CN114723485A - 一种农产品竞争力模型的构建方法和系统 - Google Patents

一种农产品竞争力模型的构建方法和系统 Download PDF

Info

Publication number
CN114723485A
CN114723485A CN202210354565.4A CN202210354565A CN114723485A CN 114723485 A CN114723485 A CN 114723485A CN 202210354565 A CN202210354565 A CN 202210354565A CN 114723485 A CN114723485 A CN 114723485A
Authority
CN
China
Prior art keywords
agricultural product
competitiveness
model
agricultural
historical
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.)
Granted
Application number
CN202210354565.4A
Other languages
English (en)
Other versions
CN114723485B (zh
Inventor
孙彤
黄桂恒
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.)
Brick Suzhou Agricultural Internet Co ltd
Original Assignee
Brick Suzhou Agricultural Internet 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 Brick Suzhou Agricultural Internet Co ltd filed Critical Brick Suzhou Agricultural Internet Co ltd
Priority to CN202210354565.4A priority Critical patent/CN114723485B/zh
Publication of CN114723485A publication Critical patent/CN114723485A/zh
Application granted granted Critical
Publication of CN114723485B publication Critical patent/CN114723485B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • 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
    • G06N3/045—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
    • G06Q30/0206—Price or cost determination based on market factors
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Finance (AREA)
  • Development Economics (AREA)
  • Accounting & Taxation (AREA)
  • Data Mining & Analysis (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • General Business, Economics & Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • General Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Game Theory and Decision Science (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Marine Sciences & Fisheries (AREA)
  • Animal Husbandry (AREA)
  • Agronomy & Crop Science (AREA)
  • Mining & Mineral Resources (AREA)
  • Human Resources & Organizations (AREA)
  • Primary Health Care (AREA)
  • Tourism & Hospitality (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (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竞争力模型的构建方法和系统，该方法包括：获取历史农产品特征集合，该农产品特征集合至少包括产地、品名和销售地；获取农产品在销售地的历史竞争力，该竞争力是指该农产品在同类产品中的销售占比；基于历史农产品特征集合和历史竞争力，通过机器学习模型构建农产品竞争力模型，该农产品竞争力模型用于根据农产品的特征集合预测农产品的竞争力，用户根据该农产品的竞争力调整策略。

