JP2020171217A - Method, apparatus and program for predicting yield - Google Patents
Method, apparatus and program for predicting yield Download PDFInfo
- Publication number
- JP2020171217A JP2020171217A JP2019074473A JP2019074473A JP2020171217A JP 2020171217 A JP2020171217 A JP 2020171217A JP 2019074473 A JP2019074473 A JP 2019074473A JP 2019074473 A JP2019074473 A JP 2019074473A JP 2020171217 A JP2020171217 A JP 2020171217A
- Authority
- JP
- Japan
- Prior art keywords
- yield
- parameter
- predicted value
- value
- probability
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims description 28
- 238000011156 evaluation Methods 0.000 claims abstract description 54
- 238000012937 correction Methods 0.000 claims abstract description 27
- 238000010801 machine learning Methods 0.000 claims abstract description 16
- 238000004364 calculation method Methods 0.000 claims abstract description 12
- 238000003306 harvesting Methods 0.000 claims description 12
- 238000009795 derivation Methods 0.000 claims description 4
- 230000006870 function Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 description 12
- 238000002360 preparation method Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 4
- 238000010276 construction Methods 0.000 description 4
- 238000007781 pre-processing Methods 0.000 description 4
- 238000003860 storage Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 238000002790 cross-validation Methods 0.000 description 3
- 235000007688 Lycopersicon esculentum Nutrition 0.000 description 2
- 240000003768 Solanum lycopersicum Species 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 240000009088 Fragaria x ananassa Species 0.000 description 1
- 230000002079 cooperative effect Effects 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 235000021012 strawberries Nutrition 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Abstract
Description
本発明は、トマトなどの農作物の収穫量を予測する技術に関する。 The present invention relates to a technique for predicting the yield of agricultural products such as tomatoes.
従来、農作物の収穫量を予測する手法が提案されている。例えば、特許文献１では、ハウス栽培の苺の収穫量を予測する方法が提案されている。この方法は、最初に作付面積等によって一般的に期待される収穫量を演算し、なおも日射量等の収穫量に影響を及ぼす因子ごとに予測モデルにしたがって、演算によって求めた収穫量を順次補正するというものである。 Conventionally, a method for predicting the yield of agricultural products has been proposed. For example, Patent Document 1 proposes a method for predicting the yield of greenhouse-grown strawberries. In this method, the generally expected yield is first calculated based on the planted area, etc., and the yield obtained by calculation is sequentially calculated according to the prediction model for each factor that affects the yield such as solar radiation. It is to correct.
一方、農作物の収穫量の予測については、一定程度（例えば２０％）の誤差は許容され、それ以上の誤差は、場合によってはペナルティが課されるなど厳しく判断される場合がある。上述した特許文献１の技術は、許容される誤差の範囲にかかわらず、全体の予測値の精度向上を目的としたものであるため、許容誤差の範囲を逸脱する予測も少なからず発生する。逆に予想値の全てを許容誤差の範囲内に納めようとすると、演算量が膨大になったり、必要なデータ量が増加したり、モデルの構築が困難になる場合がある。 On the other hand, with regard to the prediction of the yield of agricultural products, an error of a certain degree (for example, 20%) is allowed, and an error of more than that may be severely judged such as a penalty may be imposed in some cases. Since the technique of Patent Document 1 described above is intended to improve the accuracy of the overall predicted value regardless of the range of the permissible error, there are not a few predictions that deviate from the range of the permissible error. On the contrary, if all the expected values are kept within the margin of error, the amount of calculation may become enormous, the amount of required data may increase, and it may be difficult to construct a model.
本発明は、上述のかかる事情に鑑みてなされたものであり、機械学習により構築したモデルを用いて農作物の収穫量を予測する際、許容範囲を超える誤差の発生を効果的に低減して、精度の良い予測を可能にする収穫量予測方法、装置およびプログラムを提供することを目的とする。 The present invention has been made in view of the above circumstances, and when predicting the yield of agricultural products using a model constructed by machine learning, the occurrence of errors exceeding the permissible range is effectively reduced. It is an object of the present invention to provide yield prediction methods, devices and programs that enable accurate prediction.
上記課題を達成するため、第一の開示に係る収穫量予測方法は、
機械学習により農作物の収穫量を演算するための収穫量予測モデルを構築するモデル学習段階と、前記モデル学習段階で構築した前記収穫量予測モデルによって農作物の収穫量の予測値を演算する予測演算段階と、を有する収穫量予測方法であって、
前記モデル学習段階は、
前記収穫量予測モデルによって演算した結果が予め定めた許容誤差範囲外になる確率である外れ値確率を演算する外れ値予測モデルを構築する段階と、
前記許容誤差範囲外になった回数を第１の評価軸、収穫量の予測値と実績値の平均二乗誤差を第２の評価軸とし、前記外れ値確率を第１のパラメータ、前記予測値を修正するための修正率を第２のパラメータとしたとき、前記第１の評価軸および前記第２の評価軸の少なくともいずれか一方を用いて、前記第１のパラメータと前記第２のパラメータの組み合わせを求めるパラメータ導出段階と、を含み、
前記予測演算段階は、
前記外れ値予測モデルによって演算した外れ値確率と前記第１のパラメータとを比較し、当該比較の結果に基づいて、前記収穫量予測モデルによって演算した予測値または生産者の予測値に対して前記第２のパラメータを用いて修正を行なうか否かを決定する予測値修正段階を含むことを特徴とする。
In order to achieve the above issues, the yield prediction method according to the first disclosure is
A model learning stage for constructing a yield prediction model for calculating the yield of agricultural products by machine learning, and a prediction calculation stage for calculating a predicted value of the yield of agricultural products with the yield prediction model constructed in the model learning stage. It is a yield prediction method having
The model learning stage is
The stage of constructing an outlier prediction model that calculates the outlier probability, which is the probability that the result calculated by the yield prediction model will be out of the predetermined tolerance range, and
The number of times the error is out of the permissible range is set as the first evaluation axis, the mean square error between the predicted value of the yield and the actual value is used as the second evaluation axis, the outlier probability is the first parameter, and the predicted value is set. When the correction rate for correction is set as the second parameter, a combination of the first parameter and the second parameter is used by using at least one of the first evaluation axis and the second evaluation axis. Including the parameter derivation stage to find
The prediction calculation stage is
The outlier probability calculated by the outlier prediction model is compared with the first parameter, and based on the result of the comparison, the predicted value calculated by the yield prediction model or the predicted value of the producer is described. It is characterized by including a predicted value correction step for determining whether or not to make a correction using the second parameter.
