CN110796288A - 一种信息推送方法、装置及存储介质 - Google Patents
一种信息推送方法、装置及存储介质 Download PDFInfo
- Publication number
- CN110796288A CN110796288A CN201910930554.4A CN201910930554A CN110796288A CN 110796288 A CN110796288 A CN 110796288A CN 201910930554 A CN201910930554 A CN 201910930554A CN 110796288 A CN110796288 A CN 110796288A
- Authority
- CN
- China
- Prior art keywords
- fishing
- information
- operated
- historical
- product
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 66
- 230000000694 effects Effects 0.000 claims abstract description 26
- 238000012549 training Methods 0.000 claims description 30
- 238000004590 computer program Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 8
- 239000000126 substance Substances 0.000 claims description 2
- 230000006870 function Effects 0.000 description 15
- 230000008569 process Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 210000002569 neuron Anatomy 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 241000237502 Ostreidae Species 0.000 description 2
- 235000020636 oyster Nutrition 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- 241000251468 Actinopterygii Species 0.000 description 1
- 101100420946 Caenorhabditis elegans sea-2 gene Proteins 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/067—Enterprise or organisation modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Marine Sciences & Fisheries (AREA)
- Primary Health Care (AREA)
- Mining & Mineral Resources (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Animal Husbandry (AREA)
- Agronomy & Crop Science (AREA)
- Educational Administration (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例公开了一种信息推送方法、装置及存储介质,其中,所述信息推送方法,包括:获取至少一只待作业的渔船的相关信息;其中,所述相关信息包括属性信息、历史活动信息;根据获取的历史活动信息,统计所述至少一只待作业的渔船所捕捞的至少一种渔产品中每种渔产品的历史捕捞参数;基于统计的每种渔产品的捕捞参数、所述至少一只待作业的渔船的属性信息,生成预测所述至少一只待作业的渔船的捕捞数据的推送信息。
Description
技术领域
本发明涉及数据分析技术领域,尤其涉及一种信息推送方法、装置及存储介质。
背景技术
目前的渔产品推送平台都是实行的现场捕、发原则,依托于渔船侧,即渔船一旦在海上有了渔获,会在第一时间发布在平台上面,供用户进行查看,渔船上岸后第一时间整理发车,送往指定地点。
但是,对于用户而言,在渔船有了渔获,并将渔获情况发布在渔产品推送平台上,用户才能进行查看并确定选择策略。而从渔船发布渔获,到渔船到港时间一般比较短,但是用户需要时间去根据自身的真实情况从各个因素考虑从而确定选择策略,所以难免会出现供错过最佳的时间以致不能获得最新鲜的产品。
发明内容
有鉴于此,本发明实施例期望提供一种信息推送方法、装置及存储介质,能够实现在渔船作业前便能进行捕捞数据的预测与推送,为用户提供充足的时间进行查看,能极大提高用户体验。
为达到上述目的,本发明的技术方案是这样实现的:
本发明实施例提供一种信息推送方法,所述方法包括:
获取至少一只待作业的渔船的相关信息;其中,所述相关信息包括属性信息、历史活动信息;
根据获取的历史活动信息,统计所述至少一只待作业的渔船所捕捞的至少一种渔产品中每种渔产品的历史捕捞参数;
基于统计的每种渔产品的历史捕捞参数、所述至少一只待作业的渔船的属性信息,生成预测所述至少一只待作业的渔船的捕捞数据的推送信息。
在上述方案中,在生成预测所述至少一只待作业的渔船的捕捞数据的推送信息之前,所述方法包括:
