CN117911123A - 一种基于物联网和大数据分析的农产品期货交易监管系统及方法 - Google Patents
一种基于物联网和大数据分析的农产品期货交易监管系统及方法 Download PDFInfo
- Publication number
- CN117911123A CN117911123A CN202410317008.4A CN202410317008A CN117911123A CN 117911123 A CN117911123 A CN 117911123A CN 202410317008 A CN202410317008 A CN 202410317008A CN 117911123 A CN117911123 A CN 117911123A
- Authority
- CN
- China
- Prior art keywords
- data
- agricultural product
- butterfly
- population
- data set
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000007405 data analysis Methods 0.000 title claims abstract description 19
- 239000011159 matrix material Substances 0.000 claims description 63
- 241000607479 Yersinia pestis Species 0.000 claims description 59
- 239000002689 soil Substances 0.000 claims description 58
- 201000010099 disease Diseases 0.000 claims description 42
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 42
- 241000238631 Hexapoda Species 0.000 claims description 25
- 238000012360 testing method Methods 0.000 claims description 25
- 238000012549 training Methods 0.000 claims description 25
- 239000000427 antigen Substances 0.000 claims description 20
- 102000036639 antigens Human genes 0.000 claims description 16
- 108091007433 antigens Proteins 0.000 claims description 16
- 230000006870 function Effects 0.000 claims description 15
- 239000003205 fragrance Substances 0.000 claims description 12
- 241000255777 Lepidoptera Species 0.000 claims description 9
- 238000009395 breeding Methods 0.000 claims description 6
- 230000001488 breeding effect Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 6
- 239000003795 chemical substances by application Substances 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 6
- 230000000007 visual effect Effects 0.000 claims description 5
- 230000035772 mutation Effects 0.000 claims description 4
- 230000000739 chaotic effect Effects 0.000 claims description 3
- 230000005284 excitation Effects 0.000 claims description 3
- 238000012804 iterative process Methods 0.000 claims description 3
- 230000000877 morphologic effect Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 241000894007 species Species 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 abstract description 5
- 241000196324 Embryophyta Species 0.000 description 15
- 238000010899 nucleation Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000004720 fertilization Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 244000052769 pathogen Species 0.000 description 2
- 238000009331 sowing Methods 0.000 description 2
- 238000012876 topography Methods 0.000 description 2
- 235000013619 trace mineral Nutrition 0.000 description 2
- 239000011573 trace mineral Substances 0.000 description 2
- RWSOTUBLDIXVET-UHFFFAOYSA-N Dihydrogen sulfide Chemical compound S RWSOTUBLDIXVET-UHFFFAOYSA-N 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000008451 emotion Effects 0.000 description 1
- 238000003306 harvesting Methods 0.000 description 1
- 230000036039 immunity Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
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
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0611—Request for offers or quotes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06395—Quality analysis or management
-
- 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
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/04—Trading; Exchange, e.g. stocks, commodities, derivatives or currency exchange
