CN111461435A - 一种农作物产量的预测方法和系统 - Google Patents
一种农作物产量的预测方法和系统 Download PDFInfo
- Publication number
- CN111461435A CN111461435A CN202010249661.3A CN202010249661A CN111461435A CN 111461435 A CN111461435 A CN 111461435A CN 202010249661 A CN202010249661 A CN 202010249661A CN 111461435 A CN111461435 A CN 111461435A
- Authority
- CN
- China
- Prior art keywords
- prediction
- data
- current
- network model
- yield
- 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
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000007781 pre-processing Methods 0.000 claims description 12
- 239000003337 fertilizer Substances 0.000 claims description 11
- 238000010606 normalization Methods 0.000 claims description 8
- 239000000463 material Substances 0.000 claims description 7
- 239000000575 pesticide Substances 0.000 claims description 5
- 238000001556 precipitation Methods 0.000 claims description 5
- 230000006403 short-term memory Effects 0.000 claims description 5
- 230000007787 long-term memory Effects 0.000 claims description 4
- 230000015654 memory Effects 0.000 claims description 4
- 238000013450 outlier detection Methods 0.000 claims description 3
- 238000013501 data transformation Methods 0.000 claims description 2
- 238000009313 farming Methods 0.000 claims description 2
- 230000002354 daily effect Effects 0.000 description 7
- 241000209140 Triticum Species 0.000 description 4
- 235000021307 Triticum Nutrition 0.000 description 4
- 238000012417 linear regression Methods 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 244000068988 Glycine max Species 0.000 description 3
- 235000010469 Glycine max Nutrition 0.000 description 3
- 240000007594 Oryza sativa Species 0.000 description 3
- 235000007164 Oryza sativa Nutrition 0.000 description 3
- 240000008042 Zea mays Species 0.000 description 3
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 description 3
- 235000002017 Zea mays subsp mays Nutrition 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 3
- 235000005822 corn Nutrition 0.000 description 3
- 235000009566 rice Nutrition 0.000 description 3
- 235000013311 vegetables Nutrition 0.000 description 3
- 235000009337 Spinacia oleracea Nutrition 0.000 description 2
- 244000300264 Spinacia oleracea Species 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 235000013339 cereals Nutrition 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 241000205585 Aquilegia canadensis Species 0.000 description 1
