CN112052275A - 鲜活农产品的成熟时间的数据挖掘方法和系统 - Google Patents

鲜活农产品的成熟时间的数据挖掘方法和系统 Download PDF

Info

Publication number
CN112052275A
CN112052275A CN202010776814.XA CN202010776814A CN112052275A CN 112052275 A CN112052275 A CN 112052275A CN 202010776814 A CN202010776814 A CN 202010776814A CN 112052275 A CN112052275 A CN 112052275A
Authority
CN
China
Prior art keywords
time period
users
data mining
predetermined time
agricultural products
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
Application number
CN202010776814.XA
Other languages
English (en)
Inventor
钟金辉
周宇珠
邓锦宏
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Yiren Yimutian Network Technology Co ltd
Original Assignee
Beijing Yiren Yimutian Network Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Yiren Yimutian Network Technology Co ltd filed Critical Beijing Yiren Yimutian Network Technology Co ltd
Priority to CN202010776814.XA priority Critical patent/CN112052275A/zh
Publication of CN112052275A publication Critical patent/CN112052275A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06F16/2465—Query processing support for facilitating data mining operations in structured databases
    • 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
    • G06F16/2477—Temporal data queries
    • 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

Abstract

本发明提供一种鲜活农产品的成熟时间的数据挖掘方法，包括信息采集步骤，采集用户发布的农产品销售信息，并且提取并存储信息要素，信息要素包括用户的ID、用户的发布时间、发布的农产品的品种和产地；数据聚合步骤，针对每个品种在每个产地的组合，统计预定时间周期Wi的用户人数Mi，并计算用户人数Mi的最高峰m；数据筛选步骤，当最高峰m大于预先设定的阈值M时，保存统计的所述预定时间周期Wi的所述用户人数Mi，否则删除；以及成熟时间挖掘步骤，针对每个品种在每个产地的组合，确定已经保存的统计出的所述预定时间周期Wi的用户人数Mi是否满足预定条件，并且将满足所述预定条件的Mi所对应的预定时间周期Wi设定为成熟时间。