将所述每种渔产品的历史捕捞参数、待作业的渔船的属性信息作为训练数据,提取所述训练数据的至少一个特征参数;
依据所述至少一个特征参数,构建第一记忆模型。
在上述方案中,所述基于统计的每种渔产品的历史捕捞参数、所述至少一只待作业的渔船的属性信息,生成预测所述至少一只待作业的渔船的捕捞数据的推送信息,包括:
根据所述第一记忆模型,对所述待作业的渔船的属性信息、所述每种渔产品的历史捕捞参数进行处理,生成预测所述至少一只待作业的渔船的捕捞数据的推送信息。
在上述方案中,所述方法还包括:
获取所述至少一只待作业的渔船所捕捞的至少一种渔产品中每种渔产品的历史单位参数;
基于所述每种渔产品的历史单位参数,构建第二记忆模型,根据所述第二记忆模型,生成预测所述每种渔产品的单位参数的推送信息。
在上述方案中,在生成预测所述至少一只待作业的渔船的捕捞数据的推送信息之后,所述方法还包括:
判断是否已推送所述推送信息;
确定未推送所述推送信息,将所述推送信息发送至待浏览所述推送信息的用户的终端上。
在上述方案中,所述推送信息包括预测捕捞量、预测回港时间至少之一。
本发明实施例还提供一种信息推送装置,所述装置包括:获取单元、统计单元、生成单元;其中,
所述获取单元,用于获取至少一只待作业的渔船的相关信息;其中,所述相关信息包括属性信息、历史活动信息;
所述统计单元,用于根据获取的历史活动信息,统计所述至少一只待作业的渔船所捕捞的至少一种渔产品中每种渔产品的历史捕捞参数;
所述生成单元,用于基于统计的每种渔产品的历史捕捞参数、所述至少一只待作业的渔船的属性信息,生成预测所述至少一只待作业的渔船的捕捞数据的推送信息。
本发明实施例还提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述方法的任一步骤。
本发明实施例还提供一种服务器,包括:处理器和用于存储能够在处理器上运行的计算机程序的存储器,其中,所述处理器用于运行所述计算机程序时,执行上述方法的任一步骤。
本发明实施例所提供的信息推送方法、装置以及存储介质,通过获取待作业的渔船的属性信息、历史活动信息来统计每种渔产品的历史捕捞参数,进而基于每种渔产品的捕捞参数、待作业的渔船的属性信息,预测出待作业的渔船的捕捞数据,从捕捞数据中选取用户可能感兴趣的信息进行推送。如此,能够在渔船作业前便能进行捕捞数据的预测与推送,为用户提供充足的时间进行查看,能极大提高用户体验。
附图说明
图1为本发明实施例提供的一种信息推送方法的实现流程示意图一;
图2为本发明实施例提供的Dropout方法的可视化示意图;
图3为本发明实施例提供的一种信息推送方法的实现流程示意图二;
图4为本发明实施例提供的一种信息推送方法的实现流程示意图三;
图5为本发明实施例提供的一种信息推送装置的结构示意图;
图6为本发明实施例提供的一种信息推送装置的具体硬件结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。
基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动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。
为了实现能够实现在渔船作业前便能进行捕捞数据的预测与推送,本发明实施例提供一种信息推送方法,应用于信息推送平台,所述信息推送平台用于向注册用户所对应的终端推送信息。图1为本发明实施例提供一种信息推送方法的实现流程示意图一,如图1所示,所述方法包括:
步骤101,获取至少一只待作业的渔船的相关信息;其中,所述相关信息包括属性信息、历史活动信息。
需要说明的是,所述待作业的渔船是指将要外出作业的渔船。所述属性信息为渔船作业所固有的信息,可以包括渔船总功率、渔船吨数、出海工人量、出海天数(回港天数)等。所述历史活动信息为渔船已经完成的操作信息,包括历史捕捞量、历史捕捞的渔产品种类、历史出海工人量、历史出海天数(历史回港天数)、历史渔产品质量、历史交易金额等。
这里,在获取至少一只待作业的渔船的相关信息之前,需要确定出待作业的渔船有哪些;在确定哪些渔船会出海作业后,去采集待作业的渔船的相关信息。
所述确定出待作业的渔船可以是:预计出海作业的渔船自行上报;也可以是:对某地注册的渔船统一设置作业周期,基于设置的周期来确定此次哪些渔船会出海作业。所述采集待作业的渔船的相关信息可以是在信息推送平台的数据库中提取关于此次待作业的渔船的相关信息。
这里,所述信息推送平台的数据库中会记录渔船的历史活动信息以及属性信息。所述属性信息中的吨数等信息可以通过查询渔船登记时的数据获得。这里,渔船在每次出海后会对相应的信息进行记录。
所述信息推送平台收集待作业的渔船的属性信息后,可以基于渔船的吨数、配的工人数量、历史作业信息中的历史捕捞量等信息来预测该渔船此次出海作业后的捕捞量。这里,收集待作业的渔船的历史活动信息可以对捕捞量的预测提供借鉴作用;同时,可以基于属性信息、历史活动信息中的历史回港天数等信息来预测该渔船出海作业后的回港时间。
作为一个示例,假设当前是7月16号,A渔船、B渔船计划7月17号要出海,则需要获取A渔船、B渔船的吨数、计划带的工人数量、计划出海天数、历史捕捞量、历史捕捞的渔产品种类、历史出海工人量、历史出海天数、历史渔产品质量等信息。
步骤102,根据获取的历史活动信息,统计所述至少一只待作业的渔船所捕捞的至少一种渔产品中每种渔产品的历史捕捞参数。
需要说明的是,所述历史捕捞参数用于表征渔产品捕捞过程中产生的各种信息,包括:捕捞量、渔品质量、捕捞的渔产品种类等。
