CN114936884A - 一种确定农产品价格影响参数的方法和系统 - Google Patents

一种确定农产品价格影响参数的方法和系统 Download PDF

Info

Publication number
CN114936884A
CN114936884A CN202210756693.1A CN202210756693A CN114936884A CN 114936884 A CN114936884 A CN 114936884A CN 202210756693 A CN202210756693 A CN 202210756693A CN 114936884 A CN114936884 A CN 114936884A
Authority
CN
China
Prior art keywords
agricultural product
node
influence
price
product price
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202210756693.1A
Other languages
English (en)
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 CN202210756693.1A priority Critical patent/CN114936884A/zh
Publication of CN114936884A publication Critical patent/CN114936884A/zh
Pending legal-status Critical Current

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
    • G06Q30/0206—Price or cost determination based on market factors
    • 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
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Finance (AREA)
  • Development Economics (AREA)
  • Accounting & Taxation (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Biophysics (AREA)
  • Software Systems (AREA)
  • Marine Sciences & Fisheries (AREA)
  • Primary Health Care (AREA)
  • Animal Husbandry (AREA)
  • Human Resources & Organizations (AREA)
  • Agronomy & Crop Science (AREA)
  • Tourism & Hospitality (AREA)
  • Artificial Intelligence (AREA)
  • Mining & Mineral Resources (AREA)
  • Game Theory and Decision Science (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Analysing Materials By The Use Of Radiation (AREA)

Abstract

本说明书实施例提供一种确定农产品价格影响参数的方法和系统，该方法包括获取影响因子；基于影响因子为节点，基于影响因子的关系为有向边，构建影响图；基于影响图，确定农产品价格影响参数。

