CN107203496B - 粮食分配抽样方法及装置 - Google Patents
粮食分配抽样方法及装置 Download PDFInfo
- Publication number
- CN107203496B CN107203496B CN201710407654.XA CN201710407654A CN107203496B CN 107203496 B CN107203496 B CN 107203496B CN 201710407654 A CN201710407654 A CN 201710407654A CN 107203496 B CN107203496 B CN 107203496B
- Authority
- CN
- China
- Prior art keywords
- processing
- scale
- sampling
- grain
- area
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Algebra (AREA)
- Evolutionary Biology (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Sampling And Sample Adjustment (AREA)
- Complex Calculations (AREA)
Abstract
本发明实施例提供的一种粮食分配抽样方法及装置,涉及粮食抽样技术领域。所述方法包括基于获取到的t个粮食加工区域各自的粮食加工量、粮食产量以及预设的产出比计算规则,获得t个粮食加工区域各自的产出比值;基于递归算法以及t个粮食加工区域各自的产出比值,获得m个采样区域;分别计算每个采样区域内各个粮食加工区域的产出比值的方差,以获得每个采样区域的方差比值;基于m个采样区域内各个粮食加工区域的粮食加工量以及预设的加工量比计算规则,获得每个采样区域的加工量比值;基于采样区域的方差比值、该采样区域的加工量比值以及预设的样本容量计算规则,获得该采样区域的分配抽样次数。以此实现粮食加工区域的均衡分配抽样。
Description
技术领域
本发明涉及粮食抽样技术领域,具体而言,涉及一种粮食分配抽样方法及装置。
背景技术
为了更加精确地计算出全国粮食加工环节的损失浪费数据,需要对全国粮食加工企业进行大规模采样。由于受人力、物力、以及财力限制,抽样的次数往往是有限的。由于不同粮食主产区的粮食加工量不同,故需要制定合理的抽样方案。对于某种粮食,全国不同的省、自治区、直辖市对该种粮食的加工量存在很大差异。许多省份由于加工该种粮食的量比较少,导致这些省份的粮食无法被采样。然而,这些省份加工粮食的总量比较大,如果不进行采样,将导致全国粮食的普查出现严重失真,目前缺少合理的分配抽样方案。
发明内容
有鉴于此,本发明实施例的目的在于提供一种粮食分配抽样方法及装置,以改善上述问题。为了实现上述目的,本发明实施例采取的技术方案如下:
第一方面,本发明实施例提供了一种粮食分配抽样方法,所述方法包括基于获取到的t个粮食加工区域各自的粮食加工量、粮食产量以及预设的产出比计算规则,获得所述t个粮食加工区域各自的产出比值;基于递归算法以及所述t个粮食加工区域各自的产出比值,将所述t个粮食加工区域进行分割,以获得m个采样区域;分别计算每个所述采样区域内各个所述粮食加工区域的所述产出比值的方差,以获得每个所述采样区域的方差比值;基于所述m个采样区域内各个粮食加工区域的粮食加工量以及预设的加工量比计算规则,获得每个所述采样区域的加工量比值;基于所述采样区域的方差比值、该采样区域的加工量比值以及预设的样本容量计算规则,获得该采样区域的样本容量,以获得该采样区域的分配抽样次数。
第二方面,本发明实施例提供了一种粮食分配抽样装置,所述装置包括产出比值获得单元,用于基于获取到的t个粮食加工区域各自的粮食加工量、粮食产量以及预设的产出比计算规则,获得所述t个粮食加工区域各自的产出比值;采样区域获得单元,用于基于递归算法以及所述t个粮食加工区域各自的产出比值,将所述t个粮食加工区域进行分割,以获得m个采样区域;方差比值获得单元,用于分别计算每个所述采样区域内各个所述粮食加工区域的所述产出比值的方差,以获得每个所述采样区域的方差比值;加工量比值获得单元,用于基于所述m个采样区域内各个粮食加工区域的粮食加工量以及预设的加工量比计算规则,获得每个所述采样区域的加工量比值;抽样次数获得单元,用于基于所述采样区域的方差比值、该采样区域的加工量比值以及预设的样本容量计算规则,获得该采样区域的样本容量,以获得该采样区域的分配抽样次数。
