CN116777539A - 基于层次区域结构图的毛鸡品种毛利趋势预测系统及方法 - Google Patents

基于层次区域结构图的毛鸡品种毛利趋势预测系统及方法 Download PDF

Info

Publication number
CN116777539A
CN116777539A CN202310812153.5A CN202310812153A CN116777539A CN 116777539 A CN116777539 A CN 116777539A CN 202310812153 A CN202310812153 A CN 202310812153A CN 116777539 A CN116777539 A CN 116777539A
Authority
CN
China
Prior art keywords
time
space
data
variety
module
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
CN202310812153.5A
Other languages
English (en)
Inventor
郑泽如
黄嘉敏
肖以波
陈家权
曾仲杰
黄珏珺
钟华东
黎剑雄
龚平阳
邝颖杰
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.)
Wens Foodstuff Group Co Ltd
Original Assignee
Wens Foodstuff Group 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 Wens Foodstuff Group Co Ltd filed Critical Wens Foodstuff Group Co Ltd
Priority to CN202310812153.5A priority Critical patent/CN116777539A/zh
Publication of CN116777539A publication Critical patent/CN116777539A/zh
Pending legal-status Critical Current

Links

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
    • G06Q30/0283—Price estimation or determination
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/901—Indexing; Data structures therefor; Storage structures
    • G06F16/9024—Graphs; Linked lists
    • 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
    • G06N3/042—Knowledge-based neural networks; Logical representations of neural 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
    • G06N3/044—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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0499—Feedforward 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

Landscapes

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

Abstract

本发明公开了基于层次区域结构图的毛鸡品种毛利趋势预测系统及方法，所述系统与销售品种规划模块连接，所述系统包括：品种时空建模模块、空间依赖模块和时间依赖模块；品种时空建模模块用于将第一数据进行维度拓展、数据预处理和时空建模操作后，将得到的第二数据传输至空间依赖模块；空间依赖模块用于将第二数据转换为第三数据，并将第三数据传输至时间依赖模块；时间依赖模块用于对第三数据中的时间依赖关系进行信息提取和学习，得到预测结果。通过将第二数据转换为第三数据后，对第三数据中的时间依赖关系进行信息提取和学习得到预测结果，提高了对不同区域中毛鸡品种的只毛利的预测结果的准确性。

