ‖ 2 ] + K L ( q ϕ ( z | x ) ‖ p ( z ) )
式中： x为输入数据； g ( z ; θ )为解码器（生成器）通过潜在变量 z和参数 θ生成的数据； ‖ x - g ( z ; θ ) ‖ 2为重构误差； q ϕ ( z | x )为编码器（近似后验分布）； p ( z )为先验分布； K L q ϕ ( z | x ) ‖ p ( z )为KL散度。
为了进一步提高预测精度，应用岭回归对消费量进行线性回归预测。岭回归的损失函数如 公式（12）所示。
ℒ R i d g e = ‖ y - w T z ‖ 2 + λ ‖ w ‖ 2
式中： w为回归系数矩阵； y为真实消费量； z为VAE生成的特征向量； ‖ w ‖ 2为回归系数的L2范数。

2.2.2　超参数调优

本研究通过交叉验证确定最优的正则化系数 λ，以及VAE中的潜在变量维度 D z，如 公式（13）所示。
D z = a r g m i n D z ℒ V A E
式中： ℒ V A E为VAE的损失函数。
最终，通过优化VAE的潜在空间维度和岭回归的正则化系数，可以显著提升模型的泛化性能。

2.3　自适应变换器价格预测模型（Adaptive-Transformer）

2.3.1　模型架构

Adaptive-Transformer模型通过时间卷积和多头自注意力机制，对农产品季度、月度、周的价格进行预测。模型具有动态调整时间特征权重的优势，在捕捉短期价格波动的同时，能够预测长期价格趋势（ 图3）。经过超参数调优后的自适应时间窗口机制，使得模型在短期和长期的价格预测中展现较强的泛化能力 ［ 27］。相较于传统Transformer模型，自适应变换器模型通过协同时间窗口和多头注意力机制，在捕捉价格波动的关键特征时可有良好性能，尤其在应对复杂时间序列数据时具备更高的灵活性和准确性。时间权重通过梯度下降优化学习，确保模型能够适应价格变化的复杂动态。多头注意力机制能够对输入序列进行高效建模，结合短期和长期依赖关系，增强模型对价格波动模式的精准捕捉。以下是详细推导时间窗口机制以及模型中的注意力机制。
图3 自适应变换器价格预测模型示意图

Fig. 3 Schematic diagram of adaptive-transformer price prediction model

设价格序列为 P t（其中， t = 1,2 , … , T），引入一个自适应时间窗口权重 ω ( t )，表示在不同时间段上的价格权重，如 公式（14）所示。
P ˜ t = ω ( t ) ⋅ P t
式中： ω ( t )为可学习的权重。通过梯度下降法更新权重，如 公式（15）所示。
ω ( t + 1 ) = ω ( t ) - η ⋅ ∂ ℒ ∂ ω ( t )
式中： η是学习率； ℒ是损失函数。
可以定义Transformer中的多头自注意力机制如 公式（16）所示。
A t t e n t i o n ( Q , K , V ) = s o f t m a x Q K T d k
式中： Q为查询矩阵； K为键矩阵； V为值矩阵； d k为键的维度。假设多头自注意力机制中有 h个头，则通过加权求和得出最终输出如 公式（17）所示。
M u l t i H e a d ( Q , K , V ) = C o n c a t ( h e a d 1 , h e a d 2 , … , h e a d h ) W O
接着，引入时间卷积对序列进行短期和长期特征的提取。设卷积核大小为 k的卷积操作为 C o n v k，则卷积后的输出如 公式（18）所示。
F = ⊕ i = 1 n C o n v k i ( P ˜ t )
式中： ⊕表示特征的级联操作； P ˜ t表示时间t时刻预测的价格值。通过不同尺度的卷积层可以获得多尺度的价格特征。