这里,可以对已完成的渔船的捕捞信息进行统计,得到每种渔产品的捕捞参数。所述根据获取的历史活动信息,统计至少一只待作业的渔船所捕捞的至少一种渔产品中每种渔产品的历史捕捞参数可以是:确定目标时间段;基于确定的目标时间段,查找在目标时间段内已完成作业的全部渔船信息,从所述全部渔船信息中提取此次待作业的渔船的相关数据;对所述相关数据进行计算,得到每种渔产品的捕捞参数。所述相关数据包括作业次数、每次作业的捕捞数据等,所述每次作业的捕捞数据包括:每种渔产品的捕捞量、质量等。
需要说明的是,所述目标时间段是指当前时间之前的某一时间段。例如,当前时间是7月16号,今天要向注册信息推送平台的用户推送信息,则目标时间段可以设置为6月16号-7月15号。
基于此,在确定了目标时间段后,进一步确定在目标时间段中出海作业的全部渔船信息,并且,在全部渔船信息中查找此次待作业的渔船信息,进而确定此次待作业的渔船历史捕捞的数据。
作为一个示例,假设当前时间是7月16号,今天要向注册信息推送平台的用户推送信息,目标时间段为6月16号-7月15号,则查找出在6月16号-7月15号已完成作业的渔船有A、B、C、D、F5只,而在7月17号A船是计划要外出作业的,那么查找出6月16号-7月15号A船的相关数据。
还需要说明的是,所述对相关数据进行计算,得到每种渔产品的捕捞参数,可以是:确定作业次数;基于作业次数,查询出每次作业的历史捕捞数据;对每次作业的捕捞数据中每种渔产品的历史捕捞参数进行统计,得到每种渔产品的历史捕捞参数。
这里,所述统计可以是对历史每次捕捞的每种渔产品的捕捞数据做一个归类,进行列表显示。
作为一个示例,如表1所示,假设6月16号-7月15号A船出海2次,第一次捕捞了鲍鱼20KG、捕捞后的成交价为300元/只,鲍鱼质量良好、捕捞了牡蛎40KG、捕捞后的成交价为15元/斤,质量良好等;第二次捕捞了鲍鱼40KG、捕捞后的成交价为280元/只,鲍鱼质量良好、捕捞了牡蛎30KG、捕捞后的成交价为12元/斤,质量良好等。则将这2次的数据做一个归类,进行列表显示。
表1
步骤103,基于统计的每种渔产品的历史捕捞参数、所述至少一只待作业的渔船的属性信息,生成预测所述至少一只待作业的渔船的捕捞数据的推送信息。
需要说明的是,所述推送信息为注册所述信息推荐平台的用户可能关注的信息,可以包括待作业的渔船的预测捕捞量、预测回港时间至少之一,即对待出海作业的渔船的捕捞量、回港时间进行预测,将预测的结果进行推送。当然,也可以进行其他的,用户可能也关心的信息的推荐,例如,渔品质量等。
这里,在生成推送信息并已向注册用户所对应的终端发送所述推送信息之后,当检测到至少一个用户对所述推送信息中的至少一条推送信息进行了关注,则可以对所述被至少一个用户关注的至少一条推送信息所对应的渔船进行标记,并记录用户终端与被关注渔船的对应关系。基于所述对应关系,更改所述被关注渔船的信息的推送频率,使得所述被关注渔船的信息推送频率大于其他未被关注的渔船的更新频率。
需要说明的是,记录用户终端与被关注渔船的对应关系可以实现更有针对性的推荐。
还需要说明的是,可以基于历史数据建立预测模型,通过预测模型来预测渔船的捕捞量、回港时间等信息。基于此,生成推送信息之前,需要建立模型,具体地:将所述每种渔产品的历史捕捞参数、待作业的渔船的属性信息作为训练数据,提取所述训练数据的至少一个特征参数;依据所述至少一个特征参数,构建第一记忆模型。
这里,可以通过建立长短期记忆(long-short term memory,LSTM)模型来实现预测。LSTM模型作为一种特定形式的RNN(Recurrent neural network,循环神经网络)用来处理带序列(sequence)性质的数据,由于LSTM模型的不同“时间点”之间的存在连接,因此具有“记忆性”。由于LSTM模型期望输入形状是三维的[样本、时间步长、特征],因此,在进行预测之前,需要重新整理出单个输入样本。
LSTM模型认为每个输入数据与之前陆续输入的数据有联系,例如,序列数据“…ABCDBCEDF…”,当步长为3时,在模型预测中如果输入数据为“D”,那么之前接收的数据如果为“B”和“C”则此时的预测输出为B的概率更大;之前接收的数据如果为“C”和“E”,则此时的预测输出为F的概率更大。基于此,通过LSTM模型可以实现特定类型的时间序列的预测。
进一步地,为了防止LSTM模型的过拟合,可以通过Dropout方法以一定的概率随机丢弃神经元(暂时丢弃),以减少神经元之间的依赖性,从而提高模型的泛化能力。所述Dropout方法在训练过程中每次迭代都会得到一个新模型,最终结果是多个模型的融合,得到的只有一个模型,一组参数。
图2为Dropout方法的可视化示意图,如图2所示,左边是应用Dropout之前的网络,右边是应用了Dropout的同一个网络。Dropout的思想是训练整体深度神经网络(DNN),并平均整个集合的结果,而不是训练单个DNN。具体地:以概率P舍弃部分神经元,其它神经元以概率q=1-p被保留,舍去的神经元的输出都被设置为零。
需要说明的是,通过Dropout方法建立LSTM模型可以有效、快速地实现预测。但是,在本发明实施例中,所述模型的建立也可以是其他方式,建立其他预测模型,例如,神经网络(back propagation,BP)模型等。
还需要说明的是,对于上述建立的第一记忆模型,考虑到模型的准确度、性能问题,可以对其进行优化,即确定第一记忆模型的误差函数,针对所述误差函数,设置阈值;基于所述阈值,对所述第一记忆模型进行迭代训练直至误差函数收敛于所述阈值。
这里,由于预测需要以现有的数据为根基,尽量的贴合现有的数据,使得差距最小,本发明实施例中,可以采用平方和误差函数式中,用于表征模型估计值与观测值之间的差异,ω(θ)为真实值的权重,y为真实值,或者说是测试值,为模型的输出。