Description

基于层次区域结构图的毛鸡品种毛利趋势预测系统及方法
技术领域
本发明涉及深度学习技术领域，特别涉及一种基于层次区域结构图的毛鸡品种毛利趋势预测系统及方法.
背景技术
农产品价格是农产品市场的核心，农产品市场短期内价格的波动不稳和变化的复杂性，会导致农产品市场供需的不平衡，给农产品市场的生产经营者和消费者带来很大的影响。
近年来，农产品价格预测体系得到了较快的发展，从预测方法的出现早晚、复杂程度、数理化程度、智能程度等方面来看，大致可分为定性预测方法和定量预测方法。定性预测方法是指预测者依靠丰富的经验和综合分析能力，根据已掌握的资料，对事物的未来发展做出性质和程度上的判断，并通过一定形式综合各方面的的意见，作为预测未来的主要依据。定量预测法是根据已掌握的比较完备的历史统计数据，运用一定的数学方法进行科学的加工整理，借以揭示有关变量之间的规律性联系，如时间序列预测法、因果关系预测法等，用于预测和推测未来发展变化情况的一类预测方法。例如用于对毛鸡品种的只毛利进行预测的毛鸡品种只毛利预测系统。
但是，市场上现有毛鸡品种只毛利预测系统有以下不足：
1.忽略空间依赖性：市面上基于时间序列挖掘的农产品价格预测系统，一般只考虑不同时间步长的时间依赖性，而忽略了不同市场区域间的空间依赖性。
2.忽略区域层次结构：市场上基于时空数据挖掘的农场品价格预测系统，忽略了同一区域内节点之间的空间依赖性与不同区域内节点之间的空间依赖性存在显著不同这一特点，现有相关技术其时间依赖性和空间依赖性都在无区域网络中建模，未考虑到供给侧/市场等空间节点的层次结构。
3.无法更进一步解决数据稀缺性问题：市场上的农场品价格预测系统，一般只考虑单个变量的某个时间段的平均值来对缺失值进行补值，而忽略了多个变量之间的联系。
因而现有技术还有待改进和提高。
发明内容
本发明的主要目的在于提供一种基于层次区域结构图的毛鸡品种毛利趋势预测系统及方法，旨在解决现有技术中农场品价格预测系统在对不同区域中毛鸡品种的只毛利进行预测时，因预测数据的准确性低下而导致的无法满足不同区域对毛鸡的需求的问题。
为了达到上述目的，本发明采取了以下技术方案：
一种基于层次区域结构图的毛鸡品种毛利趋势预测系统，与销售品种规划模块连接，所述基于层次区域结构图的毛鸡品种毛利趋势预测系统包括：品种时空建模模块、空间依赖模块和时间依赖模块；所述品种时空建模模块、所述空间依赖模块、所述时间依赖模块和所述销售品种规划模块依次连接；
所述品种时空建模模块用于将第一数据进行维度拓展、数据预处理和时空建模操作后，将得到的第二数据传输至所述空间依赖模块；所述空间依赖模块用于将所述第二数据转换为第三数据，并将所述第三数据传输至所述时间依赖模块；所述时间依赖模块用于对所述第三数据中的时间依赖关系进行信息提取和学习，得到预测结果。
所述基于层次区域结构图的毛鸡品种毛利趋势预测系统中，所述基于层次区域结构图的毛鸡品种毛利趋势预测系统还包括：损失函数计算模块；所述损失函数计算模块与所述时间依赖模块连接；所述损失函数计算模块用于根据所述时间依赖模块传输的预测结果与不同层次区域中不同毛鸡品种的真实只毛利构建损失函数，以根据所述损失函数计算所述真实只毛利与所述预测结果的差别。
所述基于层次区域结构图的毛鸡品种毛利趋势预测系统中，所述空间依赖模块包括：映射单元和时空品种特征向量转换单元；所述品种时空建模模块、所述映射单元、所述时空品种特征向量转换单元和所述时间依赖模块依次连接；
所述映射单元用于对区域增广品种特征信息矩阵中的区域增强特征信息的节点特征向量进行映射操作得到映射数据，并将所述映射数据传输至所述时空品种特征向量转换单元；所述时空品种特征向量转换单元用于利用归一化注意系数计算所述节点特征向量的线性组合，得到每个节点的输出特征向量，并利用所述输出特征向量构建得到高阶时空品种特征向量，再将所述高阶时空品种特征向量传输至所述时间依赖模块。
所述基于层次区域结构图的毛鸡品种毛利趋势预测系统中，所述品种时空建模模块包括：维度拓展单元、数据预处理单元和时空建模单元；所述维度拓展单元、所述数据预处理单元和所述时空建模单元和所述映射单元依次连接；
所述维度拓展单元用于根据时序特征、静态特征和趋势特征，将原始数据进行维度拓展操作得到多特征数据，并将所述多特征数据传输至所述数据预处理单元；所述数据预处理单元用于根据所述多特征数据建立多个节点生成对应的特征，并对所述特征进行补充时间戳补完和空间关系补值操作，并将得到的毛鸡品种的时间戳补值传输至所述时空建模单元；所述时空建模单元用于根据所述特征建立原始时空网络后进行合并，对合并后的原始时空网络进行区域划分得到虚拟节点后，利用所述虚拟节点构建销售品种区域增广时空模型，以及所述时空建模单元用于利用所述销售品种区域增广时空模型对所述虚拟节点进行补充得到区域增广品种特征信息矩阵，并将所述区域增广品种特征信息矩阵传输至所述时间依赖模块。
所述基于层次区域结构图的毛鸡品种毛利趋势预测系统中，所述时间依赖模块具体用于利用隐藏状态矩阵和所述区域增广品种特征信息矩阵对所述虚拟节点之间、所述虚拟节点与区域之间、所述区域之间的的时间依赖关系进行信息提取和学习，得到所述预测结果。
所述基于层次区域结构图的毛鸡品种毛利趋势预测系统中，所述第一数据包括原始数据；所述第二数据包括区域增广品种特征信息矩阵；所述第三数据包括高阶时空品种特征向量；所述预测结果包括不同层次区域中不同毛鸡品种的预测只毛利。
一种如上所述基于层次区域结构图的毛鸡品种毛利趋势预测系统的基于层次区域结构图的毛鸡品种毛利趋势预测方法，所述基于层次区域结构图的毛鸡品种毛利趋势预测方法包括：
所述品种时空建模模块将第一数据进行维度拓展、数据预处理和时空建模操作后，将得到的第二数据传输至所述空间依赖模块；
所述空间依赖模块将所述第二数据转换为第三数据，并将所述第三数据传输至所述时间依赖模块；
所述时间依赖模块对所述第三数据中的时间依赖关系进行信息提取和学习，得到预测结果。
所述基于层次区域结构图的毛鸡品种毛利趋势预测方法中，所述基于层次区域结构图的毛鸡品种毛利趋势预测方法还包括：
损失函数计算模块根据所述时间依赖模块传输的预测结果与不同层次区域中不同毛鸡品种的真实只毛利计算损失函数，以计算所述真实只毛利与所述预测结果的差别。
所述基于层次区域结构图的毛鸡品种毛利趋势预测方法中，所述空间依赖模块将所述第二数据转换为第三数据，并将所述第三数据传输至所述时间依赖模块，具体包括：
映射单元对区域增广品种特征信息矩阵中的区域增强特征信息的节点特征向量进行映射操作得到映射数据，并将所述映射数据传输至时空品种特征向量转换单元；
所述时空品种特征向量转换单元利用归一化注意系数计算所述节点特征向量的线性组合，得到每个节点的输出特征向量；
所述时空品种特征向量转换单元利用所述输出特征向量构建得到高阶时空品种特征向量，并将所述高阶时空品种特征向量传输至所述时间依赖模块。
所述基于层次区域结构图的毛鸡品种毛利趋势预测方法中，所述品种时空建模模块将第一数据进行维度拓展、数据预处理和时空建模操作后，将得到的第二数据传输至所述空间依赖模块，具体包括：
维度拓展单元根据时序特征、静态特征和趋势特征，将原始数据进行维度拓展操作得到多特征数据，并将所述多特征数据传输至数据预处理单元；
所述数据预处理单元根据所述多特征数据建立多个节点生成对应的特征，并对所述特征进行补充时间戳补完和空间关系补值操作，并将得到的毛鸡品种的时间戳补值传输至时空建模单元；
