农产品市场价格web信息分析方法研究
|
摘要
近年来,我国农产品市场价格呈现的异常波动已成为社会关注的焦点。农产品价格波动不仅会对农民收入和农民生产积极性产生直接影响,更关乎百姓的日常生活和切身利益。为保持经济平稳健康发展、保障群众生活,稳定物价的宏观调控尤为重要。价格监测和预测是维持价格稳定的一个重要环节,精确地价格监测和低误预测是涉农科研工作者的一个重要研究方向。我国农产品市场价格Web信息分布广、更新快,迫切需要建立一套垂直搜索引擎系统实现定期抓取网络中农产品价格数据,迫切需要建立一个农产品价格分析、预测和监测平台,提供全面、清晰的分析结果。为政府部门管理人员提供生产调控、决策分析的依据,成为农民种植植物的决策依据,为农产品市场价格稳定做出积极的贡献。
某些农网等价格信息网提供的农产品价格信息有数据单位不统一、产品名称不规范等问题,经过对分布在不同网站上的农产品市场价格数据的分析和总结,提出了规范产品名称、规范市场名称、初始化农产品类别、初始化省市、规范数据单位、去重策略选择和零价格数据处理7个数据规范化原则。研究了DOM树方式、正则表达式、HTMLParser提取网页文本信息,利用Heritrix等软件搭建了农产品市场价格垂直搜索引擎系统实现了抽取不同农网上的价格信息,经规范化后形成了统一、完整的SQL server农产品价格数据库。
为进一步提高农产品市场价格预测精度,及时发现价格异常的农产品,选取了山西晋城绿欣农产品批发市场胡萝卜、白萝卜、大白菜、大葱、豆角、黄瓜、尖椒、韭菜、茄子、青椒、土豆、西红柿和油菜十三种农产品进行预测算法对比研究。在加权算术平均预测法中对比分析了5种权数设置方法,实验结果表明以当年价格为权数误差最低,优于其它权数设置方法,在平均数预测法中优于简单算术平均法；对比分析了时间序列非季节11种预测方法,研究结果表明二次曲线趋势延续法和龚伯兹曲线趋势延续法不适用于农产品价格预测,在简单算术平均法、加权算术平均法、时间序列平均增长量预测法、时间序列几何平均法、一次移动平均预测法、二次移动平均预测法、一次指数平滑法、二次指数平滑法和直线趋势延续法9种预测方法中二次移动平均预测法和二次指数平滑法误差低于其它预测方法,适用于农产品价格预测,在此基础上提出了一种改进的二次指数平滑预测法,二次指数平滑预测法中一次、二次平滑系数不同时,所有的误差平方和都小于或等于一次和二次平滑系数相同时的误差平方和。改进后的二次指数平滑预测法误差最低,优于末改进的二次指数平滑法,也优于二次移动平均预测法；对比了时间序列季节指数水平法和季节指数趋势法,从实验结果中可以看出,大多数农产品两种预测方法误差平方和相差很多,实际预测价格可以采用误差平方低的预测值；在价格异常农产品判定方面提出了从预测值与实际价格误差平方和历史误差2种排名方式,确定当月价格异常农产品和确定去年价格异常,今年价格仍然异常的农产品的判定方法。
目前与农产品价格有关的信息网站大多只提供了原始价格信息显示,针对规划好的从不同网站抓取出的价格数据利用企业级工作平台MyEclipse开发出了农产品市场价格Web信息分析系统,实现了价格查询、价格分析、价格预测和价格监测等功能,价格分析功能包括价格走势、各省对比、品种对比、同比环比和市场对比,价格预测功能包括单值预测和趋势预测,各省对比包括某一天对比和某一段时间对比等,分析结果以折线图、柱形图或地图的形式显示,界面美观,功能实用。可满足农业管理部门、农业企业、农户准确掌握不同地区、不同农产品价格的变化动态与走势的需要。
In recent years, the abnormal fluctuation of market price of produce has become a focus of attention in our society, which not only has a direct influence on farmers'income and their enthusiasm for production, but also plays an important role in common people's daily life and their vital interests. A macro-management of prices is especially important to ensure a stable and healthy development of economy and to secure people's lives. The prediction and monitoring of price is an important element to maintain a stable price, at the same time a precise monitoring as well as a prediction with low error rate is an important part for agricultural research. It is urgent to establish a vertical search engine system to regularly record produce's prices on the Web because the information there is usually widely distributed and quickly updated in our country. A platform to analyze, monitor and predict produce's price is imminently needed so as to provide comprehensive and clear results for the reference of governmental production regulation and decision-making, as well as farmers' planting, and to make a contribution for the stability of produce's market price.
The information released by some agricultural website has the problem of non-standard product name and non-uniform data unit. Through the analysis of market price of various produce from different websites, the research puts forward the following7principles, such as the standardization of produce name, that of market and data unit, the initialization of produce categories and provinces, the choice of a material-removal strategy and data processing of a price around zero, studies the tree system of DOM, the regular expression, extracts text messages from the Web through HTMLParser, establishes a vertical search engine system by taking advantage of softwares such as Heritrix, and finally forms a unified and integrated price-database of produce in the form of SQL server.
In order to improve the prediction accuracy of produce's market price and timely find the produce with an abnormal market price, the research selects carrots, white turnips, Chinese cabbages, green onions, kidney beans, cucumbers, Chinese chives, eggplants, peppers, green peppers, potatoes, tomatoes and rapes to make a comparative analysis with prediction algorithms. Meanwhile, the methods to set up5kinds of weights are comparatively analyzed with the weighted arithmetic average prediction, the experiment results show that the latter is better than the other five methods if current year's prices are taken as with the lowest errors of weights, and the prediction with mean value is superior to a simple arithmetic average method. In addition,11different kinds of time-series non-seasonal exponential prediction methods are also studied, the results show that the curvilinear trend duration method of B-Gompartz and double exponential are not suitable for the prediction of produce's market price, among the methods of simple and weighted arithmetic averaging, of series with an average increment and with geometric averaging, of single and double moving averaging, of single and double exponential smoothing and of a rectilinear trend duration, the double moving averaging and the double exponential smoothing are superior to other methods and suitable for the prediction of produce's market price for their lower errors. On the basis of the experiment results, the research puts forward an improved prediction method of double exponential smoothing which is superior to the previous one and the double moving averaging for its lowest errors, when there is a different quotient of single and double exponential, all the sums of squared errors is no more than those when there is the same quotient. At the same time, the research compares the horizontal prediction and the tendency prediction with seasonal indices, the results show that there is a distinct difference between the sums of squared errors with these two methods, and the actual predictive price should be predicted with the lower squared errors. As to the determination of produce with an abnormal price, the research puts forward two methods, that is, the squared errors of predictive price and actual errors as well as historical errors, so as to determine the produce with monthly abnormal price and that with an abnormal price last year and this year.