- 235000003261 Artemisia vulgaris Nutrition 0.000 description 1
- 240000006891 Artemisia vulgaris Species 0.000 description 1
- 235000010149 Brassica rapa subsp chinensis Nutrition 0.000 description 1
- 235000000536 Brassica rapa subsp pekinensis Nutrition 0.000 description 1
- 241000499436 Brassica rapa subsp. pekinensis Species 0.000 description 1
- 208000003643 Callosities Diseases 0.000 description 1
- 235000002566 Capsicum Nutrition 0.000 description 1
- 240000000467 Carum carvi Species 0.000 description 1
- 235000005747 Carum carvi Nutrition 0.000 description 1
- 240000008067 Cucumis sativus Species 0.000 description 1
- 235000009849 Cucumis sativus Nutrition 0.000 description 1
- 244000000626 Daucus carota Species 0.000 description 1
- 235000002767 Daucus carota Nutrition 0.000 description 1
- 240000002045 Guettarda speciosa Species 0.000 description 1
- 235000001287 Guettarda speciosa Nutrition 0.000 description 1
- 206010020649 Hyperkeratosis Diseases 0.000 description 1
- 235000007688 Lycopersicon esculentum Nutrition 0.000 description 1
- 235000006679 Mentha X verticillata Nutrition 0.000 description 1
- 235000002899 Mentha suaveolens Nutrition 0.000 description 1
- 235000001636 Mentha x rotundifolia Nutrition 0.000 description 1
- 244000131316 Panax pseudoginseng Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 241000758706 Piperaceae Species 0.000 description 1
- 240000003768 Solanum lycopersicum Species 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000012271 agricultural production Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- WHGYBXFWUBPSRW-FOUAGVGXSA-N beta-cyclodextrin Chemical compound OC[C@H]([C@H]([C@@H]([C@H]1O)O)O[C@H]2O[C@@H]([C@@H](O[C@H]3O[C@H](CO)[C@H]([C@@H]([C@H]3O)O)O[C@H]3O[C@H](CO)[C@H]([C@@H]([C@H]3O)O)O[C@H]3O[C@H](CO)[C@H]([C@@H]([C@H]3O)O)O[C@H]3O[C@H](CO)[C@H]([C@@H]([C@H]3O)O)O3)[C@H](O)[C@H]2O)CO)O[C@@H]1O[C@H]1[C@H](O)[C@@H](O)[C@@H]3O[C@@H]1CO WHGYBXFWUBPSRW-FOUAGVGXSA-N 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000003306 harvesting Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 238000009331 sowing Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual 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
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Mining
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- 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