Description

一种农产品竞争力模型的构建方法和系统
技术领域
本说明书涉及模型构建领域，特别涉及一种农产品竞争力模型的构建方法和系统。
背景技术
农产品是农业中生产的产品，提高农产品的销售能力在促进农业发展、增加农民收入方面发挥了不可忽视的作用。目前针对农产品竞争力的评估，主要依靠官方统计数据，粒度较粗，覆盖面也较窄，难以反映农产品实际的竞争力。
因此，希望可以提供一种农产品竞争力模型的构建方法，使得构建的模型可以更好的预测农产品的竞争力，以便于区域农产品的管理者明确竞争力的强项及短板，有效调整相关策略，提升区域农产品的竞争力。
发明内容
本说明书一个或多个实施例提供一种农产品竞争力模型的构建方法。所述农产品竞争力模型的构建方法包括：获取历史农产品特征集合；农产品特征集合至少包括产地、品名和销售地；获取所述农产品在所述销售地的历史竞争力；竞争力是指农产品在同类产品中的销售占比；基于所述历史农产品特征集合和所述历史竞争力，通过机器学习模型构建农产品竞争力模型；所述农产品竞争力模型用于根据农产品的特征集合预测农产品的竞争力；用户根据所述农产品的竞争力调整策略。
本说明书一个或多个实施例提供一种农产品竞争力模型的构建系统。所述农产品竞争力模型的构建系统包括：第一获取模块，用于获取历史农产品特征集合；农产品特征集合至少包括产地、品名和销售地；第二获取模块，用于获取所述农产品在所述销售地的历史竞争力；所述竞争力是指农产品在同类产品中的销售占比；模型构建模块，用于基于所述历史农产品特征集合和所述历史竞争力，通过机器学习模型构建农产品竞争力模型；所述农产品竞争力模型用于根据农产品的特征集合预测农产品的竞争力；用户根据所述农产品的竞争力调整策略。
本说明书一个或多个实施例提供一种农产品竞争力模型的构建装置，包括处理器，所述处理器用于执行上述任一项所述的农产品竞争力模型的构建方法。
本说明书一个或多个实施例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，计算机执行上述任一项所述的农产品竞争力模型的构建方法。
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一种农产品竞争力模型的构建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一种农产品竞争力模型的构建系统的示例性模块图；
图3是根据本说明书一些实施例所示的一种农产品竞争力模型的构建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农产品竞争力模型预测农产品的竞争力的示例性示意图；
图5是根据本说明书一些实施例所示的农产品竞争力模型的功能和训练的示例性示意图。
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。
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一种农产品竞争力模型的构建系统的应用场景示意图。
如图1所示，农产品竞争力模型的构建系统的应用场景示意图100可以包括农产品110、第一处理设备120、第二处理设备140、农产品及该农产品的同类产品160、网络150和存储设备170。
农产品竞争力模型的构建系统可以用于构建农产品竞争力模型，然后通过构建的农产品竞争力模型预测农产品的竞争力，使得用户可以根据预测的竞争力制定更好的策略，如，种植策略、销售策略等。例如，基于某产地的农产品在某销售地的历史销售数据，构建以该产地和该销售地为基础的农产品竞争力模型，然后基于农产品竞争力模型预测该产地的多种农产品在该销售地的竞争力，然后基于竞争力的高低，确定将哪些农产品销售到该销售地，以及对应的销售价格等。关于农产品竞争力模型、竞争力和策略的更多内容，参见图3及其相关描述。
农产品110可以为农业生产的物品。农产品110可以包括蔬菜、水果、谷物、牛奶等。第一处理设备120可以通过各种可行的方式获取农产品的数据，农产品的数据可以指用于描述农产品特性的各种数据，该数据可以被用于农产品竞争力模型122，从而预测农产品的竞争力130。在一些实施例中，农产品的数据可以被打包为农产品特征集合。关于农产品特征集合的更多内容，参见图2及其相关描述。
第一处理设备120可以处理从其他设备或系统组成部分中获得的数据和/或信息。第一处理设备120可以基于这些数据、信息和/或处理结果执行程序指令，以执行一个或多个本申请中描述的功能。例如，第一处理设备120可以对输入的农产品特征集合进行处理，得到预测的农产品的竞争力130。关于农产品的竞争力的更多内容，参见图2及其相关描述。在一些实施例中，第一处理设备120可以包含一个或多个子处理设备(例如，单核处理设备或多核多芯处理设备)。在一些实施例中，农产品竞争力模型122可以运行在第一处理设备120中。农产品竞争力模型122可以通过第二处理设备140处理得到。关于农产品竞争力模型的更多内容，参见图2及其相关描述。
第二处理设备140可以处理从其他设备或系统组成部分中获得的数据和/或信息。例如，第二处理设备140可以获取并处理农产品和该农产品的同类产品160的历史数据。第二处理设备140可以基于这些数据、信息和/或处理结果执行程序指令，以执行一个或多个本申请中描述的功能。例如，第二处理设备140可以基于农产品和该农产品的同类产品的历史数据训练初始农产品竞争力模型142，得到农产品竞争力模型122。在一些实施例中，第二处理设备140可以包含一个或多个子处理设备(例如，单核处理设备或多核多芯处理设备)。在一些实施例中，初始农产品竞争力模型142可以运行在第二处理设备140中。关于历史数据、农产品竞争力模型和初始农产品竞争力模型的更多内容，参见图2及其相关描述。
