CN111415189A - 一种蔬菜市场行情大数据监测预警管理方法 - Google Patents
一种蔬菜市场行情大数据监测预警管理方法 Download PDFInfo
- Publication number
- CN111415189A CN111415189A CN202010097208.5A CN202010097208A CN111415189A CN 111415189 A CN111415189 A CN 111415189A CN 202010097208 A CN202010097208 A CN 202010097208A CN 111415189 A CN111415189 A CN 111415189A
- Authority
- CN
- China
- Prior art keywords
- early warning
- crops
- information
- crop
- monitored
- 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.)
- Pending
Links
- 235000013311 vegetables Nutrition 0.000 title claims abstract description 41
- 238000012544 monitoring process Methods 0.000 title claims abstract description 33
- 238000007726 management method Methods 0.000 title claims abstract description 26
- 238000004519 manufacturing process Methods 0.000 claims abstract description 77
- 238000004458 analytical method Methods 0.000 claims abstract description 12
- 238000003062 neural network model Methods 0.000 claims description 39
- 238000012549 training Methods 0.000 claims description 37
- 238000012795 verification Methods 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 12
- 238000007781 pre-processing Methods 0.000 claims description 11
- 230000008676 import Effects 0.000 claims description 9
- 230000005540 biological transmission Effects 0.000 claims description 7
- 238000003860 storage Methods 0.000 claims description 7
- 238000007405 data analysis Methods 0.000 claims description 6
- 238000012163 sequencing technique Methods 0.000 claims description 5
- 238000001514 detection method Methods 0.000 claims description 3
- 238000010899 nucleation Methods 0.000 claims 1
- 238000000034 method Methods 0.000 abstract description 18
- 238000012271 agricultural production Methods 0.000 abstract description 4
- 230000007246 mechanism Effects 0.000 abstract description 3
- 241000894007 species Species 0.000 description 45
- 238000004364 calculation method Methods 0.000 description 14
- 230000006870 function Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 238000007476 Maximum Likelihood Methods 0.000 description 4
- 238000007619 statistical method Methods 0.000 description 4
- 238000009395 breeding Methods 0.000 description 3
- 230000001488 breeding effect Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000013179 statistical model Methods 0.000 description 3
- 230000001960 triggered effect Effects 0.000 description 3
- 238000012272 crop production Methods 0.000 description 2
- 238000012217 deletion Methods 0.000 description 2
