CN115053247A - 预测装置、预测***和预测方法 - Google Patents

预测装置、预测***和预测方法 Download PDF

Info

Publication number
CN115053247A
CN115053247A CN202080095662.5A CN202080095662A CN115053247A CN 115053247 A CN115053247 A CN 115053247A CN 202080095662 A CN202080095662 A CN 202080095662A CN 115053247 A CN115053247 A CN 115053247A
Authority
CN
China
Prior art keywords
prediction
harvest
value
control unit
plant
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
Application number
CN202080095662.5A
Other languages
English (en)
Inventor
佐藤平理
初谷惠美子
虎井总一朗
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Yokogawa Electric Corp
Original Assignee
Yokogawa Electric Corp
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Yokogawa Electric Corp filed Critical Yokogawa Electric Corp
Publication of CN115053247A publication Critical patent/CN115053247A/zh
Pending legal-status Critical Current

Links

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
    • 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
    • A—HUMAN NECESSITIES
    • A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
    • A01G—HORTICULTURE; CULTIVATION OF VEGETABLES, FLOWERS, RICE, FRUIT, VINES, HOPS OR SEAWEED; FORESTRY; WATERING
    • A01G7/00—Botany in general
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/02—Knowledge representation; Symbolic representation
    • G06N5/022—Knowledge engineering; Knowledge acquisition
    • 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
    • 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
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G06Q30/0202—Market predictions or forecasting for commercial activities
    • 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
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G06Q30/0206—Price or cost determination based on market factors
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
    • Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture
    • Y02A40/25—Greenhouse technology, e.g. cooling systems therefor

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Development Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Game Theory and Decision Science (AREA)
  • Tourism & Hospitality (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Agronomy & Crop Science (AREA)
  • Animal Husbandry (AREA)
  • Marine Sciences & Fisheries (AREA)
  • Mining & Mineral Resources (AREA)
  • Primary Health Care (AREA)
  • General Health & Medical Sciences (AREA)
  • Educational Administration (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Forests & Forestry (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Environmental Sciences (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Ecology (AREA)
  • Botany (AREA)

Abstract

本发明提供预测装置、预测***和预测方法，预测装置(10)具有：存储部(12)，存储有用于计算植物工厂(80)中的植物的包含与收获重量和生理障碍相关的信息的收获结果的预测值的预测模型、以及表示植物工厂(80)的环境的环境参数的值；控制部(11)，将从存储部(12)取得的环境参数的值输入到预测模型，计算收获结果的预测值；以及通信部(13)，输出控制部(11)计算出的收获结果的预测值。