-
- 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
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y10/00—Economic sectors
- G16Y10/05—Agriculture
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y40/00—IoT characterised by the purpose of the information processing
- G16Y40/20—Analytics; Diagnosis
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Economics (AREA)
- Computing Systems (AREA)
- Human Resources & Organizations (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Strategic Management (AREA)
- Bioinformatics & Computational Biology (AREA)
- Accounting & Taxation (AREA)
- General Health & Medical Sciences (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Software Systems (AREA)
- Finance (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biophysics (AREA)
- Marketing (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Medical Informatics (AREA)
- Agronomy & Crop Science (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Signal Processing (AREA)
- Technology Law (AREA)
- Computer Networks & Wireless Communication (AREA)
- Genetics & Genomics (AREA)
Abstract
本发明公开了一种基于物联网和大数据分析的农产品期货交易监管系统及方法，涉及期货交易管理领域，获取第一数据集和第二数据集；采用SVM模型并配合LGBOA算法对农产品的产量以及质量进行预测，并将预测结果数据行可视化展示以供意向者进行参观并出价，再与各个意向者进行协商，最后根据所述协商结果判定中断交易或者继续交易，本发明通过采集数据，对农作物的生长情况有了全面的了解，从而为后续对农作物未来的产量和品质进行预测提供了全面的数据支持，同时选出出价最高的意向者进行相关事宜的协商，使得意向者可以正式购买，从而使得农产品可以提前销售，保障了卖家可以交易到高品质以及产量的农产品，同时也提高了卖家的生产积极性。
Description
技术领域
本发明属于期货交易管理领域，具体来说，特别涉及一种基于物联网和大数据分析的农产品期货交易监管系统及方法。
背景技术
农产品期货交易监管系统是一种专门用于监管农产品期货市场的系统；它通过利用先进的技术手段和相应的监管规则，对农产品期货交易进行全面的监控、管理和监管；系统可以实时监测期货市场的交易活动、价格波动、交易者行为等，并对可能存在的违规行为进行预警和监管；此外，系统还可以提供交易数据的分析和报告，帮助监管机构了解市场动态和风险状况，以便采取相应的监管措施；通过农产品期货交易监管系统，可以提高市场的透明度、公平性和合规性，保护投资者的权益，促进农产品期货市场的健康发展。
中国专利CN115578137A公开了一种基于文本挖掘与深度学习模型的农产品期货价格预测方法及系统，包括采集农产品期货历史交易数据和农产品期货新闻文本数据并进行数据预处理；选取T天为窗口滑动划分数据集，将得到的数据集作为多特征数据样本；使用双向长短期记忆神经网络提取价格特征；使用卷积神经网络提取文本特征；使用snowNLP提取新闻情感特征；搭建深度神经网络融合三种特征对提前一步的农产品期货收盘价进行预测。本发明考虑影响农产品期货价格波动的市场和非市场因素，基于文本挖掘与深度学习模型对农产品期货价格趋势进行预测，该方法能够挖掘新闻文本和价格序列的深层特征，且具备更高的预测精度。
由于农产品的成熟期以及保质期都是较短的，因此，当农产品成熟时，市场上会在短期内涌现出大量的农产品供销商，此时农产品的供应量会远远超过市场需求量，导致农产品销售难以顺利进行，出现供需失衡和销售拥堵的情况，因此会给生产者、经销商和消费者带来一系列的困扰甚至经济损失。
发明内容
针对相关技术中的问题，本发明提出一种基于物联网和大数据分析的农产品期货交易监管系统及方法，以克服现有相关技术所存在的上述技术问题。
为解决上述技术问题，本发明是通过以下技术方案实现的：
本发明为一种基于物联网和大数据分析的农产品期货交易监管方法，包括以下步骤：
S1、设定采集周期、采集间隔时间、农产品种类集、农产品产量影响因素种类集、土壤影响因素种类集以及病虫害影响因素种类集，采集历史数据，根据所述历史数据、土壤影响因素种类集、农产品产量影响因素种类集以及病虫害影响因素种类集得到第一数据集；同时每隔采集间隔时间采集一次当前的农产品产量影响因素数据、土壤影响因素数据以及病虫害影响因素数据并进行合并，记为第二数据集；
S2、根据所述土壤影响因素数值集、农产品产量影响因素数值集、病虫害影响因素数值集以及第二数据集，采用SVM模型并配合LGBOA算法对农产品的产量以及质量进行预测，得到预测结果数据集；并将所述预测结果数据集进行可视化展示以供意向者进行参观并出价，得到预出价数据矩阵；
S3、选取所述预出价数据矩阵中每种农产品的预出价最大值对应的意向者，得到意向者集；采用一对多自动协商算法与所述意向者集中的各个意向者进行协商，得到协商结果集；
S4、根据所述协商结果集中的数据判定中断交易或者继续交易；
农产品产量影响因素种类集中包括例如种植方式，如直播、移栽以及育苗，获取这些方式对农产品产量影响的影响程度，还包括例如农作物种植间距和行距、农作物种植密度、栽培周期、播种日期和施肥频次等因素；土壤影响因素种类集中包括例如种植地的地形、土壤质地、pH值、水分以及土壤中微量元素的含量等因素；病虫害影响因素种类集中包括例如病原体、害虫和杂草等因素，通过对上述数据进行采集，对农作物的生产环境以及农作物本身的特点有一个较为全面的描述，根据这些影响因素对其相对应的数据进行采集，从而对农作物的生长情况以及周边环境有了全面的了解，从而为后续对农作物未来的产量和品质进行预测提供了全面的数据支持；
意向者表示对农产品有意向进行预订和购买的人，意向者会根据农作物预测结果来决定是否购买并进行出价预订，支付订金，选出出价最高的意向者进行相关事宜的协商，使得意向者可以正式购买，从而使得农产品可以提前销售，缓解了在正式交易时的市场压力，减低了给农产品卖家造成经济损失的可能性，同时农产品的生长情况是不断变化的，农产品卖家为了正式交易时的有效保障，会根据预测结果以及实时的数据对农产品的种植条件实时调整，保障了卖家可以交易到高品质以及产量的农产品，同时也提高了卖家的生产积极性。
优选地，所述S1包括以下步骤：
S11、设定采集周期、采集间隔时间、农产品种类集、农产品产量影响因素种类集、土壤影响因素种类集以及病虫害影响因素种类集；
其中：为第种农产品，为统计的农产品种类的总个数；为农产品产量的第种影响因素，为农产品产量影响因素的总个数；为影响土壤品质的第种因素，为影响土壤品质的因素总个数；为病虫害影响因素种类集种第种病虫害影响因素，为病虫害影响因素的总个数；
