基于指數(shù)平滑的農(nóng)產(chǎn)品價(jià)格預(yù)測(cè)大數(shù)據(jù)平臺(tái)設(shè)計(jì)

摘 要：文中針對(duì)龐雜的農(nóng)產(chǎn)品市場(chǎng)價(jià)格信息，設(shè)計(jì)了基于指數(shù)平滑的農(nóng)產(chǎn)品價(jià)格大數(shù)據(jù)平臺(tái)，通過構(gòu)建Hadoop、Hive和Spark大數(shù)據(jù)框架，在Spark-SQL內(nèi)完成了農(nóng)產(chǎn)品價(jià)格信息的數(shù)據(jù)清洗工作；并利用改進(jìn)的指數(shù)平滑法模型，實(shí)現(xiàn)了農(nóng)產(chǎn)品價(jià)格預(yù)測(cè)功能；借助SpringMVC、Ajax、Echarts等技術(shù)實(shí)現(xiàn)了農(nóng)產(chǎn)品價(jià)格數(shù)據(jù)統(tǒng)計(jì)、分析、預(yù)測(cè)等功能的圖形化顯示。數(shù)據(jù)平臺(tái)的應(yīng)用在幫助用戶直觀準(zhǔn)確地獲取農(nóng)產(chǎn)品價(jià)格信息、分析農(nóng)產(chǎn)品價(jià)格發(fā)展趨勢(shì)、預(yù)判農(nóng)產(chǎn)品的市場(chǎng)前景、規(guī)劃農(nóng)業(yè)種植等方面均具有較為重要的參考價(jià)值和現(xiàn)實(shí)意義。

關(guān)鍵詞：大數(shù)據(jù)平臺(tái)；Hadoop；數(shù)據(jù)清洗；指數(shù)平滑模型；價(jià)格預(yù)測(cè)；圖形化顯示

中圖分類號(hào)：TP391 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：2095-1302（2024）08-0-04

DOI：10.16667/j.issn.2095-1302.2024.08.029

0 引 言

技術(shù)發(fā)展日新月異，為現(xiàn)代化農(nóng)業(yè)的發(fā)展帶來了前所未有的機(jī)遇，傳統(tǒng)農(nóng)業(yè)種植與管理在物聯(lián)網(wǎng)技術(shù)、云計(jì)算、5G通信技術(shù)、大數(shù)據(jù)技術(shù)的支撐下，逐漸向智能化、精細(xì)化、數(shù)字化轉(zhuǎn)型。物聯(lián)網(wǎng)技術(shù)通常負(fù)責(zé)農(nóng)業(yè)種植環(huán)境的數(shù)據(jù)采集，并利用適當(dāng)?shù)耐ㄐ攀侄螌?shù)據(jù)在農(nóng)業(yè)信息服務(wù)器、設(shè)備終端呈現(xiàn)[1]。

大數(shù)據(jù)技術(shù)的應(yīng)用不僅能夠在農(nóng)業(yè)生產(chǎn)的精細(xì)化作業(yè)水平、智能農(nóng)場(chǎng)建設(shè)與科學(xué)化管理水平、農(nóng)業(yè)機(jī)械利用率等方面促進(jìn)農(nóng)業(yè)生產(chǎn)[2]，還能夠幫助農(nóng)民精準(zhǔn)掌握農(nóng)產(chǎn)品的價(jià)格信息，并借助大數(shù)據(jù)農(nóng)業(yè)信息服務(wù)技術(shù)平臺(tái)增強(qiáng)農(nóng)業(yè)種植與農(nóng)產(chǎn)品市場(chǎng)價(jià)格波動(dòng)的聯(lián)系，預(yù)測(cè)市場(chǎng)動(dòng)態(tài)，及時(shí)調(diào)整農(nóng)業(yè)生產(chǎn)規(guī)劃，有效降低農(nóng)業(yè)種植的風(fēng)險(xiǎn)[3-4]。因此，設(shè)計(jì)具備農(nóng)產(chǎn)品價(jià)格預(yù)測(cè)功能的大數(shù)據(jù)平臺(tái)具有較為重要的現(xiàn)實(shí)意義和社會(huì)意義。