所述时空建模单元根据所述特征建立原始时空网络后进行合并，对合并后的原始时空网络进行区域划分得到虚拟节点后，利用所述虚拟节点构建销售品种区域增广时空模型；
所述时空建模单元利用所述销售品种区域增广时空模型对所述虚拟节点进行补充得到区域增广品种特征信息矩阵，并将所述区域增广品种特征信息矩阵传输至所述时间依赖模块；
其中，所述第一数据包括原始数据；所述第二数据包括区域增广品种特征信息矩阵；所述第三数据包括高阶时空品种特征向量。
相较于现有技术，本发明提供的一种基于层次区域结构图的毛鸡品种毛利趋势预测系统及方法，所述系统与销售品种规划模块连接，所述系统包括：品种时空建模模块、空间依赖模块和时间依赖模块；品种时空建模模块用于将第一数据进行维度拓展、数据预处理和时空建模操作后，将得到的第二数据传输至空间依赖模块；空间依赖模块用于将第二数据转换为第三数据，并将第三数据传输至时间依赖模块；时间依赖模块用于对第三数据中的时间依赖关系进行信息提取和学习，得到预测结果。通过将第二数据转换为第三数据后，对第三数据中的时间依赖关系进行信息提取和学习得到预测结果，提高了对不同区域中毛鸡品种的只毛利的预测结果的准确性。
附图说明
图1为本发明提供的基于层次区域结构图的毛鸡品种毛利趋势预测系统的较佳实施例的结构框图；
图2为本发明提供的基于层次区域结构图的毛鸡品种毛利趋势预测系统的较佳实施例的整体架构图；
图3为本发明提供的基于层次区域结构图的毛鸡品种毛利趋势预测系统的较佳实施例中销售品种只毛利预测算法系统的功能实现过程示意图；
图4为本发明提供的基于层次区域结构图的毛鸡品种毛利趋势预测系统的较佳实施例的架构简图；
图5为本发明提供的基于层次区域结构图的毛鸡品种毛利趋势预测系统的较佳实施例中的时空图转化的效果图；
图6为本发明提供的基于层次区域结构图的毛鸡品种毛利趋势预测系统的较佳实施例的模型结构图；
图7为本发明提供的基于层次区域结构图的毛鸡品种毛利趋势预测方法的较佳实施例的流程图；
图8为本发明提供的基于层次区域结构图的毛鸡品种毛利趋势预测方法的较佳实施例中步骤S100的流程图；
图9为本发明提供的基于层次区域结构图的毛鸡品种毛利趋势预测方法的较佳实施例中步骤S200的流程图。
附图标记：1：基于层次区域结构图的毛鸡品种毛利趋势预测系统；2：销售品种规划模块；10：品种时空建模模块；11：维度拓展单元；12：数据预处理单元；13：时空建模单元；20：空间依赖模块；21：映射单元；22：时空品种特征向量转换单元；30：时间依赖模块；40：损失函数计算模块。
具体实施方式
为使本发明的目的、技术方案及效果更加清楚、明确，以下参照附图并举实施例对本发明进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解，当我们称元件被“连接”或“耦接”到另一元件时，它可以直接连接或耦接到其他元件，或者也可以存在中间元件。此外，这里使用的“连接”或“耦接”可以包括无线连接或无线耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的全部或任一单元和全部组合。
本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)，具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语，应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样被特定定义，否则不会用理想化或过于正式的含义来解释。
为了方便理解本申请实施例，首先在此介绍本发明实施例涉及到的相关要素。
现有市面上农产品价格预测算法系统中还存在以下技术缺点：
1.毛鸡品种时空数据稀缺：某些毛鸡品种数据仅有三个月或四个月的时间数据，也有品种在某个时间点后不再销售。同时，在进行不同区域中毛鸡品种的只毛利预测时，只使用单个变量：预测只毛利本身这个任务存在巨大的困难。因此无法简单直接地训练一套可靠的预测模型。
2.毛鸡品种空间与时间建模不够完善：现实销售场景中，不同层级的供给侧生产组织与对应毛鸡品种存在层次区域结构。时空依赖关系仅在无区域网络中建模，而没有考虑空间节点的底层层次区域结构，这是现实世界道路网络中自然存在的一个重要结构。除了像现有方法直接对农产品空间和时间依赖关系进行建模外，再考虑生产组织/市场的分层区域结构所带来的额外挑战在于如何同时对节点和区域之间的空间和时间依赖关系进行建模。
针对以上问题，本发明提供的一种不同区域中毛鸡品种的只毛利。本发明中通过品种时空建模模块将第一数据进行维度拓展、数据预处理和时空建模操作得到的第二数据，空间依赖模块将第二数据转换为第三数据，时间依赖模块再对第三数据中的时间依赖关系进行信息提取和学习，得到预测结果，从而提高了对不同区域中毛鸡品种的只毛利的预测结果的准确性，有助于辅助管理者提前规划布局生产方案，进而提高各区域毛鸡品种销售效益，最终提高企业利润。
下面通过具体示例性的实施例对基于层次区域结构图的毛鸡品种毛利趋势预测系统设计方案进行描述，需要说明的是，下列实施例只用于对发明的技术方案进行解释说明，并不做具体限定：
请参阅图1，本发明提供的一种基于层次区域结构图的毛鸡品种毛利趋势预测系统1，与销售品种规划模块2连接，所述基于层次区域结构图的毛鸡品种毛利趋势预测系统1包括：品种时空建模模块10、空间依赖模块20和时间依赖模块30；所述品种时空建模模块10、所述空间依赖模块20、所述时间依赖模块30和所述销售品种规划模块2依次连接。
所述品种时空建模模块10用于将第一数据进行维度拓展、数据预处理和时空建模操作后，将得到的第二数据传输至所述空间依赖模块20；所述空间依赖模块20用于将所述第二数据转换为第三数据，并将所述第三数据传输至所述时间依赖模块30；所述时间依赖模块30用于对所述第三数据中的时间依赖关系进行信息提取和学习，得到预测结果。
其中，所述第一数据包括原始数据；所述第二数据包括区域增广品种特征信息矩阵；所述第三数据包括高阶时空品种特征向量；所述预测结果包括不同层次区域中不同毛鸡品种的预测只毛利。
具体地，本系统基于原有销售品种的销售品种信息化系统、大数据计算平台，建立销售品种只毛利预测算法系统，所述销售品种只毛利预测算法系统的整体架构图如图2所示，基于层次区域结构图的图注意网络预测预测子系统(基于层次区域结构图的毛鸡品种毛利趋势预测系统1)通过对大数据计算平台的销售品种数据(原始数据)进行持续学习，最终获得所述预测结果即不同层次区域中不同毛鸡品种的预测只毛利，并将所述预测结果输入至至毛鸡销售品种规划子系统。其中，所述毛鸡销售品种规划子系统用于辅助一线管理者提前规划布局生产方案，从而提高各区域销售品种销售效益，最终提高企业利润。
那么，如图3所示，所述基于层次区域结构图的毛鸡品种毛利趋势预测系统1的功能实现过程可以分为五个基本过程：获取原始数据、生成预处理数据、品种时空建模、模型训练和模型预测，那么具体实现过程如下：
第一步，获取原始数据：可以通过大数据计算平台实时获取销售品种数据作为原始数据。
第二、三步，生成预处理数据和品种时空建模：
首先，所述品种时空建模模块10将所述第一数据(原始数据：销售品种数据)进行维度拓展、数据预处理和时空建模操作，得到所述第二数据(区域增广品种特征信息矩阵)，即基于原始数据对销售品种的历史时序数据进行时空层次图建模，不仅在原始数据上扩展数据维度生成多特征层次时空数据(所述第二数据)，还在一定程度上填补了历史时序数据的空白，为下游只毛利预测任务提供充分的多样性数据。
