一种智能农产品数据预测方法及系统技术方案

本发明专利技术实施例公开了一种智能农产品数据预测方法及系统。该方法包括：获取农产品的历史平衡表数据；将历史平衡表数据输入训练后的神经网络模型，并输出预测的预设时间段的目标平衡表数据。本发明专利技术实施例所提供的技术方案，通过神经网络模型自动的实现未来一定时间段内的平衡表数据，实现了有效利用各类农产品数据对未来农业运行状态进行分析及预测，并提高了对各种农产品数据分析预测的准确性及高效性。

【技术实现步骤摘要】
一种智能农产品数据预测方法及系统
本专利技术实施例涉及农业分析
，尤其涉及一种智能农产品数据预测方法及系统。
技术介绍
随着社会经济的不断推进和发展，农业经济的发展也逐渐呈现与以往截然不同的发展模式，传统的农产品信息分析理念已经不能与当今社会的经济发展模式相同步。对农业经济创新型发展模式的应用，使得农产品监测预警系统的存在必不可少，以实现对未来农业运行态势进行分析与判断，从而提前发布预告，采取相应的应对措施，并防范和化解农业风险。但是传统的分析方法很难利用高维及多频的复杂数据对农产品数据进行分析及预测，且通常仅针对某一类数据进行分析及预测，从而导致分析结果不够准确以及分析效率低下的问题。
技术实现思路
本专利技术实施例提供一种智能农产品数据预测方法及系统，以提高对各种农产品数据分析预测的准确性及高效性。第一方面，本专利技术实施例提供了一种智能农产品数据预测方法，该方法包括：获取农产品的历史平衡表数据；将所述历史平衡表数据输入训练后的神经网络模型，并输出预测的预设时间段的目标平衡表数据。第二方面，本专利技术实施例还提供了一种智能农产品数据预测系统，该系统包括：历史数据获取模块，用于获取农产品的历史平衡表数据；目标数据输出模块，用于将所述历史平衡表数据输入训练后的神经网络模型，并输出预测的预设时间段的目标平衡表数据。本专利技术实施例提供了一种智能农产品数据预测方法，首先获取农产品的历史平衡表数据，然后将该历史平衡表数据输入训练后的神经网络模型，并输出预测的预设时间段的目标平衡表数据。本专利技术实施例所提供的智能农产品数据预测方法，通过神经网络模型自动的实现未来一定时间段内的平衡表数据，实现了有效利用各类农产品数据对未来农业运行状态进行分析及预测，并提高了对各种农产品数据分析预测的准确性及高效性。附图说明图1为本专利技术实施例一提供的智能农产品数据预测方法的流程图；图2为本专利技术实施例二提供的智能农产品数据预测系统的结构示意图。具体实施方式下面结合附图和实施例对本专利技术作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本专利技术，而非对本专利技术的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本专利技术相关的部分而非全部结构。在更加详细地讨论示例性实施例之前应当提到的是，一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各步骤描述成顺序的处理，但是其中的许多步骤可以被并行地、并发地或者同时实施。此外，各步骤的顺序可以被重新安排。当其操作完成时所述处理可以被终止，但是还可以具有未包括在附图中的附加步骤。所述处理可以对应于方法、函数、规程、子例程、子程序等等。实施例一图1为本专利技术实施例一提供的智能农产品数据预测方法的流程图。本实施例可适用于对未来农业运行状态进行分析预测的情况，该方法可以由本专利技术实施例提供的智能农产品数据预测系统来执行，该系统可以由硬件和/或软件的方式来实现，一般可集成于计算机设备中。如图1所示，具体包括如下步骤：S11、获取农产品的历史平衡表数据。其中，农产品可以包括粮食、糖料、油料、棉花、蔬菜、水果、肉类、禽蛋、奶制品、水产品、饲料等11大类。历史平衡表数据可以包括历年真实的农产品平衡表中的各项数据(如生产量、进口量、初期库存、总供给、总需求、消费量、食用消费、饲用消费、损耗、其他消费、出口量、期末库存、结余以及价格等)，还可以包括生产量和消费量的组成分项数据(如单产、面积、亩田种量、自损系数、损耗系数、城镇人口比例、出栏量以及胴体重等)等。具体的，历史平衡表数据可以是存储在数据库中的已有数据，并且该数据为动态数据，可以按照设定频率实时的进行更新。在需要进行预测时，即可以从数据库中自动的获取所需的历史平衡表数据。历史平衡表数据还可以是用户根据需要存储在本地的数据，则在需要进行预测时直接从本地加载对应的历史平衡表数据即可。并且，历史平衡表数据可以是单品种数据，也可以是多品种数据，从而体现多品种农产品之间的相互影响。同时为了便于修改，历史平衡表数据可以采用表格的格式进行存储。S12、将历史平衡表数据输入训练后的神经网络模型，并输出预测的预设时间段的目标平衡表数据。其中，预设时间段可以年为单位，从而确定想要预测的未来几年的数据，可选的，预设时间段默认为十年。目标平衡表数据可以包括农产品平衡表中的各项数据，也可以仅包括生产量与进出口的预测数据，从而按照需求提供全国稻米、小麦、玉米、大豆、油料、棉花、糖料、马铃薯、蔬菜、水果、猪肉、禽肉、牛肉、羊肉、禽蛋、奶制品、水产平以及工业饲料等主要农产品生产量与进出口的预测。可选的，神经网络模型包括：依次串联的卷积神经网络模型和长短期记忆神经网络模型；相应的，历史平衡表数据包括：影响因素数据和分项数据；将历史平衡表数据输入训练后的神经网络模型，包括：将影响因素数据输入卷积神经网络模型，并提取因素特征数据；将分项数据和因素特征数据的组合输入长短期记忆神经网络模型。具体的，本实施例所要进行的预测属于中长期预测，且具有非线性的特点，因此可以采用卷积神经网络模型和长短期记忆神经网络模型的组合来进行预测。其中，长短期记忆神经网络模型(LongShort-TermMemory，LSTM)是循环神经网络(RecurrentNeuralNetwork,RNN)的一种，对当前的状态保留记忆，从而允许信息的持久化。对于本实施例中涉及的多输入多步长多输出的数据，进一步可选的，该长短期记忆神经网络模型具体可以使用Encoder-DecoderLSTM模型，从而更有效的解决本实施例中所涉及的序列到序列模型(seq2seq)的问题。卷积神经网络模型可以包括卷积层、池化层以及全连接层，具体的，通过卷积层来接收输入的影响因素数据，并且卷积层的数量可以是多个，从而更好的提取特征，池化层可以合成初始特征区域内某一个特征，对特征进行压缩，以降低复杂度，并有效的减小过拟合现象的发生。可选的，在全连接层之后还可以增加dropout层来使隐层神经元随机失活，防止模型的过拟合，同时还可以提高模型的泛化能力。由于样本数据可能存在分布不均匀的现象，在本实施例中，可以采用加权交叉熵作为目标的损失函数。在本实施例中，使用一种双输入模型，卷积神经网络模型接收输入的影响因素数据之后，提取出因素特征数据，然后与输入的分项数据一起作为长短期记忆神经网络模型的输入，具体可以通过卷积神经网络模型最后的全连接层接收分项数据，将获得的因素特征数据和分项数据组合经过该全连接层之后输入长短期记忆神经网络模型，从而使用长短期记忆神经网络模型继续预测分析以得到预测的预设时间段的目标平衡表数据。通过采用卷积神经网络模型和长短期记忆神经网络模型串联的结构，提高饿了模型的表达能力。示例性的，以奶制品为例，输入的历史平衡表数据为过去十年奶制品平衡表历史数据，则影响因素数据可以包括食用消费、饲用消费、损耗以及其他消费，分项数据可以包括生产量、进口量、消费量、出口量以及本文档来自技高网...

