CN113469746A - 一种农产品预测方法和系统 - Google Patents
一种农产品预测方法和系统 Download PDFInfo
- Publication number
- CN113469746A CN113469746A CN202110780763.2A CN202110780763A CN113469746A CN 113469746 A CN113469746 A CN 113469746A CN 202110780763 A CN202110780763 A CN 202110780763A CN 113469746 A CN113469746 A CN 113469746A
- Authority
- CN
- China
- Prior art keywords
- data
- agricultural product
- model
- growth
- prediction
- 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 62
- 238000012545 processing Methods 0.000 claims abstract description 55
- 238000003062 neural network model Methods 0.000 claims abstract description 8
- 230000000306 recurrent effect Effects 0.000 claims abstract description 7
- 238000012549 training Methods 0.000 claims description 73
- 238000003860 storage Methods 0.000 claims description 34
- 238000005286 illumination Methods 0.000 claims description 12
- 230000002596 correlated effect Effects 0.000 claims description 7
- 239000000047 product Substances 0.000 description 208
- 230000008569 process Effects 0.000 description 22
- 230000006870 function Effects 0.000 description 14
- 238000012360 testing method Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 10
- 238000012986 modification Methods 0.000 description 10
- 230000004048 modification Effects 0.000 description 10
- 240000008042 Zea mays Species 0.000 description 9
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 description 9
- 235000002017 Zea mays subsp mays Nutrition 0.000 description 9
- 235000005822 corn Nutrition 0.000 description 9
- 230000008901 benefit Effects 0.000 description 7
- 208000035126 Facies Diseases 0.000 description 6
- 238000012271 agricultural production Methods 0.000 description 6
- 238000004519 manufacturing process Methods 0.000 description 6
- 238000005070 sampling Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 230000036541 health Effects 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 238000007781 pre-processing Methods 0.000 description 4
- 230000004075 alteration Effects 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 244000269722 Thea sinensis Species 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 235000013339 cereals Nutrition 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 230000000875 corresponding effect Effects 0.000 description 2
- 238000001035 drying Methods 0.000 description 2
- 235000013399 edible fruits Nutrition 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000003709 image segmentation Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 239000002689 soil Substances 0.000 description 2
- 235000013311 vegetables Nutrition 0.000 description 2
- 229920000742 Cotton Polymers 0.000 description 1
- 244000241257 Cucumis melo Species 0.000 description 1
- 235000015510 Cucumis melo subsp melo Nutrition 0.000 description 1
- 241000196324 Embryophyta Species 0.000 description 1
- 102000004190 Enzymes Human genes 0.000 description 1
- 108090000790 Enzymes Proteins 0.000 description 1
- 244000068988 Glycine max Species 0.000 description 1
- 235000010469 Glycine max Nutrition 0.000 description 1
- 244000061176 Nicotiana tabacum Species 0.000 description 1
- 235000002637 Nicotiana tabacum Nutrition 0.000 description 1
- 240000007594 Oryza sativa Species 0.000 description 1
- 235000007164 Oryza sativa Nutrition 0.000 description 1
- 235000021307 Triticum Nutrition 0.000 description 1
- 244000098338 Triticum aestivum Species 0.000 description 1