Websites which provide produce prices usually give an initial price. On the basis of data taken from various websites, the research develops a Web-based analytic system of produce price with the help of MyEclipse enterprise workbench so as to achieve the function of price search, price analysis and price prediction, and so forth. The function of price analysis includes the analysis of price trend, the comparison of price from different provinces, that of different varieties, that of chain relative and year-on-year ratio and that from different markets. The function of price prediction includes the prediction of unit value and that of trend, and the comparison of price from different provinces includes the comparison of price of a certain day and within a certain period of time, and so on, meanwhile the analytic results are shown in the form of line charts, bar charts or maps with a beautiful interface and a practical function. The intelligent Web information analysis method of market price of various produce can help the agricultural administrations, agricultural enterprises and farmers master the variety of price and the tendency of different regions and different produce.
某些农网等价格信息网提供的农产品价格信息有数据单位不统一、产品名称不规范等问题,经过对分布在不同网站上的农产品市场价格数据的分析和总结,提出了规范产品名称、规范市场名称、初始化农产品类别、初始化省市、规范数据单位、去重策略选择和零价格数据处理7个数据规范化原则。研究了DOM树方式、正则表达式、HTMLParser提取网页文本信息,利用Heritrix等软件搭建了农产品市场价格垂直搜索引擎系统实现了抽取不同农网上的价格信息,经规范化后形成了统一、完整的SQL server农产品价格数据库。
为进一步提高农产品市场价格预测精度,及时发现价格异常的农产品,选取了山西晋城绿欣农产品批发市场胡萝卜、白萝卜、大白菜、大葱、豆角、黄瓜、尖椒、韭菜、茄子、青椒、土豆、西红柿和油菜十三种农产品进行预测算法对比研究。在加权算术平均预测法中对比分析了5种权数设置方法,实验结果表明以当年价格为权数误差最低,优于其它权数设置方法,在平均数预测法中优于简单算术平均法；对比分析了时间序列非季节11种预测方法,研究结果表明二次曲线趋势延续法和龚伯兹曲线趋势延续法不适用于农产品价格预测,在简单算术平均法、加权算术平均法、时间序列平均增长量预测法、时间序列几何平均法、一次移动平均预测法、二次移动平均预测法、一次指数平滑法、二次指数平滑法和直线趋势延续法9种预测方法中二次移动平均预测法和二次指数平滑法误差低于其它预测方法,适用于农产品价格预测,在此基础上提出了一种改进的二次指数平滑预测法,二次指数平滑预测法中一次、二次平滑系数不同时,所有的误差平方和都小于或等于一次和二次平滑系数相同时的误差平方和。改进后的二次指数平滑预测法误差最低,优于末改进的二次指数平滑法,也优于二次移动平均预测法；对比了时间序列季节指数水平法和季节指数趋势法,从实验结果中可以看出,大多数农产品两种预测方法误差平方和相差很多,实际预测价格可以采用误差平方低的预测值；在价格异常农产品判定方面提出了从预测值与实际价格误差平方和历史误差2种排名方式,确定当月价格异常农产品和确定去年价格异常,今年价格仍然异常的农产品的判定方法。
目前与农产品价格有关的信息网站大多只提供了原始价格信息显示,针对规划好的从不同网站抓取出的价格数据利用企业级工作平台MyEclipse开发出了农产品市场价格Web信息分析系统,实现了价格查询、价格分析、价格预测和价格监测等功能,价格分析功能包括价格走势、各省对比、品种对比、同比环比和市场对比,价格预测功能包括单值预测和趋势预测,各省对比包括某一天对比和某一段时间对比等,分析结果以折线图、柱形图或地图的形式显示,界面美观,功能实用。可满足农业管理部门、农业企业、农户准确掌握不同地区、不同农产品价格的变化动态与走势的需要。
In recent years, the abnormal fluctuation of market price of produce has become a focus of attention in our society, which not only has a direct influence on farmers'income and their enthusiasm for production, but also plays an important role in common people's daily life and their vital interests. A macro-management of prices is especially important to ensure a stable and healthy development of economy and to secure people's lives. The prediction and monitoring of price is an important element to maintain a stable price, at the same time a precise monitoring as well as a prediction with low error rate is an important part for agricultural research. It is urgent to establish a vertical search engine system to regularly record produce's prices on the Web because the information there is usually widely distributed and quickly updated in our country. A platform to analyze, monitor and predict produce's price is imminently needed so as to provide comprehensive and clear results for the reference of governmental production regulation and decision-making, as well as farmers' planting, and to make a contribution for the stability of produce's market price.
The information released by some agricultural website has the problem of non-standard product name and non-uniform data unit. Through the analysis of market price of various produce from different websites, the research puts forward the following7principles, such as the standardization of produce name, that of market and data unit, the initialization of produce categories and provinces, the choice of a material-removal strategy and data processing of a price around zero, studies the tree system of DOM, the regular expression, extracts text messages from the Web through HTMLParser, establishes a vertical search engine system by taking advantage of softwares such as Heritrix, and finally forms a unified and integrated price-database of produce in the form of SQL server.
In order to improve the prediction accuracy of produce's market price and timely find the produce with an abnormal market price, the research selects carrots, white turnips, Chinese cabbages, green onions, kidney beans, cucumbers, Chinese chives, eggplants, peppers, green peppers, potatoes, tomatoes and rapes to make a comparative analysis with prediction algorithms. Meanwhile, the methods to set up5kinds of weights are comparatively analyzed with the weighted arithmetic average prediction, the experiment results show that the latter is better than the other five methods if current year's prices are taken as with the lowest errors of weights, and the prediction with mean value is superior to a simple arithmetic average method. In addition,11different kinds of time-series non-seasonal exponential prediction methods are also studied, the results show that the curvilinear trend duration method of B-Gompartz and double exponential are not suitable for the prediction of produce's market price, among the methods of simple and weighted arithmetic averaging, of series with an average increment and with geometric averaging, of single and double moving averaging, of single and double exponential smoothing and of a rectilinear trend duration, the double moving averaging and the double exponential smoothing are superior to other methods and suitable for the prediction of produce's market price for their lower errors. On the basis of the experiment results, the research puts forward an improved prediction method of double exponential smoothing which is superior to the previous one and the double moving averaging for its lowest errors, when there is a different quotient of single and double exponential, all the sums of squared errors is no more than those when there is the same quotient. At the same time, the research compares the horizontal prediction and the tendency prediction with seasonal indices, the results show that there is a distinct difference between the sums of squared errors with these two methods, and the actual predictive price should be predicted with the lower squared errors. As to the determination of produce with an abnormal price, the research puts forward two methods, that is, the squared errors of predictive price and actual errors as well as historical errors, so as to determine the produce with monthly abnormal price and that with an abnormal price last year and this year.
