农产品市场监测预警深度学习智能预测方法.pdfVIP

2025年1月第7卷第1期智慧农业（中英文）SmartAgricultureJan.2025Vol.7,No.1

农产品市场监测预警深度学习智能预测方法

1，3，422*1，3，41，3，41，3

许世卫，李乾川，栾汝朋，庄家煜，刘佳佳，熊露

（1.中国农业科学院农业信息研究所，北京100081，中国；2.北京市农林科学院数据科学与农业经济研究所，北京

100097，中国；3.农业农村部农业监测预警技术重点实验室，北京100081，中国；4.中国农业科学院农业监测预警智

能系统重点开放实验室，北京100081，中国）

摘要：［［目的目的/意义意义］］农产品供给、消费和价格的变化直接影响市场监测和预警。随着中国农业生产方式和市场

体系的转型，数据获取技术的进步使得农业数据呈现爆炸式增长。然而，农产品多品种的联动监测和预测仍面临

数据复杂、模型狭窄、应变能力弱等挑战。因此，亟需构建适应中国农业数据特点的深度学习模型，以提升农产

品市场的监测与预警能力，推动精准决策和应急响应。［［方法方法］］本研究应用深度学习方法，从中国多维农业数据资

源实际出发，创新提出了一套不同监测预警对象条件下深度学习综合预测方法，构建了生成对抗与残差网络协同

生产量模型（GenerativeAdversarialNetworkandResidualNetwork,GAN-ResNet）、变分自编码器岭回归消费预测模

型（VariationalAutoencoderandRidgeRegression,VAE-Ridge）、自适应变换器价格预测模型（Adaptive-Transform⁃

er）。为适应实际需求，研究在CAMES中采用“离线计算与可视化分离”策略，模型推理离线完成，平衡了计算

复杂度与实时预警需求。［［结果和讨论结果和讨论］］深度学习综合预测方法在玉米单产、生猪消费量和番茄市场价格的预测

上，均表现出显著的精度提升。GAN-ResNet生产量预测模型进行县级尺度玉米单产预测的平均绝对百分比误差

（MeanAbsolutePercentageError,MAPE）为6.58%，运用VAE-Ridge模型分析生猪消费量的MAPE为6.28%，运用

Adaptive-Transformer模型预测番茄价格的MAPE为2.25%。［［结论结论］］该研究提出的深度学习综合预测方法，具有较

先进的单品种、多场景、宽条件下的农产品市场监测预警分析能力，并在处理不同区域多维数据、多品种替代、

市场季节性波动等分析方面显示出优良的指标性能，可为中国农产品市场监测预警提供一套新的有效分析方法。

关键词：监测预警；深度学习；生产量预测；消费量预测；价格预测；生成对抗与残差网络协同生产量模型；变

分自编码器岭回归消费预测模型；自适应变换器价格预测模型

中图分类号：TP393.01文献标志码：A文章编号：SA202411004

引用格式：许世卫,李乾川,栾汝朋,庄家煜,刘佳佳,熊露.农产品市场监测预警深度学习智能预测方法[J].智慧农业

(中英文),2025,7(1):57-69.DOI：10.12133/j.smartag.SA202411004

XUShiwei,LIQianchuan,LUANRupeng,ZHUANGJiayu,LIUJiajia,XIONGLu.AgriculturalMarketMonitoringand

EarlyWarning:AnIntegratedForecastingApproachBasedonDeepLearning[J].SmartAgriculture,2025,7(1):57-69.

DOI：10.12133