- 230000037430 deletion Effects 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000009331 sowing Methods 0.000 description 2
- 241000282887 Suidae Species 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000001932 seasonal effect Effects 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0202—Market predictions or forecasting for commercial activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2462—Approximate or statistical queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/248—Presentation of query results
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/284—Relational databases
- G06F16/285—Clustering or classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06K—GRAPHICAL DATA READING; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
- G06K17/00—Methods or arrangements for effecting co-operative working between equipments covered by two or more of main groups G06K1/00 - G06K15/00, e.g. automatic card files incorporating conveying and reading operations
- G06K17/0022—Methods or arrangements for effecting co-operative working between equipments covered by two or more of main groups G06K1/00 - G06K15/00, e.g. automatic card files incorporating conveying and reading operations arrangements or provisions for transferring data to distant stations, e.g. from a sensing device
- G06K17/0025—Methods or arrangements for effecting co-operative working between equipments covered by two or more of main groups G06K1/00 - G06K15/00, e.g. automatic card files incorporating conveying and reading operations arrangements or provisions for transferring data to distant stations, e.g. from a sensing device the arrangement consisting of a wireless interrogation device in combination with a device for optically marking the record carrier
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Accounting & Taxation (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Entrepreneurship & Innovation (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Probability & Statistics with Applications (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Fuzzy Systems (AREA)
- Tourism & Hospitality (AREA)
- Human Resources & Organizations (AREA)
- Computer Networks & Wireless Communication (AREA)
- Quality & Reliability (AREA)
- Mining & Mineral Resources (AREA)
- Marine Sciences & Fisheries (AREA)
- Animal Husbandry (AREA)
- Agronomy & Crop Science (AREA)
- Game Theory and Decision Science (AREA)
Abstract