Description

鲜活农产品的成熟时间的数据挖掘方法和系统
技术领域
本发明涉及一种鲜活农产品的成熟时间的数据挖掘方法和系统。
背景技术
在同一个产地，由于气候条件比较一致，同一个品种的鲜活农产品往往会在较短的一段时间内集中成熟。鲜活农产品在成熟后，需要尽快采摘出售。这个规律的存在，导致一个产地在短期内会形成交易高峰。因为交易时间比较短暂，因此买卖双方都希望尽可能地寻找或者散播某个产地农产品大规模成熟上市的信息。同时，为了避免过于强烈的竞争，农产品生产者会通过更换品种或者使用特殊的培育技术等手段调整自己产品的成熟时间。
在实际生活中，有些买家会人工整理一些大品类的大致成熟时间，产地的主管部门也会做一些新闻报道，吸引买家前来采购。但是，目前中国主流的农产品大约有4000多个品种，2000多个产地县，每个品种的生长条件和产地县的气候不一样，会导致实际的成熟时间点在每个地方都不一样，归纳总结非常困难。以西瓜为例：对于8424西瓜，在河南夏邑县，其成熟时间是5月1日前后，但在河南太康县，其成熟时间是7月1日前后。而对于同一产地，相同农产品的不同品种的成熟时间也可能不同。例如，同样是河南夏邑县，8424西瓜在5月1日前后成熟，而冠龙西瓜是7月16日前后成熟。
目前，针对不同品种不同产地的农产品，大多数还是根据自然规律和相关知识，人为总结成表格。首先，通过人为总结成表格成本高。需要人逐一罗列核对每一个农产品的时间，非常耗费精力。而且，单个的个人很难掌握全部农产品的生长特点和产地气候，编制4000个主要品种在上千个产地的成熟时间，需要组织大量的人力进行协作。其次，人为总结成表也不精确。依靠人力很难非常精细地总结大量的品种和产地，所以往往会退而求其次，不统计每个具体的品种规律，而是统计大品类的规律，不统计产地县而是统计产地省甚至不统计产地。比如：从“河南夏邑县8424西瓜5月1日前后成熟”降级为“西瓜在5月1日前后成熟”。而且，每年气候的变化也会导致成熟时间发生前后偏移，人力在跟踪大量的变化方面天然较差。再者，人为总结成表时效性差，人力编制因为成本上的原因，很难做到每年持续更新。
此外，目前还可以采集产地政府主管单位的公开信息，解析其中的品种和时间信息，然后把诸多产地的信息整合在一起。然而，这种信息整合方法覆盖不全，例如，有些产地主管单位没有网站、或者不会在网站上公布成熟时间，或者只公布大品类。这样的数据源头上的缺陷会导致很难提供覆盖率高的结果。而且，这种信息整合方法时效性差，很少有产地的主管单位会提前预报农产品的成熟时间，这将导致只能在当季上市一段时间之后才能采集到对应的信息。
发明内容
鉴于以上情况而做出本发明，并且本发明的目的是提供一种鲜活农产品的成熟时间的数据挖掘方法和系统，其能够解决农产品成熟时间统计困难、成本高、覆盖面窄、不精确、时效性差等问题。
根据本发明的鲜活农产品的成熟时间的数据挖掘方法和系统能够以更低的成本实现覆盖面更广、准确性和时效性更强的农产品上市时间表。一方面，在鲜活农产品的流通方面，能让买家更全面清楚地知道自己预采购的品类，在全国范围内有哪些产地即将大规模上市，能有更多的产地可供选择。另一方面，使卖家能更清楚地知道当前的竞争对象，更合理地做出销售决策。此外，根据本发明的鲜活农产品的成熟时间的数据挖掘方法和系统在农产品生产规划方面，能帮助各农业产地瞄准上市空档期，更科学准确地选择品种和培育方法，实现更理想的错峰上市安排。
根据本发明的第一方面，提供一种鲜活农产品的成熟时间的数据挖掘方法，其特征在于，所述数据挖掘方法包括：
