本發(fā)明涉及信息處理領(lǐng)域，尤其涉及一種農(nóng)產(chǎn)品價(jià)格預(yù)測(cè)方法及裝置。

背景技術(shù)：

農(nóng)產(chǎn)品價(jià)格直接影響農(nóng)產(chǎn)品的生產(chǎn)及流通，對(duì)農(nóng)產(chǎn)品價(jià)格進(jìn)行科學(xué)預(yù)測(cè)，對(duì)規(guī)避農(nóng)產(chǎn)品自身市場(chǎng)風(fēng)險(xiǎn)以及促進(jìn)農(nóng)業(yè)結(jié)構(gòu)調(diào)整及可持續(xù)發(fā)展具有重要的現(xiàn)實(shí)意義。近年來(lái)，我國(guó)農(nóng)產(chǎn)品價(jià)格受國(guó)家政策、市場(chǎng)供求、生產(chǎn)成本、自然氣候以及突發(fā)事件等多種因素的影響，呈現(xiàn)出高噪聲﹑非平穩(wěn)、非線性等特征，不僅導(dǎo)致我國(guó)大豆產(chǎn)業(yè)面臨的價(jià)格風(fēng)險(xiǎn)日益增加，而且增加了大豆價(jià)格預(yù)測(cè)的難度。

目前，預(yù)測(cè)農(nóng)產(chǎn)品價(jià)格的方法有:回歸分析法、時(shí)間序列法、灰色預(yù)測(cè)法、模糊理論法、神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)法等，以上單一預(yù)測(cè)方法對(duì)于非平穩(wěn)、非線性時(shí)間序列仍舊難以取得令人滿意的預(yù)測(cè)結(jié)果。

技術(shù)實(shí)現(xiàn)要素：

鑒于上述問(wèn)題，本發(fā)明實(shí)施例提供了一種農(nóng)產(chǎn)品價(jià)格預(yù)測(cè)方法及裝置，以提高波動(dòng)性強(qiáng)、非平穩(wěn)、非線性的農(nóng)產(chǎn)品價(jià)格預(yù)測(cè)的預(yù)測(cè)精度。

第一方面，本發(fā)明實(shí)施例提供的一種農(nóng)產(chǎn)品價(jià)格預(yù)測(cè)方法，包括：

獲得第一類型農(nóng)產(chǎn)品的M個(gè)價(jià)格預(yù)測(cè)樣本，M至少為百數(shù)量級(jí)；

通過(guò)VMD變分模態(tài)分解將所述M個(gè)價(jià)格預(yù)測(cè)樣本分解為k個(gè)具有不同振動(dòng)頻率特征的價(jià)格VM變分模態(tài)分量，其中，k為大于1的整數(shù)；

輸入所述k個(gè)價(jià)格VM分量至經(jīng)過(guò)螢火蟲(chóng)算法優(yōu)化的SVM預(yù)測(cè)模型中進(jìn)行預(yù)測(cè)，以預(yù)測(cè)到與所述k個(gè)價(jià)格VM分量對(duì)應(yīng)的k個(gè)VM分量預(yù)測(cè)值；

將所述k個(gè)VM分量預(yù)測(cè)值線性疊加，以得到對(duì)所述第一類型農(nóng)產(chǎn)品的價(jià)格預(yù)測(cè)值。

優(yōu)選的，所述通過(guò)VMD變分模態(tài)分解將所述M個(gè)價(jià)格預(yù)測(cè)樣本分解為k個(gè)具有不同振動(dòng)頻率特征的價(jià)格VM分量，包括：

步驟A1：初始化和n，其中，為所對(duì)應(yīng)的傅里葉轉(zhuǎn)換，為{λ¹}所對(duì)應(yīng)的傅里葉轉(zhuǎn)換，為初始化后中心頻率，u_k表示模態(tài)函數(shù)，λ為拉格朗日乘法算子，n代表迭代次數(shù)；

步驟A2：根據(jù)如下公式更新模態(tài)函數(shù)u_k：

以及根據(jù)如下公式更新中心頻率ω_k：

其中，為當(dāng)前剩余量的維納濾波，為當(dāng)前模態(tài)函數(shù)功率譜的重心，對(duì)應(yīng)為f(t)、u_i(t)、λ(t)、的傅里葉轉(zhuǎn)換，f(t)為所述價(jià)格預(yù)測(cè)樣本，u_i(t)為第i個(gè)模態(tài)函數(shù)，λ(t)表示拉格朗日乘法算子，為u_k經(jīng)過(guò)n+1次迭代后的值，1≤i≤k；

步驟A3：根據(jù)如下公式更新λ；

其中，為λ(ω)經(jīng)過(guò)n次迭代后的傅里葉轉(zhuǎn)換，τ為更新系數(shù)；

步驟A4：若則停止迭代，并將u_k的輸出作為k個(gè)價(jià)格VM分量，否則返回步驟A2；

優(yōu)選的，在所述輸入所述k個(gè)價(jià)格VM分量至經(jīng)過(guò)螢火蟲(chóng)算法優(yōu)化的SVM預(yù)測(cè)模型中進(jìn)行預(yù)測(cè)之前，所述方法還包括：基于所述螢火蟲(chóng)算法優(yōu)化所述SVM預(yù)測(cè)模型的懲罰系數(shù)和核參數(shù)。

優(yōu)選的，所述基于所述螢火蟲(chóng)算法優(yōu)化所述SVM預(yù)測(cè)模型的懲罰系數(shù)和核參數(shù)，包括如下步驟：

步驟B1：初始化熒光素?fù)]發(fā)系數(shù)ρ、熒光素增強(qiáng)因子γ、感知范圍r_s、鄰域變化率β、鄰居閾值n₁和移動(dòng)步長(zhǎng)s，隨機(jī)初始化每個(gè)螢火蟲(chóng)的位置；

步驟B2、基于所述價(jià)格預(yù)測(cè)樣本與所述SVM預(yù)測(cè)模型對(duì)所述價(jià)格預(yù)測(cè)樣本的擬合值之間誤差計(jì)算各個(gè)螢火蟲(chóng)的適應(yīng)度值，并基于各個(gè)螢火蟲(chóng)的適應(yīng)度值更新全局最優(yōu)值：

步驟B3：基于如下公式確定各個(gè)螢火蟲(chóng)的決策范圍內(nèi)的螢火蟲(chóng)個(gè)數(shù)：

其中，為第t次迭代后第i只螢火蟲(chóng)的決策范圍，x_j(t)-x_i(t)為第t次迭代后，第j只螢火蟲(chóng)與第i只螢火蟲(chóng)之間的距離，l_i(t)為在第t次迭代后第i只螢火蟲(chóng)的螢光素值，l_j(t)為在第t次迭代中第j只螢火蟲(chóng)的螢光素值；