进一步地,可以设置阈值,所述阈值用于确定所述误差函数的收敛的程度。当误差函数小于阈值时,可以停止对第一记忆模型的训练,当误差函数不小于阈值时,继续对第一记忆模型进行迭代训练。
作为一个示例,假设阈值为0.2,当一次训练后计算出的误差值/损失值为1,大于阈值0.2,则继续对第一记忆模型进行训练,第二次训练后计算出的误差值/损失值为0.9,,则继续对第一记忆模型进行训练…,直至训练后计算出的误差值/损失值小于0.2,则停止对第一记忆模型的训练。
在得到第一记忆模型后,即可根据所述第一记忆模型,对待作业的渔船的属性信息、每种渔产品的历史捕捞参数进行处理,生成推送信息。
需要说明的是,由于是进行渔船捕捞数据的推送,而渔船捕捞数据主要是体现在捕捞量、回港天数上。捕捞量的确定有利于扩大用户的选择空间,回港天数的确定则有利于用户的选择便利度,可以合理地安排时间。当然渔船捕捞数据还可以体现在其他方面,例如,捕捞质量、种类等,那么,也可以进行其他信息的推送。由于渔船捕捞数据主要是体现在捕捞量、回港天数上,对捕捞质量、种类等的描述在此不作赘述。
如上所述,由于确定了渔船的吨数、配备的工人的数量,就可以预测出渔船的捕捞量,而历史捕捞量对预测出的捕捞量有借鉴作用。那么,实际应用中,通过确定的渔船的吨数、配备的工人的数量、渔船的历史捕捞量可以预测出此次渔船的捕捞量。由于渔船的吨数、配备的工人的数量对渔船的作业时间有影响,而渔船的历史回港天数对预测出的回港天数有借鉴作用。那么,实际应用中,通过确定的渔船的吨数、配备的工人的数量、渔船的历史回港天数可以预测出此次渔船的回港天数。
当然,其他对渔船作业的预测有影响的因素也同样可以用作输入,以实现对渔船作业的预测准确性的提高,或者是丰富预测的内容。例如,天气因素、政策因素等。天气的恶劣程度会影响作业的进展,那么就会对捕捞量、回港天数都产生影响;而政策的限制,会影响一部分的捕捞种类,进而影响捕捞量,同样的,政策的出台也可能是关于时间的限制,如此,会对回港天数产生影响。
基于此,可以通过每种渔产品的历史捕捞参数、待作业的渔船的属性信息来预测出待作业的渔船此次出海的捕捞量、回港天数等信息。
需要说明的是,在本发明实施例中,所述方法还包括:获取所述至少一只待作业的渔船所捕捞的至少一种渔产品中每种渔产品的历史单位参数;基于所述每种渔产品的历史单位参数,构建第二记忆模型,根据所述第二记忆模型,生成预测所述每种渔产品的单位参数的推送信息。
这里,在渔产品的交易场景中,所述历史单位参数即为历史交易价格。所述每种渔产品的历史交易价格的获取可以是在确定出需要采集的时间段后,对处于这一时间段中的每种渔产品的单位参数进行采集,即采集的是历史时段的每种渔产品的单位参数。
需要说明的是,在本发明实施例中,第二记忆模型用于预测每种渔产品的单位参数。对于产品的单位参数而言,仅通过历史单位参数即可实现对此次渔产品的单位参数的预测。但是,在实际应用中,也可以加入其他参数,如渔船的属性信息、每种渔产品的历史捕捞参数等,通过这些参数联合历史单位参数也可以实现对此次渔产品的单位参数的预测。
这里,由于渔船的属性信息决定了捕捞量,而捕捞量的多少对产品的单位参数可能存在一定的影响,如产量越多,单价可以越低。那么,可以加入渔船的属性信息,联合起来生成更符合实际需要的第二记忆模型。而渔船的历史活动信息对渔船的捕捞量、渔产品的单位参数均有借鉴作用,也同样可以作为第二记忆模型的输入,以生成更精准的模型。
需要说明的是,所述第二记忆模型的建立同上述第一记忆模型的建立过程相同,区别只在于训练数据的不同。
作为一个示例,在第二记忆模型的建立中,当仅通过每种渔产品的历史单位参数来预测此次的单位参数,则以每种渔产品的历史单位参数作为训练数据。当通过每种渔产品的历史单位参数、渔船的属性信息、每种渔产品的历史捕捞参数联合来预测此次的单位参数,则以每种渔产品的历史单位参数、渔船的属性信息、每种渔产品的历史捕捞参数作为训练数据。
需要说明的是,所述基于所述每种渔产品的历史单位参数,构建第二记忆模型可以是:对获取的每种渔产品的历史单位参数进行统计,得出每种渔产品的历史平均单位参数;基于所述每种渔产品的历史平均单位参数、每种渔产品的历史单位参数、每种渔产品的历史捕捞参数、待作业的渔船的属性信息,生成第二记忆模型。
这里,可以具体是将待作业的渔船的属性信息、每种渔产品的历史捕捞参数、每种渔产品的历史平均单位参数作为输入数据,将每种渔产品的历史单位参数作为输出数据来进行训练,得到第二记忆模型。通过第二模型对待作业的渔船的属性信息、每种渔产品的历史平均单位参数、每种渔产品的捕捞参数进行处理,预测出每种渔产品的单位参数。需要注意的是,这里的每种渔产品的捕捞参数可以先通过上述第一记忆模型来预测得到。
还需要说明的是,生成推送信息之后,所述方法还包括:判断所述信息推送平台上是否已推送所述渔产品信息;确定未推送所述渔产品信息,将所述推送信息发送至浏览所述信息推送平台的用户的终端上。
这里,判断信息推送平台上是否已推送所述渔产品信息可以通过设置标识的方式实现。所述标识可以是自动累计的数值形式,也可以直接是时间标识。具体可以是:确定每批待作业的渔船的相关信息;对所述待作业的渔船的相关信息设置标识,基于所述标识,判断所述信息推送平台上是否已推送所述渔产品信息。所述确定每批待作业的渔船的相关信息可以是将预设时间段内待作业的渔船设定为同一批次;例如,将7月16号-18号待作业的渔船设置为同一批次。
在设置好标识后,所述信息推送平台可以检测每次的推送信息所包含的标识来判断是否已推送这批待作业的渔船预测的渔产品信息。当确定未推送时,将所述推送信息发送至浏览所述信息推送平台的用户的终端上。
本发明实施例提供的信息推送方法,通过获取待作业的渔船的属性信息、历史活动信息来统计每种渔产品的历史捕捞参数,进而基于每种渔产品的捕捞参数、渔船的属性信息来建立记忆模型,通过建立的记忆模型进行处理,生成用户可能感兴趣的信息进行推送。如此,能够在渔船作业前便能进行捕捞数据的预测与推送,为用户提供充足的时间进行查看,能极大提高用户体验。