关于农产品的同类产品160的具体内容，参见图2及其相关描述。第二处理设备140可以通过各种可行的方式获取农产品及该农产品的同类产品的数据，包括但不限于相机获取，筛选历史数据、用户直接输入等。
网络150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150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信。例如，第二处理设备140通过网络150将训练好的模型参数信息传输至第一处理设备120进行处理，第一处理设备120通过网络150获取存储设备170中的数据，并基于农产品110的数据获取农产品的竞争力130。在一些实施例中，网络150可以是有线网络或无线网络中的任意一种或多种。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。
存储设备170可以用于存储数据和/或指令。例如，第一处理设备120可以基于农产品110的数据和存储设备170中的数据获取农产品的竞争力130。存储设备170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，所述存储设备170可在云平台上实现。
图2是根据本说明书一些实施例所示的一种农产品竞争力模型的构建系统的示例性模块图。
在一些实施例中，农产品竞争力模型的构建系统200可以包括第一获取模块210、第二获取模块220和模型构建模块230。
第一获取模块210可以用于获取历史农产品特征集合。其中，农产品特征集合至少包括产地、品名和销售地。关于农产品特征集合的更多内容，参见图3及其相关描述。
在一些实施例中，农产品特征集合可以包括宣传能力特征。关于宣传能力特征的更多内容，参见图3及其相关描述。
在一些实施例中，农产品特征集合可以包括地域交通关联度特征。其中，地域交通关联度特征至少包括从产地到销售地之间的运输方式和运输情况。在一些实施例中，地域交通关联度特征可以包括农产品的保鲜期。其中，保鲜期可以用于确定将该农产品运输到销售地的运输方式。关于地域交通关联度特征及保鲜期的更多内容，参见图3及其相关描述。
在一些实施例中，农产品特征集合可以包括时域信息。关于时域信息的更多内容，参见图4及其相关描述。
第二获取模块220可以用于获取农产品在销售地的历史竞争力。其中，竞争力是指农产品在同类产品中的销售占比。关于历史竞争力的更多内容，参见图3及其相关描述。
模型构建模块230可以用于基于历史农产品特征集合和历史竞争力，通过机器学习模型构建农产品竞争力模型。其中，农产品竞争力模型可以用于根据农产品的特征集合预测农产品的竞争力；用户可以根据农产品的竞争力调整策略。关于策略、农产品竞争力模型及其构建方法的更多内容，参见图3及其相关描述。
在一些实施例中，农产品竞争力模型可以按时域信息对农产品特征集合进行分类，得到多个不同时间段的农产品特征集合，将多个不同时间段的农产品特征集合输入农产品竞争力模型，农产品竞争力模型中的嵌入层按时序对输入的农产品特征集合进行处理，得到时序特征，时序特征包括农产品在不同时间段的多个农产品特征集合，农产品竞争力模型中的神经网络层对时序特征进行处理，得到农产品在不同时间段的竞争力，农产品竞争力模型中的输出层将不同时间段的竞争力输出。关于时序特征、农产品竞争力模型的更多内容，参见图4及其相关描述。
在一些实施例中，模型构建模块230可以用于基于历史农产品特征集合和历史竞争力建立训练样本，训练样本的标签为历史竞争力，将该训练样本输入机器学习模型，基于模型的输出和历史竞争力调整机器学习模型的参数，得到训练好的农产品竞争力模型。关于训练样本及训练方式的更多内容，参见图5及其相关描述。
应当理解，图2所示的系统及其模块可以利用各种可行的方式来实现。
需要注意的是，以上对于农产品竞争力模型的构建系统200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2中披露的第一获取模块210、第二获取模块220和模型构建模块230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。
图3是根据本说明书一些实施例所示的一种农产品竞争力模型的构建方法的示例性流程图。在一些实施例中，流程300中的一个或多个步骤可以由农产品竞争力模型的构建系统执行。如图3所示，流程300可以包括一个或多个以下步骤：
步骤310，获取历史农产品特征集合。在一些实施例中，步骤310可以由第一获取模块210执行。
农产品特征集合可以为由农产品的多个特征组成的集合。农产品特征集合至少包括产地、品名和销售地等。例如，农产品可以为番茄，番茄的产地A、销售地B、名称番茄、成熟程度、品质情况等数据可以被打包作为农产品特征集合。
在一些实施例中，农产品特征集合可以包括多种农产品的多种特征。例如，番茄的产地A、销售地B和黄瓜的产地A和销售地B等。
历史农产品特征集合可以为该产地历史上的农产品的特征组成的集合。例如，产地A前一个月的番茄的销售地、成熟程度和品质情况组成的集合。