本開示では、収穫量予測モデルによって演算した結果を実績値と比較したときの誤差が予め定めた許容範囲（例えば２０％）を外れる確率（外れ値確率）を演算するモデルを構築する。そして、許容誤差範囲外になった回数、および収穫量の予測値と実績値の平均二乗誤差をそれぞれ評価軸とし、外れ値確率および予測値を修正するための修正率をそれぞれパラメータとして、前記評価軸を用いて、両パラメータの値を求める。このパラメータ値を用いて収穫予測モデルの予測値を修正することにより予測値の精度を上げることができる。 In the present disclosure, a model for calculating the probability (outlier probability) that an error when comparing the result calculated by the yield prediction model with the actual value deviates from a predetermined allowable range (for example, 20%) is constructed. Then, the number of times the error is out of the permissible range and the mean square error between the predicted value and the actual value of the yield are used as evaluation axes, and the outlier probability and the correction rate for correcting the predicted value are used as parameters for the evaluation. Find the values of both parameters using the axis. The accuracy of the predicted value can be improved by modifying the predicted value of the harvest prediction model using this parameter value.
また、本開示は、パラメータ導出段階では、第１の評価軸または第２の評価軸のいずれかが最小となるように、第１のパラメータと第２のパラメータの組み合わせを求め、
予測値修正段階では、外れ値予測モデルによって演算した外れ値確率と第１のパラメータとを比較し、該外れ値確率が第１のパラメータの最適値以下である場合はモデルの予測収穫量を出力し、該外れ値確率が第１のパラメータの最適値よりも大きい場合は、前記収穫量予測モデルによって演算した予測値または生産者の予測値に第２のパラメータの最適値を掛けた値を出力することを特徴とする。
Further, in the present disclosure, at the parameter derivation stage, a combination of the first parameter and the second parameter is obtained so that either the first evaluation axis or the second evaluation axis is minimized.
In the predicted value correction stage, the outlier probability calculated by the outlier prediction model is compared with the first parameter, and if the outlier probability is less than or equal to the optimum value of the first parameter, the predicted yield of the model is output. If the outlier probability is larger than the optimum value of the first parameter, the predicted value calculated by the yield prediction model or the predicted value of the producer multiplied by the optimum value of the second parameter is output. It is characterized by doing.
なお、前記モデル学習段階は、機械学習により気象データからハウス内気温を演算するハウス内気温予測モデルを構築する段階を含み、少なくとも前記ハウス内気温、生産者の予測値、および日照時間は、前記収穫量予測モデル及び前記外れ値予測モデルの説明変数とするのが好ましい。 The model learning stage includes a stage of constructing a house temperature prediction model that calculates the house temperature from meteorological data by machine learning, and at least the house temperature, the producer's predicted value, and the sunshine time are described above. It is preferable to use it as an explanatory variable of the yield prediction model and the deviation value prediction model.
また、第二の開示に係る収穫量予測装置は、
農作物の収穫量を予測する収穫量予測装置であって、
機械学習により構築した収穫量予測モデルを用いて農作物の収穫量の予測値を演算する収穫量予測手段と、
入力された収穫量の予測値が予め定めた許容誤差範囲外になる確率である外れ値確率を演算し、前記許容誤差範囲外になった回数を第１の評価軸、収穫量の予測値と実績値の平均二乗誤差を第２の評価軸とし、前記外れ値確率を第１のパラメータ、前記入力された収穫量の予測値を修正するための修正率を第２のパラメータとしたとき、前記第１の評価軸および前記第２の評価軸の少なくともいずれか一方に基づいて、前記第１のパラメータと前記第２のパラメータの組み合わせを演算する外れ値予測手段と、
前記外れ値確率と前記第１のパラメータとを比較し、当該比較の結果に基づいて、前記収穫量予測手段によって演算した予測値を出力するか、あるいは前記入力された収穫量の予測値に対して前記第２のパラメータを用いて修正を行なった結果を予測値として出力するかを決定する予測値修正手段と、
を備えたことを特徴とする。
In addition, the yield prediction device according to the second disclosure is
It is a yield prediction device that predicts the yield of agricultural products.
A yield prediction means that calculates the predicted value of the crop yield using the yield prediction model constructed by machine learning,
The outlier probability, which is the probability that the input predicted value of the yield will be outside the predetermined tolerance range, is calculated, and the number of times the predicted value is out of the tolerance range is used as the first evaluation axis and the predicted value of the yield. When the mean square error of the actual value is used as the second evaluation axis, the outlier probability is used as the first parameter, and the correction rate for correcting the input predicted value of the yield is used as the second parameter, the above An outlier predicting means that calculates a combination of the first parameter and the second parameter based on at least one of the first evaluation axis and the second evaluation axis.
The deviation value probability is compared with the first parameter, and based on the result of the comparison, the predicted value calculated by the harvest amount predicting means is output, or with respect to the input predicted value of the yield. The predicted value correcting means for determining whether to output the result of the correction using the second parameter as the predicted value, and
It is characterized by being equipped with.
また、第三の開示に係るプログラムは、
農作物の収穫量を予測するコンピュータ実行可能なプログラムであって、
コンピュータを
機械学習により構築した収穫量予測モデルを用いて農作物の収穫量の予測値を演算する収穫量予測手段、
入力された収穫量の予測値が予め定めた許容誤差範囲外になる確率である外れ値確率を演算し、前記許容誤差範囲外になった回数を第１の評価軸、収穫量の予測値と実績値の平均二乗誤差を第２の評価軸とし、前記外れ値確率を第１のパラメータ、前記入力された収穫量の予測値を修正するための修正率を第２のパラメータとしたとき、前記第１の評価軸および前記第２の評価軸の少なくともいずれか一方に基づいて、前記第１のパラメータと前記第２のパラメータの組み合わせを演算する外れ値予測手段、
前記外れ値確率と前記第１のパラメータとを比較し、当該比較の結果に基づいて、前記収穫量予測手段によって演算した予測値を出力するか、あるいは前記入力された収穫量の予測値に対して前記第２のパラメータを用いて修正を行なった結果を予測値として出力するかを決定する予測値修正手段、
として機能させることを特徴とする。
In addition, the program related to the third disclosure is
A computer-executable program that predicts crop yields
A yield prediction means that calculates the predicted value of crop yield using a yield prediction model constructed by machine learning on a computer.
The outlier probability, which is the probability that the input predicted value of the yield will be outside the predetermined tolerance range, is calculated, and the number of times the predicted value is out of the tolerance range is used as the first evaluation axis and the predicted value of the yield. When the mean square error of the actual value is used as the second evaluation axis, the outlier probability is used as the first parameter, and the correction rate for correcting the input predicted value of the yield is used as the second parameter, the above An outlier predictor that calculates a combination of the first parameter and the second parameter based on at least one of the first evaluation axis and the second evaluation axis.
The deviation value probability is compared with the first parameter, and based on the result of the comparison, the predicted value calculated by the harvest amount predicting means is output, or with respect to the input predicted value of the yield. A predicted value correction means for determining whether to output the result of correction using the second parameter as a predicted value.