本发明公开了一种蔬菜市场行情大数据监测预警管理方法，属于农业信息化技术领域。步骤包括：标准化采集农作物的种业信息，对农作物的种业信息进行分类，建立种业流通数据库；从种业流通数据库获取待监测农作物的种业信息，计算待监测农作物的预期生产面积；根据待监测农作物的预期生产面积和种业信息，计算待监测农作物的预期供应量；根据待监测农作物的预期供应量，对农作物市场行情进行预测分析并预警。本申请通过合理的预测和预警，并建立了合理的三级预警机制，从而有效引导我国农业生产经营者合理规划生产，对保持蔬菜产业的平稳，减少农民盲目生产具有重要意义。
Description
技术领域
本发明涉及农业信息化技术领域，特别是指一种蔬菜市场行情大 数据监测预警管理方法。
背景技术
我国目前尚未构建一个功能完善、及时准确、标准统一的全国蔬 菜市场监测预警体系，而国内外学者对于农产品市场监测预警的研究 主要集中于粮食、生猪等大宗农产品领域。
然而，蔬菜市场相对于传统大宗农产品市场，有着较大的特殊性， 蔬菜生产流程短，受天气影响变化大，市场规模难以统计分析，它的 季度性特点决定了传统农产品大数据分析方法对蔬菜市场效果较差。
发明内容
本发明所要解决的技术问题是通过种业信息，对蔬菜市场行情进 行监测预警，有鉴于此，本发明提供一种蔬菜市场行情大数据监测预 警管理方法。
本发明提供一种蔬菜市场行情大数据监测预警管理方法，包括：
S1、标准化采集农作物的种业信息，对所述农作物的种业信息进 行分类，建立种业流通数据库；
S2、从所述种业流通数据库获取待监测农作物的种业信息，计算 所述待监测农作物的预期生产面积；
S3、根据所述待监测农作物的预期生产面积和种业信息，计算所 述待监测农作物的预期供应量；
S4、根据所述待监测农作物的预期供应量，对农作物市场行情进 行预测分析并预警。
本发明通过巧妙地从种业市场数据入手，根据种业信息计算预期 生产面积，进而计算预期供应量，对农作物市场行情进行预测分析和 预警，解决了蔬菜生产流程短、受天气影响变化大所带来的市场规模 难以统计分析的问题，本申请通过合理的预测和预警，从而有效引导 我国农业生产经营者合理规划生产，对保持蔬菜产业的平稳，减少农 民盲目生产具有重要意义。
优选的，所述S1步骤，具体包括：
通过农作物种子的标签二维码确定所述农作物的种业信息类别， 对所述标签二维码包含的所述农作物的种业信息进行采集，并通过信 息传输设备对所述标签二维码未包含的农作物的种业信息进行标准 化录入并采集；
根据农作物种类对所述农作物的种业信息进行分类，根据时间轴 对信息数据进行排序并对缺失数据进行预处理，建立种业流通数据库。
优选的，对缺失数据进行预处理，所述预处理过程具体包括：
对缺失数据按照缺失部分的重要程度进行分类，分为重要缺失数 据和非重要缺失数据，所述分类标准为所述缺失数据的数据类型是否 在后续计算中直接应用，直接应用到的为所述重要缺失数据，反之则 为非重要缺失数据。
当缺失数据为重要缺失数据时，对正常数据赋予权重，所述权重 根据广义线性模型回归计算得到，并对缺失数据进行删除处理；当缺 失数据为非重要缺失数据时，直接对缺失数据进行删除处理。
可选的，对缺失数据进行预处理，所述预处理过程包括：
通过可能值对缺失数据进行填补操作，其中，所述填补方式包括 但不限于：
前后均值填补，同类型数据均值填补，极大似然估计，多重插补。
优选的，所述标签二维码包含的农作物的种业信息包括：
作物种类、种子类别、品种名称、种子生产经营者信息、质量指 标、净含量、检测日期、质量保证期、品种适宜种植区域、种植季节、 检疫证明编号、种子信息代码、是否进口、标注进口审批文号、进口 商名称和来源地；
所述标签二维码未包含的农作物的种业信息包括：
分销商名称、销售时间、销售地区、单价、数量、播种地区和熟 性。
可选的，当标签二维码所包含的农作物种业信息填报不全时，通 过专用的信息传输设备对所述标签二维码未包含的农作物的种业信 息进行标准化录入并采集。
优选的，所述S2步骤具体包括：
根据所述种业流通数据库中的所述农作物种业信息建立第一训 练集和第一验证集，构建第一神经网络模型并根据所述第一训练集进 行迭代训练，并通过所述第一验证集对所述第一神经网络模型进行验 证；
将所述待监测农作物的种业信息输入到验证后的第一神经网络 模型中，计算所述待监测农作物的预期生产面积。
可选的，通过农业遥感平台获取相应时间的农作物的实际生产面 积，通过对实际生产面积和预期生产面积的对比，对所述第一神经网 络模型进行评价。
优选的，所述S3步骤具体包括：
通过所述预期生产面积和所述农作物种业信息建立第二训练集 和第二训练集，构建第二神经网络模型并根据所述第二训练集进行迭 代训练，并通过所述第二验证集对所述第二神经网络模型进行验证；
将所述后的第二神经网络模型中，计算所述待监测农作物的预期 供应量。
可选的，通过农产品市场平台获取相应时间的农作物市场行情数 据，通过实际供应量和预测供应量的对比，对所述第二神经网络模型 进行评价。
优选的，所述S4步骤具体包括：
通过所述农产品市场平台获取农产品的历史需求信息，并结合所 述预期供应量，预测分析农产品的市场销售趋势，绘制预期销售趋势 曲线图，对超出第一阈值的预期销售趋势曲线波动进行产后预警。
优选的，所述S4步骤之后，还包括：
通过所述农作物的种业信息，分析种业销售数据波动，对超出第 二阈值的种业销售数据波动进行产前预警；
通过所述农业遥感平台获取农作物的实际生产面积，并结合所述 预期生产面积，对超出第三阈值的生产面积进行产中预警；
统合所述产前预警、产中预警和产后预警的结果。
可选的，根据所述产前预警，产中预警和产后预警的结果，构建 三级监测预警平台，为农业生产提供指导。
本发明还提供一种蔬菜市场行情大数据监测预警管理系统，包括：
农作物种业信息采集平台，标准化采集农作物的种业信息，对所 述农作物的种业信息进行分类，建立种业流通数据库；
农作物产中数据预测平台，从所述种业流通数据库获取待监测的 农作物种业信息，计算所述待监测的农作物的预期生产面积；
农作物产后数据预测平台，根据所述待监测农作物的预期生产面 积和种业信息，计算所述待监测农作物的预期供应量；
数据分析预警平台，根据所述待监测农作物的预期供应量，对农 作物市场行情进行预测分析并预警。