在一些实施例中，处理设备可以通过各种可行的方式获取农产品的特征，包括但不限于从网络获取、从存储设备输入和/或用户直接输入等。处理设备还可以对获取的农产品的特征进行筛选，将筛选出的农产品的特征作为农产品特征集合。例如，处理设备可以获取农产品当前的图像，并对获取的图像进行处理，得到农产品的成熟度和品质情况。处理设备可以通过获取农产品特征集合的方式获取历史农产品特征集合。在一些实施例中，处理设备可以将获取的农产品特征集合进行存储。例如，存储在存储设备170中。处理设备可以将之前存储的农产品特征集合提取为历史农产品特征集合。
步骤320，获取农产品在销售地的历史竞争力。在一些实施例中，步骤320可以由第二获取模块220执行。
农产品的竞争力130是指农产品在多方参与的商业市场中进行竞争或比较而体现出来的能力。在一些实施例中，农产品的竞争力可以是某产地的农产品在某销售地的同类产品中的销售占比。同类产品可以是指与待测农产品的品类相同的其他农产品。待测农产品可以为需要进行竞争力预测的农产品。例如，番茄属于蔬菜类，其同类产品可以为黄瓜、白菜等蔬菜。在一些实施例中，可以根据待测农产品的销售量与该类农产品的销售总量的比值确定竞争力。例如，番茄的同类产品可以包括黄瓜和白菜，番茄的销售量可以为3吨/天、黄瓜的销售量可以为5吨/天、白菜的销售量可以为4吨/天，那么番茄的竞争力可以为0.25。在一些实施例中，竞争力可以被分为多个级别，按级别的高低确定农产品的竞争力的强弱。例如，可以将农产品的销售量与该类农产品的销售总量的比值大于等于0.7的定义为竞争力高，小于等于0.3的定义为竞争力低，在0.3-0.7之间的定义为竞争力中。历史竞争力可以为农产品在历史上的竞争力。例如，前一个月、前一年或前一季番茄的竞争力。
在一些实施例中，第一处理设备120可以将农产品特征集合输入农产品竞争力模型，模型输出该农产品的竞争力。关于农产品竞争力模型的更多内容，参见图4、图5及其相关描述。
在一些实施例中，第二处理设备140可以通过各种可行的方式获取农产品的历史竞争力，包括但不限于网络抓取、用户直接输入等。
步骤330，基于历史农产品特征集合和历史竞争力，通过机器学习模型构建农产品竞争力模型。在一些实施例中，步骤330可以由模型构建模块230执行。
农产品竞争力模型用于根据农产品的特征集合预测农产品的竞争力。例如，将番茄的产地A和销售地B输入农产品竞争力模型，模型输出预测的番茄的竞争力。在一些实施例中，农产品竞争力模型可以包括各种可行的机器学习模型，包括但不限于线性回归、神经网络等。关于农产品竞争力模型的更多内容，参见图4、图5及其相关描述。
在一些实施例中，可以采用各种数据分析算法，例如回归分析法、判别分析法等，利用农产品特征集合和竞争力对机器学习模型进行训练，构建农产品竞争力模型。
在一些实施例中，第二处理设备140可以构建训练样本，通过训练样本训练初始农产品竞争力模型，得到训练好的农产品竞争力模型。关于训练样本、初始农产品竞争力模型和农产品竞争力模型的更多内容，参见图5及其相关描述。
在一些实施例中，用户可以根据构建的农产品竞争力模型预测农产品的竞争力，通过预测的农产品的竞争力明确该农产品在销售地的优势和劣势，进而调整农产品的种植策略和销售策略，提升农产品在销售地的竞争力。种植策略可以为农产品的种植计划。例如，何时播种、如何培育、培育到何种程度进行销售等。在一些实施例中，处理设备可以根据农产品每个月的竞争力，确定播种时间。销售策略可以为销售农产品的计划。例如，对番茄进行预测得到的竞争力显示，产地A的番茄与销售地B的同类产品相比，品质更优、外观更完整、口感更好，因此，可以将销往B地的番茄的定价略高于同类产品的价格。
本说明书中的一些实施例，通过历史农产品特征集合和历史竞争力构建农产品竞争力模型，可以使得构建的农产品竞争力模型能更好的预测农产品的竞争力。通过将需要预测竞争力的农产品特征集合输入农产品竞争力模型，模型输出竞争力，可以提高预测的竞争力的准确度。
在一些实施例中，农产品特征集合还包括地域交通关联度特征。
地域交通关联度特征可以表示农产品的产地与销售地之间的交通关系。例如，地域交通关联度特征至少可以包括从产地到销售地之间的运输方式和运输情况。运输方式可以包括但不限于货车运输、客车运输、火车运输等。运输情况可以包括但不限于单次运输量、运输时长、路段颠簸程度等。
在一些实施例中，处理设备可以将地域交通关联度特征提取为一个运输特征向量。例如，从产地A到销售地B进行销售的番茄，采用客运方式，单次运输量为3吨，可以被提取为向量(A，B，客运，3)。
在一些实施例中，考虑到某些农产品受运输影响较大，因此，处理设备还可以用单层神经网络对运输特征向量进行加权。例如，单层神经网络可以根据农产品的类型确定其受运输的影响程度，并按程度高低对该农产品的运输特征向量进行加权。示例性的，在运输途中，农产品会受到挤压，运输的影响程度可以根据农产品的耐挤压程度确定，像土豆这类挤压不容易坏的农产品可以认为受运输的影响程度低。相反，像葡萄这类容易因挤压受到损坏的农产品可以认为受运输的影响程度高。因此，可以根据农产品耐挤压程度的高低对运输特征向量进行加权。例如，土豆对应的运输特征向量的权值可以小于1，而葡萄对应的特征向量的权值可以大于1，对农产品的特征向量进行加权的具体权值可以根据经验设置。
在一些实施例中，可以通过各种可行的方式获取地域交通关联度特征，包括但不限于网络抓取、提取历史运输数据等。