Description

预测装置、预测***和预测方法
相关申请的交叉参考
本申请主张2020年2月7日在日本提交的专利申请2020-20088号的优先权，将该在先申请公开的全部内容以引用方式并入本文。
技术领域
本发明涉及预测装置、预测***和预测方法。
背景技术
以往，作为预测植物工厂中的植物的收获结果的技术，具有非专利文献1公开的技术。在非专利文献1中，利用逻辑斯谛函数近似在植物工厂中栽培的生菜的生长曲线，对各种目标重量的生菜制作利润模型。使用该利润模型，根据生菜的育苗阶段对生长曲线进行预测，从而计算植物工厂中的利润最大的栽培天数。
现有技术文献
非专利文献1：Shogo MORIYUKI,Hiroaki KANEDA,Yusaku MIYAGI,NobuhiroSUGIMURA,and Hirokazu FUKUDA,“Profit Models Based on the Growth Dynamics ofLettuce Populations in a Plant Factory”,Environ.Control Biol.,56(4),143-148,2018DOI:10.2525/ecb.56.143
为了在规定的期间内实现用户期待的收获重量，例如如果增强光强度使植物快速生长，则发生叶焦病等生理障碍。由此，收获重量和生理障碍具有相互相反的关系，在非专利文献1所公开的技术中，在不能预测考虑了收获重量和生理障碍的收获结果的方面存在改善的余地。
发明内容
因此，本发明的目的在于提供能够预测考虑了收获重量和生理障碍的收获结果的预测装置、预测***和预测方法。
一些实施方式的预测装置具有：存储部，存储有用于计算植物工厂中的植物的包含与收获重量和生理障碍相关的信息的收获结果的预测值的预测模型、以及表示所述植物工厂的环境的环境参数的值；控制部，将从所述存储部取得的所述环境参数的所述值输入到所述预测模型，计算所述收获结果的所述预测值；以及通信部，输出所述控制部计算出的所述收获结果的所述预测值。
由此，能够预测考虑了收获重量和生理障碍的收获结果。
在一种实施方式中，可以是所述控制部通过参照将所述环境参数的所述值与所述收获结果的所述预测值相关联的数据表，提取与用户期待的收获结果对应的所述环境参数的所述值，所述通信部输出所述控制部提取的所述环境参数的所述值。
由此，用户能够有效地把握实现期待的收获结果所需的环境条件，因此提高了植物工厂的成品率。
在一种实施方式中，可以是所述控制部在每次使所述环境参数的所述值变化时，通过将变化后的所述环境参数的所述值输入到所述预测模型，计算所述收获结果的所述预测值，并且通过将变化后的所述环境参数的所述值与计算出的所述收获结果的所述预测值相关联，生成所述数据表。
由此，用户能够有效地把握实现期待的收获结果所需的环境条件，因此提高了植物工厂的成品率。
在一种实施方式中，可以是所述控制部计算不变更从所述植物的栽培开始到规定时点的所述植物工厂的环境而直到收获时期为止栽培了所述植物的情况下的所述收获结果的所述预测值。
由此，用户能够使用考虑了与相反的收获重量和生理障碍相关的信息的预测模型来管理植物工厂，因此用户能够制定准确的销售计划。
在一种实施方式中，可以是所述控制部计算在所述植物的栽培开始后的规定时点将所述植物工厂的环境变更为由用户指定的环境而直到收获时期为止栽培了所述植物的情况下的所述收获结果的所述预测值。
由此，由于能够预测用户指定的环境下的收获结果，所以用户能够制定准确的销售计划。特别是在需要在省电等制约的环境下使植物工厂运转的情况下，或者在试验性地变更植物工厂的环境的情况下是有用的。
在一种实施方式中，可以是所述控制部通过进行使用所述环境参数的实测值和所述收获结果的实测值的机器学习，生成所述预测模型，并将生成的所述预测模型存储于所述存储部。
由此，得到考虑了与相反的收获重量和生理障碍相关的信息的通用性高的预测模型。通过使用该预测模型来管理植物工厂，能够降低工时和成本。
在一种实施方式中，可以是还包含与所述植物的生产成本相关的信息。
由此，能够预测除了收获重量和生理障碍以外还考虑了生产成本的收获结果。
一些的实施方式的预测***包括所述预测装置以及能够与所述预测装置通信的管理装置，所述输出通过所述管理装置进行。
由此，能够预测考虑了收获重量和生理障碍的收获结果。
一些实施方式的预测方法是使用计算机的预测方法，包括：将植物工厂的环境参数的值输入到用于计算所述植物工厂中的植物的包含与收获重量和生理障碍相关的信息的收获结果的预测值的预测模型来计算所述收获结果的所述预测值的步骤；以及输出计算出的所述收获结果的所述预测值的步骤。
由此，能够预测考虑了收获重量和生理障碍的收获结果。
根据本发明，能够提供能够预测考虑了收获重量和生理障碍的收获结果的预测装置、预测***和预测方法。
附图说明
图1是表示本实施方式的预测***的构成的功能框图。
图2是说明本实施方式的预测***的第一动作例的流程图。