信息采集步骤，采集用户发布的农产品销售信息，并且提取并存储信息要素，所述信息要素包括所述用户的ID、所述用户的发布时间、发布的所述农产品的品种和产地；
数据聚合步骤，针对每个品种在每个产地的组合，统计预定时间周期Wi的用户人数Mi，并计算所述用户人数Mi的最高峰m，
数据筛选步骤，当所述最高峰m大于预先设定的阈值M时，保存统计的所述预定时间周期Wi的所述用户人数Mi，否则删除；以及
成熟时间挖掘步骤，针对每个品种在每个产地的组合，确定已经保存的统计出的所述预定时间周期Wi的所述用户人数Mi是否满足预定条件，并且将满足所述预定条件的Mi所对应的预定时间周期Wi设定为成熟时间。
所述预定条件是：
Mi≥m×α，并且Mi-Mi-1≥βMi，并且Mi-Mi+1≥βMi，其中，
Mi-1是预定时间周期Wi的前一个预定时间周期Wi-1所对应的用户人数，并且Mi+1是预定时间周期Wi的后一个预定时间周期Wi+1所对应的用户人数。
进一步地，α∈[50％，100％]，并且β∈[5％，20％]。
进一步地，在所述采集信息步骤中，每天定时地规律采集所述农产品销售信息。
进一步地，所述预定时间周期Wi被设定为一周。
进一步地，在所述成熟时间挖掘步骤中，按照由高到低的顺序确定所述用户人数Mi是否满足所述预定条件。
根据本发明的第二方面，提供了一种鲜活农产品的成熟时间的数据挖掘系统，其特征在于，所述数据挖掘系统包括：
信息采集模块，该信息采集模块用于采集用户发布的农产品销售信息，并且提取并存储信息要素，所述信息要素包括所述用户的ID、所述用户的发布时间、发布的所述农产品的品种和产地；
数据聚合模块，该数据聚合模块用于针对每个品种在每个产地的组合，统计预定时间周期Wi的用户人数Mi，并计算所述用户人数Mi的最高峰m，
数据筛选模块，该数据筛选模块用于当所述最高峰m大于预先设定的阈值M时，保存统计的所述预定时间周期Wi的所述用户人数Mi，否则删除；以及
成熟时间挖掘模块，该成熟时间挖掘模块用于针对每个品种在每个产地的组合，确定已经保存的统计出的所述预定时间周期Wi的所述用户人数Mi是否满足预定条件，并且将满足所述预定条件的Mi所对应的预定时间周期Wi设定为成熟时间。
所述预定条件是：
Mi≥m×α，并且Mi-Mi-1≥βMi，并且Mi-Mi+1≥βMi，其中，
Mi-1是预定时间周期Wi的前一个预定时间周期Wi-1所对应的用户人数，并且Mi+1是预定时间周期Wi的后一个预定时间周期Wi+1所对应的用户人数。
进一步地，α∈[50％，100％]，并且β∈[5％，20％]。
进一步地，所述采集信息模块每天定时地规律采集所述农产品销售信息。
进一步地，所述预定时间周期Wi被设定为一周。
进一步地，所述成熟时间挖掘模块按照由高到低的顺序确定所述用户人数Mi是否满足所述预定条件。
根据本发明的第三方面，提供了一种鲜活农产品的成熟时间的数据挖掘系统，其特征在于，所述数据挖掘系统包括存储程序的存储单元和处理单元，所述处理单元执行所述程序用以实现前文第一方面所述的数据挖掘方法中的各个步骤。
根据本发明的第四方面，提供了一种计算机可读介质，其特征在于，其中，所述介质上存储有程序，该程序被执行用以实现前文第一方面所述的数据挖掘方法中的各个步骤。
以下结合本发明的附图及优选实施方式对本发明的技术方案做进一步详细地描述，本发明的有益效果将进一步明确。
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，构成本发明的一部分，但其说明仅用于解释本发明，并不构成对本发明的不当限定。
