技術(shù)特征：

1.一種農(nóng)產(chǎn)品價格預(yù)測方法，其特征在于，包括：

獲得第一類型農(nóng)產(chǎn)品的M個價格預(yù)測樣本，M至少為百數(shù)量級；

通過VMD變分模態(tài)分解將所述M個價格預(yù)測樣本分解為k個具有不同振動頻率特征的價格VM變分模態(tài)分量，其中，k為大于1的整數(shù)；

輸入所述k個價格VM分量至經(jīng)過螢火蟲算法優(yōu)化的SVM預(yù)測模型中進行預(yù)測，以預(yù)測到與所述k個價格VM分量對應(yīng)的k個VM分量預(yù)測值；

將所述k個VM分量預(yù)測值線性疊加，以得到對所述第一類型農(nóng)產(chǎn)品的價格預(yù)測值。

2.如權(quán)利要求1所述的農(nóng)產(chǎn)品價格預(yù)測方法，其特征在于，所述通過VMD變分模態(tài)分解將所述M個價格預(yù)測樣本分解為k個具有不同振動頻率特征的價格VM分量，包括：

步驟A1：初始化和n，其中，為所對應(yīng)的傅里葉轉(zhuǎn)換，為{λ¹}所對應(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：

${\widehat{\mathrm{\μ}}}_k^{n+1}\left(\mathrm{\ω}\right)=\frac{\hat{f}\left(\mathrm{\ω}\right)-\underset{i\≠k}{\mathrm{\Σ}}\widehat{\mathrm{\μ}}\left(\mathrm{\ω}\right)+\frac{\widehat{\mathrm{\λ}}\left(\mathrm{\ω}\right)}{2}}{1+2\mathrm{\α}{(\mathrm{\ω}-{\mathrm{\ω}}_k)}^2},$

以及根據(jù)如下公式更新中心頻率ω_k：

${\mathrm{\ω}}_k^{n+1}=\frac{{\∫}_0^{\mathrm{\∞}}\mathrm{\ω}{\left|{\hat{y}}_k^{n+1}\left(\mathrm{\ω}\right)\right|}^{2}d\mathrm{\ω}}{{\∫}_0^{\mathrm{\∞}}{\left|{\hat{y}}_k^{n+1}\left(\mathrm{\ω}\right)\right|}^{2}d\mathrm{\ω}},$

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，對應(yīng)為f(t)、u_i(t)、λ(t)、的傅里葉轉(zhuǎn)換，f(t)為所述價格預(yù)測樣本，u_i(t)為第i個模態(tài)函數(shù)，λ(t)表示拉格朗日乘法算子，為u_k經(jīng)過n+1次迭代后的值，1≤i≤k；

步驟A3：根據(jù)如下公式更新λ；

${\widehat{\mathrm{\λ}}}^{n+1}\left(\mathrm{\ω}\right)\←{\widehat{\mathrm{\λ}}}^n\left(\mathrm{\ω}\right)+\mathrm{\τ}\[\hat{f}\left(\mathrm{\ω}\right)-\underset{1}{\overset{k}{\mathrm{\Σ}}}{\widehat{\mathrm{\μ}}}_k^{n+1}\left(\mathrm{\ω}\right)\],$

其中，為λ(ω)經(jīng)過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個價格VM分量，否則返回步驟A2。

3.如權(quán)利要求1所述的農(nóng)產(chǎn)品價格預(yù)測方法，其特征在于，在所述輸入所述k個價格VM分量至經(jīng)過螢火蟲算法優(yōu)化的SVM預(yù)測模型中進行預(yù)測之前，所述方法還包括：基于所述螢火蟲算法優(yōu)化所述SVM預(yù)測模型的懲罰系數(shù)和核參數(shù)。

4.如權(quán)利要求3所述的農(nóng)產(chǎn)品價格預(yù)測方法，其特征在于，所述基于所述螢火蟲算法優(yōu)化所述SVM預(yù)測模型的懲罰系數(shù)和核參數(shù)，包括如下步驟：