【技术保护点】
1.一种智能农产品数据预测方法，其特征在于，包括：/n获取农产品的历史平衡表数据；/n将所述历史平衡表数据输入训练后的神经网络模型，并输出预测的预设时间段的目标平衡表数据。/n

【技术特征摘要】
1.一种智能农产品数据预测方法，其特征在于，包括：
获取农产品的历史平衡表数据；
将所述历史平衡表数据输入训练后的神经网络模型，并输出预测的预设时间段的目标平衡表数据。


2.根据权利要求1所述的智能农产品数据预测方法，其特征在于，所述神经网络模型包括：依次串联的卷积神经网络模型和长短期记忆神经网络模型；
相应的，所述历史平衡表数据包括：影响因素数据和分项数据；
所述将所述历史平衡表数据输入训练后的神经网络模型，包括：
将所述影响因素数据输入所述卷积神经网络模型，并提取因素特征数据；
将所述分项数据和所述因素特征数据的组合输入所述长短期记忆神经网络模型。


3.根据权利要求1所述的智能农产品数据预测方法，其特征在于，在所述输出预测的预设时间段的目标平衡表数据之前，还包括：
根据所述目标平衡表数据中各个分项之间的关系，使用线性回归模型对所述目标平衡表数据进行校正。


4.根据权利要求1所述的智能农产品数据预测方法，其特征在于，在所述输出预测的预设时间段的目标平衡表数据之前，还包括：
根据所述目标平衡表数据的限制条件对所述目标平衡表数据的幅度进行调整。


5.根据权利要求1所述的智能农产品数据预测方法，其特征在于，在所述将所述历史平衡表数据输入训练后的神经网络模型之前，还包括：
对所述历史平衡表数据进行预处理，所述预处理包括质量分析、异常检测、填充、转换以及归一化中的至少一种。


6.根据权利要求1所述的智能农产品数据预测方法，其特征在于，在所述获取农产品...

【专利技术属性】
技术研发人员：庄家煜，许世卫，李干琼，刘佳佳，
申请(专利权)人：中国农业科学院农业信息研究所，
类型：发明
国别省市：北京;11