CN113435641A - 一种农产品全自动化管理方法、系统及存储介质 - Google Patents

Abstract

本说明书实施例提供了一种农产品全自动化管理方法、系统和存储介质。所述农产品全自动化管理方法包括：基于与农产品相关的第一特征组，确定农产品的第一预测值，其中，第一预测值为农产品预设时间的价格；基于与农产品相关的第二特征组，确定农产品预设时间的宣传内容。

Description

一种农产品全自动化管理方法、系统及存储介质

技术领域

本说明书涉及计算机领域，特别涉及一种农产品全自动化管理方法、系统及存储介质。

背景技术

农产品在销售过程中，需要根据农产品的品质等实际情况或状态，确定其销售的一些策略，包括价格、宣传策略等，从而使其销售的方式和宣传的内容跟实际情况匹配，降低用户认为实际与宣传不符的情况，以提高用户的购买体验。

因此，需要有一种能够根据农产品当前情况制定预设时间销售策略的方法和系统。

发明内容

本说明书的一个方面提供一种农产品全自动化管理方法。所述方法包括；基于与农产品相关的第一特征组，确定所述农产品的第一预测值，其中，所述第一预测值为所述农产品预设时间的价格；基于与所述农产品相关的第二特征组，确定所述农产品预设时间的宣传内容。

本说明书的另一个方面提供一种农产品全自动化管理的系统。所述系统包括：第一预测值确定模块，用于基于与农产品相关的第一特征组，确定所述农产品的第一预测值，其中，所述第一预测值为所述农产品预设时间的价格；宣传内容确定模块，用于基于与所述农产品相关的第二特征组，确定所述农产品预设时间的宣传内容。

本说明书的另一个方面提供一种农产品全自动化管理的装置，包括处理器，所述处理器用于执行如权利要求1～4任一项所述的农产品全自动化管理的方法。

本说明书的另一个方面提供一种计算机可读存储介质，所述存储介质存储计算机指令，当计算机读取存储介质中的计算机指令后，计算机执行所述农产品全自动化管理的方法。

附图说明

本说明书将以示例性实施例的方式进一步说明，这些示例性实施例将通过附图进行详细描述。这些实施例并非限制性的，在这些实施例中，相同的编号表示相同的结构，其中：

图1是根据本说明书一些实施例所示的农产品全自动化管理的系统的应用场景示意图；

图2是根据本说明书一些实施例所示的农产品全自动化管理的系统的功能模块框图；

图3是根据本说明书一些实施例所示的农产品全自动化管理的方法的示例性流程图；

图4是根据本说明书一些实施例所示的确定农产品第一预测值的方法的示例性流程图；

图5是根据本说明书一些实施例所示的确定农产品预设时间的宣传内容的方法的示例性流程图；

图6是根据本说明书一些实施例所示的全自动化管理的系统的模型结构图。

具体实施方式

为了更清楚地说明本说明书实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单的介绍。显而易见地，下面描述中的附图仅仅是本说明书的一些示例或实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图将本说明书应用于其它类似情景。除非从语言环境中显而易见或另做说明，图中相同标号代表相同结构或操作。

应当理解，本文使用的“系统”、“装置”、“单元”和/或“模块”是用于区分不同级别的不同组件、元件、部件、部分或装配的一种方法。然而，如果其它词语可实现相同的目的，则可通过其它表达来替换所述词语。

如本说明书和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其它的步骤或元素。

本说明书中使用了流程图用来说明根据本说明书的实施例的系统所执行的操作。应当理解的是，前面或后面操作不一定按照顺序来精确地执行。相反，可以按照倒序或同时处理各个步骤。同时，也可以将其它操作添加到这些过程中，或从这些过程移除某一步或数步操作。

本说明书实施例涉及一种农产品全自动化管理方法、系统及存储介质。该农产品全自动化管理方法、系统及存储介质可以应用于农业生产、农业研究、农产品存储与交易。在一些实施例中，该农产品全自动化管理方法、系统及存储介质可以应用于农产品物联网管理端，例如，仓库、农业温室大棚、超市、商店、农贸市场等。在一些实施例中，该农产品全自动化管理方法、系统及存储介质可以应用于农产品采购端，例如，用户终端等。在一些实施例中，该农产品全自动化管理方法、系统及存储介质可以应用于其它领域，例如，环保领域、动植物救助领域。该农产品全自动化管理方法、系统及存储介质可以提供诸如环境监控、环境预测、动植物看护等服务。

图1是根据本说明书一些实施例所示的农产品全自动化管理的系统的应用场景示意图。

农产品全自动化管理系统100可以获取农产品相关的特征，并基于模型确定农产品的损坏速率、农产品在预设时间的价格、以及预设时间的宣传内容。农产品相关的特征可以是：农产品的品质参数、农产品的生长数据、农产品的当前价格等。

如图1所示，农产品全自动化管理系统100可以包括服务器110、处理设备120、存储设备130、第一用户终端140、网络150、第二用户终端160。

在一些实施例中，服务器110可以用于处理与农产品全自动化管理系统100相关的信息和/或数据，例如，可以用于基于与农产品相关的第一特征组，确定农产品的第一预测值。在一些实施例中，服务器110可以是单个服务器，也可以是服务器组。服务器组可以是集中式的或分布式的，例如，服务器110可以是分布式系统。在一些实施例中，服务器110可以是本地的，也可以是远程的。例如，服务器110可以经由网络150访问存储在存储设备130、第一用户终端140、第二用户终端150中的信息和/或数据。又例如，服务器110可以直接连接到存储设备130、第一用户终端140和/或第二用户终端160以访问存储信息和/或数据。在一些实施例中，服务器110可以在云平台上实现，或者以虚拟方式提供。仅作为示例，所述云平台可以包括私有云、公共云、混合云、社区云、分布云、内部云、多层云等或其任意组合。

