农产品价格预测对农民、决策者和其他利益相关者至关重要。本文回顾了机器学习算法在农产品价格预测方面的最新研究。我们讨论了农业在发展中国家的重要性以及作物价格下跌所带来的问题。我们识别了农产品价格预测的挑战，并强调机器学习算法如何支持更好的预测。接下来，我们对最近的研究进行了全面分析，讨论了各种机器学习技术的优点和缺点。我们得出的结论是，机器学习有潜力在农产品价格预测方面带来革命，但进一步的研究至关重要，以解决相关的限制和挑战。

Oct, 2023

本文通过引入新的图形循环神经网络，将地理和时间信息嵌入到机器学习模型中，进一步提高了作物产量预测的预测能力，并验证了其在各种指标上优于现有的先进方法，为未来的研究提供了坚实的基础。

Nov, 2021

利用深度神经网络预测作物产量，结果表明环境因素对作物产量的影响大于基因型而且该模型的精确度优于流行的其他预测方法。

Feb, 2019

该研究提出了一种使用深度学习框架的 CNN-RNN 模型，基于环境数据和管理实践来进行作物产量预测，能够有效地捕捉时间依存性，泛化性和预测精度，具有广泛的应用前景。

Nov, 2019

本研究提出一种基于深度学习算法的集合模型来预测加利福尼亚州圣巴巴拉县草莓产量和价格，该模型基于两个集合模型并采用投票集合的方法结合预测结果，结果表明该模型的预测性能比文献中的深度学习集合模型更优秀。

Feb, 2021

本研究基于印度国家股票交易所（NSE）中一家著名公司自 2012 年 12 月 31 日至 2015 年 1 月 9 日间五分钟间隔的股票价格历史数据，构建了四个卷积神经网络（CNN）和五个长短时记忆（LSTM）深度学习模型，精确预测未来的股票价格，并提供了这些模型的执行时间和均方根误差（RMSE）的详细预测准确性结果。

Nov, 2020

开发了一个易于使用的网络应用程序，以解决种植作物面临的问题，其中包括作物推荐、肥料推荐、植物病害预测和交互式新闻提要，同时应用解释性技术解释病害检测模型的预测。

Apr, 2022

为了解决孟加拉国农业领域中作物选择和疾病预测的问题，本研究开发了一种智能农业决策支持系统。通过利用机器学习方法和实际数据集，该系统结合了作物生产、土壤条件、农业气象区域、作物疾病和气象因素的综合数据，为用户推荐作物列表并预测可能的疾病，并通过决策树回归模型预测作物产量，帮助农民选择高产作物和预防作物疾病，提高孟加拉国的农业实践水平。

Mar, 2024

通过混合元模型方法，利用农作物生长模型生成合成数据进行卷积神经网络的（预）训练，然后利用观测数据进行微调，在仿真应用中，我们的元模型方法比纯数据驱动方法得到更好的预测结果，在实际数据中，元模型方法与农作物生长模型相比具有竞争力，但两种模型在该数据集上表现不及由领域专家设计的简单线性回归和手动选择的特征集及专门的预处理。我们的研究结果表明，元模型在准确的农作物产量预测方面具有潜力，但建议进一步改进和验证，以利用大规模的实际数据集来巩固其实际效益。

Jul, 2023

本研究使用深度学习技术中的卷积神经网络与传统算法来进行植物幼苗分类，以达到增加农作物产量、提高生产效率与自动化种植的目的。

Nov, 2018