步驟B1：初始化熒光素揮發(fā)系數(shù)ρ、熒光素增強因子γ、感知范圍r_s、鄰域變化率β、鄰居閾值n₁和移動步長s，隨機初始化每個螢火蟲的位置；

步驟B2、基于所述價格預(yù)測樣本與所述SVM預(yù)測模型對所述價格預(yù)測樣本的擬合值之間誤差計算各個螢火蟲的適應(yīng)度值，并基于各個螢火蟲的適應(yīng)度值更新全局最優(yōu)值：

步驟B3：基于如下公式確定各個螢火蟲的決策范圍內(nèi)的螢火蟲個數(shù)：

$N_i^t=\{j:||x_j\left(t\right)-x_i\left(t\right)||\<r_d^i;l_i\left(t\right)\<l_j\left(t\right)\},$

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

步驟B4：基于如下公式更新各個螢火蟲的熒光素：

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只螢火蟲的螢光素值，l_i(t-1)第t次迭代前第i只螢火蟲的螢光素值，ρ∈(0，1)為與熒光素揮發(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只螢火蟲的適應(yīng)度值；

步驟B5：基于如下公式更新各個螢火蟲的位置：

$x_i(t+1)=x_i\left(t\right)+s\left(\frac{x_j\left(t\right)-x_i\left(t\right)}{\left|\right|x_j\left(t\right)-x_i\left(t\right)\left|\right|}\right),$

其中，s為移動步長，x_j(t)-x_i(t)為第j只螢火蟲與第i只螢火蟲之間距離；

步驟B6：根據(jù)第i只螢火蟲的鄰居密度，對第i只螢火蟲的決策范圍進行更新：

$r_d^i(t+1)=min\{r_s,max\{0,r_d^i\left(t\right)+\mathrm{\β}(n_t-|N_i\left(t\right)\left|\right\}\},$

其中，為t+1代第i只螢火蟲的決策范圍，r_s為第i只螢火蟲的感知范圍，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)測模型最優(yōu)的懲罰系數(shù)及核參數(shù)，否則返回步驟B2。

5.如權(quán)利要求1所述的農(nóng)產(chǎn)品價格預(yù)測方法，其特征在于，在所述輸入所述k個價格VM分量至經(jīng)過螢火蟲算法優(yōu)化的SVM預(yù)測模型中進行預(yù)測之前，所述方法還包括：

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

基于訓(xùn)練樣本對所述待訓(xùn)練SVM預(yù)測模型的輸入輸出結(jié)構(gòu)進行訓(xùn)練，得到所述SVM預(yù)測模型。

6.一種農(nóng)產(chǎn)品價格預(yù)測裝置，其特征在于，包括：

獲得單元，用于獲得第一類型農(nóng)產(chǎn)品的M個價格預(yù)測樣本，M至少為百數(shù)量級；

分解單元，用于通過VMD變分模態(tài)分解將所述M個價格預(yù)測樣本分解為k個具有不同振動頻率特征的價格VM變分模態(tài)分量，其中，k為大于1的整數(shù)；

預(yù)測單元，用于輸入所述k個價格VM分量至經(jīng)過螢火蟲算法優(yōu)化的SVM預(yù)測模型中進行預(yù)測，以預(yù)測到與所述k個價格VM分量對應(yīng)的k個VM分量預(yù)測值；

線性疊加單元，用于將所述k個VM分量預(yù)測值線性疊加，以得到對所述第一類型農(nóng)產(chǎn)品的價格預(yù)測值。

7.如權(quán)利要求6所述的農(nóng)產(chǎn)品價格預(yù)測裝置，其特征在于，所述分解單元，具體用于：

步驟A1：初始化和n，其中，為所對應(yīng)的傅里葉轉(zhuǎn)換，為{λ¹}所對應(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：

${\widehat{\mathrm{\μ}}}_k^{n+1}\left(\mathrm{\ω}\right)=\frac{\hat{f}\left(\mathrm{\ω}\right)-\underset{i\≠k}{\mathrm{\Σ}}\widehat{\mathrm{\μ}}\left(\mathrm{\ω}\right)+\frac{\widehat{\mathrm{\λ}}\left(\mathrm{\ω}\right)}{2}}{1+2\mathrm{\α}{(\mathrm{\ω}-{\mathrm{\ω}}_k)}^2},$