Websites which provide produce prices usually give an initial price. On the basis of data taken from various websites, the research develops a Web-based analytic system of produce price with the help of MyEclipse enterprise workbench so as to achieve the function of price search, price analysis and price prediction, and so forth. The function of price analysis includes the analysis of price trend, the comparison of price from different provinces, that of different varieties, that of chain relative and year-on-year ratio and that from different markets. The function of price prediction includes the prediction of unit value and that of trend, and the comparison of price from different provinces includes the comparison of price of a certain day and within a certain period of time, and so on, meanwhile the analytic results are shown in the form of line charts, bar charts or maps with a beautiful interface and a practical function. The intelligent Web information analysis method of market price of various produce can help the agricultural administrations, agricultural enterprises and farmers master the variety of price and the tendency of different regions and different produce.
引文
1.曾顺.2007.精通CSS+DIV网页样式与布局[M].人民邮电出版社.
2.陈恩红,范众,王行甫,蔡庆生.1999.网际网上半结构化数据抽取与知识发现方法及其实现[J].计算机科学,26(10)：49-52.
3.陈挺,刘嘉勇,夏天,范刚.2009.基于平板型Web论坛的信息抽取研究[J].成都信息工程学院学报,24(1)：1-4.
4.陈华,梁循,杨健.2007.面向专题的智能化中文搜索引擎[J].广西师范大学学报：自然科学版,25(2)：103-106.
5.陈波.2001.EJB容器集群系统设计与原型实现[D].电子科技大学.
6.陈殿阁.2004.市场调查与预测[M].清华大学出版社,北京交通大学出版社.
7.程贤禄.2002.北京农产品批发市场蔬菜价格预测预报体系研究[J].北京农业科学,(2)：1-1O.
8.程显林,王敬山,韩冬,姜建国.2008.互联网络科技信息自动抽取系统的开发[J].大庆石油学院学报,32(6)：103-106.
9.丁琳琳,孟军.2012.两种模型对中国生猪价格预测效果的比较[J].统计与决策,(4)：74-76.
10.东梅,赵俊杰.2009.市场分形理论与2009年中国小麦价格预测[J].乡镇经济,(9)：16-18.
11.丁宝琼,谢远平,吴琼.2009.基于改进DOM树的网页去噪声方法[J].计算机应用,29：175-177.
12.陈春玲.2009.电能质量扰动分析方法与监测研究[D].沈阳农业大学.
13.董晓霞,李干琼,刘自杰.2010.农产品市场价格短期预测方法的选择及应用——以鲜奶零售价格为例[J].山东农业科学,(1)：109-113.
14.傅如南,林丕源,严尚维等.2008.基于ARIMA的肉鸡价格预测建模与应用[J].中国畜牧杂志,44(20)：17-21.
15.许建潮.2005.Web挖掘中若干问题的研究[D].吉林大学.
16.郭超.2009.农产品价格数据挖掘与趋势预测模型的研究[D].济南：山东大学.
17.贡正仙,朱巧明,李培峰.2006.基于相似页面的Web信息抽取系统的实现[J].计算机应用,26(8)：1983-1986.
18.韩存鸽,燕敏.2009.Web信息抽取方法研究[J].计算机系统应用,(7)：172-175.
19.何召卫,陈俊亮.2007.基于本体关系匹配的信息抽取[J].计算机工程,(21)：207-209.
20.黄锋,吴华瑞,朱华吉,钟熙,杨宝祝.2008.Web应用性能测试工具研究与实现[J].计算机工程与设计,29(13)：3465-3467.
21.黄淑芹.2012.基于XML的WEB数据抽取模型研究[J].通化师范学院学报,33(2)：31-33.
22.黄豫清,戚广志,张福炎.2000.从WEB文档中构造半结构化信息的抽取器.软件学报,11(1)：73-78.
2.胡亮,袁芳,齐芸芸.2009.农业垂直搜索引擎信息抽取的研究[J].计算机工程与设计,30(5).1115-1118.
23.胡国晴,李建华.2009.一种自动抽取Web信息方法的设计与实现[J].计算机与现代化,(01)：38-40.
24.胡代平,王浣尘,刘豹.2000.预测支持系统的研究与发展[J].系统工程学报,15(03).281-286.
25.胡军伟,秦奕青,张伟.2011.正则表达式在Web信息抽取中的应用[J].北京信息科技大学学报,26(6)：86-89.
26.冀高峰,汤庸,道炜,吴桂宾，黄帆,王鹏.2008.基于XML的自动学习Web信息抽取[J].计算机科学,35(3)：87-90.
27.王贤.2007.基于树结构的Deep Web数据抽取研究[D].昆明理工大学.
28.姜海洋.2011.Web应用程序的数据库语义发现方法研究[D].哈尔滨工程大学.
29.姜吉发.2004.自由文本的信息抽取模式获取的研究[D].中国科学院计算技术研究所.
30.姜海洋,伊明,赵孟.2006.一种自动化的网页数据抽取方法[J].科学技术与工程,6(14)：2174-2176.
31.蒋白懿,代进,高金良.2008.城市日用水量预测模型比较研究[J].沈阳建筑大学学报：自然科学版,(2)：278—281.
32.金岳富.2009.Web信息采集与信息抽取技术的研究[D].哈尔滨理工大学.
33.康竹君,马红瀚.2007.关于中国农产品价格上涨的经济学分析及对策[J].云南社会科学,(6)：98-101.
34.李志强.2000.农产品市场分析重点与关键技术.农业科技展望,(1)：53-58.
35.李干琼,许世卫,李哲敏,董晓霞.2010.农产品市场价格超短期预测研究_基于西红柿日批发价格的现代时间序列法建模[J].华中农业大学学报(社会科学版),(6)：40-45.
36.李艳,刘军.2011.农产品价格预测系统设计与实现[J].湖北农业科学,50(14)：2976-2978.
37.李洋.2007.基于Web的信息抽取研究[J].吉林工程技术师范学院学报,23(12)：70-71.
38.李国柱,刘德智.2009.计量经济学试验教程[M].北京：中国经济出版社.
39.李盛韬.2002.基于主题的Web信息采集技术研究[D].中国科学院计算技术研究所.
40.李盛韬,余智华,程学旗,白硕.2003.信息采集研究进展[J].计算机科学,30(2)：152-157.
41.李香敏.2000. SQL Server 2000Programmer's Guide编程员指南[M].北京希望电子出版社.
42.李洋.2007.基于Web的信息抽取研究[J].吉林工程技术师范学院学报,23(12)：70-71.
43.李文奇,张忠能.2004.页面包装器自动生成的改进算法[J].计算机工程与应用,(22)：113-116.
44.李嵩松.2011.基于隐马尔可夫模型和计算智能的股票价格时间序列预测[D].哈尔滨工业大学.
45.刘庆元,王天春.1998.市场价格理论与实务[M].大连：东北财经大学出版社.
46.刘书琪,费月升.2004.黑龙江省大豆价格预测分析[J].边疆经济与文化,(6)：21-23.
47.刘洪宇.2001.商品市场价格的三时点预测模型及其应用[J].预测,20(3)：51-54.