It is characterized by functioning as.
以上の如く、本発明においては、機械学習により構築したモデルを用いて農作物の収穫量を予測する際、許容範囲を超える誤差の発生を効果的に低減して、精度の良い予測が可能になる。 As described above, in the present invention, when predicting the yield of agricultural products using a model constructed by machine learning, the occurrence of errors exceeding the permissible range can be effectively reduced, and accurate prediction becomes possible. ..
以下に本発明の第１の実施の形態による収穫量予測装置について図１を参照しながら説明する。収穫量予測装置１は、ＣＰＵ（演算処理部）、メモリ（記憶部）、およびキーボードやディスプレイなどの入出力インタフェースを有するコンピュータ装置で構成することができ、その形態は問わない。したがって、スタンドアロン、クライアントサーバモデル、クラウドコンピューティング形態など適用環境に応じて任意の形態で実現することができる。本実施の形態は、クライアントサーバモデルを例に説明する。 The yield prediction device according to the first embodiment of the present invention will be described below with reference to FIG. The yield prediction device 1 can be configured by a computer device having a CPU (arithmetic processing unit), a memory (storage unit), and an input / output interface such as a keyboard and a display, and the form thereof is not limited. Therefore, it can be realized in any form depending on the application environment such as stand-alone, client-server model, and cloud computing form. This embodiment will be described by taking a client-server model as an example.
図１において、収穫量予測装置１は、通信ネットワーク５を介して、オペレータ端末６や生産者端末７と繋がる。また、収穫量予測装置１は、本装置によるサービスの提供を受ける業者、例えば農産物の卸売業者や農業組合などの端末（ユーザ端末）８と接続する。さらに、気象予報サーバ９など、収穫量の予測に必要なデータをオンラインで取得することのできる装置と繋がる。 In FIG. 1, the yield prediction device 1 is connected to the operator terminal 6 and the producer terminal 7 via the communication network 5. Further, the yield prediction device 1 is connected to a terminal (user terminal) 8 such as a trader who receives the service provided by this device, for example, a wholesaler of agricultural products or an agricultural cooperative. Further, it is connected to a device such as a weather forecast server 9 that can acquire data necessary for forecasting the yield online.
収穫量予測装置１は、通信ネットワーク５を介して上述した各端末６〜８、気象予報サーバ９と通信を行なう送受信部１０、農作物の収穫量予測に関する種々の演算処理を実行する演算処理部３０、データを記憶する記憶部２０を備えている。 The yield prediction device 1 includes terminals 6 to 8 described above via the communication network 5, a transmission / reception unit 10 that communicates with the weather forecast server 9, and an arithmetic processing unit 30 that executes various arithmetic processes related to crop yield prediction. , A storage unit 20 for storing data is provided.
次に、図２を用いて本実施の形態による収穫量予測方法について説明する。
＜学習データ準備段階＞
機械学習の準備として、生産者の一定期間（例えば数年分）の日別収穫量予測値、同じ期間の実際の日別収穫量（収穫量実績値）、同じ期間の周期１時間以下のハウス内気温時系列データ、同じ期間の気象データ（周期１時間の気象観測気温時系列データ，及び日別気象観測日照時間又は天気）を入手し、これらデータを入力装置を介して収穫量予測装置のデータベースに格納する。なお、入力装置からの入力に替えて、生産者や本収穫量予測サービスの提供を受けるユーザの端末装置、あるいは気象データ提供者のサーバ装置から通信ネットワーク経由で入力するようにしても良い。
Next, the yield prediction method according to the present embodiment will be described with reference to FIG.
<Learning data preparation stage>
In preparation for machine learning, the producer's daily yield forecast value for a certain period (for example, several years), the actual daily yield (actual yield value) for the same period, and the house with a cycle of 1 hour or less for the same period. Obtain internal temperature time series data, meteorological data for the same period (meteorological observation temperature time series data with a period of 1 hour, and daily meteorological observation sunshine time or weather), and input these data to the yield prediction device via the input device. Store in the database. Instead of the input from the input device, the input may be performed from the terminal device of the producer or the user who receives the harvest amount prediction service, or the server device of the weather data provider via the communication network.
＜学習データ前処理段階＞
ハウス内気温データを平均１時間間隔でリサンプリングする。なお、観測値の分解能を落とすことにより、予報値の不確定性を反映させることができる。
生産者の予測値が実績値を規定以上の割合（例えば２０％）上回った日は、外れ値フラグとして「１」を設定し、それ以外の日は「０」を設定する。
<Learning data preprocessing stage>
House temperature data is resampled at average hourly intervals. By reducing the resolution of the observed value, the uncertainty of the forecast value can be reflected.
On days when the producer's predicted value exceeds the actual value by a ratio (for example, 20%) above the specified value, "1" is set as the outlier flag, and on other days, "0" is set.
＜モデル学習段階＞
機械学習の概要としては、ハウス内気温予測モデルにより、気象観測気温をハウス内気温に変換する。そして、収穫量予測モデルでは、ハウス内気温や後述する他のデータを用いて、収穫量の１次予測値を算出する。
<Model learning stage>
As an outline of machine learning, the weather observation temperature is converted into the house temperature by the house temperature prediction model. Then, in the yield prediction model, the primary prediction value of the yield is calculated by using the temperature inside the house and other data described later.
一方、外れ値予測モデルでは、外れ値フラグが「１」にセットされる確率（以下、「外れ値確率」という。）を算出する。外れ値確率が所定値を超える日については、生産者の予測値に対して、ある割合で引き下げをした値を最終予測値として出力する。外れ値確率が所定値以下の日については、１次予測値を最終予測値として出力する。 On the other hand, in the outlier prediction model, the probability that the outlier flag is set to "1" (hereinafter referred to as "outlier probability") is calculated. On days when the outlier probability exceeds a predetermined value, the value reduced by a certain ratio with respect to the predicted value of the producer is output as the final predicted value. For days when the outlier probability is less than or equal to a predetermined value, the primary predicted value is output as the final predicted value.
以下、機械学習による夫々の予測モデルの構築方法、および収穫量予測モデルの算出した１次予測値を修正するためのパラメータの演算方法について説明する。なお、予測モデルは、生産者ごと、ハウスごとに構築する。なお予測モデルの構築はこれに限らず、例えば農業組合など任意のグループの集合とし、また当該グループに属する生産者の収穫量の合算値を用いて構築することもできる。またハウス内気温については、管理方法や地域ごとにハウスをグループ化してもよいし、同一地域のハウスについては、同様の管理方法を採っていると仮定して１つの代表値を用いるようにしてもよい。 Hereinafter, a method of constructing each prediction model by machine learning and a method of calculating parameters for correcting the primary prediction value calculated by the yield prediction model will be described. The prediction model is constructed for each producer and each house. The construction of the prediction model is not limited to this, and can be constructed by using a set of arbitrary groups such as agricultural cooperatives, or by using the total value of the yields of producers belonging to the group. Regarding the temperature inside the house, the houses may be grouped according to the management method or area, and for the houses in the same area, one representative value is used assuming that the same management method is adopted. May be good.