- 241000607479 Yersinia pestis Species 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000000712 assembly Effects 0.000 description 1
- 238000000429 assembly Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002860 competitive effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000009849 deactivation Effects 0.000 description 1
- 239000008157 edible vegetable oil Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000855 fermentation Methods 0.000 description 1
- 230000004151 fermentation Effects 0.000 description 1
- 230000004720 fertilization Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000035784 germination Effects 0.000 description 1
- 238000003306 harvesting Methods 0.000 description 1
- 241000411851 herbal medicine Species 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 235000020191 long-life milk Nutrition 0.000 description 1
- 238000003801 milling Methods 0.000 description 1
- 239000003607 modifier Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000012466 permeate Substances 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 235000009566 rice Nutrition 0.000 description 1
- 230000005070 ripening Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000009331 sowing Methods 0.000 description 1
- 238000007619 statistical 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
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- 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)
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Development Economics (AREA)
- Accounting & Taxation (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Finance (AREA)
- Marketing (AREA)
- Human Resources & Organizations (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Tourism & Hospitality (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Mining & Mineral Resources (AREA)
- Marine Sciences & Fisheries (AREA)
- Animal Husbandry (AREA)
- Agronomy & Crop Science (AREA)
- Software Systems (AREA)
- Primary Health Care (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本说明书实施例提供一种农产品预测方法和系统。该方法包括获取农产品的相关数据。农产品的相关数据可以包括农产品数据、生长数据和天气数据。该方法还包括利用预测模型对农产品的相关数据进行处理,来获取目标预测结果。目标预测结果至少包括所述农产品的价格和销量中的一种。预测模型为循环神经网络模型。
Description
技术领域
本说明书涉及数据处理领域,特别涉及一种农产品预测方法和系统。
背景技术
在当今高度信息化的时代,大数据渗透了人们社会生活的方方面面。通过适当地使用数据,人们处理日常事务变得愈发更加高效快捷。而且在一定程度上有助于人们基于现有的海量数据,预测未知事物并制定相关计划。
现阶段农产品市场预测的方法有调查分析法、经验估计法、统计分析法和相关分析预测法等。根据产品销售量的历史资料,分析和确定不同市场的农产品销售数量,可以更好地指导农业生产并适应供应需求。
发明内容
本说明书实施例之一提供一种农产品预测方法。所述方法包括:获取农产品的相关数据;所述相关数据包括农产品数据、生长数据和天气数据;其中,所述生长数据包括通过基于时间序列的模型获取的所述农产品的生长质量,所述天气数据至少包括温度、光照、降雨量及所述天气波动率的一种;利用预测模型对所述农产品的相关数据进行处理,以获取目标预测结果;所述目标预测结果至少包括所述农产品的价格和销量中的一种。其中,所述预测模型为循环神经网络模型,通过以下方式训练得到:获取多个训练样本,所述多个训练样本中的每个训练样本包括样本农产品的样本相关数据和标签;标签包括样本农产品的历史价格和历史销量;使用所述多个训练样本训练初始预测模型,以优化所述初始预测模型的损失函数为训练目标,训练得到所述预测模型;其中,所述初始预测模型的损失函数包括正则项,所述正则项与天气波动率正相关。
本说明书实施例之一提供一种农产品预测系统,所述系统包括数据获取模块、模型获取模块和预测模块;所述数据获取模块用于获取农产品的相关数据;所述相关数据包括农产品数据、生长数据和天气数据;其中,所述生长数据包括通过基于时间序列的模型获取的所述农产品的生长质量,所述天气数据至少包括温度、光照、降雨量及所述天气波动率的一种;所述预测模块用于利用预测模型对所述农产品的相关数据进行处理,以获取目标预测结果;所述目标预测结果至少包括所述农产品的价格和销量中的一种;其中,所述预测模型为循环神经网络模型,通过所述模型获取模块训练得到,所述训练包括以下方式:获取多个训练样本,所述多个训练样本中的每个训练样本包括样本农产品的样本相关数据和标签;标签包括样本农产品的历史价格和历史销量;使用所述多个训练样本训练初始预测模型,以优化所述初始预测模型的损失函数为训练目标,训练得到所述预测模型;其中,所述初始预测模型的损失函数包括正则项,所述正则项与天气波动率正相关。
本说明书实施例之一提供一种农产品预测装置,包括处理器,所述处理器用于执行农产品预测方法。
本说明书实施例之一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,计算机执行农产品预测方法。
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预测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预测方法的示例性流程图;
图3是根据本说明书一些实施例所示的生长质量确定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生成预测模型的示意图;以及
图5是根据本说明书一些实施例所示的农产品预测系统的示例性模块图。