图3是说明第一动作例中的环境参数的实测值的图。
图4是说明第一动作例中的收获结果的实测值的图。
图5是说明本实施方式的预测***的第二动作例的流程图。
图6是说明第二动作例中的环境参数的实测值的图。
图7是说明表示第二动作例中的栽培历史记录的数据的图。
图8是说明第二动作例中的收获结果的预测值的图。
图9是在第二动作例中用于选择用户期待的收获结果的选择画面的输出例。
图10是表示在第二动作例中能够实现用户期待的收获结果的环境参数的值的曲线图的输出例。
图11是说明本实施方式的预测***的第三动作例的流程图。
图12是说明在第三动作例中用户指定的环境参数的值的图。
具体实施方式
下面，参照附图，对用于实施本发明的方式进行说明。在各图中，相同的附图标记表示相同或同等的构成要素。
参照图1，对本发明一种实施方式的预测***1进行说明。
预测***1包括：预测装置10、管理装置20、数据收集装置30、环境测量装置40、收获结果测量装置50和环境控制装置60。预测装置10能够经由互联网等网络70与管理装置20和数据收集装置30相互通信。环境测量装置40能够经由LAN(local area network局域网)等与数据收集装置30相互通信。收获结果测量装置50能够经由LAN(local area network)等与数据收集装置30相互通信。
预测装置10是属于云计算***等的服务器。
预测装置10具有控制部11、存储部12和通信部13。
控制部11包括一个以上的处理器。处理器例如是CPU(central processing unit中央处理器)等通用处理器、或专用于特定的处理的专用处理器。控制部11一边控制预测装置10的各部分、一边进行与预测装置10的动作相关的处理。
存储部12包括一个以上的半导体存储器、一个以上的磁存储器、一个以上的光存储器或它们的组合。半导体存储器例如是RAM(random access memory随机存取存储器)或ROM(read only memory只读存储器)。在存储部12中存储用于预测装置10的动作的信息以及通过预测装置10的动作而得到的信息。
通信部13包括例如能够经由互联网、网关和LAN(local area network)等进行通信的一个以上的通信接口。通信部13接收用于预测装置10的动作的信息，并且发送通过预测装置10的动作而得到的信息。
另外，预测装置10的动作通过由包含于控制部11的处理器执行存储于存储部12的程序来实现。
管理装置20是PC(personal computer个人计算机)、便携电话机、智能手机或平板等。管理装置20设置于植物工厂80的外部，但是并不限定于此。
管理装置20具有：控制部21、存储部22、通信部23、输入部24和输出部25。
控制部21包括一个以上的处理器。处理器例如是CPU(central processing unit)等通用处理器、或专用于特定的处理的专用处理器。控制部21一边控制管理装置20的各部分、一边进行与管理装置20的动作相关的处理。
存储部22包括一个以上的半导体存储器、一个以上的磁存储器、一个以上的光存储器或它们的组合。半导体存储器例如是RAM(random access memory)或ROM(read onlymemory)。在存储部22中存储用于管理装置20的动作的信息以及通过管理装置20的动作而得到的信息。
通信部23包括例如能够经由互联网、网关和LAN(local area network)等进行通信的一个以上的通信接口。通信部23接收用于管理装置20的动作的信息，并且发送通过管理装置20的动作而得到的信息。
输入部24包括一个以上的输入用接口。输入用接口例如是物理键、静电电容键、指示设备、与显示器一体设置的触摸屏、麦克风或它们的组合。输入部24接受输入用于管理装置20的动作的信息的操作。
输出部25包括一个以上的输出用接口。输出用接口例如是LCD(liquid crystaldisplay液晶显示器)或有机EL(electro luminescence电致发光)显示器等显示器、扬声器或它们的组合。输出部25输出通过管理装置20的动作而得到的信息。
另外，管理装置20的动作通过由包含于控制部21的处理器执行存储于存储部22的程序来实现。
数据收集装置30是PC(personal computer)等。数据收集装置30设置于植物工厂80的内部，但是并不限定于此。
数据收集装置30具有：控制部31、存储部32、通信部33、输入部34和输出部35。
控制部31包括一个以上的处理器。处理器例如是CPU(central processing unit)等通用处理器、或专用于特定的处理的专用处理器。控制部31一边控制数据收集装置30的各部分、一边进行与数据收集装置30的动作相关的处理。
存储部32包括一个以上的半导体存储器、一个以上的磁存储器、一个以上的光存储器或它们的组合。半导体存储器例如是RAM(random access memory)或ROM(read onlymemory)。在存储部32中存储用于数据收集装置30的动作的信息以及通过数据收集装置30的动作而得到的信息。