在一些实施例中，服务器110可以包括处理设备120。处理设备120可以处理与农产品全自动化管理系统100有关的信息和/或数据，以执行本说明书中描述的一个或以上功能。例如，处理设备120可以基于与农产品相关的第一特征组，确定农产品的第一预测值，或基于与农产品相关的第二特征组，确定农产品预设时间的宣传内容。在一些实施例中，处理设备120可以包括一个或以上处理引擎(例如，单芯片处理引擎或多芯片处理引擎)。仅作为示例，处理设备120可以包括中央处理单元(CPU)、特定应用集成电路(ASIC)、特定应用指令集处理器(ASIP)、图形处理单元(GPU)、物理处理单元(PPU)、数字信号处理器(DSP)、现场可编程门阵列(FPGA)、可编程逻辑设备(PLD)、控制器、微控制器单元、精简指令集计算机(RISC)、微处理器等或其任意组合。

存储设备130可以用于存储与农产品全自动化管理相关的数据和/或指令。在一些实施例中，存储设备130可以存储从第一用户终端140和/或第二用户终端160中获得/获取的数据。在一些实施例中，存储设备130可以储存服务器110用来执行或使用以完成本说明书中描述的示例性方法的数据和/或指令。在一些实施例中，存储设备130可包括大容量存储器、可移动存储器、易失性读写存储器、只读存储器(ROM)等或其任意组合。示例性的大容量存储器可以包括磁盘、光盘、固态磁盘等。示例性可移动存储器可以包括闪存驱动器、软盘、光盘、存储卡、压缩盘、磁带等。示例性易失性读写存储器可以包括随机存取存储器(RAM)。示例性RAM可包括动态随机存取存储器(DRAM)、双倍数据速率同步动态随机存取存储器(DDR SDRAM)、静态随机存取存储器(SRAM)、晶闸管随机存取存储器(T-RAM)和零电容随机存取存储器(Z-RAM)等。示例性只读存储器可以包括模型只读存储器(MROM)、可编程只读存储器(PROM)、可擦除可编程只读存储器(EPROM)、电可擦除可编程只读存储器(EEPROM)、光盘只读存储器(CD-ROM)和数字多功能磁盘只读存储器等。

在一些实施例中，存储设备130可在云平台上实现。仅作为示例，该云平台可以包括私有云、公共云、混合云、社区云、分布云、内部云、多层云等或其任意组合。在一些实施例中，存储设备130可以连接到网络150以与农产品全自动化管理系统100的一个或以上组件(例如，服务器110、第一用户终端140、第二用户终端160)通信。农产品全自动化管理系统100的一个或以上组件可以经由网络150访问存储在存储设备130中的数据或指令。在一些实施例中，存储设备130可以直接连接到农产品全自动化管理系统100的一个或以上组件(例如，服务器110、第一用户终端140、第二用户终端160)或与之通信。在一些实施例中，存储设备130可以是服务器110的一部分。在一些实施例中，存储设备130可以是单独的存储器。

第一用户终端140可以是获取农产品第一特征、农产品第二特征的请求者。在一些实施例中，第一用户终端140可以是与获取农产品第一特征、农产品第二特征直接相关的个人、工具或其它实体。在本说明书中，“用户”、“用户终端”可以互换使用。在一些实施例中，第一用户终端140可以包括移动设备140-1、平板电脑140-2、膝上电脑140-3、笔记本电脑140-4、以及摄像头140-5等或其任意组合。在一些实施例中，摄像头140-5可以包括2D摄像头、3D摄像头、红外摄像头等一种或多种的组合。摄像头140-5可以用于采集农产品的二维或者三维图像数据。在一些实施例中，摄像头140-5可以是独立摄像头，也可以是其它设备的一部分，例如，手机摄像头、电脑摄像头、车载摄像头、无人机摄像头等。在一些实施例中，摄像头140-5可以是固定的，也可以是可移动的。在一些实施例中，第一用户终端140可以包括各种传感器，例如，温度传感器、湿度传感器、各种气体浓度传感器、图像传感器等，以用于采集农产品相关的数据，例如，农产品的生长数据、农产品的外观数据、农产品的生长以及保存的环境数据等。

网络150可以促进信息和/或数据的交换。在一些实施例中，农产品全自动化管理系统100的一个或以上组件，例如，服务器110、第一用户终端140、第二用户终端160，可以经由网络150将信息和/或数据发送至农产品全自动化管理系统100的其它组件。例如，服务器110可以经由网络150从第一用户终端140获取农产品的第一特征组或第二特征组。在一些实施例中，网络150可以是有线网络或无线网络等或其任意组合。仅作为示例，网络150可以包括电缆网络、有线网络、光纤网络、电信网络、内部网络、互联网、局域网络(LAN)、广域网络(WAN)、无线局域网络(WLAN)、城域网(MAN)、公共交换电话网络(PSTN)、蓝牙网络、紫蜂(ZigBee)网络、近场通讯(NFC)网络、全球移动通讯系统(GSM)网络、码分多址(CDMA)网络、时分多址(TDMA)网络、通用分组无线服务(GPRS)网络、增强数据速率GSM演进(EDGE)网络、宽带码分多址接入(WCDMA)网络、高速下行分组接入(HSDPA)网络、长期演进(LTE)网络、用户数据报协议(UDP)网络、传输控制协议/互联网协议(TCP/IP)网络、短讯息服务(SMS)网络、无线应用协议(WAP)网络、超宽带(UWB)网络、红外线等或其任意组合。在一些实施例中，农产品全自动化管理系统100可以包括一个或以上网络接入点。例如，基站和/或无线接入点150-1、150-2、…，农产品全自动化管理系统100的一个或以上组件可以连接到网络150以交换数据和/或信息。