48.刘琦,袁鹏翔,高冲.2011.基于二次插值组合灰色预测模型的房价预测[J].产业研究,186-187.
49.刘峰,王儒敬,李传席.2009.ARIMA模型在农产品价格预测中的应用[J].计算机工程与应用,45(25)：238-239.
50.刘春海,佟凤奇,崔涛.2007.粮食价格预测方法探讨[J].农业发展与金融,(6)：84.
51.刘晶,卫武.2004.市场价格预测模型体系研究[J].华中科技大学学报(社会科学版),1111-115.
52.刘海.2012.基于灰色系统理论的茧丝绸价格指数分析与预测[D].苏州大学.
53.罗长寿.2011.基于神经网络与遗传算法的蔬菜市场价格预测方法研究[J].科技通报,27(6)：881-894.
54.鲁沂.2007.农产品价格过快上涨的原因及对策[J].粤港澳市场与价格,(11)：22-25.
55.陆剑江,钱培德.2003.基于语料的Web页面抽取器的研究与实现[J].计算机工程,29(6)：34-35.
56.马雄威,朱再清.2008.灰色神经网络模型在猪肉价格预测中的应用[J].内蒙古农业大学学报：社会科学版,10(4)：91-93.
57.马孝斌,王婷,董霞等.2007.向量自回归法在生猪价格预测中的应用[J].中国畜牧杂 志,43(23)：4-6.
58.马丽丽.2009.番茄生长模型及日光温室小气候建模的研究.[D]沈阳农业大学.
59.苗开超.2009.基于指数平滑模型的农产品价格预测研究[D].安徽：合肥工业大学计算机学院.
60.孟军,刘秋水,王秀坤.2009.节点频度和语义距离相结合的网页正文信息抽取[J].计算机工程与应,45(1)：140-143.
61.梅雪,程学旗,郭岩,张刚,丁国栋.2008.一种全自动生成网页信息抽取Wrapper的方法[J].中文信息学报,22(1)：22-29.
62.廖涛,刘宗田,孔庆苹.2009.Web表格信息抽取模型的设计与实现[J].计算机应用与软件,26(4)72-74.
63.彭祥礼,朱小军,查志勇.2012.Web信息抽取和展现系统的设计与实现[J].研究与应用,10(2).23-26.
64.邱哲,符滔滔.2007.开发自己的搜索引擎Lucene 2.O+Heritrix[M].人民邮电出版社.
65.任伟宏.2011.农产品市场价格预测方法探析[J].中国农学通报,27(26)：209-212.
66.任玉,樊勇,郑家恒.2009.基于分块的网页主题文本抽取[J].广西师范大学学报：自然科学版,27(1)141-144.
67.任仲晟,薛永生.2009.基于树形结构的Web信息抽取[J].福建师范大学学报(自然科学版),25(3)：39-46.
68.任伟宏.2012.基于人工神经网络的水果价格短期预测研究[D].中国农业科学院.
69.孙涛.2010.面向半结构化数据的数据模型和数据挖掘方法研究[D].吉林大学.
70.孙志东,潘懋,孙知信,闫秋艳.2007.轻量级自适应搜索引擎的设计与实现[J].广西师范大学学报：自然科学版,25(2)：210-213.
71.孙敬水.2009.中级计量经济学[M].上海：上海财经大学出版社,285-297.
72.沈占民,张涛,田岗.2011.上半年陕西重要农产品价格监测分析[J].价格与市场,30-31.
73.沈占民,宋瑞华.2012.陕西生猪、猪肉市场价格监测分析及走势预测[J].价格与市场,31-32.
74.沈巍.2009.股票价格预测模型研究[J].财经问题研究,2009(7)：89-93.
75.田文君,申长军,郑文刚,张石锐,周冠华.2012.农产品价格信息采集与预警系统设计与实现[J].计算机工程与设计,33(5)：1816-1821.
76.唐江.2011.桥中国畜产品价格预测预警研究[D].福建农林大学.
77.王树进,崔玉亭,刘志民.2004.浅谈我国农业信息技术的研究与开发方向[J].农业科技管理,23(5)：15-19.
78.王舒鸿.2008.灰色预测模型在鸡蛋价格预测中的应用[J].中国禽业导刊,25(15)：48-50.
79.王素雅.2009.农产品短期价格分析及预测方法选择：以北京新发地批发市场苹果为例[D].北京：中国农业科学院.
80.王勇,张浩.2008.小麦期货价格预测的马尔科夫模型[J].安徽农业科学,36(5)：1721.
81.王春燕.2012.时序分析法在消费者价格指数预测与控制上的应用[J].西安文理学院学报：自然科学版,15(1)：48-52.
82.吴伟,陈建峡.2012.基于Heritrix的web信息抽取优化与实现[J].湖北工业大学学报,27(2)：23-26.
83.徐铁,耿佳宁.2009.网页信息抽取方法的研究.信息技术,(4)：112-115.
84.肖建鹏,张来顺,任星.2009.直推式支持向量机在Web信息抽取中的应用研究[J].计算机工程与应 用,45(2)：147-149.
85.谢华文.2010.广西农产品价格预测初探——以南宁市为例[J].广西农业科学,41(8)：862-865.
86.谢煜,张智光.2002.预测支持系统的发展趋势研究[J].预测,21(3)：22-25.
87.徐铁,耿佳宁.2009.网页信息抽取方法的研究[J].信息技术,(4)：112-115.
88.许世卫,李哲敏,李干琼,董晓霞.2011.农产品市场价格短期预测研究进展[J].中国农业科学,44(17)：3666-3675.
89.许童宇.2006.农村配电网络GIS平台设计及基于目标管理的供电可靠性研究[D].沈阳农业大学.
90.许世卫.2010.农业信息智能分析关键技术与应用.[J].中国科技论坛,(9)：128-135.
91.许笑.2011.分布式Web信息采集关键技术研究[D],哈尔滨工业大学.
92.徐国翔.2005.统计预测和决策[M].上海财经大学出版社,261-268.
93.杨晓宇.2003.Web的半结构化数据抽取的方法及其实现[J].太原师范学院学报(自然科学版).2(3).36-39.
94.杨俊,李志蜀.2008.基于DOM的WEB主题信息抽取[J].四川大学学报,45(5)：1077-1080.
95.杨万江,徐星明.2001.农业现代化测评[M].北京：社会科学文献出版社.
96.于江德,樊孝忠,尹继豪.2007.基于条件随机场的中文科研论文信息抽取[J].华南理工大学学报(自然科学版),35(9)：90-94.
97.于江德,王立新,樊孝忠.2009.基于自扩展的信息抽取模式自动获取于[J].小型微型计算机系统,30(5)：891-894.
98.俞琰.2008.基于隐马尔可夫模型的招聘网络信息抽取[J].北京电子科技学院学报,16(4)：93-98.
99.易丹辉.2008.数据分析与Eviews应用[M].北京：中国人民大学出版社.
