基于大数据分析的鲜活农产品数据挖掘整合系统技术方案

本发明专利技术公开了基于大数据分析的鲜活农产品数据挖掘整合系统，属于大数据算法技术领域。本发明专利技术通过定价和需求模型预测售价和需求，提前掌控市场信息；通过定价预测模块帮助销售端精准定价，扩大销售端在价格上的竞争力；菜农端可以直观的看到销售端提供的进货价，便于菜农端找到合适价格的销售端，做出交易选择；基于市场需求和上一年的鲜活农产品的销售情况，给出种植规划推荐避免供需矛盾，在调控种植规划的同时保留菜农端一定的种植种类的选择权；本系统充分解决了鲜活农产品的供需矛盾，保留菜农端对于销售端和种植的选择，充分保障了菜农端和销售端的利益。充分保障了菜农端和销售端的利益。充分保障了菜农端和销售端的利益。

【技术实现步骤摘要】
基于大数据分析的鲜活农产品数据挖掘整合系统


[0001]本专利技术涉及大数据算法
，具体为基于大数据分析的鲜活农产品数据挖掘整合系统。

技术介绍

[0002]鲜活农产品是指与居民生活息息相关的新鲜蔬菜、水果、水产品、禽畜及其肉类产品，因为鲜活农产品从生产.到收购，运输，仓储，批发，零售的整个过程存在诸多环节，难以被统筹管理；以蔬菜为例，鲜活农产品的季节性，时鲜蔬菜需要全年不断抢时令，导致采购并不能保持持续性；同时限于批发市场、运输和菜农之间的信息不对等，导致供需矛盾，由于菜摊的销售量存在限制，甚至存在蔬菜被拒收、蔬菜采摘销售不如倾倒；
[0003]近年来，针对鲜活农产品的诸多问题，人们尝试诸多方法，限于种植区域分散、人们采购分散，人们多针对物流运输进行优化，例如通过遗传算法优化运输路径；但是依旧存在菜农在家难以找到稳定的菜品销售途径、城市的菜价虚高等问题，并没有实质性的解决供需矛盾的问题。

