ES2681125B1

ES2681125B1 - PROCEDURE, SYSTEM, INFORMATIC SYSTEM AND COMPUTER PROGRAM TO GENERATE DATA OF A PREPARATION FOR THE COUPLE OF AN AGRICULTURAL PRODUCT

Info

Publication number: ES2681125B1
Application number: ES201730306A
Authority: ES
Inventors: Antolin Ricardo Arjona; Donaire Pedro Carrillo; Cortes Gualberto Asencio; Cabanillas Miguel Angel Molina
Original assignee: Easytosee Agtech Sl
Current assignee: Easytosee Agtech Sl
Priority date: 2017-03-08
Filing date: 2017-03-08
Publication date: 2019-09-09
Anticipated expiration: 2037-03-08
Also published as: WO2018162778A1; ES2681125A1

Description

DESCRIPCIÓNDESCRIPTION

Procedimiento, sistema, sistema informático y programa informático para generar datos de una predicción de acopio de un producto agrícolaProcedure, system, computer system and computer program to generate data from a collection forecast of an agricultural product

La presente invención se refiere a un procedimiento implementado en un sistema informático para generar datos de una predicción de acopio de un producto agrícola para una entidad receptora de dicho producto.The present invention relates to a method implemented in a computer system for generating data of a collection prediction of an agricultural product for a receiving entity of said product.

La presente invención también se refiere a un sistema, sistema informático, y programa informático adecuados para realizar dicho procedimiento de predicción de acopio.The present invention also relates to a system, computer system, and computer program suitable for performing said collection prediction procedure.

ESTADO DE LA TÉCNICA ANTERIORSTATE OF THE PREVIOUS TECHNIQUE

Existen diversos tipos de entidades que reciben cantidades importantes de uno o más productos agrícolas como parte del ciclo de vida de dichos productos con fines de, por ejemplo, distribución de los mismos. Dentro de estas entidades se pueden distinguir, por ejemplo, comercializadoras, cooperativas, lonjas, alhóndigas, etc.There are various types of entities that receive significant quantities of one or more agricultural products as part of the life cycle of such products for the purposes of, for example, their distribution. Within these entities, for example, marketers, cooperatives, fish markets, meatballs, etc. can be distinguished.

Estas entidades reciben normalmente un porcentaje significativo del volumen global de productos agrícolas, que muchas veces es desconocido (por el personal de la entidad) hasta poco tiempo antes de su recepción. Estas entidades gestionan, por lo tanto, grandes volúmenes de producto cuyo almacenaje, mantenimiento y, en definitiva, distribución debe planificarse con varias semanas de antelación.These entities normally receive a significant percentage of the overall volume of agricultural products, which is often unknown (by the entity's staff) until shortly before receipt. These entities, therefore, manage large volumes of product whose storage, maintenance and, ultimately, distribution must be planned several weeks in advance.

La recepción de cantidades inesperadas puede generar problemas importantes en cuanto a la previsión de medios técnicos necesarios para hacer frente a dicho acopio. Por ejemplo, ante una recepción inminente de productos agrícolas, conviene haber previsto correctamente un espacio de almacenamiento adecuado, medios de transporte y personal necesario, herramientas/productos para la conservación de los productos en los almacenes, etc. con cierto tiempo de antelación. Especial importancia adquiere en dicho escenario una conservación adecuada de los productos agrícolas para evitar o minimizar su deterioro.The reception of unexpected amounts can generate significant problems in terms of the provision of technical means necessary to deal with such collection. For example, in the face of imminent reception of agricultural products, it is appropriate to have properly provided adequate storage space, means of transport and necessary personnel, tools / products for the conservation of products in warehouses, etc. Some time in advance. Especially important acquires in said scenario an adequate conservation of agricultural products to avoid or minimize their deterioration.

El acopio que recibe, por ejemplo, una comercializadora depende de la producción agrícola de los productores que están asociados o suelen comercializar a través de dicha entidad, ya sea por motivos de cercanía, logística, calidad de servicio, etc. Una predicción fiable de acopio puede implicar claramente la prestación de un servicio de mayor calidad, con una logística más adecuada y, en definitiva, con unos costes menores (y más competitivos).The stockpiling that a marketing company receives, for example, depends on the agricultural production of the producers that are associated or usually commercialize through said entity, whether for reasons of proximity, logistics, quality of service, etc. A reliable prediction of gathering can clearly imply the provision of a higher quality service, with more adequate logistics and, ultimately, with lower (and more competitive) costs.

EXPLICACIÓN DE LA INVENCIÓNEXPLANATION OF THE INVENTION

Por lo tanto, existe una necesidad de nuevos procedimientos, sistemas, sistemas informáticos y productos de programa informático para estimar un acopio de productos agrícolas que permita determinar, con una cierta antelación, una configuración eficiente de recursos técnicos para hacer frente al acopio final.Therefore, there is a need for new procedures, systems, computer systems and computer program products to estimate a stockpile of agricultural products that allows to determine, in advance, an efficient configuration of technical resources to deal with the final stockpile.

En un primer aspecto, se proporciona un procedimiento implementado en un sistema informático para generar datos de una predicción de acopio de un producto agrícola (que tiene un ciclo de vida) para una entidad receptora de dicho producto.In a first aspect, there is provided a procedure implemented in a computer system to generate data of a collection prediction of an agricultural product (which has a life cycle) for a receiving entity of said product.

El procedimiento comprende recibir datos históricos correspondientes a parámetros del ciclo de vida del producto agrícola y a un acopio que se produjo bajo dichos parámetros (históricos). Los datos históricos incluyen al menos datos procedentes de sensores instalados en una explotación agrícola en la que se produjo el producto agrícola.The procedure includes receiving historical data corresponding to parameters of the life cycle of the agricultural product and to a stockpile that occurred under said (historical) parameters. Historical data includes at least data from sensors installed in a farm where the agricultural product was produced.

El procedimiento comprende además generar un conjunto de datos de aprendizaje a partir de los datos históricos recibidos, y realizar un procedimiento de aprendizaje automático (machine learning) a partir del conjunto de datos de aprendizaje con el fin de producir o ajustar un módulo informático que implementa un modelo predictivo de acopio del producto agrícola.The procedure also includes generating a set of learning data from the historical data received, and performing a machine learning procedure from the set of learning data in order to produce or adjust a computer module that implements a predictive model of agricultural product collection.

El procedimiento también comprende recibir datos actuales correspondientes a parámetros del ciclo de vida del producto agrícola, y proporcionar los datos actuales recibidos al módulo informático (o software) para generar la predicción de acopio de acuerdo con el modelo predictivo implementado por el software. Los datos actuales incluyen al menos datos procedentes de sensores instalados en una explotación agrícola en la que se está produciendo el producto agrícola.The procedure also includes receiving current data corresponding to parameters of the life cycle of the agricultural product, and providing the current data received to the computer module (or software) to generate the collection prediction according to the predictive model implemented by the software. The current data includes at least data from sensors installed in an agricultural farm where the agricultural product is being produced.

La explotación que ha originado los datos históricos y la explotación de la que provienen los datos actuales pueden ser la misma explotación agrícola o diferentes explotaciones con características similares. Asimismo, los sensores instalados en una y otra explotación pueden ser de tipos semejantes y pueden estar dispuestos en ubicaciones equivalentes.The exploitation that has originated the historical data and the exploitation from which the current data come can be the same farm or different farms with similar characteristics. Likewise, the sensors installed in one and another operation can be of similar types and can be arranged in equivalent locations.

El procedimiento propuesto se basa en generar o ajustar un software a partir de datos (históricos) y resultados (acopio real) conocidos con el fin de generalizar comportamientos a partir de dicha información suministrada en forma de ejemplos. El software resultante implementa un modelo predictivo basado en, por ejemplo, una función que define una correspondencia o correlación entre entradas (datos históricos) y salidas (acopio real) deseadas del software.The proposed procedure is based on generating or adjusting software based on known (historical) data and results (actual collection) in order to generalize behaviors based on said information provided in the form of examples. The resulting software implements a predictive model based on, for example, a function that defines a correspondence or correlation between desired inputs (historical data) and outputs (actual collection) of the software.

El software ajustado (o entrenado con datos históricos y acopios reales) es utilizado posteriormente para generar nuevos resultados (acopio estimado) a partir de datos actuales (compatibles con los datos usados en el aprendizaje) que tienen, a priori, una influencia desconocida en el resultado. Sin embargo, diversos experimentos han revelado que dicho software “predictivo”, entrenado con volúmenes adecuados de datos históricos y correspondientes acopios reales, es capaz de generar unas estimaciones de acopio razonablemente precisas.The adjusted software (or trained with historical data and actual collections) is subsequently used to generate new results (estimated collection) from current data (compatible with the data used in learning) that have, a priori, an unknown influence on the Outcome. However, several experiments have revealed that said "predictive" software, trained with adequate volumes of historical data and corresponding actual collections, is capable of generating reasonably accurate collection estimates.