1 Hadoop大數(shù)據(jù)平臺(tái)架構(gòu)

目前，基于Hadoop分布式系統(tǒng)基礎(chǔ)架構(gòu)的大數(shù)據(jù)平臺(tái)已經(jīng)得到了較為廣泛的應(yīng)用，具有較為成熟的技術(shù)支持[5]。Hadoop主要由提供海量存儲(chǔ)的分布式文件系統(tǒng)HDFS和為大數(shù)據(jù)集提供算力的MapReduce構(gòu)成，具有支持跨平臺(tái)安裝、集群構(gòu)建簡(jiǎn)單、數(shù)據(jù)處理能力強(qiáng)、支持在計(jì)算機(jī)簇中進(jìn)行數(shù)據(jù)運(yùn)算、可靠性高、技術(shù)開源等特點(diǎn)[6-7]。基于Hadoop架構(gòu)的大數(shù)據(jù)平臺(tái)主要包括HDFS、MapReduce、YARN等組件，架構(gòu)如圖1所示。

HDFS是具有高容錯(cuò)性能的文件系統(tǒng)，能夠存儲(chǔ)龐大的數(shù)據(jù)集，提高數(shù)據(jù)訪問的吞吐量；MapReduce是一種針對(duì)大規(guī)模數(shù)據(jù)運(yùn)算的編程模式，為HDFS上的數(shù)據(jù)集提供了運(yùn)算框架，能夠較好地支持離線運(yùn)算；YARN作為Hadoop的資源管理者，負(fù)責(zé)資源的調(diào)度與統(tǒng)一管理；Hadoop中的大規(guī)模數(shù)據(jù)通?？梢岳脭?shù)據(jù)倉庫基礎(chǔ)構(gòu)架Hive實(shí)現(xiàn)數(shù)據(jù)的存儲(chǔ)、分析、查詢等[8]；Spark的內(nèi)存分布數(shù)據(jù)集能夠?qū)崿F(xiàn)大規(guī)模數(shù)據(jù)的快速運(yùn)算。

2 農(nóng)產(chǎn)品價(jià)格大數(shù)據(jù)平臺(tái)系統(tǒng)構(gòu)建

農(nóng)產(chǎn)品涵蓋了動(dòng)物、植物等農(nóng)業(yè)活動(dòng)的初級(jí)產(chǎn)品[9]，其價(jià)格受到農(nóng)產(chǎn)品的供需關(guān)系及中間經(jīng)營(yíng)商的共同影響[10]。然而，農(nóng)產(chǎn)品供需信息的時(shí)滯性、分散性、隱蔽性[11]以及經(jīng)營(yíng)商的價(jià)格期望水平，都是影響農(nóng)產(chǎn)品價(jià)格波動(dòng)的

因素。

針對(duì)農(nóng)產(chǎn)品價(jià)格信息管理與預(yù)測(cè)的功能特點(diǎn)，以為農(nóng)業(yè)種植提供信息支撐、促進(jìn)農(nóng)產(chǎn)品供需關(guān)系平衡為目的，文中以Hadoop、Hive和Spark為基礎(chǔ)框架，利用改進(jìn)的指數(shù)平滑方法模型構(gòu)建了具有農(nóng)產(chǎn)品價(jià)格預(yù)測(cè)、歷史信息查詢、統(tǒng)計(jì)分析與管理等功能的農(nóng)產(chǎn)品價(jià)格預(yù)測(cè)大數(shù)據(jù)平臺(tái)。此外，平臺(tái)還具備圖形化顯示功能，能夠?yàn)橛脩舫尸F(xiàn)預(yù)測(cè)曲線圖、歷史信息、農(nóng)產(chǎn)品價(jià)格趨勢(shì)圖等直觀的數(shù)據(jù)圖表，為用戶科學(xué)規(guī)劃種植項(xiàng)目與種植規(guī)模提供數(shù)據(jù)參考。

