CN114219149A - 基于机器学习的中药材供求关系预测方法、装置和介质 - Google Patents
基于机器学习的中药材供求关系预测方法、装置和介质 Download PDFInfo
- Publication number
- CN114219149A CN114219149A CN202111532062.3A CN202111532062A CN114219149A CN 114219149 A CN114219149 A CN 114219149A CN 202111532062 A CN202111532062 A CN 202111532062A CN 114219149 A CN114219149 A CN 114219149A
- Authority
- CN
- China
- Prior art keywords
- data
- traditional chinese
- historical
- sales
- year
- 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
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Strategic Management (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Development Economics (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Economics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Computational Linguistics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于机器学习的中药材供求关系预测方法,包括:获取各个中药材产区的历年生态环境数据集和历年产量数据集,将数据集输入至基于注意力机制的CNN‑LSTM网络模型中进行训练;利用基于注意力机制的CNN‑LSTM网络模型对下一年的中药材产量数据进行预测;获取中药材的历年销量数据集,将历年销量数据输入至混合预测模型,对下一年的中药材销量数据进行预测;根据预测中药材产量数据和中药材销量数据,确定供求关系。本发明能够根据药材历年的产量数据和历年的销量数据,基于机器学习算法对下一年的药材超量和销量进行准确预测,并根据预测结果确定药材下一年的产销供求关系,从而为药材行业从业人员提供可靠的数据支持,进而做出正确的经营决策。
Description
技术领域
本发明属于神经网络技术领域,具体涉及一种基于机器学习的药材供求关系预测方法、装置和介质。
背景技术
中药饮片行业的源头在于中药材的种植,而中药材最为特殊的经济农作物,大多中药材的生长周期都长于普通农作物,因此受到其所在生态环境的影响也远大于普通农作物,且不同药材受其产地的种植条件影响可能也不同。而若是药材产地当期的种植受到了恶劣生态环境的侵害,整个中药饮片产业链的产量、销量和价格都会受到很大的波动。
现有技术中,对于中药饮片行业的生产经营更多的是依靠从业者的经验和信息渠道进行人工判断,预测某类药材的产量和销量,从而选择囤货或者清库存。而这种人工判断的方式,对整个产业链的经营都带来了极大的不确定性,甚至会因为某些厂商的恶意囤货,给整个产业链都带来恶性影响。
因此,对于中药饮片原材料产量以及产品销量的准确预测,对于中药行业从业者的稳定经营具有重要意义。
发明内容
本发明的目的是提供一种基于机器学习的药材供求关系预测方法、装置和介质,用于解决现有技术中存在的至少一个技术问题。
为了实现上述目的,本发明采用以下技术方案:
第一方面,本发明提供一种基于机器学习的中药材供求关系预测方法,包括:
获取各个中药材产区的历年生态环境数据集和历年产量数据集,将所述历年生态环境数据集和所述历年产量数据集输入至基于注意力机制的CNN-LSTM网络模型中进行训练;
其中,所述历年生态环境数据集包括历年天气数据和历年土壤数据;
利用训练好的基于注意力机制的CNN-LSTM网络模型对下一年的中药材产量数据进行预测;
获取中药材的历年销量数据集,将所述历年销量数据输入至混合预测模型,对下一年的中药材销量数据进行预测;
根据预测得到的下一年的中药材产量数据和下一年的中药材销量数据,确定下一年的中药材的产量与销量的供求关系。
在一种可能的设计中,在将所述历年生态环境数据集和所述历年产量数据集输入至基于注意力机制的CNN-LSTM网络模型中进行训练之前,所述方法还包括:
对所述历年生态环境数据集进行归一化预处理,以使所述历年生态环境数据集中的各样本数据的方差一致。
在一种可能的设计中,将所述历年生态环境数据集和所述历年产量数据集输入至基于注意力机制的CNN-LSTM网络模型中进行训练,包括:
将所述历年天气数据输入至CNN-W模型,以使所述CNN-W模型通过一维卷积来捕捉天气数据的时间依赖性,并提取天气特征;