优选的，所述农作物种业信息采集平台，包括采集录入模块和分 类存储模块，其中：
采集录入模块，用于通过农作物种子的标签二维码确定所述农作 物的种业信息类别，对所述标签二维码包含的所述农作物的种业信息 进行采集，并通过信息传输设备对所述标签二维码未包含的农作物的 种业信息进行标准化录入并采集；
分类存储模块，用于根据农作物种类对所述农作物的种业信息进 行分类，根据时间轴对信息数据进行排序并对缺失数据进行预处理， 建立种业流通数据库。
优选的，所述农作物产中数据预测平台，具体用于根据所述种业 流通数据库中的所述农作物种业信息建立第一训练集和第一验证集， 构建第一神经网络模型并根据所述第一训练集进行迭代训练，并通过 所述第一验证集对所述第一神经网络模型进行验证；将所述待监测农 作物的种业信息输入到验证后的第一神经网络模型中，计算所述待监 测农作物的预期生产面积。
优选的，所述农作物产后数据预测平台，具体用于通过所述预期 生产面积和所述农作物种业信息建立第二训练集和第二训练集，构建 第二神经网络模型并根据所述第二训练集进行迭代训练，并通过所述 第二验证集对所述第二神经网络模型进行验证；将所述后的第二神经 网络模型中，计算所述待监测农作物的预期供应量。
优选的，所述数据分析预警平台，具体用于通过所述农产品市场 平台获取农产品的历史需求信息，并结合所述预期供应量，预测分析 农产品的市场销售趋势，绘制预期销售趋势曲线图，对超出第一阈值 的预期销售趋势曲线波动进行产后预警。
优选的，所述蔬菜市场行情大数据监测预警管理系统，还包括：
通过所述农作物的种业信息，分析种业销售数据波动，对超出第 二阈值的种业销售数据波动进行产前预警；通过所述农业遥感平台获 取农作物的实际生产面积，并结合所述预期生产面积，对超出第三阈 值的生产面积进行产中预警；统合所述产前预警、产中预警和产后预 警的结果。
本发明还提供一种电子设备，所述设备包括存储器、处理器以及 存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处 理器执行所述计算机程序时实现上述任一种蔬菜市场行情大数据监 测预警管理方法的步骤。
本发明还提供一种计算机可读存储介质，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任一种蔬菜市场行情大数据 监测预警管理方法的步骤。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本申请 的一部分，本申请的示意性实施例及其说明用于解释本发明，并不构 成对本发明的不当限定。在附图中：
图1是本发明实施例中的一种蔬菜市场行情大数据监测预警管 理方法流程图；
图2是本发明实施例中的一种蔬菜市场行情大数据监测预警管 理系统图。
具体实施方式
以下结合附图对本发明的原理和特征进行描述，所举实例只用于 解释本发明，并非用于限定本发明的范围。
本发明的实施例提供一种蔬菜市场行情大数据监测预警管理方 法，流程如图1所示，包括：
S1、标准化采集农作物的种业信息，对所述农作物的种业信息进 行分类，建立种业流通数据库；
S2、从所述种业流通数据库获取待监测农作物的种业信息，计算 所述待监测农作物的预期生产面积；
S3、根据所述待监测农作物的预期生产面积和种业信息，计算所 述待监测农作物的预期供应量；
S4、根据所述待监测农作物的预期供应量，对农作物市场行情进 行预测分析并预警。
本发明的实施例通过巧妙地从种业市场数据入手，根据种业信息 计算预期生产面积，进而计算预期供应量，对农作物市场行情进行预 测分析和预警，解决了蔬菜生产流程短、受天气影响变化大所带来的 市场规模难以统计分析的问题，本申请通过合理的预测和预警，从而 有效引导我国农业生产经营者合理规划生产，对保持蔬菜产业的平稳， 减少农民盲目生产具有重要意义。
优选的，所述S1步骤，具体包括：
通过农作物种子的标签二维码确定所述农作物的种业信息类别， 对所述标签二维码包含的所述农作物的种业信息进行采集，并通过信 息传输设备对所述标签二维码未包含的农作物的种业信息进行标准 化录入并采集；
根据农作物种类对所述农作物的种业信息进行分类，根据时间轴 对信息数据进行排序并对缺失数据进行预处理，建立种业流通数据库。
在一个具体的实施例中，数据一方面由种子的生产销售方在设置 种子的标签二维码时，对部分信息进行填报，另一方面则由种子市场 的工作人员通过终端进行手动采集；本申请通过提供一个农作物种业 信息采集平台，在提供标准化填报模板以供标准化采集的同时，还具 有种业信息汇总和展示的功能，一方面方便收集种业信息大数据指导 农业生产，在另一方面还可以保证市场上种业信息的透明无误可追溯。
在一个具体的实施例中，收集到的种业数据会根据作物种类进行 分类，根据种子类别分为各个小类，并按照销售时间进行排序，建立 种业流通数据库。
优选的，对缺失数据进行预处理，所述预处理过程具体包括：
对缺失数据按照缺失部分的重要程度进行分类，分为重要缺失数 据和非重要缺失数据，所述分类标准为所述缺失数据的数据类型是否 在后续计算中直接应用，直接应用到的为所述重要缺失数据，反之则 为非重要缺失数据。
当缺失数据为重要缺失数据时，对正常数据赋予权重，所述权重 根据广义线性模型回归计算得到，并对缺失数据进行删除处理；当缺 失数据为非重要缺失数据时，直接对缺失数据进行删除处理。
在一个具体的实施例中，对种业数据进行预处理，清除噪声数据、 重复数据和格式错误数据，并对全部的缺失数据进行填补。由于种业 信息包括的数据种类并不会全部应用于后续数据的分析和预测，因此 将缺失数据按照按照缺失部分的重要程度进行分类，分类标准为缺失 数据的数据类型是否在后续计算中直接应用，直接应用到的为重要缺 失数据，反之则为非重要缺失数据，针对数据类型的不同制定不同的 预处理规则。
在一个具体的实施例中，对正常数据赋予权重时，所使用的广义 线性模型包括：Logistic模型或Probit模型，方法通过MATLAB对 Logistic模型的回归计算进行实现。