2.3.2　超参数调优

为了优化模型，需要引入损失函数 ℒ，结合MSE和L2正则化项，具体如 公式（19）所示。
ℒ = 1 N ∑ i = 1 N P ^ i - P i 2 + λ ‖ θ ‖ 2
式中： P ^ i为模型的预测值； P i为真实价格值； θ为模型参数。
通过引入正则化项，可以有效防止模型过拟合，超参数调优通过网格搜索确定最优的学习率 η、时间窗口大小 T a和注意力头的个数 h，具体如 公式（20）和 公式（21）所示。
T a = a r g m i n T ℒ ( T a )
h = a r g m i n h ℒ ( h )
最终的优化模型可以通过AdamW优化器实现，具体如 公式（22）所示。
θ t + 1 = θ t - η ⋅ ∇ θ ℒ ( θ t )
式中： θ t + 1为更新后的模型参数； θ t为当前时间步的模型参数； ∇ θ ℒ ( θ t )为模型参数对损失函数变化的敏感度。

3 结果及分析

本研究通过玉米、生猪和番茄市场的多维数据验证了所构建深度学习模型的有效性。以下是不同市场要素分析的具体结果。

3.1　玉米生产量预测与指标分析

在玉米生产量的预测分析中，使用了GAN-ResNet生产量预测模型，进行了县级尺度单产预测。该模型结合了残差网络的结构化数据处理能力和生成对抗网络的数据生成能力，有效解决了在不同区域气象条件和农产品价格波动的复杂情况下的预测问题。
通过对实际单产量和模型预测单产量的对比， 图4展示了模型的性能指标。模型在生产量预测中的平均绝对百分比误差为6.58%，决定系数 R²为0.84。这些结果表明，GAN-ResNet模型能够较好地捕捉县级生产量的波动，并展现出良好的预测精度。在河南、河北、山东和黑龙江的387个县级区域中，GAN-ResNet模型在分析多元结构化数据时展现出良好的预测性能。
图4 387个县级玉米单产预测值与实际值2D Bin Count热力分析图

Fig. 4 2D Bin Count heatmap analysis chart of predicted and actual corn yield in 387 counties

如 图4所示，2D Bin Plot展示了预测值与实际值之间的密度分布。大多数点集中在参考线附近，显示了模型预测的准确性。该图显示了在不同单产量区间内，模型的预测值与实际值能较好吻合，展示了模型在不同区间下的一致性。
如 图5所示，387个县级玉米单产真实与预测值Parity Plot对比图进一步展示了预测值与实际值的比较。 图5a中的1∶1参考线清晰地标示出模型预测值与实际值的一致性。多数预测点紧贴参考线，显示了模型的良好预测精度。
图5 387个县级玉米单产真实与预测值对比、误差分布、残差分析图

Fig. 5 Comparison， error distribution and residual analysis of the real and predicted corn yield in 387 counties

图5b展示了模型的误差分布情况。误差呈正态分布，大多数误差集中在零附近，说明模型能够准确预测大部分单产量数据。 图5c展示了模型的残差分布，显示了预测残差在零轴附近大部分集中，说明模型的预测误差较小。
从 图4和 图5中可以观察到，GAN-ResNet模型在面对复杂的生产量波动时，依然保持了良好的预测性能。模型能够有效捕捉生产量的变化趋势，尤其是在应对极端天气（如干旱、高温）等异常因素时，预测模型表现出了较强的鲁棒性。ResNet-GAN模型在玉米市场的生产量预测中表现良好，该模型在玉米生产量预测中表现可靠，可为未来的农产品生产提供了有益的决策支持。