本说明书中的一些实施例，通过在农产品特征集合中加入地域交通关联度特征，使得后续根据农产品特征集合得到的农产品的竞争力更准确，根据竞争力确定的策略更完备。例如，需要在产地A和销售地B之间销售某一农产品，由于产地A和销售地B之间距离很远，客运需要运输10天才能到达，因此，用户在制定将产地A处的农产品销售到销售地B处的销售策略时，土豆可以直接采用客运，而葡萄需要采用成本更高的空运等方式。可以理解的，由于运输方式的不同，农产品的成本不同，因此农产品在销售地B的销售价格会根据运输方式波动，而销售价格可以直接影响农产品的竞争力，所以用户可以根据竞争力确定如何运输和定价。示例性的，由于销售地B过远，将葡萄运输到B地的成本高昂，使得A地的葡萄在B地销售的定价过高，因而缺乏竞争力，因此，可以将葡萄销售到距离A地更近的C地。而对于土豆，运输成本低，使得A地的土豆可以在B地以较低的价格销售，因而竞争力高，因此，可以考虑将土豆销售到B地。
在一些实施例中，地域交通关联度特征还包括农产品的保鲜期，可以根据保鲜期确定将该农产品运输到所述销售地的运输方式。
保鲜期可以是指农产品保持新鲜的时长。例如，对于番茄，可以将番茄从采摘到开始腐坏的时间长度作为番茄的保鲜期。在一些实施例中，由于季节对农产品的保鲜期也有一定的影响，因此，根据季节的不同，同一农产品的保鲜期也不同，其对应的运输方式也可能会有所变化。例如，对于蔬菜类的农产品，其在夏季的保鲜期较短，因此可以采用运输速度更快的空运；而在冬季，其保鲜期更长，因此可以采用成本更低的客运方式。
由于不同的农产品的保鲜期不同，因此，为了进一步降低成本；在一些实施例中，可以根据农产品的保鲜期确定更廉价的运输方式。例如，对于保鲜期较长的土豆，可以采用客运的方式。又例如，对于保鲜期较短的生菜，可以采用空运的方式。以避免由于运输不及时造成农产品不新鲜，使得农产品滞销。
在一些实施例中，农产品特征集合还包括宣传能力特征；农产品竞争力模型还可以输出农产品在不同宣传能力下的竞争力。
宣传能力特征可以表示对消费者宣传该农产品的程度。宣传能力特征的高低可以通过宣传方式体现。例如，对于电商平台，可以将电商平台展示在前10条的农产品的宣传能力特征认为是高。又例如，对于同一产地供应的农产品，可能有多个经销商，由于每个经销商的品牌热度比不同，所以不同经销商销售的农产品的宣传能力特征可能会有所不同。示例性，对于品牌热度高的经销商A销售的农产品的宣传能力特征可以认为是高。品牌热度比可以是指经销商销售的农产品与其他经销商销售同类农产品的平均热度的比值分布。在一些实施例中，品牌热度比可以基于电商平台数据获得。
在一些实施例中，宣传能力特征可以受多个影响因素影响。影响因素可以包括但不限于农产品在电商平台的展示位置、农产品的经销商等，因此，可以通过该农产品的展示位置和经销商等因素共同确定该农产品的宣传能力特征。
本说明书中的一些实施例，通过农产品竞争力模型基于宣传能力特征输出的农产品的竞争力，用户可以根据宣传能力特征对该农产品的影响高低，确定合适的宣传力度。
在一些实施例中，农产品特征集合还包括价格比特征。
价格比可以用于表示所述农产品与其同类产品的平均价格的比值。处理设备可以根据各种可行的方式对农产品进行分类，得到农产品的同类产品。例如，可以根据农产品的种类进行分类，如蔬菜类、水果类、主食类。示例性的，番茄的同类产品可以包括黄瓜、白菜。处理设备可以根据同类产品的定价确定农产品的竞争力。例如，番茄的价格为2元、其同类产品黄瓜的价格为3元、白菜的价格为3元，因此，可以将番茄的价格2元与同类产品黄瓜和白菜的价格的平均值3的比值作为番茄的价格比2/3。在一些实施例中，价格比特征可以用向量表示。例如，前述举例的番茄的价格比特征可以为(2/3，3)。价格比可以反应该农产品在同类产品中价格的高低。
在一些实施例中，由于不同时间同一农产品的价格有所不同；因此，对于不同时间的农产品，其价格比有所不同。因此，价格比特征还可以包括时间信息。
在一些实施例中，可以通过各种可行的方式获取农产品的价格比特征，包括但不限于抓取电商平台的价格进行数据处理等。
对于农产品不同的价格比，其销售量有所不同。因此，可以根据农产品的价格比和竞争力的关系确定农产品的定价，以确保农产品不滞销。。
应当注意的是，上述有关农产品竞争力模型的构建方法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农产品竞争力模型的构建方法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农产品竞争力模型预测农产品的竞争力的示例性示意图。在一些实施例中，示意图400中示意的一个或多个流程可以由第一处理设备120执行。如图4所示，示意图400示意的流程可以包括一个或多个以下步骤：
步骤410，按时域信息对农产品特征集合进行分类，得到多个不同时间段的农产品特征集合。
时域信息可以是指与时间相关的信息。例如，采集农产品特征集合的时间段。
在一些实施例中，采集的农产品特征还包括时域信息，处理设备可以基于农产品特征的时域信息对农产品特征集合中的农产品特征进行分类，得到多个不同时间段的农产品特征集合。例如，采集番茄的特征的时候可以为其附上采集时间，基于采集时间对番茄的特征进行分类。示例性地，可以将番茄的采集时间分为t0-t1、t1-t2、…、tn-1-tn这n类。然后将采集时间对应的番茄的特征进行组合，得到n个不同时间段的番茄的特征集合。
