一种智能农产品数据预测方法及系统

技术领域

本发明实施例涉及农业分析技术领域，尤其涉及一种智能农产品数据预测方法及系统。

背景技术

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。

发明内容

本发明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，本发明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，本发明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。

本发明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。本发明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为本发明实施例一提供的智能农产品数据预测方法的流程图；

图2为本发明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发明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发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明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为本发明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，该方法可以由本发明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(Long Short-Term Memory，LSTM)是循环神经网络(Recurrent NeuralNetwork,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-Decoder LSTM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、出口量以及价格，通过串联的卷积神经网络模型和长短期记忆神经网络模型进行预测，最终得到未来十年奶制品平衡表数据作为目标平衡表数据进行输出。可选的，输出可以采用表格的格式，以便于模型导出后供Java等外部程序通过命令行进行调用。

可选的，在将历史平衡表数据输入训练后的神经网络模型之前，还包括：获取针对农产品的历史展望报告中的预测结果；相应的，将历史平衡表数据输入训练后的神经网络模型，包括：将历史平衡表数据和预测结果输入神经网络模型。即在对目标平衡表数据进行预测的过程中，还可以将对应农产品在各类历史展望报告中的预测结果也作为神经网络模型的输入，从而提高预测的准确性。

在使用神经网络模型之前，可以首先利用样本数据对该模型进行训练，样本数据中可以时间较远的历史平衡表数据作为输入，以时间较近的历史平衡表数据作为输出来训练模型中的参数。可选的，输入和输出均可以是单品种数据，也可以是多品种数据，但是输出数据要求的越多，预测结果的准确性也会降低，所以在训练和实际预测的过程中，需要平衡预测数据和准确性之间的关系。可选的，在训练过程中，可以对得到的神经网络模型进行评估，需要平均损失越小越好，且损失曲线趋于收敛，在预测过程中，也可以对预测结果进行评估，在短期预测中，要求模型的预测结果至少要比原始数据序列平移后的精度要高，即原始数据序列的平移后结果可以作为模型的一个基准参考标准，具体可以通过计算两者的平均绝对百分偏差率(MAPE)和平均绝对偏差(MAE)来进行评估。

在上述技术方案的基础上，可选的，在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目标平衡表数据进行校正。具体的，可以使用lasso线性回归模型来进行校正，示例性的，在农产品平衡表中，存在如下关系：消费量＝食用消费+饲用消费+损耗+其他消费；结余变化＝期初库存-期末库存；当期期初库存＝上一期期末库存等等，则在输出的目标平衡表数据中，需要根据其中各个分项之间存在的各种关系进行校正，来提高数据的准确性。

在上述技术方案的基础上，可选的，在输出预测的预设时间段的目标平衡表数据之前，还包括：根据目标平衡表数据的限制条件对目标平衡表数据的幅度进行调整。具体的，在输出的目标平衡表数据中，可能存在误差较大而出现陡升陡降的情况，则可以通过对某些分项设置限制条件来进行合理化的限制，以保证输出的结果在合理的范围内，具体可以通过一个或多个控制参数来实现。

在上述技术方案的基础上，可选的，在将历史平衡表数据输入训练后的神经网络模型之前，还包括：对历史平衡表数据进行预处理，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。其中，转换和归一化可以在模型中以参数的形式提供给用户自主选择，其他预处理过程可以在数据导入时自动实现。具体的，转换的方式包括求解差分数据，即利用当前时间点的数据减去前一时间点的数据得到的值来进行预测的过程，最终再换算回去，还可以包括数据取对数，即对于不符合正态分布的数据计算偏度，取对数使数据近似服从正态分布。为了使LSTM模型尽快达到收敛，在本实施例中，归一化的过程可以采用最大最小值归一化方法，归一化之后的数据可直接用于预测过程，并在最终的预测结果中根据归一化过程中记录的最大最小值进行换算以得到真正的预测数据。

在上述技术方案的基础上，可选的，在获取农产品的历史平衡表数据之前，还包括：根据用户配置确定农产品的品种、历史平衡表数据的时间段以及预设时间段的大小中的至少一种。具体的，可以提供用户接口，并根据用户配置的内容确定待预测的农产品的品种、供模型训练或预测的历史平衡表数据的时间段以及想要得到的未来几年的预测结果等等，还可以为输入的各项数据设定权重，以及希望将哪些数据作为卷积神经网络模型的输入，将哪些数据作为长短期记忆神经网络模型的输入等，从而可以根据用户配置来获取对应的历史平衡表数据。具体可以为用户提供可视化的用户界面，从而方便用户进行各项数据的配置。

本发明实施例所提供的技术方案，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。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。

实施例二

图2为本发明实施例二提供的智能农产品数据预测系统的结构示意图，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2所示，该系统包括：

历史数据获取模块21，用于获取农产品的历史平衡表数据；

目标数据输出模块22，用于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。

本发明实施例所提供的技术方案，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。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。

在上述技术方案的基础上，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；

目标数据输出模块22，包括：

数据提取单元，用于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；

数据输入单元，用于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。

在上述技术方案的基础上，可选的，该智能农产品数据预测系统，还包括：

校正模块，用于在输出预测的预设时间段的目标平衡表数据之前，根据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目标平衡表数据进行校正。

在上述技术方案的基础上，可选的，该智能农产品数据预测系统，还包括：

调整模块，用于在输出预测的预设时间段的目标平衡表数据之前，根据目标平衡表数据的限制条件对目标平衡表数据的幅度进行调整。

在上述技术方案的基础上，可选的，该智能农产品数据预测系统，还包括：

预处理模块，用于在将历史平衡表数据输入训练后的神经网络模型之前，对历史平衡表数据进行预处理，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。

在上述技术方案的基础上，可选的，该智能农产品数据预测系统，还包括：

配置确定模块，用于在获取农产品的历史平衡表数据之前，根据用户配置确定农产品的品种、历史平衡表数据的时间段以及预设时间段的大小中的至少一种。

在上述技术方案的基础上，可选的，该智能农产品数据预测系统，还包括：

预测结果获取模块，用于在将历史平衡表数据输入训练后的神经网络模型之前，获取针对农产品的历史展望报告中的预测结果；

相应的，目标数据输出模块22具体用于：

将历史平衡表数据和预测结果输入神经网络模型。

本发明实施例所提供的智能农产品数据预测系统可执行本发明任意实施例所提供的智能农产品数据预测方法，具备执行方法相应的功能模块和有益效果。

值得注意的是，在上述智能农产品数据预测系统的实施例中，所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。

注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。