步驟B4：基于如下公式更新各個(gè)螢火蟲(chóng)的熒光素：

l_i(t)＝(1-ρ)l_i(t-1)+γf(x_i(t))，

其中，l_i(t)為第t次迭代后第i只螢火蟲(chóng)的螢光素值，l_i(t-1)第t次迭代前第i只螢火蟲(chóng)的螢光素值，ρ∈(0，1)為與熒光素?fù)]發(fā)有關(guān)的常數(shù)，γ為表示熒光素更新率的常數(shù)，f(x_i(t))為第i只螢火蟲(chóng)的適應(yīng)度值；

步驟B5：基于如下公式更新各個(gè)螢火蟲(chóng)的位置：

其中，s為移動(dòng)步長(zhǎng)，x_j(t)-x_i(t)為第j只螢火蟲(chóng)與第i只螢火蟲(chóng)之間距離；

步驟B6：根據(jù)第i只螢火蟲(chóng)的鄰居密度，對(duì)第i只螢火蟲(chóng)的決策范圍進(jìn)行更新：

其中，為t+1代第i只螢火蟲(chóng)的決策范圍，r_s為第i只螢火蟲(chóng)的感知范圍，β為鄰域變化率，n_t為鄰居閾值；

步驟B7：若滿足終止條件，輸出全局最優(yōu)值為所述SVM預(yù)測(cè)模型最優(yōu)的懲罰系數(shù)及核參數(shù)，否則返回步驟B2。

優(yōu)選的，在所述輸入所述k個(gè)價(jià)格VM分量至經(jīng)過(guò)螢火蟲(chóng)算法優(yōu)化的SVM預(yù)測(cè)模型中進(jìn)行預(yù)測(cè)之前，所述方法還包括：

構(gòu)建待訓(xùn)練SVM預(yù)測(cè)模型的輸入輸出結(jié)構(gòu)；

基于訓(xùn)練樣本對(duì)所述待訓(xùn)練SVM預(yù)測(cè)模型的輸入輸出結(jié)構(gòu)進(jìn)行訓(xùn)練，得到所述SVM預(yù)測(cè)模型。

第二方面，本發(fā)明實(shí)施例提供了一種農(nóng)產(chǎn)品價(jià)格預(yù)測(cè)裝置，包括：

獲得單元，用于獲得第一類型農(nóng)產(chǎn)品的M個(gè)價(jià)格預(yù)測(cè)樣本，M至少為百數(shù)量級(jí)；

分解單元，用于通過(guò)VMD變分模態(tài)分解將所述M個(gè)價(jià)格預(yù)測(cè)樣本分解為k個(gè)具有不同振動(dòng)頻率特征的價(jià)格VM變分模態(tài)分量，其中，k為大于1的整數(shù)；

預(yù)測(cè)單元，用于輸入所述k個(gè)價(jià)格VM分量至經(jīng)過(guò)螢火蟲(chóng)算法優(yōu)化的SVM預(yù)測(cè)模型中進(jìn)行預(yù)測(cè)，以預(yù)測(cè)到與所述k個(gè)價(jià)格VM分量對(duì)應(yīng)的k個(gè)VM分量預(yù)測(cè)值；

線性疊加單元，用于將所述k個(gè)VM分量預(yù)測(cè)值線性疊加，以得到對(duì)所述第一類型農(nóng)產(chǎn)品的價(jià)格預(yù)測(cè)值。

優(yōu)選的，所述分解單元，具體用于：

步驟A1：初始化和n，其中，為所對(duì)應(yīng)的傅里葉轉(zhuǎn)換，為{λ¹}所對(duì)應(yīng)的傅里葉轉(zhuǎn)換，為初始化后中心頻率，u_k表示模態(tài)函數(shù)，λ為拉格朗日乘法算子，n代表迭代次數(shù)；

步驟A2：根據(jù)如下公式更新模態(tài)函數(shù)u_k：

以及根據(jù)如下公式更新中心頻率ω_k：

其中，為當(dāng)前剩余量的維納濾波，為當(dāng)前模態(tài)函數(shù)功率譜的重心，對(duì)應(yīng)為f(t)、u_i(t)、λ(t)、的傅里葉轉(zhuǎn)換，f(t)為所述價(jià)格預(yù)測(cè)樣本，u_i(t)為第i個(gè)模態(tài)函數(shù)，λ(t)表示拉格朗日乘法算子，為u_k經(jīng)過(guò)n+1次迭代后的值，1≤i≤k；

步驟A3：根據(jù)如下公式更新λ；

其中，為λ(ω)經(jīng)過(guò)n次迭代后的傅里葉轉(zhuǎn)換，τ為更新系數(shù)；

步驟A4：若則停止迭代，并將u_k的輸出作為k個(gè)價(jià)格VM分量，否則返回步驟A2。

優(yōu)選的，所述裝置還包括優(yōu)化單元，具體用于：基于所述螢火蟲(chóng)算法優(yōu)化所述SVM預(yù)測(cè)模型的懲罰系數(shù)和核參數(shù)。

優(yōu)選的，所述優(yōu)化單元，具體用于：

步驟B1：初始化熒光素?fù)]發(fā)系數(shù)ρ、熒光素增強(qiáng)因子γ、感知范圍r_s、鄰域變化率β、鄰居閾值n₁和移動(dòng)步長(zhǎng)s，隨機(jī)初始化每個(gè)螢火蟲(chóng)的位置；

步驟B2、基于所述價(jià)格預(yù)測(cè)樣本與所述SVM預(yù)測(cè)模型對(duì)所述價(jià)格預(yù)測(cè)樣本的擬合值之間誤差計(jì)算各個(gè)螢火蟲(chóng)的適應(yīng)度值，并基于各個(gè)螢火蟲(chóng)的適應(yīng)度值更新全局最優(yōu)值：

步驟B3：基于如下公式確定各個(gè)螢火蟲(chóng)的決策范圍內(nèi)的螢火蟲(chóng)個(gè)數(shù)：

其中，為第t次迭代后第i只螢火蟲(chóng)的決策范圍，x_j(t)-x_i(t)為第t次迭代后，第j只螢火蟲(chóng)與第i只螢火蟲(chóng)之間的距離，l_i(t)為在第t次迭代后第i只螢火蟲(chóng)的螢光素值，l_j(t)為在第t次迭代中第j只螢火蟲(chóng)的螢光素值；