Description

一种确定农产品价格影响参数的方法和系统
分案说明
本申请是针对申请日为2022年05月30日、申请号为2022105966145、发明名称为“一种自动调整农产品报价的方法和系统”的中国申请提出的分案申请。
技术领域
本说明书涉及农产品数据处理领域，特别涉及一种确定农产品价格影响参数的方法和系统。
背景技术
在当今信息化的时代，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，人们处理日常事务会变得更加高效和快捷。也有助于人们基于现有的海量数据，预测事物未来的数据并制定相关计划。现有技术(授权公告号CN102982229B)公开了一种基于神经网络的多品种商品价格预测的数据预处理方法，利用改进的RBF神经网络和BP神经网络对网页挖掘的商品价格数据计算其最佳数量级，用计算得出的最佳数量级对商品价格数据进行归一化数据量级的预处理，进而提高了RBF神经网络和BP神经网络的预测准确率，也提高了RBF神经网络和BP神经网络用于不同种类商品价格预测的通用性。现有技术(授权公告号CN112651832B)提供一种基于区块链的人工智能期货价格预测系统和预测方法。旨在从技术层面帮助普通投资者对期货价格进行预测。现有技术(授权公告号CN109829742B)提供一种基于申报价结算的火电机组最优报价计算方法，该方法提供的技术方案能够解决火电企业参与调峰辅助服务市场的竞价难题，提高火电机组参与市场的水平，提升市场运行的效率，增加火电企业的收益。现有技术(授权公告号CN109961314B)公开了一种基于大数据对珠宝首饰材料进行评估报价的系统及方法，该能够使系统对全球的珠宝首饰材料交易信息进行整合，同时生成统一的标准及交易信息，能够根据市场反馈对产品价格进行调节，提高所有产品的市场接受度，促进买卖双方交易，使中小卖商家或个人更好更合理的价格卖出或买入。但是，这些现有技术不适用于确定农产品价格影响参数，而且都存在一定的局限性。农产品价格受多种因素的影响。
因此，希望提供一种确定农产品价格影响参数的方法和系统，可以确定农产品价格影响参数，进而可以更准确的对农产品报价进行调整，进而促进农产品市场的发展。
发明内容
本说明书实施例之一提供一种确定农产品价格影响参数的方法。所述确定农产品价格影响参数的方法包括：获取影响因子；基于所述影响因子为节点，基于所述影响因子的关系为有向边，构建影响图；基于所述影响图，确定农产品价格影响参数。
本说明书实施例之一提供一种确定农产品价格影响参数的系统，所述确定农产品价格影响参数的系统包括：基于所述影响图，构建农产品价格波动预测模型；基于历史数据，训练所述农产品价格波动预测模型；基于所述农产品价格波动预测模型的模型参数，确定所述农产品价格影响参数。
本说明书实施例之一提供一种确定农产品价格影响参数的装置，所述装置包括：至少一个存储介质，存储计算机指令；至少一个处理器，执行所述计算机指令，以实现确定农产品价格影响参数的方法。
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，计算机执行确定农产品价格影响参数的方法。
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自动调整农产品报价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自动调整农产品报价的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自动调整农产品报价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基于影响因子构建影响图的示例性示意图；
图5是根据本说明书一些实施例所示的农产品价格波动预测模型的示例性示意图；
图6根据本说明书一些实施例所示的确定农产品价格影响参数的示例性流程图；
图7根据本说明书一些实施例所示的动态调整农产品价格波动预测模型的模型结构的示例性示意图；
图8是根据本说明书一些实施例所示的农产品自动报价的方法的示例性流程图。
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自动调整农产品报价的系统的应用场景示意图。如图1所示，自动调整农产品报价的系统的应用场景100可以包括处理设备110、网络120、存储设备130、终端设备140以及农产品价格150等中的一种或多种。自动调整农产品报价的系统可以包括确定农产品价格影响参数的系统、农产品自动报价的系统等。
在一些实施例中，处理设备110可以处理与自动调整农产品报价的系统的应用场景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110可以获取影响因子的影响因子波动，基于影响因子波动，通过农产品价格波动预测模型预测农产品价格波动，基于农产品价格波动，确定对报价的调整。又例如，处理设备110可以获取影响因子，基于影响因子为节点，基于影响因子的关系为有向边，构建影响图；处理设备110可以通过影响图，确定农产品价格影响参数。又例如，处理设备110可以获取报价信息、成交向量、舆论信息等。处理设备110可以基于报价信息、成交向量、舆论信息等中的至少一种，通过农产品价格预测模型预测农产品价格，基于预测的农产品价格，确定农产品的报价。在一些实施例中，处理设备110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110可以包括中央处理单元(CPU)、专用集成电路(ASIC)、专用指令处理器(ASIP)、图形处理器(GPU)、物理处理器(PPU)、数字信号处理器(DSP)、现场可编程门阵列(FPGA)、可编辑逻辑电路(PLD)、控制器、微控制器单元、精简指令集电脑(RISC)、微处理器等或以上任意组合。
网络120可以连接系统的各个组成部分和/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可以进行通信。例如，处理设备110可以通过网络120获取影响因子、影响因子的影响因子波动、报价信息、成交向量、舆论信息等。又例如，处理设备110可以通过网络120获取存储设备130中存储的多种数据，例如，某个历史时间点的影响因子、报价信息、成交向量、舆论信息等的数值。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。
存储设备130可以用于存储与自动调整农产品报价的系统的应用场景100相关的数据和/或指令。在一些实施例中，存储设备130可以存储从处理设备110、网络120等获得的数据和/或信息。例如，存储设备130可以存储影响因子、影响因子的影响因子波动、报价信息、成交向量、舆论信息等。在一些实施例中，存储设备130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130可以设置在处理设备110中。在一些实施例中，存储设备130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，存储设备130可在云平台上实现。
终端设备140可以指用户所使用的一个或多个终端设备或软件。用户可以为与农产品相关的个人或集体，例如，农产品的买卖双方。用户可以包括农产品生产商、农产品供应商、农产品经销商、农产品零售商等中的一个或多个。在一些实施例中，终端设备140可以包括移动设备140-1、平板电脑140-2、笔记本电脑140-3、膝上电脑140-4等或其任意组合。在一些实施例中，终端设备140可以包括其他智能终端，如可穿戴智能终端等。上述示例仅用于说明终端设备范围的广泛性而非对其范围的限制。
不同时间的农产品价格150不同。多种因素(例如，影响因子等)可以影响农产品价格150。多种因素的波动(例如，影响因子波动)可以影响农产品价格波动。处理设备110可以对农产品价格150的相关数据进行分析，预测农产品价格，进而预测农产品价格波动、确定农产品价格影响参数、确定对报价的调整以及确定农产品的报价等相关数据。
应当注意自动调整农产品报价的系统的应用场景100仅仅是为了说明的目的而提供的，并不意图限制本说明书的范围。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，自动调整农产品报价的系统的应用场景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说明书的范围。
图2是根据本说明书一些实施例所示的自动调整农产品报价的系统的示例性模块图。
在一些实施例中，自动调整农产品报价的系统200可以包括获取模块210和预测模块220。在一些实施例中，预测模块220可以包括确定模块221和动态调整模块222。
在一些实施例中，获取模块210可以用于获取影响因子的影响因子波动。
在一些实施例中，预测模块220可以用于基于影响因子波动，通过农产品价格波动预测模型预测农产品价格波动，农产品价格波动模型为包括至少一个神经网络层的机器学习模型。
在一些实施例中，确定模块221可以用于基于农产品价格波动，确定对报价的调整。
在一些实施例中，预测模块220还可以用于基于影响因子为节点，基于影响因子的关系为有向边，构建影响图，基于影响图，通过农产品价格波动预测模型预测农产品价格波动。
在一些实施例中，农产品价格波动预测模型包括多个神经网络，多个神经网络中的每个神经网络对应影响图的一个节点，每个神经网络之间的连接关系基于影响图的有向边确定。
在一些实施例中，动态调整模块222可以用于获取农产品价格波动预测模型的预测效果；基于预测效果，动态调整农产品价格波动预测模型的模型结构。
在一些实施例中，获取模块210可以用于获取影响因子。
在一些实施例中，确定模块221可以用于基于影响图，确定农产品价格影响参数。
在一些实施例中，确定模块221还可以用于基于影响图，构建农产品价格波动预测模型；基于历史数据，训练农产品价格波动预测模型；基于农产品价格波动预测模型的模型参数，确定农产品价格影响参数。
在一些实施例中，影响图的有向边的边特征包括可信度。
在一些实施例中，获取模块210可以用于获取报价信息；获取成交向量；获取舆论信息。
在一些实施例中，预测模块220可以用于基于报价信息、成交向量、舆论信息中的至少一种，通过农产品价格预测模型预测农产品价格，其中，农产品价格预测模型为机器学习模型。
在一些实施例中，确定模块221可以用于基于预测的农产品价格，确定农产品的报价。
在一些实施例中，报价信息包括农产品供应商报价信息和可信性因子，获取模块210可以进一步用于获取农产品供应商报价信息；获取可信性因子；基于农产品供应商报价信息和可信性因子，构建报价信息的报价矩阵。
在一些实施例中，舆论信息包括舆情矩阵，舆情矩阵基于不同影响度构建，影响度基于预测价格的传播关系确定。
应当理解，图2所示的系统及其模块可以利用各种方式来实现。
需要注意的是，以上对于系统及其模块的描述，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中披露的获取模块210、预测模块220、确定模块221和动态调整模块222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自动调整农产品报价的方法的示例性流程图。如图3所示，流程300包括下述步骤。在一些实施例中，流程300可以由处理设备110执行。
步骤310，获取影响因子的影响因子波动。在一些实施例中，步骤310可以由获取模块210执行。
影响因子可以指影响农产品价格波动的因素。例如，影响因子可以包括天气、种植面积、燃油价格、人工成本等。
在一些实施例中，影响因子包括舆论信息。关于舆论信息的更多内容请参见图8的相关描述。
影响因子波动可以指影响农产品价格波动的因素的变化。影响因子波动可以包括天气、种植面积、燃油价格、人工成本等的变化。影响因子波动可能导致农产品价格波动。例如，影响因子中的天气发生波动，由“晴天较多”变化为“多雨，晴天较少”，会影响农产品的甜度，进而影响农产品价格波动(如价格降低等)；又例如，影响因子中的种植面积发生波动，种植面积减少10％，种植面积减少，农产品会供不应求，进而影响农产品价格波动(如价格上涨等)。又例如，影响因子中的燃油价格发生波动，燃油价格增加5％，农产品的运输成本提高，进而影响农产品价格波动(如价格上涨等)。