第二用户终端160可以用于输出和/或展示农产品相关的信息，例如，农产品的宣传策略和/或宣传内容。在一些实施例中，第二用户终端160可以输出服务器110生成的诸如农产品宣传内容等各种信息，或者直接展示给农产品的销售对象。在一些实施例中，在一些实施例中，第二用户终端160可以从存储设备130获取需要输出或展示的信息。在一些实施例中，第二用户终端160可以是与第一用户终端140类似或相同的设备。在一些实施例中，第二用户终端160可以包括移动设备160-1、平板电脑160-2、膝上电脑160-3、笔记本电脑160-4等或其任意组合等或其任意组合。

应当注意农产品全自动化管理系统100仅仅是为了说明的目的而提供的，并不意图限制本申请的范围。对于本领域的普通技术人员来说，可以根据本说明书的描述，做出多种修改或变化。例如，农产品全自动化管理系统100还可以包括信息源。又例如，农产品全自动化管理系统100可以在其它设备上实现类似或不同的功能。然而，这些变化和修改不会背离本申请的范围。

图2是根据本说明书一些实施例所示的农产品全自动化管理的系统的功能模块框图。系统200可以由处理设备120执行。

如图2所示，处理设备120可以包括第一预测值确定模块210、宣传内容确定模块220。

第一预测值确定模块210可以用于基于与农产品相关的第一特征组，确定农产品的第一预测值，其中，第一预测值为农产品预设时间的价格。

在一些实施例中，第一预测值确定模块210可以其它基于农产品相关的特征，通过模型或算法等各种手段预测并确定与农产品相关的数据，例如，农产品预设时间的价格等。

在一些实施例中，第一预测值确定模块210可以基于所述第一特征组，通过第一模型确定所述第一预测值，其中，所述第一特征组包括所述农产品的第二预测值、所述农产品的品质参数和所述农产品的当前价格中的至少一种，所述第二预测值为所述农产品的损坏速率。

在一些实施例中，第一预测值确定模块210可以基于所述第一特征组，通过第一模型确定其它内容。例如，农产品的保鲜周期，农产品的预计销量等。在一些实施例中，第一预测值确定模块210可以基于其它内容确定第一预测值。例如，基于商家给出的参考价格确定所述第一预测值、基于销量确定所述第一预测值等。

在一些实施例中，第一预测值确定模块210可以包括第二预测值获取单元221。

在一些实施例中，第二预测值获取单元221可以用于基于与所述农产品相关的第三特征组，通过第二模型获取所述第二预测值，其中，所述第三特征组包括所述农产品的生长数据和所述农产品的环境数据中的至少一种。

宣传内容确定模块220可以用于确定宣传内容。

在一些实施例中，宣传内容确定模块220可以基于农产品相关的特征，通过模型或算法等各种手段确定与农产品销售宣传相关的信息，例如，农产品预设时间的宣传策略、宣传内容等其它。

在一些实施例中，宣传内容确定模块220可以用于基于所述第二特征组，通过第三模型，确定所述农产品预设时间的宣传策略，其中，所述第二特征组包括所述第一预测值、所述农产品预设时间的状态和所述农产品的生长数据中的至少一种；基于所述宣传策略，通过预设的宣传模版生成对应的宣传内容。

在一些实施例中，宣传内容确定模块220可以基于所述第二特征组，通过第三模型确定其它内容。例如，农产品的预测销量，农产品的打折信息等。

在一些实施例中，宣传内容确定模块220可以基于其它内容确定宣传内容。例如，基于农产品预测销量确定宣传内容、基于网络信息确定宣传内容等。

图3是根据本说明书一些实施例所示的农产品全自动化管理的方法的示例性流程图。流程300可以由农产品全自动化管理系统100执行。例如，流程300可以由图1所述的处理设备120执行。

步骤S302，基于与农产品相关的第一特征组，确定农产品的第一预测值。其中，第一预测值为农产品预设时间的价格。在一些实施例中，该步骤S302可以由第一预测值确定模块210执行。

第一特征组是与农产品定价相关的一组或多组数据，例如，农产品的当前价格、农产品的品质、农产品的销售预测等。在一些实施例中，第一特征组可以包括农产品的损坏速率、农产品的品质参数、农产品的当前价格等。在一些实施例中，第一特征组中的数据可以通过预测得到，例如，可以通过预测得到农产品的损坏速率。在一些实施例中，第一特征组中的数据可以通过统计、采集等其它方式获取，例如，可以通过统计获取农产品的当前价格。在一些实施例中，第一特征组还可以包括其它数据。

预设时间是预计的农产品销售的时间。预设时间可以是某个时间段，例如，一天内的07:00～09:00、一周内的周二到周四、一年内的七月到九月；也可以是时间点，例如，11月11日的7点、13点等。在一些实施例中，预设时间可以通过预先确定的促销时段自动生成，例如，将每年的5月1日、6月18日、11月11日自动设置为预设时间。在一些实施例中，预设时间可以通过农产品的成熟时间、保存状态等参数来确定，例如，对于同一种农产品的不同品种，可以分别为早熟、晚熟品种设置不同的预设时间。在一些实施例中，预设时间可以通过用户获取得到，也可以通过系统自动生成。