其次，进入第四步，模型训练：所述空间依赖模块20将所述第二数据转换为所述第三数据，即通过理解与学习复杂的空间依赖关系将多特征层次时空数据转换为高阶时空品种特征数据(第三数据：高阶时空品种特征向量)。最后，第五步，进行模型预测：所述时间依赖模块30对所述第三数据中的时间依赖关系进行信息提取和学习，得到所述预测结果(不同层次区域中不同毛鸡品种的预测只毛利)，即基于所述高阶时空品种特征向量，学习高阶存在的时间依赖关系，实现对时序序列的预测，得到所述预测结果。
本发明中通过所述品种时空建模模块10先将原始数据进行维度拓展、数据预处理和时空建模操作，得到所述多特征层次时空数据，利用所述空间依赖模块20将所述多特征层次时空数据转换为高阶时空品种特征数据，再利用所述时间依赖模块30用于对所述高阶时空品种特征数据中的时间依赖关系进行信息提取和学习，得到所述预测结果，提高了对所述预测值毛利的预测的准确性，有助于辅助管理者提前规划布局生产方案，从而有效地提高了各区域毛鸡品种销售效益，进而提高了企业利润。
更进一步地，所述品种时空建模模块10包括：维度拓展单元11、数据预处理单元12和时空建模单元13；所述维度拓展单元11、所述数据预处理单元12和所述时空建模单元13和所述映射单元21依次连接。
所述维度拓展单元11用于根据时序特征、静态特征和趋势特征，将原始数据进行维度拓展操作得到多特征数据，并将所述多特征数据传输至所述数据预处理单元12；所述数据预处理单元12用于根据所述多特征数据建立多个节点生成对应的特征，并对所述特征进行补充时间戳补完和空间关系补值操作，并将得到的毛鸡品种的时间戳补值传输至所述时空建模单元13；所述时空建模单元13用于根据所述特征建立原始时空网络后进行合并，对合并后的原始时空网络进行区域划分得到虚拟节点后，利用所述虚拟节点构建销售品种区域增广时空模型，以及所述时空建模单元13用于利用所述销售品种区域增广时空模型对所述虚拟节点进行补充得到区域增广品种特征信息矩阵，并将所述区域增广品种特征信息矩阵传输至所述时间依赖模块30。
其中，所述时序特征为某个特征在某个时间戳所对应的值；所述静态特征主要指的是销售品种中基本不变的特征；从基本维度出发，某个销售品种隶属于唯一的三级公司、四级公司、销售地和档次；所述趋势特征主要指的是某个特征随时间的变化，或在一定时间窗口内的平均值，包括：某个特征在某个时间戳与对应上一个时间戳的差值；某个特征在设定的时间窗口内的平均值；某个特征在设定的时间窗口内的平均值与对应上一个时间窗口内的平均值的差值。
具体地，所述基于层次区域结构图的毛鸡品种毛利趋势预测系统1的架构简图则如图4所示，所述维度拓展单元11通过建立多特征的方法，根据所述时序特征(某个特征在某个时间戳所对应的值，例如毛鸡的天龄)、所述静态特征(销售品种中基本不变的特征)和所述趋势特征(某个特征随时间的变化，或在一定时间窗口内的平均值，例如毛鸡的价格和销量)三个方面扩展整个系统的特征维度，实现将原始数据进行维度拓展操作得到多特征数据，可以从输入端的单变量对单变量到多变量对单变量的跃迁，提高模型学习输入与输出之间的高阶潜在关系的能力。通过品种中的价格、销量和天龄等与只毛利息息相关的信息，生成多特征信息，在一定程度上缓解数据稀疏性带来的空白。
然后，进入生成预处理数据过程：所述数据预处理单元12根据所述多特征数据建立多个节点生成对应的特征，例如以所述多特征数据中三级公司-四级公司-销售品种-销售省份-档次为基本维度建立节点。从这个基本维度出发，可以通过不同维度的组合建立起多个节点以生成不同的特征，以缓解数据稀疏性的问题。
然而，由于在基本维度的销售品种数据中，所有的销售品种都没办法满足在所有的时间戳上保证都有销量。因此，为了能够最大程度的保障时间戳上的连续性，系统为所有销售品种用“0”补充完整时间戳，即若某销售品种在某时间戳上缺失数据，系统便自动用“0”去补充该时间戳的值。并且，从预测只毛利来看，如果与输出关系最为密切的只毛利的值存在大量的缺失值的话，会使得模型偏向于输出“0”；为了避免这种情况，系统对只毛利的值进行空间关系补值操作：由于销售品种在空间上与对应的档次、销售省份、四级公司和三级公司在空间上存在紧密的联系，因此可以通过加权平均来补上对应销售品种的值。
其中，加权平均的具体计算公式如下式(1)所示：
其中，Pn分别对应这上述所提与销售品种在空间上具有一定联系的特征对应的只毛利；αn分别代表对应维度只毛利所设定的权重。同时，若P的值为“0”，则对应的权重α也为“0”。
那么，所述数据预处理单元12再对所述特征进行补充时间戳补完和空间关系补值操作，得到所述毛鸡品种的时间戳补值。通过寻找品种最为接近的特征，并通过特征融合，生成对应品种的时间戳补值，最大程度上保留了时间序列所需要的连续性。
其次，所述时空建模单元13根据所述特征建立原始时空网络后进行合并得到合并后的原始时空网络，并对合并后的原始时空网络进行区域划分得到虚拟节点，再利用所述虚拟节点构建销售品种区域增广时空模型。系统将原有的品种网络增强为一个基于分层区域结构的区域增强的网络区域，高层次的节点能够汇集来自低层次的节点信息，使得生成的虚拟区域节点可以更好的辅助品种节点的学习。
即在原始毛鸡销售品种网络(原始时空网络)中，销售品种的第i特征建模为网络其中，是由j个节点组成的节点集，对应于网络中的第j个销售品种节点的第i个特征，ε是连接节点的边集，且此时
那么，根据所述特征建立所述原始时空网络，销售品种所有原始时空网络可以表示为其中，nfeature代表销售品种的特征数，而时间步t中的某个特征信息被建模为网络中节点的属性特征，记为其中，列向量表示时间步t中第i个销售品种的特征信息；其中，所述原始时空网络的效果图如图5中的a所示。
因此，对所述原始时空网络进行合并，得到长度为p的历史时间步和当前时间步t的特征信息表示为特征信息矩阵：
接下来，对合并后的原始时空网络进行区域划分得到虚拟节点：
为四级公司定义对应的区域为每个四级公司区域生成对应的虚拟节点，记为同时每个销售品种节点都只隶属于一个四级公司，并连接四级公司区域和对应隶属销售品种节点。
然后，为三级公司定义对应的区域并为每个三级公司区域生成对应的虚拟节点，记为同时每个四级公司都只隶属于一个三级公司，并连接三级公司区域和对应隶属四级公司节点。那么，区域增广节点集可以表示为：
并且，为了建模节点和节点之间的时空依赖性，以及区域之间的时空依赖性，除了四级公司区域-销售品种节点边集，和三级公司区域-四级公司区域边集外，区域增强边缘必须另外包含销售品种节点-销售品种节点，四级公司区域-四级公司区域和三级公司区域-三级公司区域边缘；由此可以生成区域扩展边集其中，所述区域扩展边集如图5中的b所示。从而完成了利用所述虚拟节点构建得到销售品种区域增广时空模型：区域增广节点集和区域扩展边集
在获得区域增广节点集与区域扩展边集后，便可以利用所述销售品种区域增广时空模型对所述虚拟节点进行补充，定义得到区域增广品种特征信息矩阵其中，n代表区域增广节点的个数，p代表历史时间步，nfeature代表销售品种的特征数。
