CN108229739B - 作物产量的预测方法、终端、计算机可读存储介质 - Google Patents
作物产量的预测方法、终端、计算机可读存储介质 Download PDFInfo
- Publication number
- CN108229739B CN108229739B CN201711486498.7A CN201711486498A CN108229739B CN 108229739 B CN108229739 B CN 108229739B CN 201711486498 A CN201711486498 A CN 201711486498A CN 108229739 B CN108229739 B CN 108229739B
- Authority
- CN
- China
- Prior art keywords
- yield
- crop
- unit time
- crops
- algorithm
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000003860 storage Methods 0.000 title claims abstract description 10
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 84
- 238000004590 computer program Methods 0.000 claims description 5
- 239000000126 substance Substances 0.000 claims 1
- 235000007688 Lycopersicon esculentum Nutrition 0.000 description 21
- 240000003768 Solanum lycopersicum Species 0.000 description 21
- 230000008859 change Effects 0.000 description 6
- 230000008901 benefit Effects 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 238000003306 harvesting Methods 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 240000008067 Cucumis sativus Species 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 235000013311 vegetables Nutrition 0.000 description 2
- 238000011179 visual inspection Methods 0.000 description 2
- 235000009849 Cucumis sativus Nutrition 0.000 description 1
- 235000010799 Cucumis sativus var sativus Nutrition 0.000 description 1
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000005034 decoration Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Animal Husbandry (AREA)
- Life Sciences & Earth Sciences (AREA)
- Agronomy & Crop Science (AREA)
- Mining & Mineral Resources (AREA)
- General Health & Medical Sciences (AREA)
- Marine Sciences & Fisheries (AREA)
- Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例涉及作物种植领域,公开了一种作物产量的预测方法、终端、计算机可读存储介质,所述预测方法包括:建立若干个算法模型;基于作物的历史产量数据,预估未来的预设时间内,作物每单位时间的产量出现峰值的次数;根据预估的所述产量出现峰值的次数,在所述若干个算法模型中选择一个算法模型;根据所述历史产量数据和所选的所述算法模型预测所述作物的产量值。本发明中实施例可自动预测作物产量,减少人力支出,得到精准的预测结果。
Description
技术领域
本发明实施例涉及种植领域,特别涉及一种作物产量的预测方法、终端、计算机可读存储介质。
背景技术
随着科学技术的发展进步,种植箱、种植大棚等种植设备逐渐增多。种植箱多数应用于小型蔬菜作物的种植,不仅可以用于家庭装饰,还可以达到娱乐及亲子教育的目的。种植大棚多数应用于大规模蔬菜作物的种植,可以为用户创造经济效益。
不同的环境条件可能适合于不同种类的作物的生长,在不同环境条件下生成的同种类作物的产量也会不同。对于用户而言,预先获知作物的产量,可以及时根据预测的产量制定后续工作计划,如进行采收规划、运输、经营和营销的安排等。目前用户多是通过目测预估作物的产量。