在一些实施例中，获取模块210可以通过多种方式获取影响因子的影响因子波动。在一些实施例中，获取模块210可以通过网络120获取影响因子的影响因子波动。例如，获取模块210通过网络120获取不同时间点的影响因子的数值，进而获取影响因子在一段时间内的波动。在一些实施例中，获取模块210可以通过网络120和存储设备(如存储设备130)获取影响因子的影响因子波动。例如，获取模块210通过网络获取当前时间点的影响因子的数值。获取模块210可以从存储设备(如存储设备130)获取历史时间点的影响因子的数值，进而获取影响因子波动。
步骤320，基于影响因子波动，通过农产品价格波动预测模型预测农产品价格波动，农产品价格波动预测模型为包括至少一个神经网络层的机器学习模型。在一些实施例中，步骤320可以由预测模块220执行。
农产品价格波动是指农产品价格的上涨或下跌等。在一些实施例中，农产品价格波动可以通过农产品价格的涨幅或跌幅进行表示，例如，农产品价格波动可以通过表示涨幅或跌幅的百分比和/或数字进行表示。示例性的，百分比+10％表示农产品价格波动为上涨10％；数字+10表示农产品价格波动为上涨10元；百分比-15％表示农产品价格波动为下跌15％；数字-20表示农产品价格波动为下跌20元。
农产品价格预测模型指可以预测农产品价格的模型。在一些实施例中，农产品价格波动预测模型可以为包括至少一个神经网络层的机器学习模型。模型类型的选择可视具体情况而定。关于农产品价格预测模型的更多内容可以参见图5的相关描述。
在一些实施例中，预测模块220可以基于影响因子波动，通过农产品价格波动预测模型预测农产品价格波动。
在一些实施例中，预测模块220可以基于影响因子为节点，基于影响因子的关系为有向边，构建影响图。预测模块220可以基于影响图，通过农产品价格波动预测模型预测农产品价格波动。关于基于影响图，通过农产品价格波动预测模型预测农产品价格波动，具体内容请参见图4的相关描述。
步骤330，基于农产品价格波动，确定对报价的调整。在一些实施例中，步骤330可以由确定模块221执行。
对报价的调整可以指对农产品的卖方对买方进行报价时的调整。对报价的调整可以包括增加报价、减少报价、维持报价。
在一些实施例中，确定模块221可以基于农产品价格波动，确定对报价的调整。例如，农产品价格波动为上涨10％，确定模块221可以确定对报价的调整为报价上涨10％。又例如，农产品价格波动为下跌15％，确定模块221可以确定对报价的调整为报价下跌15％。
在本说明书一些实施例中，基于影响因子波动，通过农产品价格波动预测模型预测农产品价格波动，进而确定对报价的调整，可以更准确的预测农产品的价格波动，进而可以更好地对农产品的报价进行调整。
图4是根据本说明书一些实施例所示的基于影响因子构建影响图的示例性示意图。在一些实施例中，流程400可以由预测模块220执行。
步骤410，基于影响因子为节点，影响因子的关系为有向边，构建影响图。
在一些实施例中，预测模块220可以通过节点和边构建图。节点的数量和边的数量可以为两个或以上。在一些实施例中，预测模块220可以将影响因子确定为节点。例如，预测模块220将影响因子(如天气、种植面积、燃油价格、人工成本、舆论信息等)确定为影响因子节点。在一些实施例中，预测模块220可以将农产品价格确定为农产品价格节点。
不同的节点具有不同的节点特征。节点特征是指用于描述节点的信息。在一些实施例中，当节点为影响因子节点时，节点特征可以包括该节点的历史波动。节点的历史波动是指节点所表示的影响农产品价格波动的因素在预设时间段内的波动，其中，预设时间段是指具有一定时间长度的时间区间。在一些实施例中，该预设时间段可以根据人为经验设置，也可以为系统默认设置。该预设时间段可以根据实际需要进行调整。
在一些实施例中，当节点为农产品价格节点时，节点特征可以包括该节点的历史价格波动。节点的历史价格波动是指节点所表示的农产品价格在预设时间段内的波动，其中，预设时间段的表示方式与影响因子节点类似。
在一些实施例中，影响图中类型为舆论信息的影响因子节点，其节点特征可以包括影响度、农户浏览量、农户类型向量中的至少一种。关于影响图中类型为舆论信息的影响因子节点的节点特征的更多内容请参见图8的相关描述。
在一些实施例中，节点之间的边为有向边。有向边是指节点之间存在因果关联，有向边的方向则可以表示因果方向。例如，物价波动导致人工成本波动，则有向边可以表示为由物价指向人工。
在一些实施例中，当节点为影响因子节点，预测模块220可以基于影响因子节点之间是否存在因果关联，确定影响因子节点之间是否存在有向边，其中，该因果关联可以包括与影响因子节点对应的历史波动的之间的关联。
在一些实施例中，当节点为农产品价格节点，预测模块220可以基于影响因子节点与农产品价格之间的因果关联，确定农产品价格节点与影响因子节点之间通过有向边进行连接的连接方式，影响因子节点与农产品价格节点之间通过有向边进行连接的连接方式可以包括直接连接和间接连接。其中，该因果关联可以包括影响因子节点对农产品价格节点的影响程度。影响程度可以通过影响因子节点与农产品价格节点之间的距离表示，该距离可以是影响因子节点与农产品价格节点之间的跳数。影响因子节点对农产品价格节点的影响越大，则二者之间的距离越小，即，该影响因子节点与农产品价格节点之间的跳数越少。例如，1跳为影响因子节点与农产品价格节点之间直接连接；例如，大于1跳为影响因子节点与农产品价格节点之间间接连接。
在一些实施例中，影响图的有向边的边特征可以包括可信度721。
可信度721可以表示有向边对应的两个相连的影响因子节点的因果关联的强度。例如，如图4的影响图中，有向边4121的可信度可以表示影响因子节点412和影响因子节点1之间的因果关联的强度。有向边的可信度越大，两个相连的影响因子节点的因果关联的强度越大。
在一些实施例中，可信度可以包括有向边对应的两个影响因子节点的历史数据之间的相关系数、有向边对应的两个影响因子节点的历史数据中某一规律出现的频率、或有向边对应的两个影响因子节点的历史数据之间的相关系数与某一规律出现的频率的加权计算的结果等。
在一些实施例中，预测模块220可以通过有向边对应的两个影响因子节点的之间的历史数据确定有向边对应的可信度。例如，预测模块220可以通过两个影响因子节点的历史数据之间的相关性来确定两个影响因子节点之间的因果关联。两个影响因子节点之间的因果关联可以包括正相关或负相关等。预测模块220可以通过统计学上的相关系数表示有向边的可信度。又例如，预测模块220可以对有向边对应的两个影响因子节点的历史数据进行分析，确定两个影响因子节点的变化规律，从而确定有向边对应的可信度。示例性的，如图4所示，影响因子节点412每次波动为某固定数值时，影响因子节点1的波动也等于或接近某固定数值。而影响因子节点1每次波动时，影响因子节点412无相应的波动。预测模块220可以确定影响因子节点412和影响因子节点1存在因果关联，有向边4121为影响因子节点412指向影响因子节点1。预测模块220可以通过上述波动的规律出现的频率表示影响因子节点412和影响因子节点1之间有向边4121的可信度。又例如，两个影响因子节点之间的有向边的可信度还可以基于相关系数和上述波动的规律出现的频率的加权计算来确定。在一些实施例中，两个或多个影响因子节点共同影响一个影响因子节点时，预测模块220可以通过上述方法确定与两个或多个影响因子节点相关的有向边的可信度。
在一些实施例中，预测模块220可以基于影响因子节点、农产品节点、影响因子节点之间的因果关联，以及影响因子节点与农产品节点之间的因果关联，构建影响图。
在一些实施例中，影响图中的节点可以包括根节点和非根节点。根节点是指不存在从其他节点指向该节点的边的节点，非根节点是指不是根节点的节点。如图4所示，影响因子节点1、2、N-1等可以表示非根影响因子节点1、2、N-1等。影响因子节点N可以表示农产品价格节点N。影响因子节点411、412、413、414、m-1、m等可以表示根影响因子节点411、412、413、414、m-1、m等。
在一些实施例中，根影响因子节点411和根影响因子节点412每次波动一定数值时，非根影响因子节点1每次产生的波动与该数值比较接近，反之则不成立，则非根影响因子节点1与根影响因子节点411、根影响因子节点412均存在因果关联。预测模块220可以确定非根影响因子节点1与根影响因子节点411之间存在有向边4111，非根影响因子节点1与根影响因子节点412之间存在有向边4121。
在一些实施例中，预测模块220可以根据上述方法确定非根影响因子节点2与非根影响因子节点1之间存在有向边11，非根影响因子节点2与根影响因子节点413之间存在有向边4131，以及非根影响因子节点2与根影响因子节点之间存在有向边4141。类似地，非根影响因子节点N-1与根影响因子节点m-1之间存在有向边m-11，以及非根影响因子节点N-1与上一跳非根影响因子节点N-2之间存在有向边N-21。
在一些实施例中，对于农产品价格节点N，非根影响因子节点N-1和根影响因子节点m的波动可以直接影响农产品价格，因此，非根影响因子节点N-1和根影响因子节点m可以分别与农产品价格节点N直接相连。预测模块220可以确定非根影响因子节点N-1和农产品价格节点N之间存在有向边N-11，以及根影响因子节点m和农产品价格节点N之间存在有向边m1。
应当注意的是，关于图4的以上描述仅仅是示例而不是限制性的。影响图中的节点和有向边的数量可以不受图4所示的限制。在一些实施例中，影响农产品价格波动的因素的数量可以确定影响图中影响因子节点的数量。
步骤420，基于影响图，通过农产品价格波动预测模型预测农产品价格波动。
模型是指可以直接作用于图上的预测模型，例如，包括至少一个神经网络层的机器学习模型。在一些实施例中，该模型可以基于图中每个节点的状态，获取节点的预测结果。例如，该模型可以是基于影响图的农产品价格波动预测模型421。农产品价格波动预测模型421可以基于影响图中影响因子节点的历史波动，预测农产品价格波动422。在一些实施例中，预测模块220可以基于影响图中影响因子节点的历史波动，通过机器学习模型构建农产品价格波动预测模型421。例如，预测模块220可以基于影响图中影响因子节点的节点特征建立训练样本，将该训练样本输入机器学习模型，基于模型的输出和影响因子节点历史波动调整机器学习模型的模型参数，得到训练好的农产品价格波动预测模型。关于农产品价格波动预测模型及其训练方式的更多内容，参见图5及其相关描述。
农产品价格波动受多种因素的影响，同时，不同的影响因素之间还存在因果关联。在本说明书一些实施例中，基于影响农产品价格波动的因素作为影响因子节点，影响农产品价格波动的因素之间的因果关联作为影响因子节点之间的有向边构建影响图，并基于影响图通过农产品价格波动预测模型预测农产品价格波动，可以更为准确地得出农产品价格波动的规律，进而可以更好地对农产品的报价进行调整。
图5是根据本说明书一些实施例所示的农产品价格波动预测模型的示例性示意图。在一些实施例中，流程500可以由预测模块220执行。
农产品价格波动预测模型可以包括多个神经网络。其中，多个神经网络中的每个神经网络对应影响图中的一个节点，以及每个神经网络之间的连接关系可以基于影响图的有向边确定。
在一些实施例中，预测模块220可以通过农产品价格波动预测模型421预测农产品价格波动422。农产品价格波动预测模型421的输入数据为多个影响农产品价格波动的因素，以及每个影响农产品价格波动的因素之间的关系。农产品价格波动预测模型的输出为农产品价格波动422。在一些实施例中，输入数据可以是由节点和边组成的一种数据结构，例如，图4所示的影响图。
在一些实施例中，农产品价格波动预测模型可以包括多个神经网络。对于每一个神经网络，将节点特征作为神经网络的输入，可以得到与该节点对应的预测输出。进一步地，与该节点对应的预测输出也可以作为其他神经网络的输入。例如，预测模块220可以基于影响图中的根节点、非根节点，以及有向边，构建农产品价格波动预测模型421。其中，影响图中的每一个非根节点对应一个神经网络，影响图中节点的有向边可以表示对应的神经网络的输入与输出。影响图中的根节点不需要接收来自其他影响因子节点的输出作为输入，因此，其可以是对应的影响因子节点的历史波动，即，该根节点可以是一个数值，而无需对应一个神经网络，并且该数值可以作为与该根节点相连的节点对应的神经网络的输入。