通信部33包括例如能够经由互联网、网关和LAN(local area network)等进行通信的一个以上的通信接口。通信部33接收用于数据收集装置30的动作的信息，并且发送通过数据收集装置30的动作而得到的信息。
输入部34包括一个以上的输入用接口。输入用接口例如是物理键、静电电容键、指示设备、与显示器一体设置的触摸屏、麦克风或它们的组合。输入部34接受输入用于数据收集装置30的动作的信息的操作。
输出部35包括一个以上的输出用接口。输出用接口例如是LCD(liquid crystaldisplay)或有机EL(electro luminescence)显示器等显示器、扬声器或它们的组合。输出部35输出通过数据收集装置30的动作而得到的信息。
另外，数据收集装置30的动作通过由包含于控制部31的处理器执行存储于存储部32的程序来实现。
在设置于植物工厂80的每个栽培区域设置有一个以上的环境测量装置40。环境测量装置40以规定的时间间隔测量作为表示植物工厂80的环境的环境参数的CO2浓度、光量子、湿度、温度或它们的组合。环境测量装置40包括CO2浓度计、光量子计、湿度计、温度计或它们的组合，但是并不限定于此。在本实施方式中，“栽培区域”是指根据植物的生长阶段来移植植物的植物工厂80内部的规定区域，例如可以列举播种区域、绿化区域、育苗区域和定植区域等。此外，“规定的时间间隔”由用户适当设定，例如可以设为数十分钟～数小时。
收获结果测量装置50设置在植物工厂80的内部。收获结果测量装置50测量收获结果，该收获结果包含与在植物工厂80中栽培的植物的收获重量和生理障碍相关的信息。在本实施方式中，“与生理障碍相关的信息”包含叶焦病等生理障碍的发生概率或有无发生。另外，收获重量使用公知或任意的重量计来测量，但是并不限定于此。此外，生理障碍的发生概率使用公知或任意的图像识别技术来计算，但是并不限定于此。此外，生理障碍的有无发生通过用户的目视来确认，但是并不限定于此。
环境控制装置60设置在植物工厂80的内部。环境控制装置60包括照明装置、空调装置、CO2发生器、营养液循环装置或它们的组合，但是并不限定于此。环境控制装置60可以通过管理装置20自动控制，也可以由用户手动控制。
植物工厂80是能够有计划地栽培植物的任意工厂。
植物包括蔬菜、水果或食用花等食用植物、药用植物、观叶植物等观赏用植物或它们的组合，但是并不限定于此。作为蔬菜例如可以列举生菜或草莓等。
参照图2，对本发明的预测***1的第一动作例进行说明。第一动作例相当于本发明的预测方法的一种实施方式。
在第一动作例中，在数据收集装置30的存储部32中存储有由环境测量装置40测量的环境参数的实测值、以及由收获结果测量装置50测量的收获结果的实测值。如图3所示，环境参数的实测值包括在每个栽培区域中从栽培开始日起以规定的时间间隔测量的CO2浓度、光量子、湿度和温度的实测值。另外，CO2浓度的单位是ppm，光量子的单位是μmol/m2s，湿度的单位是％，温度的单位是℃。此外，如图4所示，收获结果的实测值按每个ID包含收获重量和生理障碍的有无发生的实测值，并且还包含表示进行了播种、绿化、育苗和定植的栽培区域的信息的栽培历史记录。因此，根据图3和图4所示的数据，确定赋予了各ID的植物在哪个栽培区域、在何种环境下进行了栽培。在本实施方式中，“ID”是为了管理植物的栽培信息而使用的识别信息，对播种阶段、绿化阶段、育苗阶段和定植阶段中的栽培区域以及栽培开始日相同的植物赋予相同的ID。
在步骤S101中，预测装置10的控制部11经由通信部13从数据收集装置30取得环境参数的实测值和收获结果的实测值。控制部11将取得的环境参数的实测值和收获结果的实测值存储于存储部12。
在步骤S102中，预测装置10的控制部11从存储部12取得环境参数的实测值和收获结果的实测值并实施预处理。“预处理”包括偏差值处理、与时间序列相关的缺失插补、离散化处理或它们的组合，但是并不限定于此。
在步骤S103中，预测装置10的控制部11通过进行使用在步骤S102中进行了预处理的数据的机器学习，生成用于计算收获结果的预测值的预测模型。该机器学习将与环境参数对应的变量作为解释变量，将与收获结果对应的变量作为目标变量，通过使用公知或任意的聚类(Clustering)和贝叶斯网络的技术来执行。在此，在本实施方式中，“聚类”是指将相似的变量彼此分类到相同的群集中的方法，可以列举k均值(k-means)法等硬聚类或概率潜在语义分析等软聚类，但是并不限定于此。此外，“贝叶斯网络”是指将变量作为节点的有向非循环图，包含节点间的条件概率表。在步骤S103中，首先，预测装置10的控制部11通过对在步骤S102中进行了预处理的数据进行无监督学习，将相似的解释变量彼此分类到相同的群集中。接着，控制部11通过进行使用聚类结果的结构学习来生成预测模型。在本实施方式中，“预测模型”例如包括与环境参数对应的父节点、通过聚类进行了维度压缩的子节点、以及与收获结果对应的孙节点。但是，父节点与孙节点也可以直接链接，而不需要经由子节点链接。