En particular, el procedimiento propuesto ha mostrado una fiabilidad aceptable con datos procedentes de sensores instalados in situ, es decir, en el propio campo de cultivo o explotación agrícola. Más concretamente, el procedimiento se ha mostrado eficaz con datos de medidas procedentes de sensores de temperatura, humedad, presión, riego, fertilización, lluvia, viento, luz solar, etc. instalados in situ. Es decir, estos factores ambientales han revelado una buena correlación o correspondencia con la producción agrícola o acopio final y, por consiguiente, su aplicación a técnicas de machine learning (en el procedimiento propuesto) ha resultado ciertamente eficaz.In particular, the proposed procedure has shown acceptable reliability with data from sensors installed in situ, that is, in the field of cultivation or agricultural exploitation. More specifically, the procedure has been shown to be effective with measurement data from temperature, humidity, pressure, irrigation, fertilization, rain, wind, sunlight, etc. sensors. installed on site. That is, these environmental factors have revealed a good correlation or correspondence with the final agricultural production or stockpiling and, consequently, their application to machine learning techniques (in the proposed procedure) has certainly proved effective.

Las estimaciones de acopio resultantes pueden usarse para definir, con suficiente tiempo de antelación, una configuración eficiente de recursos técnicos necesarios para hacer frente al acopio final. Dicha configuración eficiente de recursos técnicos puede comprender, por ejemplo, un espacio de almacenamiento adecuado, transporte suficiente dentro de o entre los almacenes, personal necesario, herramientas/productos para manipular/conservar el producto o productos almacenados, etc. The resulting stockpiling estimates can be used to define, with sufficient time in advance, an efficient configuration of technical resources necessary to cope with the final collection. Said efficient configuration of technical resources may comprise, for example, adequate storage space, sufficient transportation within or between warehouses, necessary personnel, tools / products to handle / preserve the stored product or products, etc.

Los acopios reales utilizados para el proceso de aprendizaje pueden comprender datos relativos a, por ejemplo, la cantidad de producto recolectado, momento óptimo de recolección en función de, por ejemplo, un grado de maduración adecuado, etc. El acopio estimado también puede comprender, por lo tanto, datos correspondientes a dichas condiciones, dependiendo del entrenamiento recibido por el software "predictivo”.The actual preparations used for the learning process may include data relating to, for example, the quantity of product collected, optimum time of collection based on, for example, an adequate degree of maturation, etc. The estimated collection can also therefore include data corresponding to said conditions, depending on the training received by the "predictive" software.

El momento óptimo de recolección puede tener una repercusión importante en la conservación adecuada del producto posteriormente a su recolección y, en concreto, durante su almacenamiento. Un producto agrícola excesivamente maduro puede requerir unos cuidados más complejos, mientras que un punto de maduración óptimo puede facilitar la conservación del producto. Una estimación precisa de datos de acopio que incluyan el momento óptimo de recolección puede permitir una mejor estimación de recursos técnicos para la conservación del producto y, por lo tanto, su posterior distribución en condiciones óptimas.The optimal time of collection can have an important impact on the proper preservation of the product after its collection and, in particular, during storage. An excessively mature agricultural product may require more complex care, while an optimum ripening point may facilitate product preservation. An accurate estimate of collection data that includes the optimal collection time may allow a better estimate of technical resources for product conservation and, therefore, their subsequent distribution under optimal conditions.

En algunas implementaciones, el procedimiento puede comprender además la determinación de dicha estimación de recursos técnicos para hacer frente al acopio final. Esta estimación de recursos puede realizarse por medio de tablas (por ejemplo: lookup tables) que relacionan acopios históricos totales y/o parciales con recursos técnicos necesarios para hacer frente a dichos acopios totales y/o parciales. Estas tablas pueden haber sido alimentadas a partir de datos procesados en ejecuciones anteriores del procedimiento, junto con la definición por parte de un operador del sistema de configuraciones de recursos adecuadas para los acopios (totales y/o parciales) resultantes. Estas configuraciones de recursos predefinidas pueden comprender recursos para conservar el producto, los cuales pueden depender de al menos un momento óptimo de recolección estimado incluido en los datos de acopio estimados.In some implementations, the procedure may also include the determination of said estimate of technical resources to deal with the final collection. This resource estimate can be made through tables (for example: lookup tables) that relate total and / or partial historical collections with technical resources necessary to deal with such total and / or partial preparations. These tables may have been fed from data processed in previous executions of the procedure, together with the definition by an operator of the system of appropriate resource configurations for the resulting collections (total and / or partial). These predefined resource configurations may comprise resources to conserve the product, which may depend on at least one optimal estimated collection time included in the estimated collection data.

En algunos ejemplos, el procedimiento puede comprender además seleccionar el procedimiento de aprendizaje automático (o machine learning) de entre un conjunto de procedimientos de machine learning predefinidos. Dicha selección puede depender de un indicador predefinido representativo de un grado de influencia de los parámetros/datos recibidos en la predicción del acopio. Este indicador predefinido puede ser obtenido a partir de una tabla (por ejemplo: lookup table) que define relaciones entre, por ejemplo, el volumen y tipo de datos recibidos con la técnica o combinación de técnicas de machine learning que han ofrecido una mayor fiabilidad o precisión en ejecuciones previas del procedimiento. Esta precisión puede definirse, por ejemplo, en función de una desviación entre el acopio real y el acopio estimado producido en ejecuciones anteriores del procedimiento.In some examples, the procedure may further comprise selecting the machine learning procedure (or machine learning) from a set of predefined machine learning procedures. Such selection may depend on a predefined indicator representative of a degree of influence of the parameters / data received in the collection prediction. This predefined indicator can be obtained from a table (for example: lookup table ) that defines relationships between, for example, the volume and type of data received with the technique or combination of machine learning techniques that have offered greater reliability or precision in previous executions of the procedure. This precision can be defined, for example, based on a deviation between the actual stockpile and the estimated stockpile produced in previous executions of the procedure.

De acuerdo con ejemplos del procedimiento, el conjunto de procedimientos de aprendizaje automático comprende procedimientos basados en al menos uno de los siguientes enfoques: redes neuronales artificiales, árboles de decisiones, reglas de asociación, algoritmos genéticos, máquinas de vectores de soporte, algoritmos de agrupamiento, redes bayesianas, o en una combinación de todos o algunos de dichos enfoques (o técnicas).According to examples of the procedure, the set of machine learning procedures comprises procedures based on at least one of the following approaches: artificial neural networks, decision trees, association rules, genetic algorithms, support vector machines, clustering algorithms , Bayesian networks, or in a combination of all or some of these approaches (or techniques).

En algunas implementaciones, la generación del conjunto de datos de aprendizaje puede comprender calcular, para cada parámetro del ciclo de vida, un valor medio o estadístico representativo de los datos recibidos correspondientes a dicho parámetro, y determinar aquellos datos recibidos que tengan una desviación respecto al valor medio/estadístico calculado que supera un umbral de desviación predefinido. Una vez detectados estos valores atípicos (o outliers) pueden ser descartados o corregidos con el fin de evitar distorsiones no deseadas en los resultados. Este principio puede aplicarse tanto a los datos históricos como a los datos actuales.In some implementations, the generation of the learning data set may comprise calculating, for each life cycle parameter, a representative statistical or average value of the received data corresponding to said parameter, and determining those received data that have a deviation from the calculated average / statistical value that exceeds a predefined deviation threshold. Once detected these outliers (or outliers) can be discarded or corrected in order to avoid unwanted distortions in the results. This principle can be applied to both historical and current data.

De acuerdo con ejemplos del procedimiento, la generación del conjunto de datos de aprendizaje puede comprender determinar, para cada parámetro del ciclo de vida, datos correspondientes a dicho parámetro que no han sido recibidos en función de una relación predefinida con datos que sí han sido recibidos. Por ejemplo, si se reciben datos de temperatura bajo una relación de 100 medidas generadas cada hora y, en cambio, para una hora determinada se recibe un número inferior a 100 medidas, se puede concluir que faltan datos de temperatura. En este caso se puede lanzar, por ejemplo, una petición al sistema proveedor de dichos datos para que los devuelva completos. Este criterio se puede aplicar tanto a datos históricos como a datos actuales.According to examples of the procedure, the generation of the learning data set may comprise determining, for each life cycle parameter, data corresponding to said parameter that have not been received based on a predefined relationship with data that has been received. . For example, if temperature data is received under a ratio of 100 measurements generated every hour and, on the other hand, for a given time a number less than 100 measurements is received, it can be concluded that temperature data is missing. In this case, for example, a request can be made to the provider system of such data to return them in full. This criterion can be applied to both historical and current data.

