项目实训第三周第二次记录

---

7.14

价格预测模型

今天利用新的k-means对于原始农产品数据进行聚类，并实现这些农产品的价格预测。
第二次迭代又爬取了相关数据，这里使用的农产品数据相较之前多了600多种，使模型内容更加丰富。对价格时间序列进行聚类后形成20个类。
跑好的三个模型如下（分别对应聚类后的三个类，其中对不同市场的不同农产品进行了标号，方便表示每个类中有哪些具体市场的具体农产品）：

[21, 24, 26, 28, 58, 59, 74, 82, 83, 87, 91, 107, 110, 112, 113, 116, 117, 118, 119, 122, 124, 125, 135, 137, 138, 140, 157, 161, 181, 195, 196, 197, 199, 216, 217, 218, 227, 229, 230, 231, 234, 235, 237, 240, 268, 283, 292]

模型效果：


[79, 93, 155, 175, 177, 178, 204, 205, 236, 238, 242, 243, 244, 258, 261, 262, 263, 265, 266, 293]

模型效果：

[14, 15, 16, 17, 18, 19, 25, 32, 53, 54, 68, 70, 71, 73, 76, 77, 108, 115, 120, 132, 136, 146, 148, 150, 160, 176, 208, 209, 210, 211, 220, 225, 228, 232, 260, 264, 273, 275, 278, 279, 282, 284, 286, 289, 290, 291, 294]

模型效果：


可以看到使用这种方式聚类后的模型效果比之前好了很多，而且达到了减少模型数量的目的。

---

7.15

价格预测模型

继续处理其他农产品，今天处理好的模型效果如下：

[55, 151, 152, 153, 203, 270, 271, 272]

模型效果：


[1, 2, 22, 56, 57, 141, 142, 143, 267, 300]

模型效果：


[41, 42, 43, 46, 47, 49, 51, 60, 92, 104, 105, 106, 127, 130, 131, 133, 147, 164, 169, 171, 185, 186, 188, 191, 192, 193, 200, 246, 248, 251, 295, 296, 298, 299]

---

7.16

价格预测模型

今天进行剩下最后四个类的处理。

[23, 27, 29, 40, 44, 45, 48, 50, 52, 80, 81, 84, 85, 86, 88, 89, 90, 109, 111, 114, 121, 123, 128, 129, 134, 139, 149, 154, 158, 159, 162, 163, 166, 167, 168, 170, 182, 183, 184, 187, 190, 194, 198, 201, 202, 219, 221, 222, 223, 224, 226, 233, 253, 254, 255, 256, 257, 259, 269, 281, 285, 297]

模型效果：

[126, 239, 241, 245, 247]

模型效果：


[3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 20, 31, 33, 34, 35, 36, 37, 38, 39, 63, 64, 65, 66, 67, 69, 72, 75, 144, 145, 165, 189, 206, 207, 212, 213, 215, 274, 276, 277, 280, 287, 288]

预测效果：


[30, 61, 62, 78, 94, 95, 96, 97, 98, 99, 100, 101, 102, 103, 156, 172, 173, 174, 179, 180, 214, 249, 250, 252, 301]

模型效果：

在聚类时并不顺利，导入数据运行时遇到了很多小问题，有些是数据格式的问题，还有一些其他的问题。最终，我们完成了对扩充后的数据集的价格预测模型的优化，聚类效果很好，loss很低，预测效果也很好，更有说服力！