在步骤S104中，预测装置10的控制部11将在步骤S103中生成的预测模型存储于存储部12。
根据第一动作例，得到考虑了与相反的收获重量和生理障碍相关的信息的通用性高的预测模型。通过使用该预测模型，按照接着说明的第二动作例和第三动作例来管理植物工厂80，能够减少工时和成本。
参照图5，对本发明的预测***1的第二动作例进行说明。第二动作例相当于本发明的预测方法的一种实施方式。
在第二动作例中，在数据收集装置30的存储部32中存储有由环境测量装置40测量的环境参数的实测值。此外，在数据收集装置30的存储部32中存储有从管理装置20取得的表示栽培历史记录的数据。如图6所示，环境参数的实测值包括从栽培开始到规定时点以规定的时间间隔测量的每个栽培区域的CO2浓度、光量子、湿度和温度的实测值。另外，“规定时点”例如基于用户经由管理装置20的输入部24的输入而任意设定。此外，如图7所示，表示栽培历史记录的数据按每个ID包含表示从栽培开始到任意时点的播种阶段、绿化阶段、育苗阶段和定植阶段中的栽培区域的信息。
在步骤S201中，预测装置10的控制部11经由通信部13从数据收集装置30取得环境参数的实测值和表示栽培历史记录的数据并存储于存储部12。
在步骤S202中，预测装置10的控制部11从存储部12取得环境参数的实测值和表示栽培历史记录的数据并实施预处理。该预处理与步骤S102相同。
在此，在第二动作例中，预测装置10的控制部11判断为计算不变更从栽培开始到规定时点的植物工厂的环境而直到收获时期为止栽培了植物的情况下的收获结果的预测值。另外，预测装置10的控制部11例如能够基于用户经由管理装置20的输入部24进行的输入来进行该判断。例如，管理装置20的控制部21经由输出部25将是否计算上述收获结果的预测值的询问对话框向用户输出。接着，管理装置20的控制部21经由输入部24接受用户输入回答的操作。接着，管理装置20的控制部21经由通信部23将表示用户的回答的数据发送到预测装置10。由此，预测装置10的控制部11能够进行上述判断。
在步骤S203中，预测装置10的控制部11从存储部12取得在第一动作例中生成的预测模型。控制部11将在步骤S202中进行了预处理的数据输入到取得的预测模型。另外，作为从栽培开始后的规定时点到收获时期的环境参数的值，使用从栽培开始到规定时点的环境参数的值。由此，计算不变更从栽培开始到规定时点的植物工厂80的环境而直到收获时期为止栽培了植物的情况下的收获结果的预测值。
在步骤S204中，预测装置10的控制部11经由通信部13将在步骤S203中计算出的收获结果的预测值发送到管理装置20。管理装置20的控制部21经由通信部23从预测装置10接收收获结果的预测值。管理装置20的控制部21经由输出部25将接收到的收获结果的预测值向用户输出。在图8所示的输出例中，按每个ID输出收获重量和生理障碍的发生概率的预测值。
在步骤S205中，预测装置10的控制部11在每次使环境参数的值变化时，通过将变化后的环境参数的值输入到预测模型，计算收获结果的预测值。由此，网罗性地计算与环境参数的各值对应的收获结果的预测值。此外，控制部11生成将在步骤S205中变化后的环境参数的值与在步骤S205中计算出的收获结果的预测值相关联的数据表。控制部11将生成的数据表存储于存储部12。在本实施方式中，“使环境参数的值变化”是指例如使CO2浓度、光量子、湿度、温度或它们的组合的值在规定的范围内以规定的刻度幅度变化，例如使温度从22℃到27℃以1℃刻度变化。另外，“规定的范围”和“规定的刻度幅度”例如基于用户经由管理装置20的输入部24进行的输入而任意设定。
在步骤S206中，管理装置20的控制部21经由输出部25输出用于使用户选择所期待的收获结果的选择画面。在图9所示的输出例中，用户能够从“收获重量：最大”、“生理障碍的发生概率：最小”、以及“生产成本：最小”这样的多个收获结果的备选中选择用户期待的收获结果。另外，输出到选择画面的收获结果的备选例如基于用户经由管理装置20的输入部24进行的输入而任意设定。另外，生产成本基于根据环境条件推定的耗电量以及根据预测模型的预测结果而变动的人工费和运输成本等来计算。
在步骤S207中，管理装置20的控制部21经由输入部24接受用户选择所期待的收获结果的操作。在图9所示的输出例中，用户选择“生理障碍的发生概率：22％以下”且“收获重量：最大”这样的收获结果作为期待的收获结果。管理装置20的控制部21经由通信部23将表示由用户选择的用户期待的收获结果的数据发送到预测装置10。