（１）ハウス内気温予測モデルの構築
以下の、データを説明変数、目的変数とすることができる。
説明変数：対象時刻の気象観測気温。例えば気象庁や民間の気象予報会社によって公表されている気温を用いることができる。
目的変数：説明変数のデータと同時刻のハウス内気温
モデルとしては、１変数の多項式関数の最小二乗フィッティング手法を用いることができる。このハウス内気温予測モデルから出力される予測結果をハウス内気温として、以下に説明する収穫量予測モデル、外れ値予測モデルの説明変数の一つとして用いる。
(1) Construction of house temperature prediction model The following data can be used as explanatory variables and objective variables.
Explanatory variable: Meteorological observation temperature at the target time. For example, the temperature published by the Japan Meteorological Agency or a private weather forecasting company can be used.
Objective variable: As a model of the temperature inside the house at the same time as the data of the explanatory variables, the least squares fitting method of a polynomial function of one variable can be used. The prediction result output from this house temperature prediction model is used as the house temperature as one of the explanatory variables of the yield prediction model and the outlier prediction model described below.
（２）収穫量予測モデルの構築
説明変数：対象日の前ｘ日分の予測ハウス内気温、日照時間または天気、収穫量、生産者による収穫量の予測値、対象日の後ｙ日分の生産者による収穫量の予測値
目的変数：対象日以後ｙ日分の収穫量
図２の例では、ｘを２０、ｙを１１としている。（以下、同様）
モデルとしては、線形回帰モデルを用いることができる。この結果を１次予測値とする。
(2) Construction of harvest amount prediction model Explanatory variables: Forecast x days before the target date House temperature, sunshine time or weather, yield, predicted value of harvest by producer, y days after the target date Predicted value of yield by producer Objective variable: Yield for y days after the target date In the example of FIG. 2, x is 20 and y is 11. (Hereafter, the same applies)
As the model, a linear regression model can be used. This result is used as the primary predicted value.
（３）外れ値予測モデルの構築
説明変数：対象日の前ｘ日分の予測ハウス内気温、日照時間または天気、収穫量、生産者による収穫量の予測値、対象日の後ｙ日分の予測ハウス内気温、日照時間、生産者による収穫量の予測値
目的変数：対象日以後ｙ日分の外れ値フラグの確率
モデルとしては、例えばGradient Boosting Decision Treeを用いることができる。年ごとに分けたｋ分割交差検証でハイパーパラメータ（以下、単に「パラメータ」という。）を最適化する。この結果をもとに、収穫量予測モデルによる１次予測値の修正（本例では切り下げ）の要否の判断を行なう。
切り下げパラメータの最適化処理としては、パラメータ１を外れ値フラグのセット確率、パラメータ２を切り下げ率（修正率）とする。また、評価軸１を基準以上の上ぶれ誤差発生回数、評価軸２を収穫量の平均二乗誤差とする。
(3) Construction of outlier prediction model Explanatory variables: Forecast of x days before the target date House temperature, sunshine time or weather, yield, forecast value of yield by producer, y days after the target date Predicted house temperature, sunshine time, predicted value of yield by producer Objective variable: For example, the Gradient Boosting Decision Tree can be used as the probability model of the deviation value flag for y days after the target date. Hyperparameters (hereinafter, simply referred to as "parameters") are optimized by k-validation cross-validation divided by year. Based on this result, it is judged whether or not it is necessary to correct the primary predicted value (devaluation in this example) by the yield prediction model.
As the devaluation parameter optimization process, parameter 1 is set as the outlier flag setting probability, and parameter 2 is set as the devaluation rate (correction rate). Further, the evaluation axis 1 is defined as the number of occurrences of the above-standard deviation error, and the evaluation axis 2 is defined as the mean square error of the yield.
全学習済みモデルに対して、評価軸１または評価軸２のどちらかが最小となるように、パラメータ１とパラメータ２をｋ分割交差検証でグリッドサーチする。具体的には、ｋ分割交差検証により、パラメータ１とパラメータ２の複数の組み合わせについて予測処理を行ない、この予測結果と実際の収穫量とを比較して評価軸１または評価軸２の値を求める。全組み合わせのうち、評価軸１または評価軸２の値が最小になる組み合わせを、最適パラメータとして採用する。
評価軸の選び方について、評価軸１は上ぶれの発生回数を最小化する場合に用い、評価軸２は予測誤差を最小化する場合に用いる。
For all trained models, parameter 1 and parameter 2 are grid-searched by k-fold cross-validation so that either evaluation axis 1 or evaluation axis 2 is minimized. Specifically, by k-validation cross-validation, prediction processing is performed for a plurality of combinations of parameter 1 and parameter 2, and the prediction result is compared with the actual yield to obtain the value of evaluation axis 1 or evaluation axis 2. .. Of all the combinations, the combination that minimizes the value of the evaluation axis 1 or the evaluation axis 2 is adopted as the optimum parameter.
Regarding the method of selecting the evaluation axis, the evaluation axis 1 is used when the number of occurrences of the overshoot is minimized, and the evaluation axis 2 is used when the prediction error is minimized.
＜予測・評価段階＞
学習が済んだ状態で各予測モデル全体が利用可能となる。基本的には図２に示した学習時と同様のデータを準備するが、予測対象の日（以下、「対象日」という。）以後の収穫量データは不用である。
<Prediction / evaluation stage>
Once trained, the entire prediction model becomes available. Basically, the same data as at the time of learning shown in FIG. 2 is prepared, but the yield data after the prediction target date (hereinafter referred to as “target date”) is unnecessary.
（１）データ取得処理
新に予測を行なう場合は、以下のようにデータを収集することができる。
学習データと同種のデータであって、対象日以前の全データと、対象日以後の生産者による収穫量予測値について収集する。なお、学習データとして用いた対象日以後の収穫量データは予測対象であるため予測・評価段階では必要としない。対象日以後の気象観測気温と日照時間は、気象予報値を利用することができる。
予測モデル全体の性能評価を行なう場合は、評価用データを利用する。
(1) Data acquisition process When making a new forecast, data can be collected as follows.
It is the same type of data as the training data, and all data before the target date and the predicted yield value by the producer after the target date are collected. The yield data used as learning data after the target date is a prediction target and is not required at the prediction / evaluation stage. Meteorological forecast values can be used for the meteorological observation temperature and sunshine duration after the target date.
When evaluating the performance of the entire prediction model, use the evaluation data.