在一些实施例中，可以基于农产品相关的特征，例如，第一特征组等，通过模型或算法等各种手段预测并确定与农产品相关的数据，例如，农产品预设时间的价格等。

在一些实施例中，可以基于与农产品相关的第一特征组，通过第一模型确定农产品的第一预测值，其中，第一特征组包括农产品的第二预测值、农产品的品质参数和农产品的当前价格中的至少一种，第二预测值为农产品的损坏速率。

第一模型是用于确定农产品第一预测值的模型。第一模型可以是神经网络(Neural Networks，NN)等模型。关于第一模型的更多描述，可以参见图6及其相关说明，此处不再赘述。

第二预测值是与农产品品质及损坏程度相关的数据，例如，农产品的损坏速率、农产品的新鲜程度等。在一些实施例中，第二预测值可以是农产品的损坏速率，可以基于农产品的损坏速率及其它参数，对农产品的未来品质状态等进行预测，并确定农产品预设时间的价格等参数数据。在一些实施例中，第二预测值还可以包括其它内容。

损坏速率是随时间推进，农产品的水分程度、营养程度、外观完整度、新鲜度等逐渐流失、损坏的速率，可以用多种方式来表示，例如，等级、数值等，其中数值可以是百分比等。在一些实施例中，损坏速率可以通过第二模型预测得到。在一些实施例中，损坏速率可以通过算法经过计算获得。在一些实施例中，损坏速率还可以通过统计等其它方式得到。关于如何确定损坏速率的更多说明，可以参见图4及其相关描述，在此不再赘述。

品质参数是农产品品质相关的数据，例如，水果的大小、水果的甜度、水果的色泽、蔬菜枯叶占比、营养成分含量等。在一些实施例中，品质参数可以与农产品及其关联的其它农产品被浏览、购买和评价数据、生长数据相关。在一些实施例中，可以根据农产品的物理和化学等特性来确定品质参数，例如，根据水果的外观、气味、甜度、水分含量、维生素含量来确定品质参数，外观好没有损坏、香味浓郁、甜度高、维生素含量高，则品质参数高。在一些实施例中，可以将品质参数以等级或数值来表示。品质参数可以是品质等级或品质分数等。在一些实施例中，可以基于预设规则确定品质参数。预设规则可以是提前预设好的规则，例如，预设规则可以是影响品质参数的各种因素与品质参数之间的对应关系，进一步的，基于预设规则和各种因素，可以确定品质参数的具体内容。在一些实施例中，品质参数可以基于算法或模型确定，例如将各个因素输入模型中，预测品质参数。

在一些实施例中，可以向第一模型输入农产品的损坏速率、农产品当前的价格、农产品的品质参数，第一模型预测得到第一预测值，第一预测值可以是农产品预设时间的价格。例如，当前价格为农产品采摘时的价格，第一模型基于农产品此时的损坏速率、品质参数判断农产品在新鲜度损耗后某个预设时间的价格。在一些实施例中，第一模型输出的可以是在预设时间的具体价格，还可以是相比于当前价格的调整方式，例如，降低、升高、降低或升高幅度等。

在一些实施例中，可以基于第一特征组，通过第一模型确定其它内容。例如，农产品的保鲜周期，农产品的预计销量等。在一些实施例中，可以基于其它内容确定第一预测值。例如，基于商家给出的参考价格确定第一预测值、基于销量确定第一预测值等。

本说明书一些实施例基于农产品的相关特征，通过模型预测并确定农产品一段时间后农产品的价格。这种方式可以基于农产品当前数据确定农产品未来价格，使得对农产品未来的定价更加简单高效，从而能够快速地制定有针对性的销售策略；可以基于农产品的损坏速率及当前品质确定未来农产品的损坏情况，从而根据农产品的损坏情况进行差异化定价，使得用户能够买到品质与价格相符的产品，提高了用户的满意度，也有利于农产品的销售。

步骤S304，基于与农产品相关的第二特征组，确定农产品预设时间的宣传内容。在一些实施例中，该步骤S304可以由宣传内容确定模块220执行。

第二特征组是与农产品销售宣传有关的数据，例如，农产品的生长数据、农产品预设时间的状态、农产品预设时间的价格、农产品市场饱和程度等。在一些实施例中，第二特征组可以包括农产品的生长数据、农产品预设时间的状态等、农产品预设时间的价格。在一些实施例中，第二特征组中的数据可以通过预测得到，例如，可以通过预测得到农产品预设时间的价格。在一些实施例中，第二特征组中的数据可以通过统计、采集等其它方式获取，例如，可以通过采集获取农产品的生长数据。在一些实施例中，第二特征组还可以包括其它数据。

宣传内容是直接面向用户的宣传信息，例如，宣传海报、电视广告、电台广告、推送的促销信息等。在一些实施例中，宣传内容可以是通过语音、文字、图像其它等一种或多种形式发送到用户。

在一些实施例中，可以基于与农产品相关的第二特征组，确定所述农产品预设时间的宣传内容。

在一些实施例中，可以基于第二特征组，通过第三模型，确定农产品预设时间的宣传策略，其中，第二特征组包括第一预测值、农产品预设时间的状态和农产品的生长数据中的至少一种；然后基于宣传策略，通过预设的宣传模版生成对应的宣传内容。关于宣传内容的生成的详细说明可以参见图5及相关内容，此处不再赘述。