- G06N3/045—Combinations of networks
-
- 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
Abstract
本发明实施例公开了一种农作物产量的预测方法和系统，该预测方法包括：根据预设触发操作获取预测初始数据，其中，预测初始数据包括当前农作物的类型、预测地区、历史数据时间段以及预测网络模型的输入变量；基于预测初始数据确定用于进行当前农作物产量预测的待训练的预测网络模型的训练数据；根据训练数据对待训练的预测网络模型进行训练，以得到用于进行当前农作物产量预测的预测网络模型；基于训练好的预测网络模型对当前农作物进行产量预测。本发明实施例的技术方案，根据待预测的农产品的初始数据确定模型的训练数据，根据训练数据对模型进行实时训练，并基于训练好的模型进行该农产品的产量预测，提高了产量预测的精度。
Description
技术领域
本发明实施例涉及农作物管理技术领域，尤其涉及一种农作物产量的预测方法和系统。
背景技术
在农业生产中，进行农作物产量的预测具有极强的现实意义。对农作物产量进行预测，不仅有利于农民根据价格变化及时的调整农作物的种植面积，提高农民的收入，还可以根据农作物的出口情况及时扩大或者减少农作物的种植面积。
目前现有的农产品产量预测主要基于回归方程方式，因此产量预测结果存在着较大的误差。且对农作物产量进行预测时，时间变量都是以年或整个生长期为单位，导致农作物产量预测的精度不足。
发明内容
本发明提供了一种农作物产量的预测方法和系统，基于神经网络，实现了农作物产量的高精度预测，且可以实现以天为单位进行产量预测。
第一方面，本发明实施例提供了一种农作物产量的预测方法，该农作物产量的预测方法包括：
根据预设触发操作获取预测初始数据，其中，所述预测初始数据包括当前农作物的类型、预测地区、历史数据时间段以及预测网络模型的输入变量；
基于所述预测初始数据确定用于进行当前农作物产量预测的待训练的预测网络模型的训练数据；
根据所述训练数据对所述待训练的预测网络模型进行训练，以得到用于进行当前农作物产量预测的预测网络模型；
基于所述训练好的预测网络模型对所述当前农作物进行产量预测。
第二方面，本发明实施例还提供了一种农作物产量的预测装置，该农作物产量的预测装置包括：
初始数据获取模块，用于根据预设触发操作获取预测初始数据；
训练数据确定模块，用于基于所述预测初始数据确定用于进行当前农作物产量预测的待训练的预测网络模型的训练数据，其中，所述预测初始数据包括当前农作物的类型、预测地区、历史数据时间段以及预测网络模型的输入变量；
网络模块训练模块，用于根据所述训练数据对所述待训练的预测网络模型进行训练，以得到用于进行当前农作物产量预测的预测网络模型；
产量预测模块，用于基于所述训练好的预测网络模型对所述当前农作物进行产量预测。
本发明实施例的技术方案，通过预设触发操作获取预测初始数据，包括待预测的当前农作物的类型、预测地区以及网络模型的输入变量等信息，基于该初始数据确定用于进行当前农作物产量预测的待训练的预测网络模型的训练数据，提高了训练数据的实时性以及时间精度，基于该训练数据对预测网络模型进行训练，并基于该网络模型仅产量预测，提高了网络模型的准确度和实时性，进而提高了农作物产量预测的预测精度，实现了对短期，甚至每天农作物产量的精准预测。
附图说明
图1是本发明实施例一中的一种农作物产量的预测方法的流程图；
图2是本发明实施例二中的一种农作物产量的预测方法的流程图；
图3是本发明实施例三中的一种农作物产量的预测系统的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
图1是本发明实施例一提供的一种农作物产量的预测方法的流程图，本实施例可适用于对农作物产量进行预测的情况，该方法可以由农作物产量的预测系统来执行，如图1所示，该方法包括如下步骤：
步骤110、根据预设触发操作获取预测初始数据。
其中，所述预测初始数据包括当前农作物的类型、预测地区、历史数据时间段以及预测网络模型的输入变量。当前农作物的类型可以是当前农作物所属的类别或者用于限定当前农作物的身份，当前农作物可以是一种农作物或者多种农作物。预测地区可以是全国、预设地区、预设省、预设市，如华北地区、河北省、天津市等，还可以是任意指定的地区。历史数据时间段指的是用于进行预测网络模型的训练数据所处的时间段。预测网络模型的输入变量指的是用于进行当前农作物的产量预测的预测网络模型所需要的输入变量。
可选的，所述预测网络模型的输入变量包括历史气象数据和物质投入数据，其中，所述历史气象数据包括温度变量、降水量变量和光照时长变量中的至少一项，所述物质投入数据包括化肥投入变量、农药投入变量、种子投入变量、机械投入变量和劳动力投入变量中的至少一项。
具体的，输入变量中各个变量的时间精度可以不一致，如历史气象数据的时间精度可以是小时，如1小时、2小时、3小时等，或者是以1天为单位进行数据采集，物质投入数据的时间精度可以是一周、半个月、一个月或者其他值。对于不同的农作物其预测网络模型的输入变量的时间精度可以不同，具体可以根据农作物的生长周期确定。
具体的，预设触发操作可以是预设按键被按下，可以是虚拟按键或者物理按键。预设触发操作还可以是语音触发操作或者手势触发操作，本发明实施例对预设触发操作的形式不进行限定。通常预设触发操作是由用户输入的，以表征用户想要对某一或多种农作物进行产量预测。