发明人发现现有技术中至少存在如下问题:通过目测预估的效率低下,人力支出大,且预测结果与实际收获产量偏差较大,无法为用户制定后续工作计划提供有效参考。
发明内容
本发明实施方式的目的在于提供一种作物产量的预测方法、终端、计算机可读存储介质,可自动预测作物产量,减少人力支出,得到精准的预测结果。
为解决上述技术问题,本发明的实施方式提供了一种作物产量的预测方法,包括以下步骤:建立若干个算法模型;基于作物的历史产量数据,预估未来的预设时间内,作物每单位时间的产量出现峰值的次数;根据预估的所述产量出现峰值的次数,在所述若干个算法模型中选择一个算法模型;根据所述历史产量数据和所选的所述算法模型预测所述作物的产量值。
本发明的实施方式还提供了一种终端,包括:至少一个处理器;以及,与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行所述作物产量的预测方法。
本发明的实施方式还提供了一种计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时实现所述作物产量的预测方法。
本发明实施方式相对于现有技术而言,通过建立算法模型进行产量预测,实现了作物产量的自动预测,可以降低预测所需的人力支出;根据作物的历史产量数据预估未来产量会出现峰值的次数,然后根据所预估的峰值的次数选择用于预测作物产量的算法模型,避免直接根据作物的历史产量数据预测导致的不准确,可使预测结果更精准。
另外,所述若干个算法模型,至少包括:简单移动平均算法、加权移动平均算法。
另外,所述基于所述历史产量数据,预估未来的预设时间内,作物每单位时间的产量出现峰值的次数,具体包括:基于所述历史产量数据,预估未来的预设时间内,作物每单位时间内各自的产量;根据预估的所述作物每单位时间内各自的产量,计算所述作物在所述单位时间内的产量的平均值;将预估的所述作物每单位时间内各自的产量,分别与所述平均值进行比较;统计比较结果大于所述平均值的次数,记为峰值出现的次数。通过预估未来的预设时间内,作物每单位时间内各自的产量的平均值,并对比所述作物每单位时间内各自的产量与所述平均值,可以统计出预估结果中产量出现高峰的次数,根据每单位时间内各自的产量大于所述平均值的次数选择预测作物产量的算法模型,可以避免预估的未来的预设时间内的产量中变化幅度较大的数据对所述算法模型的选择造成影响,提高预测的精准度。
另外,所述根据预估的所述作物每单位时间内各自的产量,计算所述作物在所述单位时间内的产量的平均值,具体包括:通过加权移动平均算法计算所述作物在所述单位时间内的产量的平均值。通过加权移动平均算法计算单位时间内的产量的平均值,可以避免所述平均值受每单位时间内各自的产量中极端数据的影响,进一步提高预测的准确度。
另外,所述基于所述历史产量数据,预估未来的预设时间内,作物每单位时间的产量出现峰值的次数,具体包括:基于所述历史产量数据,预估未来的预设时间内,作物每单位时间内各自的产量;将预估的所述作物每单位时间内各自的产量,分别与预设门限进行比较;统计比较结果大于所述预设门限的次数,记为峰值出现的次数。预先设置预设门限,将所述作物每单位时间内各自的产量大于所述预设门限的次数作为峰值出现的次数,通过根据用户需求更改所述预设门限,可以根据调整峰值选择的标准,进而影响算法模型的选择,调整预测的准确度。
另外,所述基于所述历史产量数据,预估未来的预设时间内,作物每单位时间内各自的产量,具体包括:基于所述历史产量数据,通过加权移动平均算法预估未来的预设时间内,作物每单位时间内各自的产量。
另外,所述根据预估的所述产量出现峰值的次数选择算法模型,具体包括:若所述产量出现峰值的次数小于预设次数,选择所述简单移动平均算法;若所述产量出现峰值的次数不小于预设次数,选择所述加权移动平均算法。在峰值出现次数小于预设次数,预估的所述作物每单位时间的产量变化趋势较为平缓时,选择可以利用全部数据特征的简单移动平均算法;在峰值出现次数大于预设次数,预估的所述作物单位时间的产量变化幅度较大时,选择不易受极端数据影响的加权移动平均算法,可以增加预测的准确度。
附图说明
一个或多个实施例通过与之对应的附图中的图片进行示例性说明,这些示例性说明并不构成对实施例的限定,附图中具有相同参考数字标号的元件表示为类似的元件,除非有特别申明,附图中的图不构成比例限制。
图1是根据本发明第一实施方式中作物产量的预测方法的流程图;
图2是根据本发明第二实施方式中作物产量的预测方法的;
图3是根据本发明第三实施方式中终端的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合附图对本发明的各实施方式进行详细的阐述。然而,本领域的普通技术人员可以理解,在本发明各实施方式中,为了使读者更好地理解本发明而提出了许多技术细节。但是,即使没有这些技术细节和基于以下各实施方式的种种变化和修改,也可以实现本发明所要求保护的技术方案。