本发明实施例提供一种信息推送方法,图3为本发明实施例提供的一种信息推送方法的实现流程示意图二,如图3所示,该方法主要包括以下步骤:
步骤301,确定待作业的渔船。
需要说明的是,关于渔产品信息的推荐,考虑到渔产品的新鲜度的问题,在每次进行信息的推荐之前需要确定出哪些渔船此次会出海作业。所述待作业的渔船的确定可以是:待出海作业的渔船自行上报,也可以是:对某地注册的渔船统一设置作业周期,基于设置的周期来确定此次哪些渔船会出海作业。
步骤302,获取至少一只待作业的渔船的相关信息。
需要说明的是,在确定哪些渔船会出海作业后,去采集待作业的渔船的相关信息。所述确定出待作业的渔船可以是预计出海作业的渔船自行上报,也可以是对某地注册的渔船统一设置作业周期,基于设置的周期来确定此次哪些渔船会出海作业。通过在信息推送平台的数据库中提取关于此次待作业的渔船的相关信息实现对待作业的渔船的相关信息的获取。
步骤303,统计至少一只待作业的渔船所捕捞的至少一种渔产品中每种渔产品的历史捕捞参数。
需要说明的是,可以通过确定目标时间段,基于确定的目标时间段,查找在目标时间段内已完成作业的全部渔船信息,从所述全部渔船信息中提取此次待作业的渔船信息;根据此次待作业的渔船信息来确定每个待作业渔船的在目标时间段内的作业次数,基于作业次数,查询出每次作业的捕捞数据;对每次作业的捕捞数据中每种渔产品的捕捞参数进行统计,得到每种渔产品的历史捕捞参数。
所述相关数据包括作业次数、每次作业的捕捞数据等,所述每次作业的捕捞数据包括:每种渔产品的捕捞量、质量等。
步骤304,构建第一记忆模型。
需要说明的是,将每种渔产品的历史捕捞参数、渔船的属性信息作为训练数据,提取所述训练数据的至少一个特征参数,依据所述至少一个特征参数,构建第一记忆模型。
需要说明的是,考虑到模型的准确度、性能问题,可以对其进行优化,即确定第一记忆模型的误差函数,针对所述误差函数,设置阈值;基于所述阈值,对所述第一记忆模型进行迭代训练直至误差函数收敛于所述阈值。
还需要说明的是,所述阈值用于确定所述误差函数的收敛的程度。当误差函数小于阈值时,可以停止对第一记忆模型的训练,当误差函数不小于阈值时,继续对第一记忆模型进行迭代训练。
步骤305,生成推送信息。
需要说明的是,在得到第一模型后,即可根据所述第一记忆模型,对待作业的渔船的属性信息、所述每种渔产品的历史捕捞参数进行处理,生成推送信息。
需要说明的是,由于是进行渔船捕捞数据的推送,而渔船捕捞数据主要是体现在捕捞量、回港天数上。捕捞量的确定有利于扩大用户的选择空间,回港天数的确定则有利用用户的选择便利度,可以合理地安排时间。当然渔船捕捞数据还可以体现在其他方面,例如,捕捞质量、种类等,那么,也可以进行其他信息的推送。
本发明实施例提供的信息推送方法,通过获取待作业的渔船的属性信息、历史活动信息来统计每种渔产品的历史捕捞参数,进而基于每种渔产品的捕捞参数、渔船的属性信息来建立记忆模型,通过建立的记忆模型进行处理,生成用户可能感兴趣的信息进行推送。如此,能够在渔船作业前便能进行捕捞数据的预测与推送,为用户提供充足的时间进行查看,能极大提高用户体验。
本发明实施例提供一种信息推送方法,图4为本发明实施例提供的一种信息推送方法的实现流程示意图三,如图4所示,该方法主要包括以下步骤:
步骤401,确定待作业的渔船。
需要说明的是,所述待作业的渔船的确定可以是待出海作业的渔船自行上报,也可以是对某地注册的渔船统一设置作业周期,基于设置的周期来确定此次哪些渔船会出海作业。
步骤402,获取至少一只待作业的渔船的相关信息、每种渔产品的历史单位参数。
需要说明的是,在确定哪些渔船会出海作业后,在信息推荐平台的数据库中提取待作业的渔船的相关信息以及历史捕捞的每种渔产品的单位参数。由于信息推送平台用于向注册用户所对应的终端推送信息,那么,就会对应记录每种渔产品的历史单位参数。在确定出需要采集的时间段后,对处于这一时间段中的每种渔产品的历史单位参数进行采集。
步骤403,统计至少一只待作业的渔船所捕捞的至少一种渔产品中每种渔产品的历史捕捞参数。
步骤404,构建第一记忆模型。
需要说明的是,将每种渔产品的历史捕捞参数、渔船的属性信息作为训练数据,提取所述训练数据的至少一个特征参数,依据所述至少一个特征参数,构建第一记忆模型。
需要说明的是,考虑到模型的准确度、性能问题,可以对其进行优化,得到第二记忆模型。
步骤405,构建第二记忆模型。
需要说明的是,第二记忆模型用于预测每种渔产品的单位参数。可以通过获取至少一只待作业的渔船所捕捞的至少一种渔产品中每种渔产品的历史单位参数;基于每种渔产品的历史单位参数,构建第二记忆模型。
步骤406,生成推送信息。
需要说明的是,这里的推送信息包括:预测捕捞量、预测回港时间、渔产品的单位参数至少之一。
本发明实施例提供的信息推送方法,通过获取待作业的渔船的属性信息、历史活动信息来统计每种渔产品的历史捕捞参数,进而基于每种渔产品的捕捞参数、渔船的属性信息来建立记忆模型,通过建立的记忆模型进行处理,生成用户可能感兴趣的信息进行推送。如此,能够在渔船作业前便能进行捕捞数据的预测与推送,为用户提供充足的时间进行查看,能极大提高用户体验。
基于上述实施例的同一发明构思,本发明实施例提供一种信息推送装置,图5为本发明实施例提供的一种信息推送装置500的结构示意图,如图5所示,所述推送装置500包括:获取单元501、统计单元502、生成单元503;其中,所述获取单元501,用于获取至少一只待作业的渔船的相关信息;其中,所述相关信息包括属性信息、历史活动信息;