将所述历年土壤环境输入至CNN-S模型,以使所述CNN-S模型通过一维卷积来捕捉地下不同深度测量的土壤数据的空间依赖性,并提取土壤特征;
利用CNN网络的全连接层将所述天气特征和所述土壤特征进行结合,得到所述全连接层的输出;
将所述全连接层的输出和所述历年产量数据集输入至LSTM网络单元中,并基于注意力机制对全连接层的输出和所述历年产量数据集进行特征选择。
在一种可能的设计中,将所述历年销量数据输入至混合预测模型,对下一年的中药材销量数据进行预测,包括:
建立ARIMA模型,将所述历年销量数据的序列输入至所述ARIMA模型,利用所述ARIMA模型预测获取第一预测结果和多个模型预测误差;
建立基于Boosting算法的AdaBoost分类器,将多个所述模型预测误差输入至所述AdaBoost分类器进行整合和重分类,并将预测误差较大的ARIMA模型进行权值弱化,得到第二预测结果;
将所述第一预测结果和所述第二预测结果进行叠加,得到下一年的中药材销量数据预测结果。
在一种可能的设计中,建立ARIMA模型,包括:
基于自相关函数和偏自相关函数,结合AIC和BIC标准确定ARIMA模型的三元组(p,d,f)的取值范围;
其中,p为历史销量数据的序列的自回归系数,d为历史销量数据的序列的差分次数d,q为历史销量数据的序列的移动平均项数。
在一种可能的设计中,所述方法还包括:
将产量与销量的供求关系的预测结果发送至药材采购人员的智能终端。
在一种可能的设计中,所述历年天气数据至少包括降水数据、太阳辐射数据、雪水当量数据、最高温度数据、最低温度数据和水汽压数据。
在一种可能的设计中,所述历年土壤数据至少包括湿土容重数据、干容重数据、粘土比例数据、植物有效含水量上限数据、植物有效含水量下限数据、水力传导率数据、有机质比例数据、pH值数据、含砂率数据以及饱和体积含水量在不同测量深度下的变化数据。
第二方面,本发明提供一种基于机器学习的中药材供求关系预测装置,包括:
模型训练模块,用于获取各个中药材产区的历年生态环境数据集和历年产量数据集,将所述历年生态环境数据集和所述历年产量数据集输入至基于注意力机制的CNN-LSTM网络模型中进行训练;
其中,所述历年生态环境数据集包括历年天气数据和历年土壤数据;
产量预测模块,用于利用训练好的基于注意力机制的CNN-LSTM网络模型对下一年的中药材产量数据进行预测;
销量预测模块,获取中药材的历年销量数据集,将所述历年销量数据输入至混合预测模型,对下一年的中药材销量数据进行预测;
供求关系确定模块,用于根据预测得到的下一年的中药材产量数据和下一年的中药材销量数据,确定下一年的中药材的供求关系。
第三方面,本发明提供一种计算机可读存储介质,所述计算机可读存储介质存储有一个或者多个程序,所述一个或者多个程序可被一个或者多个处理器执行,以实现如第一方面任意一种可能的设计中所述的基于机器学习的中药材供求关系预测方法。
第四方面,本发明提供一种计算机设备,包括依次通信相连的存储器、处理器和收发器,其中,所述存储器用于存储计算机程序,所述收发器用于收发消息,所述处理器用于读取所述计算机程序,执行如第一方面任意一种可能的设计中所述的基于机器学习的中药材供求关系预测方法。
第五方面,本发明提供一种包含指令的计算机程序产品,当所述指令在计算机上运行时,使所述计算机执行如第一方面任意一种可能的设计中所述的基于机器学习的中药材供求关系预测方法。
有益效果:
本发明通过获取各个中药材产区的历年生态环境数据集和历年产量数据集,然后将所述历年生态环境数据集和所述历年产量数据集输入至基于注意力机制的CNN-LSTM网络模型中进行训练,以对下一年的中药材产量数据进行预测;通过获取中药材的历年销量数据集,将所述历年销量数据输入至混合预测模型,对下一年的中药材销量数据进行预测;最后根据预测得到的下一年的中药材产量数据和下一年的中药材销量数据,确定下一年的中药材的产量与销量的供求关系。本发明能够根据药材历年的产量数据和历年的销量数据,基于机器学习算法对下一年的药材超量和销量进行准确预测,并根据预测结果确定药材下一年的产销供求关系,从而为药材行业从业人员提供可靠的数据支持,进而做出正确的经营决策。
附图说明
图1为本实施例中的基于机器学习的中药材供求关系预测方法的流程示意图。
具体实施方式
为使本说明书实施例的目的、技术方案和优点更加清楚,下面将结合本说明书实施例中的附图,对本说明书实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本说明书一部分实施例,而不是全部的实施例。基于本说明书中的实施例,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。
实施例
如图1所示,第一方面,本发明提供一种基于机器学习的中药材供求关系预测方法,包括但不限于由步骤S101~S104实现:
步骤S101.获取各个中药材产区的历年生态环境数据集和历年产量数据集,将所述历年生态环境数据集和所述历年产量数据集输入至基于注意力机制的CNN-LSTM网络模型中进行训练;