S12、在采集周期内每隔采集一次历史数据，根据所述历史数据、采集周期、采集间隔时间、农产品种类集、农产品产量影响因素种类集、土壤影响因素种类集以及病虫害影响因素种类集得到第一数据集，，其中为各种农作物的在各种产量影响因素中的数值集，记为第一数值矩阵集合，为第种农作物在各个时间点以及在各种产量影响因素中的数值矩阵，如下：
其中：为第种农作物在第个时间点时在第种农产品产量影响因素中的数值，；
为各个时间点时的各种影响土壤品质的因素的数值矩阵，记为第二数值矩阵，如下：
其中：为在个时间点时第种土壤品质影响因素的数值；
为各个时间点时的各种病虫害影响因素的数值矩阵，记为第三数值矩阵，如下：
其中：为在个时间点时第种病虫害影响因素的数值；
同时每隔采集一次当前的农产品产量影响因素数据，得到当前农产品产量影响因素数据矩阵，记为第一当前矩阵，如下：
其中：为当前时刻第种农作物在第种农产品产量影响因素中的数值；
每隔采集一次当前的影响土壤品质的因素数据，得到当前土壤品质影响因素数据集，记为第二当前数据集，其中为当前第种土壤品质影响因素的数值；
每隔采集一次当前的病虫害影响因素数据，得到当前病虫害影响因素数据集，记为第三当前数据集，其中为当前第种病虫害影响因素的数值；
将所述第一当前矩阵、第二当前数据集以及第三当前数据集进行数据合并，得到所述第二数据集；
通过对第一数据集和第二数据集进行采集，并对数据进行分类整理，为后续对农产品产量和质量的预测提供了良好的数据基础，有利于预测结果的准确性。
优选地，所述S2包括以下步骤：
S21、设定质量级别集，其中分别为第一质量级别、第二质量级别和第三质量级别，采用SVM模型并配合LGBOA算法对第一数据集以及第二数据集进行拟合并预测，预测出正式交易时刻的农产品的产量数据以及质量级别，得到第三数据集和第四数据集，其中为正式交易时刻时第种农产品的产量值；为正式交易时刻时第种农产品的质量级别；
S22、获取每种农产品种植位置的地理坐标数据，得到第五数据集，，其中为第种农产品的种植位置地理坐标数据，分别第种农产品的种植位置地理经度值和纬度值；
S23、将第五数据集、第三数据集以及第四数据集进行可视化展示，供有意向者参观，有意向者会进行预出价，得到所述预出价数据矩阵，如下：
其中：为第位出价者对第种农产品的预出价数值；
通过对预测结果进行可视化展示，有利于有意向者对农产品未来的产量和质量有一个直观的了解，从而有利于吸引买方对农产品进行预订，提高了农产品的销售效率。
优选地，所述S21包括以下步骤：
S211、设定蝴蝶种群大小为、激励参数为、感知形态参数为、种群概率阈值为、算法最大循环次数为、惩罚因子参数为以及SVM核函数参数的最大值和最小值；
则蝴蝶种群表示为，其中为蝴蝶种群中第只蝴蝶个体，将蝴蝶种群中的每只蝴蝶的位置编号初始化为；
S212、在所述第一数据集中随机选取的数据作为训练数据集，再将第一数据集中余下的数据以及第二数据集共同作为测试数据集，对所述训练数据集和测试数据集进行标准化处理，分别得到标准化后的训练数据集以及标准化后的测试数据集；
S213、将MSE函数作为衡量蝴蝶位置好坏的适应度函数，所述适应度函数表达式如下：
式中：为输入数据的总量，为SVM的真实输出值，为SVM的期望输出值；
S214、采用所述适应度函数对蝴蝶种群中所有蝴蝶的适应度进行计算，得到适应度数值集，其中为蝴蝶种群中第只蝴蝶的适应度数值，并将对应的蝴蝶个体作为当前最优解，同时对蝴蝶种群中所有蝴蝶的香味浓度进行计算，计算公式如下：
式中：为香味刺激强度值；
得到香味浓度数据集，其中为蝴蝶种群中第只蝴蝶的香味浓度；
S215、设定算法每次循环产生随机数组成的随机数集为，其中为算法第次循环时生成的随机数；
当时，对蝴蝶种群中的局部搜索位置进行更新，更新公式如下：
式中：分别为蝴蝶种群中第只蝴蝶在第次和第次循环时的位置；分别为蝴蝶种群中第只和第只蝴蝶在第次循环时的位置；为搜索路径的莱维因子；
当时，进行收敛判断，当满足蝴蝶种群局部收敛状态且时，对当前最优解进行混沌变异计算；当满足蝴蝶种群局部收敛状态且时，对当前最优解进行高斯变异计算，当不满足蝴蝶种群局部收敛状态时，进入下一次循环；
S216、对所述蝴蝶种群进行全局搜索，对蝴蝶种群中蝴蝶的位置以及适应度值进行更新，得到位置集和新适应度数值集，当位置集中存在位置大于的上限值或者小于的下限值时，对个体位置进行修正操作，得到修正后的位置；
S217、当算法循环次数大于或者等于时，停止循环，输出最优解；
S218、采用所述最优解对SVM模型初始化，得到初始化的SVM模型，对初始化的SVM模型进行训练以及测试，得到训练好的SVM模型，采用训练好的SVM模型对正式交易时刻的农产品的产量数据以及质量级别进行预测，得到所述第三数据集和第四数据集，训练过程具体如下：
设定测试精度阈值，将所述标准化后的训练数据集输入至初始化的SVM模型中进行训练，并使用标准化后的测试数据集作为模型训练测试集，当SVM模型测试精度误差小于时，训练完成，得到所述训练好的SVM模型；
采用蝴蝶算法对SVM模型的初始化参数进行调优，使得SVM模型在预测农产品的产量和质量时更加高效且准确，提高了预测精度。
优选地，所述S3包括以下步骤：
S31、选取所述预出价数据矩阵中每种农产品的预出价最大值对应的意向者，得到意向者集，其中为第种农产品的预出价最高的意向者；
S32、采用一对多自动协商算法与所述意向者集中的各个意向者进行协商，得到协商结果集，其中为与第个意向者进行协商的结果；
通过选出最高出价的意向者，有利于提高卖家农产品的销售利润，从而节省了后续不必要的协商过程，提高了协商效率。
优选地，所述S32包括以下步骤：
S321、设定所述意向者集中的各个意向者在协商过程中有个协商目标，得到协商矩阵，如下：
其中：为在协商过程中第个意向者的第个协商目标；
同时确定各个意向者对于自身的各个协商目标的偏好程度值，得到目标偏好矩阵，如下：
其中：为第个意向者对自身的第个协商目标；
S322、构建抗原种群；其中为抗原种群中的第个抗原，为抗原种群中抗原的总个数，每个所述抗原表示每轮协商中意向者的出价数值；
同时构建抗体种群，并对抗体种群中的每个抗体进行二进制编码；其中为抗体种群中的第个抗体，为抗体种群中抗体的总个数，每个所述抗体表示下一轮协商中代理协商者的还价数值；
S323、计算抗体种群中每个抗体的期望繁殖率，得到期望繁殖率数据集，其中为抗体种群中第个抗体的期望繁殖率，所述期望繁殖率的计算公式如下：
式中：为代理协商者对于抗体种群中第个抗体的综合协同度，为抗原种群中的第个抗原与抗体种群中第个抗体之间亲和力；为抗体种群中第个抗体的浓度；
S324、每一轮迭代会得到协同度数据集，其中为第个意向者在本轮迭代中的最终协同度；设定协同度阈值，对所述抗体种群中每个抗体进行进化操作，并设定算法迭代的终止条件，判断公式如下：
式中：分别为算法第迭代和第次迭代过程中最大的最终协同度，为差值阈值；
当满足上述判断公式时，算法停止迭代，否则，继续进行迭代；
S325、当算法停止迭代时，将得到的协同度数据集中的每个数据与协同度阈值进行比较，当时，将对应的意向者标记为1存入所述协商结果集中，当时，则将对应的意向者标记为0存入所述协商结果集中；
基于人工免疫算法来进行和意向者的协商，减少协商过程中人的参与，更加的智能和高效，提高了协商的效率以及准确度。
优选地，所述S324包括以下步骤：
S3241、对所述期望繁殖率数据集进行数值大小排序操作，对排在前个的期望繁殖率数据对应的抗体存储至抗体种群中的记忆单元中；
S3242、在所述抗体种群中随机生成两个抗体和，设定进化概率为，抗体和抗体依据所述进化概率进行交叉和变异，生成后代抗体，将所述后代抗体存储至抗体种群中的记忆单元中并与记忆单元中的抗体构成新的抗体种群；
S3243、重复进行S323，直到满足所述判断公式为止；
通过对抗体种群中的抗体不断进行交叉和变异操作，一步步的筛选出最优抗体，即筛选出在协商过程中协商得到的最优出价，保障协商的效果。