3.2　生猪消费量与指标分析

在生猪市场消费预测中，采用了VAE-Ridge模型，结合变分自编码器与岭回归，有效捕捉了市场中复杂的消费需求动态。通过VAE模型，能够学习到数据的潜在分布特征，并利用岭回归增强模型的预测鲁棒性，防止过拟合现象。
通过VAE-Ridge模型处理这些多维数据后，预测效果有较大提升。平均绝对百分比误差为6.28%，尤其是在需求季节性波动较大时，模型能够快速适应市场的变化，体现了其在复杂需求环境下的鲁棒性。
SHAP（SHapley Additive exPlanations）是一种可视化方法，用于展示每个特征对模型预测的贡献大小，帮助解释模型输出的决策过程 ［ 28, 29］。 图6展示了SHAP热力图，揭示了各特征之间的相互作用及其对预测结果的影响。通过对模型特征重要性的分析发现，猪肉产量、肉类产量和牛肉产量数据是猪肉消费预测中最为关键的数据特征；居民人均可支配收入、工资性收入和转移净收入等收入相关的特征，与市场需求预测密切相关；尤其是居民人均可支配收入与工资性收入的交互作用，对需求预测产生了显著影响，在收入波动较大的年份，模型能够有效捕捉到消费需求的变化。通过生猪消费量预测研究SHAP特征重要性相互关系分析（ 图6），VAE-Ridge模型能够提供高精度的需求预测，并清晰地揭示各个特征对预测的影响。通过这些分析，本研究不仅提升了需求预测的精度，还为政策制定者提供了更深刻的见解，帮助他们理解市场需求背后的关键驱动因素。
图6 生猪消费量预测研究SHAP特征重要性相互关系热力图

Fig. 6 Heat map of SHAP feature importance interrelationships in predicting pig consumption

3.3　番茄价格预测与指标分析

本研究采用了Adaptive-Transformer模型对全国范围内从2021年10月至2024年8月的番茄批发市场价格数据进行了预测，结果表明该模型在长期价格预测中具有显著优势。 图7展示了模型的预测值与真实值的对比，显示出在长期价格预测中，该模型具有更高的精度。其引入的自适应机制增强了模型在处理市场非线性波动时的稳定性，尤其在极端价格波动下，依然保持了较低的误差，说明模型在复杂市场环境下具有更强的适应能力。
图7 2021—2024年Adaptive-Transformer番茄市场价格预测模型

Fig. 7 Adaptive Transformer of tomato market price prediction model for 2021 to 2024

Adaptive-Transformer模型在捕捉长期价格波动趋势上表现更好。相比长短期记忆（Long Short Term Memory Model, LSTM）模型，Adaptive-Transformer能够更好地处理价格大幅波动的情况，其MAPE为2.25%，MSE仅为0.046 8，MAE为0.169 4元/kg，表明了其在整体价格趋势预测中的优越性。
LSTM模型能够捕捉价格波动的趋势 ［ 30］，但在某些极端价格变化的情况下，预测精度略显不足。在 图8中，LSTM的价格预测值紧跟实际值波动，显示出较强的短期价格预测能力。预测误差为2.94%，均方误差为0.065 1，平均绝对误差为0.214 1元/kg。 图8还展示了LSTM模型的误差区间，进一步说明其预测性能在不同价格区间的表现。
图8 2021—2024年LSTM番茄市场价格预测模型

Fig. 8 LSTM of tomato market price prediction model for 2021 to 2024

尽管LSTM模型在某些短期预测场景中表现良好，但其在应对复杂的非线性长期波动时存在局限。相反，Adaptive-Transformer能够在捕捉长期趋势和极端市场波动上展现出显著的鲁棒性和适应性，特别是在极端市场情况下（如价格突然上涨或下降）。此分析结果表明，自适应Transformer模型是处理非线性市场数据的有效工具，在农业市场预测中的应用具有广泛的前景。未来的研究可以进一步优化模型的超参数，提升其应对更多极端市场情况的能力。

3.4　综合实验分析与对比

为验证所提模型的性能，本研究进行了与经典深度学习模型的对比实验和消融实验，结果如 表2和 表3所示。 表2展示了GAN-ResNet、VAE-Ridge和Adaptive-Transformer模型与经典深度学习模型的对比实验结果。可以看出，本研究提出的模型在MAPE、MSE和 R²等指标上均表现较优，尤其在复杂场景下的预测能力有提高，表明所提框架能够有效捕捉非线性特征。
表2 玉米、生猪、番茄市场预测研究基线对比实验结果