而区域增广品种特征信息矩阵用于表征历史和当前时间步长中虚拟节点的区域感知特征信息。特别是对于网络中的原始节点，特征向量数据与维度保持不变。但是，由于特征信息的规模在原始节点和不同层次的区域中有所不同，所以为了获得区域扩展节点的规范化特征向量，对每个区域的特征向量被计算为直接或间接附属于该区域的原始节点(如隶属于三级公司的四级公司的销售品种节点)的特征向量的平均值。因此，区域增广品种特征信息矩阵定义为一个以前j行为原始特征矩阵的矩阵，对于四级公司区域部分的区域增广品种特征信息矩阵可以表示为：
其中，或者表示销售品种节点ui隶属于四级公司区域和表示Ft的第i行，即中销售品种节点ui的历史时间步长p和当前时间步长t的特征向量。
同理：对于三级公司区域部分的区域增广品种特征信息矩阵可以表示为：
其中，或者表示节点ui间接隶属于区域(例如，ui是隶属于该区域的一个子区域的节点)，和表示Ft的第i行，即中销售品种节点ui的历史时间步长p和当前时间步长t的特征向量。这样，系统就完成了销售品种区域增广时空建模的过程。
更进一步地，继续参阅图1，所述空间依赖模块20包括：映射单元21和时空品种特征向量转换单元22；所述品种时空建模模块10、所述映射单元21、所述时空品种特征向量转换单元22和所述时间依赖模块30依次连接。
所述映射单元21用于对区域增广品种特征信息矩阵中的区域增强特征信息的节点特征向量进行映射操作得到映射数据，并将所述映射数据传输至所述时空品种特征向量转换单元22；所述时空品种特征向量转换单元22用于利用归一化注意系数计算所述节点特征向量的线性组合，得到每个节点的输出特征向量，并利用所述输出特征向量构建得到高阶时空品种特征向量，再将所述高阶时空品种特征向量传输至所述时间依赖模块30。
其中，继续如图4所示，所述映射单元21为MLP：Multilayer Perceptron，中文名为多层感知机，也叫人工神经网络(ANN：Artificial Neural Network)，是一种前馈人工神经网络模型，其将输入的多个数据集映射到单一的输出的数据集上；所述时空品种特征向量转换单元22为多注意力空间图注意力网络，简称图注意层或图注意网络，多注意力空间图注意力网络是一种基于图结构数据的新型神经网络架构，利用隐藏的自我注意层来解决之前基于图卷积或其近似的方法的不足。
具体地，在所述时空建模单元13利用所述销售品种区域增广时空模型对所述虚拟节点进行补充得到所述区域增广品种特征信息矩阵后，所述时空建模单元13将所述区域增广品种特征信息矩阵传输至所述所述映射单元21。然后，进入模型训练的过程：所述映射单元21对区域增广品种特征信息矩阵中的区域增强特征信息的节点特征向量进行映射操作得到映射数据。
其次，所述时空品种特征向量转换单元22则利用归一化注意系数计算所述节点特征向量的线性组合，得到每个节点的输出特征向量，并利用所述输出特征向量构建得到高阶时空品种特征向量。通过采用图注意网络，其中一个节点对另一个节点的重要性，节点的一个区域，区域节点以及区域的另一个区域，均可以通过注意系数的自动捕获。
即利用图注意层将虚拟节点的区域增强特征向量转换为高阶时空品种特征向量，其中可以编码节点之间、节点与区域之间以及区域之间的复杂的空间依赖关系。而且，图注意层的输入是一组表示区域增强特征信息的节点特征向量，其具体的算法过程如下公式所示：
其中，||表示连接操作。
然后便是gat(gat：Graph Attention Networks，中文名为图注意层)部分表示为：
其中，T为转置操作；是需要训练的权重向量；是需要训练的权重矩阵；d是空间依赖子模块的输出维度，是可以设定的超参数。
然后，
其中，表示区域增广网络中节点i的邻居节点。
其次，利用归一化注意系数αij计算相应特征向量的线性组合，得到每个节点的输出特征向量，即
最后，利用所述输出特征向量构建得到高阶时空品种特征向量，即构造了所有个节点的输出特征矩阵如下：
更进一步地，所述时间依赖模块30具体用于利用隐藏状态矩阵和所述区域增广品种特征信息矩阵对所述虚拟节点之间、所述虚拟节点与区域之间、所述区域之间的的时间依赖关系进行信息提取和学习，得到所述预测结果。
其中，如图6所示，所述时间依赖模块30为GRU模型，GRU：gated recurrent unit，中文名为门控循环单元，是循环神经网络(Recurrent Neural Network，RNN)的一种。在对不同层次区域中不同毛鸡品种的只毛利进行预测时，GRU模型可以通过窗口滚动预测(滚动预测的意思是选择一个固定的时间窗口(比如20天)，每次训练完一个时序模型后，预测未来的20天，预测完后将测试集中取相同时间窗口(20天)的数据加入到训练集中继续训练模型)，以预测未来指定的时间步数的毛鸡销售品种只毛利，通过只毛利精准预测，有利于辅助一线管理者提前规划布局生产方案，从而提高各区域销售品种品种销售效益，最终提高企业利润。
具体地，在所述时空品种特征向量转换单元22将所述高阶时空品种特征向量传输至所述时间依赖模块30后，进行模型预测，即对不同层次区域中不同毛鸡品种的只毛利进行预测，得到预测只毛利：所述时间依赖模块30则利用隐藏状态矩阵和所述区域增广品种特征信息矩阵对所述虚拟节点之间、所述虚拟节点与区域之间、所述区域之间的的时间依赖关系进行信息提取和学习，得到所述预测结果，通过利用时间依赖模型来挖掘时间上的关系。
为了对虚拟节点之间、虚拟节点与区域之间、区域之间复杂的时间依赖性进行信息提取，系统采用了GRU模型：
假设隐藏层中的隐藏元数量为h。设表示时间步长t-1中的隐藏状态矩阵。给定时间步t中的输入和前一个时间步t-1中的隐藏状态矩阵那么，复位门和更新门分别计算如下：
其中，和是权重矩阵，是偏置向量。
那么，候选隐藏状态矩阵计算如下：
其中，为权重矩阵，为偏置向量。
其次，利用复位门Rt来控制前一个时间步中的隐藏状态矩阵如何流入当前时间步中的候选隐藏状态矩阵。那么，基于前一个时间步长Ht-1的隐藏状态矩阵和候选隐藏状态矩阵时间步长t中的隐藏状态矩阵可以计算为由更新门Zt加权的线性组合，即：
最后，基于隐状态矩阵Ht，整个网络在时间步长t中的输出，即预测结果(不同层次区域中不同毛鸡品种的预测只毛利)可以通过全连接层计算如下：
其中为权重矩阵，为偏置向量。
与此同时，Wxr，Wxz，Wxh，Whh，whf，Whr，Whz等权重矩阵将会在所有的时间戳上共享参数。偏置向量br，bz，bh，bf，也将会在所有的时间戳上共享参数。
更进一步地，所述基于层次区域结构图的毛鸡品种毛利趋势预测系统1还包括：损失函数计算模块40；所述损失函数计算模块40与所述时间依赖模块30连接；所述损失函数计算模块40用于根据所述时间依赖模块30传输的预测结果与不同层次区域中不同毛鸡品种的真实只毛利构建损失函数，以根据所述损失函数计算所述真实只毛利与所述预测结果的差别。
具体地，在计算出所述预测结果后，与实际获取得到的不同层次区域中不同毛鸡品种的真实只毛利一起构建得到所述损失函数，以便根据所述损失函数计算所述真实只毛利与所述预测结果的差别。
即在利用所述第二数据对所述空间依赖模块20进行训练的过程中，让表示区域扩增网络中所有个节点在未来长度为q的时间步长中的真实只毛利。与类似，的构造如下：
根据预测输出的预测结果和真实值即所述损失函数计算模块40根据所述时间依赖模块30传输的预测结果与不同层次区域中不同毛鸡品种的真实只毛利构建损失函数，那么，整个系统的损失函数可定义如下：
其中，Lreg(φ)是正则化项，用于避免过拟合问题，即φ是模型中的所有参数，而λ是一个超参数。