具体的，当前农作物的类型具体用于限定需要进行产量的农作物的类型，可以是以农作物的用途进行类型划分，如分为粮食类农作物、蔬菜类农作物、药用类农作物等，其中，粮食类农作物可以为水稻、玉米、小麦、大豆等，蔬菜类农作物可以是白菜、胡萝卜、菠菜、黄瓜、西红柿、香菜、辣椒等，药用类农作物可以是人参、艾蒿、当归、金银花、薄荷等。当然也可以根据农作物的生长周期进行类型划分，其中，生长周期指的是农作物从播种到收获或成熟的时间，包括短期农作物、中期农作物和长期农作物，其中，短期农作物具体指的是生长周期较短，如一个月、两个月、三个月或者其他周期，通常为蔬菜，中期农作物可以是生长周期为半年左右的农作物，如大豆，长期农作物通常指的是生长周期大于6个月，如8个月、9个月、1年或者更长时间，如玉米。
进一步地，上述当前农作物的类型也可以替换当前农作物的标识或名称，以区别于其他农作物。当前农作物的名称可以是玉米、水稻、小麦、大豆、菠菜等，标识可以由用户自定义设置，也可以根据当前农作物的英文进行设置。这样设置的好处在于，为每一种农作物设置一个对应的产量预测模型，提高了模型的准确度和产量预测的精度。
可选的，所述预测初始数据还包括当前农作物的产量预测时间段。
其中，产量预测时间段可以是未来一天、两天、一周、一个月、甚至未来几年。
具体的，用户可以在进行产量预测之前，通过预定界面实现上述预测初始数据的配置或输入。如可以通过下拉菜单、单选框的方式确定当前农作物的类型，通过多选框确定输入变量。
步骤120、基于所述预测初始数据确定用于进行当前农作物产量预测的待训练的预测网络模型的训练数据。
具体的，当获取预测初始数据之后，根据预测初始数据中的各项内容匹配与当前预测初始数据匹配的用于进行当前农作物产量预测的待训练的预测网络模型的训练数据。
进一步地，当前农作物的类型可以限定训练数据对应的农作物的类型，可以将训练数据的农作物限定为与当前农作物相同或类型相同、相近的数据。预测地区则用于限定训练数据对应的地区，如可以根据预测地区将训练数据的地区限定为仅包括预测地区的数据，或者为包括预测地区以及与预测地区地域接近或类型相似的其他地区的数据。历史数据时间段指的是训练数据所对应的时间段，可以是1980年至今40年的历史数据，也可以是过去10年的历史数据，可以由用户自定义设置。根据预测初始数据中的当前农作物的类型、预测地区和历史数据时间段初步确定训练数据集之后，根据预测网络模型的输入变量选择训练数据集中与该输入变量对应的数据作为预测网络模型进行训练时的输入变量。
示例性的，若预测初始数据为：小麦(当前农作物的类型)、山东(预测地区)、1990年-2020年(历史数据时间段)，输入变量为：降水量变量、化肥投入变量、农药投入变量、种子投入变量、机械投入变量和劳动力投入变量。那么，便可以根据预测初始数据确定训练数据为：1990年至2020年山东的小麦的每日的降水量、每月的肥投入变量、农药投入变量、种子投入变量、机械投入变量和劳动力投入变量。其中，每个变量的时间精度(每月、每日)可以由当前农作物的类型或当前农作物确定，也可以是系统默认或用户自定义的。
步骤130、根据所述训练数据对所述待训练的预测网络模型进行训练，以得到用于进行当前农作物产量预测的预测网络模型。
可选的，预测网络模型可以是长短期记忆网络(Long Short-Term Memory，LSTM)模型。
可选的，所述长短期记忆网络模型包括依次连接的预设数量的长短期记忆子网络；其中，基于所述训练好的预测网络模型对所述当前农作物进行产量预测，包括：将所述当前农作物的训练数据根据时间信息划分为预设数量的数据组；将所述预设数量的数据组，基于时间信息分别输入至所述预测网络模型的长短期记忆子网络中，得到所述预测网络模型对当前农作的产量预测结果。
具体的，LSTM模型包括多个Cell(单元)，其训练过程可以是：将每年、每个月或者每天等时间周期对应的训练数据输入一个LSTM单元中，进而根据该单元得到该年、月或日的产量预测值，当然也可以选择其他的时间周期；进而为各个产量预测值设置权重，根据各个产量预测值及其对应的权重得到最终产量预测值，按照损失函数计算最终产量预测值与真实值之间的误差，通过反向传播对各个参数进行调整，直至满足预设损失条件后，得到训练好的预测网络模型。
进一步地，在得到用于进行当前农作物产量预测的预测网络模型(得到训练好的预测网络模型)之后，还包括：
获取基于线性回归方法得到的当前农作物的产量预测值；计算基于线性回归方法进行产量预测的误差以及采用预测网络模型进行产量预测的误差；若预测网络模型对应的误差大于线性回归方法对应的误差，则表示预测网络模型不合格，需要重新调整参数，如修改模型的各个权重或者增加训练数据，重新进行训练，直至预测网络模型的误差小于线性回归对应的误差时，结束训练。
步骤140、基于所述训练好的预测网络模型对所述当前农作物进行产量预测。
具体的，预测网络模型可以输出多个产量预测值，如当前农作物在预测时间段内每天、每个月或者每年的产量预测值，或者当前农作物可以是多个，相应的产量预测值也包括各个当前农作物的产量预测值，或者预测多个地区的当前农作物的产量。
进一步地，在得到当前农作物的预测产量之后，还包括：根据当前农作物的预测产量对应的时间、地区或农作物类型，进行可视化显示。当需要预测未来某一时间段的产量时，还可以根据未来每天、每月或每年的产量进行图形显示。当然，当为多个地区时，也可以针对各个地区的预测产量进行可视化显示。
本发明实施例的技术方案，通过预设触发操作获取预测初始数据，包括待预测的当前农作物的类型、预测地区以及网络模型的输入变量等信息，基于该初始数据确定用于进行当前农作物产量预测的待训练的预测网络模型的训练数据，提高了训练数据的实时性以及时间精度，基于该训练数据对预测网络模型进行训练，并基于该网络模型仅产量预测，提高了网络模型的准确度和实时性，进而提高了农作物产量预测的预测精度，实现了对短期，甚至每天农作物产量的精准预测。
实施例二