可选的，对缺失数据进行预处理，所述预处理过程包括：
通过可能值对缺失数据进行填补操作，其中，所述填补方式包括 但不限于：
前后均值填补，同类型数据均值填补，极大似然估计，多重填补。
在一个具体的实施例中，由于蔬菜种业数据通常数量较为庞大， 因此采取删除和加权删除的预处理方式可以在保证准确度增加的同 时减轻系统大数据处理的负担。但是，如果该类蔬菜获得的种业数据 较少，或该类蔬菜受种植条件限制，为达到较好的预测效果，对所需 的种业数据的时间精度要求相较一般农作物高，此时采取填补的方式 处理缺失数据，以达到更好的预测准确度。
其中，前后均值填补为，将种业数据的划分为定距型数据(例如 时间)和非定距型数据(例如净含量)。如果缺失数据为定距型，则 以该数据的平均值来对缺失数据进行填补，如采用前后时间的均值填 补缺失的时间数据；如果缺失数据为非定距型，则以该数据的众数对 缺失数据进行填补。
同类型数据均值填补为用层次聚类模型预测缺失数据变量的类 型，再以该类型的均值插补。假设X＝(X1,X2…Xp)为不存在缺失数 据的变量，Y为存在缺失数据的变量，那么首先对X或其子集进行聚 类，然后按缺失个案所属类来插补不同类的均值，但此方法需要避免 分析时出现自相关的情况，因此应用场景较少。
极大似然估计为在缺失数据的类型为随机缺失的条件下，假设模 型对于完整的样本是正确的，那么通过观测数据的边际分布可以对未 知参数进行极大似然估计，实际中常采用的计算方法是期望值最大化， 有效样本的数量足够以保证估计值是渐近无偏的并服从正态分布。
多重填补为，为每个缺失数据产生一个可能的填补值集合，集合 中的每个值都可以用来填补数据集中的缺失数据，由此产生若干个完 整数据集合；对每个完整数据集合进行统计学分析；对来自各个填补 值集合的结果，根据评分函数(例如均方根误差评分函数)对结果进 行排序并选择，并对缺失数据进行填补。
优选的，所述标签二维码包含的农作物的种业信息包括：
作物种类、种子类别、品种名称、种子生产经营者信息、质量指 标、净含量、检测日期、质量保证期、品种适宜种植区域、种植季节、 检疫证明编号、种子信息代码、是否进口、标注进口审批文号、进口 商名称和来源地；
所述标签二维码未包含的农作物的种业信息包括：
分销商名称、销售时间、销售地区、单价、数量、播种地区和熟 性。
可选的，当标签二维码所包含的农作物种业信息填报不全时，通 过专用的信息传输设备对所述标签二维码未包含的农作物的种业信 息进行标准化录入并采集。
优选的，所述S2步骤具体包括：
根据所述种业流通数据库中的所述农作物种业信息建立第一训 练集和第一验证集，构建第一神经网络模型并根据所述第一训练集进 行迭代训练，并通过所述第一验证集对所述第一神经网络模型进行验 证；
将所述待监测农作物的种业信息输入到验证后的第一神经网络 模型中，计算所述待监测农作物的预期生产面积。
在一个具体的实施例中，使用1000条种业信息构成的训练集对 反向传播神经网络模型进行迭代训练，采用Sigmoid可微函数作为激 励函数，初始隐神经元设为4，迭代次数5000，学习速率0.01，对 模型进行训练，并由200条种业信息构成的验证集对模型进行验证。 种业信息是经过预处理后的连续时间段内的同一农作物类型的数据 构成的，初始权重最高的数据变量为净含量和数量的乘积，即种子重 量。
可选的，通过农业遥感平台获取相应时间的农作物的实际生产面 积，通过对实际生产面积和预期生产面积的对比，对所述第一神经网 络模型进行评价。
在一个具体的实施例中，由于模型训练时会采用往期种业数据， 因此在传统神经网络模型迭代自验证的基础上，根据实际数据和预测 数据的方差对神经网络模型进行评价，并在监测预警报告中给出。通 过使用神经网络模型进行大数据处理，可以自动化的得到更加准确的 预测结果，进而有效根据预警对蔬菜生产进行指导。
可选的，待监测农作物的预期生产面积的计算方式，还包括：使 用经验权重计算，通过统计学模型计算，其中，使用经验权重计算， 即通过生产面积＝种子总重量/单位面积种子使用量的公式对预期 生产面积进行简单估算，其中单位面积种子使用量为估计时的惯用权 重值；通过统计学模型计算，即通过统计学建立非线性模型，并根据 历史种业数据和历史生产面积数据计算非线性模型中的权值，再根据 此权值进行预期生产面积计算。
优选的，所述S3步骤具体包括：
通过所述预期生产面积和所述农作物种业信息建立第二训练集 和第二训练集，构建第二神经网络模型并根据所述第二训练集进行迭 代训练，并通过所述第二验证集对所述第二神经网络模型进行验证；
将所述后的第二神经网络模型中，计算所述待监测农作物的预期 供应量。
可选的，通过农产品市场平台获取相应时间的农作物市场行情数 据，通过实际供应量和预测供应量的对比，对所述第二神经网络模型 进行评价。
可选的，待监测农作物的预期供应量的计算方式，还包括：使用 经验权重计算和通过统计学模型计算，其中，与上述预期生产面积的 计算方法类似，农作物的预期供应量会受预期生产面积、农作物熟性、 天气和单株产量等条件影响，在经验权重计算中会对应相应的权重； 由于非线性模型在处理大数据时表现较差，因此会忽略数据波动较大 或实际影响较小的数据类型，仅根据预期生产面积、种植密度和单株 产量构建非线性模型。
优选的，所述S4步骤具体包括：
通过所述农产品市场平台获取农产品的历史需求信息，并结合所 述预期供应量，预测分析农产品的市场销售趋势，绘制预期销售趋势 曲线图，对超出第一阈值的预期销售趋势曲线波动进行产后预警。
优选的，所述S4步骤之后，还包括：
通过所述农作物的种业信息，分析种业销售数据波动，对超出第 二阈值的种业销售数据波动进行产前预警；
通过所述农业遥感平台获取农作物的实际生产面积，并结合所述 预期生产面积，对超出第三阈值的生产面积进行产中预警；
统合所述产前预警、产中预警和产后预警的结果。