图1是根据本发明一优选实施例的鲜活农产品的成熟时间的数据挖掘方法的步骤的示意图。
图2是根据本发明一优选实施例的鲜活农产品的成熟时间的数据挖掘系统的示意性配置图。
具体实施方式
下面将结合本发明的具体实施例及相应的附图对本发明技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本发明一部分优选实施例，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。
下面结合图1描述根据本发明的鲜活农产品的成熟时间的数据挖掘方法的各个步骤。图1是根据本发明一优选实施例的鲜活农产品的成熟时间的数据挖掘方法的步骤的示意图。
如图1所示，根据本发明的鲜活农产品的成熟时间的数据挖掘方法包括信息采集步骤S1、数据聚合步骤S2、数据筛选步骤S3以及成熟时间挖掘步骤S4。
下文将详细描述上述各个步骤。
步骤S1：信息采集步骤
规律采集用户发布的农产品销售信息，并且提取并存储信息要素，该信息要素包括用户ID、用户的发布时间、发布的农产品的品种和产地(例如，以县域划分)。
具体地，利用计算机规律地(例如，每天定时)采集用户(例如，农产品的卖家)发布的农产品销售信息，并且提取并存储用户ID、用户发布信息的时间以及农产品的品种和产地等要素信息。在提取过程中，去除要素信息不全的农产品销售信息，并且对要素信息重复的农产品销售信息进行去重。
步骤S2：数据聚合步骤
针对每个品种在每个产地的组合，统计预定时间周期Wi，例如1个自然周的用户人数Mi，并计算所述用户人数Mi的最高峰m。
具体地，针对每个品种在每个产地的组合，利用上述提取出的用户ID、用户发布信息的时间以及农产品的品类、品种和产地等要素信息，统计每个自然周Wi的用户人数Mi，并且计算每个自然周Wi的用户人数Mi中的最高峰m。
上述预定时间周期不限于1个自然周，而可以设定为其它时间长度，例如，10天(一旬)等。
步骤S3：数据筛选步骤
当在步骤S2中计算出的最高峰m大于预先设定的阈值M时，保存步骤S2中统计的预定时间周期Wi的用户人数Mi，否则删除。
步骤S4：成熟时间挖掘步骤
针对每个品种在每个产地的组合，按照由高到低的顺序确定统计出的预定时间周期Wi(例如，一年大约52个自然周)的所述用户人数Mi是否满足以下预定条件，并且将满足以下预定条件的Mi所对应的预定时间周期Wi设定为成熟时间：
Mi≥m×α，并且Mi-Mi-1≥βMi，并且Mi-Mi+1≥βMi，其中
Mi-1是预定时间周期Wi的前一个预定时间周期Wi-1所对应的用户人数，并且Mi+1是预定时间周期Wi的后一个预定时间周期Wi+1所对应的用户人数。通过以上步骤获得每个品种在每个产地的大规模成熟时间。需要指出的是，由于符合上述条件的Mi可能不止一个，因此，针对每个品种在每个产地，可能获得一个或多个大规模成熟时间。
并且其中，优选地，α∈[50％，100％]，其中，α的取值越小，越有可能发现更多的大规模成熟时间，但同时也会增加误判的可能性。
更加优选地，α＝50％。
并且其中，优选地，β∈[5％，20％]，其中，β取值越小，越可能发现更多的大规模成熟时间，但同时也会增加误判的可能性。
更加优选地，β＝10％。