本说明书一些实施例可以基于农产品相关特征，通过模型生成宣传策略。这种方式减少了制定宣传内容的时间，简化了流程，降低了宣传制作的成本。这种方式还可以根据农产品的未来的情况来制定符合其实际的销售宣传的手段和方式，降低了宣传内容与实际不符的概率，并且可以针对农产品的差异制定出不同的宣传内容，实现了差异化的销售策略，保障了销售率，也满足了不同消费者差异化的需求，使得针对不同消费者的宣传更加准确。

图4是根据本说明书一些实施例所示的确定农产品第一预测值的方法的示例性流程图。流程400可以由农产品全自动化管理系统100执行。例如，流程400可以由图1所述的处理设备120执行。

步骤S402，基于与农产品相关的第三特征组，通过第二模型获取第二预测值。其中，第三特征组包括农产品的生长数据和农产品的环境数据中的至少一种。在一些实施例中，该步骤S402可以由第二预测值获取单元221执行。

第二模型是用于确定第二预测值的模型，例如，神经网络(Neural Networks，NN)等模型。在一些实施例中，可以通过将农产品的生长数据、环境数据的一种或其组合输入第二模型，输出农产品的第二预测值。在一些实施例中，第二预测值可以是农产品的损坏速率。

农产品的生长数据是指农产品从种植到成品整个过程中与生长相关的数据。例如，生长数据包括但不限于：生长的温度、湿度、空气质量、灌水量、灌水频率、施肥量、施药情况等。在一些实施例中，农产品的生长数据可以是指会加快农产品损坏的数据，可以包括采收时间、是否施加了特定化学试剂、生长阶段土壤的化学成分等的其中一种或其组合。

农产品的环境数据是指农产品生长及保存期间物理环境的数据，例如，农产品生长、储存所处环境的气候、温度、湿度、季节、天气等。在一些实施例中，环境数据可以通过传感器、网络、存储设备、数据库或用户终端获取。

在一些实施例中，可以基于与农产品相关的第三特征组，通过第二模型获取第二预测值，其中，第三特征组可以包括农产品的生长数据和农产品的环境数据中的至少一种。在一些实施例中，第二预测值可以是损坏速率，与农产品的生长数据和环境数据相关，例如，当农产品处于潮湿、闷热的环境中，损坏速率会有所增加；当农产品处于冷藏、适宜的环境中时，损坏速率会保持较低水平。

在一些实施例中，生长数据和环境数据可以存在对应关系，例如，高温高湿的环境有利于水稻的生长，但在幼苗生长期，降水过多会使得幼苗缺氧，导致幼苗发育不良。在一些实施例中，可以基于农产品不同生长期所处的环境数据，来预测农产品的生长数据。

在一些实施例中，可以使用算法经过计算获取第二预测值。在一些实施例中，还可以通过统计等其它方式获取第二预测值，例如，通过数据库、网络、以及用户直接输入获取第二预测值等。

在一些实施例中，第一模型和第二模型类型可以是神经网络(NN)等模型，第二模型输出可以作为第一模型的输入，第一模型和第二模型可以联合训练得到。在一些实施例中，第二模型输出第二预测值，并将其输入第一模型，以获取第一预测值。更多关于第一模型、第二模型以及模型训练的说明，可以参见图6及相关内容，在此不再赘述。

本说明书一些实施例通过模型预测农产品的损坏速率，并根据损坏速率确定一段时间后农产品的损坏情况并定价。这种方式确定损坏速率可以基于多种数据，使得损坏速率的判断更加全面；可以快速处理利用大量数据，使得能够更为快速地得出结果；可利用历史数据训练模型，使得损坏速率的结果更加准确。通过损坏速率预测一段时间后农产品的损坏情况，可以基于当前数据准确判断未来的农产品的品质，有利于根据不同的农产品损坏情况给农产品进行差异化的定价，有利于部分有损坏的农产品销售，提高销售率，也有利于用户买到价格与品质相符的产品。

步骤S404，基于与农产品相关的第一特征组，确定农产品的第一预测值。其中，第一预测值为农产品预设时间的价格。在一些实施例中，该步骤S404可以由第一预测值确定模块210执行。关于该步骤的具体描述，参见图3步骤S302及其相关描述，此处不再赘述。

图5是根据本说明书一些实施例所示的确定农产品预设时间的宣传内容的方法的示例性流程图。流程500可以由农产品全自动化管理系统100执行。例如，流程500可以由图1所述的处理设备120执行。

步骤S502，基于第二特征组，通过第三模型，确定农产品预设时间的宣传策略。其中，第二特征组包括第一预测值、农产品预设时间的状态和农产品的生长数据中的至少一种。在一些实施例中，该步骤S502可以由宣传内容确定模块220执行。

宣传策略是基于农产品当前状况制定的用于农产品宣传销售的方案。在一些实施例中，可以根据农产品的价格、新鲜程度、品种产地、有机无机等，制定相应的宣传策略。例如，当某一农产品的新鲜程度较差，则制定以低价折扣为主导的宣传策略；当某一农产品临近生产日期/采摘日期，则制定以新鲜为主导的宣传策略。

第三模型是用于确定农产品宣传策略的模型，例如，神经网络(Neural Networks，NN)等模型。关于第三模型的更多描述，可参见图6及其相关说明，此处不再赘述。

预设时间的状态是农产品在预设时间内的物理状态。例如，农产品表面是否磕碰破损、农产品是否腐烂腐败、农产品是否有异味等。通过得知农产品预设时间的状态，可以判断农产品预设时间内是否适合销售，以及制定销售时的宣传策略。