可选的，根据种业销售数据波动的分析结果，绘制销售趋势实时 曲线图。
可选的，根据所述产前预警，产中预警和产后预警的结果，构建 三级监测预警平台，为农业生产提供指导。
在一个具体的实施例中，产前预警、产中预警和产后预警除数据 共通外均独立进行，当其中任意一个结果提出预警警报时，均会调出 该类型蔬菜的所有预警结果并整理成预警报告，由于种业数据获取较 早，因此可以及时为蔬菜生产提供指导。可选的，也可以通过产前预 警-产中预警-产后预警的顺序进行，由产前预警监测种业销售数据波 动，波动超过阈值时触发产中预警，通过神经网络模型对预测种植面 积进行计算，超过阈值时触发产中预警，对预测产量进行预警，通过 三级预警机制起到更好的预警效果。
在一个具体的实施例中，预测结果波动超过预设百分比或数据方 差大于预设值即触发系统的报警机制，并同时计算对应时间段内每项 原始数据的波动和方差，绘制预测数据曲线图，输出预警报告。
本发明的实施例还提供一种蔬菜市场行情大数据监测预警管理 系统，如图2所示，包括：
农作物种业信息采集平台81，标准化采集农作物的种业信息， 对所述农作物的种业信息进行分类，建立种业流通数据库；
农作物产中数据预测平台82，从所述种业流通数据库获取待监 测的农作物种业信息，计算所述待监测的农作物的预期生产面积；
农作物产后数据预测平台83，根据所述待监测农作物的预期生 产面积和种业信息，计算所述待监测农作物的预期供应量；
数据分析预警平台84，根据所述待监测农作物的预期供应量， 对农作物市场行情进行预测分析并预警。
优选的，所述农作物种业信息采集平台，包括采集录入模块和分 类存储模块，其中：
采集录入模块，用于通过农作物种子的标签二维码确定所述农作 物的种业信息类别，对所述标签二维码包含的所述农作物的种业信息 进行采集，并通过信息传输设备对所述标签二维码未包含的农作物的 种业信息进行标准化录入并采集；
分类存储模块，用于根据农作物种类对所述农作物的种业信息进 行分类，根据时间轴对信息数据进行排序并对缺失数据进行预处理， 建立种业流通数据库。
优选的，所述农作物产中数据预测平台，具体用于根据所述种业 流通数据库中的所述农作物种业信息建立第一训练集和第一验证集， 构建第一神经网络模型并根据所述第一训练集进行迭代训练，并通过 所述第一验证集对所述第一神经网络模型进行验证；将所述待监测农 作物的种业信息输入到验证后的第一神经网络模型中，计算所述待监 测农作物的预期生产面积。
优选的，所述农作物产后数据预测平台，具体用于通过所述预期 生产面积和所述农作物种业信息建立第二训练集和第二训练集，构建 第二神经网络模型并根据所述第二训练集进行迭代训练，并通过所述 第二验证集对所述第二神经网络模型进行验证；将所述后的第二神经 网络模型中，计算所述待监测农作物的预期供应量。
优选的，所述数据分析预警平台，具体用于通过所述农产品市场 平台获取农产品的历史需求信息，并结合所述预期供应量，预测分析 农产品的市场销售趋势，绘制预期销售趋势曲线图，对超出第一阈值 的预期销售趋势曲线波动进行产后预警。
优选的，所述蔬菜市场行情大数据监测预警管理系统，还包括：
通过所述农作物的种业信息，分析种业销售数据波动，对超出第 二阈值的种业销售数据波动进行产前预警；通过所述农业遥感平台获 取农作物的实际生产面积，并结合所述预期生产面积，对超出第三阈 值的生产面积进行产中预警；统合所述产前预警、产中预警和产后预 警的结果。
本发明的实施例还提供一种电子设备，所述设备包括存储器、处 理器以及存储在所述存储器中并可在所述处理器上运行的计算机程 序，所述处理器执行所述计算机程序时实现上述任一种蔬菜市场行情 大数据监测预警管理方法的步骤。
本发明的实施例还提供一种计算机可读存储介质，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任一种蔬菜市场行情 大数据监测预警管理方法的步骤。
上述所有可选技术方案，可以采用任意结合形成本公开的可选实 施例，在此不再一一赘述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描 述的各示例的方法步骤，能够以电子硬件、计算机软件或者二者的结 合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已 经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬 件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。 专业技术人员可以对每个特定的应用来使用不同方法来实现所描述 的功能，但是这种实现不应认为超出本发明的范围。
以上，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， 可轻易想到各种等效的修改或替换，这些修改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权利要求的保护范 围为准。
Claims (10)
1.一种蔬菜市场行情大数据监测预警管理方法，其特征在于，包括：
S1、标准化采集农作物的种业信息，对所述农作物的种业信息进行分类，建立种业流通数据库；
S2、从所述种业流通数据库获取待监测农作物的种业信息，计算所述待监测农作物的预期生产面积；
S3、根据所述待监测农作物的预期生产面积和种业信息，计算所述待监测农作物的预期供应量；
S4、根据所述待监测农作物的预期供应量，对农作物市场行情进行预测分析并预警。
2.根据权利要求1所述的一种蔬菜市场行情大数据监测预警管理方法，其特征在于，所述S1步骤，具体包括：
通过农作物种子的标签二维码确定所述农作物的种业信息类别，对所述标签二维码包含的所述农作物的种业信息进行采集，并通过信息传输设备对所述标签二维码未包含的农作物的种业信息进行标准化录入并采集；