如图5所示，农产品价格波动预测模型421可以包括神经网络1、神经网络2、神经网络Q-1、神经网络Q等。其中，神经网络1、神经网络2、神经网络Q-1等分别对应于影响图中的非根影响因子节点1、非根影响因子节点2、非根影响因子节点N-1等。神经网络Q对应于影响图中的农产品价格节点N。
在一些实施例中，非根影响因子节点N-1对应的神经网络Q-1的输入可以包括与其直接相连的根影响因子节点m-1的历史波动，非根影响因子节点N-1的节点特征(例如，历史波动等)，以及与非根影响因子节点N-1直接相连的其他非根影响因子节点对应的神经网络的输出。非根影响因子节点N-1的输出可以是非根影响因子节点N-1的未来波动。未来波动是指历史波动对应的时间段和/或时间点之后的预设时间段和/或时间点的波动数值，其表示方式与历史波动值对应的时间段和/或时间点类似。例如，非根影响因子节点1对应的神经网络1的输入可以包括与其直接相连的根影响因子节点411和412的历史波动，非根影响因子节点1的节点特征，非根影响因子节点的输出可以是其未来波动。又例如，非根影响因子节点2对应的神经网络2的输入可以包括与其直接相连的根影响因子节点413和414的历史波动，非根影响因子节点2的节点特征，以及与非根影响因子节点2直接相连的非根影响因子节点1对应的神经网络1的输出，非根影响因子节点的输出可以是其未来波动。
在一些实施例中，农产品价格节点N对应的神经网络Q的输入可以包括与其直接相连的根影响因子节点m的历史波动值，与其直接相连的非根影响因子节点N-1对应的神经网络Q-1的输出，以及农产品价格节点N的历史波动。农产品价格节点N的输出为农产品价格波动的预测值。
应当注意的是，关于图5的以上描述仅仅是示例而不是限制性的。非根节点的输入项可以不受图5中所示的限制。在一些实施例中，与非根节点直接相连的节点数量可以确定非根节点的输入项。
在一些实施例中，农产品价格波动预测模型421的输入可以包括报价矩阵、成交向量中的至少一种。关于报价矩阵、成交向量的相关描述参见图4的相关描述。
农产品价格波动预测模型421的训练方式可以包括联合训练、局部训练中的至少一种。
联合训练可以指农产品价格波动预测模型421包括的多个神经网络一起进行训练。局部训练可以指农产品价格波动预测模型421包括的多个神经网络中的部分神经网络进行训练。预测模块220可以根据实际需求选择训练方式。
在一些实施例中，预测模块220可以基于历史数据训练农产品价格波动预测模型。历史数据可以包括影响图数据和影响图中样本节点的数据等。预测模块220可以基于影响图数据和影响图中样本节点的标签建立训练样本。例如，影响图数据可以包括样本节点的节点特征、连接样本节点之间的有向边和影响图结构。样本节点的节点特征即影响因子节点的节点特征和农产品价格节点的节点特征。样本节点的节点特征及其获取方式的相关描述可以参见图8，在此不再赘述。连接样本节点之间的有向边及其相关描述参见步骤410，在此不再赘述。影响图结构是描述节点之间连接关系的数据。可以理解，基于影响图结构，预测模块220可以获取与样本节点距离为一跳的节点。关于影响图结构的相关描述参见图4，在此不再赘述。
在一些实施例中，样本节点的标签可以是历史数据中影响因子节点的历史波动。在一些实施例中，样本节点的标签可以通过人工输入、读取存储的数据、调用相关接口或者其他方式获取。
在一些实施例中，预测模块220可以将训练样本输入样本节点对应的机器学习模型，基于机器学习模型的输出更新该机器学习模型的模型参数，得到训练好的样本节点对应的机器学习模型。机器学习模型可以是任何可行的模型，包括但不限于GNN、LSTM等。
在一些实施例中，预测模块220可以将训练样本输入样本节点对应的初始神经网络，训练样本经样本节点对应的初始神经网络处理后，输出样本节点的预测结果。预测模块220可以基于样本节点的预测结果和样本标签构建损失函数，基于损失迭代更新样本节点对应的初始神经网络的模型参数。当样本节点对应的初始神经网络的损失函数满足预设条件时，样本节点对应的神经网络训练完成，得到训练好的样本节点对应的神经网络。训练好的样本节点对应的神经网络可以用于构建农产品价格波动预测模型421。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。
在本说明一些实施例中，预测模块220可以通过联合和/或局部的训练方式获得农产品价格波动预测模型。在一些情况下，有利于解决单独训练农产品价格波动预测模型时难以获得标签的问题，还可以使农产品价格波动预测模型能够更好地反映农产品价格波动的情况。
农产品价格波动预测模型的损失函数可以基于样本节点的标签和样本节点的预测值构建。
在一些实施例中，农产品价格波动预测模型421的训练过程中，损失函数的损失项可以包括农产品价格节点波动的损失项、影响因子节点波动的损失项中的至少一种。
农产品价格节点波动的损失项可以反映样本农产品价格节点的标签和预测的农产品价格波动之间的关系。农产品价格节点波动的损失项反映了初始农产品价格波动预测模型对农产品价格波动预测的准确度。
农产品价格节点波动的损失项可以通过各种方式确定。例如，农产品价格节点波动的损失项可以是样本农产品价格节点的标签和预测的农产品价格节点波动的方差、绝对差值的平均值等。
影响因子节点波动的损失项可以反映不同样本影响因子节点的标签和样本影响因子节点的预测值之间的关系。影响因子节点波动的损失项反映了初始农产品价格波动预测模型对影响因子节点波动预测的准确程度。
影响因子节点波动的损失项可以通过各种方式确定。例如，影响因子节点波动的损失项可以是样本影响因子节点的标签和预测的影响因子节点波动的方差、绝对差值的平均值等。
农产品价格节点波动的损失项与影响因子节点波动的损失项可以以各种方式结合。例如，求和、加权求和等。损失函数还可以包括其他项等。
在一些实施例中，预测模块220可以确定损失函数的权重数据，并基于农产品价格节点波动的损失项、影响因子节点波动的损失项和权重数据确定损失函数。权重数据可以用于反映影响因子节点波动的损失项在农产品价格波动预测过程中的影响程度。权重数据越大，对应的影响因子节点波动的损失项对农产品价格波动预测的影响程度越大。
在一些实施例中，预测模块220可以基于节点距离确定影响因子节点波动的损失项对应的权重数据。在一些实施例中，节点距离可以是影响因子节点与农产品价格节点之间的距离。例如，影响因子节点a与农产品价格节点直接相连(即，影响因子节点a与农产品价格节点之间的距离为1跳)，影响因子节点b与农产品价格节点之间相隔一个影响因子节点(即，影响因子节点b与农产品价格节点之间的距离为2跳)，则影响因子节点a波动的损失项对应的权重数据大于影响因子节点b波动的损失项对应的权重数据。
在本说明书一些实施例中，预测模块220可以基于影响因子节点波动的损失项在农产品价格波动预测过程中的影响程度的大小，为影响因子节点波动的损失项赋予不同权重数据，可以使农产品价格波动预测更准确，进而对报价的调整更准确。
在一些实施例中，影响因子节点波动的损失项与影响图中该影响因子节点对应的有向边的边特征相关。其中，边特征可以用于表示两个相连的节点之间因果关系的特征。例如，边特征可以包括可信度，该可信度可以用于表示两个相连的节点之间因果关系的强度。
关于影响图中的有向边及其边特征的相关描述参见步骤410，在此不再赘述。
在本说明书一些实施例中，预测模块220可以影响因子节点波动的损失项考虑了影响图中连接节点的有向边的边特征，从而使影响因子节点波动的损失项包含的信息更加丰富，进而提高了预测结果的准确性，进而提高了对报价的调整的准确性。
在本说明书一些实施例中，基于多个神经网络构建农产品价格波动预测模型，可以更好地模拟影响农产品价格波动的因素之间的复杂关系，使得农产品价格波动预测模型可以基于交换信息之后的多级神经网络对农产品价格的波动进行预测。农产品价格波动预测模型包括的多个神经网络充分考虑了影像图中影响因子节点的节点特征以及影响因子节点之间的因果关联，从而提高了预测结果的效率和准确性，进而提高了对报价的调整的准确性。
图6是根据本说明书一些实施例所示的确定农产品价格影响参数的示例性流程图。如图6所示，流程600包括下述步骤。在一些实施例中，流程600可以由处理设备110执行。
步骤610，获取影响因子。在一些实施例中，步骤610可以由获取模块210执行。
在一些实施例中，影响因子可以包括一级影响因子、二级影响因子、P-1级影响因子、P级影响因子(P为正整数)。一级影响因子为与农产品价格节点直接连接的影响因子。二级影响因子为与一级影响因子直接连接的影响因子。以此类推，P级影响因子为与P-1级影响因子直接连接的影响因子等。
在一些实施例中，获取模块210可以通过多种方式获取影响因子，包括但不限于从网络120获取、从存储设备130输入和/或用户直接输入等。在一些实施例中，获取模块210可以将获取的影响因子进行存储。例如，存储在存储设备130中。
步骤620，基于影响因子为节点、影响因子的关系为有向边构建影响图。步骤620的内容与步骤410的内容相同，故关于步骤620的更多内容参见步骤410的相关描述，此处不再赘述。
步骤630，基于影响图确定农产品价格影响参数。在一些实施例中，步骤630可以由确定模块221执行。
农产品价格影响参数是指影响农产品价格的参数。例如，每个影响因子的权重等。
在一些实施例中，农产品价格影响参数可以基于各种算法学习获得。例如，算法可以包括线性回归算法、逻辑回归算法、决策树、人工神经网络等。
在一些实施例中，确定模块221可以基于影响图构建农产品价格波动预测模型，可以基于历史数据训练农产品价格波动预测模型，可以基于农产品价格波动预测模型的模型参数确定农产品价格影响参数。关于农产品价格波动预测模型的构建和训练的更多内容请参见图5的相关描述。
在一些实施例中，农产品价格波动预测模型的模型参数对应每个影响因子决定农产品价格波动的权重(即农产品价格影响参数)，故模型参数为农产品价格影响参数。
在本说明书一些实施例中，通过影响图构建价格波动预测模型，通过历史数据训练价格波动预测模型，以及通过训练好的价格波动预测模型的模型参数确定农产品价格影响参数，可以明确每个影响因子对农产品价格波动的影响，可以提高预测农产品价格波动的准确度，进而提高了对报价的调整的准确性。
在本说明书一些实施例中，通过影响因子构建影响图，构建农产品价格波动预测模型确定农产品价格影响参数，可以使得每个影响因子对农产品价格的影响更直观，可以更准确的预测农产品价格波动，进而更准确的对报价进行调整。
图7是根据本说明书一些实施例所示的动态调整农产品价格波动预测模型的模型结构的示例性示意图。在一些实施例中，流程700可以由动态调整模块222执行。
步骤710，获取农产品价格波动预测模型的预测效果。
预测效果711是指农产品价格波动模型的预测结果与真实值的对比结果。例如，预测效果可以通过农产品价格波动预测模型的预测结果与真实值之间的绝对误差、相对误差、均方误差、均方根误差等进行表示。
在一些实施例中，动态调整模块222可以通过农产品价格波动预测模型获得农产品价格波动的预测结果，将预测结果与真实值进行运算获得预测效果711。其中，运算可以包括绝对误差、相对误差、均方误差、均方根误差等。
步骤720，基于预测效果，动态调整农产品价格波动预测模型的模型结构。
在一些实施例中，农产品价格波动预测模型包括的多个神经网络可以为多个线性回归层。例如，多个神经网络中每个神经网络为一个线性回归层，对应影响图的一个节点。
在一些实施例中，动态调整模块222可以基于影响农产品价格波动预测结果的特征值来动态调整农产品价格波动预测模型的模型结构。在一些实施例中，影响农产品价格波动预测结果的特征值可以包括可信度721或贡献值722等。关于可信度721的更多内容可以参见图4的相关描述。
在一些实施例中，动态调整模块222对可信度的调整可以包括单因子链条式调整或整体调整等。
在一些实施例中，动态调整模块222通过单因子链条式调整可信度。动态调整模块222可以从一级影响因子K1(其中，K表示满足要求的某个影响因子，1表示一级)中，获取对应最大权重(线性回归层中)的一级影响因子K1max。动态调整模块222可以降低该影响因子K1max与农产品价格节点相连的有向边对应的可信度，基于历史数据重新训练农产品价格波动预测模型，并评估预测效果。若预测效果未达标准，动态调整模块222则获取与一级影响因子K1相连的所有二级影响因子K2，获取对应最大权重(线性回归层中)的二级影响因子K2max。动态调整模块222可以降低该影响因子K2max与一级影响因子K1相连的有向边对应的可信度，基于历史数据重新训练农产品价格波动预测模型，并评估预测效果。若预测效果达到标准(该标准可以是系统默认的，也可以是人工输入的)，则停止调整可信度，动态调整模块222可以获得调整后的农产品价格波动预测模型。若预测效果未达标准，动态调整模块222可以逐级调整对应最大权重的影响因子与上一级影响因子相连的有向边对应的可信度(如三级影响因子K3、四级影响因子K4等)，直至最后一级影响因子(如P级影响因子)，从而获得调整后的农产品价格波动预测模型。