本发明实施例提供的一种粮食分配抽样方法及装置,所述方法包括基于获取到的t个粮食加工区域各自的粮食加工量、粮食产量以及预设的产出比计算规则,获得所述t个粮食加工区域各自的产出比值;基于递归算法以及所述t个粮食加工区域各自的产出比值,将所述t个粮食加工区域进行分割,以获得m个采样区域;分别计算每个所述采样区域内各个所述粮食加工区域的所述产出比值的方差,以获得每个所述采样区域的方差比值;基于所述m个采样区域内各个粮食加工区域的粮食加工量以及预设的加工量比计算规则,获得每个所述采样区域的加工量比值;基于所述采样区域的方差比值、该采样区域的加工量比值以及预设的样本容量计算规则,获得该采样区域的样本容量,以获得该采样区域的分配抽样次数。以此实现粮食加工区域的均衡分配抽样。
本发明的其他特征和优点将在随后的说明书阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明实施例了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1为一种可应用于本申请实施例中的电子设备的结构框图;
图2为本发明第一实施例提供的粮食抽样方法的流程图;
图3为本发明第一实施例提供的粮食抽样方法的应用结果示意图;
图4为本发明第二实施例提供的粮食抽样装置的结构框图。
具体实施方式
下面将结合本发明实施例中附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。同时,在本发明的描述中,术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
请参阅图1,图1示出了一种可应用于本申请实施例中的电子设备100的结构框图。该电子设备100可以作为用户终端,也可以是计算机或服务器,所述用户终端可以为手机或平板电脑。如图1所示,电子设备100可以包括存储器110、存储控制器111、处理器112和粮食分配抽样装置。
存储器110、存储控制器111、处理器112各元件之间直接或间接地电连接,以实现数据的传输或交互。例如,这些元件之间可以通过一条或多条通讯总线或信号总线实现电连接。粮食分配抽样方法分别包括至少一个可以以软件或固件(firmware)的形式存储于存储器110中的软件功能模块,例如所述粮食分配抽样装置包括的软件功能模块或计算机程序。
存储器110可以存储各种软件程序以及模块,如本申请实施例提供的粮食分配抽样方法及装置对应的程序指令/模块。处理器112通过运行存储在存储器110中的软件程序以及模块,从而执行各种功能应用以及数据处理,即实现本申请实施例中的粮食分配抽样方法。存储器110可以包括但不限于随机存取存储器(Random Access Memory,RAM),只读存储器(Read Only Memory,ROM),可编程只读存储器(Programmable Read-Only Memory,PROM),可擦除只读存储器(Erasable Programmable Read-Only Memory,EPROM),电可擦除只读存储器(Electric Erasable Programmable Read-Only Memory,EEPROM)等。
处理器112可以是一种集成电路芯片,具有信号处理能力。上述处理器可以是通用处理器,包括中央处理器(Central Processing Unit,简称CPU)、网络处理器(NetworkProcessor,简称NP)等;还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。其可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
第一实施例
请参阅图2,本发明实施例提供了一种粮食分配抽样方法,所述方法包括:
步骤S200:基于获取到的t个粮食加工区域各自的粮食加工量、粮食产量以及预设的产出比计算规则,获得所述t个粮食加工区域各自的产出比值。
在本实施例中,设能进行某种粮食加工的省、自治区和直辖市总共有t个。所述粮食加工区域为能进行某种粮食加工的省(自治区或直辖市)。t个粮食加工区域各自的粮食加工量、粮食产量可以通过已有历史数据或预测数据获得。
作为一种实施方式,对已有粮食和粮食加工企业历史数据进行收集与处理。例如,对《粮油加工业统计资料》(2008年—2016年)(国家粮食局流通与科技发展司内部资料,部分年份的资料缺失)的数据进行筛检和整理,将各种粮食的历年产量表、历年处理量、历年加工企业数等整理出来,建立数据库。
作为一种实施方式,利用灰色预测对某些缺失的数据进行预测。例如,有些数据可以通过国家粮食局和各级粮食局官网、国家统计局官网等进行查找搜集;但对确实没有的数据,采用灰色预测模型进行预测。
灰色系统理论诞生于20世纪80年代初期,它是由中国学者邓聚龙教授创立的,是一种以“部分信息已知,部分信息未知”的“小样本”、“贫信息”不确定性系统为研究对象,主要通过对“部分”已知信息的生成、开发,提取有价值的信息,实现对系统运行规律的正确描述和有效控制。