优选地，所述S4中判定过程如下：
当时，协商成功，能与对应的意向者继续进行后续交易和服务；当时，协商失败；
后续交易和服务包括在意向者与卖方达成预订交易后到正式交易的这段时间内，系统为买方提供农产品的实时产量数据以及品质数据，并相应的收取服务费用，从而有利于买方实时的掌握农产品的相关信息并对可能出现的交易风险提前做出准备。
一种基于物联网和大数据分析的农产品期货交易监管系统，包括农作物数据采集模块、土壤数据采集模块、病虫害数据采集模块、农产品产量和质量预测模块、协商模块、协商结果判断模块；
所述农作物数据采集模块用于采集农作物的各种数据，包括农产品种类集、农产品产量影响因素种类集、第一当前矩阵以及第一数值矩阵集合；
所述土壤数据采集模块用于采集农作物种植的土壤数据，包括土壤影响因素种类集、第二当前数据集和第二数值矩阵；
所述病虫害数据采集模块用于采集农作物生长时的病虫害数据，包括病虫害影响因素种类集、第三当前数据集和第三数值矩阵；
所述农产品产量和质量预测模块用于根据第一数据集和第二数据集来对农产品未来的产量和质量进行预测；
所述协商模块用于与各个意向者进行协商，得到协商结果集；
所述协商结果判断模块用于根据协商结果集中的数据判定中断交易或者继续交易。
本发明具有以下有益效果：
本发明中通过设置农作物数据采集模块、土壤数据采集模块、病虫害数据采集模块、农产品产量和质量预测模块、协商模块、协商结果判断模块，农产品产量影响因素种类集中包括例如种植方式，如直播、移栽以及育苗，获取这些方式对农产品产量影响的影响程度，还包括例如农作物种植间距和行距、农作物种植密度、栽培周期、播种日期和施肥频次等因素；土壤影响因素种类集中包括例如种植地的地形、土壤质地、pH值、水分以及土壤中微量元素的含量等因素；病虫害影响因素种类集中包括例如病原体、害虫和杂草等因素，通过对上述数据进行采集，对农作物的生产环境以及农作物本身的特点有一个较为全面的描述，根据这些影响因素对其相对应的数据进行采集，从而对农作物的生长情况以及周边环境有了全面的了解，从而为后续对农作物未来的产量和品质进行预测提供了全面的数据支持，意向者表示对农产品有意向进行预订和购买的人，意向者会根据农作物预测结果来决定是否购买并进行出价预订，支付订金，选出出价最高的意向者进行相关事宜的协商，使得意向者可以正式购买，从而使得农产品可以提前销售，同时农产品的生长情况是不断变化的，农产品卖家为了正式交易时的有效保障，会根据预测结果以及实时的数据对农产品的种植条件实时调整，保障了卖家可以交易到高品质以及产量的农产品，同时也提高了卖家的生产积极性。
本发明中通过对预测结果进行可视化展示，有利于有意向者对农产品未来的产量和质量有一个直观的了解，从而有利于吸引买方对农产品进行预订，提高了农产品的销售效率。
本发明中通过采用蝴蝶算法对SVM模型的初始化参数进行调优，使得SVM模型在预测农产品的产量和质量时更加高效且准确，提高了预测精度，同时采用人工免疫算法来进行和意向者的协商，减少协商过程中人的参与，更加的智能和高效，提高了协商的效率以及准确度。
当然，实施本发明的任一产品并不一定需要同时达到以上所述的所有优点。
附图说明
为了更清楚地说明发明实施例的技术方案，下面将对实施例描述所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得的附图。
图1为本发明一种基于物联网和大数据分析的农产品期货交易监管系统进行农产品交易监测的流程示意图。
具体实施方式
下面将结合发明实施例中的附图，对发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是发明一部分实施例，而不是全部的实施例。基于发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于发明保护的范围。
在本发明的描述中，需要理解的是，术语“开孔”、“上”、“下”、“顶”、“中”、“内”等指示方位或位置关系，仅是为了便于描述发明和简化描述，而不是指示或暗示所指的组件或元件必须具有特定的方位，以特定的方位构造和操作，因此不能理解为对发明的限制。
本发明为一种基于物联网和大数据分析的农产品期货交易监管方法，包括以下步骤：
S1、设定采集周期、采集间隔时间、农产品种类集、农产品产量影响因素种类集、土壤影响因素种类集以及病虫害影响因素种类集，采集历史数据，根据所述历史数据、土壤影响因素种类集、农产品产量影响因素种类集以及病虫害影响因素种类集得到第一数据集；同时每隔采集间隔时间采集一次当前的农产品产量影响因素数据、土壤影响因素数据以及病虫害影响因素数据并进行合并，记为第二数据集；
所述S1包括以下步骤：
S11、设定采集周期、采集间隔时间、农产品种类集、农产品产量影响因素种类集、土壤影响因素种类集以及病虫害影响因素种类集；
其中：为第种农产品，为统计的农产品种类的总个数；为农产品产量的第种影响因素，为农产品产量影响因素的总个数；为影响土壤品质的第种因素，为影响土壤品质的因素总个数；为病虫害影响因素种类集中第种病虫害影响因素，为病虫害影响因素的总个数；
S12、在采集周期内每隔采集一次历史数据，根据所述历史数据、采集周期、采集间隔时间、农产品种类集、农产品产量影响因素种类集、土壤影响因素种类集以及病虫害影响因素种类集得到第一数据集，，其中为各种农作物的在各种产量影响因素中的数值集，记为第一数值矩阵集合，为第种农作物在各个时间点以及在各种产量影响因素中的数值矩阵，如下：
其中：为第种农作物在第个时间点时在第种农产品产量影响因素中的数值，；
为各个时间点时的各种影响土壤品质的因素的数值矩阵，记为第二数值矩阵，如下：
其中：为在个时间点时第种土壤品质影响因素的数值；
为各个时间点时的各种病虫害影响因素的数值矩阵，记为第三数值矩阵，如下：
其中：为在个时间点时第种病虫害影响因素的数值；
同时每隔采集一次当前的农产品产量影响因素数据，得到当前农产品产量影响因素数据矩阵，记为第一当前矩阵，如下：
其中：为当前时刻第种农作物在第种农产品产量影响因素中的数值；
每隔采集一次当前的影响土壤品质的因素数据，得到当前土壤品质影响因素数据集，记为第二当前数据集，其中为当前第种土壤品质影响因素的数值；
每隔采集一次当前的病虫害影响因素数据，得到当前病虫害影响因素数据集，记为第三当前数据集，其中为当前第种病虫害影响因素的数值；
将所述第一当前矩阵、第二当前数据集以及第三当前数据集进行数据合并，得到所述第二数据集；
S2、根据所述土壤影响因素数值集、农产品产量影响因素数值集、病虫害影响因素数值集以及第二数据集，采用SVM模型并配合LGBOA算法对农产品的产量以及质量进行预测，得到预测结果数据集；并将所述预测结果数据集进行可视化展示以供意向者进行参观并出价，得到预出价数据矩阵；
所述S2包括以下步骤：
S21、设定质量级别集，其中分别为第一质量级别、第二质量级别和第三质量级别，采用SVM模型并配合LGBOA算法对第一数据集以及第二数据集进行拟合并预测，预测出正式交易时刻的农产品的产量数据以及质量级别，得到第三数据集和第四数据集，其中为正式交易时刻时第种农产品的产量值；为正式交易时刻时第种农产品的质量级别；
所述S21包括以下步骤：
S211、设定蝴蝶种群大小为、激励参数为、感知形态参数为、种群概率阈值为、算法最大循环次数为、惩罚因子参数为以及SVM核函数参数的最大值和最小值；
则蝴蝶种群表示为，其中为蝴蝶种群中第只蝴蝶个体，将蝴蝶种群中的每只蝴蝶的位置编号初始化为；
S212、在所述第一数据集中随机选取的数据作为训练数据集，再将第一数据集中余下的数据以及第二数据集共同作为测试数据集，对所述训练数据集和测试数据集进行标准化处理，分别得到标准化后的训练数据集以及标准化后的测试数据集；
S213、将MSE函数作为衡量蝴蝶位置好坏的适应度函数，所述适应度函数表达式如下：
式中：为输入数据的总量，为SVM的真实输出值，为SVM的期望输出值；