在一些实施例中，动态调整模块222通过整体调整可信度。动态调整模块222可以在影响图中，获取所有影响因子对应的权重(线性回归层中)，将权重按从大到小进行排序，将前n个权重对应的影响因子作为目标影响因子Ktarget，降低目标影响因子Ktarget连接的上一级影响因子(例如，若目标影响因子为3级影响因子，上一级影响因子为2级影响因子)所对应的有向边的可信度，降低幅度可以是预设的，降低后重新训练农产品价格波动预测模型，并评估预测效果。若预测效果达到标准，动态调整模块222则停止调整可信度，获得调整后的农产品价格波动预测模型。若预测效果未达标准，重复上一步骤继续调整可信度，直至达到标准时停止调整，从而获得调整后的农产品价格波动预测模型。
在一些实施例中，动态调整模块222可以基于预测效果获取有向边的边特征的可信度，判断可信度是否小于可信度阈值，当可信度小于可信度阈值时，删除可信度对应的有向边。关于可信度的更多内容请参见图4的相关描述。
在一些实施例中，可信度阈值可以是预先设定的值。在一些实施例中，可信度阈值可以包括一级可信度阈值、二级可信度阈值、三级可信度阈值、P级可信度阈值等。每一级的可信度阈值可以相同，也可以不同。
在一些实施例中，预测模块220可以通过有向边对应的两个影响因子节点之间的历史数据确定有向边对应的可信度。关于获取可信度的更多内容请参见图4的相关描述。
在一些实施例中，当预测效果达到标准时，动态调整模块222可以获取调整后的农产品价格波动预测模型；当预测效果未达标准时，动态调整模块222可以获取有向边的可信度。动态调整模块222可以比较获取的每一个可信度是否小于可信度阈值，当可信度小于可信度阈值时，删除可信度对应的有向边，使用训练样本(如历史数据等)重新训练农产品价格波动预测模型，获取新的预测效果，判定新的预测效果是否达到标准。若达到标准，动态调整模块222可以直接获取调整后的农产品价格波动模型。若未达标准，动态调整模块222可以重复前述调整可信度的步骤，直至预测效果达到标准，从而获取调整后的农产品价格波动预测模型。
在一些实施例中，动态调整模块222可以获取影响图中每个一级影响因子节点与农产品价格节点之间的有向边的可信度。动态调整模块222可以比较获取的每个可信度与一级可信度阈值的大小，若一级影响因子节点与农产品价格节点之间的可信度小于一级可信度阈值，则删除该可信度对应的一级影响因子节点与农产品价格节点之间的有向边。
在一些实施例中，动态调整模块222可以获取影响图中每个二级影响因子节点与一级影响因子节点之间的有向边的可信度。动态调整模块222可以比较获取的每个可信度与二级可信度阈值的大小，若二级影响因子节点与一级影响因子节点之间的可信度小于二级可信度阈值，则删除该可信度对应的二级影响因子节点与一级影响因子节点之间的有向边。
类似地，动态调整模块222可以重复前述步骤判断每一级影响因子节点与上一级影响因子节点的可信度与每一级可信度阈值的大小，从而调整农产品价格波动预测模型。需要注意的是，上述调整每一级可信度的步骤可以逐级进行，也可以同时进行。
在本说明书一些实施例中，通过预测效果来获取影响因子节点之间的有向边的可信度，设定预设的可信度阈值以筛选出较低可信度对应的影响因子节点之间的有向边，可以使得构建的农产品价格波动预测模型更为合理，提高预测的准确度，进而提高对报价的调整的准确度。
在一些实施例中，动态调整模块222基于预测效果可以获取每个影响因子节点的贡献值，动态调整模块222可以判断贡献值是否小于贡献阈值。当贡献值小于贡献阈值时，动态调整模块222可以删除贡献值对应的影响因子节点。
贡献值可以用影响因子节点对应(线性回归层中)的权重表示，权重的绝对值越小，表示对上一级影响因子节点的贡献值越小。例如，若二级影响因子节点的权重的绝对值小于二级贡献阈值，则表明二级影响因子节点对一级影响因子节点的贡献值较低，可以忽略。在一些实施例中，贡献阈值可以包括一级贡献阈值、二级贡献阈值、三级贡献阈值、P级贡献阈值等，每一级的贡献阈值可以相同或不同。
在一些实施例中，当预测效果达到标准时，动态调整模块222可以获取调整后的农产品价格波动预测模型；当预测效果未达标准时，动态调整模块222可以获取每个影响因子节点的贡献值。动态调整模块222比较获取的每个影响因子节点的贡献值是否小于贡献值阈值，当贡献值小于贡献值阈值时，动态调整模块222可以删除贡献值对应的影响因子节点，相应地，也删除该影响因子节点对应的有向边，使用训练样本(如历史数据)重新训练农产品价格波动预测模型，获取新的预测效果，判定新的预测效果是否达到标准，若达到标准，直接获取调整后的农产品价格波动模型。若未达标准，动态调整模块222可以重复前述调整贡献值的步骤，直至预测效果达到标准，从而获取调整后的农产品价格波动预测模型。
在一些实施例中，动态调整模块222可以获取所有一级影响因子节点对应(线性回归层)的权重，动态调整模块222可以比较一级影响因子节点对应的权重的绝对值与一级贡献阈值的大小，若某一个一级影响因子节点对应的权重的绝对值小于一级贡献阈值，则删除该一级影响因子节点，相应地，也删除该一级影响因子节点到达农产品价格节点的有向边。
类似地，动态调整模块222可以重复前述步骤判断每一级影响因子节点对应的权重的绝对值与每一级对应的贡献阈值的大小，从而调整农产品价格波动预测模型。需要注意的是，上述调整贡献值的步骤，可以逐级进行，也可以同时进行。
在本说明书一些实施例中，通过比较每一级影响因子节点的贡献值与对应的每一级贡献阈值，以筛选出贡献值较低的影响因子节点，可以构建更为合理的农产品价格波动预测模型，提高预测的准确度，进而提高对报价调整的准确性度。
在本说明书一些实施例中，通过实时获取农产品预测价格波动预测模型的预测效果来动态调整预测模型的模型结构，可以实时调整农产品价格波动预测模型，使得预测结果更为准确，对报价的调整更准确，适用范围更广。
图8是根据本说明书一些实施例所示的农产品自动报价的方法的示例性流程图。在一些实施例中，流程800可以由处理设备110执行。如图8所示，流程800可以包括以下步骤：
步骤810，获取报价信息。
报价信息可以指农产品卖方提出的农产品售价。在一些实施例中，农产品卖方可以包括农产品生产商、农产品供应商、农产品经销商、农产品零售商等中的一个或多个。
在一些实施例中，获取模块210可以通过采价系统获取报价信息。采价系统可以指通过网络120采集全国各地的农产品报价信息，汇总并统一提供报价信息的信息系统。其中，报价信息可以包括多个报价，多个报价中的每个报价可以为多个农产品卖方中的一个农产品卖方提出的农产品售价。
在一些实施例中，报价信息可以包括农产品供应商报价信息和可信性因子。获取模块210可以获取农产品供应商报价信息和/或可信性因子。
可信性因子可以用于描述事物的可信程度。在一些实施例中，可信性因子可以用于描述农产品供应商提供的报价信息的可信程度。例如，可信性因子可以为农产品供应商的农产品成交价格与农产品报价的偏离程度。在一些实施例中，每一个农产品供应商可以对应于一个可信性因子。
在一些实施例中，获取模块210可以通过采价系统获取农产品供应商报价信息。在一些实施例中，获取模块210可以通过计算农产品供应商的农产品成交价格与农产品报价的偏离程度确定可信性因子。例如，可信性因子为K，K的计算公式为K＝(A-B)/A，其中，A为某个农产品供应商的报价；B为该农产品供应商的成交价格。
在一些实施例中，获取模块210可以基于农产品供应商报价信息和可信性因子，构建报价信息的报价矩阵。
报价矩阵是指以不同的报价区间和可信性区间对应的成交量为矩阵元素构成的矩阵。其中，该成交量可以是满足上述报价区间和可信性区间条件的农产品供应商的农产品成交量。报价区间是指一个或多个报价构成的集合。例如，区间[50，60]可以是一个报价区间，表示报价大于等于50且小于等于60的报价构成的集合。可信性区间是指一个或多个可信性因子构成的集合。例如，区间[90％，100％]可以是一个可信性区间，表示可信性因子大于等于90％且小于等于100％的可信性因子构成的集合。
在一些实施例中，获取模块210可以获取多个农产品供应商对应的多个报价信息和多个可信性因子，进而构建报价信息的报价矩阵。报价矩阵中每一行元素的报价可以对应一个报价区间，报价矩阵中每一列元素的可信性因子可以对应一个可信性区间。例如，报价矩阵
Figure BDA0003722763690000141
报价矩阵A表示报价被划分为四个报价区间，可信性因子被划分为四个可信性区间。矩阵元素Cij(i,j＝1,2,3,4)代表报价属于第i个报价区间，可信性因子属于第j个可信性区间的农产品供应商的农产品成交量。
在一些实施例中，报价矩阵中每一列元素对应的区间可以是指影响度区间。关于影响度的更多内容可以参见步骤830的相关描述。
在本说明书一些实施例中，获取模块210可以基于农产品供应商的报价信息和可信性因子构建报价矩阵，可以体现出不同农产品供应商的报价信息的可靠程度，从而确保最终农产品价格预测和农产品的报价的合理性。
步骤820，获取成交向量。
成交向量是指以不同的成交价格区间对应的成交量为向量元素构成的向量。其中，该成交量可以是满足前述成交价格区间条件的农产品供应商的农产品成交量。成交价格区间是指一个或多个成交价格构成的集合。例如，区间[50，60]可以是一个成交价格区间，其表示成交价格大于等于50且小于等于60的成交价格构成的集合。例如，成交向量a＝(D1,D2,D3,D4)。成交向量a表示成交价格被划分为四个成交价格区间。向量元素Di(i＝1,2,3,4)代表成交价格属于第i个成交价格区间的农产品供应商的农产品成交量。
在一些实施例中，获取模块210可以通过历史的农产品销售数据获取成交向量。农产品销售数据可以包括成交价格、成交量、交易日期以及其他信息。在一些实施例中，获取模块210可以统计历史农产品销售数据中成交价格位于同一成交价格区间的成交量，并将该成交量作为成交向量中对应成交价格区间的元素值。
步骤830，获取舆论信息。
舆论信息是指经过人们意识而产生的、能够对农产品价格产生影响的信息。在一些实施例中，舆论信息可以包括机构预测的农产品价格信息及其影响度。影响度可以指信息对外界的影响程度。在一些实施例中，影响度可以用于衡量一条农产品价格信息对大众的影响程度。在一些实施例中，影响度可以表示为数值。例如，影响度可以为大于等于0的数值，数值越大，表示农产品价格信息对大众的影响程度越大。
在一些实施例中，舆论信息可以包括舆情矩阵。舆情矩阵可以基于不同影响度构建，影响度可以基于预测价格的传播关系确定。
舆情矩阵是指以不同的预测的价格区间和不同的影响度区间对应的传播机构节点数量为矩阵元素构成的矩阵。在一些实施例中，舆情矩阵中每一行元素的预测价格可以对应一个预测价格区间，舆情矩阵中每一列元素的影响度可以对应一个影响度区间。例如，舆情矩阵
Figure BDA0003722763690000142
舆情矩阵B表示预测价格被划分为四个预测价格区间，影响度被划分为四个影响度区间。矩阵元素Eij(i,j＝1,2,3,4)代表预测价格属于第i个预测价格区间，影响度属于第j个影响度区间的传播机构数量。
预测价格可以指预测机构预测的农产品价格。预测机构可以指预测和/或发布农产品价格的机构。在一些实施例中，预测价格可以表示为数值。例如，预测价格可以为大于0的数值。预测价格区间是指一个或多个预测价格构成的集合。例如，区间[50，60]可以是一个预测的价格区间，其表示预测价格大于等于50且小于等于60的预测价格构成的集合。影响度区间是指一个或多个影响度构成的集合。例如，区间[0.1，0.5]可以是一个影响度区间，其表示影响度大于等于0.1且小于等于0.5的影响度构成的集合。