技术实现思路

[0004]本专利技术的目的在于提供基于大数据分析的鲜活农产品数据挖掘整合系统，以解决上述
技术介绍
中提出的问题。
[0005]为了解决上述技术问题，本专利技术提供如下技术方案：基于大数据分析的鲜活农产品数据挖掘整合系统，该系统包括定价和需求模型、数据采集模块、数据分析模块、销售端和菜农端，所述数据采集模块采集数据，根据需求设置数据集格式，输入定价需求模型，所述定价需求模型预测销售价、需求与定价，所述定价需求模型将需求和定价输入销售端，所述定价需求模型将销售价和需求输入数据分析模块，所述数据分析模块计算进货价，规划种植，所述数据分析模块将进货价和种植规划输入菜农端，所述销售端根据需求与菜农端发生交易。
[0006]所述定价和需求模型包括模糊预测模块和定价预测模块，所述模糊预测模块基于Prophet时间序列模型预测鲜活农产品的周期性、波动性以及特殊事件导致的鲜活农产品售价和需求异常波动，所述模糊预测模块通过函数拟合得出鲜活农产品的模糊预测值输入定价预测模块，所述定价预测模块通过sigmod神经网络层和tanh神经网络预测差值，获得预测的定价输入数据分析模块和销售端；
[0007]在t时刻，鲜活农产品模糊预测值函数为：
[0008]p(t)＝g(t)+s(t)+h(t)
[0009]p(t)表示t时刻鲜活农产品售价和需求的预测值，s(t)表示鲜活农产品售价和需求以季为单位的周期性变化，g(t)表示鲜活农产品售价和需求非周期部分的趋势增长，h(t)表示特殊时间导致的鲜活农产品售价和需求的异常波动；
[0010]g(t)表示鲜活农产品的售价和需求整体的波动趋势，同时对未来的走势进行预
测，g(t)计算模型：
[0011][0012]c(t)是承载量表示该鲜活农产品的市场售价和需求所能增长的最大值,k(t)表示增长率，b为偏移量；
[0013]鲜活农产品的市场售价和需求常常出现拐点，鲜活农产品的市场售价和需求时常出现变化率变化，t时刻的增长率计算公式为：
[0014][0015]δ
j
是转折点s
j
上增长率发生的变化，k时其他点的增长率；
[0016]调整偏移量处理鲜活农产品的市场售价和需求的边界，计算公式：
[0017][0018]γ
j
是转折点s
j
上偏移量发生的变化，γ
l
转折点s
l
上偏移量发生的变化，δ
l
是转折点s
l
上增长率发生的变化；
[0019]得到鲜活农产品的市场售价和需求整体的波动趋势拟合：
[0020][0021]计算鲜活农产品售价和需求的周期性s(t)，通过正态分布提高模型的平滑性：s(t)＝x(t)β，β服从β～Normal(0，σ2)，σ值的大小表示鲜活农产品以季为单位的周期性的波动效果；
[0022]计算特殊事件导致的鲜活农产品的售价和需求异常波动，设置特殊事件的时间列表矩阵Z(t)，计算公式为：
[0023]z(t)＝[1(t∈D1)，...，1(t∈D
L
)][0024]L表示为某个节假日，D
L
为该节假日的设置的窗口值；
[0025]h(t)＝z(t)k
[0026]k服从k～Normal(0，v2)，v值表示特殊事件对于对市场售价和需求造成的影响；
[0027]获取鲜活农产品价格的历史数据，通过拟合预测值函数，获得预测值p(t)，
[0028]在t时刻，鲜活农产品的预测的定价为：
[0029]y(t)＝p(t)+εt
[0030]y(t)表示t时刻鲜活农产品的预测的定价，p(t)表示t时刻鲜活农产品售价和需求的预测值，εt为差值预测量；
[0031]所述预测值p(t)与历史数据之间存在真实差值εt1，所述差值计算公式为：
[0032]εt1＝A(t)
‑
p(t)
[0033]A(t)是历史数据，p(t)是预测值，εt1是预测值与历史数据之间存在真实差值；
[0034]所述真实差值作为输入层，设置训练模型，所述训练模型包括遗忘门、记忆门和输出门，通过sigmod神经网络层构建遗忘门，表达式为：：
[0035]f＝σ(ε
t
‑1×
W
f
+X
t
×
U
f
+b
f
)
[0036]ε
t
‑1是上一序列的隐藏状态，W
f
为h
t
‑1的遗忘门权重，X
t
是差值的特征向量，U
f
是连接输入层与遗忘层偏重矩阵，b
f
是遗忘门的偏置项；
[0037]通过sigmod神经网络层构建记忆门，表达式为：
[0038]i＝σ(ε
t
‑1×
W
i
+X
t
×
U
i
+b
i
)
[0039]W
i
为h
t
‑1的记忆门权重，U
i
是连接输入层与记忆门偏重矩阵，b
i