（２）前処理
モデル学習段階と同様の前処理を行なう。但し、外れ値フラグは予測対象なので、予測・評価段階では、外れ値フラグについての前処理は行なわない。
(2) Pre-processing Perform pre-processing similar to the model learning stage. However, since the outlier flag is a prediction target, the outlier flag is not preprocessed at the prediction / evaluation stage.
（３）ハウス内気温予測処理
以下の、データを説明変数、目的変数とすることができる。
説明変数：対象日以前の気象観測気温と対象日以後の気象予報の気温
目的変数（出力）：同時刻のハウス内気温
なお、ハウス内気温データを入手済みならば、対象日以前についてはハウス内気温の実測値を使用し、気象観測気温を変換したハウス内予測気温は使用しない。
(3) House temperature prediction processing The following data can be used as explanatory variables and objective variables.
Explanatory variables: Meteorological observation temperature before the target date and temperature of the weather forecast after the target date Objective variable (output): Temperature inside the house at the same time If the temperature data inside the house has been obtained, the temperature inside the house before the target date The measured temperature value is used, and the predicted temperature inside the house, which is the converted weather observation temperature, is not used.
（４）外れ値予測処理
以下の、データを説明変数、目的変数とすることができる。
説明変数：対象日の前ｘ日分の予測（実測）ハウス内気温、日照時間または天気、収穫量、生産者による収穫量の予測値、対象日の後ｙ日分の予測ハウス内気温、日照時間、生産者による収穫量の予測値
目的変数（出力）：対象日以後ｙ日分の外れ値フラグの確率
学習済みモデルを用いて、対象日以後ｙ日分の外れ値フラグの確率を算出する。
(4) Outlier prediction processing The following data can be used as explanatory variables and objective variables.
Explanatory variables: Forecast x days before the target date (actual measurement) House temperature, sunshine time or weather, yield, predicted value of yield by producer, forecast for y days after the target date House temperature, sunshine Predicted value of yield by time and producer Objective variable (output): Probability of deviation flag for y days after the target date Using the trained model, calculate the probability of deviation flag for y days after the target date. ..
（５）収穫量予測処理
以下の、データを説明変数、目的変数とすることができる。
説明変数：対象日の前ｘ日分の予測（実測）ハウス内気温、日照時間または天気、収穫量、生産者による収穫量の予測値、対象日の後ｙ日分の予測ハウス内気温、日照時間、収穫量、生産者による収穫量の予測値
目的変数：対象日以後ｙ日分の収穫量
学習済みモデルを用いて、対象日以後ｙ日分のモデルの予測収穫量を算出する。
(5) Yield prediction processing The following data can be used as explanatory variables and objective variables.
Explanatory variables: Forecast x days before the target date (actual measurement) House temperature, sunshine time or weather, yield, predicted value of harvest by producer, predicted y days after the target date House temperature, sunshine Predicted values of time, yield, and yield by producer Objective variable: Yield for y days after the target date Using the trained model, the predicted yield of the model for y days after the target date is calculated.
（６）最終収穫量算出処理
決定した切り下げパラメータに基づき、最終収穫量を学習時と同様に算出する。
具体的には、外れ値確率がパラメータ１の最適値以下である日についてはモデルの予測収穫量を、当該最適値以上である日については、前記収穫量予測モデルによって演算した予測値または生産者の予測値にパラメータ２の最適値を掛けた値を、それぞれ最終的な予測収穫量として出力する。なお、収穫量予測モデルによって演算した予測値と生産者の予測値のどちらを使用するかについては、夫々の予測値によって計算し、最終的に評価値が良くなる方を採用するが好ましい。
(6) Final yield calculation process Based on the determined devaluation parameters, the final yield is calculated in the same way as during learning.
Specifically, the predicted yield of the model is used for days when the outlier probability is less than or equal to the optimum value of parameter 1, and the predicted value or producer calculated by the yield prediction model is used for days when the probability of deviation is greater than or equal to the optimum value. The value obtained by multiplying the predicted value of the above by the optimum value of the parameter 2 is output as the final predicted yield. As for which of the predicted value calculated by the yield prediction model and the predicted value of the producer is used, it is preferable to calculate by each predicted value and finally adopt the one with the better evaluation value.
以上、本実施の形態によれば、収穫量予測モデルで算出した予測値を１次予測値として、外れ値予測モデルで算出したパラメータ（外れ値確率、修正率）をもとに修正を加えるので、高精度の予測値を得ることができる。また、パラメータの算出においては、基準以上の上ぶれ誤差発生回数と、収穫量の平均二乗誤差の２種類の評価軸を用いて、最適なパラメータを採用することができるので、ニーズに合った予測値を提供することができる。 As described above, according to the present embodiment, the predicted value calculated by the yield prediction model is used as the primary predicted value, and corrections are made based on the parameters (outlier probability, correction rate) calculated by the outlier prediction model. , Highly accurate predicted values can be obtained. In addition, in the calculation of parameters, the optimum parameters can be adopted by using two types of evaluation axes, the number of occurrences of overshoot error above the standard and the mean square error of the yield, so prediction that meets the needs A value can be provided.
特に本実施の形態では、機械学習により構築する収穫量予測モデルの説明変数として生産者の予測値を含め、さらに外れ値予測モデルでは外れ値確率と修正率を算出し、外れ値確率が一定以上の場合は、生産者の予測値に対して前記修正率で修正を加えるので、機械学習により構築したモデルによる予測と生産者の予測とを効果的に融合させて予測値の精度を向上させることができる。
なお上記の説明では、上ぶれ誤差発生回数を用いたが、ニーズによっては下ぶれ誤差発生回数を演算し、これを評価軸にすることもできる。
In particular, in the present embodiment, the producer's predicted value is included as an explanatory variable of the yield prediction model constructed by machine learning, and the outlier prediction model calculates the outlier probability and the correction rate, and the outlier probability is above a certain level. In the case of, since the correction rate is used to correct the predicted value of the producer, the accuracy of the predicted value should be improved by effectively fusing the prediction by the model constructed by machine learning and the prediction of the producer. Can be done.
In the above description, the number of occurrences of the upside error is used, but depending on the needs, the number of occurrences of the downside error can be calculated and used as the evaluation axis.
（実施例）
本実施の形態による収穫量予測方法を所属農家のトマトの生産量（コンテナ数）の予測に用いた。毎週決まった曜日（例えば土曜日）に、翌週の所定日（例えば木曜日）から所定期間（例えば一週間分）の予測を提出するというものである。
(Example)
The yield prediction method according to this embodiment was used to predict the tomato production amount (number of containers) of the affiliated farmer. On a fixed day of the week (for example, Saturday), a forecast for a predetermined period (for example, one week) is submitted from a predetermined day (for example, Thursday) of the next week.