100.张彩月.2012.基于网页结构的WEB信息抽取系统设计[J].计算机光盘软件与应用,(6)：155-157.
101.张冬梅,陈钊,陈剑.2012.基于改进DSE算法的web信息抽取[J].学术论坛,171-173.
102.张桂喜,马立平.2006.预测与决策概述[M].北京：首都经济贸易大学出版社.
103.张小栓(导师傅泽田教授).2003.水产品价格预测支持系统研究[D].中国农业大学.
104.张力.2012.Web信息采集技术综述[J].图书馆研究与工作,(2)：43-45.
105.张亮.2011.基于HTMLParser和HttpClient的网络爬虫原理与实现[J].电脑编程技巧与维护,94-95.
106.张玉良2005.一种基于后缀树的包装器自动生成方法的研究[D].吉林大学.
107.张善文,雷英杰,冯有前.2007. MATLAB在时间序列分析中的应用[M].西安电子科技大学出版社.27-29.
108.张淑英,李永强,汪传敬.2006.“十五”农产品价格回升的特点与影响[J].中国统计,(5)：55-56.
109.张兴旺.2008.我国农业信息分析工作的意义、问题与方向[J].农业图书情报学刊,(12)：8-10.
110.张帆.2000.关于信息分析方法论研究的几点看法[J].图书馆学研究,(1)：38-39.
111.郑家恒,菅小艳.2006.农作物信息抽取系统的设计与实现[J].计算机工程,32(7)：197-198.
112.周立柱,林玲.2005.聚焦爬虫技术研究综述[J].计算机应用,25(9)：1965-1969.1132.周鹏,吴华瑞,赵春江,杨宝祝,朱华吉.2009.基于Nutch农业搜索引擎的研究与设计[J].计算机工程与设计,30(3)：610-612.
114.周法国,王映龙,杨炳儒,宋泽锋.2009.非结构化信息抽取关键技术研究探讨[J].计算机工程与应用,45(14)：1-6.
115.祝美莲.2011.半结构化网页的信息抽取技术研究[D].中国石油大学.
116.赵闯.2010.结合灰色理论的BP神经网络猪肉价格预测的建模与改进研究[D].吉林大学.
117.赵城利.2004.基于web的信息智能感知技术及应用[D].国防科学技术大学.
118.赵友森,赵安平,王川.2011.北京蔬菜市场价格报警方法研究[J].价格月刊,33-37.
119. Ashu Jain. Ashish Kumar Varshney. Umesh Chandra Joshi.2001. Short-term water demand forecast modeling at IIT Kanpur using artificial neural networks[J].Water Resources Management, (15):299-321.
120. A. Cancelliere. G. Di Mauro. B. Bonaccorso. G. Rossi.2007. Drought forecasting using the Standardized Precipitation Index [J].Water Resources Management. (21):801-819.
121. Ashu Jain, Ashish Kumar Varshney, Umesh Chandra Joshi.2001. Short-term water demand forecast modelling at IIT Kanpur using artificial neural networks[J]. Water Resources Management, (15):299-321.
122.A. Cancelliere, G. Di Mauro, B. Bonaccorso, G.2007. Rossi. Drought forecasting using the Standardized Precipitation Index[J]. Water Resources Management, (21):801-819.
123.Alvarez Garrido F, Martinez Vicente S.1984. Price Forecasting in crop and livestock markets:an example for sheep price series in the Baza market Agriculturay Sociedad,30:9-36.
124. Dick. C. A. Bulterman.2004. Is it time for a Moratorium on Metadata[J]. IEEE Multimedia, (10-11):10-17.
125. Ezekiel M.1927. Two methods of forecast ing hog prices [J]. Journal of the American Stais ical Association,22(15):22-30.
126. Farzan Aminian. E. Dante Suarez. Mehran Aminian. Daniel T. Walz.2006. Forecasting economic dta with neural networks[J]. Computational Economics. (28):71-88.
127. Farzan Aminian, E. Dante. Suarez, Mehran Aminian, Daniel T. Walz.2006. Forecasting economic data with neural networks[J]. Computational Economics, (28):71-88.
128. Henry L M.1917. Forecast ing the Yield and the Price of Cotton[M]. New York:The Macmillan Company,100-113.
129.I.Foster, C. KesseIman.1999. The Grid:Blueprint for a Newcomputing Infrastructure[M]. San Francisco:Morgan Kaufmann Publishers Inc.
130. Jarrett F G. Short term forecasting of australian wool prices[J]. Australian Economic Paper,196(4):93-102.
131. La Via G, Nucifora A M D, Cucuzza G.2003. Short term forecasting of vegetables prices in Sicily. Acta Horticulturae,2:857-862.
132. Leal I.Melin P.2007. Time series forecasting of tomato prices in Mexico using modular neural networks and processing in parallel. Hybrid Intelligent Systems,208:385-402.
133.Luo C S, Wei Q F, Zhou L Y, Zhang J F, Sun S F.2011. Prediction of vegetable price based on neural network and genetic algorithm IFIP advances in information and communication technology,346:672-681.
134. Micha Werner, Paolo Reggiani, AD DE Roo, Paul Bates, Eric Prokkereef.2005. Flood forecasting and warning at the river basin and at the European scale[J]. Natural Hazards, (36):25-42.
135.Miguel Rocha, Jos'E Neves.2004. Evolving time series forecasting ARMA models[J]. Journal of Heuristics, (10):415-429.
136. Micha Werner. Paolo Reggiani. AD DE Roo. Paul Bates. Eric Prokkereef.2005. Flood forecasting and warning at the river basin and at the European scale[J]. Natural Hazards. (36):25-42.
137. Miguel Rocha. Jos'E Neves.2004. Evolving time series forecasting ARMA models[J]. Journal of Heuristics. (10):415-429. 138. Paulo C.2004. Evolving time series forecast ing ARMA models [J]. Journal of Heuristics, 10:415-429.
139. Schmitz A, Watts D G.1970. Forecasting wheat yield:an application of parametric time series modeling. American Journal of Agricultural Economics,52:247-254. 140. Sarle C F.1925. The f orecast ing of the price of hogs [J]. American Economic Review, 15(3):1-22.
141. Smith B B.1925. Forecasting the acreage of cotton[J]. Journal of the American Statistical Associat ion,20(149):31-47.
142. Schmit z A, Watts D G.1970. Forecast ing wheat yield:an application of parametric time series modeling [J]. American Journal of Agricultural Economics,52:247-254.
143. Trino-Manuel Niguez.2008. Volatility and VaR forecasting in the Madrid stock exchange[J]. Spanish Economic Review. (10):169-196.
144. TzongRu L, Cheng H F.2000. Application of Gray's theory to predict prices of agricultural products-the case of adzuki beans. Joumal of Agriculture and Forestry,49(2):83-92.
145. Trino-Manuel Niguez.2008. Volatility and VaR forecasting in the Madrid stock exchange [J]. Spanish Economic Review, (10):169-196.