步驟B4：基于如下公式更新各個(gè)螢火蟲(chóng)的熒光素：

l_i(t)＝(1-ρ)l_i(t-1)+γf(x_i(t))，

其中，l_i(t)為第t次迭代后第i只螢火蟲(chóng)的螢光素值，l_i(t-1)第t次迭代前第i只螢火蟲(chóng)的螢光素值，ρ∈(0，1)為與熒光素?fù)]發(fā)有關(guān)的常數(shù)，γ為表示熒光素更新率的常數(shù)，f(x_i(t))為第i只螢火蟲(chóng)的適應(yīng)度值。

步驟B5：基于如下公式更新各個(gè)螢火蟲(chóng)的位置：

其中，s為移動(dòng)步長(zhǎng)，x_j(t)-x_i(t)為第j只螢火蟲(chóng)與第i只螢火蟲(chóng)之間距離；

步驟B6：根據(jù)第i只螢火蟲(chóng)的鄰居密度，對(duì)第i只螢火蟲(chóng)的決策范圍進(jìn)行更新：

其中，為t+1代第i只螢火蟲(chóng)的決策范圍，r_s為第i只螢火蟲(chóng)的感知范圍，β為鄰域變化率，n_t為鄰居閾值；

步驟B7：若滿足終止條件，輸出全局最優(yōu)值為所述SVM預(yù)測(cè)模型最優(yōu)的懲罰系數(shù)及核參數(shù)，否則返回步驟B2。

優(yōu)選的，所述裝置還包括：

構(gòu)建單元，用于構(gòu)建待訓(xùn)練SVM預(yù)測(cè)模型的輸入輸出結(jié)構(gòu)；

訓(xùn)練單元，用于基于訓(xùn)練樣本對(duì)所述待訓(xùn)練SVM預(yù)測(cè)模型的輸入輸出結(jié)構(gòu)進(jìn)行訓(xùn)練，得到所述SVM預(yù)測(cè)模型。

本發(fā)明實(shí)施例提供的一個(gè)或多個(gè)實(shí)施例，至少具有如下技術(shù)效果或優(yōu)點(diǎn)：

通過(guò)VMD變分模態(tài)分解將M個(gè)價(jià)格預(yù)測(cè)樣本分解為k個(gè)具有不同振動(dòng)頻率特征的價(jià)格VM分量，其中，k為大于1的整數(shù)；輸入所述k個(gè)價(jià)格VM分量至經(jīng)過(guò)螢火蟲(chóng)算法優(yōu)化的SVM預(yù)測(cè)模型中進(jìn)行預(yù)測(cè)，以預(yù)測(cè)到與k個(gè)價(jià)格VM分量對(duì)應(yīng)的k個(gè)VM分量預(yù)測(cè)值；將k個(gè)VM分量預(yù)測(cè)值線性疊加得到對(duì)第一類型農(nóng)產(chǎn)品的價(jià)格預(yù)測(cè)值。從而由于通過(guò)VMD對(duì)價(jià)格預(yù)測(cè)樣本的時(shí)間序列進(jìn)行了分解，有效降低了原始數(shù)據(jù)本身具有的非平穩(wěn)性和非線性，進(jìn)而降低了大豆價(jià)格自身波動(dòng)性對(duì)預(yù)測(cè)結(jié)果造成的干擾，又通過(guò)螢火蟲(chóng)算法對(duì)預(yù)測(cè)模型進(jìn)行了優(yōu)化，提高了預(yù)測(cè)模型的預(yù)測(cè)準(zhǔn)確性，從而本發(fā)明實(shí)施例提高了對(duì)農(nóng)產(chǎn)品價(jià)格預(yù)測(cè)的預(yù)測(cè)精度。

附圖說(shuō)明

為了更清楚地說(shuō)明本發(fā)明實(shí)施例或現(xiàn)有技術(shù)中的技術(shù)方案，下面將對(duì)實(shí)施例或現(xiàn)有技術(shù)描述中所需要使用的附圖作簡(jiǎn)單地介紹，顯而易見(jiàn)地，下面描述中的附圖僅僅是本發(fā)明的實(shí)施例，對(duì)于本領(lǐng)域普通技術(shù)人員來(lái)講，在不付出創(chuàng)造性勞動(dòng)的前提下，還可以根據(jù)提供的附圖獲得其他的附圖。

圖1為本發(fā)明實(shí)施例中農(nóng)產(chǎn)品價(jià)格預(yù)測(cè)方法的流程圖；

圖2為本發(fā)明實(shí)施例中國(guó)際大豆期貨日收盤(pán)價(jià)格時(shí)間序列圖；

圖3為本發(fā)明實(shí)施例中對(duì)大豆價(jià)格時(shí)間序列進(jìn)行分解的結(jié)果；

圖4為現(xiàn)有預(yù)測(cè)模型與本發(fā)明實(shí)施例的預(yù)測(cè)結(jié)果的MAE值對(duì)比圖；

圖5為現(xiàn)有預(yù)測(cè)模型與本發(fā)明實(shí)施例的預(yù)測(cè)結(jié)果的RMSE值對(duì)比圖；

圖6為現(xiàn)有預(yù)測(cè)模型與本發(fā)明實(shí)施例的預(yù)測(cè)結(jié)果的MAPE值對(duì)比圖；

圖7為本發(fā)明實(shí)施例中農(nóng)產(chǎn)品價(jià)格預(yù)測(cè)裝置的功能模塊圖。

具體實(shí)施方式

為使本發(fā)明實(shí)施例的目的、技術(shù)方案和優(yōu)點(diǎn)更加清楚，下面將結(jié)合本發(fā)明實(shí)施例中的附圖，對(duì)本發(fā)明實(shí)施例中的技術(shù)方案進(jìn)行清楚、完整地描述，顯然，所描述的實(shí)施例是本發(fā)明一部分實(shí)施例，而不是全部的實(shí)施例?；诒景l(fā)明中的實(shí)施例，本領(lǐng)域普通技術(shù)人員在沒(méi)有作出創(chuàng)造性勞動(dòng)前提下所獲得的所有其他實(shí)施例，都屬于本發(fā)明保護(hù)的范圍。

本發(fā)明實(shí)施例提供的一種農(nóng)產(chǎn)品價(jià)格預(yù)測(cè)方法，較佳的，本發(fā)明實(shí)施例提供的農(nóng)產(chǎn)品價(jià)格預(yù)測(cè)方法應(yīng)用于對(duì)具有非平穩(wěn)性和非線性特征的農(nóng)產(chǎn)品價(jià)格數(shù)據(jù)序列進(jìn)行農(nóng)產(chǎn)品價(jià)格預(yù)測(cè)，比如，應(yīng)用于預(yù)測(cè)大豆、綠豆等農(nóng)產(chǎn)品的價(jià)格進(jìn)行預(yù)測(cè)。