S214、采用所述适应度函数对蝴蝶种群中所有蝴蝶的适应度进行计算，得到适应度数值集，其中为蝴蝶种群中第只蝴蝶的适应度数值，并将对应的蝴蝶个体作为当前最优解，同时对蝴蝶种群中所有蝴蝶的香味浓度进行计算，计算公式如下：
式中：为香味刺激强度值；
得到香味浓度数据集，其中为蝴蝶种群中第只蝴蝶的香味浓度；
S215、设定算法每次循环产生随机数组成的随机数集为，其中为算法第次循环时生成的随机数；
当时，对蝴蝶种群中的局部搜索位置进行更新，更新公式如下：
式中：分别为蝴蝶种群中第只蝴蝶在第次和第次循环时的位置；分别为蝴蝶种群中第只和第只蝴蝶在第次循环时的位置；为搜索路径的莱维因子；
当时，进行收敛判断，当满足蝴蝶种群局部收敛状态且时，对当前最优解进行混沌变异计算；当满足蝴蝶种群局部收敛状态且时，对当前最优解进行高斯变异计算，当不满足蝴蝶种群局部收敛状态时，进入下一次循环；
S216、对所述蝴蝶种群进行全局搜索，对蝴蝶种群中蝴蝶的位置以及适应度值进行更新，得到位置集和新适应度数值集，当位置集中存在位置大于的上限值或者小于的下限值时，对个体位置进行修正操作，得到修正后的位置；
S217、当算法循环次数大于或者等于时，停止循环，输出最优解；
S218、采用所述最优解对SVM模型初始化，得到初始化的SVM模型，对初始化的SVM模型进行训练以及测试，得到训练好的SVM模型，采用训练好的SVM模型对正式交易时刻的农产品的产量数据以及质量级别进行预测，得到所述第三数据集和第四数据集，训练过程具体如下：
设定测试精度阈值，将所述标准化后的训练数据集输入至初始化的SVM模型中进行训练，并使用标准化后的测试数据集作为模型训练测试集，当SVM模型测试精度误差小于时，训练完成，得到所述训练好的SVM模型；
S22、获取每种农产品种植位置的地理坐标数据，得到第五数据集，，其中为第种农产品的种植位置地理坐标数据，分别第种农产品的种植位置地理经度值和纬度值；
S23、将第五数据集、第三数据集以及第四数据集进行可视化展示，供有意向者参观，有意向者会进行预出价，得到所述预出价数据矩阵，如下：
其中：为第位出价者对第种农产品的预出价数值；
S3、选取所述预出价数据矩阵中每种农产品的预出价最大值对应的意向者，得到意向者集；采用一对多自动协商算法与所述意向者集中的各个意向者进行协商，得到协商结果集；
所述S3包括以下步骤：
S31、选取所述预出价数据矩阵中每种农产品的预出价最大值对应的意向者，得到意向者集，其中为第种农产品的预出价最高的意向者；
S32、采用一对多自动协商算法与所述意向者集中的各个意向者进行协商，得到协商结果集，其中为与第个意向者进行协商的结果；
所述S32包括以下步骤：
S321、设定所述意向者集中的各个意向者在协商过程中有个协商目标，得到协商矩阵，如下：
其中：为在协商过程中第个意向者的第个协商目标；
同时确定各个意向者对于自身的各个协商目标的偏好程度值，得到目标偏好矩阵，如下：
其中：为第个意向者对自身的第个协商目标；
S322、构建抗原种群；其中为抗原种群中的第个抗原，为抗原种群中抗原的总个数，每个所述抗原表示每轮协商中意向者的出价数值；
同时构建抗体种群，并对抗体种群中的每个抗体进行二进制编码；其中为抗体种群中的第个抗体，为抗体种群中抗体的总个数，每个所述抗体表示下一轮协商中代理协商者的还价数值；
S323、计算抗体种群中每个抗体的期望繁殖率，得到期望繁殖率数据集，其中为抗体种群中第个抗体的期望繁殖率，所述期望繁殖率的计算公式如下：
式中：为代理协商者对于抗体种群中第个抗体的综合协同度，为抗原种群中的第个抗原与抗体种群中第个抗体之间亲和力；为抗体种群中第个抗体的浓度；
S324、每一轮迭代会得到协同度数据集，其中为第个意向者在本轮迭代中的最终协同度；设定协同度阈值，对所述抗体种群中每个抗体进行进化操作，并设定算法迭代的终止条件，判断公式如下：
式中：分别为算法第迭代和第次迭代过程中最大的最终协同度，为差值阈值；
当满足上述判断公式时，算法停止迭代，否则，继续进行迭代；
所述S324包括以下步骤：
S3241、对所述期望繁殖率数据集进行数值大小排序操作，对排在前个的期望繁殖率数据对应的抗体存储至抗体种群中的记忆单元中；
S3242、在所述抗体种群中随机生成两个抗体和，设定进化概率为，抗体和抗体依据所述进化概率进行交叉和变异，生成后代抗体，将所述后代抗体存储至抗体种群中的记忆单元中并与记忆单元中的抗体构成新的抗体种群；
S3243、重复进行S323，直到满足所述判断公式为止；
S325、当算法停止迭代时，将得到的协同度数据集中的每个数据与协同度阈值进行比较，当时，将对应的意向者标记为1存入所述协商结果集中，当时，则将对应的意向者标记为0存入所述协商结果集中；
S4、根据所述协商结果集中的数据判定中断交易或者继续交易；
所述S4中判定过程如下：
当时，协商成功，能与对应的意向者继续进行后续交易和服务；当时，协商失败。
一种基于物联网和大数据分析的农产品期货交易监管系统，包括农作物数据采集模块、土壤数据采集模块、病虫害数据采集模块、农产品产量和质量预测模块、协商模块、协商结果判断模块；
所述农作物数据采集模块用于采集农作物的各种数据，包括农产品种类集、农产品产量影响因素种类集、第一当前矩阵以及第一数值矩阵集合；
所述土壤数据采集模块用于采集农作物种植的土壤数据，包括土壤影响因素种类集、第二当前数据集和第二数值矩阵；
所述病虫害数据采集模块用于采集农作物生长时的病虫害数据，包括病虫害影响因素种类集、第三当前数据集和第三数值矩阵；
所述农产品产量和质量预测模块用于根据第一数据集和第二数据集来对农产品未来的产量和质量进行预测；
所述协商模块用于与各个意向者进行协商，得到协商结果集；
所述协商结果判断模块用于根据协商结果集中的数据判定中断交易或者继续交易。
在本说明书的描述中，参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上公开的发明优选实施例只是用于帮助阐述发明。优选实施例并没有详尽叙述所有的细节，也不限制该发明仅为所述的具体实施方式。显然，根据本说明书的内容，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释发明的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用发明。
Claims (9)
1.一种基于物联网和大数据分析的农产品期货交易监管方法，其特征在于：包括以下步骤：
S1、设定采集周期、采集间隔时间、农产品种类集、农产品产量影响因素种类集、土壤影响因素种类集以及病虫害影响因素种类集，采集历史数据，根据所述历史数据、土壤影响因素种类集、农产品产量影响因素种类集以及病虫害影响因素种类集得到第一数据集；同时每隔采集间隔时间采集一次当前的农产品产量影响因素数据、土壤影响因素数据以及病虫害影响因素数据并进行合并，记为第二数据集；
S2、根据所述土壤影响因素数值集、农产品产量影响因素数值集、病虫害影响因素数值集以及第二数据集，采用SVM模型并配合LGBOA算法对农产品的产量以及质量进行预测，得到预测结果数据集；并将所述预测结果数据集进行可视化展示以供意向者进行参观并出价，得到预出价数据矩阵；
S3、选取所述预出价数据矩阵中每种农产品的预出价最大值对应的意向者，得到意向者集；采用一对多自动协商算法与所述意向者集中的各个意向者进行协商，得到协商结果集；
S4、根据所述协商结果集中的数据判定中断交易或者继续交易。
2.根据权利要求1所述的一种基于物联网和大数据分析的农产品期货交易监管方法，其特征在于：所述S1包括以下步骤：
S11、设定采集周期、采集间隔时间、农产品种类集、农产品产量影响因素种类集、土壤影响因素种类集以及病虫害影响因素种类集；
其中：为第种农产品，为统计的农产品种类的总个数；为农产品产量的第种影响因素，为农产品产量影响因素的总个数；为影响土壤品质的第种因素，为影响土壤品质的因素总个数；为病虫害影响因素种类集种第种病虫害影响因素，为病虫害影响因素的总个数；