根据农作物种类对所述农作物的种业信息进行分类，根据时间轴对信息数据进行排序并对缺失数据进行预处理，建立种业流通数据库。
3.根据权利要求2所述的一种蔬菜市场行情大数据监测预警管理方法，其特征在于，所述标签二维码包含的农作物的种业信息包括：
作物种类、种子类别、品种名称、种子生产经营者信息、质量指标、净含量、检测日期、质量保证期、品种适宜种植区域、种植季节、检疫证明编号、种子信息代码、是否进口、标注进口审批文号、进口商名称和来源地；
所述标签二维码未包含的农作物的种业信息包括：
分销商名称、销售时间、销售地区、单价、数量、播种地区和熟性。
4.根据权利要求1所述的一种蔬菜市场行情大数据监测预警管理方法，其特征在于，所述S2步骤具体包括：
根据所述种业流通数据库中的所述农作物种业信息建立第一训练集和第一验证集，构建第一神经网络模型并根据所述第一训练集进行迭代训练，并通过所述第一验证集对所述第一神经网络模型进行验证；
将所述待监测农作物的种业信息输入到验证后的第一神经网络模型中，计算所述待监测农作物的预期生产面积。
5.根据权利要求1所述的一种蔬菜市场行情大数据监测预警管理方法，其特征在于，所述S3步骤具体包括：
通过所述预期生产面积和所述农作物种业信息建立第二训练集和第二训练集，构建第二神经网络模型并根据所述第二训练集进行迭代训练，并通过所述第二验证集对所述第二神经网络模型进行验证；
将所述后的第二神经网络模型中，计算所述待监测农作物的预期供应量。
6.根据权利要求5所述的一种蔬菜市场行情大数据监测预警管理方法，其特征在于，所述S4步骤具体包括：
通过所述农产品市场平台获取农产品的历史需求信息，并结合所述预期供应量，预测分析农产品的市场销售趋势，绘制预期销售趋势曲线图，对超出第一阈值的预期销售趋势曲线波动进行产后预警。
7.根据权利要求1-6任一项所述的一种蔬菜市场行情大数据监测预警管理方法，其特征在于，所述S4步骤之后，还包括：
通过所述农作物的种业信息，分析种业销售数据波动，对超出第二阈值的种业销售数据波动进行产前预警；
通过所述农业遥感平台获取农作物的实际生产面积，并结合所述预期生产面积，对超出第三阈值的生产面积进行产中预警；
统合所述产前预警、产中预警和产后预警的结果。
8.一种蔬菜市场行情大数据监测预警管理系统，其特征在于，包括：
农作物种业信息采集平台，标准化采集农作物的种业信息，对所述农作物的种业信息进行分类，建立种业流通数据库；
农作物产中数据预测平台，从所述种业流通数据库获取待监测的农作物种业信息，计算所述待监测的农作物的预期生产面积；
农作物产后数据预测平台，根据所述待监测农作物的预期生产面积和种业信息，计算所述待监测农作物的预期供应量；
数据分析预警平台，根据所述待监测农作物的预期供应量，对农作物市场行情进行预测分析并预警。
9.一种电子设备，其特征在于，所述设备包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述的一种蔬菜市场行情大数据监测预警管理方法的步骤。
10.一种计算机可读存储介质，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如权利要求1至7任一项所述的一种蔬菜市场行情大数据监测预警管理方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010097208.5A CN111415189A (zh) | 2020-02-17 | 2020-02-17 | 一种蔬菜市场行情大数据监测预警管理方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010097208.5A CN111415189A (zh) | 2020-02-17 | 2020-02-17 | 一种蔬菜市场行情大数据监测预警管理方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111415189A true CN111415189A (zh) | 2020-07-14 |
Family
ID=71490954
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010097208.5A Pending CN111415189A (zh) | 2020-02-17 | 2020-02-17 | 一种蔬菜市场行情大数据监测预警管理方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111415189A (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108346069A (zh) * | 2018-02-09 | 2018-07-31 | 中国农业科学院农业信息研究所 | 一种农产品供需预测预警方法及系统 |
| US20190325533A1 (en) * | 2018-04-24 | 2019-10-24 | Indigo Ag, Inc. | Interaction management in an online agricultural system |
| CN110428114A (zh) * | 2019-08-12 | 2019-11-08 | 深圳前海微众银行股份有限公司 | 果树产量预测方法、装置、设备及计算机可读存储介质 |
| CN110503456A (zh) * | 2019-07-11 | 2019-11-26 | 四川省菜蓝子科技有限公司 | 一种生鲜产品生产指导方法及生产指导系统 |
| CN110766929A (zh) * | 2019-11-07 | 2020-02-07 | 贵州省烟草公司安顺市公司 | 一种辅助烟田管理的智能数据采集器及其使用方法 |
-
2020