步骤420，将多个不同时间段的农产品特征集合输入农产品竞争力模型。
步骤430，农产品竞争力模型中的嵌入层按时序对输入的农产品特征集合进行处理，得到时序特征。
时序特征可以为包含有时间信息的农产品的特征序列。所述时序特征包括农产品在不同时间段的多个农产品特征集合。例如，农产品特征集合I可以为：产地A的番茄在2月时的销售地为B、运输方式为客运、运输时间为4天；农产品特征集合II可以为：产地A的番茄在3月的销售地为B、运输方式为火车运输、运输时间为2天。因此，该番茄的时序特征可以为[(A，B，番茄，客运，4)；(A，B，番茄，火车，2)]。
农产品竞争力模型中的嵌入层可以对输入的不同时间段的农产品特征集合进行处理，得到多个不同时间段的时序特征。例如，可以将前述农产品特征集合I和II输入嵌入层，嵌入层输出时序特征[(A，B，番茄，客运，4)；(A，B，番茄，火车，2)]。
在一些实施例中，时序特征至少包括与季节相关的时令信息，以将所述农产品按季节分为多个时间段。
可以理解的，由于农产品受季节影响，所以可以按时令信息采集农产品特征，得到包含时令信息的农产品特征集合，所以对农产品特征集合进行分类的时候可以按季节对农产品特征进行分类，得到春夏秋冬四个季节的农产品特征集合。
本说明书中的一些实施例，通过按时令信息划分农产品特征，得到不同季节的农产品特征集合，可以使得模型输出的竞争力与季节相关，用户可以根据季节确定销售策略。例如，竞争力显示番茄在夏季的竞争力高于同类农产品，在冬季明显低于同类农产品，因此，在夏季可以供应更多的番茄进行销售，冬季供应少量的番茄进行销售。
农产品特征集合包括地域交通关联度特征，地域交通关联度特征的时序信息通过历史数据中不同时间段的运输情况得到。
历史数据可以是指历史上将农产品从产地运输到销售地的运输数据。例如，前一个月将番茄从产地A运输到销售地B的运输时间、运输路况等。在一些实施例中，历史数据也可以是其他时间的数据，包括但不限于前几个月、前一季、前一年等的运输数据。
在一些实施例中，交通关联度特征的时序信息可以通过提取历史数据得到。例如，可以将前一年对应时间段的运输时间和运输路况等作为预测的时间段的交通关联度特征。示例性的，可以将前一年一月通过铁路运输农产品的时间作为今年一月通过铁路运输农产品的时间。在另一些实施例中，可以通过网络提取产地与销售地之间的交通的路况，然后将提取的路况进行处理得到交通关联度特征。例如，可以将近来一个月司机上传的产地到销售地的运输时间和运输路段情况作为交通关联度特征。
步骤440，农产品竞争力模型中的神经网络层对时序特征进行处理，得到农产品在不同时间段的竞争力。
例如，神经网络层可以为卷积神经网络，通过卷积神经网络的一个卷积核可以提取时序特征中的一种特征，通过多个不同的卷积核可以提取时序特征中多个不同的特征，卷积神经网络可以对提取的特征进行处理，得到农产品在不同时间段的竞争力。例如，将步骤430中的时序特征[(A，B，番茄，客运，4)；(A，B，番茄，火车，2)]输入神经网络层，神经网络层可以输出番茄在2月的竞争力和番茄在三月的竞争力。
步骤450，农产品竞争力模型中的输出层将不同时间段的竞争力输出。例如，输出层可以将多个时间段的竞争力组合后输出。
图5是根据本说明书一些实施例所示的农产品竞争力模型的功能和训练的示例性示意图。在一些实施例中，示意图500中示意的一个或多个流程可以由模型构建模块230执行。如图5所示，示意图500示意的流程可以包括一个或多个以下内容：
第一处理设备120将农产品特征集合510输入农产品竞争力模型122，模型输出该农产品对应的竞争力130。
第二处理设备140基于历史农产品特征集合530和历史竞争力540建立训练样本520。
例如，第二处理设备140可以将历史农产品特征集合530作为训练样本，将历史竞争力540作为训练样本的标签，建立最终的带有标签的训练样本520。
关于历史农产品特征集合和历史竞争力的更多内容，参见图3及其相关描述。
第二处理设备140可以将训练样本520输入机器学习模型，基于模型的输出和历史竞争力540调整机器学习模型的参数，得到训练好的农产品竞争力模型122。
例如，第二处理设备140可以将多个带有标签的训练样本520输入初始农产品竞争力模型，通过标签和初始农产品竞争力模型的结果构建损失函数，基于损失迭代更新初始农产品竞争力模型的参数。当初始农产品竞争力模型的损失函数满足预设条件时模型训练完成，得到训练好的农产品竞争力模型。其中，预设条件可以包括损失函数收敛、迭代次数达到阈值等。训练方法包括但不限于梯度下降法、正则化和共轭梯度法等。
机器学习模型可以是任何可行的模型，包括但不限于RNN、LSTM等。
本说明书中的一个或多个实施例还提供一种农产品竞争力模型的构建装置，包括处理器，所述处理器用于执行上述任一项所述的农产品竞争力模型的构建方法。
本说明书中的一个或多个实施例还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，计算机执行上述任一项所述的农产品竞争力模型的构建方法。
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。
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。
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)