S12、在采集周期内每隔采集一次历史数据，根据所述历史数据、采集周期、采集间隔时间、农产品种类集、农产品产量影响因素种类集、土壤影响因素种类集以及病虫害影响因素种类集得到第一数据集，，其中为各种农作物的在各种产量影响因素中的数值集，记为第一数值矩阵集合，为第种农作物在各个时间点以及在各种产量影响因素中的数值矩阵，如下：
；
其中：为第种农作物在第个时间点时在第种农产品产量影响因素中的数值，；
为各个时间点时的各种影响土壤品质的因素的数值矩阵，记为第二数值矩阵，如下：
；
其中：为在个时间点时第种土壤品质影响因素的数值；
为各个时间点时的各种病虫害影响因素的数值矩阵，记为第三数值矩阵，如下：
；
其中：为在个时间点时第种病虫害影响因素的数值；
同时每隔采集一次当前的农产品产量影响因素数据，得到当前农产品产量影响因素数据矩阵，记为第一当前矩阵，如下：
；
其中：为当前时刻第种农作物在第种农产品产量影响因素中的数值；
每隔采集一次当前的影响土壤品质的因素数据，得到当前土壤品质影响因素数据集，记为第二当前数据集，其中为当前第种土壤品质影响因素的数值；
每隔采集一次当前的病虫害影响因素数据，得到当前病虫害影响因素数据集，记为第三当前数据集，其中为当前第种病虫害影响因素的数值；
将所述第一当前矩阵、第二当前数据集以及第三当前数据集进行数据合并，得到所述第二数据集。
3.根据权利要求1所述的一种基于物联网和大数据分析的农产品期货交易监管方法，其特征在于：所述S2包括以下步骤：
S21、设定质量级别集，其中分别为第一质量级别、第二质量级别和第三质量级别，采用SVM模型并配合LGBOA算法对第一数据集以及第二数据集进行拟合并预测，预测出正式交易时刻的农产品的产量数据以及质量级别，得到第三数据集和第四数据集，其中为正式交易时刻时第种农产品的产量值；为正式交易时刻时第种农产品的质量级别；
S22、获取每种农产品种植位置的地理坐标数据，得到第五数据集，，其中为第种农产品的种植位置地理坐标数据，分别第种农产品的种植位置地理经度值和纬度值；
S23、将第五数据集、第三数据集以及第四数据集进行可视化展示，供有意向者参观，有意向者会进行预出价，得到所述预出价数据矩阵，如下：
；
其中：为第位出价者对第种农产品的预出价数值。
4.根据权利要求3所述的一种基于物联网和大数据分析的农产品期货交易监管方法，其特征在于：所述S21包括以下步骤：
S211、设定蝴蝶种群大小为、激励参数为、感知形态参数为、种群概率阈值为、算法最大循环次数为、惩罚因子参数为以及SVM核函数参数的最大值和最小值；
则蝴蝶种群表示为，其中为蝴蝶种群中第只蝴蝶个体，将蝴蝶种群中的每只蝴蝶的位置编号初始化为；
S212、在所述第一数据集中随机选取的数据作为训练数据集，再将第一数据集中余下的数据以及第二数据集共同作为测试数据集，对所述训练数据集和测试数据集进行标准化处理，分别得到标准化后的训练数据集以及标准化后的测试数据集；
S213、将MSE函数作为衡量蝴蝶位置好坏的适应度函数，所述适应度函数表达式如下：
；
式中：为输入数据的总量，为SVM的真实输出值，为SVM的期望输出值；
S214、采用所述适应度函数对蝴蝶种群中所有蝴蝶的适应度进行计算，得到适应度数值集，其中为蝴蝶种群中第只蝴蝶的适应度数值，并将对应的蝴蝶个体作为当前最优解，同时对蝴蝶种群中所有蝴蝶的香味浓度进行计算，计算公式如下：
；
式中：为香味刺激强度值；
得到香味浓度数据集，其中为蝴蝶种群中第只蝴蝶的香味浓度；
S215、设定算法每次循环产生随机数组成的随机数集为，其中为算法第次循环时生成的随机数；
当时，对蝴蝶种群中的局部搜索位置进行更新，更新公式如下：
；
式中：分别为蝴蝶种群中第只蝴蝶在第次和第次循环时的位置；分别为蝴蝶种群中第只和第只蝴蝶在第次循环时的位置；为搜索路径的莱维因子；
当时，进行收敛判断，当满足蝴蝶种群局部收敛状态且时，对当前最优解进行混沌变异计算；当满足蝴蝶种群局部收敛状态且时，对当前最优解进行高斯变异计算，当不满足蝴蝶种群局部收敛状态时，进入下一次循环；
S216、对所述蝴蝶种群进行全局搜索，对蝴蝶种群中蝴蝶的位置以及适应度值进行更新，得到位置集和新适应度数值集，当位置集中存在位置大于的上限值或者小于的下限值时，对个体位置进行修正操作，得到修正后的位置；
S217、当算法循环次数大于或者等于时，停止循环，输出最优解；
S218、采用所述最优解对SVM模型初始化，得到初始化的SVM模型，对初始化的SVM模型进行训练以及测试，得到训练好的SVM模型，采用训练好的SVM模型对正式交易时刻的农产品的产量数据以及质量级别进行预测，得到所述第三数据集和第四数据集，训练过程具体如下：
设定测试精度阈值，将所述标准化后的训练数据集输入至初始化的SVM模型中进行训练，并使用标准化后的测试数据集作为模型训练测试集，当SVM模型测试精度误差小于时，训练完成，得到所述训练好的SVM模型。
5.根据权利要求1所述的一种基于物联网和大数据分析的农产品期货交易监管方法，其特征在于：所述S3包括以下步骤：
S31、选取所述预出价数据矩阵中每种农产品的预出价最大值对应的意向者，得到意向者集，其中为第种农产品的预出价最高的意向者；
S32、采用一对多自动协商算法与所述意向者集中的各个意向者进行协商，得到协商结果集，其中为与第个意向者进行协商的结果。
6.根据权利要求5所述的一种基于物联网和大数据分析的农产品期货交易监管方法，其特征在于：所述S32包括以下步骤：
S321、设定所述意向者集中的各个意向者在协商过程中有个协商目标，得到协商矩阵，如下：
；
其中：为在协商过程中第个意向者的第个协商目标；
同时确定各个意向者对于自身的各个协商目标的偏好程度值，得到目标偏好矩阵，如下：
；
其中：为第个意向者对自身的第个协商目标；
S322、构建抗原种群；其中为抗原种群中的第个抗原，为抗原种群中抗原的总个数，每个所述抗原表示每轮协商中意向者的出价数值；
同时构建抗体种群，并对抗体种群中的每个抗体进行二进制编码；其中为抗体种群中的第个抗体，为抗体种群中抗体的总个数，每个所述抗体表示下一轮协商中代理协商者的还价数值；
S323、计算抗体种群中每个抗体的期望繁殖率，得到期望繁殖率数据集，其中为抗体种群中第个抗体的期望繁殖率，所述期望繁殖率的计算公式如下：
；
式中：为代理协商者对于抗体种群中第个抗体的综合协同度，为抗原种群中的第个抗原与抗体种群中第个抗体之间亲和力；为抗体种群中第个抗体的浓度；
S324、每一轮迭代会得到协同度数据集，其中为第个意向者在本轮迭代中的最终协同度；设定协同度阈值，对所述抗体种群中每个抗体进行进化操作，并设定算法迭代的终止条件，判断公式如下：
；
式中：分别为算法第迭代和第次迭代过程中最大的最终协同度，为差值阈值；
当满足上述判断公式时，算法停止迭代，否则，继续进行迭代；
S325、当算法停止迭代时，将得到的协同度数据集中的每个数据与协同度阈值进行比较，当时，将对应的意向者标记为1存入所述协商结果集中，当时，则将对应的意向者标记为0存入所述协商结果集中。
7.根据权利要求6所述的一种基于物联网和大数据分析的农产品期货交易监管方法，其特征在于：所述S324包括以下步骤：
S3241、对所述期望繁殖率数据集进行数值大小排序操作，对排在前个的期望繁殖率数据对应的抗体存储至抗体种群中的记忆单元中；
S3242、在所述抗体种群中随机生成两个抗体和，设定进化概率为，抗体和抗体依据所述进化概率进行交叉和变异，生成后代抗体，将所述后代抗体存储至抗体种群中的记忆单元中并与记忆单元中的抗体构成新的抗体种群；
S3243、重复进行S323，直到满足所述判断公式为止。
8.根据权利要求1所述的一种基于物联网和大数据分析的农产品期货交易监管方法，其特征在于：所述S4中判定过程如下：
当时，协商成功，能与对应的意向者继续进行后续交易和服务；当时，协商失败。
9.一种实现如权利要求1-8任一项所述的基于物联网和大数据分析的农产品期货交易监管方法的系统，其特征在于：包括农作物数据采集模块、土壤数据采集模块、病虫害数据采集模块、农产品产量和质量预测模块、协商模块、协商结果判断模块；
所述农作物数据采集模块用于采集农作物的各种数据，包括农产品种类集、农产品产量影响因素种类集、第一当前矩阵以及第一数值矩阵集合；