图2为本发明实施例二提供的一种农作物产量的预测方法的流程图，本实施例是对上一实施例的进一步细化，本实施例所提供的农作物产量的预测方法的流程图还包括：对所述训练数据进行数据预处理。
如图2所示，该农作物产量的预测方法包括如下步骤：
步骤210、根据预设触发操作获取预测初始数据，其中，所述预测初始数据包括当前农作物的类型、预测地区、历史数据时间段以及预测网络模型的输入变量。
步骤220、根据所述当前农作物的类型和历史数据时间段确定所述当前农作物的历史数据库。
具体的，历史数据包括1980年至今各个地区各种产量影响因子的值以及产量值。那么，便可以根据当前农作物的类型以及历史数据时间段对历史数据进行筛选，从而得到当前农作物的历史数据库。
步骤230、根据所述预测网络模型的输入变量以及历史数据库，确定用于进行当前农作物产量预测的待训练的预测网络模型的训练数据。
具体的，预测网络模型的输入变量可以由用户进行配置，如输入变量的数量和具体包括哪些变量。在得到历史数据库之后，可以进一步根据预测网络模型的输入变量对历史数据库进行进一步筛选，从而得到训练数据。
步骤240、对所述训练数据进行数据预处理。
其中，所述数据预处理包括异常值检测、数据填充和拆分、数据转换以及数据归一化中的至少一项。
具体的，数据转换和数据归一化的具体算法可以由用户自主选择。
具体的，异常值检测可以基于莱以特准则(Leite criterio，又称为3σ准则)进行判断。
具体的，数据转换的方式可以为：对输入变量求解差分数据或者取对数。
具体的，数据归一化可以包括阈值法、标准化法和比重法等，如可以是最大最小值归一化方法。可以由用户确定所采取的归一化方法。
可选的，对所述训练数据进行数据填充，包括：
当判断训练数据中所述预测地区的当前输入变量的当前值不存在时，判断是否存在所述预测地区的下位地区的当前输入变量的当前值；若是，则根据各个下位地区的当前变量的当前值进行数据叠加，从而得到预测地区的当前输入变量的值。
可选的，对所述训练数据进行数据拆分，包括：
当判断训练数据中所述预测地区的当前输入变量的当前值不存在时，判断是否存在所述预测地区的上位地区的当前输入变量的当前值；若是，则根据所述预测地区和上位地区的当前输入变量的历史值的对应关系，对所述上位地区的当前输入变量的当前值进行拆分，以得到所述预测地区的当前输入变量的当前值。
具体的，数据填充和拆分所对应的是，当前输入变量的值不存的情况，如预测地区对应的种子投入变量不存在时。对于数据填充，其面临的情况是预测地区是一个较大的地区，如某省、华北地区等，其下位地区，如某市，该当前输入变量的值存在，其中，下位地区是包含于预测地区较预测地区范围小的地区，则可以通过将预测地区所包括的全部下位地区的该当前变量的当前值进行叠加，从而得到该预测地区的当前输入变量的当前值。还可以根据历史数据进行数据填充，具体根据预测地区以及下位地区的该当前输入变量的历史比例关系，确定预测地区的当前输入变量的当前值。对于数据拆分，则面临的是与数据填充相反的情况，预测地区是一个较小的地区，如某市、某县等，预测地区的当前输入变量的当前值未知，其上位地区的当前输入变量的当前值和历史值已知，上位地区可以是某省、某市等包括预测地区较预测地区范围大的地区，则可以根据预测地区和上位地区的当前输入变量的历史值的对应关系，对所述上位地区的当前输入变量的当前值进行拆分，从而得到预测地区当前输入变量的当前值。
示例性的，预测地区为石家庄，输入变量为化肥投入变量，假设当前月的石家庄的化肥投入变量不存在，而河北省的当前月的化肥投入变量存在，且河北省与石家庄历史的化肥投入变量每月的比例为10:1，则可以将河北省当前月的化肥投入变量的1/10作为石家庄当前月的化肥投入变量。
示例性的，预测地区为山东省，输入变量为劳动力投入变量，假设当前天的山东省的劳动力投入变量不存在，但山东省各市的当前天的该变量的值存在，则将各市的当前天的该变量的值进行叠加即得到山东省的当前天的劳动力投入变量。
步骤250、根据所述训练数据对所述待训练的预测网络模型进行训练，以得到用于进行当前农作物产量预测的预测网络模型。
步骤260、基于所述训练好的预测网络模型对所述当前农作物进行产量预测。
本发明实施例的技术方案，通过预设触发操作获取预测初始数据，包括待预测的当前农作物的类型、预测地区以及网络模型的输入变量等信息，基于该初始数据确定用于进行当前农作物产量预测的待训练的预测网络模型的训练数据，提高了训练数据的实时性以及时间精度，并对训练数据的各个输入变量进行数据预处理，提高了训练数据的质量，进而提高了网络训练的效率，同时对各个输入变量进行数据填充和拆分，保证了训练数据的完备性，提高了预测精度；基于该训练数据对预测网络模型进行训练，并基于该网络模型仅产量预测，提高了网络模型的准确度和实时性，进而提高了农作物产量预测的预测精度，实现了对短期，甚至每天农作物产量的精准预测。
实施例三
图3为本发明实施例三提供的一种农作物产量的预测系统的结果示意图，如图3所述，该农作物产量的预测系统包括：初始数据获取模块310、训练数据确定模块320、网络模块训练模块330和产量预测模块340。
其中，初始数据获取模块310，用于根据预设触发操作获取预测初始数据，其中，所述预测初始数据包括当前农作物的类型、预测地区、历史数据时间段以及预测网络模型的输入变量；训练数据确定模块320，用于基于所述预测初始数据确定用于进行当前农作物产量预测的待训练的预测网络模型的训练数据；网络模块训练模块330，用于根据所述训练数据对所述待训练的预测网络模型进行训练，以得到用于进行当前农作物产量预测的预测网络模型；产量预测模块340，用于基于所述训练好的预测网络模型对所述当前农作物进行产量预测。