許容される予測誤差は２０％程度であり、実際の収穫量が、予測値の８割未満になると、何らかのペナルティ（例えば罰金）が発生するため、このペナルティ発生日数を最小化することを目標とする。 The permissible prediction error is about 20%, and if the actual yield is less than 80% of the predicted value, some kind of penalty (for example, a fine) will occur, so the goal is to minimize the number of days this penalty occurs. To do.
本実施の形態による収穫量予測方法によって予測値を演算した結果を図３に示す。縦軸は収穫量(コンテナ数)、横軸は収穫開始日から数えた栽培日数(日)を示す。農家の予測値に対して、精度を向上させることができた。なお、図３中、弱気データは、評価軸１を重視した最適モデルの場合、強気データは評価軸２を重視した最適モデルの場合である。 FIG. 3 shows the result of calculating the predicted value by the yield prediction method according to the present embodiment. The vertical axis shows the yield (number of containers), and the horizontal axis shows the number of cultivation days (days) counted from the harvest start date. We were able to improve the accuracy of the farmer's forecast. In FIG. 3, the bearish data is the case of the optimum model in which the evaluation axis 1 is emphasized, and the bullish data is the case of the optimum model in which the evaluation axis 2 is emphasized.
次に本発明の第２の実施の形態について説明する。
本実施の形態は、オフラインで構築した学習済みモデルデータをサーバ（収穫量予測装置１）のデータベースに保存して、農家およびユーザの端末を通して、日々の予測値をやり取りするものである。
Next, a second embodiment of the present invention will be described.
In the present embodiment, the learned model data constructed offline is stored in the database of the server (yield amount prediction device 1), and daily prediction values are exchanged through the terminals of the farmer and the user.
以下、図４を用いて、本実施の形態による収穫量予測装置１の構成を説明する。
収穫量予測装置１の記憶部２０には、データベース２１と、準備データテーブル２２が保存される。データベース２１には、学習済みモデルのデータが保存され、また生産者の予測値や気象データが、それぞれ生産者端末７、気象予報サーバ９から入力される。ただし、生産者の予測値はデータベース２１に入力される前に合算処理がなされる。準備データテーブル２２のデータは、図２に示したものと同様である。
Hereinafter, the configuration of the yield prediction device 1 according to the present embodiment will be described with reference to FIG.
The database 21 and the preparation data table 22 are stored in the storage unit 20 of the yield prediction device 1. The trained model data is stored in the database 21, and the producer's predicted value and the weather data are input from the producer terminal 7 and the weather forecast server 9, respectively. However, the producer's predicted value is added up before being input to the database 21. The data in the preparation data table 22 is similar to that shown in FIG.
演算処理部３０は、送受信部１０との間で受け渡すデータの処理を実行する入出力処理手段３１、生産者端末７から収穫量予測値を入力し、また気象予報サーバ９から気象データを入力してデータベース２１に保存するデータ取得手段３２、データベース２１のデータを用いて予測演算を行なうための準備データを生成して準備データテーブル２２に保存する前処理手段、ハウス内気温予測モデルにより気象データからハウス内気温を演算するハウス内気温予測手段３４、外れ値予測モデルにより準備データテーブル２２のデータを用いて外れ値確率を演算する外れ値予測手段３５、収穫量予測モデルにより準備データテーブル２２のデータを用いて収穫量の１次予測値を演算する収穫量予測手段３６、外れ値予測手段３５の演算結果をもとに収穫量予測手段３６で演算した１次予測値を修正する予測値修正手段３７を備えている。各手段３１〜３７は、ＣＰＵの機能としてプログラムにより実現することができる。 The arithmetic processing unit 30 inputs the expected yield value from the input / output processing means 31 and the producer terminal 7 that execute the processing of the data to be transferred to and from the transmission / reception unit 10, and also inputs the weather data from the weather forecast server 9. Data acquisition means 32 to be stored in the database 21, preprocessing means to generate preparation data for performing prediction calculation using the data in the database 21 and store in the preparation data table 22, and meteorological data by the temperature prediction model in the house. The house temperature predicting means 34 that calculates the temperature inside the house, the outlier predicting means 35 that calculates the outlier probability using the data in the prepared data table 22 by the outlier prediction model, and the prepared data table 22 by the yield prediction model. Prediction value correction that corrects the primary prediction value calculated by the yield prediction means 36 based on the calculation results of the yield prediction means 36 and the outlier prediction means 35 that calculate the primary prediction value of the yield using the data. The means 37 is provided. Each means 31 to 37 can be realized programmatically as a function of the CPU.
各手段３２〜３７は、それぞれ第１の実施の形態で説明した収穫量予測方法の予測・評価段階の処理内容（１）〜（６）を実行する。
予測値修正手段３７から出力される最終予測値は、当該データを必要とするユーザ端末８に送信される。
Each of the means 32 to 37 executes the processing contents (1) to (6) of the prediction / evaluation stage of the yield prediction method described in the first embodiment, respectively.
The final predicted value output from the predicted value correcting means 37 is transmitted to the user terminal 8 that needs the data.
本実施の形態によれば、構築したモデルデータを用いて、複数の生産者のハウス栽培の収穫量を予測し、当該データを必要とする業者（ユーザ）に効率よく提供することができる。 According to the present embodiment, it is possible to predict the yield of greenhouse cultivation of a plurality of producers using the constructed model data and efficiently provide the data to a trader (user) who needs the data.
１ 収穫量予測装置
５ 通信ネットワーク
６ オペレータ端末
７ 生産者端末
８ ユーザ端末
９ 気象予報サーバ
１０ 送受信部
２０ 記憶部
２１ データベース
２２ 準備データテーブル
３０ 演算処理部
３１ 入出力処理手段
３２ データ取得手段
３４ ハウス内気温予測手段
３５ 外れ値予測手段
３６ 収穫量予測手段
３７ 予測値修正手段
1 Yield forecasting device 5 Communication network 6 Operator terminal 7 Producer terminal 8 User terminal 9 Weather forecast server 10 Transmission / reception unit 20 Storage unit 21 Database 22 Preparation data table 30 Arithmetic processing unit 31 Input / output processing means 32 Data acquisition means 34 In the house Temperature Predicting Means 35 Outlier Predicting Means 36 Yield Predicting Means 37 Predicted Value Correcting Means
Claims (5)
前記モデル学習段階は、
入力された収穫量の予測値が予め定めた許容誤差範囲外になる確率である外れ値確率を演算する外れ値予測モデルを構築する段階と、
前記許容誤差範囲外になった回数を第１の評価軸、前記収穫量予測モデルによって演算された収穫量の予測値と実績値の平均二乗誤差を第２の評価軸とし、前記外れ値確率を第１のパラメータ、前記入力された収穫量の予測値を修正するための修正率を第２のパラメータとしたとき、前記第１の評価軸および前記第２の評価軸の少なくともいずれか一方を用いて、前記第１のパラメータと前記第２のパラメータの組み合わせを求めるパラメータ導出段階と、を含み、
前記予測演算段階は、
前記外れ値確率と前記第１のパラメータとを比較し、当該比較の結果に基づいて、前記収穫量予測モデルによって演算した予測値を出力するか、あるいは前記入力された収穫量の予測値に対して前記第２のパラメータを用いて修正を行なった結果を予測値として出力するかを決定する予測値修正段階を含むことを特徴とする収穫量予測方法。 A model learning stage for constructing a yield prediction model for calculating the yield of agricultural products by machine learning, and a prediction calculation stage for calculating a predicted value of the yield with the yield prediction model constructed in the model learning stage. It is a yield prediction method that has
The model learning stage is
The stage of building an outlier prediction model that calculates the outlier probability, which is the probability that the input predicted value of the yield will be out of the predetermined margin of error.