以上详细描述了根据本发明的鲜活农产品的成熟时间的数据挖掘方法的各个步骤。根据以上描述可知，本发明的上述方法中，由于通过采集以自然规律为基础发布的农产品销售信息，进而对采集的数据进行处理和挖掘，从而在获得大规模发布农产品信息的时间点的基础上，间接得出农产品大规模成熟的时间。因而能够解决现有技术中的人工采集数据成本高、不精确、时效性差的缺陷，以及采集政府公开信息覆盖性差等缺陷，并且因此能取得以更低的成本实现覆盖面更广、准确性和时效性更强的农产品上市时间表这样的有益效果。
下文将以具体的实例为例详细说明上述各个步骤。
以品种为8424西瓜，产地为河南省夏邑县为例。
步骤S1，信息采集步骤
每天定时采集用户发布的农产品销售信息，并且提取并存储用户ID、用户发布信息的时间以及农产品的品种和产地等要素信息。在提取过程中，去除要素信息不全的农产品销售信息，并且对要素信息重复的农产品销售信息进行去重。
步骤S2，数据聚合步骤
筛选出品种为8424西瓜并且产地为河南省夏邑县的数据组合，统计一年中的预定时间周期(以1个自然周为例)Wi的用户人数Mi，并且计算用户人数Mi的最高峰m。例如，计算出品种为8424西瓜并且产地为河南省夏邑县的每个自然周的用户人数最高峰为500人。
步骤S3，数据筛选步骤
判断计算出的最高峰500人是否大于预先设定的阈值M。此处，例如，该最高峰500大于预先设定的阈值(例如，400人)，因此保存上述统计出的数据。
步骤S4，成熟时间挖掘步骤
基于上述保存的数据，按照Mi由高到低的顺序确定Mi是否满足以下条件(以α＝50％，β＝10％为例)：
Mi≥m×50％，并且Mi-Mi-1≥10％Mi，并且Mi-Mi+1≥10％Mi，
并且将满足条件的Mi所对应的自然周Wi定义为8424西瓜在河南省夏邑县的大规模成熟时间。例如，确定满足上述条件的Mi仅存在一处，即最高点500人处，因此将最高点500人所对应的自然周Wi，即，包含5月1日的一周定义为8424西瓜在河南省夏邑县的大规模成熟时间。
以上利用实例详细描述了根据本发明的鲜活农产品的成熟时间的数据挖掘方法。根据本发明的鲜活农产品的成熟时间的数据挖掘方法，能够得到用户大规模发布农产品销售信息的时间点。由于鲜活农产品大规模成熟前，用户急于寻找潜在买家，从而会大规模发布农产品销售信息，因此，通过本发明的数据挖掘方法所获得的用户大规模发布农产品销售信息的时间点，能够间接估计出鲜活农产品成熟开始的时间点，即，大规模成熟时间。
利用本发明的鲜活农产品的成熟时间的数据挖掘方法，能够以更低的成本实现覆盖面更广、准确性和时效性更强的农产品上市时间表。一方面，在鲜活农产品的流通方面，能让买家更全面清楚地知道自己预采购的品类，在全国范围内有哪些产地即将大规模上市，能有更多的产地可供选择。另一方面，能使卖家可以接触到更广泛的买家群体，并且能更清楚地知道当前的竞争对象，更合理地做出销售决策。此外，在农产品生产规划方面，还能帮助各农业产地瞄准上市空档期，更科学准确地选择品种和培育方法，实现更理想的错峰上市安排。
本发明的另一个实施例描述了根据本发明的鲜活农产品的成熟时间的数据挖掘系统100。如图2所示，根据本发明的鲜活农产品的成熟时间的数据挖掘系统100包括信息采集模块110、数据聚合模块120、数据筛选模块130和成熟时间挖掘模块140。
下面将详细描述根据本发明的鲜活农产品的成熟时间的数据挖掘系统100的上述各个模块。
信息采集模块110用于规律采集用户发布的农产品销售信息，并且提取并存储信息要素，该信息要素包括用户ID、用户的发布时间、发布的农产品的品种和产地(例如，以县域划分)。
具体地，该信息采集模块110规律地(例如，每天定时)采集用户(例如，农产品的卖家)发布的农产品销售信息，并且提取并存储用户ID、用户发布信息的时间以及农产品的品类、品种和产地等要素信息。在提取过程中，去除要素信息不全的农产品销售信息，并且对要素信息重复的农产品销售信息进行去重。