在一些实施例中，可以向第三模型输入农产品预设时间的状态、第一预测值、农产品生长数据的一种或多种信息，第三模型可以输出农产品预设时间的宣传策略。例如，当输入农产品表面有磕碰破损，第一预测值低，且农产品生长时施加了化学试剂后，第三模型输出以低价、折扣、附带赠品为主导的宣传策略。

在一些实施例中，宣传策略可以通过其它方式制定。例如，基于用户浏览制定、基于搜索频率制定、基于商家制定、或基于农产品网络流行度制定等。在一些实施例中，宣传策略可以结合以上多种方式来确定，例如，使用模型确定宣传策略后，根据用户对关键词的搜索频率对宣传策略进行调整，突出搜索频率高的关键词。

在一些实施例中，第三模型的类型可以是NN模型等，第三模型的输入可以为第二特征组，输出为价格、新鲜度、有机中的一个，代表以哪个为宣传主打，第一模型和第二模型的输出均为第三模型的输入，第一、二和三模型可以通过联合训练得到。更多关于第三模型以及模型训练的说明，可以参见图6的相关描述，在此不再赘述。

在一些实施例中，农产品预设时间的状态与第二预测值和农产品的当前状态相关。在一些实施例中，以上关系可通过如下关系式表达：

y＝-kx+b

其中，y是农产品预设时间的状态(可以将农产品状态量化为数字，y值越大表示农产品的状态越好，y值越小表示农产品的状态越差)，k是第二预测值，x是时间，b是农产品的当前状态。根据一次函数可知，随时间增加，农产品的预设时间状态逐渐变差。

在一些实施例中，农产品预设时间的状态、第二预测值、农产品的当前状态可以是其它形式的关系，如二次函数、离散函数、统计关系等。

步骤S504，基于宣传策略，通过预设的宣传模版生成对应的宣传内容。在一些实施例中，该步骤S504可以由宣传内容确定模块220执行。

宣传模板可以是预设的用于农产品宣传的模板。在一些实施例中，宣传模板可以是文字模板，例如，XX农产品是无害绿色有机环保农产品，引进品种，新鲜环保、XX农产品折扣价，买一赠一等。在一些实施例中，宣传模板还可以通过图片、语音、视频等其它各种形式展现。

在一些实施例中，可以基于宣传策略，通过预设的宣传模版生成对应的宣传内容。在一些实施例中，当宣传策略被确定为低价打折时，可以调用系统中预定的低价打折宣传模板并套用，生成关于该农产品低价打折的宣传内容。

在一些实施例中，可以基于其它内容确定宣传内容。例如，基于上次宣传内容确定等。

本说明书实施例可能带来的有益效果包括但不限于：通过模型预测农产品在一段时间后的状态，调整农产品的价格并制定相应的宣传策略和宣传内容，从而使销售方式和宣传内容跟实际情况匹配，降低用户认为实际与宣传不符的情况，以提高用户的购买体验。

需要说明的是，不同实施例可能产生的有益效果不同，在不同的实施例里，可能产生的有益效果可以是以上任意一种或几种的组合，也可以是其它任何可能获得的有益效果。

应当注意的是，上述有关流程300、流程400、流程500的描述仅仅是为了示例和说明，而不限定本说明书的适用范围。对于本领域技术人员来说，在本说明书的指导下可以对流程300、流程400、流程500进行各种修正和改变。然而，这些修正和改变仍在本说明书的范围之内。例如，对本说明书有关流程步骤的改变，如添加预处理步骤和存储步骤等。

图6是根据本说明书一些实施例所示的全自动化管理的系统的模型结构图。

如图6所示，模型600可以包括第一模型601、第二模型602、第三模型603。

在一些实施例中，第一模型601可以是用于确定农产品第一预测值的模型。在一些实施例中，第一模型601可以是神经网络(Neural Networks，NN)等模型。在一些实施例中，可以通过向第一模型601输入农产品的当前价格608、品质参数607、以及损坏速率606等，输出农产品预设时间的价格609。在一些实施例中，品质参数607可以与农产品及其关联的其它农产品被浏览、购买和评价数据、生长数据相关。在一些实施例中，损坏速率606可以通过第二模型602获取。

在一些实施例中，第二模型602可以是用于确定农产品第二预测值的模型。在一些实施例中，第二模型602可以是神经网络(Neural Networks，NN)等模型。在一些实施例中，可以通过向第二模型602输入农产品的环境数据604、生长数据605等，输出农产品的损坏速率606。在一些实施例中，环境数据604可以是农产品所处物理环境的数据，例如，农产品所处环境的气候、温度、湿度、季节、天气等。在一些实施例中，生长数据605可以是能够加快农产品损坏的数据。例如，农产品的采收时间、是否施加了特定化学试剂、生长阶段土壤的化学成分等。

在一些实施例中，第三模型603可以是用于确定农产品宣传策略的模型。在一些实施例中，第三模型603可以是神经网络(Neural Networks，NN)等模型。在一些实施例中，可以通过向第三模型603输入农产品的生长数据605、预设时间状态610、预设时间的价格609，输出农产品的宣传策略612。在一些实施例中，预设时间状态610与损坏速率606和农产品的当前状态611相关。在一些实施例中，第三模型的输入还可以加入宣传模板，输出可以是农产品的宣传内容。

