本发明涉及人工智能，尤其涉及基于pca-boa-svr模型的内蒙古鸡蛋价格预测方法、设备和存储介质。
背景技术：
1、内蒙古是我国农业、畜牧业发展的重点地区，在农产品生产和供应方面具有重要地位。其中，鸡蛋作为人们日常生活中常见的一种食物，在农牧业经济中扮演着重要角色。对内蒙古的鸡蛋价格进行预测能够为农业生产者、市场监管机构、经销商和消费者提供重要的决策参考，帮助实现农产品市场的稳定运行、市场供需平衡、经济效益最大化和消费者福利的提升。
2、在价格预测模型的研究方面，2018年，s.e.kibona等采用自回归积分滑动平均(arima)模型对农产品价格进行预测，预测结果在95％的置信区间内。2019年，周李涌等人采用pca-bp神经网络对羊肉价格进行预测，结果表明与单一的bp神经网络相比，pca-bp具有更小的拟合误差和更高的精度。2020年，张一凡和范春华采用arima时间序列分析模型以2013年1月1日到2019年7月31日每周鸡蛋价格为基础，对随后8周的鸡蛋价格进行预测。结果发现模型的精度较高。2020年，p.das等使用基于经验模式分解(emd)的支持向量回归(svr)模型对辣椒批发价格指数进行建模和预测。结果表明：与标准svr相比，所提出的模型明显优越。2021年，吴培、李哲敏探讨不同指标选择下c(n)-midas模型对中国鸡蛋的预测精度变化，结果发现c(n)-midas模型用于鸡蛋价格短期预测具有比较优势。2021年，高扬和安思博通过bp神经网络的方法预测4周、12周、24周以及32周后的鸡蛋现货价格，结论表明bp神经网络模型的预测效果优于期货市场，即期货市场在短期有较好的预测能力，而bp神经网络模型在长期优于期货市场预测能力，该模型的均方根误差低于基于一维时间序列模型的预测结果。2022年，e.liu等通过灰色关联分析法筛选价格影响因素的特征变量以降低冗余性，并使用粒子群算法对bp神经网络预测模型进行超参数优化，平均绝对百分比误差低于多元线性回归、随机森林等模型，得到了较好的预测效果。2023年，李博薇、邸梦醉等通过麻雀搜索算法(ssa)对极限学习机(elm)进行优化，构建了pca-ssa-elm模型，对河北省2021年1月份-2022年5月份共17个月的鸡蛋价格进行预测及预警，结果表明模型整体拟合效果较好。
3、综上所述，目前关于鸡蛋以及其他农产品的价格预测研究已较为丰富，但是仍然存在一些问题与不足：第一，尽管有一些学者已经对鸡蛋价格进行了研究，但是他们的研究大多集中在全国范围内，而对地区范围内的鸡蛋价格的研究却很少；第二，目前已有的对于鸡蛋价格预测的研究不论是以全国为范围还是以省份为范围，在影响鸡蛋价格的特征变量选取上都没有考虑到地域条件这一影响因素。
技术实现思路
1、针对上述存在的问题，本发明旨在提供一种基于pca-boa-svr模型的内蒙古鸡蛋价格预测方法、设备和存储介质，针对内蒙古自治区的地域条件，确定了14个影响鸡蛋价格的影响因素，研究选择对小样本数据集有较好预测能力的支持向量机回归(svr)对鸡蛋价格进行预测，并选用蝴蝶优化算法(boa)对svr中的超参数进行优化，以提高svr的预测能力。
2、为了实现上述目的，本发明所采用的技术方案如下：
3、基于pca-boa-svr模型的内蒙古鸡蛋价格预测方法，包括以下步骤，
4、s1：确定用于内蒙古鸡蛋价格预测的影响因素，获取原始数据；
5、s2：基于主成分分析法，对原始数据进行降维处理；
6、s3：使用蝴蝶优化算法-支持向量机模型和步骤s2中降维处理后的数据集，对鸡蛋价格进行预测。
7、进一步的，步骤s1中所述的影响因素包括玉米价格、豆粕价格、小麦价格、蛋鸡配合饲料价格、鸡苗价格、猪肉价格、活鸡价格、牛肉价格、羊肉价格、居民消费价格指数、白条鸡价格、居民蛋消费价格指数、水产品类居民消费价格指数和地区。
8、进一步的，步骤s2的具体操作包括以下步骤，
9、s201：数据标准化，确保每个特征的均值为0，标准差为1；
10、s202：计算协方差矩阵；
11、s203：计算特征值和特征向量；
12、s204：选择主成分数量；
13、s205：生成新的特征矩阵。
14、进一步的，在步骤s202计算协方差矩阵之前，对步骤s201中标准化处理后的数据进行kmo检验和bartlett检验。
15、进一步的，步骤s3的具体操作包括以下步骤，
16、s301：使用boa算法优化svr参数，构建boa-svr模型；
17、s302：使用步骤s301中构建的boa-svr模型，以及步骤s2中降维处理后的数据集，对鸡蛋价格进行预测。