參考圖1所示，本發(fā)明實(shí)施例提供的農(nóng)產(chǎn)品價(jià)格預(yù)測(cè)方法，包括：

S101、獲得第一類型農(nóng)產(chǎn)品的M個(gè)價(jià)格預(yù)測(cè)樣本，M至少為百數(shù)量級(jí)；

S102、通過(guò)VMD變分模態(tài)分解將M個(gè)價(jià)格預(yù)測(cè)樣本分解為k個(gè)具有不同振動(dòng)頻率特征的價(jià)格VM變分模態(tài)分量，其中，k為大于1的整數(shù)；

S103、輸入k個(gè)價(jià)格VM分量至經(jīng)過(guò)螢火蟲(chóng)算法優(yōu)化的SVM預(yù)測(cè)模型中進(jìn)行預(yù)測(cè)，以預(yù)測(cè)到與k個(gè)價(jià)格VM分量對(duì)應(yīng)的k個(gè)VM分量預(yù)測(cè)值；

S104、將k個(gè)VM分量預(yù)測(cè)值線性疊加，以得到對(duì)第一類型農(nóng)產(chǎn)品的價(jià)格預(yù)測(cè)值。

下面，結(jié)合圖1，對(duì)本發(fā)明實(shí)施例提供的農(nóng)產(chǎn)品價(jià)格預(yù)測(cè)方法的每個(gè)實(shí)現(xiàn)步驟進(jìn)行詳細(xì)描述：

首先，執(zhí)行S101、獲得第一類型農(nóng)產(chǎn)品的M個(gè)價(jià)格預(yù)測(cè)樣本，M至少為百數(shù)量級(jí)；

具體來(lái)講，M個(gè)價(jià)格預(yù)測(cè)樣本具體為：預(yù)設(shè)時(shí)間段內(nèi)連續(xù)的M個(gè)價(jià)格預(yù)測(cè)樣本，具體的，M個(gè)價(jià)格預(yù)測(cè)樣本從期貨交易平臺(tái)獲得。

針對(duì)獲得大豆的價(jià)格預(yù)測(cè)樣本、可以但是現(xiàn)與采用預(yù)設(shè)時(shí)間段內(nèi)CBOT(Chicago Board of Trade，芝加哥期貨交易所)國(guó)際大豆期貨日收盤(pán)價(jià)格，舉例來(lái)講，預(yù)設(shè)時(shí)間段為時(shí)間區(qū)間2012年1月3日至2016年7月29日，參考圖2所示，2012年1月3日至2016年7月29日的CBOT國(guó)際大豆期貨日收盤(pán)價(jià)格時(shí)間序列作為大豆價(jià)格樣本，則大豆價(jià)格樣本總量為1147個(gè)。其中，大豆價(jià)格樣本的前部分作為訓(xùn)練樣本，另一部分用于預(yù)測(cè)所需的M個(gè)價(jià)格預(yù)測(cè)樣本。比如，將大豆價(jià)格樣本的前947個(gè)數(shù)據(jù)(2012年1月3日至2015年10月13日，占比82.6％)作為訓(xùn)練樣本對(duì)待訓(xùn)練SVM預(yù)測(cè)模型進(jìn)行訓(xùn)練，后200個(gè)數(shù)據(jù)(2015年10月14日至2016年7月29日，占比17.4％)作為價(jià)格預(yù)測(cè)樣本用于測(cè)試。

在S101之后，接著執(zhí)行S102：通過(guò)VMD(Variational Mode Decomposition，變分模態(tài)分解)將M個(gè)價(jià)格預(yù)測(cè)樣本分解為k個(gè)具有不同振動(dòng)頻率特征的價(jià)格VM(Variational Mode，變分模態(tài))分量，其中，k為大于1的整數(shù)。

在一具體實(shí)施例中，不同振動(dòng)頻率特征指的是在單位時(shí)間內(nèi)振動(dòng)次數(shù)不同。比如，分解為10個(gè)價(jià)格VM分量。10個(gè)價(jià)格VM分量在單位時(shí)間內(nèi)具有不同的振動(dòng)次數(shù)。

需要說(shuō)明的是，各個(gè)價(jià)格VM分量的模態(tài)均為具有中心頻率的有限帶寬，使每個(gè)模態(tài)的帶寬估計(jì)之和最小。

下面，對(duì)分解為k個(gè)具有不同振動(dòng)頻率特征的價(jià)格VM分量的分解過(guò)程進(jìn)行描述：

步驟A1：初始化和n，其中，為所對(duì)應(yīng)的傅里葉轉(zhuǎn)換，為{λ¹}所對(duì)應(yīng)的傅里葉轉(zhuǎn)換，為初始化后中心頻率，u_k表示模態(tài)函數(shù)，λ為拉格朗日乘法算子，n代表迭代次數(shù)；為u_k的初始化，{λ¹}為λ的初始化。

具體來(lái)講，首先，將M個(gè)價(jià)格預(yù)測(cè)樣本分解為k個(gè)模態(tài)函數(shù)，每個(gè)模態(tài)函數(shù)均為具有中心頻率的有限帶寬，使每個(gè)模態(tài)函數(shù)的帶寬估計(jì)之和最小，約束條件為：M個(gè)價(jià)格預(yù)測(cè)樣本與各模態(tài)之和相等，則約束變分問(wèn)題表示為如下：

其中，f(t)為價(jià)格預(yù)測(cè)樣本，u_k是價(jià)格預(yù)測(cè)樣本f(t)的模態(tài)函數(shù)，ω_k,δ(t)和對(duì)應(yīng)代表u_k的中心頻率、Dirac分布以及卷積算子；k代表模態(tài)函數(shù)的數(shù)量，t為時(shí)間。

之后求得該約束變分問(wèn)題的最優(yōu)解，具體通過(guò)引入增廣拉格朗日函數(shù)將約束性變分問(wèn)題轉(zhuǎn)化為非約束性變分問(wèn)題，如下式所示：

其中，α為二次懲罰因子，λ(t)為拉格朗日乘法算子。

具體的，在本發(fā)明實(shí)施例中，VMD模型采用ADMM(alternate direction method of multipliers，乘法算子交替方向法)求解非約束性變分問(wèn)題，得到最優(yōu)解。