其中,所述历年生态环境数据集包括历年天气数据和历年土壤数据;优选的,所述历年天气数据包括但不限于降水数据、太阳辐射数据、雪水当量数据、最高温度数据、最低温度数据和水汽压数据。其中,上述天气数据可以从对外开放的天气平台或者气象局等官方网站中获取。优选的,所述历年土壤数据至少包括湿土容重数据、干容重数据、粘土比例数据、植物有效含水量上限数据、植物有效含水量下限数据、水力传导率数据、有机质比例数据、pH值数据、含砂率数据以及饱和体积含水量在不同测量深度下的变化数据。其中,上述土壤数据可以从地质局等的官方网站中获取。优选的,所述历年产量数据集包括各个中药材产区各自的历史产量数据,也包括药材行业每年的总产量数据,其中,各历史产量数据可以从农业统计局等的官方网站中获取,此处不做限定。
作为步骤S101一种具体的实施方式,将所述历年生态环境数据集和所述历年产量数据集输入至基于注意力机制的CNN-LSTM网络模型中进行训练,包括:
步骤S1011.将所述历年天气数据输入至CNN-W模型,以使所述CNN-W模型通过一维卷积来捕捉天气数据的时间依赖性,并提取天气特征;
其中,需要说明的是,CNN(Convolutional Neural Networks,卷积神经网络)是一类包含卷积计算且具有深度结构的前馈神经网络(Feedforward Neural Networks),是深度学习(deep learning)的代表算法之一。卷积神经网络具有表征学习(representationlearning)能力,能够按其阶层结构对输入信息进行平移不变分类(shift-invariantclassification),因此也被称为“平移不变人工神经网络(Shift-Invariant ArtificialNeural Networks,SIANN)”。其中,CNN可以处理多种格式的数据,如一维数据(信号和序列)、二维数据(图像)和三维数据(视频)。CNN模型通常由多个卷积层、池化层以及全连接层组成。
其中,需要说明的是,CNN-W(Convolutional Neural Networks-Weather,天气卷积神经网络)是指用于处理历史天气数据的卷积神经网络,并通过一维卷积来捕捉天气数据的时间依赖性,并提取天气特征。
步骤S1012.将所述历年土壤环境输入至CNN-S模型,以使所述CNN-S模型通过一维卷积来捕捉地下不同深度测量的土壤数据的空间依赖性,并提取土壤特征;
其中,需要说明的是,所述CNN-S(Convolutional Neural Networks-Soil,土壤卷积神经网络)是指用于处理历史土壤数据的卷积神经网络,并通过一维卷积来捕捉地下不同深度测量的土壤数据的空间依赖性,并提取土壤特征。
步骤S1013.利用CNN网络的全连接层将所述天气特征和所述土壤特征进行结合,得到所述全连接层的输出;
步骤S1014.将所述全连接层的输出和所述历年产量数据集输入至LSTM网络单元中,并基于注意力机制对全连接层的输出和所述历年产量数据集进行特征选择。
其中,需要说明的是,所述LSTM网络单元(Long Short-Term Memory,长短期记忆网络)是一种时间循环神经网络,是为了解决一般的RNN(Recurrent Neural Network,循环神经网络)存在的长期依赖问题而设计的,其能够保证随着时间序列的增长RNN网络容易产生梯度消失和梯度爆炸的问题。
其中,需要说明的是,通过基于意力机制对全连接层的输出和所述历年产量数据集进行特征选择,所述LSTM网络单元的编码器可以选择性地聚焦于特定的输入特征序列,不无需均匀地对待所有的输入特征序列。
优选的,在将所述历年生态环境数据集和所述历年产量数据集输入至基于注意力机制的CNN-LSTM网络模型中进行训练之前,所述方法还包括:
对所述历年生态环境数据集进行归一化预处理,以使所述历年生态环境数据集中的各样本数据的方差一致,进而使得所有输入的历年生态环境数据符合标准整体分布,不易受到异常值的影响。
步骤S102.利用训练好的基于注意力机制的CNN-LSTM网络模型对下一年的中药材产量数据进行预测;
其中,需要说明的是,在利用训练好的基于注意力机制的CNN-LSTM网络模型对下一年的中药材产量数据进行预测时,需要对机器模型的超参数包括优化算法、学习率、批量样本大小、迭代次数和正则化等参数进行设置),优选的,该机器模型可以使用TensorFlow库在Python中实现。
步骤S103.获取中药材的历年销量数据集,将所述历年销量数据输入至混合预测模型,对下一年的中药材销量数据进行预测;
在步骤S103的具体实施方式中,将所述历年销量数据输入至混合预测模型,对下一年的中药材销量数据进行预测,包括:
步骤S1031.建立ARIMA模型,将所述历年销量数据的序列输入至所述ARIMA模型,利用所述ARIMA模型预测获取第一预测结果和多个模型预测误差;
其中,需要说明的是,所述ARIMA模型(Autoregressive Integrated MovingAverage Model,自回归整合移动平均模型)通过将预测对象随时间推移而形成的数据序列视为一个随机序列,借助时间序列的随机性来描述平稳序列的相关性信息,并由此对时间序列的变化进行建模和预测。这个模型一旦被识别后就可以从时间序列的过去值及现在值来预测未来值。但是,ARIMA模型适用于短期预测精度很高,不适合中长期的数据预测。