18、进一步的，步骤s301的具体操作包括以下步骤，
19、s3011：输入数据集，将数据集划分为训练集和测试集；
20、s3012：初始化boa算法参数；
21、s3013：获取当前种群中的蝴蝶信息，对应svr参数c，epsilon和gamma的一组候选解，使用训练集训练svr模型；
22、s3014：计算适应度值，进行局部搜索或者全局搜索，将最优值作为决策向量；
23、s3015：更新最优蝴蝶位置及适应度；
24、s3016：返回更新后的种群对象，并进行边界处理；
25、s3017：重复步骤s3013-s3016，直至达到最大迭代次数，输出最优解。
26、进一步的，svr模型的核函数为rbf核函数。
27、进一步的，步骤s302的具体操作包括以下步骤，
28、s3021：导入步骤s2中降维处理后的特征数据和鸡蛋价格数据集；
29、s3022：数据预处理，划分训练集和测试集；
30、s3023：对训练集和测试集中特征变量进行标准化处理；
31、s3024：使用标准化处理后的训练集数据对boa-svr模型进行训练，输出预测值和评价指标；
32、s3025：根据真实值与预测值绘制折线图。
33、进一步的，本发明还包括一种内蒙古鸡蛋价格预测设备，所述预测设备包括至少一个处理器；以及与所述处理器通信连接的存储器；其中，所述存储器存储有可被所述处理器执行的指令，所述指令被所述处理器执行，以使所述处理器能够执行如前所述的预测方法。
34、进一步的，本发明还包括一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行如前所述的预测方法。
35、本发明的有益效果是：
36、本发明中针对内蒙古自治区的地域条件，选取了玉米价格、豆粕价格、小麦价格、蛋鸡配合饲料价格、鸡苗价格、猪肉价格、活鸡价格、牛肉价格、羊肉价格、居民消费价格指数、白条鸡价格、居民蛋消费价格指数、水产品类居民消费价格指数和地区14个影响因素作为特征数据对鸡蛋价格进行预测，在预测之前，先采用pca法对特征数据进行降维，然后使用蝴蝶优化算法-支持向量机(boa-svr)模型和降维处理后的数据集，对鸡蛋价格进行预测，boa-svr模型输出鸡蛋价格。结果表明，pca-boa-svr的均方根误差为0.1033，r2为0.9585；ga-svr模型的均方根误差为0.1681，r2为0.8901；svr模型的均方根误差为0.1956，r2为0.8511。因此，本发明中提出的pca-boa-svr模型的预测精度和拟合精度都很高，预测效果均优于svr模型和ga-svr模型。
1.基于pca-boa-svr模型的内蒙古鸡蛋价格预测方法，其特征在于，包括以下步骤，
2.根据权利要求1所述的基于pca-boa-svr模型的内蒙古鸡蛋价格预测方法，其特征在于：步骤s1中所述的影响因素包括玉米价格、豆粕价格、小麦价格、蛋鸡配合饲料价格、鸡苗价格、猪肉价格、活鸡价格、牛肉价格、羊肉价格、居民消费价格指数、白条鸡价格、居民蛋消费价格指数、水产品类居民消费价格指数和地区。
3.根据权利要求2所述的基于pca-boa-svr模型的内蒙古鸡蛋价格预测方法，其特征在于，步骤s2的具体操作包括以下步骤，
4.根据权利要求3所述的基于pca-boa-svr模型的内蒙古鸡蛋价格预测方法，其特征在于：在步骤s202计算协方差矩阵之前，对步骤s201中标准化处理后的数据进行kmo检验和bartlett检验。
5.根据权利要求4所述的基于pca-boa-svr模型的内蒙古鸡蛋价格预测方法，其特征在于，步骤s3的具体操作包括以下步骤，
6.根据权利要求5所述的基于pca-boa-svr模型的内蒙古鸡蛋价格预测方法，其特征在于，步骤s301的具体操作包括以下步骤，
7.根据权利要求6所述的基于pca-boa-svr模型的内蒙古鸡蛋价格预测方法，其特征在于：svr模型的核函数为rbf核函数。
8.根据权利要求7所述的基于pca-boa-svr模型的内蒙古鸡蛋价格预测方法，其特征在于，步骤s302的具体操作包括以下步骤，
9.一种内蒙古鸡蛋价格预测设备，其特征在于，包括至少一个处理器；以及与所述处理器通信连接的存储器；其中，所述存储器存储有可被所述处理器执行的指令，所述指令被所述处理器执行，以使所述处理器能够执行权利要求1-8中任一项所述的预测方法。
10.一种存储有计算机指令的非瞬时计算机可读存储介质，其特征在于：所述计算机指令用于使所述计算机执行权利要求1-8中任一项所述的预测方法。