在本实施例中,基于粮食的历史数据,完成当年全国粮食加工量和由全国到省级的粮食加工量概率分布测算,再将系统看成随时间变化而变化的函数,通过灰色预测模型,数据就能够较好地进行预测,而且达到较高的精度。
t个能进行某种粮食加工的省、自治区和直辖市的粮食加工量、粮食产量可以通过以上两种实施方式获得。
再基于:
获得t个能进行某种粮食加工的省、自治区和直辖市各自的产出比值,公式(1)中,Xi为第i个省(自治区或直辖市)的产出比值,Qi1为第i个省(自治区或直辖市)的粮食加工量,Qi0为第i个省(自治区或直辖市)的粮食产量。
需要说明的是,本发明实施例提供的粮食分配抽样方法同理也可以适用于但不限于小麦、大豆、花生、油菜籽等等农作物,原理类似,这里不再赘述。
步骤S210:基于递归算法以及所述t个粮食加工区域各自的产出比值,将所述t个粮食加工区域进行分割,以获得m个采样区域。
基于层内方差最小、各层间方差最大的原则,按照递归算法的思想,先将所述t个粮食加工区域各自的产出比值按降序排列,制定出分割的标准;再求对序列分割的最优值;最后由最优值得到最优解。若个别省的产出比值数据有异常,则该省划分为一个采样区域。以便将所述t个粮食加工区域进行分割,以获得m个采样区域。
步骤S220:分别计算每个所述采样区域内各个所述粮食加工区域的所述产出比值的方差,以获得每个所述采样区域的方差比值。
步骤S230:基于所述m个采样区域内各个粮食加工区域的粮食加工量以及预设的加工量比计算规则,获得每个所述采样区域的加工量比值。
步骤S240:基于所述采样区域的方差比值、该采样区域的加工量比值以及预设的样本容量计算规则,获得该采样区域的样本容量,以获得该采样区域的分配抽样次数。
具体地,基于计算出每个所述采样区域内各个所述粮食加工区域的所述产出比值的方差,其中,ΔXi为第i个采样区域内各个所述粮食加工区域的所述产出比值的方差,Xij为第i个采样区域内第j个粮食加工区域的产出比值,为第i个采样区域内各个粮食加工区域的产出比值的平均值,ni为第i个采样区域的分配抽样次数。
再基于:
公式(3)中,ωi(β)为第i个采样区域的分样本容量权重因子,ni为第i个采样区域的分配抽样次数,ni也为第i个采样区域的样本容量,N为所述t个粮食加工区域内的加工企业总数,为第i个采样区域的方差比值,φi为第i个采样区域的加工量比值;β为第一预设常数。
采样区域内的方差比值越大,说明样本的离散程度越大,越要投放更多的样本数;加工量比值越大,在后面的计算中占的权重就大,给予较大的样本容量,提高其准确性。β是为调节φi、两者的比例关系,使得最终的样本容量分布趋于合理,比如β取1时,说明φi、两者占同样的比例。
在本实施例中,在所述t个能进行某种粮食加工的省、自治区和直辖市的加工企业总数N一定的情况下,通过公式(3)计算得到各个采样区域的样本容量,即各个采样区域的分配抽样次数。
分层抽样又称分类抽样或类型抽样,是将总体划分为若干个同质层,再在各层内随机抽样或机械抽样,分层抽样的特点是将科学分组法与抽样法结合在一起,分组减小了各抽样层变异性的影响,抽样保证了所抽取的样本具有足够的代表性。其优点是在不断增加样本规模的前提下降低抽样的误差,提高抽样的精度;还有一个优点是非常便于了解总体内不同层次的情况,便于对总体不同的层次或类别进行单独研究。而多阶段抽样是指将抽样过程分阶段进行,每个阶段使用的抽样方法往往不同,即将各种抽样方法结合使用。其实施过程为,先从总体中抽取范围较大的单元,称为一级抽样单元,再从每个抽得的一级单元中抽取范围更小的二级单元,依此类推,最后抽取其中范围更小的单元作为调查单位。其基本思路是将多阶段总目标的抽样精度分解为各阶段目标量的抽样精度,在总精度和各阶段的精度之间建立一种有机的、量化的联系。
根据粮食历史统计数据,在样本容量一定的情况下,通过计算各省各类粮食的产出比值和产量比值,根据企业粮食加工量区域分布的特点和分层抽样的比例分配法原则,本实施例提出并设计了多阶段分层抽样的方法,以此实现粮食加工区域的均衡化抽样。
进一步地,请参阅图2,为了实现各个粮食加工区域以及各个粮食加工区域内的各种规模的企业的均衡抽样,即多阶段分层抽样,所述方法还可以包括:
步骤S250:基于所述采样区域的分配抽样次数、获得的该采样区域内的各个粮食加工区域的粮食加工量、获取到的所述t个粮食加工区域内的第一规模的加工企业数、第二规模的加工企业数、第三规模的加工企业数以及预设的加工区域容量计算规则,分别获得该采样区域内的各个粮食加工区域的样本容量。
基于获得第i个采样区域内的第j个粮食加工区域的样本容量,其中,nij为第i个采样区域内的第j个粮食加工区域的样本容量,ni为第i个采样区域的分配抽样次数,λ为第二预设常数,Q0j为第i个采样区域内的第j个粮食加工区域的粮食加工量与第i个采样区域内各个粮食加工区域的粮食加工量累积和的比值,Zij1为第i个采样区域内的第j个粮食加工区域内的第一规模的加工企业数,Zij2为第i个采样区域内的第j个粮食加工区域内的第二规模的加工企业数,Zij3为第i个采样区域内的第j个粮食加工区域内的第三规模的加工企业数;