所述土壤数据采集模块用于采集农作物种植的土壤数据，包括土壤影响因素种类集、第二当前数据集和第二数值矩阵；
所述病虫害数据采集模块用于采集农作物生长时的病虫害数据，包括病虫害影响因素种类集、第三当前数据集和第三数值矩阵；
所述农产品产量和质量预测模块用于根据第一数据集和第二数据集来对农产品未来的产量和质量进行预测；
所述协商模块用于与各个意向者进行协商，得到协商结果集；
所述协商结果判断模块用于根据协商结果集中的数据判定中断交易或者继续交易。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410317008.4A CN117911123B (zh) | 2024-03-20 | 2024-03-20 | 一种基于物联网和大数据分析的农产品期货交易监管系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410317008.4A CN117911123B (zh) | 2024-03-20 | 2024-03-20 | 一种基于物联网和大数据分析的农产品期货交易监管系统及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117911123A true CN117911123A (zh) | 2024-04-19 |
| CN117911123B CN117911123B (zh) | 2024-06-04 |
Family
ID=90689388
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410317008.4A Active CN117911123B (zh) | 2024-03-20 | 2024-03-20 | 一种基于物联网和大数据分析的农产品期货交易监管系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117911123B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118365422A (zh) * | 2024-05-14 | 2024-07-19 | 常州渠道云端信息科技有限公司 | 一种基于ai预测的农产品期货交易平台 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109242201A (zh) * | 2018-09-29 | 2019-01-18 | 上海中信信息发展股份有限公司 | 一种预测农作物产量的方法、装置及计算机可读存储介质 |
| US20210010993A1 (en) * | 2019-07-11 | 2021-01-14 | Locus Agriculture Ip Company, Llc | Use of soil and other environmental data to recommend customized agronomic programs |
| CN113469830A (zh) * | 2021-06-29 | 2021-10-01 | 浙江数秦科技有限公司 | 基于区块链及生长模型的农产品竞价交易系统 |
| CN114693367A (zh) * | 2022-04-14 | 2022-07-01 | 南京绿色科技研究院有限公司 | 一种农产品价格大数据监测与可视化系统及方法 |
| CN115578137A (zh) * | 2022-10-31 | 2023-01-06 | 华南农业大学 | 一种基于文本挖掘与深度学习模型的农产品期货价格预测方法及系统 |
| CN116664213A (zh) * | 2023-05-31 | 2023-08-29 | 东莞市卓承文化发展有限公司 | 基于大数据分析的农产品市场价格预警管理系统及方法 |
| CN117010942A (zh) * | 2023-08-11 | 2023-11-07 | 新立讯科技股份有限公司 | 基于神经网络和线性模型的农产品销售预测方法和系统 |
| CN117033810A (zh) * | 2023-05-23 | 2023-11-10 | 上海华维可控农业科技集团股份有限公司 | 一种基于大数据的农业数据分析管理系统及方法 |
| CN117313920A (zh) * | 2023-09-06 | 2023-12-29 | 桂林市农业科学研究中心 | 一种智能化葡萄种植环境监测系统 |
| CN117611989A (zh) * | 2023-10-20 | 2024-02-27 | 安徽师范大学 | 一种基于ssa-lstm的冬小麦估产方法 |
-
2024
- 2024-03-20 CN CN202410317008.4A patent/CN117911123B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109242201A (zh) * | 2018-09-29 | 2019-01-18 | 上海中信信息发展股份有限公司 | 一种预测农作物产量的方法、装置及计算机可读存储介质 |
| US20210010993A1 (en) * | 2019-07-11 | 2021-01-14 | Locus Agriculture Ip Company, Llc | Use of soil and other environmental data to recommend customized agronomic programs |
| CN113469830A (zh) * | 2021-06-29 | 2021-10-01 | 浙江数秦科技有限公司 | 基于区块链及生长模型的农产品竞价交易系统 |
| CN114693367A (zh) * | 2022-04-14 | 2022-07-01 | 南京绿色科技研究院有限公司 | 一种农产品价格大数据监测与可视化系统及方法 |
| CN115578137A (zh) * | 2022-10-31 | 2023-01-06 | 华南农业大学 | 一种基于文本挖掘与深度学习模型的农产品期货价格预测方法及系统 |
| CN117033810A (zh) * | 2023-05-23 | 2023-11-10 | 上海华维可控农业科技集团股份有限公司 | 一种基于大数据的农业数据分析管理系统及方法 |
| CN116664213A (zh) * | 2023-05-31 | 2023-08-29 | 东莞市卓承文化发展有限公司 | 基于大数据分析的农产品市场价格预警管理系统及方法 |
| CN117094782A (zh) * | 2023-05-31 | 2023-11-21 | 东莞市卓承文化发展有限公司 | 基于大数据分析的农产品市场价格预警管理系统 |
| CN117010942A (zh) * | 2023-08-11 | 2023-11-07 | 新立讯科技股份有限公司 | 基于神经网络和线性模型的农产品销售预测方法和系统 |
| CN117313920A (zh) * | 2023-09-06 | 2023-12-29 | 桂林市农业科学研究中心 | 一种智能化葡萄种植环境监测系统 |
| CN117611989A (zh) * | 2023-10-20 | 2024-02-27 | 安徽师范大学 | 一种基于ssa-lstm的冬小麦估产方法 |
Non-Patent Citations (2)
| Title |
|---|
| 刘庆飞;张宏立;王艳玲;: "基于深度可分离卷积的实时农业图像逐像素分类研究", 中国农业科学, no. 19, 1 October 2018 (2018-10-01) * |