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,如果其他词语可实现相同的目的,则可通过其他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,也可以将其他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。
图1是根据本说明书一些实施例所示的农产品预测系统100的应用场景示意图。
在一些实施例中,农产品预测系统100可以用于基于农产品的相关数据对产品的售价、生长、销量等进行预测。例如,农产品预测系统100可以基于农产品的相关数据对大宗农产品进行定价。又例如,农产品预测系统100可以基于农产品的相关数据获取农产品的目标预测结果。其中,所述目标预测结果可以至少包括农产品的价格和销量中的一种。
如图1所示,农产品预测系统100可以包括服务器110、网络120、图像采集设备130和存储设备140。
在一些实施例中,服务器110可以获取待预测农产品150的相关数据。所述相关数据可以包括农产品数据、生长数据和天气数据。服务器110可以利用预测模型对农产品的相关数据进行处理,以获取目标预测结果。所述目标预测结果可以至少包括所述农产品的价格和销量中的一种。在一些实施例中,服务器110可以通过训练多个训练样本获取预测模型。
服务器110可以用于管理资源以及处理来自本系统至少一个组件或外部数据源(例如,云数据中心)的数据和/或信息。在一些实施例中,服务器110可以是单个服务器或服务器组。服务器组可以是经由接入点连接到网络120的集中式服务器组,或者经由一个或一个以上的接入点分别连接到网络120的分布式服务器组。在一些实施例中,服务器110可以本地连接到网络120或者与网络120远程连接。例如,服务器110可以经由网络120访问存储在图像采集设备130和/或存储设备140中的信息和/或数据。又例如,存储设备140可以用作服务器110的后端存储器。在一些实施例中,服务器110可以在云平台上实现。仅作为示例,云平台可以包括私有云、公共云、混合云、社区云、分布式云、中间云、多重云等,或其任意组合。
在一些实施例中,服务器110以及其他可能的系统组成部分中可以包括存储设备140。在一些实施例中,服务器110以及其他可能的系统组成部分中可以包括处理器。
在一些实施例中,服务器110可以包括处理设备112。处理设备112可以处理与执行本说明书中描述的一个或一个以上的功能有关的信息和/或数据。例如,处理设备112可以获取待预测农产品150的相关数据。又例如,处理设备112可以利用预测模型对待预测农产品150的相关数据进行处理,以获取目标预测结果。在一些实施例中,处理设备112可以包括一个或一个以上的处理单元(例如,单核处理引擎或多核处理引擎)。仅作为示例,处理设备112可以包括中央处理单元(CPU)、专用集成电路(ASIC)、专用指令集处理器(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)、可编程逻辑器件(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。
网络120可以连接系统的各组成部分和/或连接系统与外部资源部分。网络120使得各组成部分之间,以及与系统之外其他部分之间可以进行通讯,促进数据和/或信息的交换。例如,服务器110可以通过网络120从图像采集设备130获取图像数据。又例如,服务器110可以通过网络120对图像采集设备130发送指令。在一些实施例中,网络120可以是有线网络或无线网络中的任意一种或多种。例如,网络120可以包括电缆网络、光纤网络、电信网络、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、紫蜂网络(ZigBee)、近场通信(NFC)、设备内总线、设备内线路、线缆连接等或其任意组合。各部分之间的网络连接可以是采用上述一种方式,也可以是采取多种方式。在一些实施例中,网络可以是点对点的、共享的、中心式的等各种拓扑结构或者多种拓扑结构的组合。在一些实施例中,网络120可以包括一个或以上网络接入点。例如,网络120可以包括有线或无线网络接入点,例如基站和/或网络交换点120-1、120-2、…,通过这些农产品预测系统100的一个或多个组件可连接到网络120上以交换数据和/或信息。
图像采集设备130可以用于获取待预测农产品150的图像数据。在一些实施例中,图像采集设备130可以经由网络120将所获取的图像数据发送到农产品预测系统100的一个或多个组件(例如,服务器110和/或存储设备140)。在一些实施例中,图像采集设备130可以包括处理器和/或存储器。在一些实施例中,图像采集设备130可以包括广角摄像头、鱼眼摄像头、单目摄像头、多目摄像头(双目摄像头)、深度摄像头(RGBD摄像头)、半球摄像机、红外摄像头、数字视频录像机(DVR)等,或其任意组合。在一些实施例中,图像采集设备130可以是包括具有摄像头的设备,例如,手机、相机、监控摄像头、卫星设备等,或其任意组合。在一些实施例中,图像采集设备130获取的图像可以是二维图像、三维图像、四维图像等。
存储设备140可以用于存储数据和/或指令。数据指对信息的数字化表示,可以包括各种类型,比如二进制数据、文本数据、图像数据、视频数据等。指令是指可控制设备或器件执行特定功能的程序。存储设备140可以包括一个或多个存储组件,每个存储组件可以是一个独立的设备,也可以是其他设备的一部分。在一些实施例中,存储设备140可包括随机存取存储器(RAM)、只读存储器(ROM)、大容量存储器、可移动存储器、易失性读写存储器等或其任意组合。示例性的,大容量储存器可以包括磁盘、光盘、固态磁盘等。在一些实施例中,所述存储设备140可在云平台上实现。
待预测农产品150可以是指需要进行价格、销量、生长情况等预测的农产品。例如,待预测农产品150可以是生长中的农产品、待收割的农产品、待出库的农产品等。
已预测农产品160可以是经过将相关数据输入至模型进行定价、销量等预测后的农产品。
在售农产品170可以位于农产品加工处、交易市场、商铺等的已经经过预测的农产品。在一些实施例中,在售农产品170也可以是对外开放的采摘园等已经确定处于销售状态下无需加工或运输的农产品。
需要注意的是,以上描述仅为描述方便,并不能把本申请限制在所举实施例范围之内。可以理解,对于本领域的技术人员来说,在了解该系统的原理后,可以在不背离这一原理的情况下,对实施上述方法和系统的应用领域进行形式和细节上的各种修正和改变。
图2根据本说明书一些实施例所示的农产品预测方法的示例性流程图。在一些实施例中,农产品预测方法200中的一个或以上步骤可以在图1所示的农产品预测系统100中实现。例如,农产品预测方法200中的一个或以上步骤可以作为指令的形式存储在存储设备140中,并被处理设备112调用和/或执行。如图2所示,农产品预测方法200包括下述步骤。
步骤210,获取农产品的相关数据。在一些实施例中,步骤210可以由数据获取模块510执行。
农产品可以是农业中生产的物品。在一些实施例中,农产品可以包括大宗农产品,也可以包括其他经济作物。例如,大宗农产品可以是小麦、水稻、玉米、大豆、油菜、棉花等,其他经济作物可以是蔬菜、水果、花卉、中草药、林产品、茶叶、烟叶等。
在一些实施例中,农产品可以包括初级农产品和初级加工农产品。其中,初级农产品是指不经过加工的农产品,例如,谷物、农业原料、蔬菜、瓜果和花卉等产品。初级加工农产品是指对初级农产品进行加工后得到的农产品,例如,消毒奶、食用油、饲料等。
在一些实施例中,农产品的相关数据可以包括农产品数据、生长数据、天气数据等。
农产品数据可以包括与农产品本身相关的数据,例如,农产品的大小、品相、成熟度、加工情况等。其中,加工情况可以是指农产品是否有进行加工,及其所接受的加工工艺等情况。例如,对于谷类,加工情况可以包括去皮、晾晒、碾磨等。又例如,对于茶叶,加工情况可以包括杀青、揉捻、发醇、干燥等。
在一些实施例中,农产品数据可以通过图像识别算法获取。例如,可以通过图像识别算法从农产品的图像数据中获得农产品的大小、品相等农产品数据。常用的图像识别算法可以包括统计法(或决策理论法)、句法(或结构)方法、神经网络法、模板匹配法、几何变换法等,或其任意组合。