α1为所述t个粮食加工区域内的第一规模的加工企业数与所述t个粮食加工区域内第一规模的加工企业数、第二规模的加工企业数、第三规模的加工企业数累加和的比值,α2为所述t个粮食加工区域内的第二规模的加工企业数与所述t个粮食加工区域内第一规模的加工企业数、第二规模的加工企业数、第三规模的加工企业数累加和的比值,α3为所述t个粮食加工区域内的第三规模的加工企业数与所述t个粮食加工区域内第一规模的加工企业数、第二规模的加工企业数、第三规模的加工企业数累加和的比值。
λ为第二预设常数,为调节Q0j与α1、α2、α3的比例关系,使得最终的样本容量分布趋于合理,比如λ取1时,说明Q0j与α1、α2、α3占同样的比例。
可以根据设定的标准,可以将各个粮食加工区域内的企业可以划分为不同规模的企业。在本实施例中,将各个粮食加工区域内的企业可以划分为但不限于大规模企业、中规模企业、小规模企业。其中日产能400吨以上的企业称为大规模企业,日产能200-400吨的称为中规模企业,日产能200吨以下的称为小规模企业。需要说明的是,在本实施例中所述第一规模指大规模企业,第二规模指中规模企业,第三规模指小规模企业。
具体地,本实施例中,在基于上述nij的表达式,有公式(4):
获得第i个采样区域内的第j个能进行某种粮食加工的省(自治区或直辖市的样本容量。公式(4)中,ωij(λ)为第i个采样区域内第j个粮食加工区域的样本容量权重因子。
步骤S260:基于所述采样区域内的各个粮食加工区域的样本容量、获取到的所述t个粮食加工区域内的第一规模的加工企业数、第二规模的加工企业数、第三规模的加工企业数以及预设的规模企业容量计算规则,分别获得该采样区域内的各个粮食加工区域的第一规模、第二规模以及第三规模各自的加工企业样本容量。
其中,nijk,k=1,2,3分别为该采样区域内的各个粮食加工区域的第一规模、第二规模以及第三规模各自的加工企业样本容量,nij为第i个采样区域内的第j个粮食加工区域的样本容量,Zij1为第i个采样区域内的第j个粮食加工区域内的第一规模的加工企业数,Zij2为第i个采样区域内的第j个粮食加工区域内的第二规模的加工企业数,Zij3为第i个采样区域内的第j个粮食加工区域内的第三规模的加工企业数;
α1为所述t个粮食加工区域内的第一规模的加工企业数与所述t个粮食加工区域内第一规模的加工企业数、第二规模的加工企业数、第三规模的加工企业数累加和的比值,α2为所述t个粮食加工区域内的第二规模的加工企业数与所述t个粮食加工区域内第一规模的加工企业数、第二规模的加工企业数、第三规模的加工企业数累加和的比值,α3为所述t个粮食加工区域内的第三规模的加工企业数与所述t个粮食加工区域内第一规模的加工企业数、第二规模的加工企业数、第三规模的加工企业数累加和的比值。
在本实施例中,α1为所述t个粮食加工区域内的大规模企业数与所述t个粮食加工区域内大规模企业数、中规模企业数、小规模企业数的累加和的比值;α2为所述t个粮食加工区域内的中规模企业数与所述t个粮食加工区域内大规模企业数、中规模企业数、小规模企业数的累加和的比值;α3为所述t个粮食加工区域内的小规模企业数与所述t个粮食加工区域内大规模企业数、中规模企业数、小规模企业数的累加和的比值。
具体地,本实施例中,在基于上述nijk的表达式,有公式(5):
公式(5)中,ωijk为第i个采样区域内第j个粮食加工区域内第k规模的样本容量权重因子。
为了进一步说明本发明实例提供的粮食分配抽样方法的有益效果,基于某一年全国稻谷加工区域的数据,其稻谷分配抽样的结果方案如图4所示,28个稻谷加工区域,产出比表示,28个稻谷加工区域各自的产出比值,划分为6个采样区域,产量比表示28个稻谷加工区域各自的加工量比值,以此获得了6个采样区域的采样次数、每个稻谷加工区域的采样次数以及每个稻谷加工区域内大、中、小企业的采样次数。以此通过多阶段分层抽样,实现稻谷加工区域的均衡抽样。
此外,通过多阶段分层抽样得到样本数据,并基于调研和实验数据,从统计特征一致性角度,对该方法的有效性进行验证。通过多阶段分层抽样预测的各省不同规模的样本数,深入企业进行粮食加工损失浪费数据调查,再通过实验数据和调查数据测算各个省的出品率,修正各个省的产出比,对初级抽样数据进行改进,得到更为合理的抽样方法。
本发明实施例提供了一种粮食分配抽样方法,所述方法包括基于获取到的个粮食加工区域各自的粮食加工量、粮食产量以及预设的产出比计算规则,获得所述个粮食加工区域各自的产出比值;基于递归算法以及所述个粮食加工区域各自的产出比值,将所述个粮食加工区域进行分割,以获得个采样区域;分别计算每个所述采样区域内各个所述粮食加工区域的所述产出比值的方差,以获得每个所述采样区域的方差比值;基于所述个采样区域内各个粮食加工区域的粮食加工量以及预设的加工量比计算规则,获得每个所述采样区域的加工量比值;基于所述采样区域的方差比值、该采样区域的加工量比值以及预设的样本容量计算规则,获得该采样区域的样本容量,以获得该采样区域的分配抽样次数。以此实现粮食加工区域的均衡分配抽样。