获取模块210可以基于预测价格的传播关系确定影响度。传播关系可以指信息在外界的传播情况。在一些实施例中，传播关系可以基于至少一个传播特征来描述。例如，传播特征包括传播广度、传播深度等。传播广度可以是指该预测价格被传播的次数。在一些实施例中，获取模块210可以预测价格的传播广度确定为该预测价格的影响度。例如，预测机构发出一条预测价格信息，该预测价格信息被发布在5个中间节点(如网站、微博账号等)上，获取模块210可以确定该预测价格信息的影响度为5。
传播深度可以是指该预测价格被传播到某个节点时该节点的受众量。受众量可以指受众对该预测价格信息的关注程度，例如，浏览量、评论数、点赞数等。在一些实施例中，获取模块210可以通过预测价格的传播深度确定该预测价格的影响度。例如，预测价格的影响度可以等于受众对该预测价格信息的关注程度。示例性的，预测机构发出一条预测价格信息，该预测价格信息传播到2个中间节点(如网站、微博账号等)上，该2个中间节点的受众对该预测价格信息的总浏览量为10000，获取模块210可以确定该预测价格信息的影响度为10000。在一些实施例中，预测价格的影响度还可以基于该预测价格的传播广度与传播深度加权确定。
在本说明书一些实施例中，通过不同影响度的节点构建舆情矩阵，可以体现出不同预测价格信息对市场的影响程度，量化不同舆论信息对农产品价格的影响程度，从而提高预测农产品价格的准确性，进而提高农产品的报价准确性。
在一些实施例中，获取模块210可以通过互联网获取舆论信息。例如，获取模块210可以通过网络爬虫抓取公开网站上各个预测机构的价格预测信息；又例如，获取模块210在通过网络爬虫抓取价格预测信息的同时，可以抓取每条价格预测信息的浏览量、点赞数、评论数、转发数等中的一个或多个，计算得到每条价格预测信息的影响度。
在一些实施例中，获取模块210可以获取预测价格的传播路径。
传播路径可以指信息在一个或多个传播媒介中的传递所构成的路径。例如，一条传播路径可以是：价格预测机构→传播媒介1→传播媒介2→传播媒介3。传播媒介可以指传递信息的载体。传播媒介可以包括报纸、杂志、电台广播、电视、网络等。
在一些实施例中，获取模块210可以基于传播路径构建知识图谱。
知识图谱可以包括节点、节点与节点之间的边。在一些实施例中，节点可以对应传播路径上的价格预测机构或传播媒介，节点与节点之间的边可以表示传播路径的传播方向。
在一些实施例中，知识图谱中的节点可以包括传播机构节点，每个传播机构节点可以对应一个传播机构实体。每一个传播机构实体可以将其预测价格对外发布。在一些实施例中，传播机构实体可以生成预测价格并对外发布，例如，传播机构实体为价格预测机构。在一些实施例中，传播机构实体可以从其他传播机构实体获取预测价格并对外发布，例如，报社、电台、电视台等。在一些实施例中，知识图谱的边可以包括预测价格的传播关系，该边可以是有向边，边的方向可以代表传播关系的方向。
在一些实施例中，知识图谱中的节点可以具有节点特征。在一些实施例中，传播机构节点的节点特征可以包括预测价格、关注度和可信度。
关注度可以指民众对该传播机构的关注程度。在一些实施例中，传播机构节点的关注度可以基于关注该传播机构的人数确定。例如，统计某电台一段时间内(例如一个月)每期节目的平均收听人数，将其作为该电台的关注度。
可信度可以指传播机构节点发布的预测价格的可信程度。在一些实施例中，传播机构节点的可信度可以基于多个历史发布的预测价格确定。例如，传播机构节点的可信度可以等于多个历史发布的预测价格的准确度的平均值，准确度可以基于预测价格与实际价格的差值比确定。
在一些实施例中，知识图谱中的边可以具有边特征。在一些实施例中，传播机构节点与传播机构节点的边特征可以包括传播力。
传播力可以指信息实现有效传播的能力。在一些实施例中，边的传播力可以基于该边连接的两个传播机构节点的节点特征确定。例如，边特征的传播力可以通过该有向边的结束节点的关注度和起始节点的关注度的比值确定。
在一些实施例中，传播机构节点的节点特征还可以包括传播力和影响度。
在一些实施例中，传播机构节点的传播力可以基于以该传播机构节点为起点的传播路径的传播力确定。例如，传播机构节点的传播力可以等于以该传播机构节点为起点的传播路径的传播力总和。传播路径的传播力可以基于该传播路径包含的有向边的传播力确定。例如，传播路径“A→B→C”的传播力可以等于边“A→B”的传播力×边“B→C”的传播力。
在一些实施例中，传播机构节点的影响度可以基于该传播机构节点的可信度和传播力确定。例如，传播机构节点的影响度可以等于该传播机构节点的可信度与传播力的乘积。在一些实施例中，可以根据专家经验构建知识图谱。
在一些实施例中，获取模块210可以对知识图谱进行影响度计算，获取舆论信息的舆情矩阵。例如，获取模块210可以通过获取知识图谱中每个传播机构节点的预测价格以及影响度，基于预测价格和影响度将每个传播机构节点与一个预测价格区间和影响度区间对应，统计每个预测价格区间和影响度区间下的传播机构节点数，并将其作为舆情矩阵中对应预测价格区间和影响度区间的元素值。
在一些实施例中，知识图谱的节点可以包括网络介质节点，网络介质节点的节点特征可以包括农户浏览量和用户总浏览量。
在一些实施例中，网络介质节点与传播机构节点、网络介质节点与网络介质节点之间可以存在有向边，代表预测价格从该有向边的起始节点到结束节点的传播关系。在一些实施例中，网络介质节点与网络介质节点、网络介质节点与传播机构节点的边特征可以包括传播力。
农户浏览量可以指包含预测价格信息的网络页面的农户用户访问量。在一些实施例中，农户浏览量可以通过处理设备后台数据获取。用户总浏览量可以指包含预测价格信息的网络页面的用户总访问量。在一些实施例中，用户总浏览量可以通过处理设备后台数据获取。
在一些实施例中，获取模块210可以获取农户浏览量在用户总浏览量中的占比，基于该占比确定传播机构节点的影响度。例如，获取模块210可以基于网络介质节点的农户浏览量占比，确定包含该网络介质节点的传播路径的传播力，进而确定传播机构节点的影响度。示例性的，包含网络介质节点B的传播路径“传播机构节点A→网络介质节点B→传播机构节点C”的传播力为：(1+α)×边“A→B”的传播力×边“B→C”的传播力，其中，α代表该传播路径上网络介质节点B的农户浏览量占比。在一些实施例中，获取模块210可以基于多个网络介质节点的农户浏览量占比，确定包含该多个网络介质节点的传播路径的传播力。例如，获取模块210可以基于多个网络介质节点的平均农户浏览量占比，确定包含该网络介质节点的传播路径的传播力。示例性的，对于如下一条传播路径：传播机构节点A→网络介质节点B→传播机构节点C→网络介质节点D，该传播路径的传播力为：(1+β)×边“A→B”的传播力×边“B→C”的传播力×边“C→D”的传播力，其中，β代表该传播路径上网络介质节点B和网络介质节点D的平均农户浏览量占比。
在本说明书一些实施例中，通过引入网络介质节点以及农户浏览量特征，可以体现出不同的用户获取预测价格信息后对农产品价格的影响程度，基于农户浏览量在用户总浏览量中的占比确定影响度，可以更准确地量化不同舆论信息对农产品价格的影响程度，进而可以更准确的确定农产品的报价。
在一些实施例中，知识图谱的节点可以包括受众节点，受众节点的节点特征可以包括农户类型向量。
受众可以指通过某个途径关注农产品价格信息的人。每个受众节点可以对应一个受众实体。在一些实施例中，受众中可以包括普通用户、农户等人群。农户类型向量可以用于表示受众节点中占比最大的多个农户类型区间。在一些实施例中，农户类型区间可以包括年龄区间、年收入区间、年生产量区间、年消费区间等中的一个或多个。例如，如下为一个农户类型向量：(1，3，2，1)，该向量包含四个元素，分别代表农户所属年龄区间、年收入区间、年生产量区间、年消费区间，第一个元素为1代表农户位于第一个年龄区间(例如，1代表0-20岁，2代表20-40岁，3代表40-60岁等)，第二个元素为3代表农户位于第三个年收入区间(例如，1代表0-5万，2代表5-10万，3代表10-15万等)等等。在一些实施例中，可以通过农户的账号注册信息获取每个农户所属的农户类型区间。
在一些实施例中，网络介质节点与受众节点、传播机构节点与受众节点可以存在有向边，该有向边可以表示预测价格的传播关系。在一些实施例中，网络介质节点与受众节点、传播机构节点与受众节点的边特征可以包括传播力。
在一些实施例中，获取模块210可以基于农户类型向量，确定传播机构节点的影响度。例如，获取模块210可以基于受众节点的农户类型向量，确定包含该受众节点的传播路径的传播力，进而确定传播机构节点的影响度。在一些实施例中，获取模块210可以基于受众节点的农户类型向量确定预设因子，基于预设因子确定包含该受众节点的传播路径的传播力。预设因子可以是基于经验预设的，例如，针对每一个不同的农户类型向量，都有一个预设因子与之对应。示例性的，包含受众节点C的传播路径“传播机构节点A→网络介质节点B→受众节点C”的传播力为：(1+k)×边“A→B”的传播力×边“B→C”的传播力，其中，k代表该传播路径上网络介质节点B的农户类型向量对应的预设因子。
在本说明书一些实施例中，通过引入受众节点以及农户类型向量特征，可以体现出不同的农户获取预测价格信息后对农产品价格的影响程度，基于农户类型向量确定影响度，可以更准确地量化不同舆论信息对农产品价格的影响程度，进而可以更准确的确定农产品的报价。
在本说明书一些实施例中，通过构建知识图谱，对知识图谱进行影响度计算并获取舆情矩阵，通过影响度可以更准确地量化不同舆论信息对农产品价格的影响程度，进而可以更准确的确定农产品的报价。
步骤840，基于报价信息、成交向量、舆论信息中的至少一种，通过农产品价格预测模型预测农产品价格。其中，该农产品价格预测模型为机器学习模型。在一些实施例中，步骤840可以由预测模块220执行。
农产品价格预测模型指可以预测农产品价格的模型。在一些实施例中，农产品价格预测模型的类型可以包括深度神经网络、循环神经网络等，模型类型的选择可视具体情况而定。
在一些实施例中，农产品价格预测模型的输入可以包括报价信息、成交向量、舆论信息中的至少一个。农产品价格预测模型的输出可以包括未来时刻或未来时段的农产品价格。未来时刻或未来时段可以是任意的，通常由模型训练中的训练样本的标签确定。示例性的，训练农产品价格预测模型时的样本标签为未来一周(时段)的农产品价格(平均值)，则训练后的农产品价格预测模型可以用于预测未来一周(时段)的农产品价格(平均值)。
在一些实施例中，农产品价格预测模型可以为长短期记忆模型。
在一些实施例中，可以基于多个训练样本及标签训练得到农产品价格预测模型。
在一些实施例中，训练样本包括多个不同历史时刻的对应的样本报价信息、成交向量、舆论信息等。标签为多个不同历史时刻的对应的样本未来时刻或未来时段的农产品价格等。训练数据可以基于历史数据获取，训练数据的标签可以通过人工标注或自动标注的方式确定。将带有标签的训练样本输入农产品价格预测模型，通过训练更新农产品价格预测模型的参数，当训练的农产品价格预测模型满足预设条件时，训练结束，获取训练好的农产品价格预测模型。
在一些实施例中，损失函数中的正则化项可以与舆情矩阵的行空间维数和列空间维数之积负相关。例如，损失函数中的正则化项可以乘以一个权重，该权重可以负相关于矩阵的行空间与列空间维数之积。示例性的，模型的损失函数为：Loss＝C0+k*R，其中，C0为损失函数项，R为正则化项，k为正则化项的权重，其值可以为：k＝1/W，其中，W为舆情矩阵的行空间维数和列空间维数之积。
在一些实施例中，预测模块220可以基于农产品价格预测模型对报价信息、成交向量、舆论信息中的至少一种特征进行处理，预测农产品价格。
步骤850，基于预测的农产品价格，确定农产品的报价。在一些实施例中，步骤850可以由确定模块221执行。
在一些实施例中，确定模块221可以基于预测的农产品价格，确定农产品的报价。例如，确定模块221可以将预测的农产品价格，确定为农产品的报价。
在本说明书一些实施例中，基于报价信息、成交向量、舆论信息三方信息预测农产品价格，有效考虑到了影响农产品价格的多方因素，同时，使用了机器学习模型预测农产品价格，大幅提高了农产品价格预测的准确度，进而提高农产品的报价的准确性。
应当注意的是，上述有关流程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。
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。
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)