1.一种农产品竞争力模型的构建方法，其特征在于，包括以下步骤：
获取历史农产品特征集合；农产品特征集合至少包括产地、品名和销售地；
获取所述农产品在所述销售地的历史竞争力；竞争力是指农产品在同类产品中的销售占比；
基于所述历史农产品特征集合和所述历史竞争力，通过机器学习模型构建农产品竞争力模型；所述农产品竞争力模型用于根据农产品的特征集合预测农产品的竞争力；用户根据所述农产品的竞争力调整策略。
2.如权利要求1所述的农产品竞争力模型的构建方法，其特征在于，所述农产品特征集合还包括宣传能力特征；所述农产品竞争力模型输出所述农产品在不同宣传能力下的竞争力。
3.如权利要求1所述的农产品竞争力模型的构建方法，其特征在于，所述农产品特征集合还包括时域信息；所述农产品竞争力模型预测农产品的竞争力，包括：
按所述时域信息对所述农产品特征集合进行分类，得到多个不同时间段的农产品特征集合；
将所述多个不同时间段的所述农产品特征集合输入所述农产品竞争力模型；
所述农产品竞争力模型中的嵌入层按时序对输入的所述农产品特征集合进行处理，得到时序特征；所述时序特征包括所述农产品在不同时间段的多个农产品特征集合；
所述农产品竞争力模型中的神经网络层对所述时序特征进行处理，得到所述农产品在不同时间段的竞争力；
所述农产品竞争力模型中的输出层将所述不同时间段的竞争力输出。
4.如权利要求1所述的农产品竞争力模型的构建方法，其特征在于，所述农产品特征集合还包括价格比特征；所述价格比用于表示所述农产品与其同类产品的平均价格的比值。
5.如权利要求1-4所述的农产品竞争力模型的构建方法，其特征在于，所述通过机器学习模型构建农产品竞争力模型包括：
基于所述历史农产品特征集合和所述历史竞争力建立训练样本；所述训练样本的标签为所述历史竞争力；
将所述训练样本输入所述机器学习模型，基于模型的输出和所述历史竞争力调整机器学习模型的参数，得到训练好的所述农产品竞争力模型。
6.一种农产品竞争力模型的构建系统，其特征在于，包括以下模块：
第一获取模块，用于获取历史农产品特征集合；农产品特征集合至少包括产地、品名和销售地；
第二获取模块，用于获取所述农产品在所述销售地的历史竞争力；所述竞争力是指农产品在同类产品中的销售占比；
模型构建模块，用于基于所述历史农产品特征集合和所述历史竞争力，通过机器学习模型构建农产品竞争力模型；所述农产品竞争力模型用于根据农产品的特征集合预测农产品的竞争力；用户根据所述农产品的竞争力调整策略。
7.如权利要求6所述的农产品竞争力模型的构建系统，其特征在于，所述农产品特征集合还包括时域信息；所述农产品竞争力模型预测农产品的竞争力，包括：
按所述时域信息对所述农产品特征集合进行分类，得到多个不同时间段的农产品特征集合；
将所述多个不同时间段的所述农产品特征集合输入所述农产品竞争力模型；
所述农产品竞争力模型中的嵌入层按时序对输入的所述农产品特征集合进行处理，得到时序特征；所述时序特征包括所述农产品在不同时间段的多个农产品特征集合；
所述农产品竞争力模型中的神经网络层对所述时序特征进行处理，得到所述农产品在不同时间段的竞争力；
所述农产品竞争力模型中的输出层将所述不同时间段的竞争力输出。
8.如权利要求6所述的农产品竞争力模型的构建系统，其特征在于，所述模型构建模块还用于基于所述历史农产品特征集合和所述历史竞争力建立训练样本；所述训练样本的标签为所述历史竞争力；将所述训练样本输入所述机器学习模型，基于模型的输出和所述历史竞争力调整机器学习模型的参数，得到训练好的所述农产品竞争力模型。
9.一种农产品竞争力模型的构建装置，其特征在于，包括处理器，所述处理器用于执行权利要求1-5中任一项所述的农产品竞争力模型的构建方法。
10.一种计算机可读存储介质，其特征在于，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1-5中任一项所述的农产品竞争力模型的构建方法。
CN202210354565.4A 2022-04-06 2022-04-06 一种农产品竞争力模型的构建方法和系统 Active CN114723485B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210354565.4A CN114723485B (zh) 2022-04-06 2022-04-06 一种农产品竞争力模型的构建方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210354565.4A CN114723485B (zh) 2022-04-06 2022-04-06 一种农产品竞争力模型的构建方法和系统