在一些实施例中,农产品数据可以通过图像识别模型获取。例如,贝叶斯(Bayes)模型、马尔柯夫(Markow)随机场(MRF)模型、神经网络模型等。
在一些实施例中,通过图像识别算法获取农产品数据可以包括采集图像数据、图像预处理以及图像识别。其中,采集图像数据是指通过图像采集设备(例如,图像采集设备130)获取农产品的图像数据(例如,图像数据2111)。图像采集设备可以是具有图像采集功能的设备,例如数字摄像机、扫描仪、数码相机、手机、电脑等。图像数据2111可以包括照片、视频、文字、声音等。例如,图像采集设备130可以获取待预测农产品150的图像数据2111,并将待预测农产品150的图像数据传送到农产品预测系统100的一个或多个组件(例如,服务器110、网络120、存储设备140)。又例如,通过数字摄像机获取农产品的视频,并将农产品的视频上传到存储设备140存储。在获取农产品数据时,处理设备112可以从存储设备140调用该农产品的视频,从视频中获取图像帧的方式获取得到农产品的图像数据2111。图像预处理是包括对图像进行图像变换、图像压缩、图像分割、特征点提取等操作,从而加强图像的重要特征,提高图像识别的效率和准确性。例如,处理设备112可以对待预测农产品150的图像数据2111执行图像变换、图像压缩、图像分割、特征点提取等的操作。图像识别是指使用图像识别算法或模型对图像进行处理,以获取图像中的与农产品相关的信息(即,农产品数据)。例如,处理设备112使用图像识别模型2112处理经图像预处理的待预测农产品150的图像数据2111,获取待预测农产品150的大小、品相、成熟度、加工情况等农产品数据。在一些实施例中,图像识别模型2112可以通过训练得到。例如,可以基于样本农产品的样本图像数据,以样本农产品的实际农产品数据作为标签,将样本图像数据和标签输入初始模型进行训练,通过调整模型参数,减小预测结果与标签之间的差异对初始机器学习模型进行相应的训练。当满足某一预设条件时,例如,迭代次数达到预定的次数、训练样本数量达到预定的数量、或者模型的预测正确率大于某一预定的正确率阈值,训练过程停止,并且将训练后的稳定模型作为图像识别模型2112。在一些实施例中,图像识别模型2112可以存储在服务器110或存储设备140中,通过模型获取模块520调用。在一些实施例中,图像采集设备130中可以包括处理器。处理器可以通过图像识别算法对农产品的图像数据进行处理,获取农产品数据。例如,图像采集设备130获取待预测农产品150的图像数据2111后,可以对农产品的图像数据2111进行图像预处理以及图像识别,以获取农产品数据。在一些实施例中,图像采集设备130可以将获取的农产品数据发送到农产品预测系统100的一个或多个组件(例如,服务器110、网络120、存储设备140),用于存储或输入预测模型进行处理。
生长数据是指农产品在生长过程中的相关数据。例如,生长数据可以包括农产品在不同生长阶段的尺寸、品相、健康程度。又例如,生长数据可以包括农产品生成过程中的自然环境,例如,农产品产地的经纬度、海拔、土壤类型等。
在一些实施例中,生长数据可以包括生长度。所述生长度(Gi)可以反映农产品在特定时间点(i)的生长程度与正常生长程度的偏离情况。例如,农产品的种子播种一周后,生长度可以包括农产品作物的实际高度与该农产品作物的历史高度偏离情况。又例如,生长度可以包括农产品在特定时间是否处于正常的生长周期(例如,发芽、抽穗、结果、成熟等)。
在一些实施例中,该生长度可以通过图像识别算法获取。具体的,可以将农产品在特定时间点的图像数据2121输入生长度模型,生长度模型可以输出农产品的生长度。例如,在玉米播种后,可以通过图像采集设备(例如,数字摄像机、扫描仪、数码相机、手机、电脑、卫星等)采集玉米在不同时间的图像数据2121。处理设备112可以将图像数据2121输入生长度模型,生长度模型可以输出玉米在不同时间的生长度。
在一些实施例中,该生长度模型可以通过训练得到。例如,可以基于样本农产品的样本图像数据,以样本农产品的实际生长程度作为标签,将样本图像数据和标签输入初始模型进行训练,通过调整模型参数,减小预测结果与标签之间的差异对初始机器学习模型进行相应的训练。当满足某一预设条件时,例如,迭代次数达到预定的次数、训练样本数量达到预定的数量、或者模型的预测正确率大于某一预定的正确率阈值,训练过程停止,并且将训练后的稳定模型作为生长度模型。在一些实施例中,生长度模型可以存储在服务器110或存储设备140中,通过模型获取模块520调用。
在一些实施例中,生长数据可以基于图像识别模型获取。具体的,可以将农产品在特定时间点的图像数据2121输入图像识别模型2122,图像识别模型2122可以输出农产品的生长数据。例如,在玉米播种后,图像采集设备(例如,数字摄像机、扫描仪、数码相机、手机、电脑、卫星等)可以采集玉米在不同时间的图像数据2121。处理设备112可以将图像数据2121输入图像识别模型2122,图像识别模型2122可以输出玉米的生长数据。该生长数据可以包括玉米在图像采集时的尺寸、品相、健康程度,以及玉米生长地的经纬度、海拔、土壤类型等。
在一些实施例中,图像识别模型2122可以通过训练得到。例如,可以基于样本农产品的样本图像数据,以样本农产品的实际生长数据作为标签,将样本图像数据和标签输入初始模型进行训练,通过调整模型参数,减小预测结果与标签之间的差异对初始机器学习模型进行相应的训练。当满足某一预设条件时,例如,迭代次数达到预定的次数、训练样本数量达到预定的数量、或者模型的预测正确率大于某一预定的正确率阈值,训练过程停止,并且将训练后的稳定模型作为图像识别模型2122。在一些实施例中,图像识别模型2122可以存储在服务器110或存储设备140中,通过模型获取模块520调用。
在一些实施例中,图像采集设备可以在特定时间获取图像数据2121。例如,处理设备112接收到用户发送获取图像数据的指令后,可以通过图像采集设备采集图像数据2121。又例如,处理设备112可以根据农产品数据中的品相数据和天气数据中的天气波动率,确定生长数据的取样密度。再根据生长数据的取样密度,通过图像采集设备采集图像数据2121。其中,取样密度可以指选取图像数据2121的频率或者次数。例如,当农产品品相较好,且天气波动率较低时,取样密度可以较小;即,采集较少次数的图像数据2121。又例如,当农产品品相较差,且天气波动率较高时,取样密度可以较大;即,采集较多次数的图像数据2121。
在一些实施例中,图像采集设备可以持续获取图像数据2121,并通过网络发送到存储设备140中存储。例如,农产品周围有数字摄像机,数字摄像机可以持续获取农产品的图像数据2121,并通过网络120发送到存储设备140中。在一些实施例中,处理设备112可以根据生长数据的取样密度,选取图像数据2121中部分数据作为图像识别模型2122的输入,生成农产品的生长数据。
在一些实施例中,处理设备可以利用基于时间序列的模型对农产品的生长数据进行处理,以获取农产品的生长质量。生长质量可以反映农产品的当前生长状况。关于生长质量的获取可以参见图3部分的相关描述,在此不做赘述。
天气数据可以指农作物生长期间的天气数据。天气数据可以包括温度、光照、降雨量、天气波动率等,或其任意组合。在一些实施例中,天气数据还可以是在同一时刻下的天气类型、温湿度情况、光照强度情况、空气质量指数、风力风向等天气相关数据中的一种或多种。例如,某一时间的天气数据为多云,33摄氏度,空气湿度90%,室外光照强度为6万勒克斯,空气质量指数为39,东南风2级。
天气波动率是指某一段时间内的天气变化程度。例如,天气波动率可以是农产品播种到收获之间,农产品所在地的温度、光照、降雨量等的变化程度。
在一些实施例中,处理设备112可以基于天气数据,对比标准值以获取天气波动率。例如,处理设备可以基于所示例的公式(1)获取天气波动率。
v=sigma(ai(Ti-Tsi)2) (1)
其中,v表示天气波动率,i表示一段时间内的时间点,Ti为在i时间点的温度,Tsi为在i时间点的历史平均温度,ai为在i时间点的与温度对应的权重系数,反映不同时间点温度变化对农产品的影响程度不同。