第二实施例
请参阅图4,本发明实施例提供了一种粮食分配抽样装置300,所述装置300包括:
产出比值获得单元310,用于基于获取到的t个粮食加工区域各自的粮食加工量、粮食产量以及预设的产出比计算规则,获得所述t个粮食加工区域各自的产出比值。
作为一种实施方式,所述产出比值获得单元310包括产出比值获得子单元311。
采样区域获得单元320,用于基于递归算法以及所述t个粮食加工区域各自的产出比值,将所述t个粮食加工区域进行分割,以获得m个采样区域。
作为一种实施方式,所述采样区域获得单元320包括采样区域获得子单元321。
采样区域获得子单元321,用于按照递归算法的思想,先将所述t个粮食加工区域各自的产出比值按降序排列,制定出分割的标准;再求对序列分割的最优值;最后由最优值得到最优解。以便将所述t个粮食加工区域进行分割,以获得m个采样区域。
方差比值获得单元330,用于分别计算每个所述采样区域内各个所述粮食加工区域的所述产出比值的方差,以获得每个所述采样区域的方差比值。
加工量比值获得单元340,用于基于所述m个采样区域内各个粮食加工区域的粮食加工量以及预设的加工量比计算规则,获得每个所述采样区域的加工量比值。
作为一种实施方式,所述加工量比值获得单元340包括加工量比值获得子单元341。
抽样次数获得单元350,用于基于所述采样区域的方差比值、该采样区域的加工量比值以及预设的样本容量计算规则,获得该采样区域的样本容量,以获得该采样区域的均衡分配抽样次数。
作为一种实施方式,所述抽样次数获得单元350包括抽样次数获得子单元351。
抽样次数获得子单元351,用于基于获得该采样区域的分配抽样次数,其中,ni为第i个采样区域的分配抽样次数,N为所述t个粮食加工区域内的加工企业总数,β为第一预设常数,为第i个采样区域的方差比值,φi为第i个采样区域的加工量比值。
区域容量获得单元360,用于基于所述采样区域的分配抽样次数、获得的该采样区域内的各个粮食加工区域的粮食加工量、获取到的所述t个粮食加工区域内的第一规模的加工企业数、第二规模的加工企业数、第三规模的加工企业数以及预设的加工区域容量计算规则,分别获得该采样区域内的各个粮食加工区域的样本容量。
作为一种实施方式,区域容量获得单元360包括区域容量获得子单元361。
区域容量获得子单元361,用于:
基于获得第i个采样区域内的第j个粮食加工区域的样本容量,其中,nij为第i个采样区域内的第j个粮食加工区域的样本容量,ni为第i个采样区域的分配抽样次数,λ为第二预设常数,Q0j为第i个采样区域内的第j个粮食加工区域的粮食加工量与第i个采样区域内各个粮食加工区域的粮食加工量累积和的比值,Zij1为第i个采样区域内的第j个粮食加工区域内的第一规模的加工企业数,Zij2为第i个采样区域内的第j个粮食加工区域内的第二规模的加工企业数,Zij3为第i个采样区域内的第j个粮食加工区域内的第三规模的加工企业数;
α1为所述t个粮食加工区域内的第一规模的加工企业数与所述t个粮食加工区域内第一规模的加工企业数、第二规模的加工企业数、第三规模的加工企业数累加和的比值,α2为所述t个粮食加工区域内的第二规模的加工企业数与所述t个粮食加工区域内第一规模的加工企业数、第二规模的加工企业数、第三规模的加工企业数累加和的比值,α3为所述t个粮食加工区域内的第三规模的加工企业数与所述t个粮食加工区域内第一规模的加工企业数、第二规模的加工企业数、第三规模的加工企业数累加和的比值。
企业容量获得单元370,用于基于所述采样区域内的各个粮食加工区域的样本容量、获取到的所述t个粮食加工区域内的第一规模的加工企业数、第二规模的加工企业数、第三规模的加工企业数以及预设的规模企业容量计算规则,分别获得该采样区域内的各个粮食加工区域的第一规模、第二规模以及第三规模各自的加工企业样本容量。
作为一种实施方式,企业容量获得单元370包括企业容量获得子单元371。
企业容量获得子单元371,用于:
其中,nijk,k=1,2,3分别为该采样区域内的各个粮食加工区域的第一规模、第二规模以及第三规模各自的加工企业样本容量,nij为第i个采样区域内的第j个粮食加工区域的样本容量,Zij1为第i个采样区域内的第j个粮食加工区域内的第一规模的加工企业数,Zij2为第i个采样区域内的第j个粮食加工区域内的第二规模的加工企业数,Zij3为第i个采样区域内的第j个粮食加工区域内的第三规模的加工企业数;