步驟A2：根據(jù)如下公式更新模態(tài)函數(shù)u_k：

以及根據(jù)如下公式更新中心頻率ω_k：

其中，為當(dāng)前剩余量的維納濾波，為當(dāng)前模態(tài)函數(shù)功率譜的重心，對(duì)應(yīng)為f(t)、u_i(t)、λ(t)、的傅里葉轉(zhuǎn)換，f(t)為所述價(jià)格預(yù)測(cè)樣本，u_i(t)為第i個(gè)模態(tài)函數(shù)，λ(t)表示拉格朗日乘法算子，為u_k經(jīng)過(guò)n+1次迭代后的值，1≤i≤k；

步驟A3、根據(jù)如下公式更新λ；

其中，為經(jīng)過(guò)n次迭代后的傅里葉轉(zhuǎn)換，τ為更新系數(shù)。

步驟A4：若則停止迭代，并將u_k的輸出作為k個(gè)價(jià)格VM分量，否則返回步驟A2。

在本發(fā)明實(shí)施例中，給定停止條件e>0。

通過(guò)上述交替更新和λⁿ⁺¹求擴(kuò)展拉格朗日表達(dá)式的鞍點(diǎn)，得到k個(gè)價(jià)格VM分量。

舉例來(lái)講，參考圖3所示，將圖1所示的CBOT國(guó)際大豆期貨日收盤(pán)價(jià)格時(shí)間序列，分解為價(jià)格VM分量1～VM分量10。

接著，執(zhí)行S103：輸入k個(gè)價(jià)格VM分量至經(jīng)過(guò)螢火蟲(chóng)算法優(yōu)化的SVM預(yù)測(cè)模型中進(jìn)行預(yù)測(cè)，以預(yù)測(cè)到與k個(gè)價(jià)格VM分量對(duì)應(yīng)的k個(gè)VM分量預(yù)測(cè)值。

在具體實(shí)施過(guò)程中，構(gòu)建待訓(xùn)練SVM預(yù)測(cè)模型的輸入輸出結(jié)構(gòu)；基于訓(xùn)練樣本對(duì)待訓(xùn)練SVM預(yù)測(cè)模型的輸入輸出結(jié)構(gòu)進(jìn)行訓(xùn)練，得到SVM預(yù)測(cè)模型。再通過(guò)螢火蟲(chóng)算法對(duì)SVM預(yù)測(cè)模型的懲罰系數(shù)和核參數(shù)進(jìn)行優(yōu)化。

具體的，待訓(xùn)練SVM預(yù)測(cè)模型的輸入輸出結(jié)構(gòu)由如下方式確定：原始序列中的連續(xù)8個(gè)訓(xùn)練樣本進(jìn)行預(yù)測(cè)，得到預(yù)測(cè)值，表示為：x'₉＝f(x_i,x_i+1,…,x_i+7)，其中，x_i,x_i+1,…,x_i+7為從第i個(gè)訓(xùn)練樣本起的連續(xù)8個(gè)訓(xùn)練樣本，其中，i＝1,2,…,n-8，x'₉為基于8個(gè)訓(xùn)練樣本的預(yù)測(cè)值，f為待訓(xùn)練SVM預(yù)測(cè)模型。依次循環(huán)，從而通過(guò)訓(xùn)練樣本對(duì)待訓(xùn)練SVM預(yù)測(cè)模型進(jìn)行訓(xùn)練后得到SVM預(yù)測(cè)模型。

具體的，通過(guò)螢火蟲(chóng)算法對(duì)SVM預(yù)測(cè)模型的懲罰系數(shù)和核參數(shù)進(jìn)行優(yōu)化的過(guò)程如下：

步驟B1：初始化熒光素?fù)]發(fā)系數(shù)ρ、熒光素增強(qiáng)因子γ、感知范圍r_s、鄰域變化率β、鄰居閾值n₁和移動(dòng)步長(zhǎng)s，隨機(jī)初始化每個(gè)螢火蟲(chóng)的位置；

步驟B2：基于價(jià)格預(yù)測(cè)樣本與SVM預(yù)測(cè)模型對(duì)價(jià)格預(yù)測(cè)樣本的擬合值之間誤差計(jì)算各個(gè)螢火蟲(chóng)的適應(yīng)度值，并基于各個(gè)螢火蟲(chóng)的適應(yīng)度值更新全局最優(yōu)值。

具體的，適應(yīng)度函數(shù)為：

其中，y_i為訓(xùn)練樣本的實(shí)際值，為訓(xùn)練樣本的預(yù)測(cè)值，在本實(shí)施例中，n為訓(xùn)練樣本的數(shù)量，對(duì)種群中的每個(gè)螢火蟲(chóng)按適應(yīng)度函數(shù)計(jì)算在第t代、位置x_i(t)處的適應(yīng)度值。之后基于各個(gè)螢火蟲(chóng)的適應(yīng)度值確定第t代的最優(yōu)解，將第t代的最優(yōu)解更新為全局最優(yōu)解。

步驟B3、基于如下公式確定各個(gè)螢火蟲(chóng)的決策范圍內(nèi)的螢火蟲(chóng)個(gè)數(shù)：

其中，為第t次迭代后第i只螢火蟲(chóng)的決策范圍，x_j(t)-x_i(t)為第t次迭代后，第j只螢火蟲(chóng)與第i只螢火蟲(chóng)之間的距離，l_i(t)為在第t次迭代后第i只螢火蟲(chóng)的螢光素值，l_j(t)為在第t次迭代中第j只螢火蟲(chóng)的螢光素值。

步驟B4：基于如下公式更新各個(gè)螢火蟲(chóng)的熒光素：

l_i(t)＝(1-ρ)l_i(t-1)+γf(x_i(t))，

其中，l_i(t)為第t次迭代后第i只螢火蟲(chóng)的螢光素值，l_i(t-1)第t次迭代前第i只螢火蟲(chóng)的螢光素值，ρ∈(0，1)為與熒光素?fù)]發(fā)有關(guān)的常數(shù)，γ為表示熒光素更新率的常數(shù)，f(x_i(t))為第i只螢火蟲(chóng)的適應(yīng)度值。