其中,需要说明的是,在建立ARIMA模型,通过以下步骤实现:
基于自相关函数和偏自相关函数,结合AIC和BIC标准确定ARIMA模型的三元组(p,d,f)的取值范围;
其中,p为历史销量数据的序列的自回归系数,d为历史销量数据的序列的差分次数d,q为历史销量数据的序列的移动平均项数。
步骤S1032.建立基于Boosting算法的AdaBoost分类器,将多个所述模型预测误差输入至所述AdaBoost分类器进行整合和重分类,并将预测误差较大的ARIMA模型进行权值弱化,得到第二预测结果;
其中,需要说明的是,为了最大程度降低所述ARIMA模型的预测误差,本实施例引入了AdaBoost分类器对来对ARIMA模型的预测误差进行分类,通过给每个分类器的权重不相等,每个权重代表的是对应的分类器在上一轮迭代中的成功度,分类结果是基于所有分类器的加权求和得到的,从而获得具有高精度的预测分类器,输出第二预测结果。
步骤S1033.将所述第一预测结果和所述第二预测结果进行叠加,得到下一年的中药材销量数据预测结果。
通过将第一预测结果和所述第二预测结果进行叠加,能够获得更加准确的销量预测结果。
步骤S104.根据预测得到的下一年的中药材产量数据和下一年的中药材销量数据,确定下一年的中药材的产量与销量的供求关系。
例如,可以根据下一年的中药材产量数据和下一年的中药材销量数据,确定下一年中药材产量和销量的百分比,以百分比的形式对二者的供求关系信息进行展示。
在一种具体的实施方式中,所述方法还包括:
将产量与销量的供求关系的预测结果发送至药材采购人员的智能终端,从而药材采购人员可以根据产量和销量的供求关系,合理制定下一年的采购计划,满足生产经营需要。由于数据来源准确,作出的采购计划也应当能够满足企业自身需求,从而使得企业经营更加智能化。
其中,优选的,所述智能终端包括但不限于智能手机、平板电脑和笔记本电脑,可以在智能手机中设置小程序、客户端或网页端来获取供求关系信息,也可以在平板电脑和笔记本电脑设置客户端或网页端来获取供求关系信息,此处不做限定。
基于上述公开的内容,本实施例通过获取各个中药材产区的历年生态环境数据集和历年产量数据集,然后将所述历年生态环境数据集和所述历年产量数据集输入至基于注意力机制的CNN-LSTM网络模型中进行训练,以对下一年的中药材产量数据进行预测;通过获取中药材的历年销量数据集,将所述历年销量数据输入至混合预测模型,对下一年的中药材销量数据进行预测;最后根据预测得到的下一年的中药材产量数据和下一年的中药材销量数据,确定下一年的中药材的产量与销量的供求关系。本发明能够根据药材历年的产量数据和历年的销量数据,基于机器学习算法对下一年的药材超量和销量进行准确预测,并根据预测结果确定药材下一年的产销供求关系,从而为药材行业从业人员提供可靠的数据支持,进而做出正确的经营决策。
第二方面,本发明提供一种基于机器学习的中药材供求关系预测装置,包括:
模型训练模块,用于获取各个中药材产区的历年生态环境数据集和历年产量数据集,将所述历年生态环境数据集和所述历年产量数据集输入至基于注意力机制的CNN-LSTM网络模型中进行训练;
其中,所述历年生态环境数据集包括历年天气数据和历年土壤数据;
产量预测模块,用于利用训练好的基于注意力机制的CNN-LSTM网络模型对下一年的中药材产量数据进行预测;
销量预测模块,获取中药材的历年销量数据集,将所述历年销量数据输入至混合预测模型,对下一年的中药材销量数据进行预测;
供求关系确定模块,用于根据预测得到的下一年的中药材产量数据和下一年的中药材销量数据,确定下一年的中药材的供求关系。
第三方面,本发明提供一种计算机可读存储介质,所述计算机可读存储介质存储有一个或者多个程序,所述一个或者多个程序可被一个或者多个处理器执行,以实现如第一方面任意一种可能的设计中所述的基于机器学习的中药材供求关系预测方法。
其中,所述可读存储介质是指存储数据的载体,可以但不限于包括软盘、光盘、硬盘、闪存、优盘和/或记忆棒(Memory Stick)等,所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。
第四方面,本发明提供一种计算机设备,包括依次通信相连的存储器、处理器和收发器,其中,所述存储器用于存储计算机程序,所述收发器用于收发消息,所述处理器用于读取所述计算机程序,执行如第一方面任意一种可能的设计中所述的基于机器学习的中药材供求关系预测方法。
具体举例的,所述存储器可以但不限于包括随机存取存储器(Random-AccessMemory,RAM)、只读存储器(Read-Only Memory,ROM)、闪存(Flash Memory)、先进先出存储器(First Input First Output,FIFO)和/或先进后出存储器(First Input Last Output,FILO)等等;所述收发器可以但不限于为WiFi(无线保真)无线收发器、蓝牙无线收发器、GPRS(General Packet Radio Service,通用分组无线服务技术)无线收发器和/或ZigBee(紫蜂协议,基于IEEE802.15.4标准的低功耗局域网协议)无线收发器等;所述处理器可以不限于采用型号为STM32F105系列的微处理器。此外,所述网关设备还可以但不限于包括有电源模块、显示屏和其它必要的部件。
