农场品价格的加权LSTM模型产品系统Vibe Coding

本项目立足于农产品供应链与农业经济管理领域。蔬菜价格波动剧烈且流通环节繁多，导致田头收购价与终端零售价之间存在严重的信息不对称和价格传导滞后。本项目旨在解决蔬菜流通环节中批零差价不透明、田头价格难以精准预测的痛点。通过构建基于深度学习的预测模型，为政府监管部门提供价格异常预警，为农业合作社和批发商提供科学的定价与采购决策依据，从而平抑市场价格波动，保障菜农收益与市民“菜篮子”稳定。

本项目包含两大核心预测模块：批零差价预测模型与田头价格预测模型。系统首先对来自郑州、温州、兰州三个城市、8 种常见蔬菜的周度批发价与零售价数据进行清洗与特征工程。主要功能包括：

多维度特征提取：自动计算滚动变异系数、波动率、价格加速度、移动平均线及季节性正弦/余弦特征，并引入滞后特征（Lag）捕捉时序依赖。

LSTM 深度学习预测：利用长短期记忆网络（LSTM）结合城市与蔬菜品种的嵌入（Embedding）特征，分别预测未来的批零差价和田头价。

多维度可视化评估：自动生成训练损失曲线、真实值与预测值散点图、误差分布直方图及分品种/分地区的 RMSE 对比图，并输出详细的预测结果汇总表。

我负责的任务：
我独立负责了数据预处理、特征工程、模型架构设计、训练调优及可视化模块的开发。具体包括构建基于变异系数增强的特征集，设计双路 LSTM 网络结构，并针对温州地区高误差品种（如青椒、茄子、西红柿）引入样本加权机制。

技术栈与架构：
项目采用 Python 生态，核心依赖 PyTorch（LSTM、Embedding、BatchNorm）、Pandas（数据处理）、Scikit-learn（归一化、LabelEncoder、指标计算）及 Matplotlib/Seaborn（可视化）。

实现亮点与难点：

变异系数增强：创新性地引入滚动变异系数（CV）作为特征，并基于全局 CV 为样本动态加权，有效提升了模型对高波动品种的预测鲁棒性。

多源异构特征融合：将批发价、零售价、计算出的田头价及 theta 参数，与时间序列的滞后特征、统计特征（MA、Vol、Acc）进行深度融合。

难点攻克：解决了温州地区特定蔬菜预测误差偏高的问题，通过针对性样本加权和 HuberLoss 损失函数，有效抑制了异常值对模型的干扰，提升了整体预测精度。