进一步地，请参阅图7，本发明提供的一种如上所述基于层次区域结构图的毛鸡品种毛利趋势预测系统1的基于层次区域结构图的毛鸡品种毛利趋势预测方法，所述基于层次区域结构图的毛鸡品种毛利趋势预测方法包括：
S100、所述品种时空建模模块10将第一数据进行维度拓展、数据预处理和时空建模操作后，将得到的第二数据传输至所述空间依赖模块20；其中，所述第一数据包括原始数据；所述第二数据包括区域增广品种特征信息矩阵。
具体地，所述基于层次区域结构图的毛鸡品种毛利趋势预测方法是基于所述基于层次区域结构图的毛鸡品种毛利趋势预测系统1实现的，那么所述基于层次区域结构图的毛鸡品种毛利趋势预测方法实现过程如下：
首先，所述品种时空建模模块10将所述第一数据(原始数据：销售品种数据)进行维度拓展、数据预处理和时空建模操作，得到所述第二数据(区域增广品种特征信息矩阵)，即基于原始数据对销售品种的历史时序数据进行时空层次图建模，不仅在原始数据上扩展数据维度生成多特征层次时空数据(所述第二数据)；然后，所述品种时空建模模块10将所述第二数据传输至所述空间依赖模块20。
更进一步地，请参阅图8，S100、所述品种时空建模模块10将第一数据进行维度拓展、数据预处理和时空建模操作后，将得到的第二数据传输至所述空间依赖模块20，具体包括：
S110、维度拓展单元11根据时序特征、静态特征和趋势特征，将原始数据进行维度拓展操作得到多特征数据，并将所述多特征数据传输至数据预处理单元12；
S120、所述数据预处理单元12根据所述多特征数据建立多个节点生成对应的特征，并对所述特征进行补充时间戳补完和空间关系补值操作，并将得到的毛鸡品种的时间戳补值传输至时空建模单元13；
S130、所述时空建模单元13根据所述特征建立原始时空网络后进行合并，对合并后的原始时空网络进行区域划分得到虚拟节点后，利用所述虚拟节点构建销售品种区域增广时空模型；
S140、所述时空建模单元13利用所述销售品种区域增广时空模型对所述虚拟节点进行补充得到区域增广品种特征信息矩阵，并将所述区域增广品种特征信息矩阵传输至所述时间依赖模块30。
具体地，在获取得到所述原始数据后，所述维度拓展单元11通过建立多特征的方法，根据所述时序特征(某个特征在某个时间戳所对应的值，例如毛鸡的天龄)、所述静态特征(销售品种中基本不变的特征)和所述趋势特征(某个特征随时间的变化，或在一定时间窗口内的平均值，例如毛鸡的价格和销量)三个方面扩展整个系统的特征维度，实现将所述原始数据进行维度拓展操作得到多特征数据，可以从输入端的单变量对单变量到多变量对单变量的跃迁，提高模型学习输入与输出之间的高阶潜在关系的能力。
然后，所述数据预处理单元12根据所述多特征数据建立多个节点生成对应的特征，例如以所述多特征数据中三级公司-四级公司-销售品种-销售省份-档次为基本维度建立节点。所述数据预处理单元12再对所述特征进行补充时间戳补完和空间关系补值操作，得到所述毛鸡品种的时间戳补值。通过寻找品种最为接近的特征，并通过特征融合，生成对应品种的时间戳补值，最大程度上保留了时间序列所需要的连续性。
其次，所述时空建模单元13根据所述特征建立原始时空网络后进行合并得到合并后的原始时空网络，并对合并后的原始时空网络进行区域划分得到虚拟节点，再利用所述虚拟节点构建销售品种区域增广时空模型。将原有的品种网络增强为一个基于分层区域结构的区域增强的网络区域，高层次的节点能够汇集来自低层次的节点信息，使得生成的虚拟区域节点可以更好的辅助品种节点的学习。最后，所述时空建模单元13利用所述销售品种区域增广时空模型对所述虚拟节点进行补充得到区域增广品种特征信息矩阵，并将所述区域增广品种特征信息矩阵传输至所述时间依赖模块30。
进一步地，请继续参阅图7，S200、所述空间依赖模块20将所述第二数据转换为第三数据，并将所述第三数据传输至所述时间依赖模块30；其中，所述第三数据包括高阶时空品种特征向量。
具体地，在所述品种时空建模模块10将所述第二数据传输至所述空间依赖模块20后，所述空间依赖模块20将所述第二数据转换为所述第三数据，即通过理解与学习复杂的空间依赖关系将多特征层次时空数据转换为高阶时空品种特征数据(第三数据：高阶时空品种特征向量)，并将所述第三数据传输至所述时间依赖模块30。
更进一步地，请参阅图9，S200、所述空间依赖模块20将所述第二数据转换为第三数据，并将所述第三数据传输至所述时间依赖模块30，具体包括：
S210、映射单元21对区域增广品种特征信息矩阵中的区域增强特征信息的节点特征向量进行映射操作得到映射数据，并将所述映射数据传输至时空品种特征向量转换单元22；
S220、所述时空品种特征向量转换单元22利用归一化注意系数计算所述节点特征向量的线性组合，得到每个节点的输出特征向量；
S230、所述时空品种特征向量转换单元22利用所述输出特征向量构建得到高阶时空品种特征向量，并将所述高阶时空品种特征向量传输至所述时间依赖模块30。
具体地，在所述时空建模单元13利用所述销售品种区域增广时空模型对所述虚拟节点进行补充得到所述区域增广品种特征信息矩阵后，所述时空建模单元13将所述区域增广品种特征信息矩阵传输至所述所述映射单元21。然后，所述映射单元21对区域增广品种特征信息矩阵中的区域增强特征信息的节点特征向量进行映射操作得到映射数据。
其次，所述时空品种特征向量转换单元22则利用归一化注意系数计算所述节点特征向量的线性组合，得到每个节点的输出特征向量，并利用所述输出特征向量构建得到高阶时空品种特征向量，所述时空品种特征向量转换单元22再将所述高阶时空品种特征向量传输至所述时间依赖模块30。
进一步地，请继续参阅图7，S300、所述时间依赖模块30对所述第三数据中的时间依赖关系进行信息提取和学习，得到预测结果。
具体地，最后，所述时间依赖模块30对所述第三数据中的时间依赖关系进行信息提取和学习，得到所述预测结果(不同层次区域中不同毛鸡品种的预测只毛利)，即基于所述高阶时空品种特征向量，学习高阶存在的时间依赖关系，实现对时序序列的预测，得到所述预测结果，从而提升了对只毛利进行预测的准确性，有助于辅助管理者提前规划布局生产方案，进而提高各区域毛鸡品种销售效益，最终提高企业利润。
更进一步地，所述基于层次区域结构图的毛鸡品种毛利趋势预测方法还包括：
S400、损失函数计算模块40根据所述时间依赖模块30传输的预测结果与不同层次区域中不同毛鸡品种的真实只毛利计算损失函数，以计算所述真实只毛利与所述预测结果的差别。
具体地，在计算出所述预测结果后，与实际获取得到的不同层次区域中不同毛鸡品种的真实只毛利一起构建得到所述损失函数，以便根据所述损失函数计算所述真实只毛利与所述预测结果的差别。
综上所述，本发明提供的一种基于层次区域结构图的毛鸡品种毛利趋势预测系统及方法，所述系统与销售品种规划模块连接，所述系统包括：品种时空建模模块、空间依赖模块和时间依赖模块；品种时空建模模块用于将第一数据进行维度拓展、数据预处理和时空建模操作后，将得到的第二数据传输至空间依赖模块；空间依赖模块用于将第二数据转换为第三数据，并将第三数据传输至时间依赖模块；时间依赖模块用于对第三数据中的时间依赖关系进行信息提取和学习，得到预测结果。通过将第二数据转换为第三数据后，对第三数据中的时间依赖关系进行信息提取和学习得到预测结果，提高了对不同区域中毛鸡品种的只毛利的预测结果的准确性。
可以理解的是，对本领域普通技术人员来说，可以根据本发明的技术方案及其发明构思加以等同替换或改变，而所有这些改变或替换都应属于本发明所附的权利要求的保护范围。