步驟B5：基于如下公式更新各個(gè)螢火蟲(chóng)的位置：

其中，s為移動(dòng)步長(zhǎng)，x_j(t)-x_i(t)為第j只螢火蟲(chóng)與第i只螢火蟲(chóng)之間的距離。

具體來(lái)講，基于如下公式更新各個(gè)螢火蟲(chóng)的位置之前，需要進(jìn)行如下步驟：當(dāng)?shù)趇只螢火蟲(chóng)尋找到具有更高螢光素值的第j只螢火蟲(chóng)時(shí)，且若此時(shí)第i只螢火蟲(chóng)和第j只螢火蟲(chóng)的距離小于第i只螢火蟲(chóng)的感知范圍，則第i只螢火蟲(chóng)以概率p_ij(t)向第j只螢火蟲(chóng)方向移動(dòng)，p_ij(t)用如下公式計(jì)算；

l_i(t)為在第t次迭代中第i螢火蟲(chóng)的螢光素值，l_j(t)為在第t次迭代中第j只螢火蟲(chóng)的螢光素值，則第i只螢火蟲(chóng)以概率p_ij(t)向第j只螢火蟲(chóng)方向移動(dòng)，然后再更新各個(gè)螢火蟲(chóng)的位置。

步驟B6：根據(jù)第i只螢火蟲(chóng)的鄰居密度，對(duì)第i只螢火蟲(chóng)的決策范圍進(jìn)行更新：

其中，為t+1代第i只螢火蟲(chóng)的決策范圍，r_s為第i只螢火蟲(chóng)的感知范圍，β為鄰域變化率，n_t為鄰居閾值；

步驟B7：若滿足終止條件，輸出全局最優(yōu)值為SVM預(yù)測(cè)模型最優(yōu)的懲罰系數(shù)及核參數(shù)，否則返回步驟B2。

具體的，達(dá)到最大迭代次數(shù)，輸出全局最優(yōu)值為SVM預(yù)測(cè)模型最優(yōu)的懲罰系數(shù)及核參數(shù)，否則返回步驟B2。

具體的，輸入k個(gè)價(jià)格VM分量至經(jīng)過(guò)螢火蟲(chóng)算法優(yōu)化的SVM預(yù)測(cè)模型中進(jìn)行預(yù)測(cè)，具體包括：

首先，步驟C1：設(shè)置樣本集為{(x_i,y_i)},i＝1,2,…,n,x_i∈R,y_i∈R，n為價(jià)格預(yù)測(cè)樣本數(shù)量，b∈R，b為閾值。這里樣本集中x_i為訓(xùn)練樣本中的前M-8個(gè)，y_i為M個(gè)訓(xùn)練樣本中的后M-8個(gè)。

接著，步驟C2：根據(jù)機(jī)構(gòu)風(fēng)險(xiǎn)最小化原則轉(zhuǎn)化為如下求解最優(yōu)化問(wèn)題：

其中，0≤α_i≤c,i＝1,…,l，l為輸入向量維數(shù)，通過(guò)引入拉格朗日對(duì)偶定理求解得到最優(yōu)化問(wèn)題的最優(yōu)解為：

再接著，步驟C3：選取α^*的一個(gè)正分量并據(jù)此計(jì)算閾值；

步驟C4：通過(guò)構(gòu)造決策函數(shù)得到支持向量機(jī)回歸函數(shù)f(x)為：

需要說(shuō)明的是，本發(fā)明實(shí)施例采用徑向基(RBF)函數(shù)作為核函數(shù)，從而收斂性更強(qiáng)，即核函數(shù)為：

需要說(shuō)明的是，在本發(fā)明實(shí)施例中，步驟A1～A4中參數(shù)定義、步驟B1～B7中的參數(shù)定義、步驟C1～C4中參數(shù)定義互不沿用。

在S103之后，接著執(zhí)行S104：將k個(gè)VM分量預(yù)測(cè)值線性疊加，以得到對(duì)第一類型農(nóng)產(chǎn)品的價(jià)格預(yù)測(cè)值。

在具體實(shí)施過(guò)程中，采用平均絕對(duì)誤差(MAE)、均方根誤差(RMSE)、平均絕對(duì)百分誤差(MAPE)來(lái)衡量各預(yù)測(cè)模型的預(yù)測(cè)精度。具體的，參考圖4～圖6所示的現(xiàn)有BP預(yù)測(cè)模型、現(xiàn)有SVM預(yù)測(cè)模型，現(xiàn)有VMD-SVM預(yù)測(cè)模型、以及本發(fā)明實(shí)施例的預(yù)測(cè)結(jié)果的MAE、RMSE、MAPE，通過(guò)對(duì)比可以看出，通過(guò)本發(fā)明實(shí)施例得到的預(yù)測(cè)結(jié)果MAE、RMSE、MAPE三項(xiàng)指標(biāo)均為最小，表明本發(fā)明實(shí)施例具有更高的預(yù)測(cè)精度，特別適合處理波動(dòng)性強(qiáng)、非平穩(wěn)、非線性的龍產(chǎn)品價(jià)格預(yù)測(cè)。

基于同一發(fā)明構(gòu)思，本發(fā)明實(shí)施例提供了一種農(nóng)產(chǎn)品價(jià)格預(yù)測(cè)裝置，參考圖7所示，包括：

獲得單元201，用于獲得第一類型農(nóng)產(chǎn)品的M個(gè)價(jià)格預(yù)測(cè)樣本，M至少為百數(shù)量級(jí)；

分解單元202，用于通過(guò)VMD變分模態(tài)分解將M個(gè)價(jià)格預(yù)測(cè)樣本分解為k個(gè)具有不同振動(dòng)頻率特征的價(jià)格VM變分模態(tài)分量，其中，k為大于1的整數(shù)；

預(yù)測(cè)單元203，用于輸入k個(gè)價(jià)格VM分量至經(jīng)過(guò)螢火蟲(chóng)算法優(yōu)化的SVM預(yù)測(cè)模型中進(jìn)行預(yù)測(cè)，以預(yù)測(cè)到與k個(gè)價(jià)格VM分量對(duì)應(yīng)的k個(gè)VM分量預(yù)測(cè)值；

線性疊加單元204，用于將k個(gè)VM分量預(yù)測(cè)值線性疊加，以得到對(duì)第一類型農(nóng)產(chǎn)品的價(jià)格預(yù)測(cè)值。

優(yōu)選的，分解單元202，具體用于執(zhí)行：

步驟A1：初始化和n，其中，為所對(duì)應(yīng)的傅里葉轉(zhuǎn)換，為{λ¹}所對(duì)應(yīng)的傅里葉轉(zhuǎn)換，為初始化后中心頻率，u_k表示模態(tài)函數(shù)，λ為拉格朗日乘法算子，n代表迭代次數(shù)；