在一些实施例中,i时间点的与温度对应的权重系数ai可以和生长度Gi相关。例如,当农产品生长良好时,该点天气变化的影响会较小;当农产品生长恶劣时,该点天气变化的影响会较大。需要注意的是,在公式(1)中仅以温度为例,该公式(1)还可以结合光照、降雨、温湿度情况、空气质量指数、风力风向等影响因素进行计算。例如,处理设备可以基于温度和光照(所示例的公式(2))获取天气波动率。
v=sigma((ai(Ti-Tsi)2+bi(Ii-Isi)2) (2)
其中,Ii为在i时间点的光照,Isi为在i时间点的历史平均光照,bi为在i时间点的与光照对应的权重系数,反映不同时间点光照变化对农产品的影响程度不同。
在一些实施例中,天气数据可以通过第三方数据获取。例如,处理设备112可以调用第三方数据接口,或从第三方的数据库中读取得到天气数据。
在一些实施例中,天气数据可以通过天气数据采集装置获取。天气数据采集装置可以包括温度计、光照度测试仪、风速仪、气象参数测试仪等,或其任意组合。例如,农产品预测系统100可以包括气象参数测试仪。该气象参数测试仪可以获取天气数据并储存在存储设备140中。又例如,农产品预测系统100在获取图像数据2121的同时,可以通过气象参数测试仪记录此时的天气数据。
在一些实施例中,处理设备112通过从数据库、存储设备中读取、调用相关数据接口的方式获取得到农产品的相关数据。
步骤220,利用预测模型对所述农产品的相关数据进行处理,以获取目标预测结果。在一些实施例中,步骤220可以由预测模块530执行。
目标预测结果可以是指利用预测模型对农产品的相关数据进行处理后所期望到的预测结果。在一些实施例中,目标预测结果可以至少包括所述农产品的价格和销量中的一种。基于目标预测结果可以有效地、更好地进行农产品的供应管理。例如,可以根据农产品的预测价格对农产品进行目标市场的分类。具体的,对于预测价格较高的农产品,可以向成品市场或精品市场销售;对于也测价格较低的农产品,可以向加工市场销售。目标预测结果还可以为农产品生产计划提供依据。例如,可以根据农产品的预测销量,调整农产品生产计划。
预测模型可以用于处理农产品的相关数据以获取农产品的目标预测结果。在一些实施例中,预测模型可以是循环神经网络模型(CNN)。预测模型可以通过训练得到。关于预测模型的训练可以参见图4部分的相关描述,在此不做赘述。在一些实施例中,预测模型可以存储在服务器110或存储设备140中,通过模型获取模块520调用。
在一些实施例中,处理设备112可以将农产品的相关数据输入至预测模型,预测模型可以输出农产品的目标预测结果。例如,处理设备112可以将农产品数据、生长数据、天气数据输入至预测模型,预测模型可以输出农产品的价格和销量。
通过预测模型对农产品的相关数据处理,可以获取农产品的价格和销量,从而准确全面地分析不同市场的农产品销售数量,更好地适应供应需求。另外,通过农产品的价格和销量,可以筛选出更符合市场的农产品的生长数据,从而指导农业生产。
应当注意的是,上述有关农产品预测方法200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,步骤210可以分为三个子步骤,分别获取农产品数据、生长数据和天气数据。
图3是根据本说明书一些实施例所示的生长质量确定方法300的示例性流程图。在一些实施例中,生长质量确定方法300中的一个或以上步骤可以在图1所示的农产品预测系统100中实现。例如,生长质量确定方法300中的一个或以上步骤可以作为指令的形式存储在存储设备140中,并被处理设备112调用和/或执行。如图3所示,生长质量确定方法300包括下述步骤。
步骤310,获取农产品的生长数据。在一些实施例中,步骤310可以由数据获取模块510执行。
生长数据是指农产品在生长过程中的相关数据。关于生长数据的获取可以参见图2部分的相关描述,在此不做赘述。
步骤320,利用基于时间序列的模型对所述农产品的生长数据进行处理,以获取农产品的生长质量。在一些实施例中,步骤320可以由数据获取模块510执行。
生长质量可以反映农产品的当前生长状况。生长质量可以用于预测在当前生长状况下未来成熟时的质量及状态。例如,生长质量可以包括农产品当前是否处于正常的生长阶段,例如,植株健康状况、是否存在病虫害以及成熟度等。在一些实施例中,还可以根据农产品的生长质量来提醒用户对农产品的生长状况进行必要的干预(例如,除虫、施肥等),以提高产量,优化品质。在一些实施例中,生长质量可以用于对农产品的品相分类及定价。例如,生长质量高的农产品可以对应高的价格;生长质量低的农产品可以对应低的价格。
时间序列可以是指按照时间先后顺序记录下的农产品生长变化的数据。在一些实施例中,基于时间序列的模型可以是预先训练好的模型。例如,基于时间序列的模型包括自回归模型(auto-regressive model,AR)、移动平均模型(moving average model,MA)、自回归滑动平均模型(auto-regressive moving average model,ARMA)、自回归条件异方差模型(autoregressive conditional heteroskedasticity model,GARCH)等。在一些实施例中,处理设备112可以将农产品的生长数据输入基于时间序列的模型321,该基于时间序列的模型321可以输出农产品的生产质量322。例如,处理设备112可以将农产品的生长度、不同生长阶段的尺寸、品相、健康程度、农产品生成过程中的自然环境等生长数据输入基于时间序列的模型321,基于时间序列的模型321可以输出农产品的生产质量322(例如,当前生长状况、预期的成熟时的质量及状态)。
在一些实施例中,该基于时间序列的模型321可以通过训练得到。例如,可以基于样本生长数据,以样本生长数据的实际生长质量作为标签,将样本生长数据和标签输入初始模型进行训练,通过调整模型参数,减小预测结果与标签之间的差异对初始机器学习模型进行相应的训练。当满足某一预设条件时,例如,迭代次数达到预定的次数、训练样本数量达到预定的数量、或者模型的预测正确率大于某一预定的正确率阈值,训练过程停止,并且将训练后的稳定模型作为基于时间序列的模型321。
在一些实施例中,基于时间序列的模型321可以存储在服务器110或存储设备140中,通过模型获取模块520调用。
应当注意的是,上述有关生长质量确定方法300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。
图4是根据本说明书一些实施例所示的生成预测模型的示意图。
如图4所示,生成预测模型的流程400可以包括利用训练样本410对初始预测模型420进行训练,训练后获得预测模型430。在一些实施例中,训练样本410可以由数据获取模块510获取,预测模型430可以由模型获取模块520对初始预测模型420进行训练后获得。
在一些实施例中,可以基于大量带有标签的训练样本训练预测模型。具体的,将带有标签的训练样本410输入初始预测模型420,以优化所述初始预测模型420的损失函数为训练目标,更新初始预测模型420的参数,训练得到预测模型430。例如,以样本农产品的样本相关数据作为初始预测模型420的输入,样本农产品的样本预测结果作为初始预测模型420的标签,训练所述初始预测模型420。
所述多个训练样本410中的每个训练样本可以包括样本农产品的样本相关数据和标签。其中,标签可以包括样本农产品的历史价格和历史销量。
样本农产品的样本相关数据可以和农产品的相关数据对应。例如,对某个地区的农产品进行预测,预测模型训练的样本相关数据可以来自于该地区的农产品的相关数据。
标签可以基于样本农产品的历史真实销售情况(例如,历史价格和历史销量),通过人工标注的方式添加标注得到。
在一些实施例中,初始预测模型420的损失函数可以包括正则项。所述正则项与天气波动率可以为正相关关系。即,天气波动率较大时,损失函数的正则项较大。正则项可以增加模型参数的约束,从而达到通过与天气波动率正相关的正则项来防止预测模型的训练过拟合的问题。当满足某一预设条件时,例如,初始预测模型420的损失函数收敛、迭代次数达到预定的次数、训练样本数量达到预定的数量、或者模型的预测正确率大于某一预定的正确率阈值,训练过程停止,并且将训练后的稳定模型指定为预测模型430。