在Linux服務(wù)器上部署Hadoop、Hive、Spark框架，構(gòu)建由主節(jié)點(diǎn)Master與從節(jié)點(diǎn)Slave組成的集群系統(tǒng)；將農(nóng)產(chǎn)品價(jià)格信息以文件形式上傳至HDFS，同時(shí)映射至Spark-SQL數(shù)據(jù)庫，并在Spark-SQL數(shù)據(jù)庫內(nèi)清洗農(nóng)產(chǎn)品價(jià)格數(shù)據(jù)；利用改進(jìn)的三次指數(shù)平滑方法（Holt-Winters）模型，實(shí)現(xiàn)農(nóng)產(chǎn)品價(jià)格的預(yù)測(cè)功能；借助Spring MVC、Ajax、Echarts等技術(shù)將預(yù)測(cè)結(jié)果進(jìn)行可視化顯示。農(nóng)產(chǎn)品價(jià)格預(yù)測(cè)大數(shù)據(jù)平臺(tái)的系統(tǒng)構(gòu)建流程如圖2所示。

2.1 農(nóng)產(chǎn)品價(jià)格數(shù)據(jù)獲取

農(nóng)產(chǎn)品價(jià)格的數(shù)據(jù)獲取通常有政府部門的統(tǒng)計(jì)數(shù)據(jù)、農(nóng)業(yè)研究機(jī)構(gòu)數(shù)據(jù)中心及農(nóng)產(chǎn)品交易平臺(tái)的公開數(shù)據(jù)等幾個(gè)渠道。其中，交易平臺(tái)公開數(shù)據(jù)的獲取難度相對(duì)更低、實(shí)時(shí)性相對(duì)更好，因此選擇通過Python程序抓取權(quán)威農(nóng)產(chǎn)品交易平臺(tái)公開發(fā)布的價(jià)格信息作為研究的數(shù)據(jù)基礎(chǔ)。農(nóng)產(chǎn)品價(jià)格數(shù)據(jù)抓取程序依據(jù)農(nóng)產(chǎn)品交易平臺(tái)的URL，獲取相關(guān)農(nóng)產(chǎn)品價(jià)格頁面的全部信息，并通過網(wǎng)頁解析、數(shù)據(jù)字典等方法迭代抓取，包括省份、城市、價(jià)格、單位、時(shí)間等農(nóng)產(chǎn)品價(jià)格信息關(guān)鍵字段。

2.2 數(shù)據(jù)清洗概述

通過數(shù)據(jù)抓取程序在農(nóng)產(chǎn)品交易平臺(tái)獲得的農(nóng)產(chǎn)品價(jià)格信息存在數(shù)據(jù)駁雜、冗余等問題，故而在數(shù)據(jù)使用前需要完成相應(yīng)的清洗工作。Spark-SQL既能夠使用RDD數(shù)據(jù)，也能夠使用Hive、HDFS、Cassandra和JSON格式的外部數(shù)據(jù)，并支持Python、Scala和Java及SQL-92規(guī)范等[12]，確保農(nóng)產(chǎn)品價(jià)格數(shù)據(jù)清洗工作順利完成。在農(nóng)產(chǎn)品價(jià)格數(shù)據(jù)獲取之后，首先將存儲(chǔ)于MySQL的數(shù)據(jù)信息以文本文件形式導(dǎo)出，經(jīng)過預(yù)處理后上傳至HDFS，并通過HQL程序創(chuàng)建外部表，完成Map和Reduce轉(zhuǎn)換，再將農(nóng)產(chǎn)品價(jià)格數(shù)據(jù)映射至Spark-SQL數(shù)據(jù)庫內(nèi)，實(shí)現(xiàn)數(shù)據(jù)的清洗。農(nóng)產(chǎn)品價(jià)格數(shù)據(jù)清洗流程如圖3所示。

農(nóng)產(chǎn)品價(jià)格數(shù)據(jù)將按照區(qū)域（省份）、年份、種類、每個(gè)月的平均價(jià)格、最高價(jià)格、最低價(jià)格；區(qū)域、月份、種類、每天的平均價(jià)格、最高價(jià)格、最低價(jià)格以及某類農(nóng)產(chǎn)品最近半個(gè)月的價(jià)格波動(dòng)情況、數(shù)據(jù)獲取量在全國(guó)農(nóng)業(yè)市場(chǎng)中的占比等完成清洗工作與數(shù)據(jù)的歸類存儲(chǔ)，從而保證滿足農(nóng)產(chǎn)品價(jià)格預(yù)測(cè)大數(shù)據(jù)平臺(tái)的各項(xiàng)功能需求。

