许世卫研究员团队：农产品市场监测预警深度学习智能预测方法（《智慧农业（中英文）》2025年第1期）

摘要：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.

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

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, 7(1): 57-69.

官网全文免费阅读

农产品市场监测预警深度学习智能预测方法

许世卫1，3，4，李乾川2，栾汝朋2*，庄家煜1，3，4，刘佳佳1，3，4，熊露1，3

（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/意义］农产品供给、消费和价格的变化直接影响着整个市场的供需平衡和稳定运行。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］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（Generative Adversarial Network and Residual Network, GAN-ResNet）、变分自编码器岭回归消费预测模型（Variational Autoencoder and Ridge Regression, VAE-Ridge）、自适应变换器价格预测模型（Adaptive-Transformer）。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］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（Mean Absolute Percentage Error, 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］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

文章图片

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

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

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

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

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

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

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

作者介绍

许世卫二级研究员

许世卫，中国农科院信息所二级研究员，博士生导师。现为农业农村部农业监测预警技术重点实验室主任，中国农学会农业监测预警分会理事长，《智慧农业（中英文）》编委。长期从事农业监测预警技术、大数据分析方法、智能服务技术与系统研究，先后主持和参加国家科技支撑项目、国家重点研发计划、国家自然科学基金重大项目、农业农村部信息预警项目、科技部基础性和社会性公益专项、国际合作等类型的科研项目与课题多项。建立了农业信息分析学，创建了中国农产品监测预警CAMES模型系统，作为大会执行主席倡导和主持召开了中国农业展望大会。发表论文320多篇，著作37部，国家专利67项，以第一完成人获北京、河南、农业部等省部级科技成果奖12项。是国家863现代农业主题专家、全国农业科研杰出人才、国务院特贴专家。

栾汝朋副研究员

栾汝朋，现任北京市农林科学院数据科学与农业经济研究所副所长，副研究员。长期致力于农业数据科学领域研究，带领团队建设了北京市乡村振兴大数据平台，在农业农村大数据、深度学习图像识别及农业大模型应用方向取得显著成果，研发了30余个业务应用系统。承担国家及北京市科技项目30多项，获得神农中华农业科技奖、北京市农业技术推广奖等省部级奖3项，发表论文20余篇，获得发明等专利12项、软件著作权30余项，制定标准4项。