146. Yu S H, Huang H R, Qu J Y.2009. Forecasting model of agricultural products prices in wholesale markets based on combined BP neural network-time series model//Proceedings of the 6th Conference of Biomathematics.
2.陈恩红,范众,王行甫,蔡庆生.1999.网际网上半结构化数据抽取与知识发现方法及其实现[J].计算机科学,26(10)：49-52.
3.陈挺,刘嘉勇,夏天,范刚.2009.基于平板型Web论坛的信息抽取研究[J].成都信息工程学院学报,24(1)：1-4.
4.陈华,梁循,杨健.2007.面向专题的智能化中文搜索引擎[J].广西师范大学学报：自然科学版,25(2)：103-106.
5.陈波.2001.EJB容器集群系统设计与原型实现[D].电子科技大学.
6.陈殿阁.2004.市场调查与预测[M].清华大学出版社,北京交通大学出版社.
7.程贤禄.2002.北京农产品批发市场蔬菜价格预测预报体系研究[J].北京农业科学,(2)：1-1O.
8.程显林,王敬山,韩冬,姜建国.2008.互联网络科技信息自动抽取系统的开发[J].大庆石油学院学报,32(6)：103-106.
9.丁琳琳,孟军.2012.两种模型对中国生猪价格预测效果的比较[J].统计与决策,(4)：74-76.
10.东梅,赵俊杰.2009.市场分形理论与2009年中国小麦价格预测[J].乡镇经济,(9)：16-18.
11.丁宝琼,谢远平,吴琼.2009.基于改进DOM树的网页去噪声方法[J].计算机应用,29：175-177.
12.陈春玲.2009.电能质量扰动分析方法与监测研究[D].沈阳农业大学.
13.董晓霞,李干琼,刘自杰.2010.农产品市场价格短期预测方法的选择及应用——以鲜奶零售价格为例[J].山东农业科学,(1)：109-113.
14.傅如南,林丕源,严尚维等.2008.基于ARIMA的肉鸡价格预测建模与应用[J].中国畜牧杂志,44(20)：17-21.
15.许建潮.2005.Web挖掘中若干问题的研究[D].吉林大学.
16.郭超.2009.农产品价格数据挖掘与趋势预测模型的研究[D].济南：山东大学.
17.贡正仙,朱巧明,李培峰.2006.基于相似页面的Web信息抽取系统的实现[J].计算机应用,26(8)：1983-1986.
18.韩存鸽,燕敏.2009.Web信息抽取方法研究[J].计算机系统应用,(7)：172-175.
19.何召卫,陈俊亮.2007.基于本体关系匹配的信息抽取[J].计算机工程,(21)：207-209.
20.黄锋,吴华瑞,朱华吉,钟熙,杨宝祝.2008.Web应用性能测试工具研究与实现[J].计算机工程与设计,29(13)：3465-3467.
21.黄淑芹.2012.基于XML的WEB数据抽取模型研究[J].通化师范学院学报,33(2)：31-33.
22.黄豫清,戚广志,张福炎.2000.从WEB文档中构造半结构化信息的抽取器.软件学报,11(1)：73-78.
2.胡亮,袁芳,齐芸芸.2009.农业垂直搜索引擎信息抽取的研究[J].计算机工程与设计,30(5).1115-1118.
23.胡国晴,李建华.2009.一种自动抽取Web信息方法的设计与实现[J].计算机与现代化,(01)：38-40.
24.胡代平,王浣尘,刘豹.2000.预测支持系统的研究与发展[J].系统工程学报,15(03).281-286.
25.胡军伟,秦奕青,张伟.2011.正则表达式在Web信息抽取中的应用[J].北京信息科技大学学报,26(6)：86-89.
26.冀高峰,汤庸,道炜,吴桂宾，黄帆,王鹏.2008.基于XML的自动学习Web信息抽取[J].计算机科学,35(3)：87-90.
27.王贤.2007.基于树结构的Deep Web数据抽取研究[D].昆明理工大学.
28.姜海洋.2011.Web应用程序的数据库语义发现方法研究[D].哈尔滨工程大学.
29.姜吉发.2004.自由文本的信息抽取模式获取的研究[D].中国科学院计算技术研究所.
30.姜海洋,伊明,赵孟.2006.一种自动化的网页数据抽取方法[J].科学技术与工程,6(14)：2174-2176.
31.蒋白懿,代进,高金良.2008.城市日用水量预测模型比较研究[J].沈阳建筑大学学报：自然科学版,(2)：278—281.
32.金岳富.2009.Web信息采集与信息抽取技术的研究[D].哈尔滨理工大学.
33.康竹君,马红瀚.2007.关于中国农产品价格上涨的经济学分析及对策[J].云南社会科学,(6)：98-101.
34.李志强.2000.农产品市场分析重点与关键技术.农业科技展望,(1)：53-58.
35.李干琼,许世卫,李哲敏,董晓霞.2010.农产品市场价格超短期预测研究_基于西红柿日批发价格的现代时间序列法建模[J].华中农业大学学报(社会科学版),(6)：40-45.
36.李艳,刘军.2011.农产品价格预测系统设计与实现[J].湖北农业科学,50(14)：2976-2978.
37.李洋.2007.基于Web的信息抽取研究[J].吉林工程技术师范学院学报,23(12)：70-71.
38.李国柱,刘德智.2009.计量经济学试验教程[M].北京：中国经济出版社.
39.李盛韬.2002.基于主题的Web信息采集技术研究[D].中国科学院计算技术研究所.
40.李盛韬,余智华,程学旗,白硕.2003.信息采集研究进展[J].计算机科学,30(2)：152-157.
41.李香敏.2000. SQL Server 2000Programmer's Guide编程员指南[M].北京希望电子出版社.
42.李洋.2007.基于Web的信息抽取研究[J].吉林工程技术师范学院学报,23(12)：70-71.
43.李文奇,张忠能.2004.页面包装器自动生成的改进算法[J].计算机工程与应用,(22)：113-116.
44.李嵩松.2011.基于隐马尔可夫模型和计算智能的股票价格时间序列预测[D].哈尔滨工业大学.
45.刘庆元,王天春.1998.市场价格理论与实务[M].大连：东北财经大学出版社.
46.刘书琪,费月升.2004.黑龙江省大豆价格预测分析[J].边疆经济与文化,(6)：21-23.
47.刘洪宇.2001.商品市场价格的三时点预测模型及其应用[J].预测,20(3)：51-54.
48.刘琦,袁鹏翔,高冲.2011.基于二次插值组合灰色预测模型的房价预测[J].产业研究,186-187.
49.刘峰,王儒敬,李传席.2009.ARIMA模型在农产品价格预测中的应用[J].计算机工程与应用,45(25)：238-239.
50.刘春海,佟凤奇,崔涛.2007.粮食价格预测方法探讨[J].农业发展与金融,(6)：84.
51.刘晶,卫武.2004.市场价格预测模型体系研究[J].华中科技大学学报(社会科学版),1111-115.