Claims (10)

1.一种基于层次区域结构图的毛鸡品种毛利趋势预测系统，与销售品种规划模块连接，其特征在于，所述基于层次区域结构图的毛鸡品种毛利趋势预测系统包括：品种时空建模模块、空间依赖模块和时间依赖模块；所述品种时空建模模块、所述空间依赖模块、所述时间依赖模块和所述销售品种规划模块依次连接；
所述品种时空建模模块用于将第一数据进行维度拓展、数据预处理和时空建模操作后，将得到的第二数据传输至所述空间依赖模块；所述空间依赖模块用于将所述第二数据转换为第三数据，并将所述第三数据传输至所述时间依赖模块；所述时间依赖模块用于对所述第三数据中的时间依赖关系进行信息提取和学习，得到预测结果。
2.根据权利要求1所述的基于层次区域结构图的毛鸡品种毛利趋势预测系统，其特征在于，所述基于层次区域结构图的毛鸡品种毛利趋势预测系统还包括：损失函数计算模块；所述损失函数计算模块与所述时间依赖模块连接；所述损失函数计算模块用于根据所述时间依赖模块传输的预测结果与不同层次区域中不同毛鸡品种的真实只毛利构建损失函数，以根据所述损失函数计算所述真实只毛利与所述预测结果的差别。
3.根据权利要求1所述的基于层次区域结构图的毛鸡品种毛利趋势预测系统，其特征在于，所述空间依赖模块包括：映射单元和时空品种特征向量转换单元；所述品种时空建模模块、所述映射单元、所述时空品种特征向量转换单元和所述时间依赖模块依次连接；
所述映射单元用于对区域增广品种特征信息矩阵中的区域增强特征信息的节点特征向量进行映射操作得到映射数据，并将所述映射数据传输至所述时空品种特征向量转换单元；所述时空品种特征向量转换单元用于利用归一化注意系数计算所述节点特征向量的线性组合，得到每个节点的输出特征向量，并利用所述输出特征向量构建得到高阶时空品种特征向量，再将所述高阶时空品种特征向量传输至所述时间依赖模块。
4.根据权利要求3所述的基于层次区域结构图的毛鸡品种毛利趋势预测系统，其特征在于，所述品种时空建模模块包括：维度拓展单元、数据预处理单元和时空建模单元；所述维度拓展单元、所述数据预处理单元和所述时空建模单元和所述映射单元依次连接；
所述维度拓展单元用于根据时序特征、静态特征和趋势特征，将原始数据进行维度拓展操作得到多特征数据，并将所述多特征数据传输至所述数据预处理单元；所述数据预处理单元用于根据所述多特征数据建立多个节点生成对应的特征，并对所述特征进行补充时间戳补完和空间关系补值操作，并将得到的毛鸡品种的时间戳补值传输至所述时空建模单元；所述时空建模单元用于根据所述特征建立原始时空网络后进行合并，对合并后的原始时空网络进行区域划分得到虚拟节点后，利用所述虚拟节点构建销售品种区域增广时空模型，以及所述时空建模单元用于利用所述销售品种区域增广时空模型对所述虚拟节点进行补充得到区域增广品种特征信息矩阵，并将所述区域增广品种特征信息矩阵传输至所述时间依赖模块。
5.根据权利要求4所述的基于层次区域结构图的毛鸡品种毛利趋势预测系统，其特征在于，所述时间依赖模块具体用于利用隐藏状态矩阵和所述区域增广品种特征信息矩阵对所述虚拟节点之间、所述虚拟节点与区域之间、所述区域之间的的时间依赖关系进行信息提取和学习，得到所述预测结果。
6.根据权利要求5所述的基于层次区域结构图的毛鸡品种毛利趋势预测系统，其特征在于，所述第一数据包括原始数据；所述第二数据包括区域增广品种特征信息矩阵；所述第三数据包括高阶时空品种特征向量；所述预测结果包括不同层次区域中不同毛鸡品种的预测只毛利。
7.一种基于权利要求1-6任一项所述基于层次区域结构图的毛鸡品种毛利趋势预测系统的基于层次区域结构图的毛鸡品种毛利趋势预测方法，其特征在于，所述基于层次区域结构图的毛鸡品种毛利趋势预测方法包括：
所述品种时空建模模块将第一数据进行维度拓展、数据预处理和时空建模操作后，将得到的第二数据传输至所述空间依赖模块；
所述空间依赖模块将所述第二数据转换为第三数据，并将所述第三数据传输至所述时间依赖模块；
所述时间依赖模块对所述第三数据中的时间依赖关系进行信息提取和学习，得到预测结果。
8.根据权利要求7所述的基于层次区域结构图的毛鸡品种毛利趋势预测方法，其特征在于，所述基于层次区域结构图的毛鸡品种毛利趋势预测方法还包括：
损失函数计算模块根据所述时间依赖模块传输的预测结果与不同层次区域中不同毛鸡品种的真实只毛利计算损失函数，以计算所述真实只毛利与所述预测结果的差别。
9.根据权利要求7所述的基于层次区域结构图的毛鸡品种毛利趋势预测方法，其特征在于，所述空间依赖模块将所述第二数据转换为第三数据，并将所述第三数据传输至所述时间依赖模块，具体包括：
映射单元对区域增广品种特征信息矩阵中的区域增强特征信息的节点特征向量进行映射操作得到映射数据，并将所述映射数据传输至时空品种特征向量转换单元；
所述时空品种特征向量转换单元利用归一化注意系数计算所述节点特征向量的线性组合，得到每个节点的输出特征向量；
所述时空品种特征向量转换单元利用所述输出特征向量构建得到高阶时空品种特征向量，并将所述高阶时空品种特征向量传输至所述时间依赖模块。
10.根据权利要求9所述的基于层次区域结构图的毛鸡品种毛利趋势预测方法，其特征在于，所述品种时空建模模块将第一数据进行维度拓展、数据预处理和时空建模操作后，将得到的第二数据传输至所述空间依赖模块，具体包括：
维度拓展单元根据时序特征、静态特征和趋势特征，将原始数据进行维度拓展操作得到多特征数据，并将所述多特征数据传输至数据预处理单元；
所述数据预处理单元根据所述多特征数据建立多个节点生成对应的特征，并对所述特征进行补充时间戳补完和空间关系补值操作，并将得到的毛鸡品种的时间戳补值传输至时空建模单元；
所述时空建模单元根据所述特征建立原始时空网络后进行合并，对合并后的原始时空网络进行区域划分得到虚拟节点后，利用所述虚拟节点构建销售品种区域增广时空模型；
所述时空建模单元利用所述销售品种区域增广时空模型对所述虚拟节点进行补充得到区域增广品种特征信息矩阵，并将所述区域增广品种特征信息矩阵传输至所述时间依赖模块；
其中，所述第一数据包括原始数据；所述第二数据包括区域增广品种特征信息矩阵；所述第三数据包括高阶时空品种特征向量。
CN202310812153.5A 2023-07-04 2023-07-04 基于层次区域结构图的毛鸡品种毛利趋势预测系统及方法 Pending CN116777539A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310812153.5A CN116777539A (zh) 2023-07-04 2023-07-04 基于层次区域结构图的毛鸡品种毛利趋势预测系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310812153.5A CN116777539A (zh) 2023-07-04 2023-07-04 基于层次区域结构图的毛鸡品种毛利趋势预测系统及方法