第五方面,本发明提供一种包含指令的计算机程序产品,当所述指令在计算机上运行时,使所述计算机执行如第一方面任意一种可能的设计中所述的基于机器学习的中药材供求关系预测方法。其中,所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。
最后应说明的是:以上所述仅为本发明的优选实施例而已,并不用于限制本发明的保护范围。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保护范围之内。
Claims (10)
1.一种基于机器学习的中药材供求关系预测方法,其特征在于,包括:
获取各个中药材产区的历年生态环境数据集和历年产量数据集,将所述历年生态环境数据集和所述历年产量数据集输入至基于注意力机制的CNN-LSTM网络模型中进行训练;
其中,所述历年生态环境数据集包括历年天气数据和历年土壤数据;
利用训练好的基于注意力机制的CNN-LSTM网络模型对下一年的中药材产量数据进行预测;
获取中药材的历年销量数据集,将所述历年销量数据输入至混合预测模型,对下一年的中药材销量数据进行预测;
根据预测得到的下一年的中药材产量数据和下一年的中药材销量数据,确定下一年的中药材的产量与销量的供求关系。
2.根据权利要求1所述的基于机器学习的中药材供求关系预测方法,其特征在于,在将所述历年生态环境数据集和所述历年产量数据集输入至基于注意力机制的CNN-LSTM网络模型中进行训练之前,所述方法还包括:
对所述历年生态环境数据集进行归一化预处理,以使所述历年生态环境数据集中的各样本数据的方差一致。
3.根据权利要求1所述的基于机器学习的中药材供求关系预测方法,其特征在于,将所述历年生态环境数据集和所述历年产量数据集输入至基于注意力机制的CNN-LSTM网络模型中进行训练,包括:
将所述历年天气数据输入至CNN-W模型,以使所述CNN-W模型通过一维卷积来捕捉天气数据的时间依赖性,并提取天气特征;
将所述历年土壤环境输入至CNN-S模型,以使所述CNN-S模型通过一维卷积来捕捉地下不同深度测量的土壤数据的空间依赖性,并提取土壤特征;
利用CNN网络的全连接层将所述天气特征和所述土壤特征进行结合,得到所述全连接层的输出;
将所述全连接层的输出和所述历年产量数据集输入至LSTM网络单元中,并基于注意力机制对全连接层的输出和所述历年产量数据集进行特征选择。
4.根据权利要求1所述的基于机器学习的中药材供求关系预测方法,其特征在于,将所述历年销量数据输入至混合预测模型,对下一年的中药材销量数据进行预测,包括:
建立ARIMA模型,将所述历年销量数据的序列输入至所述ARIMA模型,利用所述ARIMA模型预测获取第一预测结果和多个模型预测误差;
建立基于Boosting算法的AdaBoost分类器,将多个所述模型预测误差输入至所述AdaBoost分类器进行整合和重分类,并将预测误差较大的ARIMA模型进行权值弱化,得到第二预测结果;
将所述第一预测结果和所述第二预测结果进行叠加,得到下一年的中药材销量数据预测结果。
5.根据权利要求4所述的基于机器学习的中药材供求关系预测方法,其特征在于,建立ARIMA模型,包括:
基于自相关函数和偏自相关函数,结合AIC和BIC标准确定ARIMA模型的三元组(p,d,f)的取值范围;
其中,p为历史销量数据的序列的自回归系数,d为历史销量数据的序列的差分次数d,q为历史销量数据的序列的移动平均项数。
6.根据权利要求1所述的基于机器学习的中药材供求关系预测方法,其特征在于,所述方法还包括:
将产量与销量的供求关系的预测结果发送至药材采购人员的智能终端。
7.根据权利要求1所述的基于机器学习的中药材供求关系预测方法,其特征在于,所述历年天气数据至少包括降水数据、太阳辐射数据、雪水当量数据、最高温度数据、最低温度数据和水汽压数据。
8.根据权利要求1所述的基于机器学习的中药材供求关系预测方法,其特征在于,所述历年土壤数据至少包括湿土容重数据、干容重数据、粘土比例数据、植物有效含水量上限数据、植物有效含水量下限数据、水力传导率数据、有机质比例数据、pH值数据、含砂率数据以及饱和体积含水量在不同测量深度下的变化数据。
9.一种基于机器学习的中药材供求关系预测装置,其特征在于,包括:
模型训练模块,用于获取各个中药材产区的历年生态环境数据集和历年产量数据集,将所述历年生态环境数据集和所述历年产量数据集输入至基于注意力机制的CNN-LSTM网络模型中进行训练;
其中,所述历年生态环境数据集包括历年天气数据和历年土壤数据;
产量预测模块,用于利用训练好的基于注意力机制的CNN-LSTM网络模型对下一年的中药材产量数据进行预测;
销量预测模块,用于获取中药材的历年销量数据集,将所述历年销量数据输入至混合预测模型,对下一年的中药材销量数据进行预测;