在一些实施例中，第一模型可以通过单独训练得到。例如，向第一模型输入农产品的样本损坏速率、样本当前价格、样本品质参数，作为训练样本数据，得到第一模型输出的农产品预设时间的价格，使用样本预设时间的价格作为标签，对第一模型输出的该农产品预设时间的价格进行验证，训练得到训练好的第一模型。在一些实施例中，第一模型的训练输入样本数据和标签样本数据可以通过各种方式获取，例如，历史数据、数据实时采集、使用模型或算法等，或其组合。

在一些实施例中，第二模型可以通过单独训练得到。例如，向第二模型输入农产品的样本环境数据、样本生长数据，作为训练样本数据，得到第二模型输出的损坏速率，使用样本损坏速率作为标签，对第二模型输出的该损坏速率进行验证，训练得到训练好的第二模型。在一些实施例中，第二模型的训练输入样本数据和标签样本数据可以通过各种方式获取，例如，历史数据、数据实时采集等，或其组合。

在一些实施例中，第二模型的输出可以为第一模型的输入，第一模型、第二模型可以联合训练得到。例如，向第二模型输入训练样本数据，即农产品的样本环境数据、样本生长数据，得到第二模型输出的损坏速率；然后将损坏速率作为训练样本数据，和农产品的样本当前价格、样本品质参数输入第一模型，得到第一模型输出的农产品预设时间的价格，使用样本预设时间的价格对第一模型的输出进行验证；利用神经网络模型的反向传播特性，得到第二模型输出的损坏速率的验证数据，使用该损坏速率的验证数据作为标签对第二模型进行训练。又例如，训练样本数据包括农产品的样本环境数据、样本生长数据、样本当前价格、样本品质参数，将样本环境数据、样本生长数据输入第二模型，将样本当前价格、样本品质参数输入第一模型，第二模型的输出作为第一模型的输入，标签为样本预设时间的价格，训练过程中，基于样本预设时间的价格和第二模型的输出建立损失函数对模型的参数进行更新。

在一些实施例中，第三模型可以通过单独训练得到。例如，向第三模型输入农产品的样本生长数据、样本预设时间状态、样本预设时间的价格，作为训练样本数据，得到第三模型输出的农产品的宣传策略，使用样本宣传策略作为标签对第三模型输出的农产品的宣传策略进行验证，训练得到训练好的第三模型。在一些实施例中，第三模型的训练样本数据可以是农产品的样本生长数据、样本预设时间的价格、样本损坏速率、样本当前状态，可以由样本损坏速率和样本当前状态得到样本预设时间状态。在一些实施例中，第三模型的训练样本数据还可以加入样本宣传模板，输出可以是农产品的宣传内容。在一些实施例中，第三模型的训练输入样本数据和标签样本数据可以通过各种方式获取，例如，历史数据、数据实时采集、统计、预先设置、使用模型或算法等，或其组合。

在一些实施例中，第一模型和第二模型的输出可以均为第三模型的输入，第一模型、第二模型和第三模型可以联合训练得到。例如，向第二模型输入训练样本数据，即农产品的样本环境数据、样本生长数据，得到第二模型输出的损坏速率；然后将损坏速率作为训练样本数据，和农产品的样本当前价格、样本品质参数输入第一模型，得到第一模型输出的农产品预设时间的价格；将第二模型输出的损坏速率、第一模型输出的农产品预设时间的价格、样本生长数据、样本当前状态，作为训练样本数据，输入第三模型，得到第三模型输出的宣传策略，使用样本宣传策略对第三模型的输出进行验证；利用神经网络模型的反向传播特性，得到第二模型输出的损坏速率的验证数据，或第一模型输出的预设时间的价格的验证数据；使用该损坏速率的验证数据作为标签对第二模型进行训练，或使用该预设时间的价格的验证数据作为标签对第一模型进行训练。

在一些实施例中，可以通过一个、两个或其它数量的模型实现第一、第二、第三模型的以上功能。

本说明书一些实施例可以使用联合训练得到第一模型、第二模型、第三模型。在联合训练中，单个模型输出的中间结果，即损坏速率和/或预设时间的价格，其精确度不再是关注重点，只需要关注由中间结果得到的最终结果，即预设时间的价格或宣传策略的准确性。这种方式简化了模型的训练，将多个模型的单独训练转化为对多个模型中单个模型的训练，简化了模型的训练，节省了模型的训练时间，减轻了模型训练的工作量，减少了多个模型训练的总的步骤，使得模型的训练可以关注于最后的结果，即农产品的宣传内容，而不需要关注单个模型输出的中间结果。对于多个输入特征的复杂环境，可以将对多个特征的处理转化为对其中某一个特征的处理，将多个相互影响的特征间的复杂关系简化，并且可以快速建立起其中任意特征间的关系，对于由多个特征共同影响和决定的农产品的预设时间的价格和宣传策略，可以很方便地确定其与输入最前端或中间段的任意特征间的关系，这些特征可以是生长数据、环境数据、损坏速率、品质参数等。这种方式极大地扩展了模型的适用场景，将多个适用于简单或固定场景的模型扩展到更加复杂和多变的场景中。

上文已对基本概念做了描述，显然，对于本领域技术人员来说，上述详细披露仅仅作为示例，而并不构成对本说明书的限定。虽然此处并没有明确说明，本领域技术人员可能会对本说明书进行各种修改、改进和修正。该类修改、改进和修正在本说明书中被建议，所以该类修改、改进、修正仍属于本说明书示范实施例的精神和范围。

同时，本说明书使用了特定词语来描述本说明书的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本说明书至少一个实施例相关的某一特征、结构或特点。因此，应强调并注意的是，本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一个替代性实施例”并不一定是指同一实施例。此外，本说明书的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。