1.一种确定农产品价格影响参数的方法，其特征在于，所述方法包括：
获取影响因子；
基于所述影响因子为节点，基于所述影响因子的关系为有向边，构建影响图；
基于所述影响图，确定农产品价格影响参数。
2.根据权利要求1所述的方法，其特征在于，所述基于所述影响图，确定农产品价格影响参数包括：
基于所述影响图，构建农产品价格波动预测模型；
基于历史数据，训练所述农产品价格波动预测模型；
基于所述农产品价格波动预测模型的模型参数，确定所述农产品价格影响参数。
3.根据权利要求2所述的方法，其特征在于，所述影响图的有向边的边特征包括可信度。
4.根据权利要求2所述的方法，其特征在于，所述方法还包括：
获取所述农产品价格波动预测模型的预测效果；
基于所述预测效果，动态调整所述农产品价格波动预测模型的模型结构。
5.一种确定农产品价格影响参数的系统，其特征在于，所述系统包括：
获取模块，用于获取影响因子；
预测模块，用于基于所述影响因子为节点，基于所述影响因子的关系为有向边，构建影响图；
确定模块，用于基于所述影响图，确定农产品价格影响参数。
6.根据权利要求5所述的系统，其特征在于，所述确定模块进一步用于：
基于所述影响图，构建农产品价格波动预测模型；
基于历史数据，训练所述农产品价格波动预测模型；
基于所述农产品价格波动预测模型的模型参数，确定所述农产品价格影响参数。
7.根据权利要求6所述的系统，其特征在于，所述影响图的有向边的边特征包括可信度。
8.根据权利要求6所述的系统，其特征在于，所述预测模块包括动态调整模块，所述动态调整模块用于：
获取所述农产品价格波动预测模型的预测效果；
基于所述预测效果，动态调整所述农产品价格波动预测模型的模型结构。
9.一种确定农产品价格影响参数的装置，其特征在于，所述装置包括：
至少一个存储介质，存储计算机指令；
至少一个处理器，执行所述计算机指令，以实现权利要求1至4中任一项所述的确定农产品价格影响参数的方法。
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，当计算机读取所述计算机指令时，所述计算机执行如权利要求1至4中任一项所述的确定农产品价格影响参数的方法。
CN202210756693.1A 2022-05-30 2022-05-30 一种确定农产品价格影响参数的方法和系统 Pending CN114936884A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210756693.1A CN114936884A (zh) 2022-05-30 2022-05-30 一种确定农产品价格影响参数的方法和系统