Publications (2)

Publication Number Publication Date
CN114723485A true CN114723485A (zh) 2022-07-08
CN114723485B CN114723485B (zh) 2023-04-07

Family

ID=82242377

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210354565.4A Active CN114723485B (zh) 2022-04-06 2022-04-06 一种农产品竞争力模型的构建方法和系统

Country Status (1)

Country Link
CN (1) CN114723485B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106600302A (zh) * 2015-10-19 2017-04-26 玺阅信息科技（上海）有限公司 基于Hadoop的商品推荐系统
CN112053182A (zh) * 2020-08-05 2020-12-08 北京一人一亩田网络科技有限公司 鲜活农产品的竞争力的评估方法和系统
CN113469746A (zh) * 2021-07-09 2021-10-01 布瑞克农业大数据科技集团有限公司 一种农产品预测方法和系统
CN113487359A (zh) * 2021-07-12 2021-10-08 润联软件系统(深圳)有限公司 基于多模态特征的商品销量预测方法、装置及相关设备
CN114219520A (zh) * 2021-11-19 2022-03-22 江苏业派生物科技有限公司 基于大数据分析的鲜活农产品数据挖掘整合系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106600302A (zh) * 2015-10-19 2017-04-26 玺阅信息科技（上海）有限公司 基于Hadoop的商品推荐系统
CN112053182A (zh) * 2020-08-05 2020-12-08 北京一人一亩田网络科技有限公司 鲜活农产品的竞争力的评估方法和系统
CN113469746A (zh) * 2021-07-09 2021-10-01 布瑞克农业大数据科技集团有限公司 一种农产品预测方法和系统
CN113487359A (zh) * 2021-07-12 2021-10-08 润联软件系统(深圳)有限公司 基于多模态特征的商品销量预测方法、装置及相关设备
CN114219520A (zh) * 2021-11-19 2022-03-22 江苏业派生物科技有限公司 基于大数据分析的鲜活农产品数据挖掘整合系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
王保利等: "如何评估农产品品牌竞争力", 《统计与决策》 *

Also Published As

Publication number Publication date
CN114723485B (zh) 2023-04-07

Similar Documents

Publication Publication Date Title
Ribeiro et al. Modelling drought-related yield losses in Iberia using remote sensing and multiscalar indices
Lee et al. Pre-harvest forecasting of county wheat yield and wheat quality using weather information
Eugenio et al. Estimation of soybean yield from machine learning techniques and multispectral RPAS imagery
Sonka et al. Valuing climate forecast information
CN113469746A (zh) 一种农产品预测方法和系统
de Souza Rolim et al. Climate and natural quality of Coffea arabica L. drink
El-Habba et al. The competitiveness of the Saudi Arabian date palm: An analytical study
Kumar R et al. Multi class grading and quality assessment of pomegranate fruits based on physical and visual parameters
Essah et al. An intelligent cocoa quality testing framework based on deep learning techniques
Antony Prediction of the production of crops with respect to rainfall
Bonfante et al. Terroir analysis and its complexity: This article is published in cooperation with Terclim 2022 (XIVth International Terroir Congress and 2nd ClimWine Symposium), 3-8 July 2022, Bordeaux, France.
CN114723485B (zh) 一种农产品竞争力模型的构建方法和系统
Arab et al. Yield loss assessment of grapes using composite drought index derived from landsat OLI and TIRS datasets
Salazar et al. Drought shocks and price adjustments in local food markets in Chile: Do product quality and marketing channel matter?
Woodward et al. Relationships between ‘Hayward’kiwifruit weight and dry matter content
CN113709576B (zh) 一种基于互联网的电商在线直播方法及系统
Smith et al. Extreme Temperatures and Field-Level Crop Quality, Yield, and Revenue
Singh et al. Applications of AI in agriculture
Datt et al. Neural Network Model for Predicting Apple Yield Based on Arrival of Phenological Stage in Conjunction with Leaf disease, Soil and Weather Parameters
CN113469751A (zh) 一种农产品供应链管理方法和系统
Moreto et al. Agrometeorological models for forecasting the qualitative attributes of “Valência” oranges
Yogesh et al. A non-invasive approach for calcium deficiency detection in pears using machine learning
Shiptsova et al. Household expenditure patterns for carbohydrate sources in Russia
Singh et al. Price forecasting of agricultural commodities inelectronic-national agriculture market: using ARIMA model
Rafique et al. Developing a simple and efficient modeling solution for predicting key phenological stages of table grapes in a non-traditional viticulture zone in south Asia

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
GR01 Patent grant
GR01 Patent grant