Table 2 Comparative experimental results of baseline models for market prediction in corn， hog， and tomato markets

模型 数据集 任务 MAPE/% MAE MSE R 2
Gated Recurrent Unit （GRU） 玉米生产数据集 生产预测 8.12 0.49 0.110 0.78
GAN-ResNet 玉米生产数据集 生产预测 6.58 0.39 0.084 0.84
LSTM 生猪消费数据集 消费预测 6.91 0.26 0.048 0.85
VAE-Ridge 生猪消费数据集 消费预测 6.28 0.22 0.034 0.89
LSTM 番茄价格数据集 价格预测 2.94 0.21 0.065 0.91
Adaptive-Transformer 番茄价格数据集 价格预测 2.25 0.17 0.047 0.95
表3 玉米、生猪、番茄市场预测研究消融实验结果

Table 3 Ablation experimental results for market prediction in corn， hog， and tomato markets

模型 数据集 MAPE/% MAE MSE R 2
GAN+ResNet 玉米生产数据集 6.58 0.39 0.084 0.84
ResNet 玉米生产数据集 7.92 0.46 0.103 0.79
VAE+Ridge 生猪消费数据集 6.28 0.22 0.034 0.89
Ridge 生猪消费数据集 7.12 0.27 0.052 0.83
Adaptive-Transformer 番茄价格数据集 2.25 0.17 0.047 0.95
Adaptive-Transformer（无时间窗口机制） 番茄价格数据集 2.74 0.21 0.035 0.92
从 表2中可以看出，GAN-ResNet在生产量预测中优于传统GRU模型，MAPE降低了1.54个百分点。VAE-Ridge在消费量预测中的鲁棒性较好，尤其是在处理稀疏和高维数据时，性能优于对比模型。而Adaptive-Transformer在价格预测中的表现良好，展现了较强的时间序列捕捉能力。
为了评估所提模型中各关键模块对整体性能的贡献，本研究通过消融实验在玉米生产、生猪消费和番茄价格预测任务中移除不同模块，并进行对比分析。 表3展示了完整模型与不同模块移除配置的实验结果，帮助进一步揭示每个模块在模型性能中的作用。
拆分分析可独立运行的模块，结果如 表3所示。GAN-ResNet模型在玉米生产量预测任务中，移除GAN模块，仅使用ResNet，MAPE从6.58%上升至7.92%。结果表明，GAN模块通过数据增强与ResNet优化协同作用，有效提升了预测精度。VAE-Ridge模型在生猪消费量预测任务中，移除VAE模块，仅使用Ridge回归，MAPE从6.28%上升至7.12%。这表明，VAE模块与Ridge协同可增强特征学习能力。Adaptive-Transformer模型在番茄价格预测任务中，移除时间窗口机制，仅保留多头注意力机制，MAPE从2.25%上升至2.74%。结果证明，时间窗口机制对短期价格波动的捕捉至关重要。通过实验，验证了模型关键模块的有效性和协同作用，为未来模块优化和更复杂场景应用提供了方向。

3.5　计算复杂度指标分析

为了平衡深度学习模型的计算复杂度与系统的实际应用需求，本研究在CAMES的部署中采取了“离线计算与前端可视化分离”的策略。在实际应用中，模型的训练和推理通过计算环境离线完成，生成的预测结果以数据文件形式传递至前端系统。前端通过轻量化可视化工具ECharts展示预测结果。在模型部署中，采用了轻量化模型压缩技术减少模型的运行负担。GAN-ResNet模型的计算复杂度为 3.28 GFLOPs，平均推理时间为13.2 ms/样本。VAE-Ridge 模型计算复杂度为2.14 GFLOPs，推理速度为8.7 ms/样本。同时，Adaptive-Transformer计算效率为4.92 GFLOPs。这些优化方法能减少模型运行时的计算复杂度。