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN202210596614.5A CN114881706A (zh) 2022-05-30 2022-05-30 一种自动调整农产品报价的方法和系统
CN202210756693.1A CN114936884A (zh) 2022-05-30 2022-05-30 一种确定农产品价格影响参数的方法和系统

Related Parent Applications (1)

Application Number Title Priority Date Filing Date
CN202210596614.5A Division CN114881706A (zh) 2022-05-30 2022-05-30 一种自动调整农产品报价的方法和系统

Publications (1)

Publication Number Publication Date
CN114936884A true CN114936884A (zh) 2022-08-23

Family

ID=82680437

Family Applications (4)

Application Number Title Priority Date Filing Date
CN202210596614.5A Pending CN114881706A (zh) 2022-05-30 2022-05-30 一种自动调整农产品报价的方法和系统
CN202210756693.1A Pending CN114936884A (zh) 2022-05-30 2022-05-30 一种确定农产品价格影响参数的方法和系统
CN202210830227.3A Active CN115082129B (zh) 2022-05-30 2022-05-30 一种农产品自动报价的方法和系统
CN202310920732.1A Active CN117010929B (zh) 2022-05-30 2022-05-30 一种农产品舆情信息构建方法

Family Applications Before (1)

Application Number Title Priority Date Filing Date
CN202210596614.5A Pending CN114881706A (zh) 2022-05-30 2022-05-30 一种自动调整农产品报价的方法和系统

Family Applications After (2)

Application Number Title Priority Date Filing Date
CN202210830227.3A Active CN115082129B (zh) 2022-05-30 2022-05-30 一种农产品自动报价的方法和系统
CN202310920732.1A Active CN117010929B (zh) 2022-05-30 2022-05-30 一种农产品舆情信息构建方法

Country Status (1)

Country Link
CN (4) CN114881706A (zh)

Family Cites Families (24)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11914674B2 (en) * 2011-09-24 2024-02-27 Z Advanced Computing, Inc. System and method for extremely efficient image and pattern recognition and artificial intelligence platform
CN108805311A (zh) * 2017-04-26 2018-11-13 北京金禾天成科技有限公司 农产品的价格预测方法和系统
CN108230016B (zh) * 2017-12-22 2021-08-03 北京农业信息技术研究中心 一种农产品市场价格传递分析方法及分析装置
CN109492827A (zh) * 2018-12-06 2019-03-19 深圳市中农易讯信息技术有限公司 商品价格预测方法、装置、计算机设备及存储介质
US11373228B2 (en) * 2019-01-31 2022-06-28 Walmart Apollo, Llc System and method for determining substitutes for a requested product
CN110060109A (zh) * 2019-04-26 2019-07-26 上海市农业科学院 一种用于预测产品价格的方法、装置和计算机介质
CN111177415A (zh) * 2019-12-31 2020-05-19 秒针信息技术有限公司 基于大数据和知识图谱的生猪养殖预测方法及系统
CN111651610A (zh) * 2020-05-27 2020-09-11 仲恺农业工程学院 基于知识图谱的农产品智能推荐方法及系统
CN111611408A (zh) * 2020-05-27 2020-09-01 北京明略软件系统有限公司 一种舆情分析方法、装置、计算机设备及存储介质
US11379865B2 (en) * 2020-07-17 2022-07-05 Sap Se Machine learned models for item price planning
KR102254772B1 (ko) * 2020-07-21 2021-05-20 장세훈 농산물 매매가격 제시 방법 및 시스템
US10878505B1 (en) * 2020-07-31 2020-12-29 Agblox, Inc. Curated sentiment analysis in multi-layer, machine learning-based forecasting model using customized, commodity-specific neural networks
CN112053181A (zh) * 2020-08-04 2020-12-08 北京派得伟业科技发展有限公司 一种农产品价格预测方法及系统
CN112328868A (zh) * 2020-09-27 2021-02-05 北京农信互联科技集团有限公司 一种基于信息数据的信用评估与授信申请系统及方法
CN112214614B (zh) * 2020-10-16 2024-02-09 民生科技有限责任公司 基于知识图谱挖掘风险传播路径的方法及其系统
EP3985564A1 (en) * 2020-10-16 2022-04-20 Siemens Aktiengesellschaft Method for prediction of relations in a knowledge graph representing an industrial system used to monitor and control the industrial system
CN112214663A (zh) * 2020-10-22 2021-01-12 上海明略人工智能(集团)有限公司 获取舆情声量的方法、系统、装置、存储介质及移动终端
CN112269912B (zh) * 2020-11-18 2021-07-27 布瑞克农业大数据科技集团有限公司 一种农业大数据价格预警管理系统及方法
CN112328577A (zh) * 2020-11-18 2021-02-05 布瑞克农业大数据科技集团有限公司 一种基于县域的农业大数据管理系统及方法
CN112330183A (zh) * 2020-11-18 2021-02-05 布瑞克农业大数据科技集团有限公司 一种构建农业企业大数据画像的方法和系统
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
CN113643060A (zh) * 2021-08-12 2021-11-12 工银科技有限公司 产品价格的预测方法和装置
CN114328949A (zh) * 2021-11-30 2022-04-12 德邦证券股份有限公司 一种基于知识图谱的企业风险传导分析方法和装置
CN114493347A (zh) * 2022-02-16 2022-05-13 阿里巴巴（中国）有限公司 农业管理系统及其方法、电子设备

Also Published As

Publication number Publication date
CN115082129B (zh) 2023-06-16
CN114881706A (zh) 2022-08-09
CN117010929B (zh) 2024-04-26
CN117010929A (zh) 2023-11-07
CN115082129A (zh) 2022-09-20

Similar Documents

Publication Publication Date Title
Ji et al. An Application of a Three‐Stage XGBoost‐Based Model to Sales Forecasting of a Cross‐Border E‐Commerce Enterprise
US20200090195A1 (en) Electronic neural network system for dynamically producing predictive data using varying data
Jiao et al. Profit maximization mechanism and data management for data analytics services
Mostafaeipour et al. Prediction of air travel demand using a hybrid artificial neural network (ANN) with Bat and Firefly algorithms: a case study
Zaidi et al. Combinatorial double auctions for multiple microgrid trading
US20100030799A1 (en) Method for Generating a Computer-Processed Financial Tradable Index
Huang et al. Optimal inventory control with sequential online auction in agriculture supply chain: An agent-based simulation optimisation approach
CN110675029A (zh) 商户的动态管控方法、装置、服务器及可读存储介质
Kullaya Swamy et al. Bank transaction data modeling by optimized hybrid machine learning merged with ARIMA
KR102223844B1 (ko) 투자 연계 멘토링 서비스를 운용하는 방법과 시스템 및 이 방법을 기록한 컴퓨터로 읽을 수 있는 기록 매체
CN113781139A (zh) 物品推荐方法、物品推荐装置、设备和介质
Urraca et al. Improving hotel room demand forecasting with a hybrid GA-SVR methodology based on skewed data transformation, feature selection and parsimony tuning
Götze et al. Improving CAT bond pricing models via machine learning
Dehghani et al. Crude oil price forecasting: a biogeography-based optimization approach
De Rossi et al. A recommender system for active stock selection
KR102018838B1 (ko) 전자입찰참여를 위한 빅데이터 가중이동평균법 기반 입찰정보 분석 서비스 제공 방법
Afshar et al. An automated deep reinforcement learning pipeline for dynamic pricing
Lee et al. Agent simulation-based ordinal optimisation for new product design
CN115082129B (zh) 一种农产品自动报价的方法和系统
JP7436697B2 (ja) 電力市場取引支援プラットフォーム
Gunasekaran et al. Integration of SRA, ANFIS and CAPM for stock portfolio management
Mishra et al. SWARA approach for ranking of agricultural supply chain risks of Odisha in India
de Matta et al. Product price alignment with seller service rating and consumer satisfaction
Ghosh et al. RHProphet: An enhanced sales forecasting model.
US20240070527A1 (en) Digital twin based evaluation, prediction, and forecasting for agricultural products

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20220823