所述统计单元502,用于根据获取的历史活动信息,统计所述至少一只待作业的渔船所捕捞的至少一种渔产品中每种渔产品的历史捕捞参数;
所述生成单元503,用于基于统计的每种渔产品的历史捕捞参数、所述至少一只待作业的渔船的属性信息,生成预测所述至少一只待作业的渔船的捕捞数据的推送信息。
需要说明的是,所述推送信息包括预测捕捞量、预测回港时间至少之一。所述信息推送装置500上
还需要说明的是,所述信息推送装置500还包括:第一建模单元504;所述第一建模单元504,用于在生成推送信息之前,将所述每种渔产品的历史捕捞参数、待作业的渔船的属性信息作为训练数据,提取所述训练数据的至少一个特征参数;依据所述至少一个特征参数,构建第一记忆模型。
需要说明的是,所述生成单元503包括生成子单元5031,所述生成子单元5031,用于根据所述第一记忆模型,对所述待作业的渔船的属性信息、所述每种渔产品的历史捕捞参数进行处理,生成预测所述至少一只待作业的渔船的捕捞数据的推送信息。
进一步地,所述信息推送装置500还包括:第二建模单元505;所述第二建模单元505,用于获取所述至少一只待作业的渔船所捕捞的至少一种渔产品中每种渔产品的历史单位参数;基于所述每种渔产品的历史单位参数,构建第二记忆模型,根据所述第二记忆模型,生成预测所述每种渔产品的单位参数的推送信息。
需要说明的是,所述信息推送装置500还包括:判断单元506,所述判断单元506,用于在生成推送信息之后,判断是否已推送所述推送信息;确定未推送所述推送信息,将所述推送信息发送至待浏览所述推送信息的用户的终端上。
还需要说明的是,由于所述信息推送装置500解决问题的原理与前述信息推送方法相似,因此,所述信息推送装置500的具体实施过程及实施原理均可以参见前述方法和实施过程,重复之处不再赘述。
本发明实施例提供的信息推送装置,通过获取待作业的渔船的属性信息、历史活动信息来统计每种渔产品的历史捕捞参数,进而基于每种渔产品的捕捞参数、渔船的属性信息来建立记忆模型,通过建立的记忆模型进行处理,生成用户可能感兴趣的信息进行推送。如此,能够在渔船作业前便能进行捕捞数据的预测与推送,为用户提供充足的时间进行查看,能极大提高用户体验。
在本发明实施例中的各组成部分可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。
所述集成的单元如果以软件功能模块的形式实现并非作为独立的产品进行销售或使用时,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,本发明实施例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全部或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)或processor(处理器)执行本发明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。
因此,本发明实施例提供了一种计算机存储介质,该计算机存储介质存储有计算机程序,所述计算机程序被至少一个处理器执行时实现上述实施例所述的步骤。
参见图6,示出了本发明实施例提供的一种信息推送装置600的具体硬件结构,包括:网络接口601、存储器602和处理器603;各个组件通过总线系统604耦合在一起。可理解,总线系统604用于实现这些组件之间的连接通信。总线系统604除包括数据总线之外,还包括电源总线、控制总线和状态信号总线。但是为了清楚说明起见,在图6中将各种总线都标为总线系统604。
在本申请所提供的几个实施例中,应该理解到,所揭露的设备和方法,可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,如:多个单元或组件可以结合,或可以集成到另一个系统,或一些特征可以忽略,或不执行。另外,所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口,设备或单元的间接耦合或通信连接,可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的,作为单元显示的部件可以是、或也可以不是物理单元,即可以位于一个地方,也可以分布到多个网络单元上;可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
本申请所提供的几个方法实施例中所揭露的方法,在不冲突的情况下可以任意组合,得到新的方法实施例。
本申请所提供的几个产品实施例中所揭露的特征,在不冲突的情况下可以任意组合,得到新的产品实施例。
本申请所提供的几个方法或设备实施例中所揭露的特征,在不冲突的情况下可以任意组合,得到新的方法实施例或设备实施例。
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以所述权利要求的保护范围为准。
Claims (9)
1.一种信息推送方法,其特征在于,所述方法包括:
获取至少一只待作业的渔船的相关信息;其中,所述相关信息包括属性信息、历史活动信息;
根据获取的历史活动信息,统计所述至少一只待作业的渔船所捕捞的至少一种渔产品中每种渔产品的历史捕捞参数;
基于统计的每种渔产品的历史捕捞参数、所述至少一只待作业的渔船的属性信息,生成预测所述至少一只待作业的渔船的捕捞数据的推送信息。
2.根据权利要求1所述的方法,其特征在于,在生成预测所述至少一只待作业的渔船的捕捞数据的推送信息之前,所述方法包括:
将所述每种渔产品的历史捕捞参数、待作业的渔船的属性信息作为训练数据,提取所述训练数据的至少一个特征参数;
依据所述至少一个特征参数,构建第一记忆模型。