En algunos ejemplos, la generación de los datos de aprendizaje puede comprender determinar datos derivados a partir de datos recibidos, incluyendo dichos datos derivados medias, varianzas, restricciones o índices calculados por medio de relaciones matemáticas o estadísticas predefinidas o una combinación de ambas. Es decir, se pueden generar diferentes niveles de agregación, acumulación o resumen de datos recibidos con el fin de agilizar y, en definitiva, mejorar el proceso de aprendizaje. Estos diferentes niveles de agregación, acumulación o resumen pueden ser multidimensionales, en los que cada dimensión puede corresponder a una determinada tipología (o parámetro) de los datos procesados. La generación del conjunto de datos de aprendizaje puede comprender seleccionar datos derivados por medio de procedimientos de búsqueda heurísticos o metaheurísticos o una combinación de ambos.In some examples, the generation of the learning data may comprise determining derived data from received data, including said average derived data, variances, restrictions or indices calculated by means of predefined mathematical relationships or statistics or a combination of both. That is, different levels of aggregation, accumulation or summary of data received can be generated in order to streamline and ultimately improve the learning process. These different levels of aggregation, accumulation or summary can be multidimensional, in which each dimension can correspond to a certain typology (or parameter) of the processed data. The generation of the learning data set may comprise selecting derived data by means of heuristic or metaheuristic search procedures or a combination of both.

En algunas implementaciones, los datos históricos/actuales recibidos pueden corresponder a uno o varios de los siguientes parámetros del ciclo de vida del producto agrícola: parámetros de un proceso de producción del producto agrícola, parámetros climatológicos de una zona en la que se encuentra la explotación agrícola, parámetros fitopatológicos, parámetros de la entidad receptora del producto agrícola, parámetros de un sector del producto agrícola, parámetros de un productor u operador de la explotación agrícola, parámetros de proveedores del sector agrícola, parámetros de mercado, etc. Todos estos parámetros han revelado una cierta correlación o correspondencia con el acopio final estimado/real.In some implementations, the historical / current data received may correspond to one or more of the following parameters of the agricultural product life cycle: parameters of an agricultural product production process, climatological parameters of an area where the farm is located agricultural, phytopathological parameters, parameters of the receiving entity of the agricultural product, parameters of a sector of the agricultural product, parameters of a producer or operator of the agricultural exploitation, parameters of suppliers of the agricultural sector, market parameters, etc. All these parameters have revealed a certain correlation or correspondence with the estimated / actual final collection.

Los datos correspondientes a los parámetros del proceso de producción del producto agrícola pueden comprender uno o más de los siguientes tipos de datos: sobre tipo de semillas, fertilizantes, tratamientos anti plagas, frecuencia de riego, tratamientos fitosanitarios, fecha de siembra. Se ha comprobado que estos datos también suelen tener una influencia destacable en la recolección final y, por lo tanto, en el acopio resultante. Por ejemplo, unas semillas más resistentes, unos fertilizantes más efectivos, unas medidas anti plagas más estrictas, etc. pueden derivar en cosechas más abundantes.The data corresponding to the parameters of the agricultural product production process may comprise one or more of the following types of data: on type of seeds, fertilizers, anti-pest treatments, frequency of irrigation, phytosanitary treatments, planting date. It has been proven that these data also tend to have a notable influence on the final collection and, therefore, on the resulting collection. For example, more resistant seeds, more effective fertilizers, stricter anti-pest measures, etc. They can lead to more abundant crops.

Los datos correspondientes a los parámetros climatológicos de la zona en la que se encuentra la explotación agrícola pueden comprender uno o más de los siguientes tipos de datos: sobre precipitaciones ocurridas/previstas, cantidad de agua precipitada medida/prevista, viento medido/previsto, temperatura medida/prevista, humedad medida/prevista. Estos datos pueden proceder de una estación meteorológica de la zona o incluso de una empresa dedicada a la provisión de medidas y/o previsiones meteorológicas históricas y/o actuales. Los parámetros climatológicos de la zona también se han mostrado claramente influyentes en el acopio estimado/final a lo largo del ciclo de vida del procedimiento y software propuestos.The data corresponding to the climatic parameters of the area in which the farm is located may comprise one or more of the following types of data: on precipitation occurred / expected, amount of precipitated water measured / expected, wind measured / expected, temperature measured / expected, measured / expected humidity. These data can come from a weather station in the area or even from a company dedicated to the provision of historical and / or current weather measurements and / or forecasts. The climatic parameters of the area have also been clearly influential in the estimated / final collection throughout the life cycle of the proposed procedure and software.

Los datos correspondientes a los parámetros fitopatológicos pueden comprender uno o más de los siguientes tipos de datos: sobre plagas ocurridas/previstas, afectación ocurrida/prevista a la producción del producto agrícola. Estos datos pueden proceder de los propios productores, laboratorios agrarios o cualquier entidad productora de datos sobre plagas ocurridas/previstas. Se ha corroborado también que datos sobre plagas pueden ser de gran utilidad a la hora de pronosticar cosechas y acopios asociados. La existencia o inexistencia de una plaga con efectos negativos en un campo de cultivo puede condicionar especialmente la recolección final y, por lo tanto, el acopio de productos agrícolas que se deriven.The data corresponding to the phytopathological parameters may comprise one or more of the following types of data: on pests occurred / expected, involvement occurred / planned for the production of the agricultural product. These data can come from the producers themselves, agricultural laboratories or any entity that produces data on pests occurred / planned. It has also been corroborated that pest data can be very useful when forecasting crops and associated stockpiles. The existence or non-existence of a pest with negative effects in a crop field can especially condition the final collection and, therefore, the collection of agricultural products that are derived.

Los datos correspondientes a los parámetros de la entidad receptora del producto agrícola (por ejemplo: comercializadora) pueden comprender uno o más de los siguientes tipos de datos: sobre recepción, precios, stock, calidades, costes. Todos estos factores se han revelado como habitualmente influyentes en el acopio que pueda experimentar una determinada entidad con dicho cometido. Por ejemplo, si una comercializadora tiene más o menos capacidad de almacenaje, más o menos costes asociados, etc. el acopio final se verá claramente afectado por dichas circunstancias. Diversos experimentos con el procedimiento/software han mostrado que estos datos presentan una clara correlación o correspondencia con el acopio resultante.The data corresponding to the parameters of the receiving entity of the agricultural product (for example: trading company) may comprise one or more of the following types of data: on receipt, prices, stock, qualities, costs. All these factors have been revealed as habitually influential in the gathering that a certain entity may experience with that task. For example, if a marketer has more or less storage capacity, more or less associated costs, etc. The final collection will be clearly affected by these circumstances. Various experiments with the procedure / software have shown that these data have a clear correlation or correspondence with the resulting collection.

Los datos correspondientes a los parámetros de un productor u operador de la explotación agrícola pueden comprender uno o más de los siguientes tipos de datos: sobre producción específica; rendimientos pasados, presentes, previstos; poda; cuidados de la plantación, superficie.The data corresponding to the parameters of a producer or operator of the farm may comprise one or more of the following types of data: on specific production; past, present, expected returns; pruning; planting care, surface.

Los datos correspondientes a los parámetros de proveedores del sector agrícola pueden comprender uno o más de los siguientes tipos de datos: sobre tipo, coste, cantidad, eficacia de fertilizantes, pesticidas, semillas. Los datos correspondientes a los parámetros de mercado pueden comprender uno o más de los siguientes tipos de datos: sobre precios históricos/actuales del producto, previsiones de precios del producto.The data corresponding to the parameters of suppliers in the agricultural sector may comprise one or more of the following types of data: on type, cost, quantity, effectiveness of fertilizers, pesticides, seeds. The data corresponding to the market parameters may comprise one or more of the following types of data: on historical / current product prices, product price forecasts.

Los datos correspondientes a los parámetros del sector relacionado con el producto agrícola pueden comprender uno o más de los siguientes tipos de datos: sobre producción de la zona, país, continente; exportación; costes logísticos; producción de otras zonas, países, continentes; producción de sustitutivos del producto agrícola. The data corresponding to the parameters of the sector related to the agricultural product may comprise one or more of the following types of data: on production of the area, country, continent; export; logistic costs; production of other areas, countries, continents; production of agricultural product substitutes.

En un segundo aspecto, se proporciona un sistema para generar datos de una predicción de acopio de un producto agrícola (que tiene un ciclo de vida) para una entidad receptora de dicho producto.In a second aspect, a system is provided to generate data of a collection prediction of an agricultural product (which has a life cycle) for a receiving entity of said product.

El sistema comprende medios para recibir datos históricos correspondientes a parámetros del ciclo de vida del producto agrícola y a un acopio que se produjo bajo dichos parámetros, incluyendo dichos datos históricos al menos datos procedentes de sensores instalados en una explotación agrícola en la que se produjo el producto agrícola.The system comprises means to receive historical data corresponding to parameters of the life cycle of the agricultural product and to a collection that occurred under said parameters, including said historical data at least data from sensors installed in an agricultural farm in which the product was produced. agricultural.