52.刘海.2012.基于灰色系统理论的茧丝绸价格指数分析与预测[D].苏州大学.
53.罗长寿.2011.基于神经网络与遗传算法的蔬菜市场价格预测方法研究[J].科技通报,27(6)：881-894.
54.鲁沂.2007.农产品价格过快上涨的原因及对策[J].粤港澳市场与价格,(11)：22-25.
55.陆剑江,钱培德.2003.基于语料的Web页面抽取器的研究与实现[J].计算机工程,29(6)：34-35.
56.马雄威,朱再清.2008.灰色神经网络模型在猪肉价格预测中的应用[J].内蒙古农业大学学报：社会科学版,10(4)：91-93.
57.马孝斌,王婷,董霞等.2007.向量自回归法在生猪价格预测中的应用[J].中国畜牧杂 志,43(23)：4-6.
58.马丽丽.2009.番茄生长模型及日光温室小气候建模的研究.[D]沈阳农业大学.
59.苗开超.2009.基于指数平滑模型的农产品价格预测研究[D].安徽：合肥工业大学计算机学院.
60.孟军,刘秋水,王秀坤.2009.节点频度和语义距离相结合的网页正文信息抽取[J].计算机工程与应,45(1)：140-143.
61.梅雪,程学旗,郭岩,张刚,丁国栋.2008.一种全自动生成网页信息抽取Wrapper的方法[J].中文信息学报,22(1)：22-29.
62.廖涛,刘宗田,孔庆苹.2009.Web表格信息抽取模型的设计与实现[J].计算机应用与软件,26(4)72-74.
63.彭祥礼,朱小军,查志勇.2012.Web信息抽取和展现系统的设计与实现[J].研究与应用,10(2).23-26.
64.邱哲,符滔滔.2007.开发自己的搜索引擎Lucene 2.O+Heritrix[M].人民邮电出版社.
65.任伟宏.2011.农产品市场价格预测方法探析[J].中国农学通报,27(26)：209-212.
66.任玉,樊勇,郑家恒.2009.基于分块的网页主题文本抽取[J].广西师范大学学报：自然科学版,27(1)141-144.
67.任仲晟,薛永生.2009.基于树形结构的Web信息抽取[J].福建师范大学学报(自然科学版),25(3)：39-46.
68.任伟宏.2012.基于人工神经网络的水果价格短期预测研究[D].中国农业科学院.
69.孙涛.2010.面向半结构化数据的数据模型和数据挖掘方法研究[D].吉林大学.
70.孙志东,潘懋,孙知信,闫秋艳.2007.轻量级自适应搜索引擎的设计与实现[J].广西师范大学学报：自然科学版,25(2)：210-213.
71.孙敬水.2009.中级计量经济学[M].上海：上海财经大学出版社,285-297.
72.沈占民,张涛,田岗.2011.上半年陕西重要农产品价格监测分析[J].价格与市场,30-31.
73.沈占民,宋瑞华.2012.陕西生猪、猪肉市场价格监测分析及走势预测[J].价格与市场,31-32.
74.沈巍.2009.股票价格预测模型研究[J].财经问题研究,2009(7)：89-93.
75.田文君,申长军,郑文刚,张石锐,周冠华.2012.农产品价格信息采集与预警系统设计与实现[J].计算机工程与设计,33(5)：1816-1821.
76.唐江.2011.桥中国畜产品价格预测预警研究[D].福建农林大学.
77.王树进,崔玉亭,刘志民.2004.浅谈我国农业信息技术的研究与开发方向[J].农业科技管理,23(5)：15-19.
78.王舒鸿.2008.灰色预测模型在鸡蛋价格预测中的应用[J].中国禽业导刊,25(15)：48-50.
79.王素雅.2009.农产品短期价格分析及预测方法选择：以北京新发地批发市场苹果为例[D].北京：中国农业科学院.
80.王勇,张浩.2008.小麦期货价格预测的马尔科夫模型[J].安徽农业科学,36(5)：1721.
81.王春燕.2012.时序分析法在消费者价格指数预测与控制上的应用[J].西安文理学院学报：自然科学版,15(1)：48-52.
82.吴伟,陈建峡.2012.基于Heritrix的web信息抽取优化与实现[J].湖北工业大学学报,27(2)：23-26.
83.徐铁,耿佳宁.2009.网页信息抽取方法的研究.信息技术,(4)：112-115.
84.肖建鹏,张来顺,任星.2009.直推式支持向量机在Web信息抽取中的应用研究[J].计算机工程与应 用,45(2)：147-149.
85.谢华文.2010.广西农产品价格预测初探——以南宁市为例[J].广西农业科学,41(8)：862-865.
86.谢煜,张智光.2002.预测支持系统的发展趋势研究[J].预测,21(3)：22-25.
87.徐铁,耿佳宁.2009.网页信息抽取方法的研究[J].信息技术,(4)：112-115.
88.许世卫,李哲敏,李干琼,董晓霞.2011.农产品市场价格短期预测研究进展[J].中国农业科学,44(17)：3666-3675.
89.许童宇.2006.农村配电网络GIS平台设计及基于目标管理的供电可靠性研究[D].沈阳农业大学.
90.许世卫.2010.农业信息智能分析关键技术与应用.[J].中国科技论坛,(9)：128-135.
91.许笑.2011.分布式Web信息采集关键技术研究[D],哈尔滨工业大学.
92.徐国翔.2005.统计预测和决策[M].上海财经大学出版社,261-268.
93.杨晓宇.2003.Web的半结构化数据抽取的方法及其实现[J].太原师范学院学报(自然科学版).2(3).36-39.
94.杨俊,李志蜀.2008.基于DOM的WEB主题信息抽取[J].四川大学学报,45(5)：1077-1080.
95.杨万江,徐星明.2001.农业现代化测评[M].北京：社会科学文献出版社.
96.于江德,樊孝忠,尹继豪.2007.基于条件随机场的中文科研论文信息抽取[J].华南理工大学学报(自然科学版),35(9)：90-94.
97.于江德,王立新,樊孝忠.2009.基于自扩展的信息抽取模式自动获取于[J].小型微型计算机系统,30(5)：891-894.
98.俞琰.2008.基于隐马尔可夫模型的招聘网络信息抽取[J].北京电子科技学院学报,16(4)：93-98.
99.易丹辉.2008.数据分析与Eviews应用[M].北京：中国人民大学出版社.
100.张彩月.2012.基于网页结构的WEB信息抽取系统设计[J].计算机光盘软件与应用,(6)：155-157.
101.张冬梅,陈钊,陈剑.2012.基于改进DSE算法的web信息抽取[J].学术论坛,171-173.
102.张桂喜,马立平.2006.预测与决策概述[M].北京：首都经济贸易大学出版社.
103.张小栓(导师傅泽田教授).2003.水产品价格预测支持系统研究[D].中国农业大学.