| 周济;王君柏;: "SPSS预测功能对农业生产及农产品推广的帮助", 农技服务, no. 18, 23 December 2016 (2016-12-23) * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118365422A (zh) * | 2024-05-14 | 2024-07-19 | 常州渠道云端信息科技有限公司 | 一种基于ai预测的农产品期货交易平台 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117911123B (zh) | 2024-06-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Edmeades et al. | A trait‐based model of the potential demand for a genetically engineered food crop in a developing economy | |
| Yegbemey et al. | Farmers’ decisions to adapt to climate change under various property rights: A case study of maize farming in northern Benin (West Africa) | |
| CN117911123B (zh) | 一种基于物联网和大数据分析的农产品期货交易监管系统及方法 | |
| Simmons et al. | An analysis of contract farming in East Java, Bali, and Lombok, Indonesia | |
| Castle et al. | Factors influencing the adoption of precision agriculture technologies by Nebraska producers | |
| Abdulai et al. | Assessing the economic efficiency of maize production in Northern Ghana | |
| Yirga et al. | A multivariate analysis of factors affecting adoption of improved varieties of multiple crops: A case study from Ethiopian highlands | |
| Birol et al. | Bi-modal preferences for Bt maize in the Philippines: a latent class model | |
| Tuni et al. | Barriers to commercialise produce for smallholder farmers in Malawi: An interpretive structural modelling approach | |
| Ulukan et al. | Combining sustainable livelihood and farm sustainability approaches to identify relevant intensification options: Implications for households with crop-based and gathering-based livelihoods in Tanzania | |
| Mohammed | Analysis of adoption of improved coffee technologies in major coffee growing areas of Southern Ethiopia | |
| Sundaramoorthi et al. | Machine-learning-based simulation for estimating parameters in portfolio optimization: empirical application to soybean variety selection | |
| Lopes | Adoption of improved maize and common bean varieties in Mozambique | |
| Simili et al. | The economic value of sustainability of the integrated crop-livestock system in relation to conventional systems | |
| Moyo et al. | Analysis of joint and endogenous technology choice for protein supplementation by smallholder dairy farmers in Zimbabwe | |
| Spencer et al. | Evaluation of adoption of NERICA and other improved upland rice varieties following varietal promotion activities in Nigeria | |
| Zúñiga-Arias et al. | Determinants of market outlet choice for mango producers in Costa Rica | |
| Priyadi et al. | Partnership Impact on Production and Income of Indonesia Rubber Farmers | |
| Rossi et al. | The role of contracts in the adoption of irrigation by Brazilian orange growers | |
| de Amorim et al. | Risks and economic analysis of orange culture: case study of a producer from the interior of São Paulo State, Brazil | |
| Karki et al. | Strategies to overcome stagnation in agricultural adoption despite awareness and interest: a case study of conservation agriculture in South Asia | |
| Van Duinen et al. | The role of social interaction in farmers' climate adaptation choice | |
| Valarmathi et al. | Amenity Agriculture App using Random Forest Algorithm | |
| Arráiz et al. | Planting the seeds: The impact of training on mango producers in Haiti | |
| Viveros-Rosas et al. | A novel, Value-Focused-Thinking based, approach for modelling agro-industrial decisions under scarce information |
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 |