3.根据权利要求2所述的方法,其特征在于,所述基于统计的每种渔产品的历史捕捞参数、所述至少一只待作业的渔船的属性信息,生成预测所述至少一只待作业的渔船的捕捞数据的推送信息,包括:
根据所述第一记忆模型,对所述每种渔产品的历史捕捞参数、待作业的渔船的属性信息进行处理,生成预测所述至少一只待作业的渔船的捕捞数据的推送信息。
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:
获取所述至少一只待作业的渔船所捕捞的至少一种渔产品中每种渔产品的历史单位参数;
基于所述每种渔产品的历史单位参数,构建第二记忆模型,根据所述第二记忆模型,生成预测所述每种渔产品的单位参数的推送信息。
5.根据权利要求1所述的方法,其特征在于,在生成预测所述至少一只待作业的渔船的捕捞数据的推送信息之后,所述方法还包括:
判断是否已推送所述推送信息;
确定未推送所述推送信息,将所述推送信息发送至待浏览所述推送信息的用户的终端上。
6.根据权利要求3所述的方法,其特征在于,所述推送信息包括预测捕捞量、预测回港时间至少之一。
7.一种信息推送装置,其特征在于,所述装置包括:获取单元、统计单元、生成单元;其中,
所述获取单元,用于获取至少一只待作业的渔船的相关信息;其中,所述相关信息包括属性信息、历史活动信息;
所述统计单元,用于根据获取的历史活动信息,统计所述至少一只待作业的渔船所捕捞的至少一种渔产品中每种渔产品的历史捕捞参数;
所述生成单元,用于基于统计的每种渔产品的历史捕捞参数、所述至少一只待作业的渔船的属性信息,生成预测所述至少一只待作业的渔船的捕捞数据的推送信息。
8.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至6任一项所述方法的步骤。
9.一种信息推送装置,其特征在于,包括:处理器和用于存储能够在处理器上运行的计算机程序的存储器,其中,所述处理器用于运行所述计算机程序时,执行权利要求1至6任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910930554.4A CN110796288B (zh) | 2019-09-29 | 2019-09-29 | 一种信息推送方法、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910930554.4A CN110796288B (zh) | 2019-09-29 | 2019-09-29 | 一种信息推送方法、装置及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110796288A true CN110796288A (zh) | 2020-02-14 |
CN110796288B CN110796288B (zh) | 2022-05-03 |
Family
ID=69438796
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910930554.4A Active CN110796288B (zh) | 2019-09-29 | 2019-09-29 | 一种信息推送方法、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110796288B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140351179A1 (en) * | 2013-05-27 | 2014-11-27 | Huawei Technologies Co., Ltd. | Information push method and apparatus |
CN104484826A (zh) * | 2014-11-14 | 2015-04-01 | 中国水产科学研究院东海水产研究所 | 基于北斗船位数据提取拖网捕捞努力量时空特征的方法 |
US20150112903A1 (en) * | 2013-02-28 | 2015-04-23 | Huawei Technologies Co., Ltd. | Defect prediction method and apparatus |
CN106447452A (zh) * | 2016-09-30 | 2017-02-22 | 福建工程学院 | 基于船联网的渔货交易方法及平台 |
CN108665104A (zh) * | 2018-05-14 | 2018-10-16 | 华际卫星通信有限公司 | 一种基于lstm的渔场预报方法 |
CN108876161A (zh) * | 2018-06-26 | 2018-11-23 | 广东海洋大学 | 一种渔船捕捞能力和技术效益指标的评估方法 |
CN110135559A (zh) * | 2019-04-28 | 2019-08-16 | 中国水产科学研究院东海水产研究所 | 一种基于船位数据获取张网网位和捕捞努力量的方法 |
-
2019
- 2019-09-29 CN CN201910930554.4A patent/CN110796288B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150112903A1 (en) * | 2013-02-28 | 2015-04-23 | Huawei Technologies Co., Ltd. | Defect prediction method and apparatus |