本发明的第一实施方式涉及一种作物产量的预测方法。本实施方式的核心在于,建立若干个算法模型;基于作物的历史产量数据,预估未来的预设时间内,作物每单位时间的产量出现峰值的次数;根据预估的所述产量出现峰值的次数,在所述若干个算法模型中选择一个算法模型;根据所述历史产量数据和所选的所述算法模型预测所述作物的产量值。通过建立算法模型进行产量预测,实现了作物产量的自动预测,可以降低预测所需的人力支出;根据作物的历史产量数据预估未来产量会出现峰值的次数,然后根据所预估的峰值的次数选择用于预测作物产量的算法模型,避免直接根据作物的历史产量数据预测导致的不准确,可使预测结果更精准。下面对本实施方式的作物产量的预测方法的实现细节进行具体的说明,以下内容仅为方便理解提供的实现细节,并非实施本方案的必须。
本实施方式中的作物产量的预测方法如图1所示,具体包括:
S101:建立若干个算法模型。
具体的,所述若干个算法模型,至少包括:简单移动平均算法、加权移动平均算法,其中,简单移动平均算法的公式Ft为下一期的预测值,n为移动平均的时期个数,At-1,At-2,At-3,…,At-n为前一期、前两期、前三期直至前n期的实际值,简单移动平均算法便于简单预测,但是没有考虑数据的不规则性及季节的变化;加权移动平均算法的公式Mt=w1Xt-1+w2Xt-2+w3Xt-3+…+wnXt-n,Mt为下一期的预测值,n为移动平均的时期个数,Xt-1,Xt-2,Xt-3,…,Xt-n为前一期、前两期、前三期直至前n期的实际值,w1,w2,w3,…,wn为前一期、前两期、前三期直至前n期的权重,且即简单移动平均算法中各元素权重都相等,而加权移动平均算法中各元素的权重值可以不同,其权重值可以根据前一期、前两期、前三期直至前n期的实际值的变化规律以及每期实际值所占比重自动总结生成,也可以根据用户经验及需求预先设置或更改,但各元素的权重之和必须等于1。另外,建立的算法模型还可以是加权调和平均算法等算法模型。所建立的若干个算法模型,用于最终预测作物的产量,实现预测的自动化。
S102:基于历史产量数据,预估未来的预设时间内,作物每单位时间内各自的产量。
其中,所述历史产量数据,可以由操作员录入***,***将其载入到数据库中。例如,将云南地区产品的某大棚的历史产量数据录入***数据库中:
1号棚 | 年 | 月 | 日 | 产量kg |
番茄 | 2016 | 3 | 30 | 100 |
番茄 | 2016 | 3 | 31 | 101 |
黄瓜 | 2016 | 4 | 01 | 101 |
此外,未来的预设时间为用户需要预测的时间,例如自现在起的未来两周、一个月、半年等。所述未来的预设时间内,包括多个单位时间,所述单位时间可以是天、周、月等。基于历史产量数据,先预估未来要预测的时间内的多个单位时间的产量,而不是直接预测作物产量,可以使预测结果更精准。具体的,所述预估未来的预设时间内,作物每单位时间内各自的产量,可以是***对历史产量数据进行数据分析,通过机器学习、逻辑回归,预估的产量;也可以是***识别作物后调用种植所述作物的大棚的环境信息,对作物的生长环境进行分析并通过模拟作物生长来预估产量;此外,还可以是其他预估方法,在此不一一列举。
优选的,通过加权移动平均算法可以预估作物每单位时间内各自的产量,产量待预测的作物可以通过自动识别,与数据库内的历史产量数据进行匹配。例如,要预估未来一年内番茄的每个月的产量,则预设时间为一年,单位时间为月,所述预设时间内包括12个单位时间,即一至十二月;***自动识别作物为番茄,根据数据库中番茄的历史产量数据,统计往年番茄一至十二月的产量a1至a12,通过加权移动平均法预估未来一年内番茄每月的产量,具体实例如:***经过机器学习及反复验算后发现,在往年一至十二月内,番茄的一月份的产量为去年十二月的40%,去年十一月的30%,去年十月的20%和去年九月的10%,则明年一月番茄的预估产量为a9*0.1+a10*0.2+a11*0.3+a12*0.4,以此类推明年二至十二月的预估产量。
S103:根据预估的作物每单位时间内各自的产量,计算作物在单位时间内的产量的平均值。
具体的,所述平均值可以为算数平均值、几何平均值、加权平均值、调和平均值等,在本实施方式中,通过加权移动平均算法计算该平均值,避免所述平均值受预估的多个单位时间的产量中极端数据的影响。例如,预估番茄明年一至十二月的产量分别为b1至b12,***生成一至十二月的权重分别为w1至w12,则所述平均值b0为w1*b1+w2*b2+…+w12*b12。
S104:将预估的所述作物每单位时间内各自的产量,分别与所述平均值进行比较。
通过对比所述作物每单位时间内各自的产量与所述平均值,可以预估在未来的预计时间内,作物每单位时间内各自的产量的变化趋势。仍以预估未来一年内番茄的每个月的产量为例,可通过加权移动平均法计算在未来一年内番茄的月平均产量,将月平均产量分别与所预估的12个单位月份的产量进行对比,即可初步预估未来一年内番茄产量的波动情况。
S105:统计比较结果大于所述平均值的次数,记为峰值出现的次数。
根据预估的产量与所述平均值的比较结果,可以得出预估的结果中产量的高峰期,统计比较结果大于所述平均值的次数,记为峰值出现的次数,即未来的预设时间内,可能会出现的产量波动较大的次数,用以选择最终预测产量的算法模型。
S106:根据预估的所述产量出现峰值的次数,在若干个算法模型中选择一个算法模型。
可以理解的是,根据每单位时间的产量大于所述平均值的次数作为峰值次数,将所述峰值次数作为选择预测作物产量的算法模型的影响维度,可以避免预估的多个单位时间的产量中变化幅度较大的数据对所述算法模型的选择造成影响,提高预测的精准度。