3 農(nóng)產(chǎn)品價(jià)格預(yù)測(cè)功能實(shí)現(xiàn)

農(nóng)產(chǎn)品價(jià)格預(yù)測(cè)以指導(dǎo)農(nóng)業(yè)生產(chǎn)為目的，根據(jù)農(nóng)產(chǎn)品價(jià)格的歷史數(shù)據(jù)，預(yù)測(cè)未來一段時(shí)間內(nèi)的農(nóng)產(chǎn)品價(jià)格趨勢(shì)。由于受農(nóng)產(chǎn)品生長(zhǎng)條件、生長(zhǎng)周期等因素的約束，其價(jià)格信息具有較強(qiáng)的季節(jié)性特點(diǎn)，所以基于時(shí)間序列的預(yù)測(cè)方法在農(nóng)產(chǎn)品價(jià)格預(yù)測(cè)功能的實(shí)現(xiàn)中被廣泛應(yīng)用。

時(shí)間序列數(shù)據(jù)的研究方法種類繁多，相對(duì)成熟，包括AR模型、ARMA模型、ARCH模型、ARIMA模型等[13]，都有較為典型的應(yīng)用。此外，機(jī)器學(xué)習(xí)的支持向量機(jī)、貝葉斯神經(jīng)網(wǎng)絡(luò)等方法，也在時(shí)間序列數(shù)據(jù)的預(yù)測(cè)中表現(xiàn)較好[14]。平臺(tái)針對(duì)農(nóng)產(chǎn)品價(jià)格數(shù)據(jù)的趨勢(shì)特性，從降低計(jì)算成本、提高效率等方面考慮[15]，選擇了改進(jìn)的三次指數(shù)平滑方法，實(shí)現(xiàn)農(nóng)產(chǎn)品價(jià)格預(yù)測(cè)。

3.1 預(yù)測(cè)方法的選擇與實(shí)施

指數(shù)平滑法是一種在生產(chǎn)預(yù)測(cè)中常用的時(shí)間序列預(yù)測(cè)法，不僅適用于短期預(yù)測(cè)，還適用于中期、長(zhǎng)期預(yù)測(cè)。指數(shù)平滑法通過當(dāng)前數(shù)據(jù)觀察值與前期指數(shù)平滑值的權(quán)值計(jì)算，逐漸收斂遠(yuǎn)離當(dāng)前數(shù)據(jù)的權(quán)值至零，具有實(shí)現(xiàn)簡(jiǎn)單、兼顧前期計(jì)算結(jié)果等特點(diǎn)。根據(jù)平滑次數(shù)區(qū)分，方法可被分為：一次指數(shù)平滑法、二次指數(shù)平滑法和三次指數(shù)平

滑法[16]。

Holt-Winters指數(shù)平滑模型可應(yīng)用于以下3種情況：

（1）僅含有線性趨勢(shì)的情況：類似雙指數(shù)平滑方法，Holt-Winters指數(shù)平滑模型可預(yù)測(cè)僅含有線性趨勢(shì)的數(shù)據(jù)序列，是yt平滑后的序列，計(jì)算如下：

（1）

（2）

式中：a（t）表示截距；b（t）表示趨勢(shì)；α表示數(shù)據(jù)平滑因子，0lt;αlt;1；β表示趨勢(shì)平滑因子，0lt;βlt;1；k表示預(yù)測(cè)時(shí)間長(zhǎng)度。

（2）具有線性時(shí)間趨勢(shì)及加法模型季節(jié)變化的序列，是yt平滑后的序列，計(jì)算如下：

（3）

（4）

式中：c（t）為加法模型的季節(jié)因子；r為季節(jié)改變平滑因子，0lt;rlt;1；s為周期長(zhǎng)度。

（3）具有線性時(shí)間趨勢(shì)及乘法模型季節(jié)變化的序列，是yt平滑后的序列，計(jì)算如下：

（5）

（6）

3.2 Holt-Winters模型構(gòu)建

在Holt-Winters模型的基礎(chǔ)上增加了區(qū)域列，進(jìn)行農(nóng)產(chǎn)品價(jià)格預(yù)測(cè)時(shí)，不僅考慮時(shí)間序列，還通過增加區(qū)域列尋覓相關(guān)隱藏信息，從而達(dá)到提高農(nóng)產(chǎn)品價(jià)格預(yù)測(cè)精度的目的。Holt-Winters模型的構(gòu)建過程主要包括以下幾個(gè)方面：