以及根據(jù)如下公式更新中心頻率ω_k：

${\mathrm{\ω}}_k^{n+1}=\frac{{\∫}_0^{\mathrm{\∞}}\mathrm{\ω}{\left|{\hat{y}}_k^{n+1}\left(\mathrm{\ω}\right)\right|}^{2}d\mathrm{\ω}}{{\∫}_0^{\mathrm{\∞}}{\left|{\hat{y}}_k^{n+1}\left(\mathrm{\ω}\right)\right|}^{2}d\mathrm{\ω}},$

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，對應(yīng)為f(t)、u_i(t)、λ(t)、的傅里葉轉(zhuǎn)換，f(t)為所述價格預(yù)測樣本，u_i(t)為第i個模態(tài)函數(shù)，λ(t)表示拉格朗日乘法算子，為u_k經(jīng)過n+1次迭代后的值，1≤i≤k；

步驟A3：根據(jù)如下公式更新λ；

${\widehat{\mathrm{\λ}}}^{n+1}\left(\mathrm{\ω}\right)\←{\widehat{\mathrm{\λ}}}^n\left(\mathrm{\ω}\right)+\mathrm{\τ}\[\hat{f}\left(\mathrm{\ω}\right)-\underset{1}{\overset{k}{\mathrm{\Σ}}}{\widehat{\mathrm{\μ}}}_k^{n+1}\left(\mathrm{\ω}\right)\],$

其中，為λ(ω)經(jīng)過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個價格VM分量，否則返回步驟A2。

8.如權(quán)利要求6所述的農(nóng)產(chǎn)品價格預(yù)測裝置，其特征在于，所述裝置還包括優(yōu)化單元，具體用于：基于所述螢火蟲算法優(yōu)化所述SVM預(yù)測模型的懲罰系數(shù)和核參數(shù)。

9.如權(quán)利要求8所述的農(nóng)產(chǎn)品價格預(yù)測裝置，其特征在于，所述優(yōu)化單元，具體用于：

步驟B1：初始化熒光素揮發(fā)系數(shù)ρ、熒光素增強因子γ、感知范圍r_s、鄰域變化率β、鄰居閾值n₁和移動步長s，隨機初始化每個螢火蟲的位置；

步驟B2、基于所述價格預(yù)測樣本與所述SVM預(yù)測模型對所述價格預(yù)測樣本的擬合值之間誤差計算各個螢火蟲的適應(yīng)度值，并基于各個螢火蟲的適應(yīng)度值更新全局最優(yōu)值：

步驟B3：基于如下公式確定各個螢火蟲的決策范圍內(nèi)的螢火蟲個數(shù)：

$N_i^t=\{j:||x_j\left(t\right)-x_i\left(t\right)||\<r_d^i;l_i\left(t\right)\<l_j\left(t\right)\},$

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

步驟B4：基于如下公式更新各個螢火蟲的熒光素：

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只螢火蟲的螢光素值，l_i(t-1)第t次迭代前第i只螢火蟲的螢光素值，ρ∈(0，1)為與熒光素揮發(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只螢火蟲的適應(yīng)度值；

步驟B5：基于如下公式更新各個螢火蟲的位置：

$x_i(t+1)=x_i\left(t\right)+s\left(\frac{x_j\left(t\right)-x_i\left(t\right)}{\left|\right|x_j\left(t\right)-x_i\left(t\right)\left|\right|}\right),$

其中，s為移動步長，x_j(t)-x_i(t)為第j只螢火蟲與第i只螢火蟲之間距離；

步驟B6：根據(jù)第i只螢火蟲的鄰居密度，對第i只螢火蟲的決策范圍進行更新：

$r_d^i(t+1)=min\{r_s,max\{0,r_d^i\left(t\right)+\mathrm{\β}(n_t-|N_i\left(t\right)\left|\right\}\},$

其中，為t+1代第i只螢火蟲的決策范圍，r_s為第i只螢火蟲的感知范圍，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)測模型最優(yōu)的懲罰系數(shù)及核參數(shù)，否則返回步驟B2。

10.如權(quán)利要求6所述的農(nóng)產(chǎn)品價格預(yù)測裝置，其特征在于，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)練樣本對所述待訓(xùn)練SVM預(yù)測模型的輸入輸出結(jié)構(gòu)進行訓(xùn)練，得到所述SVM預(yù)測模型。