具体的,选择算法模型的方法可以为:若所述产量出现峰值的次数小于预设次数,选择所述简单移动平均算法;若所述产量出现峰值的次数不小于预设次数,选择所述加权移动平均算法。如此可以在所预估的产量变化趋势较为平缓时,选择简单移动平均算法来预测作物的产量,计算简单方便且能充分利用每个数据的特征;而在预估的产量变化幅度较大时,选择加权移动平均算法来预测作物产量,不易受极端数据影响,可以增加预测的准确度。例如,设置所述预设次数为4,将明年一至十二月的产量b1至b12分别与平均值b0对比的结果为:b1、b2均大于b0,b3、b12均不大于b0,则峰值月份为一月、二月,峰值次数为2,小于预设次数,选择移动平均算法。
值得一提的是,可以建立数据集来选择算法,例如:决策数据:
数据转换:
作物名称:1=番茄,2=黄瓜;
决策类型:1=简单移动平均算法,2=加权移动平均算法;
影响维度:作物1:1=小于3次选择决策类型1,2=不小于3次选择决策类型2;
作物2:1=小于4次选择决策类型1,2=不小于4次选择决策类型2;
峰值次数:所统计的峰值次数。
S107:根据历史产量数据和所选的算法模型预测作物的产量值。
利用预估的峰值次数选择的算法模型预测作物的产量值,可以避免直接根据作物的历史产量数据预测导致的不准确,可使预测结果更精准。具体的,例如在预测番茄明年的产量时,如选择的算法为简单移动平均算法,则说明今年番茄产量的波动不大,可将今年番茄每月的产量累加后除以月份数,作为明年番茄的月平均产量,以充分利用数据特征;如果选择的算法为加权移动平均算法,即番茄明年一至十二月的产量a1至a12变化幅度较大,比如出现了4个峰值月份,分别为一至四月,可对这四个月的产量值加权,设置权重为1/4,则将a1*0.25,a2*0.25,a3*0.25,a4*0.25,以及a5至a12相加后,除以月份数(1+8)得到的产量值作为明年番茄的月平均产量。以30天为一月、12月为一年,可以预测明年的产量。
本实施方式相对于现有技术而言,通过预估未来一段时间的产量,统计预估的产量中高峰期的次数,判断未来该段时间内,产量的变化趋势是否平稳,以选择合适的算法模型进行产量预测,避免历史产量数据中存在极端数据导致预测不准确;通过***自动识别、自动预测,可以较为准确的预测出未来某天、某月或某年的产量,不仅可以节省人工目测产量的人力支出,还可以为后续工作计划提供有效参考,便于合理安排采收、运输、销售等工作。具体示例如下:
本发明的第二实施方式涉及一种作物产量的预测方法。第二实施方式与第一实施方式大致相同,主要区别之处在于:在第一实施方式中,计算预估的产量的平均值,将预估的所述作物每单位时间内各自的产量,分别与所述平均值进行比较;统计比较结果大于所述平均值的次数,记为峰值出现的次数。而在本发明第二实施方式中,将预估的所述作物每单位时间内各自的产量,分别与预设门限进行比较;统计比较结果大于所述预设门限的次数,记为峰值出现的次数。
本实施方式中的作物产量的预测方法如图2所示,具体包括:
S201:建立若干个算法模型。
S202:基于历史产量数据,预估未来的预设时间内,作物每单位时间内各自的产量。
S203:将预估的所述作物每单位时间内各自的产量,分别与预设门限进行比较。
S204:统计比较结果大于所述预设门限的次数,记为峰值出现的次数。
S205:根据预估的所述产量出现峰值的次数,在若干个算法模型中选择一个算法模型。
S206:根据历史产量数据和所选的算法模型预测作物的产量值。
本发明第二实施方式中步骤S201、S202、S205、S206,分别与第一实施方式中步骤S101、S102、S106、S107大致相同,为避免重复在此不再赘述。
本实施方式相对于现有技术而言,可预先设置预设门限,预估未来的预设时间内,作物每单位时间内各自的产量大于所述预设门限的次数,记为作为峰值出现的次数,将峰值次数作为影响维度来选择用于预测产量作物的算法模型,通过根据用户需求更改所述预设门限,可以根据调整峰值选择的标准,进而影响算法模型的选择,调整预测的准确度。
上面各种方法的步骤划分,只是为了描述清楚,实现时可以合并为一个步骤或者对某些步骤进行拆分,分解为多个步骤,只要包括相同的逻辑关系,都在本专利的保护范围内;对算法中或者流程中添加无关紧要的修改或者引入无关紧要的设计,但不改变其算法和流程的核心设计都在该专利的保护范围内。
本发明第三实施方式涉及一种终端,包括至少一个处理器;以及,与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行本发明实施方式中的作物产量的预测方法。
其中,如图3所示,存储器302和处理器301采用总线方式连接,总线可以包括任意数量的互联的总线和桥,总线将一个或多个处理器301和存储器302的各种电路连接在一起。总线还可以将诸如***设备、稳压器和功率管理电路等之类的各种其他电路连接在一起,这些都是本领域所公知的,因此,本文不再对其进行进一步描述。总线接口在总线和收发机之间提供接口。收发机可以是一个元件,也可以是多个元件,比如多个接收器和发送器,提供用于在传输介质上与各种其他装置通信的单元。经处理器301处理的数据通过天线在无线介质上进行传输,进一步,天线还接收数据并将数据传送给处理器301。