本发明实施例的技术方案，通过预设触发操作获取预测初始数据，包括待预测的当前农作物的类型、预测地区以及网络模型的输入变量等信息，基于该初始数据确定用于进行当前农作物产量预测的待训练的预测网络模型的训练数据，提高了训练数据的实时性以及时间精度，基于该训练数据对预测网络模型进行训练，并基于该网络模型仅产量预测，提高了网络模型的准确度和实时性，进而提高了农作物产量预测的预测精度，实现了对短期，甚至每天农作物产量的精准预测。
可选的，所述预测初始数据还包括当前农作物的产量预测时间段。
可选的，所述预测网络模型的输入变量包括历史气象数据和物质投入数据，其中，所述历史气象数据包括温度变量、降水量变量和光照时长变量中的至少一项，所述物质投入数据包括化肥投入变量、农药投入变量、种子投入变量、机械投入变量和劳动力投入变量中的至少一项。
可选的，网络模块训练模块330，具体用于：
根据所述当前农作物的类型和历史数据时间段确定所述当前农作物的历史数据库；根据所述预测网络模型的输入变量以及历史数据库，确定用于进行当前农作物产量预测的待训练的预测网络模型的训练数据。
可选的，该农作物产量的预测系统，还包括：
预处理模块，用于在确定用于进行当前农作物产量预测的待训练的预测网络模型的训练数据之后，对所述训练数据进行数据预处理，其中，所述数据预处理包括异常值检测、数据填充和拆分、数据转换以及数据归一化中的至少一项。
可选的，该预处理模块，还包括：
数据填充单元，用于当判断训练数据中所述预测地区的当前输入变量的当前值不存在时，判断是否存在所述预测地区的下位地区的当前输入变量的当前值；若是，则根据各个下位地区的当前变量的当前值进行数据叠加，从而得到预测地区的当前输入变量的值；和/或，数据拆分单元，用于当判断训练数据中所述预测地区的当前输入变量的当前值不存在时，判断是否存在所述预测地区的上位地区的当前输入变量的当前值；若是，则根据所述预测地区和上位地区的当前输入变量的历史值的对应关系，对所述上位地区的当前输入变量的当前值进行拆分，以得到所述预测地区的当前输入变量的当前值。
本发明实施例所提供的农作物产量的预测系统可执行本发明任意实施例所提供的农作物产量的预测方法，具备执行方法相应的功能模块和有益效果。
值得注意的是，上述用农作物产量的预测系统的实施例中，所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.一种农作物产量的预测方法，其特征在于，包括：
根据预设触发操作获取预测初始数据，其中，所述预测初始数据包括当前农作物的类型、预测地区、历史数据时间段以及预测网络模型的输入变量；
基于所述预测初始数据确定用于进行当前农作物产量预测的待训练的预测网络模型的训练数据；
根据所述训练数据对所述待训练的预测网络模型进行训练，以得到用于进行当前农作物产量预测的预测网络模型；
基于所述训练好的预测网络模型对所述当前农作物进行产量预测。
2.根据权利要求1所述的预测方法，其特征在于，所述预测初始数据还包括当前农作物的产量预测时间段。
3.根据权利要求1所述的预测方法，其特征在于，所述预测网络模型的输入变量包括历史气象数据和物质投入数据，其中，所述历史气象数据包括温度变量、降水量变量和光照时长变量中的至少一项，所述物质投入数据包括化肥投入变量、农药投入变量、种子投入变量、机械投入变量和劳动力投入变量中的至少一项。
4.根据权利要求1所述的预测方法，其特征在于，所述基于所述预测初始数据确定用于进行当前农作物产量预测的待训练的预测网络模型的训练数据，包括：
根据所述当前农作物的类型和历史数据时间段确定所述当前农作物的历史数据库；
根据所述预测网络模型的输入变量以及历史数据库，确定用于进行当前农作物产量预测的待训练的预测网络模型的训练数据。
5.根据权利要求1所述的预测方法，其特征在于，在基于所述预测初始数据确定用于进行当前农作物产量预测的待训练的预测网络模型的训练数据之后，还包括：
对所述训练数据进行数据预处理，其中，所述数据预处理包括异常值检测、数据填充和拆分、数据转换以及数据归一化中的至少一项。
6.根据权利要求5所述的预测方法，其特征在于，对所述训练数据进行数据填充，包括：
当判断训练数据中所述预测地区的当前输入变量的当前值不存在时，判断是否存在所述预测地区的下位地区的当前输入变量的当前值；
若是，则根据各个下位地区的当前变量的当前值进行数据叠加，从而得到预测地区的当前输入变量的值。
7.根据权利要求5所述的预测方法，其特征在于，对所述训练数据进行数据拆分，包括：
当判断训练数据中所述预测地区的当前输入变量的当前值不存在时，判断是否存在所述预测地区的上位地区的当前输入变量的当前值；
若是，则根据所述预测地区和上位地区的当前输入变量的历史值的对应关系，对所述上位地区的当前输入变量的当前值进行拆分，以得到所述预测地区的当前输入变量的当前值。
8.根据权利要求1-7任一所述的方法，其特征在于，所述预测网络模型为长短期记忆网络模型。
9.根据权利要求8所述的方法，其特征在于，所述长短期记忆网络模型包括依次连接的预设数量的长短期记忆子网络；
其中，基于所述训练好的预测网络模型对所述当前农作物进行产量预测，包括：
将所述当前农作物的训练数据根据时间信息划分为预设数量的数据组；
将所述预设数量的数据组，基于时间信息分别输入至所述预测网络模型的长短期记忆子网络中，得到所述预测网络模型对当前农作的产量预测结果。
10.一种农作物产量的预测系统，其特征在于，包括：
初始数据获取模块，用于根据预设触发操作获取预测初始数据，其中，所述预测初始数据包括当前农作物的类型、预测地区、历史数据时间段以及预测网络模型的输入变量；
训练数据确定模块，用于基于所述预测初始数据确定用于进行当前农作物产量预测的待训练的预测网络模型的训练数据；