The number of times the error is out of the permissible range is used as the first evaluation axis, the mean square error between the predicted value and the actual value calculated by the yield prediction model is used as the second evaluation axis, and the outlier probability is used as the outlier probability. When the first parameter, the correction rate for correcting the input predicted value of the yield, is used as the second parameter, at least one of the first evaluation axis and the second evaluation axis is used. A parameter derivation step for obtaining a combination of the first parameter and the second parameter is included.
The prediction calculation stage is
The deviation value probability is compared with the first parameter, and based on the result of the comparison, the predicted value calculated by the yield prediction model is output, or with respect to the input predicted value of the yield. A method for predicting yield, which comprises a prediction value correction step for determining whether to output the result of correction using the second parameter as a prediction value.
前記予測値修正段階では、前記外れ値確率と前記第１のパラメータとを比較し、該外れ値確率が前記第１のパラメータの最適値以下である場合は前記収穫量予測モデルによって演算した予測値を出力し、該外れ値確率が前記第１のパラメータの最適値よりも大きい場合は、前記収穫量予測モデルによって演算した予測値または前記入力された収穫量の予測値に前記第２のパラメータの最適値を掛けた値を出力することを特徴とする請求項１に記載の収穫量予測方法。 In the parameter derivation step, a combination of the first parameter and the second parameter is obtained so that either the first evaluation axis or the second evaluation axis is minimized.
In the predicted value correction step, the deviation value probability is compared with the first parameter, and if the deviation value probability is equal to or less than the optimum value of the first parameter, the predicted value calculated by the yield prediction model is used. Is output, and when the deviation value probability is larger than the optimum value of the first parameter, the predicted value calculated by the yield prediction model or the input predicted value of the yield is added to the predicted value of the second parameter. The yield prediction method according to claim 1, wherein a value multiplied by an optimum value is output.
少なくとも前記ハウス内気温、生産者の予測値、および日照時間は、前記収穫量予測モデル及び前記外れ値予測モデルの説明変数となることを特徴とする請求項１又は２に記載の収穫量予測方法。 The model learning stage includes a stage of constructing a house air temperature prediction model that calculates the house air temperature from meteorological data by machine learning.
The harvest amount prediction method according to claim 1 or 2, wherein at least the temperature inside the house, the predicted value of the producer, and the sunshine duration are explanatory variables of the harvest amount prediction model and the outlier prediction model. ..
機械学習により構築した収穫量予測モデルを用いて農作物の収穫量の予測値を演算する収穫量予測手段と、
入力された収穫量の予測値が予め定めた許容誤差範囲外になる確率である外れ値確率を演算し、前記許容誤差範囲外になった回数を第１の評価軸、収穫量の予測値と実績値の平均二乗誤差を第２の評価軸とし、前記外れ値確率を第１のパラメータ、前記入力された収穫量の予測値を修正するための修正率を第２のパラメータとしたとき、前記第１の評価軸および前記第２の評価軸の少なくともいずれか一方に基づいて、前記第１のパラメータと前記第２のパラメータの組み合わせを演算する外れ値予測手段と、
前記外れ値確率と前記第１のパラメータとを比較し、当該比較の結果に基づいて、前記収穫量予測手段によって演算した予測値を出力するか、あるいは前記入力された収穫量の予測値に対して前記第２のパラメータを用いて修正を行なった結果を予測値として出力するかを決定する予測値修正手段と、
を備えたことを特徴とする収穫量予測装置。 It is a yield prediction device that predicts the yield of agricultural products.
A yield prediction means that calculates the predicted value of the crop yield using the yield prediction model constructed by machine learning,
The outlier probability, which is the probability that the input predicted value of the yield will be outside the predetermined tolerance range, is calculated, and the number of times the predicted value is out of the tolerance range is used as the first evaluation axis and the predicted value of the yield. When the mean square error of the actual value is used as the second evaluation axis, the outlier probability is used as the first parameter, and the correction rate for correcting the input predicted value of the yield is used as the second parameter, the above An outlier predicting means that calculates a combination of the first parameter and the second parameter based on at least one of the first evaluation axis and the second evaluation axis.
The deviation value probability is compared with the first parameter, and based on the result of the comparison, the predicted value calculated by the harvest amount predicting means is output, or with respect to the input predicted value of the yield. The predicted value correcting means for determining whether to output the result of the correction using the second parameter as the predicted value, and
A yield prediction device characterized by being equipped with.
コンピュータを
機械学習により構築した収穫量予測モデルを用いて農作物の収穫量の予測値を演算する収穫量予測手段、
入力された収穫量の予測値が予め定めた許容誤差範囲外になる確率である外れ値確率を演算し、前記許容誤差範囲外になった回数を第１の評価軸、収穫量の予測値と実績値の平均二乗誤差を第２の評価軸とし、前記外れ値確率を第１のパラメータ、前記入力された収穫量の予測値を修正するための修正率を第２のパラメータとしたとき、前記第１の評価軸および前記第２の評価軸の少なくともいずれか一方に基づいて、前記第１のパラメータと前記第２のパラメータの組み合わせを演算する外れ値予測手段、
前記外れ値確率と前記第１のパラメータとを比較し、当該比較の結果に基づいて、前記収穫量予測手段によって演算した予測値を出力するか、あるいは前記入力された収穫量の予測値に対して前記第２のパラメータを用いて修正を行なった結果を予測値として出力するかを決定する予測値修正手段、
として機能させるためのプログラム。 A computer-executable program that predicts crop yields
A yield prediction means that calculates the predicted value of crop yield using a yield prediction model constructed by machine learning on a computer.
The outlier probability, which is the probability that the input predicted value of the yield will be outside the predetermined tolerance range, is calculated, and the number of times the predicted value is out of the tolerance range is used as the first evaluation axis and the predicted value of the yield. When the mean square error of the actual value is used as the second evaluation axis, the outlier probability is used as the first parameter, and the correction rate for correcting the input predicted value of the yield is used as the second parameter, the above An outlier predictor that calculates a combination of the first parameter and the second parameter based on at least one of the first evaluation axis and the second evaluation axis.