此外，除非权利要求中明确说明，本说明书所述处理元素和序列的顺序、数字字母的使用、或其它名称的使用，并非用于限定本说明书流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例，但应当理解的是，该类细节仅起到说明的目的，附加的权利要求并不仅限于披露的实施例，相反，权利要求旨在覆盖所有符合本说明书实施例实质和范围的修正和等价组合。例如，虽然以上所描述的系统组件可以通过硬件设备实现，但是也可以只通过软件的解决方案得以实现，如在现有的服务器或移动设备上安装所描述的系统。

同理，应当注意的是，为了简化本说明书披露的表述，从而帮助对一个或多个发明实施例的理解，前文对本说明书实施例的描述中，有时会将多种特征归并至一个实施例、附图或对其的描述中。但是，这种披露方法并不意味着本说明书对象所需要的特征比权利要求中提及的特征多。实际上，实施例的特征要少于上述披露的单个实施例的全部特征。

一些实施例中使用了描述成分、属性数量的数字，应当理解的是，此类用于实施例描述的数字，在一些示例中使用了修饰词“大约”、“近似”或“大体上”来修饰。除非另外说明，“大约”、“近似”或“大体上”表明所述数字允许有±20％的变化。相应地，在一些实施例中，说明书和权利要求中使用的数值参数均为近似值，该近似值根据个别实施例所需特点可以发生改变。在一些实施例中，数值参数应考虑规定的有效数位并采用一般位数保留的方法。尽管本说明书一些实施例中用于确认其范围广度的数值域和参数为近似值，在具体实施例中，此类数值的设定在可行范围内尽可能精确。

针对本说明书引用的每个专利、专利申请、专利申请公开物和其它材料，如文章、书籍、说明书、出版物、文档等，特此将其全部内容并入本说明书作为参考。与本说明书内容不一致或产生冲突的申请历史文件除外，对本说明书权利要求最广范围有限制的文件(当前或之后附加于本说明书中的)也除外。需要说明的是，如果本说明书附属材料中的描述、定义、和/或术语的使用与本说明书所述内容有不一致或冲突的地方，以本说明书的描述、定义和/或术语的使用为准。

最后，应当理解的是，本说明书中所述实施例仅用以说明本说明书实施例的原则。其它的变形也可能属于本说明书的范围。因此，作为示例而非限制，本说明书实施例的替代配置可视为与本说明书的教导一致。相应地，本说明书的实施例不仅限于本说明书明确介绍和描述的实施例。

Claims (10)

1.一种农产品全自动化管理的方法，包括：

基于与农产品相关的第一特征组，确定所述农产品的第一预测值，其中，所述第一预测值为所述农产品预设时间的价格；

基于与所述农产品相关的第二特征组，确定所述农产品预设时间的宣传内容。

2.如权利要求1所述的方法，所述基于与农产品相关的第一特征组，确定所述农产品的第一预测值，包括：

基于所述第一特征组，通过第一模型确定所述第一预测值，其中，所述第一特征组包括所述农产品的第二预测值、所述农产品的品质参数和所述农产品的当前价格中的至少一种，所述第二预测值为所述农产品的损坏速率。

3.如权利要求2所述的方法，在所述基于与农产品相关的第一特征组，确定所述农产品的第一预测值之前，还包括：

基于与所述农产品相关的第三特征组，通过第二模型获取所述第二预测值，其中，所述第三特征组包括所述农产品的生长数据和所述农产品的环境数据中的至少一种。

4.如权利要求1所述的方法，所述基于与所述农产品相关的第二特征组，确定所述农产品预设时间的宣传内容，包括：

基于所述第二特征组，通过第三模型，确定所述农产品预设时间的宣传策略，其中，所述第二特征组包括所述第一预测值、所述农产品预设时间的状态和所述农产品的生长数据中的至少一种；

基于所述宣传策略，通过预设的宣传模版生成对应的宣传内容。

5.一种农产品全自动化管理的系统，包括：

第一预测值确定模块，用于基于与农产品相关的第一特征组，确定所述农产品的第一预测值，其中，所述第一预测值为所述农产品预设时间的价格；

宣传内容确定模块，用于基于与所述农产品相关的第二特征组，确定所述农产品预设时间的宣传内容。

6.如权利要求5所述的系统，所述第一预测值确定模块用于：

基于所述第一特征组，通过第一模型确定所述第一预测值，其中，所述第一特征组包括所述农产品的第二预测值、所述农产品的品质参数和所述农产品的当前价格中的至少一种，所述第二预测值为所述农产品的损坏速率。

7.如权利要求6所述的系统，所述第一预测值确定模块还包括：

第二预测值获取单元，用于基于与所述农产品相关的第三特征组，通过第二模型获取所述第二预测值，其中，所述第三特征组包括所述农产品的生长数据和所述农产品的环境数据中的至少一种。

8.如权利要求5所述的系统，所述宣传内容确定模块用于：

基于所述第二特征组，通过第三模型，确定所述农产品预设时间的宣传策略，其中，所述第二特征组包括所述第一预测值、所述农产品预设时间的状态和所述农产品的生长数据中的至少一种；

基于所述宣传策略，通过预设的宣传模版生成对应的宣传内容。

9.一种农产品全自动化管理的装置，包括处理器，所述处理器用于执行如权利要求1～4任一项所述的农产品全自动化管理的方法。

10.一种计算机可读存储介质，所述存储介质存储计算机指令，当计算机读取存储介质中的计算机指令后，计算机执行如权利要求1～4任一项所述的农产品全自动化管理的方法。

Images