Publications (1)

Publication Number Publication Date
CN116777539A true CN116777539A (zh) 2023-09-19

Family

ID=88006261

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310812153.5A Pending CN116777539A (zh) 2023-07-04 2023-07-04 基于层次区域结构图的毛鸡品种毛利趋势预测系统及方法

Country Status (1)

Country Link
CN (1) CN116777539A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117830062A (zh) * 2024-03-05 2024-04-05 天津市城市规划设计研究总院有限公司 基于全生命周期碳排放核算的生活垃圾收运系统规划方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117830062A (zh) * 2024-03-05 2024-04-05 天津市城市规划设计研究总院有限公司 基于全生命周期碳排放核算的生活垃圾收运系统规划方法
CN117830062B (zh) * 2024-03-05 2024-05-03 天津市城市规划设计研究总院有限公司 基于全生命周期碳排放核算的生活垃圾收运系统规划方法

Similar Documents

Publication Publication Date Title
CN113962364B (zh) 一种基于深度学习的多因素用电负荷预测方法
Yu et al. Prediction of highway tunnel pavement performance based on digital twin and multiple time series stacking
CN111079931A (zh) 一种基于图神经网络的状态空间概率性多时间序列预测方法
CN113268916A (zh) 一种基于时空图卷积网络的交通事故预测方法
Zhang et al. A Traffic Prediction Method of Bicycle-sharing based on Long and Short term Memory Network.
CN115376317B (zh) 一种基于动态图卷积和时序卷积网络的交通流预测方法
CN113220911B (zh) 一种农业多源异构数据的分析与挖掘方法及其应用
Wang et al. Research on thermal load prediction of district heating station based on transfer learning
CN116777539A (zh) 基于层次区域结构图的毛鸡品种毛利趋势预测系统及方法
CN113538162A (zh) 一种种植策略生成方法、装置、电子设备及存储介质
Ai et al. Short-term wind speed forecasting based on two-stage preprocessing method, sparrow search algorithm and long short-term memory neural network
CN113192647A (zh) 一种基于多特征分层时空表征的新冠确诊人数预测方法和系统
CN117314006A (zh) 一种智能化数据分析方法及系统
CN116227180A (zh) 基于数据驱动的机组组合智能决策方法
CN115080795A (zh) 一种多充电站协同负荷预测方法及装置
Guo et al. Research on an advanced intelligence implementation system for engineering process in industrial field under big data
CN117474522A (zh) 基于自然语言推理的电网变电设备运检辅助决策方法
Chen et al. Inventory management with multisource heterogeneous information: Roles of representation learning and information fusion
Liu et al. Sustainability assessment of cities using multicriteria decision-making combined with deep learning methods
Nguyen et al. Short-term forecasting electricity load by long short-term memory and reinforcement learning for optimization of hyper-parameters
CN114338416A (zh) 一种时空多指标预测方法、装置和存储介质
CN114841461B (zh) 基于时序缺失感知和多源因素融合的空气质量集成预测方法
Tai et al. Long-term electricity demand forecasting for Malaysia using artificial neural networks in the presence of input and model uncertainties
CN113190632B (zh) 一种轨迹复原算法的模型建立方法及系统
CN114220096A (zh) 一种基于图像描述的遥感图像语义理解方法

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