4 讨 论

本研究通过对玉米生产量、生猪消费量、番茄市场的价格三个维度的深度学习模型测试，证明了这些模型在农产品市场监测与预警中的有效性和潜力。三类预测分析具有以下特点。首先，在生产量预测中，采用的GAN-ResNet模型展现了良好的泛化能力，尤其在面对多维度结构化数据（如气象因素、土壤条件等）时，能够有效处理生产量数据的非线性波动。通过对多区域县级玉米产量的预测，模型在捕捉复杂生产量变化方面表现出色，体现了其在生产量预测中的优越性。生产量数据的波动主要受到自然条件的影响，且具有明显的周期性和区域差异性，这要求模型在长短期趋势的捕捉上具有足够的灵活性。
其次，在消费量预测方面，VAE-Ridge模型通过VAE对消费特征进行深入学习，并结合岭回归的正则化机制，较好捕捉了消费需求中的潜在关系。特别是在处理涉及替代产品（如牛肉、羊肉等）和宏观经济因素（如居民收入、消费水平）时，模型表现出了良好的鲁棒性。消费量数据的波动相较生产量更为复杂，既受到季节性因素的影响，又受到消费者偏好和市场替代品的动态变化的影响。因此，VAE-Ridge模型能够有效应对需求端的不确定性，提供精准的消费量预测。
第三，在价格预测中，Adaptive-Transformer模型引入了自适应时间窗口机制，增强了模型在处理非线性市场价格波动时的鲁棒性。相比于传统的LSTM模型，Adaptive-Transformer模型在长期价格预测上展现了更高的精度，尤其是在面对剧烈价格波动时，能够更好地捕捉市场趋势。进一步证实了价格具有更强的时间序列特性，而Adaptive-Transformer模型凭借其自适应机制，能够对短期波动和长期趋势做出更精确的反应。

5 结 论

本研究通过对玉米生产量、生猪消费量、番茄价格的深度分析，揭示了不同数据特征的波动规律及其驱动因素。生产量预测受到自然因素的影响较大，消费量预测则受到更多市场因素的影响，而价格预测则具有更强的时间依赖性与非线性波动特征。本研究旨在探索综合性农产品市场监测与预警方法，通过构建多模型集成框架（GAN-ResNet、VAE-Ridge、Adaptive-Transformer），验证其在不同预测任务中的潜力。各模型在这些特征的处理上展现了各自的优势：GAN-ResNet适用于处理复杂的生产量波动，VAE-Ridge在需求预测中表现出更强的解释能力，而Adaptive-Transformer在价格波动预测中具有较好的性能。
未来研究将聚焦于多维异构数据的融合应用，提升模型的适应性和鲁棒性，进一步为政策制定和市场风险防范提供精确的预测结果。此外，为验证模型框架的广泛适用性，后续将引入更多农产品品类和复杂场景数据，并结合实际需求，探索高效的模型部署方案，以增强框架的稳定性和实用性。

利益冲突声明

本研究不存在研究者以及与公开研究成果有关的利益冲突。

References

Publishing order | Descend order by publishing year | Descend order by cited within
1
吴初国, 王楠, 苏宇, 等. 基于安全、市场、民生视角的我国自然资源经济形势分析[J]. 中国矿业, 2024, 33( 7): 9- 15.

WU C G, WANG N, SU Y, et al. Analysis of natural resources economic situation in China from the perspectives of security, market, and people's livelihood[J]. China mining magazine, 2024, 33( 7): 9- 15.

2
许世卫, 刘子源, 张小允, 等. 俄乌冲突对中国农产品供需直接影响分析[J]. 农业展望, 2023, 19( 2): 3- 13.

XU S W, LIU Z Y, ZHANG X Y, et al. Analysis on the direct impact of Russia-Ukraine conflict on Chinese agricultural products supply and demand[J]. Agricultural outlook, 2023, 19( 2): 3- 13.

3
李勇, 李乾川, 周益. 消弥城乡“数字鸿沟”助力农业强国战略: 兼评国家数据局成立[J]. 农业大数据学报, 2023, 5( 1): 15- 17.