（1）完成重要參數(shù)的設(shè)置工作，確定預(yù)測(cè)值的數(shù)量、存放位置等；

（2）添加區(qū)域key列，創(chuàng)建、訓(xùn)練改進(jìn)的Holt-Winters模

型，并設(shè)置RDD格式為（Holt-Winters Model， Vector）；

（3）構(gòu)建預(yù)測(cè)向量并導(dǎo)入Holt-Winters模型的forcast方法，實(shí)現(xiàn)預(yù)測(cè)；

（4）預(yù)測(cè)結(jié)束條件判斷；

（5）利用Holt-Winters模型評(píng)估標(biāo)準(zhǔn)，通過數(shù)量、極差、最大值、最小值、均值、方差和標(biāo)準(zhǔn)差等參數(shù)，完成預(yù)測(cè)結(jié)果的評(píng)估；

（6）將預(yù)測(cè)結(jié)果及評(píng)估結(jié)果進(jìn)行Vector轉(zhuǎn)置后，以dataframe形式存儲(chǔ)于Hive表。

此外，日期格式的設(shè)置、預(yù)測(cè)日期的批量生成與保存、增加區(qū)域key列的信息存儲(chǔ)、實(shí)際值和預(yù)測(cè)結(jié)果合并等輔助操作的實(shí)施，同樣是保證模型效果的必要步驟。Holt-Winters模型構(gòu)建流程如圖4所示。

3.3 模型訓(xùn)練的實(shí)施

模型訓(xùn)練的實(shí)施對(duì)于平臺(tái)最后的預(yù)測(cè)結(jié)果至關(guān)重要，本平臺(tái)的農(nóng)產(chǎn)品價(jià)格預(yù)測(cè)模型訓(xùn)練主要由timeChangeToDate、main和mainKey構(gòu)成。其中，timeChangeToDate負(fù)責(zé)將農(nóng)產(chǎn)品價(jià)格數(shù)據(jù)中的“time”列轉(zhuǎn)換成固定的時(shí)間格式[17]；mainKey方法能夠篩選keyName數(shù)據(jù)，有效去除空值，并考慮了包括區(qū)域（keyName）在內(nèi)的全部參數(shù)，對(duì)于尋覓隱藏信息、提高農(nóng)產(chǎn)品價(jià)格預(yù)測(cè)精度至關(guān)重要；main函數(shù)作為程序的入口與執(zhí)行主體，不僅負(fù)責(zé)設(shè)置環(huán)境變量和參數(shù)，還負(fù)責(zé)讀取數(shù)據(jù)和創(chuàng)建訓(xùn)練數(shù)據(jù)，將數(shù)據(jù)在預(yù)測(cè)模型內(nèi)運(yùn)行，得到未來某段時(shí)間的農(nóng)產(chǎn)品價(jià)格預(yù)測(cè)結(jié)果。模型訓(xùn)練實(shí)施流程如圖5所示。

模型訓(xùn)練首先將數(shù)據(jù)的日期參數(shù)以固定的時(shí)間格式存儲(chǔ)，并轉(zhuǎn)化為dataframe格式；然后完成確定預(yù)測(cè)開始時(shí)間與結(jié)束時(shí)間、預(yù)測(cè)數(shù)據(jù)的數(shù)量、輸出key列和設(shè)置季節(jié)性參數(shù)等工作；隨后平臺(tái)讀取Hive表中數(shù)據(jù)作為模型訓(xùn)練數(shù)據(jù)，并將數(shù)據(jù)的時(shí)間跨度存儲(chǔ)為：開始日期+結(jié)束日期+遞增數(shù)，訓(xùn)練數(shù)據(jù)的RDD為TimeSeriesRDD（key， DenseVector（series））；創(chuàng)建和訓(xùn)練具有區(qū)域列的Holt-Winters模型，并完成模型的實(shí)例化。最后，合并實(shí)際值和預(yù)測(cè)值并以dataframe（Date， Data）形式保存。