供求关系确定模块,用于根据预测得到的下一年的中药材产量数据和下一年的中药材销量数据,确定下一年的中药材的供求关系。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有一个或者多个程序,所述一个或者多个程序可被一个或者多个处理器执行,以实现如权利要求1~8任意一项所述的基于机器学习的中药材供求关系预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111532062.3A CN114219149A (zh) | 2021-12-14 | 2021-12-14 | 基于机器学习的中药材供求关系预测方法、装置和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111532062.3A CN114219149A (zh) | 2021-12-14 | 2021-12-14 | 基于机器学习的中药材供求关系预测方法、装置和介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114219149A true CN114219149A (zh) | 2022-03-22 |
Family
ID=80702130
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111532062.3A Pending CN114219149A (zh) | 2021-12-14 | 2021-12-14 | 基于机器学习的中药材供求关系预测方法、装置和介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114219149A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116579722A (zh) * | 2023-07-14 | 2023-08-11 | 四川集鲜数智供应链科技有限公司 | 一种基于深度学习的商品分销出入库管理方法 |
-
2021
- 2021-12-14 CN CN202111532062.3A patent/CN114219149A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116579722A (zh) * | 2023-07-14 | 2023-08-11 | 四川集鲜数智供应链科技有限公司 | 一种基于深度学习的商品分销出入库管理方法 |
CN116579722B (zh) * | 2023-07-14 | 2023-09-19 | 四川集鲜数智供应链科技有限公司 | 一种基于深度学习的商品分销出入库管理方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Prasad et al. | Soil moisture forecasting by a hybrid machine learning technique: ELM integrated with ensemble empirical mode decomposition | |
Wahla et al. | Assessing spatio-temporal mapping and monitoring of climatic variability using SPEI and RF machine learning models | |
Prodhan et al. | Deep learning for monitoring agricultural drought in South Asia using remote sensing data | |
Liang et al. | Long-term streamflow forecasting using SWAT through the integration of the random forests precipitation generator: case study of Danjiangkou Reservoir | |
Peña-Arancibia et al. | Dynamic identification of summer cropping irrigated areas in a large basin experiencing extreme climatic variability | |
Endalie et al. | Deep learning model for daily rainfall prediction: case study of Jimma, Ethiopia | |
Manley et al. | A review of machine learning and big data applications in addressing ecosystem service research gaps | |