数据聚合模块120用于针对每个品种在每个产地的组合，统计预定时间周期Wi，例如1个自然周的用户人数Mi，并计算所述用户人数Mi的最高峰m。
具体地，数据聚合模块120针对每个品种在每个产地的组合，利用上述提取出的用户ID、用户发布信息的时间以及农产品的品类、品种和产地等要素信息，统计每个自然周Wi的用户人数Mi，并且计算每个自然周Wi的用户人数Mi中的最高峰m。
上述预定时间周期不限于1个自然周，而可以设定为其它时间长度，例如，10天(一旬)等。
当数据聚合模块120计算出的最高峰m大于预先设定的阈值M时，数据筛选模块130保存数据聚合模块120统计的预定时间周期Wi的用户人数Mi，否则删除。
成熟时间挖掘模块140用于针对每个品种在每个产地的组合，按照由高到低的顺序确定统计出的预定时间周期Wi(例如，一年大约52个自然周)的所述用户人数Mi是否满足以下预定条件，并且将满足以下预定条件的Mi所对应的预定时间周期Wi设定为成熟时间：
Mi≥m×α，并且Mi-Mi+1≥βMi，并且Mi-Mi-1≥βMi，其中
Mi-1是预定时间周期Wi的前一个预定时间周期Wi-1所对应的用户人数，并且Mi+1是预定时间周期Wi的后一个预定时间周期Wi+1所对应的用户人数。
通过以上步骤获得每个品种在每个产地的大规模成熟时间。需要指出的是，由于符合上述条件的Mi可能不止一个，因此，针对每个品种在每个产地，可能获得一个或多个大规模成熟时间。
并且其中，优选地，α∈[50％，100％]，其中，α的取值越小，越有可能发现更多的大规模成熟时间，但同时也会增加误判的可能性。
更加优选地，α＝50％。
并且其中，优选地，β∈[5％，20％]，其中，β取值越小，越可能发现更多的大规模成熟时间，但同时也会增加误判的可能性。
更加优选地，β＝10％。
根据上述本发明的鲜活农产品的成熟时间的数据挖掘系统，能够得到用户大规模发布农产品销售信息的时间点。由于鲜活农产品大规模成熟前，用户急于寻找潜在买家，从而会大规模发布农产品销售信息，因此，通过本发明的数据挖掘模块所获得的用户大规模发布农产品销售信息的时间点，能够间接估计出鲜活农产品成熟开始的时间点，即，大规模成熟时间。
利用本发明的鲜活农产品的成熟时间的数据挖掘系统，能够以更低的成本实现覆盖面更广、准确性和时效性更强的农产品上市时间表。一方面，在鲜活农产品的流通方面，能让买家更全面清楚地知道自己预采购的品类，在全国范围内有哪些产地即将大规模上市，能有更多的产地可供选择。另一方面，能使卖家可以接触到更广泛的买家群体，并且能更清楚地知道当前的竞争对象，更合理地做出销售决策。根据本发明的鲜活农产品的成熟时间的数据挖掘方法和系统在农产品生产规划方面，能帮助各农业产地瞄准上市空档期，更科学准确地选择品种和培育方法，实现更理想的错峰上市安排。
本发明的另一个实施例还提供了一种鲜活农产品的成熟时间的数据挖掘系统，该数据挖掘系统包括存储程序的存储单元和处理单元，其中，处理单元执行所述程序用以实现前文所述的数据挖掘方法中的各个步骤S1至S4。
本发明的另一个实施例还提供了一种计算机可读介质，该介质上存储有程序，该程序被执行用以实现前文所述的数据挖掘方法中的各个步骤S1至S4。
以上所述仅为本申请的实施例而已，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权利要求范围之内。