网络模块训练模块，用于根据所述训练数据对所述待训练的预测网络模型进行训练，以得到用于进行当前农作物产量预测的预测网络模型；
产量预测模块，用于基于所述训练好的预测网络模型对所述当前农作物进行产量预测。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010249661.3A CN111461435A (zh) | 2020-04-01 | 2020-04-01 | 一种农作物产量的预测方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010249661.3A CN111461435A (zh) | 2020-04-01 | 2020-04-01 | 一种农作物产量的预测方法和系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111461435A true CN111461435A (zh) | 2020-07-28 |
Family
ID=71684286
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010249661.3A Pending CN111461435A (zh) | 2020-04-01 | 2020-04-01 | 一种农作物产量的预测方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111461435A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112785047A (zh) * | 2021-01-06 | 2021-05-11 | 上海信联信息发展股份有限公司 | 农作物的采收量预测方法和装置 |
| CN113408374A (zh) * | 2021-06-02 | 2021-09-17 | 湖北工程学院 | 基于人工智能的产量预估方法、装置、设备及存储介质 |
| CN114418235A (zh) * | 2022-01-28 | 2022-04-29 | 西安理工大学 | 一种农作物生长状况确定方法及系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190050948A1 (en) * | 2017-08-08 | 2019-02-14 | Indigo Ag, Inc. | Machine learning in agricultural planting, growing, and harvesting contexts |
| CN109508824A (zh) * | 2018-11-07 | 2019-03-22 | 西京学院 | 一种农作物生长态势检测及产量预估方法 |
| CN109767038A (zh) * | 2019-01-04 | 2019-05-17 | 平安科技（深圳）有限公司 | 农作物产量预测方法、装置及计算机可读存储介质 |
| CN110610382A (zh) * | 2019-09-10 | 2019-12-24 | 浙江大搜车软件技术有限公司 | 车辆销售量预测方法、装置、计算机设备和存储介质 |
-
2020
- 2020-04-01 CN CN202010249661.3A patent/CN111461435A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190050948A1 (en) * | 2017-08-08 | 2019-02-14 | Indigo Ag, Inc. | Machine learning in agricultural planting, growing, and harvesting contexts |
| CN109508824A (zh) * | 2018-11-07 | 2019-03-22 | 西京学院 | 一种农作物生长态势检测及产量预估方法 |
| CN109767038A (zh) * | 2019-01-04 | 2019-05-17 | 平安科技（深圳）有限公司 | 农作物产量预测方法、装置及计算机可读存储介质 |
| CN110610382A (zh) * | 2019-09-10 | 2019-12-24 | 浙江大搜车软件技术有限公司 | 车辆销售量预测方法、装置、计算机设备和存储介质 |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112785047A (zh) * | 2021-01-06 | 2021-05-11 | 上海信联信息发展股份有限公司 | 农作物的采收量预测方法和装置 |
| CN113408374A (zh) * | 2021-06-02 | 2021-09-17 | 湖北工程学院 | 基于人工智能的产量预估方法、装置、设备及存储介质 |
| CN113408374B (zh) * | 2021-06-02 | 2022-09-23 | 湖北工程学院 | 基于人工智能的产量预估方法、装置、设备及存储介质 |
| CN114418235A (zh) * | 2022-01-28 | 2022-04-29 | 西安理工大学 | 一种农作物生长状况确定方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Doshi et al. | AgroConsultant: intelligent crop recommendation system using machine learning algorithms | |