在一些实施例中,还可以对训练好的预测模型430进行测试。例如,获取测试农产品的测试相关数据和测试农产品的测试预测结果。其中,测试农产品的测试相关数据和样本农产品的样本相关数据不同。将测试农产品的测试相关数据输入训练好的预测模型430中,预测模型430输出测试农产品的目标预测结果。将测试预测结果和目标预测结果做比较,基于比较结果对所述预测模型430进行操作。例如,当比较结果在预定阈值内,说明预测模型430的准确性满足要求,不需要优化。又例如,当比较结果超过预定阈值,说明预测模型430的准确性不满足要求,需要对预测模型430进行优化。在一些实施例中,比较结果可以是测试预测结果和目标预测结果的差值,此时所述预定阈值可以是绝对数值,例如,0.1、0.2、0.3、0.4、0.5、0.6、0.7、0.8、0.9等。在一些实施例中,比较结果也可以是测试预测结果和目标预测结果的比值,此时所述预定阈值可以是百分数,例如80%、85%、90%、95%等。
当比较结果超过预定阈值时,处理设备112可以提示用户是否要优化预测模型430。如果用户选择优化,处理设备112可以新增训练样本,并且按照上述训练方法重新训练预测模型430,并且在后续的扫描中应用优化后的预测模型430。
应当注意的是,上述有关流程400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。
图5是根据本说明书一些实施例所示的农产品预测系统500的示例性模块图。系统内各模块之间的连接可以是有线的、无线的,或两者的结合。任何一个模块都可以是本地的、远程的,或两者的结合。模块间的对应关系可以是一对一的,或一对多的。
在一些实施例中,所述农产品预测系统500可以包括数据获取模块510、模型获取模块520和预测模块530。
在一些实施例中,数据获取模块510可以用于获取农产品的相关数据。该相关数据包括农产品数据、生长数据和天气数据。其中,该生长数据包括通过基于时间序列的模型获取的所述农产品的生长质量。在一些实施例中,生长数据还可以包括生长度。生长度可以反映农产品在特定时间点的生长程度与正常程度的偏离情况。在一些实施例中,数据获取模块510可以通过图像识别算法方式获取生长度。天气数据至少包括温度、光照、降雨量及所述天气波动率的一种。在一些实施例中,数据获取模块510可以基于所述天气数据,对比标准值以获取所述天气波动率。
在一些实施例中,预测模块530用于利用预测模型对农产品的相关数据进行处理,以获取目标预测结果。目标预测结果至少包括所述农产品的价格和销量中的一种。
在一些实施例中,预测模型为循环神经网络模型,通过该模型获取模块520训练得到。
在一些实施例中,模型获取模块520的训练包括以下方式:获取多个训练样本,其多个训练样本中的每个训练样本包括样本农产品的样本相关数据和样本农产品的样本预测结果;样本预测结果包括样本农产品的价格和销量;使用多个训练样本训练初始预测模型,以优化初始预测模型的损失函数为训练目标,训练得到预测模型;其中,初始预测模型的损失函数包括正则项,所述正则项与天气波动率正相关。
需要注意的是,以上对于农产品预测系统500及其模块的描述,仅为描述方便,并不能把本说明书限制在所举实施例范围之内。可以理解,对于本领域的技术人员来说,在了解该系统的原理后,可能在不背离这一原理的情况下,对各个模块进行任意组合,或者构成子系统与其他模块连接。在一些实施例中,图5中披露的数据获取模块510、模型获取模块520及预测模块530可以是一个系统中的不同模块,也可以是一个模块实现上述的两个或两个以上模块的功能。例如,各个模块可以共用一个存储模块,各个模块也可以分别具有各自的存储模块。诸如此类的变形,均在本说明书的保护范围之内。
本申请实施例可能带来的有益效果包括但不限于:(1)基于农产品的相关数据获取农产品的目标预测结果,可以准确全面地分析不同市场的农产品销售数量,从而适应供应需求;(2)通过农产品的价格和销量,可以筛选出更符合市场的农产品的生长数据,从而指导农业生产;(3)获取农产品的生产质量,可以在农产品生产过程中实时对农产品进行干预,从而提高产量,优化品质。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,也可以是其他任何可能获得的有益效果。
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、或其他名称的使用,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他材料,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。其他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)
1.一种农产品预测方法,其特征在于,所述方法包括:
获取农产品的相关数据;所述相关数据包括农产品数据、生长数据和天气数据;其中,所述生长数据包括通过基于时间序列的模型获取的所述农产品的生长质量,所述天气数据至少包括温度、光照、降雨量及所述天气波动率的一种;
利用预测模型对所述农产品的相关数据进行处理,以获取目标预测结果;所述目标预测结果至少包括所述农产品的价格和销量中的一种;
其中,所述预测模型为循环神经网络模型,通过以下方式训练得到:
获取多个训练样本,所述多个训练样本中的每个训练样本包括样本农产品的样本相关数据和标签;所述标签包括样本农产品的历史价格和历史销量;
使用所述多个训练样本训练初始预测模型,以优化所述初始预测模型的损失函数为训练目标,训练得到所述预测模型;其中,所述初始预测模型的损失函数包括正则项,所述正则项与天气波动率正相关。
2.如权利要求1所述的方法,其特征在于,所述生长数据还包括生长度,所述生长度反映了所述农产品在特定时间点的生长程度与正常程度的偏离情况。
3.如权利要求2所述的方法,其特征在于,所述生长度通过图像识别算法方式获取。
4.如权利要求1所述的方法,其特征在于,基于所述天气数据,对比标准值以获取所述天气波动率。
5.一种农产品预测系统,其特征在于,包括数据获取模块、模型获取模块和预测模块;
所述数据获取模块用于获取农产品的相关数据;所述相关数据包括农产品数据、生长数据和天气数据;其中,所述生长数据包括通过基于时间序列的模型获取的所述农产品的生长质量,所述天气数据至少包括温度、光照、降雨量及所述天气波动率的一种;
所述预测模块用于利用预测模型对所述农产品的相关数据进行处理,以获取目标预测结果;所述目标预测结果至少包括所述农产品的价格和销量中的一种;
其中,所述预测模型为循环神经网络模型,通过所述模型获取模块训练得到,所述训练包括以下方式:
获取多个训练样本,所述多个训练样本中的每个训练样本包括样本农产品的样本相关数据和标签;所述标签包括样本农产品的历史价格和历史销量;
使用所述多个训练样本训练初始预测模型,以优化所述初始预测模型的损失函数为训练目标,训练得到所述预测模型;其中,所述初始预测模型的损失函数包括正则项,所述正则项与天气波动率正相关。
6.如权利要求5所述的系统,其特征在于,所述生长数据还包括生长度,所述生长度反映了所述农产品在特定时间点的生长程度与正常程度的偏离情况。
7.如权利要求6所述的系统,其特征在于,所述生长度通过图像识别算法方式获取。
8.如权利要求5所述的系统,其特征在于,基于所述天气数据,对比标准值以获取所述天气波动率。
9.一种农产品预测装置,包括处理器,其特征在于,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预测方法。
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预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110780763.2A CN113469746A (zh) | 2021-07-09 | 2021-07-09 | 一种农产品预测方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110780763.2A CN113469746A (zh) | 2021-07-09 | 2021-07-09 | 一种农产品预测方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113469746A true CN113469746A (zh) | 2021-10-01 |