处理器301负责管理总线和通常的处理,还可以提供各种功能,包括定时,***接口,电压调节、电源管理以及其他控制功能。而存储器302可以被用于存储处理器301在执行操作时所使用的数据。
本发明第四实施方式涉及一种计算机可读存储介质,存储有计算机程序。计算机程序被处理器执行时实现上述方法实施例。
即,本领域技术人员可以理解,实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,该程序存储在一个存储介质中,包括若干指令用以使得一个设备(可以是单片机,芯片等)或处理器(processor)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
本领域的普通技术人员可以理解,上述各实施方式是实现本发明的具体实施例,而在实际应用中,可以在形式上和细节上对其作各种改变,而不偏离本发明的精神和范围。
Claims (7)
1.一种作物产量的预测方法,其特征在于,包括:
建立若干个算法模型;
基于作物的历史产量数据,预估未来的预设时间内,作物每单位时间的产量出现峰值的次数;
根据预估的所述产量出现峰值的次数,在所述若干个算法模型中选择一个算法模型;
根据所述历史产量数据和所选的所述算法模型预测所述作物的产量值;
其中,所述若干个算法模型,至少包括:简单移动平均算法和加权移动平均算法;所述根据预估的所述产量出现峰值的次数,在所述若干个算法模型中选择一个算法模型,具体包括:
若所述产量出现峰值的次数小于预设次数,选择所述简单移动平均算法;
若所述产量出现峰值的次数不小于预设次数,选择所述加权移动平均算法。
2.根据权利要求1所述的作物产量的预测方法,其特征在于,所述基于所述历史产量数据,预估未来的预设时间内,作物每单位时间的产量出现峰值的次数,具体包括:
基于所述历史产量数据,预估未来的预设时间内,作物每单位时间内各自的产量;
根据预估的所述作物每单位时间内各自的产量,计算所述作物在所述单位时间内的产量的平均值;
将预估的所述作物每单位时间内各自的产量,分别与所述平均值进行比较;
统计比较结果大于所述平均值的次数,记为峰值出现的次数。
3.根据权利要求2所述的作物产量的预测方法,其特征在于,所述根据预估的所述作物每单位时间内各自的产量,计算所述作物在所述单位时间内的产量的平均值,具体包括:通过加权移动平均算法计算所述作物在所述单位时间内的产量的平均值。
4.根据权利要求1所述的作物产量的预测方法,其特征在于,所述基于所述历史产量数据,预估未来的预设时间内,作物每单位时间的产量出现峰值的次数,具体包括:
基于所述历史产量数据,预估未来的预设时间内,作物每单位时间内各自的产量;
将预估的所述作物每单位时间内各自的产量,分别与预设门限进行比较;
统计比较结果大于所述预设门限的次数,记为峰值出现的次数。
5.根据权利要求2至4中任一所述的作物产量的预测方法,其特征在于,所述基于所述历史产量数据,预估未来的预设时间内,作物每单位时间内各自的产量,具体包括:基于所述历史产量数据,通过加权移动平均算法估预未来的预设时间内,作物每单位时间内各自的产量。
6.一种终端,其特征在于,包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行如权利要求1至5中任一所述的作物产量的预测方法。
7.一种计算机可读存储介质,存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至5中任一项所述的作物产量的预测方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711486498.7A CN108229739B (zh) | 2017-12-29 | 2017-12-29 | 作物产量的预测方法、终端、计算机可读存储介质 |
PCT/CN2018/088905 WO2019128089A1 (zh) | 2017-12-29 | 2018-05-29 | 作物产量的预测方法、终端、计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711486498.7A CN108229739B (zh) | 2017-12-29 | 2017-12-29 | 作物产量的预测方法、终端、计算机可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108229739A CN108229739A (zh) | 2018-06-29 |
CN108229739B true CN108229739B (zh) | 2021-09-14 |
Family
ID=62647474
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711486498.7A Active CN108229739B (zh) | 2017-12-29 | 2017-12-29 | 作物产量的预测方法、终端、计算机可读存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN108229739B (zh) |