步驟A2：根據(jù)如下公式更新模態(tài)函數(shù)u_k：

以及根據(jù)如下公式更新中心頻率ω_k：

其中，為當(dāng)前剩余量的維納濾波，為當(dāng)前模態(tài)函數(shù)功率譜的重心，對(duì)應(yīng)為f(t)、u_i(t)、λ(t)、的傅里葉轉(zhuǎn)換，f(t)為所述價(jià)格預(yù)測(cè)樣本，u_i(t)為第i個(gè)模態(tài)函數(shù)，λ(t)表示拉格朗日乘法算子，為u_k經(jīng)過(guò)n+1次迭代后的值，1≤i≤k；

步驟A3：根據(jù)如下公式更新λ；

其中，為λ(ω)經(jīng)過(guò)n次迭代后的傅里葉轉(zhuǎn)換，τ為更新系數(shù)；

步驟A4：若則停止迭代，并將u_k的輸出作為k個(gè)價(jià)格VM分量，否則返回步驟A2。

優(yōu)選的，裝置還包括優(yōu)化單元，具體用于執(zhí)行：基于螢火蟲(chóng)算法優(yōu)化SVM預(yù)測(cè)模型的懲罰系數(shù)和核參數(shù)。

優(yōu)選的，優(yōu)化單元，具體用于執(zhí)行：

步驟B1：初始化熒光素?fù)]發(fā)系數(shù)ρ、熒光素增強(qiáng)因子γ、感知范圍r_s、鄰域變化率β、鄰居閾值n₁和移動(dòng)步長(zhǎng)s，隨機(jī)初始化每個(gè)螢火蟲(chóng)的位置；

步驟B2、基于所述價(jià)格預(yù)測(cè)樣本與所述SVM預(yù)測(cè)模型對(duì)所述價(jià)格預(yù)測(cè)樣本的擬合值之間誤差計(jì)算各個(gè)螢火蟲(chóng)的適應(yīng)度值，并基于各個(gè)螢火蟲(chóng)的適應(yīng)度值更新全局最優(yōu)值：

步驟B3：基于如下公式確定各個(gè)螢火蟲(chóng)的決策范圍內(nèi)的螢火蟲(chóng)個(gè)數(shù)：

其中，為第t次迭代后第i只螢火蟲(chóng)的決策范圍，x_j(t)-x_i(t)為第t次迭代后，第j只螢火蟲(chóng)與第i只螢火蟲(chóng)之間的距離，l_i(t)為在第t次迭代后第i只螢火蟲(chóng)的螢光素值，l_j(t)為在第t次迭代中第j只螢火蟲(chóng)的螢光素值；

步驟B4：基于如下公式更新各個(gè)螢火蟲(chóng)的熒光素：

l_i(t)＝(1-ρ)l_i(t-1)+γf(x_i(t))，

其中，l_i(t)為第t次迭代后第i只螢火蟲(chóng)的螢光素值，l_i(t-1)第t次迭代前第i只螢火蟲(chóng)的螢光素值，ρ∈(0，1)為與熒光素?fù)]發(fā)有關(guān)的常數(shù)，γ為表示熒光素更新率的常數(shù)，f(x_i(t))為第i只螢火蟲(chóng)的適應(yīng)度值。

步驟B5：基于如下公式更新各個(gè)螢火蟲(chóng)的位置：

其中，s為移動(dòng)步長(zhǎng)，x_j(t)-x_i(t)為第j只螢火蟲(chóng)與第i只螢火蟲(chóng)之間距離。

步驟B6：根據(jù)第i只螢火蟲(chóng)的鄰居密度，對(duì)第i只螢火蟲(chóng)的決策范圍進(jìn)行更新：

其中，為t+1代第i只螢火蟲(chóng)的決策范圍，r_s為第i只螢火蟲(chóng)的感知范圍，β為鄰域變化率，n_t為鄰居閾值；

步驟B7：若滿足終止條件，輸出全局最優(yōu)值為所述SVM預(yù)測(cè)模型最優(yōu)的懲罰系數(shù)及核參數(shù)，否則返回步驟B2。

優(yōu)選的，裝置還包括：

構(gòu)建單元，用于構(gòu)建待訓(xùn)練SVM預(yù)測(cè)模型的輸入輸出結(jié)構(gòu)；

訓(xùn)練單元，用于基于訓(xùn)練樣本對(duì)待訓(xùn)練SVM預(yù)測(cè)模型的輸入輸出結(jié)構(gòu)進(jìn)行訓(xùn)練，得到SVM預(yù)測(cè)模型。

由于本發(fā)明實(shí)施例所介紹的裝置，為實(shí)施本發(fā)明實(shí)施例中農(nóng)產(chǎn)品價(jià)格預(yù)測(cè)的方法所采用的電子設(shè)備，故而基于本發(fā)明實(shí)施例所介紹的農(nóng)產(chǎn)品價(jià)格預(yù)測(cè)方法，本領(lǐng)域所屬人員能夠了解該裝置的具體結(jié)構(gòu)及變形，故而在此不再贅述。凡是本發(fā)明實(shí)施例農(nóng)產(chǎn)品價(jià)格預(yù)測(cè)方法所采用的裝置都屬于本發(fā)明所欲保護(hù)的范圍。

本發(fā)明實(shí)施例提供的一個(gè)或多個(gè)實(shí)施例，至少具有如下技術(shù)效果或優(yōu)點(diǎn)：

通過(guò)VMD變分模態(tài)分解將M個(gè)價(jià)格預(yù)測(cè)樣本分解為k個(gè)具有不同振動(dòng)頻率特征的價(jià)格VM分量，其中，k為大于1的整數(shù)；輸入k個(gè)價(jià)格VM分量至經(jīng)過(guò)螢火蟲(chóng)算法優(yōu)化的SVM預(yù)測(cè)模型中進(jìn)行預(yù)測(cè)，以預(yù)測(cè)到與k個(gè)價(jià)格VM分量對(duì)應(yīng)的k個(gè)VM分量預(yù)測(cè)值；將k個(gè)VM分量預(yù)測(cè)值線性疊加得到對(duì)第一類型農(nóng)產(chǎn)品的價(jià)格預(yù)測(cè)值。從而由于通過(guò)VMD對(duì)價(jià)格預(yù)測(cè)樣本的時(shí)間序列進(jìn)行了分解，有效降低了原始數(shù)據(jù)本身具有的非平穩(wěn)性和非線性，進(jìn)而降低了大豆價(jià)格自身波動(dòng)性對(duì)預(yù)測(cè)結(jié)果造成的干擾，又通過(guò)螢火蟲(chóng)算法對(duì)預(yù)測(cè)模型進(jìn)行了優(yōu)化，提高了預(yù)測(cè)模型的預(yù)測(cè)準(zhǔn)確性，從而本發(fā)明實(shí)施例提高了對(duì)農(nóng)產(chǎn)品價(jià)格預(yù)測(cè)的預(yù)測(cè)精度。