在步骤S208中，预测装置10的控制部11经由通信部13从管理装置20接收表示用户期待的收获结果的数据。预测装置10的控制部11通过参照在步骤S205中存储于存储部12的数据表，提取与用户期待的收获结果对应的环境参数的值。在图9所示的输出例中，用户期待“生理障碍的发生概率：22％以下”且“收获重量：最大”这样的收获结果。因此，在步骤S208中，提取与“生理障碍的发生概率：22％以下”且“收获重量：最大”这样的收获结果对应的环境参数的值。预测装置10的控制部11经由通信部13将提取的环境参数的值发送到管理装置20。
在步骤S209中，管理装置20的控制部21经由通信部23接收从预测装置10提取的环境参数的值。控制部21经由输出部25将接收到的环境参数的值向用户输出。在图10所示的输出例中，以曲线图表示从栽培开始后的规定时点到收获时期的植物工厂80的CO2浓度、光量子、湿度和温度的目标值的时间变化。由此，用户能够把握实现期待的收获结果所需的环境条件。
在步骤S210中，管理装置20的控制部21基于用户的输入，判断是否重复步骤S206至S209的处理。控制部21在判断为重复步骤S206至S209的处理的情况下(步骤S210：是)，返回到步骤S206。控制部21在判断为不重复步骤S206至S209的处理的情况下(步骤S210：否)，前进至步骤S211。另外，管理装置20的控制部21经由输出部25将是否重复步骤S206至S209的处理的询问对话框向用户输出，并且经由输入部24接受用户输入回答的操作，由此能够进行该判断。
在步骤S211中，用户基于在步骤S209中输出的环境参数的值来控制环境控制装置60。但是，在步骤S211中代替于此，也可以通过管理装置20自动地控制环境控制装置60。
根据第二动作例，用户能够使用考虑了与相反的收获重量和生理障碍相关的信息的预测模型来管理植物工厂80，因此能够制定准确的销售计划。此外，能够向用户提示实现用户期待的收获结果所需的环境条件，因此提高了植物工厂80的成品率。特别是通过在步骤S205中网罗性地预测收获结果，用户能够有效地把握实现期待的收获结果所需的环境条件。
参照图11，对本发明的预测***1的第三动作例进行说明。第三动作例相当于本发明的预测方法的一种实施方式。
在第三动作例中，在数据收集装置30的存储部32中存储有由环境测量装置40测量的环境参数的实测值。此外，在数据收集装置30的存储部32中存储有从管理装置20取得的表示栽培历史记录的数据。第三动作例中的“环境参数的实测值”和“表示栽培历史记录的数据”与第二动作例相同。
在步骤S301中，预测装置10的控制部11经由通信部13从数据收集装置30取得环境参数的实测值和表示栽培历史记录的数据并存储于存储部12。
在步骤S302中，预测装置10的控制部11从存储部12取得环境参数的实测值和表示栽培历史记录的数据并实施预处理。该预处理与步骤S102相同。
在步骤S303中，管理装置20的控制部21经由输入部24接受用户指定从植物的栽培开始后的规定时点到收获时期的环境参数的值的操作。管理装置20的控制部21经由通信部23将用户指定的环境参数的值发送到预测装置10。图12中表示用户指定的环境参数的值。
在步骤S304中，预测装置10的控制部11从存储部12取得在第一动作例中生成的预测模型。控制部11经由通信部13接收在步骤S303中用户指定的环境参数的值。预测装置10的控制部11将在步骤S302中进行了预处理的数据以及在步骤S303中用户指定的环境参数的值输入到预测模型。由此，控制部11计算在植物的栽培开始后的规定时点将植物工厂80的环境变更为用户指定的环境而直到收获时期为止栽培了植物的情况下的收获结果的预测值。
在步骤S305中，预测装置10的控制部11经由通信部13将在步骤S304中计算出的收获结果的预测值发送到管理装置20。管理装置20的控制部21经由通信部23从预测装置10接收收获结果的预测值。管理装置20的控制部21经由输出部25将收获结果的预测值向用户输出。
根据第三动作例，在需要在省电等制约的环境下使植物工厂80运转的情况下，能够预测该环境下的收获结果，因此用户能够制定准确的销售计划。此外，在用户希望试验性地变更植物工厂80的环境的情况下，能够不使植物工厂80的环境实际变化而预测收获结果。
以上，基于各附图和实施方式对本发明进行了说明，但是应当注意，本领域技术人员容易基于本发明进行各种变形或修正。因此，应当注意这些变形或修正也包含在本发明的范围内。例如，包含于各步骤等的功能等能够以逻辑上不矛盾的方式进行再配置，能够将多个步骤等组合为一个或进行分割。
工业实用性
根据本发明，能够提供能够预测考虑了收获重量和生理障碍的收获结果的预测装置、预测***和预测方法。
附图标记说明
1 预测***
10 预测装置
11 控制部
12 存储部
13 通信部
20 管理装置
21 控制部
22 存储部
23 通信部
24 输入部
25 输出部
30 数据收集装置
31 控制部
32 存储部
33 通信部
34 输入部
35 输出部
40 环境测量装置
50 收获结果测量装置
60 环境控制装置
70 网络
80 植物工厂