是记忆门的偏置项；
[0040]通过tanh神经网络层构建新的状态候选量C1，表达式为：
[0041]C1＝tanh(ε
t
‑1×
W
c
+X
t
×
U
c
+b
c
)
[0042]C
t
＝C
t
‑1×
f+C1×
i
[0043]W
c
是新的状态候选量权重，U
c
是连接输入层与新的状态候选量偏重矩阵，b
c
是新本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于大数据分析的鲜活农产品数据挖掘整合系统，其特征在于：该系统包括定价和需求模型(S2)、数据采集模块(S1)、数据分析模块(S3)、销售端(S4)和菜农端(S5)，所述数据采集模块(S1)采集数据，根据需求设置数据集格式，输入定价需求模型，所述定价需求模型预测销售价、需求与定价，所述定价需求模型将需求和定价输入销售端(S4)，所述定价需求模型将销售价和需求输入数据分析模块(S3)，所述数据分析模块(S3)计算进货价，所述数据分析模块(S3)将进货价和需求输入菜农端(S5)，所述菜农端(S5)规划种植，与销售端(S4)发生交易。2.根据权利要求1所述的基于大数据分析的鲜活农产品数据挖掘整合系统，其特征在于：所述定价和需求模型(S2)包括模糊预测模块和定价预测模块，所述模糊预测模块基于Prophet时间序列模型预测鲜活农产品的周期性、波动性以及特殊事件导致的鲜活农产品售价和需求异常波动，所述模糊预测模块通过函数拟合得出鲜活农产品的模糊预测值输入定价预测模块。3.根据权利要求2所述的基于大数据分析的鲜活农产品数据挖掘整合系统，其特征在于：在t时刻，鲜活农产品模糊预测值函数为：p(t)＝g(t)+s(t)+h(t)p(t)表示t时刻鲜活农产品售价和需求的预测值，s(t)表示鲜活农产品售价和需求以季为单位的周期性变化，g(t)表示鲜活农产品售价和需求非周期部分的趋势增长，h(t)表示特殊时间导致的鲜活农产品售价和需求的异常波动；g(t)表示鲜活农产品的售价和需求整体的波动趋势，同时对未来的走势进行预测，g(t)计算模型：c(t)是承载量表示该鲜活农产品的市场售价和需求所能增长的最大值，k(t)表示增长率，b为偏移量；鲜活农产品的市场售价和需求常常出现拐点，鲜活农产品的市场售价和需求时常出现变化率变化，t时刻的增长率计算公式为：δ
j
是转折点s
j
上增长率发生的变化，k时其他点的增长率；调整偏移量处理鲜活农产品的市场售价和需求的边界，计算公式：γ
j
是转折点s
j
上偏移量发生的变化，γ
l
转折点s
l
上偏移量发生的变化，δ
l
是转折点s
l
上增长率发生的变化；得到鲜活农产品的市场售价和需求整体的波动趋势拟合，计算公式为：
g(t)是鲜活农产品的市场售价和需求整体的波动趋势拟合函数。4.根据权利要求3所述的基于大数据分析的鲜活农产品数据挖掘整合系统，其特征在于：计算鲜活农产品售价和需求的周期性s(t)，通过正态分布提高模型的平滑性：s(t)＝x(t)β，β服从β～Normal(0，σ2)，σ值的大小表示鲜活农产品以季为单位的周期性的波动效果；计算特殊事件导致的鲜活农产品的售价和需求异常波动，设置特殊事件的时间列表矩阵Z(t)，计算公式为：z(t)＝[1(t∈D1)，...，1(t∈D
L
)]L表示为某个节假日，D
L
为该节假日的设置的窗口值；h(t)＝z(t)kk服从k～Normal(0，v2)，v值表示特殊事件对于对市场售价和需求造成的影响。5.根据权利要求4所述的基于大数据分析的鲜活农产品数据挖掘整合系统，其特征在于：所述定价预测模块通过sigmod神经网络层和tanh神经网络预测差值，获得预测的定价输入数据分析模块(S3)和销售端(S4)获取鲜活农产品价格的历史数据，通过拟合预测值函数，获得预测值p(t)；在t时刻，鲜活农产品的预测的定价为：y(t)＝p(t)+εty(t)表示t时刻鲜活农产品预测的定价，p(t)表示t时刻鲜活农产品售价预测值，εt为差值预测量；所述预测值p(t)与历史数据之间存在真实差值εt1，所述差值计算公式为：εt1＝A(t)
‑
p(t)A(t)是历史数据，p(t)是预测值，εt1是预测值与历史数据之间存在真实差值；所述真实差值作为输入层，设置训练模型，所述训练模型包括遗忘门、记忆门和输出门，通过sigmod神经网络层构建遗忘门，表达式为：：f＝σ(ε
t
‑1×

【专利技术属性】
技术研发人员：管雨，卞晓明，马随随，
申请(专利权)人：江苏业派生物科技有限公司，
类型：发明
国别省市：