WO (1) | WO2019128089A1 (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108921351A (zh) * | 2018-07-06 | 2018-11-30 | 北京兴农丰华科技有限公司 | 基于趋势产量和气象产量的作物产量预测方法 |
CN111552253A (zh) * | 2020-05-20 | 2020-08-18 | 安徽农业大学 | 一种智能云灌溉综合平台架构及其控制方法 |
CN114051869B (zh) * | 2020-08-10 | 2022-11-04 | 富联精密电子(天津)有限公司 | 植物栽培***及植物栽培箱的控制方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106408132A (zh) * | 2016-09-30 | 2017-02-15 | 深圳前海弘稼科技有限公司 | 一种基于种植设备的作物产量预测方法及装置 |
CN107392376A (zh) * | 2017-07-25 | 2017-11-24 | 中国农业科学院农业信息研究所 | 一种农作物气象产量预测方法及*** |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102214338A (zh) * | 2010-04-06 | 2011-10-12 | 上海驭策信息技术有限公司 | 销售预测***及方法 |
CN102668899B (zh) * | 2012-03-28 | 2015-02-25 | 北京师范大学 | 一种农作物种植模式识别方法 |
CN104732299A (zh) * | 2015-04-03 | 2015-06-24 | 中国农业科学院农业信息研究所 | 一种玉米产量组合预测***和方法 |
CN105243447A (zh) * | 2015-10-16 | 2016-01-13 | 河南工业大学 | 一种粮食产量预测方法及装置 |
US20170228743A1 (en) * | 2016-02-05 | 2017-08-10 | Weather Analytics, LLC | Crop forecasting with incremental feature selection and spectrum constrained scenario generation |
CN106447082A (zh) * | 2016-08-31 | 2017-02-22 | 广州地理研究所 | 停车需求预估方法和装置 |
CN106682762A (zh) * | 2016-11-21 | 2017-05-17 | 北京小米移动软件有限公司 | 获取农作物种植策略信息的方法及装置 |
CN109767038A (zh) * | 2019-01-04 | 2019-05-17 | 平安科技(深圳)有限公司 | 农作物产量预测方法、装置及计算机可读存储介质 |
-
2017
- 2017-12-29 CN CN201711486498.7A patent/CN108229739B/zh active Active
-
2018
- 2018-05-29 WO PCT/CN2018/088905 patent/WO2019128089A1/zh active Application Filing
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106408132A (zh) * | 2016-09-30 | 2017-02-15 | 深圳前海弘稼科技有限公司 | 一种基于种植设备的作物产量预测方法及装置 |
CN107392376A (zh) * | 2017-07-25 | 2017-11-24 | 中国农业科学院农业信息研究所 | 一种农作物气象产量预测方法及*** |
Also Published As
Publication number | Publication date |
---|---|
WO2019128089A1 (zh) | 2019-07-04 |
CN108229739A (zh) | 2018-06-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ozdogan et al. | Digital agriculture practices in the context of agriculture 4.0 | |
Longin et al. | Genomic selection in wheat: optimum allocation of test resources and comparison of breeding strategies for line and hybrid breeding | |
Shee et al. | Endogeneity corrected stochastic production frontier and technical efficiency | |
CN108229739B (zh) | 作物产量的预测方法、终端、计算机可读存储介质 | |