Claims (9)

1.一种预测装置，其特征在于具有：
存储部，存储有用于计算植物工厂中的植物的包含与收获重量和生理障碍相关的信息的收获结果的预测值的预测模型、以及表示所述植物工厂的环境的环境参数的值；
控制部，将从所述存储部取得的所述环境参数的所述值输入到所述预测模型，计算所述收获结果的所述预测值；以及
通信部，输出所述控制部计算出的所述收获结果的所述预测值。
2.根据权利要求1所述的预测装置，其特征在于，
所述控制部通过参照将所述环境参数的所述值与所述收获结果的所述预测值相关联的数据表，提取与用户期待的收获结果对应的所述环境参数的所述值，
所述通信部输出所述控制部提取的所述环境参数的所述值。
3.根据权利要求2所述的预测装置，其特征在于，所述控制部在每次使所述环境参数的所述值变化时，通过将变化后的所述环境参数的所述值输入到所述预测模型，计算所述收获结果的所述预测值，并且通过将变化后的所述环境参数的所述值与计算出的所述收获结果的所述预测值相关联，生成所述数据表。
4.根据权利要求1至3中任一项所述的预测装置，其特征在于，所述控制部计算不变更从所述植物的栽培开始到规定时点的所述植物工厂的环境而直到收获时期为止栽培了所述植物的情况下的所述收获结果的所述预测值。
5.根据权利要求1至3中任一项所述的预测装置，其特征在于，所述控制部计算在所述植物的栽培开始后的规定时点将所述植物工厂的环境变更为由用户指定的环境而直到收获时期为止栽培了所述植物的情况下的所述收获结果的所述预测值。
6.根据权利要求1至5中任一项所述的预测装置，其特征在于，所述控制部通过进行使用所述环境参数的实测值和所述收获结果的实测值的机器学习，生成所述预测模型，并将生成的所述预测模型存储于所述存储部。
7.根据权利要求1至6中任一项所述的预测装置，其特征在于，所述收获结果还包含与所述植物的生产成本相关的信息。
8.一种预测***，包括如权利要求1至7中任一项所述的预测装置以及能够与所述预测装置通信的管理装置，所述预测***的特征在于，
所述输出通过所述管理装置进行。
9.一种预测方法，是使用了计算机的预测方法，其特征在于包括：
将植物工厂的环境参数的值输入到用于计算所述植物工厂中的植物的包含与收获重量和生理障碍相关的信息的收获结果的预测值的预测模型来计算所述收获结果的所述预测值的步骤；以及
输出计算出的所述收获结果的所述预测值的步骤。
CN202080095662.5A 2020-02-07 2020-12-28 预测装置、预测***和预测方法 Pending CN115053247A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
JP2020-020088 2020-02-07
JP2020020088A JP7314825B2 (ja) 2020-02-07 2020-02-07 予測装置、予測システム、及び予測方法
PCT/JP2020/049200 WO2021157260A1 (ja) 2020-02-07 2020-12-28 予測装置、予測システム、及び予測方法