US20140351179A1 (en) * | 2013-05-27 | 2014-11-27 | Huawei Technologies Co., Ltd. | Information push method and apparatus |
CN104484826A (zh) * | 2014-11-14 | 2015-04-01 | 中国水产科学研究院东海水产研究所 | 基于北斗船位数据提取拖网捕捞努力量时空特征的方法 |
CN106447452A (zh) * | 2016-09-30 | 2017-02-22 | 福建工程学院 | 基于船联网的渔货交易方法及平台 |
CN108665104A (zh) * | 2018-05-14 | 2018-10-16 | 华际卫星通信有限公司 | 一种基于lstm的渔场预报方法 |
CN108876161A (zh) * | 2018-06-26 | 2018-11-23 | 广东海洋大学 | 一种渔船捕捞能力和技术效益指标的评估方法 |
CN110135559A (zh) * | 2019-04-28 | 2019-08-16 | 中国水产科学研究院东海水产研究所 | 一种基于船位数据获取张网网位和捕捞努力量的方法 |
Non-Patent Citations (1)
Title |
---|
宁波海上鲜信息技术有限公司: "听说下了海上鲜APP的渔民这个冬天都很温暖", 《HTTP://HAISHANGXIAN.CN/INDEX.PHP?S=/HOME/ARTICLE/DETAIL/ID/12.HTML》 * |
Also Published As
Publication number | Publication date |
---|---|
CN110796288B (zh) | 2022-05-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109189991B (zh) | 重复视频识别方法、装置、终端及计算机可读存储介质 | |
CN109889538B (zh) | 用户异常行为检测方法及系统 | |
CN109784636A (zh) | 欺诈用户识别方法、装置、计算机设备及存储介质 | |
CN110046929B (zh) | 一种欺诈团伙识别方法、装置、可读存储介质及终端设备 | |
CN107767055A (zh) | 一种基于串谋检测的众包结果汇聚方法及装置 | |
CN114742477B (zh) | 企业订单数据处理方法、装置、设备及存储介质 | |
CN109190036B (zh) | 推荐方法、装置、电子设备及存储介质 | |
CN110427549A (zh) | 一种网络舆论溯源分析方法、装置、终端及存储介质 | |
CN110166289B (zh) | 一种识别目标信息资产的方法及装置 | |
CN112632405A (zh) | 一种推荐方法、装置、设备及存储介质 | |
CN112187710A (zh) | 威胁情报数据的感知方法、装置、电子装置和存储介质 | |
CN109241084A (zh) | 数据的查询方法、终端设备及介质 | |
CN113268641A (zh) | 基于大数据的用户数据处理方法及大数据服务器 | |
CN117221087A (zh) | 告警根因定位方法、装置及介质 | |
CN110796288B (zh) | 一种信息推送方法、装置及存储介质 | |
CN116501979A (zh) | 信息推荐方法、装置、计算机设备及计算机可读存储介质 | |
CN112035569A (zh) | 一种商户评分方法及系统 | |
CN108460630B (zh) | 基于用户数据进行分类分析的方法和装置 | |
CN112579833B (zh) | 基于用户操作数据的业务关联关系获取方法及装置 | |
CN112818241B (zh) | 一种内容推广方法、装置、计算机设备和存储介质 | |
CN114048148A (zh) | 一种众包测试报告推荐方法、装置及电子设备 | |
CN107908654B (zh) | 一种基于知识库的推荐方法、系统及装置 | |
CN113569879A (zh) | 异常识别模型的训练方法、异常账号识别方法及相关装置 | |
CN110111131A (zh) | 虚假客资信息的确定方法及装置 | |
CN115361231B (zh) | 基于访问基线的主机异常流量检测方法、系统及设备 |
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 | ||
CP01 | Change in the name or title of a patent holder |
Address after: 315000 No.98, Huiming Road, economic development zone, Fenghua District, Ningbo City, Zhejiang Province Patentee after: Ningbo haihaixian Information Technology Co.,Ltd. Address before: 315000 No.98, Huiming Road, economic development zone, Fenghua District, Ningbo City, Zhejiang Province Patentee before: NINGBO HAISHANGXIAN INFORMATION TECHNOLOGY Co.,Ltd. |
|
CP01 | Change in the name or title of a patent holder |