104.张力.2012.Web信息采集技术综述[J].图书馆研究与工作,(2)：43-45.
105.张亮.2011.基于HTMLParser和HttpClient的网络爬虫原理与实现[J].电脑编程技巧与维护,94-95.
106.张玉良2005.一种基于后缀树的包装器自动生成方法的研究[D].吉林大学.
107.张善文,雷英杰,冯有前.2007. MATLAB在时间序列分析中的应用[M].西安电子科技大学出版社.27-29.
108.张淑英,李永强,汪传敬.2006.“十五”农产品价格回升的特点与影响[J].中国统计,(5)：55-56.
109.张兴旺.2008.我国农业信息分析工作的意义、问题与方向[J].农业图书情报学刊,(12)：8-10.
110.张帆.2000.关于信息分析方法论研究的几点看法[J].图书馆学研究,(1)：38-39.
111.郑家恒,菅小艳.2006.农作物信息抽取系统的设计与实现[J].计算机工程,32(7)：197-198.
112.周立柱,林玲.2005.聚焦爬虫技术研究综述[J].计算机应用,25(9)：1965-1969.1132.周鹏,吴华瑞,赵春江,杨宝祝,朱华吉.2009.基于Nutch农业搜索引擎的研究与设计[J].计算机工程与设计,30(3)：610-612.
114.周法国,王映龙,杨炳儒,宋泽锋.2009.非结构化信息抽取关键技术研究探讨[J].计算机工程与应用,45(14)：1-6.
115.祝美莲.2011.半结构化网页的信息抽取技术研究[D].中国石油大学.
116.赵闯.2010.结合灰色理论的BP神经网络猪肉价格预测的建模与改进研究[D].吉林大学.
117.赵城利.2004.基于web的信息智能感知技术及应用[D].国防科学技术大学.
118.赵友森,赵安平,王川.2011.北京蔬菜市场价格报警方法研究[J].价格月刊,33-37.
119. Ashu Jain. Ashish Kumar Varshney. Umesh Chandra Joshi.2001. Short-term water demand forecast modeling at IIT Kanpur using artificial neural networks[J].Water Resources Management, (15):299-321.
120. A. Cancelliere. G. Di Mauro. B. Bonaccorso. G. Rossi.2007. Drought forecasting using the Standardized Precipitation Index [J].Water Resources Management. (21):801-819.
121. Ashu Jain, Ashish Kumar Varshney, Umesh Chandra Joshi.2001. Short-term water demand forecast modelling at IIT Kanpur using artificial neural networks[J]. Water Resources Management, (15):299-321.
122.A. Cancelliere, G. Di Mauro, B. Bonaccorso, G.2007. Rossi. Drought forecasting using the Standardized Precipitation Index[J]. Water Resources Management, (21):801-819.
123.Alvarez Garrido F, Martinez Vicente S.1984. Price Forecasting in crop and livestock markets:an example for sheep price series in the Baza market Agriculturay Sociedad,30:9-36.
124. Dick. C. A. Bulterman.2004. Is it time for a Moratorium on Metadata[J]. IEEE Multimedia, (10-11):10-17.
125. Ezekiel M.1927. Two methods of forecast ing hog prices [J]. Journal of the American Stais ical Association,22(15):22-30.
126. Farzan Aminian. E. Dante Suarez. Mehran Aminian. Daniel T. Walz.2006. Forecasting economic dta with neural networks[J]. Computational Economics. (28):71-88.
127. Farzan Aminian, E. Dante. Suarez, Mehran Aminian, Daniel T. Walz.2006. Forecasting economic data with neural networks[J]. Computational Economics, (28):71-88.
128. Henry L M.1917. Forecast ing the Yield and the Price of Cotton[M]. New York:The Macmillan Company,100-113.
129.I.Foster, C. KesseIman.1999. The Grid:Blueprint for a Newcomputing Infrastructure[M]. San Francisco:Morgan Kaufmann Publishers Inc.
130. Jarrett F G. Short term forecasting of australian wool prices[J]. Australian Economic Paper,196(4):93-102.
131. La Via G, Nucifora A M D, Cucuzza G.2003. Short term forecasting of vegetables prices in Sicily. Acta Horticulturae,2:857-862.
132. Leal I.Melin P.2007. Time series forecasting of tomato prices in Mexico using modular neural networks and processing in parallel. Hybrid Intelligent Systems,208:385-402.
133.Luo C S, Wei Q F, Zhou L Y, Zhang J F, Sun S F.2011. Prediction of vegetable price based on neural network and genetic algorithm IFIP advances in information and communication technology,346:672-681.
134. Micha Werner, Paolo Reggiani, AD DE Roo, Paul Bates, Eric Prokkereef.2005. Flood forecasting and warning at the river basin and at the European scale[J]. Natural Hazards, (36):25-42.
135.Miguel Rocha, Jos'E Neves.2004. Evolving time series forecasting ARMA models[J]. Journal of Heuristics, (10):415-429.
136. Micha Werner. Paolo Reggiani. AD DE Roo. Paul Bates. Eric Prokkereef.2005. Flood forecasting and warning at the river basin and at the European scale[J]. Natural Hazards. (36):25-42.
137. Miguel Rocha. Jos'E Neves.2004. Evolving time series forecasting ARMA models[J]. Journal of Heuristics. (10):415-429. 138. Paulo C.2004. Evolving time series forecast ing ARMA models [J]. Journal of Heuristics, 10:415-429.
139. Schmitz A, Watts D G.1970. Forecasting wheat yield:an application of parametric time series modeling. American Journal of Agricultural Economics,52:247-254. 140. Sarle C F.1925. The f orecast ing of the price of hogs [J]. American Economic Review, 15(3):1-22.
141. Smith B B.1925. Forecasting the acreage of cotton[J]. Journal of the American Statistical Associat ion,20(149):31-47.
142. Schmit z A, Watts D G.1970. Forecast ing wheat yield:an application of parametric time series modeling [J]. American Journal of Agricultural Economics,52:247-254.
143. Trino-Manuel Niguez.2008. Volatility and VaR forecasting in the Madrid stock exchange[J]. Spanish Economic Review. (10):169-196.
144. TzongRu L, Cheng H F.2000. Application of Gray's theory to predict prices of agricultural products-the case of adzuki beans. Joumal of Agriculture and Forestry,49(2):83-92.
145. Trino-Manuel Niguez.2008. Volatility and VaR forecasting in the Madrid stock exchange [J]. Spanish Economic Review, (10):169-196.
146. Yu S H, Huang H R, Qu J Y.2009. Forecasting model of agricultural products prices in wholesale markets based on combined BP neural network-time series model//Proceedings of the 6th Conference of Biomathematics.
© 2004-2018 中国地质图书馆版权所有 京ICP备05064691号 京公网安备11010802017129号 地址：北京市海淀区学院路29号 邮编：100083 电话：办公室：(+86 10)66554848；文献借阅、咨询服务、科技查新：66554700 |