Publications (1)

Publication Number Publication Date
CN115053247A true CN115053247A (zh) 2022-09-13

Family

ID=77200149

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202080095662.5A Pending CN115053247A (zh) 2020-02-07 2020-12-28 预测装置、预测***和预测方法

Country Status (5)

Country Link
US (1) US20230077160A1 (zh)
EP (1) EP4102440A4 (zh)
JP (1) JP7314825B2 (zh)
CN (1) CN115053247A (zh)
WO (1) WO2021157260A1 (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7476863B2 (ja) 2021-10-12 2024-05-01 横河電機株式会社 栽培支援システム、栽培支援方法、及びプログラム

Family Cites Families (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7047133B1 (en) * 2003-01-31 2006-05-16 Deere & Company Method and system of evaluating performance of a crop
US20110035246A1 (en) * 2009-08-10 2011-02-10 Syngenta Participations Ag Devices, systems, and methods for aiding in pest management decisions
US9058633B2 (en) * 2010-10-25 2015-06-16 Trimble Navigation Limited Wide-area agricultural monitoring and prediction
KR20130041702A (ko) * 2011-10-17 2013-04-25 사단법인 한국온실작물연구소 가변형 인공광원을 이용한 온실내 딸기재배방법 및 시스템
US20130174040A1 (en) * 2011-12-30 2013-07-04 Jerome Dale Johnson Methods, apparatus and systems for generating, updating and executing a crop-planting plan
US11113649B2 (en) * 2014-09-12 2021-09-07 The Climate Corporation Methods and systems for recommending agricultural activities
US9872433B2 (en) * 2015-05-14 2018-01-23 Raven Industries, Inc. System and method for adjusting harvest characteristics
US10251347B2 (en) * 2016-01-07 2019-04-09 The Climate Corporation Generating digital models of crop yield based on crop planting dates and relative maturity values
US10331931B2 (en) * 2016-02-05 2019-06-25 The Climate Corporation Modeling trends in crop yields
US10028451B2 (en) * 2016-11-16 2018-07-24 The Climate Corporation Identifying management zones in agricultural fields and generating planting plans for the zones
US10699185B2 (en) * 2017-01-26 2020-06-30 The Climate Corporation Crop yield estimation using agronomic neural network
US20180330435A1 (en) * 2017-05-11 2018-11-15 Harvesting Inc. Method for monitoring and supporting agricultural entities
JP2018201417A (ja) * 2017-06-05 2018-12-27 株式会社スプレッド 収量予測システム
US11263707B2 (en) * 2017-08-08 2022-03-01 Indigo Ag, Inc. Machine learning in agricultural planting, growing, and harvesting contexts
US11222385B2 (en) * 2018-01-22 2022-01-11 Athenium Llc Method and system for forecasting crop yield
JP2019128703A (ja) * 2018-01-23 2019-08-01 富士電機株式会社 植物工場における収穫日の調整システムおよびその調整方法
US20200005166A1 (en) * 2018-07-02 2020-01-02 The Climate Corporation Automatically assigning hybrids or seeds to fields for planting
US20200154629A1 (en) * 2018-11-15 2020-05-21 Ag Leader Technology On the go organic matter sensor and associated systems and methods
AU2021203604A1 (en) * 2021-03-09 2022-09-29 Cotton Seed Distributors Ltd Method and system for monitoring a cotton crop
US20230073551A1 (en) * 2021-09-07 2023-03-09 Ag Leader Technology Row-by-row yield estimation system and related devices and methods

Also Published As

Publication number Publication date
US20230077160A1 (en) 2023-03-09
WO2021157260A1 (ja) 2021-08-12
EP4102440A1 (en) 2022-12-14
JP2021125143A (ja) 2021-08-30
JP7314825B2 (ja) 2023-07-26
EP4102440A4 (en) 2024-02-28

Similar Documents

Publication Publication Date Title
JP6942790B2 (ja) 情報処理装置および情報処理方法
Matei et al. A data mining system for real time soil moisture prediction
US20200250593A1 (en) Yield estimation in the cultivation of crop plants
KR20180086738A (ko) 작물 재배 가이드 정보 제공 장치, 및 그 방법
Confalonieri et al. A model for simulating the height of rice plants
CN114901066B (zh) 辅助***以及辅助方法
Montesinos-López et al. A Bayesian genomic multi-output regressor stacking model for predicting multi-trait multi-environment plant breeding data
US20200245525A1 (en) Yield estimation in the cultivation of crop plants
JP2018099067A (ja) 生育管理装置、生育管理方法、及び、プログラム
Oliveira et al. Review of nature and biologically inspired metaheuristics for greenhouse environment control
CN115053247A (zh) 预测装置、预测***和预测方法
Raman et al. Agriculture Yield Estimation Using Machine Learning Algorithms
Baey et al. Mixed-effects estimation in dynamic models of plant growth for the assessment of inter-individual variability
Legault et al. Accounting for environmental change in continuous-time stochastic population models
JP2020144720A (ja) 機械学習プログラム、機械学習方法および機械学習装置
KR20200070736A (ko) 작물수확량 예측방법 및 이를 구현하는 작물수확량 예측장치
Baker et al. Improved weather-based late blight risk management: comparing models with a ten year forecast archive
JP7416394B2 (ja) 作付スケジュール算出装置、作付スケジュール算出プログラム、及び、作付スケジュール算出方法
JP2021174062A (ja) 機械学習プログラム、機械学習方法および機械学習装置
WO2023042284A1 (ja) 農作物育成支援装置、農作物育成支援方法、及び農作物育成支援プログラム
JP6810967B2 (ja) 農業モデル普及システム、農業モデル普及方法及び農業モデル普及プログラム
Chizhov et al. Markov decision process in the problem of dynamic pricing policy
Deepanayaki et al. Enhanced Elman Spike neural network optimized with Red Fox optimization algorithm for sugarcane yield grade prediction
JP7476863B2 (ja) 栽培支援システム、栽培支援方法、及びプログラム
Narayanasamy et al. INTELLIGENT AND EFFECTIVE CROP YIELD PREDICTION USING MACHINE LEARNING TECHNIQUES FOR CLOUD-BASED BIG DATA ANALYTICS

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