| Sakamoto | Incorporating environmental variables into a MODIS-based crop yield estimation method for United States corn and soybeans through the use of a random forest regression algorithm | |
| CN111461435A (zh) | 一种农作物产量的预测方法和系统 | |
| Matsumura et al. | Maize yield forecasting by linear regression and artificial neural networks in Jilin, China | |
| CN110119766B (zh) | 一种多组合智能化模型的青椒温室温度智能化预警装置 | |
| EP3816880A1 (en) | A yield estimation method for arable crops and grasslands, coping with extreme weather conditions and with limited reference data requirements | |
| CN107480888A (zh) | 一种基于apsim模型的农业旱灾风险评估方法 | |
| CN110069032A (zh) | 一种基于小波神经网络的茄子温室环境智能检测系统 | |
| CN110119767A (zh) | 一种基于lvq神经网络的黄瓜温室温度智能化检测装置 | |
| Mulla et al. | Crop-yield and price forecasting using machine learning | |
| Kavitha et al. | Crop recommendation in precision agriculture using supervised learning algorithms | |
| CN107038501A (zh) | 一种基于r语言的小麦生育期特征参数估算方法 | |
| JP2001256289A (ja) | 農業および水産業用生産管理システム | |
| Premasudha et al. | ML based methods XGBoost and random forest for crop and fertilizer prediction | |
| Susilo et al. | Decision Tree-Based Bok Choy Growth Prediction Model for Smart Farm | |
| Tocatlidou et al. | Reasoning under uncertainty for plant disease diagnosis | |
| Soodtoetong et al. | The performance of crop yield forecasting model based on artificial intelligence | |
| Bhat et al. | Crop Production Prediction odels in Indian Agriculture: M Possibilities and Challenges | |
| Sikandar et al. | Automatic Crop Expert System Using Improved LSTM with Attention Block. | |
| Vidyavathi | Ameliorated methodology for the design of sugarcane yield prediction using decision tree | |
| CN111667167B (zh) | 一种农业粮食产量估算方法和系统 | |
| Vegesana et al. | A mathematical model for representing farmer decision processes | |
| Vasileska et al. | Employment of machine learning techniques for crop yield forecasting based on climate parameters | |
| Kanimozhi et al. | Analysing the Impact of Climate Change on The Crop Yields of Irrigated Crops and their Water Requirements in India Using Neuro Evolutionary Algorithm | |
| Zhu et al. | Integrating Climate Variable Data in Machine Learning Models for Predictive Analytics of Tomato Yields in California |
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 |
Application publication date: 20200728 |
|
| RJ01 | Rejection of invention patent application after publication |