El sistema comprende además medios para generar un conjunto de datos de aprendizaje a partir de los datos históricos recibidos, y medios para realizar un procedimiento de aprendizaje automático (o machine learning) a partir del conjunto de datos de aprendizaje con el fin de producir o ajustar un módulo informático (o software) que implementa un modelo predictivo de acopio del producto agrícola.The system also includes means for generating a set of learning data from the historical data received, and means for performing a machine learning procedure from the set of learning data in order to produce or adjust a computer module (or software) that implements a predictive model of agricultural product collection.

El sistema también comprende medios para recibir datos actuales correspondientes a parámetros del ciclo de vida del producto agrícola, incluyendo dichos datos actuales al menos datos procedentes de sensores instalados en una explotación agrícola en la que se está produciendo el producto agrícola, y medios para proporcionar los datos actuales recibidos al software “predictivo” para generar la predicción de acopio de acuerdo con el modelo predictivo implementado por el software “predictivo”.The system also comprises means to receive current data corresponding to parameters of the life cycle of the agricultural product, including said current data at least data from sensors installed in an agricultural farm in which the agricultural product is being produced, and means to provide the current data received to the "predictive" software to generate the collection prediction according to the predictive model implemented by the "predictive" software.

En un tercer aspecto, se proporciona un sistema informático que comprende una memoria y un procesador, en el que la memoria almacena instrucciones de programa informático ejecutables por el procesador, comprendiendo estas instrucciones funcionalidades para ejecutar uno cualquiera de los procedimientos de predicción de acopio de un producto agrícola descritos anteriormente.In a third aspect, a computer system is provided comprising a memory and a processor, in which the memory stores computer program instructions executable by the processor, these instructions comprising functionalities for executing any one of the procedures for predicting the collection of a agricultural product described above.

En un cuarto aspecto, la invención proporciona un programa informático que comprende instrucciones de programa para hacer que un sistema (informático) ejecute uno cualquiera de los procedimientos anteriores de predicción de acopio de un producto agrícola.In a fourth aspect, the invention provides a computer program comprising program instructions for causing a (computer) system to perform any one of the above procedures for predicting the collection of an agricultural product.

Dicho programa informático puede estar almacenado en unos medios de almacenamiento físico, tales como unos medios de grabación, una memoria de ordenador, o una memoria de solo lectura, o puede ser portado por una onda portadora, tal como eléctrica u óptica. Said computer program may be stored in physical storage media, such as recording media, a computer memory, or a read-only memory, or it may be carried by a carrier wave, such as electrical or optical.

BREVE DESCRIPCIÓN DE LOS DIBUJOSBRIEF DESCRIPTION OF THE DRAWINGS

A continuación se describirán ejemplos particulares de la presente invención a título de ejemplo no limitativo, con referencia a los dibujos adjuntos, en los cuales:Particular examples of the present invention will now be described by way of non-limiting example, with reference to the accompanying drawings, in which:

La figura 1 muestra una representación esquemática de un sistema para generar una predicción de acopio en un determinado contexto de aplicación, de acuerdo con ejemplos de la invención;Figure 1 shows a schematic representation of a system for generating a collection prediction in a given application context, in accordance with examples of the invention;

La figura 2 muestra un diagrama de flujo de un procedimiento de generación de una predicción de acopio, de acuerdo con un ejemplo de la invención;Figure 2 shows a flow chart of a method of generating a collection prediction, according to an example of the invention;

La figura 3 muestra un diagrama de flujo de un procedimiento de generación de una predicción de acopio, de acuerdo con otro ejemplo de la invención; yFigure 3 shows a flow chart of a method of generating a collection prediction, according to another example of the invention; Y

La figura 4 muestra un diagrama de flujo de un bloque generación de datos de aprendizaje que puede formar parte de cualquiera de los procedimientos ilustrados por las figuras 2 y 3 o similares.Figure 4 shows a flow chart of a block generating learning data that can be part of any of the procedures illustrated by Figures 2 and 3 or the like.

DESCRIPCIÓN DETALLADA DE LA INVENCIÓNDETAILED DESCRIPTION OF THE INVENTION

A continuación, se describirán numerosos detalles concretos de la invención con el fin de proporcionar una comprensión completa de la misma. Sin embargo, un experto en la materia debe entender que la presente invención puede ponerse en práctica sin alguno o todos estos detalles concretos. Por otro lado, ciertos elementos bien conocidos no se han descrito en detalle para no complicar innecesariamente la descripción de la presente invención.In the following, numerous concrete details of the invention will be described in order to provide a complete understanding thereof. However, one skilled in the art should understand that the present invention can be practiced without some or all of these specific details. On the other hand, certain well known elements have not been described in detail so as not to unnecessarily complicate the description of the present invention.

La figura 1 muestra una representación esquemática de un sistema para generar una predicción de acopio en un determinado contexto de aplicación, de acuerdo con ejemplos de la invención. Según se muestra en la figura, un sistema informático principal 100 para generar una predicción de acopio de un producto agrícola puede residir en la nube 102 o puede dar servicio a través de la nube 102. Este sistema informático principal 100 puede comprender una memoria 101 y un procesador (no mostrado), en el que la memoria 101 almacena instrucciones de programa informático ejecutables por el procesador, comprendiendo estas instrucciones funcionalidades para ejecutar un procedimiento de predicción de acopio tal como, por ejemplo, los descritos con referencia a otras figuras.Figure 1 shows a schematic representation of a system for generating a collection prediction in a given application context, according to examples of the invention. As shown in the figure, a main computer system 100 for generating a collection prediction of an agricultural product can reside in the cloud 102 or can service through the cloud 102. This main computer system 100 can comprise a memory 101 and a processor (not shown), in which memory 101 stores computer program instructions executable by the processor, These instructions include functionalities for executing a collection prediction procedure such as, for example, those described with reference to other figures.

La figura 1 también muestra una explotación agrícola 103 que puede tener diversos sensores 110 - 112 instalados en correspondiente(s) campo(s) de cultivo. Estos sensores 110 - 112 pueden estar conectados a través de unas conexiones adecuadas 113 - 115 con el sistema informático principal 100. Estas conexiones 113 - 115 pueden ser inalámbricas o cableadas o de cualquier tipo que permita la transferencia de medidas tomadas o datos obtenidos por los sensores 110 - 112 al sistema informático principal 100. Las citadas conexiones 113 - 115 pueden comprender una conexión a través de una red de comunicaciones tal como, por ejemplo, Internet. Los sensores 110 - 112 pueden ser, por ejemplo, sensores de temperatura y/o humedad y/o presión y/o riego y/o fertilización y/o lluvia y/o viento y/o luz solar (duración, intensidad, etc.). Diversos experimentos han revelado que dichos parámetros ambientales pueden tener una gran influencia en el volumen de producto agrícola producido/recolectado y, por consiguiente, en el acopio que deberá hacer frente una determinada entidad receptora del producto (comercializadora, cooperativa, lonja, alhóndiga, etc.).Figure 1 also shows an agricultural holding 103 that can have various sensors 110-112 installed in corresponding crop field (s). These sensors 110-112 can be connected through suitable connections 113-115 with the main computer system 100. These connections 113-115 can be wireless or wired or of any kind that allows the transfer of measurements taken or data obtained by the sensors 110-112 to the main computer system 100. The aforementioned connections 113-115 may comprise a connection through a communications network such as, for example, the Internet. The sensors 110 - 112 can be, for example, temperature and / or humidity and / or pressure and / or irrigation and / or fertilization and / or rain and / or wind and / or sunlight (duration, intensity, etc.) sensors. ). Various experiments have revealed that these environmental parameters can have a great influence on the volume of agricultural product produced / collected and, consequently, on the stockpiling that a certain receiving entity of the product will have to face (trading, cooperative, fish market, alhondiga, etc. .).

Alternativamente, los sensores 110 - 112 pueden proporcionar los datos de medida a un sistema informático intermedio (no mostrado) dedicado simplemente a, por ejemplo, la recepción, almacenamiento y (pre)procesamiento de datos procedentes de los sensores. Este sistema informático intermedio puede estar asociado exclusivamente a la explotación agrícola 103 o a diversas explotaciones agrícolas de, por ejemplo, la misma zona. El sistema informático intermedio puede, por lo tanto, ofrecer servicios de tratamiento de datos y su posterior transmisión al sistema principal 100, ya sea como datos históricos (para aprendizaje) o datos actuales (para estimación del acopio).Alternatively, sensors 110-112 can provide the measurement data to an intermediate computer system (not shown) simply dedicated to, for example, the reception, storage and (pre) processing of data from the sensors. This intermediate computer system may be associated exclusively with the farm 103 or with various farms in, for example, the same area. The intermediate computer system can, therefore, offer data processing services and their subsequent transmission to the main system 100, either as historical data (for learning) or current data (for collection estimation).