Claims (14)

1.一种鲜活农产品的成熟时间的数据挖掘方法，其特征在于，所述数据挖掘方法包括：
信息采集步骤，采集用户发布的农产品销售信息，并且提取并存储信息要素，所述信息要素包括所述用户的ID、所述用户的发布时间、发布的所述农产品的品种和产地；
数据聚合步骤，针对每个品种在每个产地的组合，统计预定时间周期Wi的用户人数Mi，并计算所述用户人数Mi的最高峰m；
数据筛选步骤，当所述最高峰m大于预先设定的阈值M时，保存统计的所述预定时间周期Wi的所述用户人数Mi，否则删除；以及
成熟时间挖掘步骤，针对每个品种在每个产地的组合，确定已经保存的统计出的所述预定时间周期Wi的所述用户人数Mi是否满足预定条件，并且将满足所述预定条件的Mi所对应的预定时间周期Wi设定为成熟时间。
2.如权利要求1所述的数据挖掘方法，其特征在于，其中，
所述预定条件是：
Mi≥m×α，并且Mi-Mi-1≥βMi，并且Mi-Mi+1≥βMi，其中，
Mi-1是预定时间周期Wi的前一个预定时间周期Wi-1所对应的用户人数，并且Mi+1是预定时间周期Wi的后一个预定时间周期Wi+1所对应的用户人数。
3.如权利要求2所述的数据挖掘方法，其特征在于，其中，
α∈[50％，100％]，并且β∈[5％，20％]。
4.如权利要求3所述的数据挖掘方法，其特征在于，其中，
在所述采集信息步骤中，每天定时地规律采集所述农产品销售信息。
5.如权利要求1至4的所述的数据挖掘方法，其特征在于，其中
所述预定时间周期Wi被设定为一周。
6.如权利要求1至5的任意一项所述的数据挖掘方法，其特征在于，其中，
在所述成熟时间挖掘步骤中，按照由高到低的顺序确定所述用户人数Mi是否满足所述预定条件。
7.一种鲜活农产品的成熟时间的数据挖掘系统，其特征在于，所述数据挖掘系统包括：
信息采集模块，该信息采集模块用于采集用户发布的农产品销售信息，并且提取并存储信息要素，所述信息要素包括所述用户的ID、所述用户的发布时间、发布的所述农产品的品种和产地；
数据聚合模块，该数据聚合模块用于针对每个品种在每个产地的组合，统计预定时间周期Wi的用户人数Mi，并计算所述用户人数Mi的最高峰m；
数据筛选模块，该数据筛选模块用于当所述最高峰m大于预先设定的阈值M时，保存统计的所述预定时间周期Wi的所述用户人数Mi，否则删除；以及
成熟时间挖掘模块，该成熟时间挖掘模块用于针对每个品种在每个产地的组合，确定已经保存的统计出的所述预定时间周期Wi的所述用户人数Mi是否满足预定条件，并且将满足所述预定条件的Mi所对应的预定时间周期Wi设定为成熟时间。
8.如权利要求7所述的数据挖掘系统，其特征在于，其中，
所述预定条件是：
Mi≥m×α，并且Mi-Mi-1≥βMi，并且Mi-Mi+1≥βMi，其中，
Mi-1是预定时间周期Wi的前一个预定时间周期Wi-1所对应的用户人数，并且Mi+1是预定时间周期Wi的后一个预定时间周期Wi+1所对应的用户人数。
9.如权利要求8所述的数据挖掘系统，其特征在于，其中，
α∈[50％，100％]，并且β∈[5％，20％]。
10.如权利要求9所述的数据挖掘系统，其特征在于，其中，
所述采集信息模块每天定时规律地采集所述农产品销售信息。
11.如权利要求7至10的所述的数据挖掘系统，其特征在于，其中
所述预定时间周期Wi被设定为一周。
12.如权利要求7至11的任意一项所述的数据挖掘系统，其特征在于，其中，
所述成熟时间挖掘模块按照由高到低的顺序确定所述用户人数Mi是否满足所述预定条件。
13.一种鲜活农产品的成熟时间的数据挖掘系统，其特征在于，所述数据挖掘系统包括存储程序的存储单元和处理单元，
所述处理单元执行所述程序用以实现如权利要求1至6的任意一项所述的数据挖掘方法中的各个步骤。
14.一种计算机可读介质，其特征在于，其中，
所述介质上存储有程序，该程序被执行用以实现如权利要求1至6的任意一项所述的数据挖掘方法中的各个步骤。
CN202010776814.XA 2020-08-05 2020-08-05 鲜活农产品的成熟时间的数据挖掘方法和系统 Pending CN112052275A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010776814.XA CN112052275A (zh) 2020-08-05 2020-08-05 鲜活农产品的成熟时间的数据挖掘方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010776814.XA CN112052275A (zh) 2020-08-05 2020-08-05 鲜活农产品的成熟时间的数据挖掘方法和系统