3.4 數(shù)據(jù)可視化

農(nóng)產(chǎn)品價(jià)格預(yù)測(cè)大數(shù)據(jù)平臺(tái)具有歷史價(jià)格數(shù)據(jù)查詢、價(jià)格趨勢(shì)管理、價(jià)格預(yù)測(cè)等功能，借助SpringMVC、Ajax、Echarts和MySQL等技術(shù)實(shí)現(xiàn)了數(shù)據(jù)可視化，以便用戶能夠通過數(shù)據(jù)相關(guān)性分析圖、趨勢(shì)分析圖，直觀獲取農(nóng)產(chǎn)品價(jià)格的歷史數(shù)據(jù)、預(yù)測(cè)結(jié)果等。選擇Echarts庫支持圖表定制，通過MVX框架將待顯示的農(nóng)產(chǎn)品價(jià)格數(shù)據(jù)映射至用戶的可視化界面中，并利用JavaScript腳本語言、Ajax技術(shù)實(shí)現(xiàn)可視化界面的動(dòng)態(tài)更新，從而達(dá)到農(nóng)產(chǎn)品價(jià)格數(shù)據(jù)可視化的

目的。

此外，農(nóng)產(chǎn)品價(jià)格數(shù)據(jù)能夠按照種類、產(chǎn)地、時(shí)間等條件供用戶查詢，并能夠依據(jù)省份、農(nóng)產(chǎn)品種類、數(shù)量、價(jià)格平均值、最大值和最小值等條件顯示價(jià)格發(fā)展趨勢(shì)；利用改進(jìn)的Holt-Winters指數(shù)平滑法，根據(jù)農(nóng)產(chǎn)品的歷史價(jià)格信息和省份等，對(duì)未來農(nóng)產(chǎn)品價(jià)格水平進(jìn)行預(yù)測(cè)，將相應(yīng)農(nóng)產(chǎn)品的實(shí)際價(jià)格與預(yù)測(cè)價(jià)格趨勢(shì)以圖表形式直觀展示給用戶，為農(nóng)產(chǎn)品的科學(xué)種植提供科技支撐。

4 結(jié) 語

針對(duì)龐大的農(nóng)產(chǎn)品市場(chǎng)信息，文中通過數(shù)據(jù)共享、整合的方式，利用大數(shù)據(jù)相關(guān)技術(shù)搭建了農(nóng)產(chǎn)品價(jià)格預(yù)測(cè)平臺(tái)，實(shí)現(xiàn)了農(nóng)產(chǎn)品價(jià)格數(shù)據(jù)的清洗、統(tǒng)計(jì)、分析和預(yù)測(cè)等功能，并能夠?qū)崿F(xiàn)價(jià)格信息數(shù)據(jù)的圖形化顯示，幫助用戶及時(shí)了解農(nóng)產(chǎn)品價(jià)格趨勢(shì)，預(yù)判農(nóng)產(chǎn)品的市場(chǎng)價(jià)格，為用戶的農(nóng)業(yè)種植、商業(yè)決策提供指導(dǎo)，具有較重要的現(xiàn)實(shí)意義和研究?jī)r(jià)值。

參考文獻(xiàn)

[1]李自榮.基于大數(shù)據(jù)的設(shè)施農(nóng)業(yè)管理系統(tǒng)設(shè)計(jì)[J].農(nóng)機(jī)化研究，2020，42（7）：245-248.

[2]董春巖，劉佳佳，王小兵.日本農(nóng)業(yè)數(shù)據(jù)協(xié)作平臺(tái)建設(shè)運(yùn)營(yíng)的做法與啟示[J].中國(guó)農(nóng)業(yè)資源與區(qū)劃，2020，41（1）：212-216.

[3]劉艷昌，趙海生，張平川，等.基于機(jī)器人的盆栽作物生長(zhǎng)環(huán)境智能監(jiān)控系統(tǒng)設(shè)計(jì)[J].中國(guó)農(nóng)機(jī)化學(xué)報(bào)，2019，40（11）：181-188.