La figura 1 también muestra que el sistema informático principal 100 puede estar conectado con respectivos sistemas 106, 108 asociados a respectivas entidades receptoras de productos agrícolas 104, 105, a través de respectivas conexiones 107, 109. Estas conexiones pueden ser inalámbricas o cableadas o de cualquier tipo que permitan un intercambio adecuado de datos entre el sistema principal 100 y los sistemas 106, 108 de las entidades receptoras 104, 105. Estas conexiones 107, 109 pueden incluir una conexión a través de una red de comunicaciones tal como, por ejemplo, Internet. Figure 1 also shows that the main computer system 100 may be connected with respective systems 106, 108 associated with respective agricultural product receiving entities 104, 105, through respective connections 107, 109. These connections may be wireless or wired or of any type that allows an adequate exchange of data between the main system 100 and the systems 106, 108 of the receiving entities 104, 105. These connections 107, 109 may include a connection through a communications network such as, for example, Internet.

De acuerdo con la configuración mostrada en la figura 1, el sistema principal 100 también puede recibir datos de acopio procedentes de, por ejemplo, los sistemas 106, 108 de las entidades receptoras 104, 105 para su cruce posterior con los datos históricos procedentes de los sensores. Estos datos de acopio pueden ser, por lo tanto, datos históricos del acopio que se produjo bajo determinados parámetros del ciclo de vida del producto agrícola correspondientes al menos a los datos procedentes de los sensores.According to the configuration shown in Figure 1, the main system 100 can also receive collection data from, for example, the systems 106, 108 of the receiving entities 104, 105 for later crossing with the historical data from the sensors This collection data can therefore be historical data of the collection that occurred under certain parameters of the life cycle of the agricultural product corresponding to at least the data coming from the sensors.

El sistema principal 100 también puede estar conectado con otros sistemas (no mostrados) dedicados a la producción/transmisión de datos correspondientes a otros parámetros del ciclo de vida del producto o productos agrícolas. Ejemplos de dichos otros parámetros pueden ser parámetros climatológicos, fitopatológicos, de un proceso de producción, de una zona en la que se encuentra la explotación agrícola, de la entidad receptora, de un sector del producto, de un productor u operador de la explotación agrícola, de proveedores del sector agrícola, de mercado, etc. Cada uno de dichos parámetros puede incluir diversos tipos de datos con una cierta influencia en el resultado final, según se comenta en otras partes de la descripción.The main system 100 can also be connected to other systems (not shown) dedicated to the production / transmission of data corresponding to other parameters of the life cycle of the agricultural product or products. Examples of such other parameters may be climatological, phytopathological parameters, of a production process, of an area in which the agricultural exploitation is located, of the receiving entity, of a sector of the product, of a producer or operator of the agricultural exploitation , of suppliers of the agricultural sector, market, etc. Each of these parameters may include various types of data with a certain influence on the final result, as discussed elsewhere in the description.

De acuerdo con lo descrito en relación a la figura 1, se puede proporcionar una red de sistemas informáticos que transmiten datos históricos y actuales al sistema principal 100, para que éste último realice procedimientos de predicción de acopio(s) de producto(s) agrícola(s) tal como, por ejemplo, los propuestos en otras partes de la descripción con referencia a otras figuras.In accordance with that described in relation to Figure 1, a network of computer systems that transmit historical and current data to the main system 100 can be provided, so that the latter performs prediction procedures for gathering (s) of agricultural product (s) (s) such as, for example, those proposed in other parts of the description with reference to other figures.

La figura 2 muestra un diagrama de flujo de un procedimiento de generación de una predicción de acopio, de acuerdo con un ejemplo de la invención. El procedimiento puede ser implementado, por ejemplo, en un sistema informático y en un contexto tecnológico igual o similar al ilustrado por la figura anterior. El procedimiento puede generar datos de una predicción de acopio de un producto agrícola (que tiene un ciclo de vida) para una entidad receptora de dicho producto. Dichos datos de predicción de acopio pueden comprender una cantidad de producto estimada, un momento óptimo de recolección estimado, etc.Figure 2 shows a flow chart of a method of generating a collection prediction, according to an example of the invention. The procedure can be implemented, for example, in a computer system and in a technological context equal to or similar to that illustrated by the previous figure. The procedure can generate data from a collection prediction of an agricultural product (which has a life cycle) for a receiving entity of that product. Said collection prediction data may comprise an estimated quantity of product, an optimal estimated collection time, etc.

En el bloque 200, el procedimiento puede iniciarse como resultado de la detección de una determinada condición de inicio. Esta condición de inicio puede comprender, por ejemplo, la recepción de una petición de procesamiento de datos históricos (y acopio asociado) junto con los propios datos a procesar. Estas peticiones y datos asociados pueden ser procesados al instante o en diferido. En el segundo caso, la petición y datos asociados pueden ser almacenados en, por ejemplo, una cola de espera hasta que se produzca el lanzamiento del proceso encargado de su tratamiento según se describe a continuación. Este lanzamiento se puede producir, por ejemplo, a una hora predefinida de inicio de un procesamiento masivo de todos los datos recibidos, cuando ha finalizado una ejecución en curso iniciada anteriormente, etc.In block 200, the procedure can be initiated as a result of the detection of a certain starting condition. This starting condition may comprise, for example, the receipt of a request for processing historical data (and associated collection) together with the data to be processed. These requests and associated data can be processed instantly or delayed. In the second case, the request and associated data can be stored in, for example, a waiting queue until the launch of the process in charge of its processing occurs as described below. This release can occur, for example, at a predefined start time of a massive processing of all received data, when a previously initiated ongoing execution has finished, etc.

En el bloque 201, se pueden recibir los datos históricos correspondientes a parámetros del ciclo de vida del producto agrícola y a un acopio (cantidad, momento óptimo de recolección, etc.) que se produjo bajo dichos parámetros. Estos datos pueden proceder de un sistema transmisor de los mismos, de la cola de entrada mencionada anteriormente, etc. Dichos datos históricos pueden incluir datos procedentes de sensores instalados en una explotación agrícola en la que se produjo el producto agrícola y, opcionalmente, otros datos como los indicados en otras partes de la descripción.In block 201, the historical data corresponding to parameters of the life cycle of the agricultural product and to a collection (quantity, optimal time of collection, etc.) that occurred under said parameters can be received. These data may come from a transmitter system thereof, from the input queue mentioned above, etc. Said historical data may include data from sensors installed in an agricultural farm where the agricultural product was produced and, optionally, other data such as those indicated elsewhere in the description.

En el bloque 202, se puede generar un conjunto de datos de aprendizaje a partir de los datos históricos recibidos. Esta generación de datos de aprendizaje puede comprender diferentes procesamientos según se indica en otras partes de la descripción (ver, por ejemplo, figura 4 y descripción de la misma).In block 202, a set of learning data can be generated from the historical data received. This generation of learning data may comprise different processing as indicated in other parts of the description (see, for example, figure 4 and description thereof).

En el bloque 203, se puede realizar un procedimiento de aprendizaje automático (machine learning) a partir del conjunto de datos de aprendizaje con el fin de producir o ajustar un módulo informático (o software) que implementa un modelo predictivo de acopio del producto agrícola. Este modelo predictivo puede haber sido evolucionado a lo largo de diversas fases de aprendizaje. En concreto, los bloques 201 - 203 pueden constituir un subproceso de entrenamiento que puede ejecutarse tantas veces como se considere necesario, a partir de distintos conjuntos de datos históricos y acopio asociado. Por consiguiente, el software “predictivo” puede ser sometido a un profundo entrenamiento mediante la repetición de dicho subproceso tantas veces como se estime oportuno, con el fin de maximizar la fiabilidad del procedimiento. El procedimiento de aprendizaje automático puede basarse en uno o más enfoques conocidos tal como, por ejemplo, redes neuronales artificiales, árboles de decisiones, reglas de asociación, algoritmos genéticos, máquinas de vectores de soporte, algoritmos de agrupamiento, redes bayesianas, o en una combinación de todos o algunos de dichos enfoques (o técnicas). In block 203, a machine learning procedure can be carried out from the set of learning data in order to produce or adjust a computer module (or software) that implements a predictive model of agricultural product collection. This predictive model may have evolved throughout various phases of learning. Specifically, blocks 201-203 may constitute a training thread that can be executed as many times as deemed necessary, based on different historical data sets and associated collection. Therefore, the "predictive" software can be subjected to in-depth training by repeating said thread as many times as deemed appropriate, in order to maximize the reliability of the procedure. The machine learning procedure may be based on one or more known approaches such as, for example, artificial neural networks, decision trees, association rules, genetic algorithms, support vector machines, clustering algorithms, Bayesian networks, or on a combination of all or some of these approaches (or techniques).