The deviation value probability is compared with the first parameter, and based on the result of the comparison, the predicted value calculated by the harvest amount predicting means is output, or with respect to the input predicted value of the yield. A predicted value correction means for determining whether to output the result of correction using the second parameter as a predicted value.
A program to function as.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2019074473A JP2020171217A (en) | 2019-04-09 | 2019-04-09 | Method, apparatus and program for predicting yield |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2019074473A JP2020171217A (en) | 2019-04-09 | 2019-04-09 | Method, apparatus and program for predicting yield |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JP2020171217A true JP2020171217A (en) | 2020-10-22 |
Family
ID=72830404
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2019074473A Pending JP2020171217A (en) | 2019-04-09 | 2019-04-09 | Method, apparatus and program for predicting yield |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP2020171217A (en) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113344696A (en) * | 2021-06-28 | 2021-09-03 | 深圳前海微众银行股份有限公司 | Position forecast evaluation method, device, equipment and storage medium |
| CN113361870A (en) * | 2021-05-20 | 2021-09-07 | 国网浙江省电力有限公司湖州供电公司 | Method for evaluating energy development level by using electric power data |
| CN115936262A (en) * | 2023-02-20 | 2023-04-07 | 深圳普菲特信息科技股份有限公司 | Big data based environmental disturbance yield prediction method, system, and medium |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2002136223A (en) * | 2000-11-06 | 2002-05-14 | Mitsubishi Heavy Ind Ltd | Method for predicting crop yield of field crop, apparatus for predicting crop yield of field crop and recording medium |
| JP2006304402A (en) * | 2005-04-15 | 2006-11-02 | Nippon Telegr & Teleph Corp <Ntt> | Control device for dispersed energy system, control method, program, and recording medium |
| JP2010057262A (en) * | 2008-08-28 | 2010-03-11 | Mitsubishi Electric Corp | Natural energy power generation control system |
| WO2016006372A1 (en) * | 2014-07-08 | 2016-01-14 | Ｎｅｃソリューションイノベータ株式会社 | Collection amount regulation assist apparatus, collection amount regulation assist method, and computer-readable recording medium |
| JP2017163956A (en) * | 2016-03-18 | 2017-09-21 | 国立大学法人名古屋大学 | Prediction method, prediction program, and prediction apparatus |
| JP2018201417A (en) * | 2017-06-05 | 2018-12-27 | 株式会社スプレッド | Yield prediction system |
-
2019
- 2019-04-09 JP JP2019074473A patent/JP2020171217A/en active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2002136223A (en) * | 2000-11-06 | 2002-05-14 | Mitsubishi Heavy Ind Ltd | Method for predicting crop yield of field crop, apparatus for predicting crop yield of field crop and recording medium |
| JP2006304402A (en) * | 2005-04-15 | 2006-11-02 | Nippon Telegr & Teleph Corp <Ntt> | Control device for dispersed energy system, control method, program, and recording medium |
| JP2010057262A (en) * | 2008-08-28 | 2010-03-11 | Mitsubishi Electric Corp | Natural energy power generation control system |
| WO2016006372A1 (en) * | 2014-07-08 | 2016-01-14 | Ｎｅｃソリューションイノベータ株式会社 | Collection amount regulation assist apparatus, collection amount regulation assist method, and computer-readable recording medium |
| JP2017163956A (en) * | 2016-03-18 | 2017-09-21 | 国立大学法人名古屋大学 | Prediction method, prediction program, and prediction apparatus |
| JP2018201417A (en) * | 2017-06-05 | 2018-12-27 | 株式会社スプレッド | Yield prediction system |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113361870A (en) * | 2021-05-20 | 2021-09-07 | 国网浙江省电力有限公司湖州供电公司 | Method for evaluating energy development level by using electric power data |
| CN113344696A (en) * | 2021-06-28 | 2021-09-03 | 深圳前海微众银行股份有限公司 | Position forecast evaluation method, device, equipment and storage medium |
| WO2023273231A1 (en) * | 2021-06-28 | 2023-01-05 | 深圳前海微众银行股份有限公司 | Position prediction assessment method and apparatus, device, and storage medium |
| CN115936262A (en) * | 2023-02-20 | 2023-04-07 | 深圳普菲特信息科技股份有限公司 | Big data based environmental disturbance yield prediction method, system, and medium |
| CN115936262B (en) * | 2023-02-20 | 2023-06-16 | 深圳普菲特信息科技股份有限公司 | Yield prediction method, system and medium based on big data environment interference |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CA2982806C (en) | Improving weather forecasts through post-processing | |
| JP2020171217A (en) | Method, apparatus and program for predicting yield | |
| CN110019124B (en) | Method and system for revising aggregated weather forecast | |
| CN109345046B (en) | Photovoltaic power prediction method and device | |
| Skobelev et al. | Development of models and methods for creating a digital twin of plant within the cyber-physical system for precision farming management | |
| JP7210338B2 (en) | Prediction device, prediction method and computer program | |
| CN113592143A (en) | Rainfall forecast-based medium and long term runoff ensemble forecasting method and system | |
| EP4133314A1 (en) | Method for estimating precipitation distribution for a geographical region | |
| CN114662742A (en) | Dynamic decision method and device for field irrigation and fertilization system | |
| CN115600771A (en) | Crop yield estimation method, device, equipment and storage medium | |
| CN114330934A (en) | Model parameter self-adaptive GRU new energy short-term power generation power prediction method | |
| CN113393057A (en) | Wheat yield integrated prediction method based on deep fusion machine learning model | |
| CN109816165B (en) | Wind power ultra-short term power prediction method and system | |
| WO2019156070A1 (en) | Machine learning system and machine learning method | |
| CN114118634A (en) | Soil moisture prediction method and device | |
| WO2022069802A1 (en) | Machine learning based forest management | |
| CN112541633A (en) | Ultrahigh-precision photovoltaic power generation power prediction method and system based on neural network | |
| CN112836885B (en) | Combined load prediction method, combined load prediction device, electronic equipment and storage medium | |
| JP2020115276A (en) | Information processing method, information processing device, program, and generation method of learned model | |
| TWI662423B (en) | Display system and method for wind power prediction | |
| CN117236519B (en) | Water and fertilizer regulation and control method and device, electronic equipment and storage medium | |
| CN116595333B (en) | Soil-climate intelligent rice target yield and nitrogen fertilizer consumption determination method | |
| CN117371581A (en) | New energy generated power prediction method, device and storage medium | |
| Kayum et al. | Appropriate Crop Recommended System for Cultivation using IoT and ML | |
| Alcántara et al. | networks for the quantile estimation of regional renewable energy production. Appl Intell (2022). |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20220324 |
|
| A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20221212 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20221220 |
|
| A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20230613 |