Family
ID=77879684
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110780763.2A Pending CN113469746A (zh) | 2021-07-09 | 2021-07-09 | 一种农产品预测方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113469746A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190041374A1 (en) * | 2017-08-03 | 2019-02-07 | Central South University Of Forestry And Technology | Rapid screening method of processing raw rice for rice products |
CN113792324A (zh) * | 2021-11-16 | 2021-12-14 | 聊城高新生物技术有限公司 | 基于联邦学习的农产品数据交互方法、装置及电子设备 |
CN114723485A (zh) * | 2022-04-06 | 2022-07-08 | 布瑞克(苏州)农业互联网股份有限公司 | 一种农产品竞争力模型的构建方法和系统 |
CN114743100A (zh) * | 2022-04-06 | 2022-07-12 | 布瑞克(苏州)农业互联网股份有限公司 | 一种农产品长势监测方法和系统 |
CN114943555A (zh) * | 2022-05-16 | 2022-08-26 | 布瑞克农业大数据科技集团有限公司 | 一种农产品价格分析方法和系统 |
CN117010929A (zh) * | 2022-05-30 | 2023-11-07 | 布瑞克(苏州)农业互联网股份有限公司 | 一种农产品舆情信息构建方法 |
CN117035558A (zh) * | 2023-10-08 | 2023-11-10 | 北京佳格天地科技有限公司 | 一种农产品质量检测方法、系统及存储介质 |
CN117114917A (zh) * | 2023-10-25 | 2023-11-24 | 中国铁塔股份有限公司吉林省分公司 | 应用于数字农业的ai预测处理方法及系统 |
CN117236825A (zh) * | 2023-11-15 | 2023-12-15 | 南京龟兔赛跑软件研究院有限公司 | 农产品供应链运输管理系统及方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150025926A1 (en) * | 2013-07-17 | 2015-01-22 | O & B Marketing, LLC | Systems and methods for enhanced use of data in agriculture management |
KR20150082755A (ko) * | 2014-01-07 | 2015-07-16 | 윤주영 | 농산물 직거래 시스템의 동작방법 |
CN105577816A (zh) * | 2016-01-20 | 2016-05-11 | 刘圣德 | 基于图像处理的农业智能平台 |
US20170161560A1 (en) * | 2014-11-24 | 2017-06-08 | Prospera Technologies, Ltd. | System and method for harvest yield prediction |
CN107220903A (zh) * | 2017-06-23 | 2017-09-29 | 深圳市盛路物联通讯技术有限公司 | 一种智能农业管理方法和系统 |
WO2018158821A1 (ja) * | 2017-02-28 | 2018-09-07 | 株式会社オプティム | 収穫情報提案システム、方法及びプログラム |
CN111582324A (zh) * | 2020-04-20 | 2020-08-25 | 广州海睿信息科技有限公司 | 农业大数据分析的方法及装置 |
-
2021
- 2021-07-09 CN CN202110780763.2A patent/CN113469746A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150025926A1 (en) * | 2013-07-17 | 2015-01-22 | O & B Marketing, LLC | Systems and methods for enhanced use of data in agriculture management |
KR20150082755A (ko) * | 2014-01-07 | 2015-07-16 | 윤주영 | 농산물 직거래 시스템의 동작방법 |
US20170161560A1 (en) * | 2014-11-24 | 2017-06-08 | Prospera Technologies, Ltd. | System and method for harvest yield prediction |
CN105577816A (zh) * | 2016-01-20 | 2016-05-11 | 刘圣德 | 基于图像处理的农业智能平台 |
WO2018158821A1 (ja) * | 2017-02-28 | 2018-09-07 | 株式会社オプティム | 収穫情報提案システム、方法及びプログラム |
CN107220903A (zh) * | 2017-06-23 | 2017-09-29 | 深圳市盛路物联通讯技术有限公司 | 一种智能农业管理方法和系统 |
CN111582324A (zh) * | 2020-04-20 | 2020-08-25 | 广州海睿信息科技有限公司 | 农业大数据分析的方法及装置 |
Non-Patent Citations (2)
Title |
---|
杜小芳 等: "农产品销量预测的支持向量机方法", 中国管理科学, vol. 13, no. 04, 31 August 2005 (2005-08-31), pages 129 - 134 * |
许世卫 等: "农产品市场价格短期预测研究进展", 中国农业科学, vol. 44, no. 17, 31 December 2011 (2011-12-31), pages 3666 - 3675 * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190041374A1 (en) * | 2017-08-03 | 2019-02-07 | Central South University Of Forestry And Technology | Rapid screening method of processing raw rice for rice products |
CN113792324A (zh) * | 2021-11-16 | 2021-12-14 | 聊城高新生物技术有限公司 | 基于联邦学习的农产品数据交互方法、装置及电子设备 |
CN114723485A (zh) * | 2022-04-06 | 2022-07-08 | 布瑞克(苏州)农业互联网股份有限公司 | 一种农产品竞争力模型的构建方法和系统 |
CN114743100A (zh) * | 2022-04-06 | 2022-07-12 | 布瑞克(苏州)农业互联网股份有限公司 | 一种农产品长势监测方法和系统 |
CN114943555A (zh) * | 2022-05-16 | 2022-08-26 | 布瑞克农业大数据科技集团有限公司 | 一种农产品价格分析方法和系统 |