En el bloque 204, se pueden recibir datos actuales correspondientes a parámetros del ciclo de vida del producto agrícola. Dichos datos actuales pueden incluir datos procedentes de sensores instalados en una explotación agrícola en la que se está produciendo el producto agrícola y, opcionalmente, otros datos como los indicados en otras partes de la descripción. Esta explotación y la que ha originado los datos históricos (recibidos en el bloque 201) pueden ser o no ser la misma explotación agrícola. En el segundo caso, las explotaciones pueden presentar características similares, y los sensores pueden ser equivalentes y estar dispuestos de forma similar en ambas explotaciones. Los datos históricos y actuales recibidos pueden ser del mismo tipo y referidos a los mismos conceptos con el fin de maximizar la consistencia entre el conocimiento adquirido por el software predictivo y los datos actuales tratados por dicho conocimiento para determinar la correspondiente estimación de acopio. Por ejemplo, si se prevé que los datos actuales incluirán datos sobre semillas utilizadas, conviene que el software “predictivo” sea entrenado con datos de aprendizaje que incluyan datos sobre semillas utilizadas equivalentes a los datos usados en el entrenamiento.In block 204, current data corresponding to parameters of the life cycle of the agricultural product can be received. Such current data may include data from sensors installed in an agricultural farm where the agricultural product is being produced and, optionally, other data such as those indicated elsewhere in the description. This exploitation and the one that originated the historical data (received in block 201) may or may not be the same agricultural exploitation. In the second case, farms may have similar characteristics, and the sensors may be equivalent and be similarly arranged on both farms. The historical and current data received may be of the same type and referred to the same concepts in order to maximize the consistency between the knowledge acquired by the predictive software and the current data processed by said knowledge to determine the corresponding collection estimate. For example, if current data is expected to include data on seeds used, it is desirable that the “predictive” software be trained with learning data that includes data on seeds used equivalent to the data used in training.

En el bloque 205, se pueden proporcionar los datos actuales recibidos al módulo informático (software predictivo) para que genere los datos de la predicción de acopio de acuerdo con el modelo predictivo implementado por el módulo informático. Se pueden definir métricas por medio de cualquier técnica conocida que permita validar la fiabilidad de los resultados que va produciendo el procedimiento. Estas métricas pueden ser determinadas a partir de datos generados en ejecuciones anteriores del procedimiento.In block 205, the current data received can be provided to the computer module (predictive software) to generate the data of the collection prediction according to the predictive model implemented by the computer module. Metrics can be defined by any known technique that allows validating the reliability of the results produced by the procedure. These metrics can be determined from data generated in previous executions of the procedure.

En el bloque 206, el procedimiento puede ser finalizado con la provisión de los resultados del proceso a un destinatario predefinido. Los resultados (acopio estimado para una entidad determinada) pueden proporcionarse, por ejemplo, mostrándolos por pantalla, guardándolos en un repositorio para su posterior visualización como respuesta a una petición de usuario, transmitiéndolos a un sistema informático asociado con la entidad receptora del producto agrícola, etc.In block 206, the procedure can be completed by providing the results of the process to a predefined recipient. The results (estimated collection for a given entity) can be provided, for example, by displaying them on the screen, saving them in a repository for later viewing in response to a user request, transmitting them to a computer system associated with the entity receiving the agricultural product, etc.

La figura 2 muestra un ejemplo concreto del procedimiento de estimación de acopio de un producto determinado para una entidad en particular. Sin embargo, el experto entenderá que dicho procedimiento puede procesar datos de diversos productos agrícolas para generar estimaciones de acopio para varias entidades, de acuerdo con los principios expuestos en referencia a dicha figura. Figure 2 shows a concrete example of the procedure for estimating the collection of a particular product for a particular entity. However, the expert will understand that said procedure can process data from various agricultural products to generate estimates of collection for several entities, in accordance with the principles set forth in reference to said figure.

La figura 3 muestra un diagrama de flujo de un procedimiento de generación de una predicción de acopio, de acuerdo con otro ejemplo de la invención. El procedimiento ilustrado por esta figura puede ser significativamente similar al de la figura anterior. En concreto, los bloques 300 - 302 y 303 - 306 de esta figura pueden ser iguales o similares a los bloques 200 - 202 y 203 - 206 de la figura 2, respectivamente. Una diferencia es que el procedimiento de la figura 3 comprende un bloque adicional 307 de selección del procedimiento de aprendizaje automático (o machine learning) de acuerdo con, por ejemplo, el criterio que se describe a continuación.Figure 3 shows a flow chart of a method of generating a collection prediction, according to another example of the invention. The procedure illustrated by this figure may be significantly similar to that of the previous figure. Specifically, blocks 300-302 and 303-306 of this figure may be the same or similar to blocks 200-202 and 203-206 of Figure 2, respectively. One difference is that the procedure of Figure 3 comprises an additional block 307 for selecting the machine learning procedure according to, for example, the criteria described below.

Dicha selección puede depender de un indicador representativo del grado de influencia en el resultado final de los datos históricos y acopio recibidos y procesados por un algoritmo de aprendizaje en particular. Este (sub)proceso de selección puede basarse en una estructura de datos (por ejemplo, una tabla de búsqueda o lookup table) que relaciona diferentes combinaciones de datos recibidos y procedimiento de aprendizaje utilizado con valores concretos de dicho indicador de influencia. Esta estructura de datos se puede haber construido a partir de datos usados y resultados obtenidos en ejecuciones anteriores del procedimiento en las que se ha utilizado un determinado procedimiento de aprendizaje. Cada valor atribuido al indicador se puede haber determinado, por ejemplo, en función de una desviación entre el acopio estimado y el acopio real correspondientes a cada combinación de datos recibidos y algoritmo de aprendizaje utilizado.Such selection may depend on a representative indicator of the degree of influence on the final result of the historical and collection data received and processed by a particular learning algorithm. This (sub) selection process can be based on a data structure (for example, a search table or lookup table) that relates different combinations of received data and learning procedure used with specific values of said influence indicator. This data structure may have been constructed from used data and results obtained in previous executions of the procedure in which a particular learning procedure has been used. Each value attributed to the indicator may have been determined, for example, based on a deviation between the estimated collection and the actual collection corresponding to each combination of data received and learning algorithm used.

La figura 4 muestra un diagrama de flujo de un bloque de generación de datos de aprendizaje que puede formar parte de cualquiera de los procedimientos ilustrados por la figura 2 (bloque 202) y la figura 3 (bloque 302), o similares. Dicha generación de datos de aprendizaje puede tener como input unos datos históricos y acopio asociado 400 procedentes de un bloque similar a, por ejemplo, el bloque 201 de la figura 2 o el bloque 301 de la figura 3. Los datos de aprendizaje resultantes 405 pueden ser proporcionados a un bloque similar a, por ejemplo, el bloque 203 de la figura 2 o al bloque 307 de la figura 3.Figure 4 shows a flow chart of a learning data generation block that can be part of any of the procedures illustrated by Figure 2 (block 202) and Figure 3 (block 302), or the like. Said generation of learning data may have as input historical data and associated collection 400 from a block similar to, for example, block 201 of Figure 2 or block 301 of Figure 3. The resulting learning data 405 may be provided to a block similar to, for example, block 203 of figure 2 or block 307 of figure 3.

En el bloque 401, se puede calcular, para cada parámetro del ciclo de vida recibido, un valor medio o estadístico representativo de los datos recibidos correspondientes a dicho parámetro, y determinar aquellos datos recibidos que tengan una desviación respecto al valor medio/estadístico calculado que supera un umbral de desviación predefinido. Un dato que presente una desviación excesiva puede ser considerado como valor atípico (o outlier). In block 401, it is possible to calculate, for each parameter of the life cycle received, an average or statistical value representative of the data received corresponding to said parameter, and determine those data received that have a deviation from the calculated average / statistical value that exceeds a predefined deviation threshold. A data that presents an excessive deviation can be considered as an outlier (or outlier) value.

Esta identificación de valores atípicos puede realizarse aplicando cualquier procedimiento o técnica conocida de detección de valores atípicos.This identification of outliers can be carried out by applying any known method or technique of detecting outliers.

En el bloque 402, los valores atípicos detectados pueden ser procesados con el fin de minimizar su eventual influencia negativa en los resultados de estimación de acopio(s). Por ejemplo, todos o algunos de los valores atípicos detectados pueden ser descartados con el fin de evitar distorsiones en los resultados, y/o pueden ser devueltos a su origen para su corrección y retorno posterior al sistema que realiza el procedimiento de estimación de acopio(s).In block 402, the atypical values detected can be processed in order to minimize their eventual negative influence on the results of estimation of collection (s). For example, all or some of the atypical values detected can be discarded in order to avoid distortions in the results, and / or they can be returned to their origin for correction and subsequent return to the system that performs the procedure of estimation of collection ( s).