Stray et al. | An optimisation-based seasonal sugarcane harvest scheduling decision support system for commercial growers in South Africa | |
US11222385B2 (en) | Method and system for forecasting crop yield | |
CN108510107B (zh) | 一种农业种植指导方法、电子设备及存储介质 | |
CA3146167A1 (en) | Crop yield forecasting models | |
Sofi et al. | Decision making in agriculture: A linear programming approach | |
EP3816880A1 (en) | A yield estimation method for arable crops and grasslands, coping with extreme weather conditions and with limited reference data requirements | |
Borodin et al. | A quality risk management problem: case of annual crop harvest scheduling | |
US20200245525A1 (en) | Yield estimation in the cultivation of crop plants | |
Anjom et al. | Development of a linear mixed model to predict the picking time in strawberry harvesting processes | |
CN116307191B (zh) | 一种基于人工智能算法的水资源配置方法、装置和设备 | |
CN108154267A (zh) | 一种施肥机的肥料参数调整方法及装置 | |
US20200250597A1 (en) | Information processing apparatus, information processing method, and non-transitory recording medium | |
Debeljak et al. | Modelling forest growing stock from inventory data: A data mining approach | |
US20190012749A1 (en) | Dynamic cost function calculation for agricultural users | |
Rahman et al. | Application of data mining tools for rice yield prediction on clustered regions of Bangladesh | |
JP2002136223A (ja) | 農作物収穫量予測方法、農作物収穫量予測装置及び記録媒体 | |
CN110135627B (zh) | 水资源优化方法及装置 | |
Kulba et al. | Methodical Approaches to Agricultural Risk Estimate in Forecasting the Economic Effect of Applying Data of the Earth’s Remote Sensing | |
KR20210018605A (ko) | 과채류 물동량 예측시스템 및 방법 | |
CN111428924A (zh) | 一种植物生育期的预测方法、装置、电子设备及存储介质 | |
Saxena et al. | FARMINGTON-A Machine Learning Approach in Agriculture |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20220427 Address after: 517025 room 317-1, enterprise service center building, No. 8, Longling Third Road, Longling Industrial Park, Yuancheng District, Heyuan City, Guangdong Province Patentee after: HEYUAN HONGJIA AGRICULTURAL TECHNOLOGY CO.,LTD. Address before: 518052 Room 201, building A, No. 1, Qian Wan Road, Qianhai Shenzhen Hong Kong cooperation zone, Shenzhen, Guangdong (Shenzhen Qianhai business secretary Co., Ltd.) Patentee before: SHENZHEN SPRINGWOODS HOLDING Co.,Ltd. |