CN117010929B (zh) * | 2022-05-30 | 2024-04-26 | 布瑞克(苏州)农业互联网股份有限公司 | 一种农产品舆情信息构建方法 |
CN117010929A (zh) * | 2022-05-30 | 2023-11-07 | 布瑞克(苏州)农业互联网股份有限公司 | 一种农产品舆情信息构建方法 |
CN117035558A (zh) * | 2023-10-08 | 2023-11-10 | 北京佳格天地科技有限公司 | 一种农产品质量检测方法、系统及存储介质 |
CN117035558B (zh) * | 2023-10-08 | 2023-12-26 | 北京佳格天地科技有限公司 | 一种农产品质量检测方法、系统及存储介质 |
CN117114917B (zh) * | 2023-10-25 | 2024-01-26 | 中国铁塔股份有限公司吉林省分公司 | 应用于数字农业的ai预测处理方法及系统 |
CN117114917A (zh) * | 2023-10-25 | 2023-11-24 | 中国铁塔股份有限公司吉林省分公司 | 应用于数字农业的ai预测处理方法及系统 |
CN117236825A (zh) * | 2023-11-15 | 2023-12-15 | 南京龟兔赛跑软件研究院有限公司 | 农产品供应链运输管理系统及方法 |
CN117236825B (zh) * | 2023-11-15 | 2024-04-05 | 南京龟兔赛跑软件研究院有限公司 | 农产品供应链运输管理系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113469746A (zh) | 一种农产品预测方法和系统 | |
Yang et al. | Applications of deep-learning approaches in horticultural research: a review | |
Wang et al. | YOLOv3‐Litchi Detection Method of Densely Distributed Litchi in Large Vision Scenes | |
Zhou et al. | A novel greenhouse-based system for the detection and plumpness assessment of strawberry using an improved deep learning technique | |
Sood et al. | Computer vision and machine learning based approaches for food security: A review | |
de Luna et al. | Size classification of tomato fruit using thresholding, machine learning, and deep learning techniques | |
Tariqul Islam et al. | Automatic detection of Grape, Potato and Strawberry Leaf Diseases using CNN and image processing | |
Paymode et al. | Tomato leaf disease detection and classification using convolution neural network | |
James et al. | High‐throughput phenotyping for breeding targets—Current status and future directions of strawberry trait automation | |
US20230389474A1 (en) | Method for determining a fruit to be harvested and a device for harvesting a fruit | |
Keyvanpour et al. | Machine learning techniques for agricultural image recognition | |
Wei et al. | Wheat biomass, yield, and straw-grain ratio estimation from multi-temporal UAV-based RGB and multispectral images | |
KR20230061863A (ko) | 합성곱신경망과 다층 퍼셉트론의 앙상블 모델을 이용한 과실 발달 단계 예측 장치 및 그 방법 | |
KR20230061034A (ko) | 작물의 엽록소 함량을 예측하는 기계 학습 모델 학습 방법, 작물의 엽록소 함량 예측 방법 및 식물 생육 시스템 | |
Jahan et al. | Machine learning for global food security: a concise overview | |
US20220309595A1 (en) | System and Method for Managing and Operating an Agricultural-Origin-Product Manufacturing Supply Chain | |
Patel et al. | Big Data analytics for advanced viticulture | |
Newlands | Artificial intelligence and Big Data analytics in vineyards: A review | |
CN113469751A (zh) | 一种农产品供应链管理方法和系统 | |
Islam et al. | DCNN Based Disease Prediction of Lychee Tree | |
Azizi et al. | Spatiotemporal data of vegetation images for convolutional neural network: Okra case study | |
Baesso et al. | Deep learning-based model for classification of bean nitrogen status using digital canopy imaging | |
Patil et al. | GRAPE QUALITY PREDICTION WITH PRE-POST HARVESTING USING FUSION DEEP LEARNING | |
Patil et al. | Fusion deep learning with pre-post harvest quality management of grapes within the realm of supply chain management | |
Kumar et al. | A novel and effective ensemble machine learning model for identifying healthy and rotten fruits |
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 | ||
CB03 | Change of inventor or designer information |
Inventor after: Sun Tong Inventor after: Huang Guiheng Inventor before: Sun Tong Inventor before: Huang Guiheng |
|
CB03 | Change of inventor or designer information |