En el bloque 403, se pueden determinar, para cada parámetro del ciclo de vida, datos correspondientes a dicho parámetro que no han sido recibidos en función de una relación predefinida con datos que sí han sido recibidos. Por ejemplo, si una determinada medida recibida sigue un patrón temporal de generación por parte de un sensor (por ejemplo: generación de 200 medidas cada hora), y se detecta una irregularidad en las medidas procedentes del sensor (por ejemplo: sólo se han generado 50 medidas en una hora concreta), se puede concluir que faltan medidas. En este caso, la ausencia de dichas medidas puede ser ignorada si se considera que su influencia en el resultado puede ser insignificante, o los datos recibidos pueden ser remitidos a su origen para corrección e incorporación ulterior al procedimiento, etc. Esta lógica puede ser implementada, por ejemplo, a través de reglas de conocimiento usando cualquier enfoque de inteligencia artificial conocido.In block 403, for each life cycle parameter, data corresponding to said parameter that have not been received can be determined based on a predefined relationship with data that has been received. For example, if a certain measurement received follows a temporary pattern of generation by a sensor (for example: generation of 200 measurements every hour), and an irregularity is detected in the measurements from the sensor (for example: they have only been generated 50 measures at a specific time), it can be concluded that measures are missing. In this case, the absence of such measures can be ignored if it is considered that their influence on the result may be insignificant, or the data received may be sent to its source for correction and subsequent incorporation into the procedure, etc. This logic can be implemented, for example, through knowledge rules using any known artificial intelligence approach.

En el bloque 404, se pueden determinar datos derivados a partir de datos recibidos, incluyendo dichos datos derivados medias, varianzas, restricciones o índices calculados por medio de relaciones matemáticas y/o estadísticas predefinidas. Esta determinación de datos derivados puede incluir, por ejemplo, la realización de procedimientos de búsqueda heurísticos y/o meta-heurísticos. Los datos derivados pueden comprender, por ejemplo, diferentes agregaciones de datos a distintos niveles con el fin de agilizar el proceso de aprendizaje y maximizar su eficacia. Otros datos derivados pueden ser, por ejemplo, valores promedio de medidas de temperatura, humedad, viento, etc. si se considera que algún aspecto del aprendizaje puede no requerir medidas concretas y el uso de valores medios (o resumen) puede acelerar dicho aprendizaje.In block 404, derived data can be determined from received data, including said average derived data, variances, restrictions or indices calculated by means of predefined mathematical relationships and / or statistics. This determination of derived data may include, for example, the performance of heuristic and / or meta-heuristic search procedures. Derived data may comprise, for example, different aggregations of data at different levels in order to streamline the learning process and maximize its effectiveness. Other derived data may be, for example, average values of temperature, humidity, wind, etc. measurements. if it is considered that some aspect of learning may not require concrete measures and the use of average values (or summary) may accelerate such learning.

La figura 4 muestra los diferentes bloques 401 - 404 que componen la generación de datos de aprendizaje en un determinado orden. Sin embargo, dichos bloques pueden ser ejecutados en un orden diferente al reflejado en la figura. Por ejemplo, en algunas implementaciones, el conjunto de bloques 401 y 402 (valores atípicos), el bloque 403 (datos no recibidos) y el bloque 404 (datos derivados) se podrían ejecutar en paralelo. O, en otros ejemplos, el bloque 403 (datos no recibidos) podría ejecutarse antes que el conjunto de bloques 401 y 402 (valores atípicos). Etcétera.Figure 4 shows the different blocks 401 - 404 that make up the data generation of learning in a certain order. However, said blocks can be executed in a different order than the one shown in the figure. For example, in some implementations, the set of blocks 401 and 402 (outliers), block 403 (data not received) and block 404 (derived data) could be executed in parallel. Or, in other examples, block 403 (data not received) could be executed before block set 401 and 402 (outliers). Etc.

Cualquiera de los procedimientos de estimación de acopio(s) descritos puede incluir un bloque final (no mostrado) dedicado a determinar una estimación de recursos técnicos para hacer frente a la predicción de acopio(s) generada. Esta estimación de recursos técnicos puede comprender la estimación de un espacio de almacenamiento y/o medios de transporte y/o cantidad de producto para una conservación adecuada del producto agrícola, etc. La estimación de recursos puede realizarse por medio de un proceso de análisis de una BD multidimensional, en la que cada dimensión puede corresponder a un determinado producto agrícola, un valor de acopio del producto, un espacio de almacenaje, una cuantificación del transporte necesario, etc. Cada combinación diferente de valores correspondientes a las dimensiones consideradas puede comprender, en la BD, un valor de estimación de recursos que puede ser un valor concreto, un rango de valores, un conjunto de valores discretos, etc. El análisis de la BD multidimensional puede producir una estimación de recursos necesarios en función de, por ejemplo, una correspondencia entre la estimación de acopio producida y una combinación multidimensional existente en la BD junto con el correspondiente valor de estimación determinado por dicha combinación multidimensional.Any of the collection estimation procedures (s) described may include a final block (not shown) dedicated to determining an estimate of technical resources to cope with the prediction of collection (s) generated. This estimate of technical resources may include the estimation of a storage space and / or means of transport and / or quantity of product for an adequate conservation of the agricultural product, etc. The estimation of resources can be carried out through a process of analysis of a multidimensional database, in which each dimension can correspond to a specific agricultural product, a value of collection of the product, a storage space, a quantification of the necessary transport, etc. . Each different combination of values corresponding to the dimensions considered may comprise, in the BD, a resource estimate value that may be a specific value, a range of values, a set of discrete values, etc. The multidimensional BD analysis can produce an estimate of necessary resources based on, for example, a correspondence between the collection estimate produced and a multidimensional combination existing in the BD together with the corresponding estimate value determined by said multidimensional combination.

Los diferentes ejemplos descritos en la presente memoria se refieren a procedimientos, sistemas y programas informáticos basados en técnicas de inteligencia artificial para la predicción de acopios y, por lo tanto, una gestión comercial, de compras, de servicios, de producción y de existencias eficiente. Estos procedimientos, sistemas y programas informáticos pueden ser, por lo tanto, de gran utilidad en la prestación de servicios (en dichos ámbitos) a entidades receptoras de productos agrícolas tal como, por ejemplo, alhóndigas, lonjas, cooperativas y comercializadoras agrícolas.The different examples described herein refer to computer procedures, systems and programs based on artificial intelligence techniques for the prediction of stockpiles and, therefore, efficient commercial, purchasing, service, production and stock management . These procedures, systems and computer programs can, therefore, be very useful in providing services (in these areas) to entities receiving agricultural products such as, for example, meatballs, fish markets, cooperatives and agricultural traders.

A pesar de que se han descrito aquí sólo algunos ejemplos particulares de la invención, el experto en la materia comprenderá que son posibles otros ejemplos alternativos y/o usos de la invención, así como modificaciones obvias y elementos equivalentes. Además, la presente invención abarca todas las posibles combinaciones de los ejemplos concretos que se han descrito. Los signos numéricos relativos a los dibujos y colocados entre paréntesis en una reivindicación son solamente para intentar aumentar la comprensión de la reivindicación, y no deben ser interpretados como limitantes del alcance de la protección de la reivindicación. El alcance de la presente invención no debe limitarse a ejemplos concretos, sino que debe ser determinado únicamente por una lectura apropiada de las reivindicaciones adjuntas.Although only a few particular examples of the invention have been described herein, the person skilled in the art will understand that other alternative examples and / or uses of the invention are possible, as well as obvious modifications and equivalent elements. Besides, the The present invention encompasses all possible combinations of the concrete examples that have been described. The numerical signs relating to the drawings and placed in parentheses in a claim are only intended to increase the understanding of the claim, and should not be construed as limiting the scope of the claim's protection. The scope of the present invention should not be limited to specific examples, but should be determined only by an appropriate reading of the appended claims.

A pesar también de que los ejemplos descritos de la invención con referencia a los dibujos comprenden sistemas informáticos y procedimientos realizados en sistemas informáticos, la invención también se extiende a programas informáticos, más particularmente a programas informáticos en o sobre unos medios portadores, adaptados para poner en práctica la invención. El programa informático puede estar en forma de código fuente, de código objeto o en un código intermedio entre código fuente y código objeto, tal como en forma parcialmente compilada, o en cualquier otra forma adecuada para usar en la implementación de los procesos de acuerdo con la invención. El medio portador puede ser cualquier entidad o dispositivo capaz de portar el programa.Although also the described examples of the invention with reference to the drawings comprise computer systems and procedures performed in computer systems, the invention also extends to computer programs, more particularly to computer programs in or on carrier media, adapted to put In practice the invention. The computer program may be in the form of source code, object code or an intermediate code between source code and object code, such as partially compiled form, or in any other form suitable for use in the implementation of the processes in accordance with the invention. The carrier medium can be any entity or device capable of carrying the program.