Feizizadeh et al. | A comparison of the integrated fuzzy object-based deep learning approach and three machine learning techniques for land use/cover change monitoring and environmental impacts assessment | |
Ma et al. | Regional-scale rice-yield estimation using stacked auto-encoder with climatic and MODIS data: A case study of South Korea | |
Wieland et al. | Using Shapley additive explanations to interpret extreme gradient boosting predictions of grassland degradation in Xilingol, China | |
Roushangar et al. | Entropy-based analysis and regionalization of annual precipitation variation in Iran during 1960–2010 using ensemble empirical mode decomposition | |
Patel et al. | Review of artificial intelligence and internet of things technologies in land and water management research during 1991–2021: A bibliometric analysis | |
Ikram et al. | Crop Yield Maximization Using an IoT‐Based Smart Decision | |
CN117540908B (zh) | 基于大数据的农业资源整合方法和系统 | |
Jin et al. | Mapping the annual dynamics of cultivated land in typical area of the Middle-lower Yangtze plain using long time-series of Landsat images based on Google Earth Engine | |
CN117236199B (zh) | 城市水网区域河湖水质提升与水安全保障方法及系统 | |
Maity et al. | Potential of Deep Learning in drought assessment by extracting information from hydrometeorological precursors | |
Bhatnagar et al. | Crop yield estimation using decision trees and random forest machine learning algorithms on data from terra (EOS AM-1) & Aqua (EOS PM-1) satellite data | |
Saha et al. | Groundwater depth forecasting using machine learning and artificial intelligence techniques: a survey of the literature | |
Tamil Selvi et al. | Lemuria: a novel future crop prediction algorithm using data mining | |
CN114219149A (zh) | 基于机器学习的中药材供求关系预测方法、装置和介质 | |
Shuanglong et al. | Patterns and driving forces of cropland abandonment in mountainous areas | |
Cai et al. | An automatic trough line identification method based on improved UNet | |
Zhang et al. | High resolution annual irrigation water use maps in China based-on input variables selection and convolutional neural networks | |
Mamun et al. | Suspended sediment load prediction using hybrid bagging-based heuristic search algorithm |
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 |