LI Y, LI Q C, ZHOU Y. Bridging the urban-rural 'digital gap' for agricultural powerhouse: On the establishment of national data bureau[J]. Journal of agricultural big data, 2023, 5( 1): 15- 17.

4
XU S W, LI G Q, LI Z M. China agricultural outlook for 2015–2024 based on China agricultural monitoring and early-warning system (CAMES)[J]. Journal of integrative agriculture, 2015, 14( 9): 1889- 1902.

5
李乾川, 许世卫, 张永恩, 等. 基于气象因素的玉米单产堆栈集成学习建模与预测[J]. 中国农业科学, 2024, 57( 4): 679- 697.

LI Q C, XU S W, ZHANG Y E, et al. Stacking ensemble learning modeling and forecasting of maize yield based on meteorological factors[J]. Scientia agricultura sinica, 2024, 57( 4): 679- 697.

6
王晓丽, 李乾川, 郭志杰, 等. 生物安全智能信息技术在畜牧业监管领域的应用研究与展望[J/OL]. 农业展望. ( 2024-12-19)[ 2025-01-02].

WANG X L, LI Q C, GUO Z J, et al. Application research and prospect of biosafety intelligent information technology in the field of animal husbandry supervision[J/OL]. Agricultural Outlook.( 2024-12-19)[ 2025-01-02].

7
赵春江. 农业知识智能服务技术综述[J]. 智慧农业(中英文), 2023, 5( 2): 126- 148.

ZHAO C J. Agricultural knowledge intelligent service technology: A review[J]. Smart agriculture, 2023, 5( 2): 126- 148.

8
LI Q C, XU S W, ZHUANG J Y, et al. Ensemble learning prediction of soybean yields in China based on meteorological data[J]. Journal of integrative agriculture, 2023, 22( 6): 1909- 1927.

9
SUN C, PEI M, CAO B, et al. A study on agricultural commodity price prediction model based on secondary decomposition and long short-term memory network[J]. Agriculture, 2023, 14( 1): 60.

10
TARIQ U, AHMED I, KHAN M A, et al. Deep learning for economic transformation: A parametric review[J]. Indonesian journal of electrical engineering and computer science, 2024, 35( 1): 520- 541.

11
LIM B, ARIK S Ö, LOEFF N, et al. Temporal Fusion Transformers for interpretable multi-horizon time series forecasting[J]. International journal of forecasting, 2021, 37( 4): 1748- 1764.

12
QU Z K, ZHANG Y, HONG C, et al. Temperature forecasting of grain in storage: A multi-output and spatiotemporal approach based on deep learning[J]. Computers and electronics in agriculture, 2023, 208: ID 107785.

13
AVINASH G, RAMASUBRAMANIAN V, RAY M, et al. Hidden Markov guided deep learning models for forecasting highly volatile agricultural commodity prices[J]. Applied soft computing, 2024, 158: ID 111557.

14
ZHU Y M, WANG M, YIN X F, et al. Deep learning in diverse intelligent sensor based systems[J]. Sensors, 2023, 23( 1): ID 62.

15
郭惠萍, 曹亚州, 王晨思, 等. 基于迁移学习的苹果落叶病识别与应用[J]. 农业工程学报, 2024, 40( 3): 184- 192.

GUO H P, CAO Y Z, WANG C S, et al. Recognition and application of apple defoliation disease based on transfer learning[J]. Transactions of the Chinese society of agricultural engineering, 2024, 40( 3): 184- 192.

16
庄家煜, 许世卫, 李杨, 等. 基于深度学习的多种农产品供需预测模型[J]. 智慧农业(中英文), 2022, 4( 2): 174- 182.

ZHUANG J Y, XU S W, LI Y, et al. Supply and demand forecasting model of multi-agricultural products based on deep learning[J]. Smart agriculture, 2022, 4( 2): 174- 182.