α1为所述t个粮食加工区域内的第一规模的加工企业数与所述t个粮食加工区域内第一规模的加工企业数、第二规模的加工企业数、第三规模的加工企业数累加和的比值,α2为所述t个粮食加工区域内的第二规模的加工企业数与所述t个粮食加工区域内第一规模的加工企业数、第二规模的加工企业数、第三规模的加工企业数累加和的比值,α3为所述t个粮食加工区域内的第三规模的加工企业数与所述t个粮食加工区域内第一规模的加工企业数、第二规模的加工企业数、第三规模的加工企业数累加和的比值。
以上各单元可以是由软件代码实现,此时,上述的各单元可存储于存储器110内。以上各单元同样可以由硬件例如集成电路芯片实现。
本发明实施例提供的粮食分配抽样装置300,其实现原理及产生的技术效果和前述方法实施例相同,为简要描述,装置实施例部分未提及之处,可参考前述方法实施例中相应内容。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,附图中的流程图和框图显示了根据本发明的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
另外,在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应所述以权利要求的保护范围为准。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
Claims (9)
1.一种粮食分配抽样方法,其特征在于,所述方法包括:
基于获取到的t个粮食加工区域各自的粮食加工量、粮食产量以及预设的产出比计算规则,获得所述t个粮食加工区域各自的产出比值;
基于层内方差最小、各层间方差最大的原则以及递归算法将所述t个粮食加工区域各自的产出比值按照降序排列,并制定所述t个粮食加工区域的分割标准;
基于降序排列的所述t个粮食加工区域各自的产出比值以及所述分割标准将所述t个粮食加工区域进行分割,以获得m个采样区域;
分别计算每个所述采样区域内各个所述粮食加工区域的所述产出比值的方差,以获得每个所述采样区域的方差比值;
基于所述m个采样区域内各个粮食加工区域的粮食加工量以及预设的加工量比计算规则,获得每个所述采样区域的加工量比值;
4.根据权利要求1所述的方法,其特征在于,所述方法还包括:
基于所述采样区域的分配抽样次数、获得的该采样区域内的各个粮食加工区域的粮食加工量、获取到的所述t个粮食加工区域内的第一规模的加工企业数、第二规模的加工企业数、第三规模的加工企业数以及预设的加工区域容量计算规则,分别获得该采样区域内的各个粮食加工区域的样本容量。
5.根据权利要求1所述的方法,其特征在于,所述基于所述采样区域的分配抽样次数、获得的该采样区域内的各个粮食加工区域的粮食加工量、获取到的所述t个粮食加工区域内的第一规模的加工企业数、第二规模的加工企业数、第三规模的加工企业数以及预设的加工区域容量计算规则,分别获得该采样区域内的各个粮食加工区域的样本容量,包括:
基于获得第i个采样区域内的第j个粮食加工区域的样本容量,其中,nij为第i个采样区域内的第j个粮食加工区域的样本容量,ni为第i个采样区域的分配抽样次数,λ为第二预设常数,Q0j为第i个采样区域内的第j个粮食加工区域的粮食加工量与第i个采样区域内各个粮食加工区域的粮食加工量累积和的比值,Zij1为第i个采样区域内的第j个粮食加工区域内的第一规模的加工企业数,Zij2为第i个采样区域内的第j个粮食加工区域内的第二规模的加工企业数,Zij3为第i个采样区域内的第j个粮食加工区域内的第三规模的加工企业数;
α1为所述t个粮食加工区域内的第一规模的加工企业数与所述t个粮食加工区域内第一规模的加工企业数、第二规模的加工企业数、第三规模的加工企业数累加和的比值,α2为所述t个粮食加工区域内的第二规模的加工企业数与所述t个粮食加工区域内第一规模的加工企业数、第二规模的加工企业数、第三规模的加工企业数累加和的比值,α3为所述t个粮食加工区域内的第三规模的加工企业数与所述t个粮食加工区域内第一规模的加工企业数、第二规模的加工企业数、第三规模的加工企业数累加和的比值。
6.根据权利要求5所述的方法,其特征在于,所述方法还包括:
基于所述采样区域内的各个粮食加工区域的样本容量、获取到的所述t个粮食加工区域内的第一规模的加工企业数、第二规模的加工企业数、第三规模的加工企业数以及预设的规模企业容量计算规则,分别获得该采样区域内的各个粮食加工区域的第一规模、第二规模以及第三规模各自的加工企业样本容量。
7.根据权利要求6所述的方法,其特征在于,所述基于所述采样区域内的各个粮食加工区域的样本容量、获取到的所述t个粮食加工区域内的第一规模的加工企业数、第二规模的加工企业数、第三规模的加工企业数以及预设的规模企业容量计算规则,分别获得该采样区域内的各个粮食加工区域的第一规模的、第二规模以及第三规模各自的加工企业样本容量,包括:
其中,nijk,k=1,2,3,分别为该采样区域内的各个粮食加工区域的第一规模、第二规模以及第三规模各自的加工企业样本容量,nij为第i个采样区域内的第j个粮食加工区域的样本容量,Zij1为第i个采样区域内的第j个粮食加工区域内的第一规模的加工企业数,Zij2为第i个采样区域内的第j个粮食加工区域内的第二规模的加工企业数,Zij3为第i个采样区域内的第j个粮食加工区域内的第三规模的加工企业数;
α1为所述t个粮食加工区域内的第一规模的加工企业数与所述t个粮食加工区域内第一规模的加工企业数、第二规模的加工企业数、第三规模的加工企业数累加和的比值,α2为所述t个粮食加工区域内的第二规模的加工企业数与所述t个粮食加工区域内第一规模的加工企业数、第二规模的加工企业数、第三规模的加工企业数累加和的比值,α3为所述t个粮食加工区域内的第三规模的加工企业数与所述t个粮食加工区域内第一规模的加工企业数、第二规模的加工企业数、第三规模的加工企业数累加和的比值。
8.一种粮食分配抽样装置,其特征在于,所述装置包括:
产出比值获得单元,用于基于获取到的t个粮食加工区域各自的粮食加工量、粮食产量以及预设的产出比计算规则,获得所述t个粮食加工区域各自的产出比值;
采样区域获得单元,用于基于层内方差最小、各层间方差最大的原则以及递归算法将所述t个粮食加工区域各自的产出比值按照降序排列,并制定所述t个粮食加工区域的分割标准;基于降序排列的所述t个粮食加工区域各自的产出比值以及所述分割标准将所述t个粮食加工区域进行分割,以获得m个采样区域;
方差比值获得单元,用于分别计算每个所述采样区域内各个所述粮食加工区域的所述产出比值的方差,以获得每个所述采样区域的方差比值;
加工量比值获得单元,用于基于所述m个采样区域内各个粮食加工区域的粮食加工量以及预设的加工量比计算规则,获得每个所述采样区域的加工量比值;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710407654.XA CN107203496B (zh) | 2017-06-01 | 2017-06-01 | 粮食分配抽样方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710407654.XA CN107203496B (zh) | 2017-06-01 | 2017-06-01 | 粮食分配抽样方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107203496A CN107203496A (zh) | 2017-09-26 |
CN107203496B true CN107203496B (zh) | 2020-05-19 |
Family
ID=59906544
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710407654.XA Expired - Fee Related CN107203496B (zh) | 2017-06-01 | 2017-06-01 | 粮食分配抽样方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107203496B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108665176B (zh) * | 2018-05-16 | 2021-07-27 | 武汉轻工大学 | 基于稻谷加工的损失统计方法、装置、系统及存储介质 |
CN111260495A (zh) * | 2020-01-15 | 2020-06-09 | 河南工业大学 | 一种粮食扦样方法、可读存储介质和系统 |
CN113704597A (zh) * | 2020-05-21 | 2021-11-26 | 阿波罗智联(北京)科技有限公司 | 内容推荐方法、装置和设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1394688A1 (en) * | 2002-08-27 | 2004-03-03 | Christian Bartels | Sampling method |
CN105051724A (zh) * | 2013-08-19 | 2015-11-11 | 华为技术有限公司 | 一种数据对象处理方法与装置 |
CN105445054A (zh) * | 2015-11-09 | 2016-03-30 | 长沙开元仪器股份有限公司 | 一种车厢煤炭采样方法和装置 |
CN106206346A (zh) * | 2015-05-27 | 2016-12-07 | 郑芳田 | 具取样率决定机制的量测抽样方法 |
-
2017