- 2020-02-17 CN CN202010097208.5A patent/CN111415189A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108346069A (zh) * | 2018-02-09 | 2018-07-31 | 中国农业科学院农业信息研究所 | 一种农产品供需预测预警方法及系统 |
| US20190325533A1 (en) * | 2018-04-24 | 2019-10-24 | Indigo Ag, Inc. | Interaction management in an online agricultural system |
| CN110503456A (zh) * | 2019-07-11 | 2019-11-26 | 四川省菜蓝子科技有限公司 | 一种生鲜产品生产指导方法及生产指导系统 |
| CN110428114A (zh) * | 2019-08-12 | 2019-11-08 | 深圳前海微众银行股份有限公司 | 果树产量预测方法、装置、设备及计算机可读存储介质 |
| CN110766929A (zh) * | 2019-11-07 | 2020-02-07 | 贵州省烟草公司安顺市公司 | 一种辅助烟田管理的智能数据采集器及其使用方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11222385B2 (en) | Method and system for forecasting crop yield | |
| Tomek et al. | Empirical analysis of agricultural commodity prices: a viewpoint | |
| Sapkota et al. | Yield estimation of food and non-food crops in smallholder production systems | |
| Polyakov et al. | Harvest choice and timber supply models for forest forecasting | |
| US12004444B2 (en) | Predictive agricultural management system and method | |
| Vogel et al. | Understanding USDA crop forecasts | |
| CN115860581B (zh) | 农作物品种适宜性评价方法、装置、设备及存储介质 | |
| Kuethe et al. | Evaluating the USDA's Net Farm Income Forecast | |
| Ellis | Using Bayesian growth models to predict grape yield | |
| CN111985728A (zh) | 一种建立有机高粱产量预测模型的方法 | |
| CN113255999B (zh) | 基于多模型的农作物产量评估方法、装置、设备及介质 | |
| CN114971236A (zh) | 基于风险评估模型的河蟹膳食健康风险预警系统及方法 | |
| Hutchins et al. | The role of animal breeding in productivity growth: Evidence from Wisconsin dairy farms | |
| Matis et al. | An application of the Markov chain approach to forecasting cotton yields from surveys | |
| Abay et al. | Mismeasurement and efficiency estimates: Evidence from smallholder survey data in Africa | |
| CN110458438A (zh) | 植被水分利用效率wue的影响因子的计算方法及装置 | |
| CN111415189A (zh) | 一种蔬菜市场行情大数据监测预警管理方法 | |
| Cheeroo-Nayamuth | Crop modelling/simulation: an overview | |
| Jevšenak et al. | Machine Learning Forest Simulator (MLFS): R package for data-driven assessment of the future state of forests | |
| CN110738379A (zh) | 一种被子植物主要病虫害大数据预测平台 | |
| CN111985968A (zh) | 一种畜牧业评估方法及系统 | |
| KR20200041533A (ko) | 실시간 농축산물 육종가 및 유전모수 평가 시스템 | |
| Hloušková et al. | Microsimulation model estimating Czech farm income from farm accountancy data network database | |
| Dressler et al. | Novel trait selection to enhance sustainability of beef production systems | |
| Koivisto et al. | Strategic decisions and economic evaluation of horticulture farms in Finland |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200714 |