La precisa predicción de los precios de las verduras es crucial para la formulación de políticas, decisiones de mercado y estabilidad del mercado agrícola. Los modelos tradicionales de series temporales a menudo requieren ajustes manuales de parámetros y tienen dificultades para manejar de manera efectiva las características no lineales complejas de los datos de precios de las verduras, lo que limita su precisión predictiva. Este estudio realiza un análisis exhaustivo del rendimiento de los métodos tradicionales, enfoques de aprendizaje profundo y modelos de lenguaje grandes de vanguardia en la predicción de precios de verduras utilizando múltiples métricas de rendimiento predictivo. Los resultados experimentales demuestran que los modelos de lenguaje grandes generalmente superan a otros métodos, pero no tienen un rendimiento consistente para todos los tipos de verduras en diferentes escalas de tiempo. Como resultado, proponemos un novedoso método de predicción de precios de verduras basado en una mezcla de modelos expertos (VPF-MoE), que combina las fortalezas de los modelos de lenguaje grandes y los métodos de aprendizaje profundo. A diferencia del método tradicional de predicción de un solo modelo, VPF-MoE puede adaptarse dinámicamente a las características de diferentes tipos de verduras, seleccionar dinámicamente el mejor método de predicción y mejorar significativamente la precisión y robustez de la predicción. Además, optimizamos la aplicación de modelos de lenguaje grandes en la predicción de precios de verduras, ofreciendo un nuevo camino tecnológico para la predicción de precios de verduras.