Por ejemplo, el medio portador puede comprender un medio de almacenamiento, tal como una ROM, por ejemplo un CD ROM o una ROM semiconductora, o un medio de grabación magnético, por ejemplo un floppy disc o un disco duro. Además, el medio portador puede ser un medio portador transmisible tal como una señal eléctrica u óptica que puede transmitirse vía cable eléctrico u óptico o mediante radio u otros medios.For example, the carrier medium may comprise a storage medium, such as a ROM, for example a CD ROM or a semiconductor ROM , or a magnetic recording medium, for example a floppy disc or a hard disk. In addition, the carrier means may be a transmissible carrier medium such as an electrical or optical signal that can be transmitted via electrical or optical cable or by radio or other means.

Cuando el programa informático está contenido en una señal que puede transmitirse directamente mediante un cable u otro dispositivo o medio, el medio portador puede estar constituido por dicho cable u otro dispositivo o medio.When the computer program is contained in a signal that can be transmitted directly by means of a cable or other device or medium, the carrier medium may be constituted by said cable or other device or medium.

Alternativamente, el medio portador puede ser un circuito integrado en el que está encapsulado (embedded) el programa informático, estando adaptado dicho circuito integrado para realizar o para usarse en la realización de los procedimientos relevantes.Alternatively, the carrier means may be an integrated circuit in which the computer program is encapsulated ( embedded) , said integrated circuit being adapted to perform or for use in performing the relevant procedures.

Por otro lado, la invención también puede ser implementada mediante sistemas informáticos, tales como ordenadores personales, servidores, una red informática de ordenadores, ordenadores portátiles, tabletas o cualquier otro dispositivo programable o procesador informático. Complementaria o alternativamente también pueden usarse dispositivos electrónicos programables, tales como controladores lógicos programables (ASICs, FPGAs, autómatas programables, etc.).On the other hand, the invention can also be implemented by computer systems, such as personal computers, servers, a computer network of computers, laptops, tablets or any other programmable device or computer processor In addition or alternatively, programmable electronic devices can also be used, such as programmable logic controllers (ASICs, FPGAs, programmable controllers, etc.).

Por consiguiente, la invención puede implementarse tanto en hardware como en software o en firmware, o cualquier combinación de ellos. Accordingly, the invention can be implemented in both hardware and software or firmware, or any combination thereof.

Claims

re iv in d ic ac io nes

1. Procedure implemented in a computer system to generate data of a prediction of collection of an agricultural product for a receiving entity of said product, the agricultural product having a life cycle, and comprising the procedure:

receive historical data corresponding to parameters of the life cycle of the agricultural product and to a collection that occurred under said parameters, including said historical data at least data from sensors installed in an agricultural farm in which the agricultural product was produced;

generate a set of learning data from the historical data received; carry out a machine learning procedure based on the learning data set in order to produce ^or adjust a computer module that implements a predictive model of agricultural product collection;

receive current data corresponding to parameters of the life cycle of the agricultural product, including said current data at least data from sensors installed in an agricultural holding in which the agricultural product is being produced; provide the current data received to the computer module to generate the data of the collection prediction according to the predictive model implemented by the computer module.

2. The method according to claim 1, which comprises selecting the automatic learning procedure from a set of predefined automatic learning procedures, said selection depending on a predefined indicator representative of a degree of influence of the parameters received in the prediction of the collection.

3. The method according to claim 2, wherein the set of machine learning procedures comprises procedures based on at least one of the following approaches: artificial neural networks, decision trees, association rules, genetic algorithms, support vector machines , clustering algorithms, Bayesian networks, ^or in a combination of all ^or some of them.

4. The method according to any one of claims 1 to 3, wherein generating the learning data set comprises calculating, for each life cycle parameter, a representative statistical ^or average value of the received data corresponding to said parameter, and determine those data received that have a deviation from the calculated average / statistical value that exceeds a predefined deviation threshold.

5. The method according to claim 4, wherein generating the learning data set comprises discarding the received data that exceeds the predefined deviation threshold.

6. A method according to any one of claims 1 to 5, wherein generating the learning data set comprises determining, for each life cycle parameter, data corresponding to said parameter that have not been received based on a predefined relationship ^yes data have been received.

7. A method according to any one of claims 1 to 6, wherein generating the learning data set comprises determining derived data from received data, including said average derived data, variances, restrictions ^or indices calculated by means of mathematical relationships ^or predefined statistics, ^or a combination of both.

A method according to claim 7, wherein generating the learning data set comprises selecting derived data by means of heuristic ^or meta-heuristic search procedures, ^or a combination of both.

9. Method according to any one of claims 1 to 8, further comprising determining an estimate of technical resources to cope with the prediction of stockpiling generated.

A method according to claim 9, wherein determining the estimate of technical resources comprises estimating a storage space ^or means of transport ^or quantity of product for conservation of the agricultural product, ^or a combination of all ^or some of said resources.

11. The method according to any one of claims 1 to 10, wherein the data from sensors includes one ^or more of the following types of data: temperature, humidity, pressure, irrigation, fertilization, rain, wind, sunlight data .

12. A method according to any one of claims 1 to 11, wherein the historical / current data received comprises data corresponding to parameters of an agricultural product production process.

13. The method according to claim 12, wherein the data corresponding to parameters of the agricultural product production process comprise one or more of the following types of data: on type of seeds, fertilizers, anti-pest treatments, frequency of irrigation, treatments Phytosanitary, planting date.

14. A method according to any one of claims 1 to 13, wherein ^the historical / current data received comprises data corresponding to weather parameters of an area where the farm is located.

15. The method according to claim 14, wherein the data corresponding to weather parameters comprise one ^or more of ^the following types of data: on precipitation occurred / expected, amount of precipitated water measured / expected, wind measured / expected, temperature measured / expected, measured / expected humidity.

16. A method according to any one of claims 1 to 15, wherein ^the historical / current data received comprises data corresponding to phytopathological parameters.

17. The method according to claim 16, wherein ^the data corresponding to phytopathological parameters comprise one ^or more of ^the following types of data: on pests occurred / expected, damage occurred / expected to the production of the agricultural product.

18. A method according to any one of claims 1 to 17, wherein ^the historical / current data received comprises data corresponding to parameters of the recipient entity of the agricultural product.

19. The method according to claim 18, wherein ^the data corresponding to parameters of the receiving entity of the agricultural product comprise one ^or more of ^the following types of data: on receipt, prices, stock, qualities, costs.

20. A method according to any one of claims 1 to 19, wherein the historical / current data received comprises data corresponding to parameters of a sector related to the agricultural product.

21. The method according to claim 20, wherein the data corresponding to parameters of the sector comprise one or more of the following types of data: on production of the area, country, continent; export; logistic costs; production of other areas, countries, continents; production of agricultural product substitutes.

22. Method according to any one of claims 1 to 21, wherein ^the historical / current data received comprises data corresponding to parameters of a producer or operator of the farm.

23. The method according to claim 22, wherein the data corresponding to parameters of the producer ^or operator of the agricultural holding comprise one ^or more of the following types of data: on specific production; past, present, expected returns; pruning; planting care, surface.

24. A method according to any one of claims 1 to 23, wherein ^the historical / current data received comprises data corresponding to parameters of agricultural sector suppliers.

25. The method according to claim 24, wherein ^the data corresponding to parameters of agricultural sector suppliers comprise one ^or more of ^the following types of data: on type, cost, quantity, effectiveness of fertilizers, pesticides, seeds.

26. A method according to any one of claims 1 to 25, wherein ^the historical / current data received comprises data corresponding to market parameters.

27. The method of claim 26, wherein the data corresponding to market parameters comprise one or more of the following types of data: on historical / current product prices, product price forecasts.

28. A computer program comprising program instructions for having a system execute a method according to any one of claims 1 to 27.

29. A computer program according to claim 28, which is stored on recording media.

30. A computer program according to claim 28, which is carried by a carrier signal.

31. System to generate data of a prediction of collection of an agricultural product for a receiving entity of said product, the agricultural product having a life cycle, and comprising the system:

means for receiving historical data corresponding to parameters of the life cycle of the agricultural product and to a stockpile that occurred under said parameters, including said historical data at least data from sensors installed in an agricultural farm in which the agricultural product was produced;

means for generating a set of learning data from the historical data received;

means for performing a machine learning procedure from the set of learning data in order to produce ^or adjust a computer module that implements a predictive model of agricultural product collection;

means for receiving current data corresponding to parameters of the life cycle of the agricultural product, including said current data at least data from sensors installed in an agricultural farm in which the agricultural product is being produced;

means for providing the current data received to the computer module to generate the collection prediction data according to the predictive model implemented by the computer module.

32. A computer system comprising a memory and a processor, wherein the memory stores computer program instructions executable by the processor, these instructions comprising functionalities for executing a method according to any one of claims 1 to 27.