- 2017-06-01 CN CN201710407654.XA patent/CN107203496B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1394688A1 (en) * | 2002-08-27 | 2004-03-03 | Christian Bartels | Sampling method |
CN105051724A (zh) * | 2013-08-19 | 2015-11-11 | 华为技术有限公司 | 一种数据对象处理方法与装置 |
CN106206346A (zh) * | 2015-05-27 | 2016-12-07 | 郑芳田 | 具取样率决定机制的量测抽样方法 |
CN105445054A (zh) * | 2015-11-09 | 2016-03-30 | 长沙开元仪器股份有限公司 | 一种车厢煤炭采样方法和装置 |
Non-Patent Citations (2)
Title |
---|
《粮油加工业产能过剩测度与影响因素实证研究》;樊琦,祁华清;《粮食科技与经济》;20140815;第39卷(第4期);全文 * |
《粮油加工环节的节粮减损问题研究》;王新华,胡怡华,邓义;《粮食科技与经济》;20170215;第42卷(第1期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN107203496A (zh) | 2017-09-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107203496B (zh) | 粮食分配抽样方法及装置 | |
CN105786860A (zh) | 一种数据建模中的数据处理方法及装置 | |
CN102141978A (zh) | 一种文本分类的方法及系统 | |
CN104008420A (zh) | 一种基于自动编码机的分布式离群点检测方法及系统 | |
CN107480694A (zh) | 基于Spark平台采用两次评价的加权选择集成三支聚类方法 | |
CN107291939A (zh) | 酒店信息的聚类匹配方法及系统 | |
CN108897821B (zh) | 自动生成数据结论的方法及装置 | |
CN115563477B (zh) | 谐波数据识别方法、装置、计算机设备和存储介质 | |
CN106934410A (zh) | 数据的分类方法及系统 | |
CN111178633A (zh) | 基于随机森林算法预测景区客流量的方法和装置 | |
CN104951843A (zh) | 销量预测系统及方法 | |
CN111340645A (zh) | 一种针对电力负荷的改进关联分析方法 | |
CN113592156A (zh) | 电厂煤量调度方法、装置、终端设备及存储介质 | |
Szabó et al. | Parametric Postprocessing of Dual-Resolution Precipitation Forecasts | |
CN112069454A (zh) | 一种大数据生命周期评价不确定度的评估方法 | |
CN112243247A (zh) | 基站优化优先级确定方法、装置及计算设备 | |
CN113505863B (zh) | 基于级联均值向量综合评分的图片多级分类方法及系统 | |
CN111539569B (zh) | 基于供应链追溯体系的稻谷产品生产优化方法及装置 | |
Prasetyo et al. | Revisiting Fuel Subsidies in Indonesia using K-Means, PAM, and CLARA | |
Zhang et al. | Variable stage self-correcting grey clustering model | |
CN105868849A (zh) | 基于家庭结构变化的生活能源消费量预测方法及装置 | |
CN112598185A (zh) | 农业舆情分析方法、装置、设备及存储介质 | |
Komolafe et al. | Predictive Modeling for Land Suitability Assessment for Cassava Cultivation | |
CN113723835B (zh) | 火电厂用水评估方法和终端设备 | |
Mirhashemi et al. | Extracting association rules in relation to precipitation and effective factors |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20200519 Termination date: 20210601 |