在此提供的算法和顯示不與任何特定計(jì)算機(jī)、虛擬系統(tǒng)或者其它設(shè)備固有相關(guān)。各種通用系統(tǒng)也可以與基于在此的示教一起使用。根據(jù)上面的各描述，構(gòu)造這類系統(tǒng)所要求的結(jié)構(gòu)是顯而易見(jiàn)的。此外，本發(fā)明也不針對(duì)任何特定編程語(yǔ)言。應(yīng)當(dāng)明白，可以利用各種編程語(yǔ)言實(shí)現(xiàn)在此描述的本發(fā)明的內(nèi)容，并且上面對(duì)特定語(yǔ)言所做的描述是為了披露本發(fā)明的最佳實(shí)施方式。

在此處所提供的說(shuō)明書(shū)中，說(shuō)明了大量具體細(xì)節(jié)。然而，能夠理解，本發(fā)明的實(shí)施例可以在沒(méi)有這些具體細(xì)節(jié)的情況下實(shí)踐。在一些實(shí)例中，并未詳細(xì)示出公知的方法、結(jié)構(gòu)和技術(shù)，以便不模糊對(duì)本說(shuō)明書(shū)的理解。

類似地，應(yīng)當(dāng)理解，為了精簡(jiǎn)本公開(kāi)并幫助理解各個(gè)發(fā)明方面中的一個(gè)或多個(gè)，在上面對(duì)本發(fā)明的示例性實(shí)施例的描述中，本發(fā)明的各個(gè)特征有時(shí)被一起分組到單個(gè)實(shí)施例、圖、或者對(duì)其的描述中。然而，并不應(yīng)將該公開(kāi)的方法解釋成反映如下意圖：即所要求保護(hù)的本發(fā)明要求比在每個(gè)權(quán)利要求中所明確記載的特征更多的特征。更確切地說(shuō)，如下面的權(quán)利要求書(shū)所反映的那樣，發(fā)明方面在于少于前面公開(kāi)的單個(gè)實(shí)施例的所有特征。因此，遵循具體實(shí)施方式的權(quán)利要求書(shū)由此明確地并入該具體實(shí)施方式，其中每個(gè)權(quán)利要求本身都作為本發(fā)明的單獨(dú)實(shí)施例。

本領(lǐng)域那些技術(shù)人員可以理解，可以對(duì)實(shí)施例中的設(shè)備中的模塊進(jìn)行自適應(yīng)性地改變并且把它們?cè)O(shè)置在與該實(shí)施例不同的一個(gè)或多個(gè)設(shè)備中?？梢园褜?shí)施例中的模塊或單元或組件組合成一個(gè)模塊或單元或組件，以及此外可以把它們分成多個(gè)子模塊或子單元或子組件。除了這樣的特征和/或過(guò)程或者單元中的至少一些是相互排斥之外，可以采用任何組合對(duì)本說(shuō)明書(shū)(包括伴隨的權(quán)利要求、摘要和附圖)中公開(kāi)的所有特征以及如此公開(kāi)的任何方法或者設(shè)備的所有過(guò)程或單元進(jìn)行組合。除非另外明確陳述，本說(shuō)明書(shū)(包括伴隨的權(quán)利要求、摘要和附圖)中公開(kāi)的每個(gè)特征可以由提供相同、等同或相似目的的替代特征來(lái)代替。

此外，本領(lǐng)域的技術(shù)人員能夠理解，盡管在此的一些實(shí)施例包括其它實(shí)施例中所包括的某些特征而不是其它特征，但是不同實(shí)施例的特征的組合意味著處于本發(fā)明的范圍之內(nèi)并且形成不同的實(shí)施例。例如，在下面的權(quán)利要求書(shū)中，所要求保護(hù)的實(shí)施例的任意之一都可以以任意的組合方式來(lái)使用。

本發(fā)明的各個(gè)部件實(shí)施例可以以硬件實(shí)現(xiàn)，或者以在一個(gè)或者多個(gè)處理器上運(yùn)行的軟件模塊實(shí)現(xiàn)，或者以它們的組合實(shí)現(xiàn)。本領(lǐng)域的技術(shù)人員應(yīng)當(dāng)理解，可以在實(shí)踐中使用微處理器或者數(shù)字信號(hào)處理器(DSP)來(lái)實(shí)現(xiàn)根據(jù)本發(fā)明實(shí)施例的智能攝像系統(tǒng)以及網(wǎng)絡(luò)攝像頭中的一些或者全部部件的一些或者全部功能。本發(fā)明還可以實(shí)現(xiàn)為用于執(zhí)行這里所描述的方法的一部分或者全部的設(shè)備或者系統(tǒng)程序(如計(jì)算機(jī)程序和計(jì)算機(jī)程序產(chǎn)品)。這樣的實(shí)現(xiàn)本發(fā)明的程序可以存儲(chǔ)在計(jì)算機(jī)可讀介質(zhì)上，或者可以具有一個(gè)或者多個(gè)信號(hào)的形式。這樣的信號(hào)可以從因特網(wǎng)網(wǎng)站上下載得到，或者在載體信號(hào)上提供，或者以任何其他形式提供。

應(yīng)該注意的是，上述各實(shí)施例對(duì)本發(fā)明進(jìn)行說(shuō)明而不是對(duì)本發(fā)明進(jìn)行限制，并且本領(lǐng)域技術(shù)人員在不脫離所附權(quán)利要求的范圍的情況下可設(shè)計(jì)出替換實(shí)施例。在權(quán)利要求中，不應(yīng)該將位于括號(hào)之間的任何參考符號(hào)構(gòu)造成對(duì)權(quán)利要求的限制。單詞“包含”不排除存在未列在權(quán)利要求中的元件或者步驟。位于元件之前的單詞“一”或“一個(gè)”不排除存在多個(gè)這樣的元件。本發(fā)明可以借助于包括有若干不同元件的硬件以及借助于適當(dāng)編程的計(jì)算機(jī)來(lái)實(shí)現(xiàn)。在列舉了若干系統(tǒng)的單元權(quán)利要求中，這些系統(tǒng)中的若干個(gè)可以是通過(guò)同一個(gè)硬件項(xiàng)來(lái)具體體現(xiàn)。單詞第一、第二以及第三等的使用不表示任何順序。可將這些單詞解釋為名稱。