[4]樊艷英，張自敏，陳冠萍，等.基于物聯(lián)網(wǎng)的精準(zhǔn)農(nóng)業(yè)玉米長(zhǎng)勢(shì)監(jiān)測(cè)分析系統(tǒng)研究[J].農(nóng)機(jī)化研究，2018，40（8）：223-227.

[5]杜毅博，趙國(guó)瑞，鞏師鑫.智能化煤礦大數(shù)據(jù)平臺(tái)架構(gòu)及數(shù)據(jù)處理關(guān)鍵技術(shù)研究[J].煤炭科學(xué)技術(shù)，2020，48（7）：177-185.

[6]袁智，李樾，劉奕，等.基于Jeston TK1的并行計(jì)算系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)[J].計(jì)算機(jī)應(yīng)用，2019，39（z2）：160-163.

[7] ISLAM N S，WASI UR RAHMAN M，LU X，et al. Performance characterization and acceleration of in memory file systems for Hadoop and Spark applications on HPC clusters [C]// 2015 IEEE International Conference on Big Data （Big Data）. Santa Clara，CA：[s.n.]，2015：243-252.

[8]趙翀，王麗達(dá).基于數(shù)據(jù)挖掘技術(shù)的智能圖書館云檢索系統(tǒng)設(shè)計(jì)[J].現(xiàn)代電子技術(shù)，2020，43（2）：60-63.

[9]太玲娟，李林紅.農(nóng)產(chǎn)品銷售市場(chǎng)信息不對(duì)稱與應(yīng)對(duì)策略分析[J].吉首大學(xué)學(xué)報(bào)，2017，38（z2）：9-11.

[10]姚升.中間商、反饋交易與小宗農(nóng)產(chǎn)品價(jià)格波動(dòng)研究—以大蒜為例[J].價(jià)格月刊，2020，41（8）：6-12.

[11]陳夢(mèng)，付臨煊.“互聯(lián)網(wǎng)+”背景下農(nóng)產(chǎn)品供需信息平臺(tái)建設(shè)博弈分析[J].中國(guó)農(nóng)業(yè)資源與區(qū)劃，2017，38（12）：221-226.

[12] THUSOO A，SARMA J S，JAIN N，et al. Hive-a petabyte scale data warehouse using hadoop [C]// 2010 IEEE 26th International Conference on Data Engineering（ICDE 2010）. Long Beach，CA：[s.n.]，2010：996-1005.

[13]張美英，何杰.時(shí)間序列預(yù)測(cè)模型研究綜述[J].數(shù)學(xué)的實(shí)踐與認(rèn)識(shí)，2011，41（18）：189-195.

[14]楊海民，潘志松，白瑋.時(shí)間序列預(yù)測(cè)方法綜述[J].計(jì)算機(jī)科學(xué)，2019，46（1）：21-28.

[15]董鑫，周利明，劉陽春，等.基于指數(shù)平滑預(yù)測(cè)的高效變量噴灌方法[J].農(nóng)業(yè)機(jī)械學(xué)報(bào)，2018，49（z1）：372-378.

[16]李穎. 時(shí)間序列指數(shù)平滑算法的改進(jìn)研究[D].阜新：遼寧工程技術(shù)大學(xué)，2009.

[17]歐高飛.基于Hadoop+Spark平臺(tái)的農(nóng)產(chǎn)品價(jià)格分析預(yù)測(cè)系統(tǒng)設(shè)計(jì)[D].桂林：桂林理工大學(xué)，2018.

收稿日期：2023-08-16 修回日期：2023-09-27

基金項(xiàng)目：廣西自然科學(xué)基金（2020GXNSFAA297233）；廣西高校中青年教師基礎(chǔ)能力提升項(xiàng)目（2022KY0417）；廣西高校中青年教師基礎(chǔ)能力提升項(xiàng)目（2023KY0441）

作者簡(jiǎn)介：趙榮陽（1982—），男，碩士，教授，研究方向?yàn)榍度胧较到y(tǒng)、無線傳感器網(wǎng)絡(luò)。