Publications (1)

Publication Number Publication Date
CN112052275A true CN112052275A (zh) 2020-12-08

Family

ID=73602390

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010776814.XA Pending CN112052275A (zh) 2020-08-05 2020-08-05 鲜活农产品的成熟时间的数据挖掘方法和系统

Country Status (1)

Country Link
CN (1) CN112052275A (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104732435A (zh) * 2015-04-03 2015-06-24 中国农业科学院农业信息研究所 一种农产品供需撮合系统与方法
CN106444928A (zh) * 2016-09-23 2017-02-22 上海雷尼威尔技术有限公司 基于物联网的智能农业的管理系统
CN106530107A (zh) * 2016-11-30 2017-03-22 深圳前海弘稼科技有限公司 基于农业大数据生成农作物生长进度的方法和装置
WO2019006638A1 (zh) * 2017-07-04 2019-01-10 深圳齐心集团股份有限公司 一种基于云计算的文具销售大数据挖掘和分析系统
CN110147406A (zh) * 2019-05-29 2019-08-20 深圳市城市屋超科技有限公司 一种面向云计算的可视化数据挖掘系统及其架构方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104732435A (zh) * 2015-04-03 2015-06-24 中国农业科学院农业信息研究所 一种农产品供需撮合系统与方法
CN106444928A (zh) * 2016-09-23 2017-02-22 上海雷尼威尔技术有限公司 基于物联网的智能农业的管理系统
CN106530107A (zh) * 2016-11-30 2017-03-22 深圳前海弘稼科技有限公司 基于农业大数据生成农作物生长进度的方法和装置
WO2019006638A1 (zh) * 2017-07-04 2019-01-10 深圳齐心集团股份有限公司 一种基于云计算的文具销售大数据挖掘和分析系统
CN110147406A (zh) * 2019-05-29 2019-08-20 深圳市城市屋超科技有限公司 一种面向云计算的可视化数据挖掘系统及其架构方法

Similar Documents

Publication Publication Date Title
Shvidenko et al. Dynamics of Russian forests and the carbon budget in 1961–1998: An assessment based on long-term forest inventory data
Dambreville et al. Deciphering structural and temporal interplays during the architectural development of mango trees
US20150234785A1 (en) Prediction apparatus and method for yield of agricultural products
JP2013051887A (ja) 生育管理方法
Wang et al. Increased uncertainty in simulated maize phenology with more frequent supra-optimal temperature under climate warming
Orlandi et al. Olive yields forecasts and oil price trends in Mediterranean areas: a comprehensive analysis of the last two decades
CN112070297A (zh) 农事活动的天气指标预测方法、装置、设备及存储介质
Mumcu Kucuker et al. Spatial prediction of Lactarius deliciosus and Lactarius salmonicolor mushroom distribution with logistic regression models in the Kızılcasu Planning Unit, Turkey
Lou et al. Effects of climate change on the economic output of the Longjing-43 tea tree, 1972–2013
CN113269716A (zh) 一种基于多源遥感数据的香梨成熟期遥感预测方法
CN111582742A (zh) 一种基于气象评价农产品品质的方法及系统
Pearson et al. Phenological trends in the California poppy (Eschscholzia californica): digitized herbarium specimens reveal intraspecific variation in the sensitivity of flowering date to climate change
Poate A review of methods for measuring crop production from smallholder producers
CN104636852A (zh) 作物生产规划系统及作物生产规划方法
CN107437262B (zh) 作物种植面积预警方法和系统
CN112052275A (zh) 鲜活农产品的成熟时间的数据挖掘方法和系统
WO2018120660A1 (zh) 一种基于种植大棚的种植推荐方法及装置
Sud et al. Methodology for estimation of crop area and crop yield under mixed and continuous cropping
Gardiman et al. The Vitis germplasm repository at the CRA-VIT, Conegliano (Italy): conservation, characterization and valorisation of grapevine genetic resources
Magallanes-Quintanar et al. Negative regional Standardized Precipitation Index trends prevail in the Mexico’s state of Zacatecas
Fontana et al. A case study for crop monitoring and harvest forecast in Brazil
Schreiner Utility of dormant season pruning wood to predict nutrient status of grapevines
TWM572533U (zh) Crop yield management analysis system
de Lima et al. Quality assessment of pine wood harvesting by residue inventory using line intercept cluster sampling
Yildiz et al. Forecasting of winter wheat yield for Turkey using water balance model

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