17
王润周, 张新生, 王明虎. 基于信号分解和深度学习的农产品价格预测[J]. 农业工程学报, 2022, 38( 24): 256- 267.

WANG R Z, ZHANG X S, WANG M H. Agricultural product price prediction based on signal decomposition and deep learning[J]. Transactions of the Chinese society of agricultural engineering, 2022, 38( 24): 256- 267.

18
WANG Y L, HUANG G, SONG S J, et al. Regularizing deep networks with semantic data augmentation[J]. IEEE transactions on pattern analysis and machine intelligence, 2021( 7): 3733- 3748.

19
李乾川. 基于气象因素的作物单产集成学习预测方法研究与应用[D]. 北京: 中国农业科学院, 2024.

LI Q C. Research and application of ensemble learning prediction method for crop yield based on meteorological factors[D]. Beijing: Chinese Academy of Agricultural Sciences, 2024.

20
HUANG Y C, CHEN Z G, LIU J M. Limited agricultural spectral dataset expansion based on generative adversarial networks[J]. Computers and electronics in agriculture, 2023, 215: ID 108385.

21
ZHUANG J Y, XU S W, LI G Q, et al. The influence of meteorological factors on wheat and rice yields in China[J]. Crop science, 2018, 58( 3): 1440- 1445.

22
GOODFELLOW I, POUGET-ABADIE J, MIRZA M, et al. Generative adversarial networks[J]. Communications of the ACM, 2020, 63( 11): 139- 144.

23
吴华瑞. 基于深度残差网络的番茄叶片病害识别方法[J]. 智慧农业, 2019, 1( 4): 42- 49.

WU H R. Method of tomato leaf diseases recognition method based on deep residual network[J]. Smart agriculture, 2019, 1( 4): 42- 49.

24
KINGMA D P, BA J, HAMMAD M M. Adam: A method for stochastic optimization[EB/OL]. arXiv: 1412.6980, 2014.

25
RAZGHANDI M, ZHOU H, EROL-KANTARCI M, et al. Variational autoencoder generative adversarial network for synthetic data generation in smart home[C]// ICC 2022 - IEEE International Conference on Communications. New Jersey, USA: IEEE, 2022.

26
YILDIRIM H, REVAN ÖZKALE M. The performance of ELM based ridge regression via the regularization parameters[J]. Expert systems with applications, 2019, 134: 225- 233.

27
HE X H, LI C Y, ZHANG P C, et al. Parameter-efficient model adaptation for vision transformers[J]. Proceedings of the AAAI conference on artificial intelligence, 2023, 37( 1): 817- 825.

28
LE T T H, KIM H, KANG H, et al. Classification and explanation for intrusion detection system based on ensemble trees and SHAP method[J]. Sensors, 2022, 22( 3): ID 1154.

29
FENG D C, WANG W J, MANGALATHU S, et al. Interpretable XGBoost-SHAP machine-learning model for shear strength prediction of squat RC walls[J]. Journal of structural engineering, 2021, 147( 11): ID 4021173.

30
贾宁, 郑纯军. 基于LSTM-DA神经网络的农产品价格指数短期预测模型[J]. 计算机科学, 2019, 46( S2): 62- 65, 71.

JIA N, ZHENG C J. Short-term forecasting model of agricultural product price index based on LSTM-DA neural network[J]. Computer science, 2019, 46( S2): 62- 65, 71.

Options
Outlines

/

〈 〉

  • ISSN 2097-485X（Online）
    ISSN 2096-8094（Print）
    CN 10-1681/S
    CODEN ZNZHD7
    Aboard PDC: C9452
    Authority in Charge: Ministry of Agriculture and Rural Affairs of the People’s Republic of China
    Sponsor: Agricultural Information Institute, Chinese Academy of Agricultural Sciences
  • Address: No.12 Zhongguancun South St.,Haidian District Beijing P.R.China
    Zip Code: 100081
    Telephone: +86 10 82109657
    E-mail: smartag@caas.cn
京ICP备09089781号-37