CN116894588B - 一种基于大数据的粮食供需智能管理方法、***及介质 - Google Patents
一种基于大数据的粮食供需智能管理方法、***及介质 Download PDFInfo
- Publication number
- CN116894588B CN116894588B CN202310657069.0A CN202310657069A CN116894588B CN 116894588 B CN116894588 B CN 116894588B CN 202310657069 A CN202310657069 A CN 202310657069A CN 116894588 B CN116894588 B CN 116894588B
- Authority
- CN
- China
- Prior art keywords
- demand
- supply
- grain
- influence factors
- abnormal
- 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
- 238000007726 management method Methods 0.000 title claims abstract description 19
- 230000002159 abnormal effect Effects 0.000 claims abstract description 92
- 238000000034 method Methods 0.000 claims abstract description 18
- 238000005516 engineering process Methods 0.000 claims abstract description 16
- 230000005856 abnormality Effects 0.000 claims abstract description 10
- 238000010219 correlation analysis Methods 0.000 claims abstract description 10
- 238000004519 manufacturing process Methods 0.000 claims abstract description 7
- 238000003860 storage Methods 0.000 claims description 16
- 238000012549 training Methods 0.000 claims description 14
- 238000012216 screening Methods 0.000 claims description 12
- 238000012795 verification Methods 0.000 claims description 9
- 238000007621 cluster analysis Methods 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 5
- 238000003973 irrigation Methods 0.000 claims description 3
- 230000002262 irrigation Effects 0.000 claims description 3
- 238000009331 sowing Methods 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 abstract description 9
- 230000000875 corresponding effect Effects 0.000 description 7
- 238000012545 processing Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000012098 association analyses Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G06Q10/06—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
- G06Q10/06375—Prediction of business process outcome or impact based on a proposed change
-
- 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
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- 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
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Educational Administration (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Theoretical Computer Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于大数据的粮食供需智能管理方法、***及介质,方法包括:确定时间区间,基于大数据技术从粮食信息库中获取所述时间区间范围内的历史粮食供需量,根据所述历史粮食供需量基于预测模型进行供需预测,并根据预测结果进行供需异常预警;当出现供需异常预警时,获取粮食供需影响因素,并根据所述历史粮食供需量进行关联分析,以获取高相关影响因素;根据所述高相关影响因素分析因素异常数值,根据所述因素异常数值判断供需异常节点,基于所述供需异常节点进行供需平衡调整。本发明运用大数据实现对供需平衡的智能分析,注重粮食供需与影响因素之间的关联,为有关部门提供可靠的参考数据,保证粮食供需动态平衡,促进粮食增收增产。
Description
技术领域
本发明涉及粮食供需管理技术领域,具体涉及一种基于大数据的粮食供需智能管理方法、***及介质。
背景技术
目前常用的粮食供需分析方法存在许多不足:仅注重粮食产量的相关性分析,忽略了粮食供需量与影响因素之间的关系,分析不全面,预测精度比较低。
发明内容
针对现有技术中的缺陷,本发明提供一种基于大数据的粮食供需智能管理方法、***及介质。
第一方面,一种基于大数据的粮食供需智能管理方法,包括:
确定时间区间,基于大数据技术从粮食信息库中获取所述时间区间范围内的历史粮食供需量,根据所述历史粮食供需量基于预测模型进行供需预测,并根据预测结果进行供需异常预警;
当出现供需异常预警时,获取粮食供需影响因素,并根据所述历史粮食供需量进行关联分析,以获取高相关影响因素;
根据所述高相关影响因素分析因素异常数值,根据所述因素异常数值判断供需异常节点,基于所述供需异常节点进行供需平衡调整。
进一步地,所述确定时间区间,基于大数据技术从粮食信息库中获取所述时间区间范围内的历史粮食供需量,根据所述历史粮食供需量基于预测模型进行供需预测,并根据预测结果进行供需异常预警,具体为:
确定时间区间,基于大数据技术从粮食信息库中获取所述时间区间范围内的历史粮食供应量和历史粮食需求量;
将所述历史粮食供应量和历史粮食需求量分别输入至预测模型中,得到粮食供应预测量和粮食需求预测量;
获取所述粮食供应预测量与粮食需求预测量之间的供需差量,判断所述供需差量是否在阈值范围区间,若否,则发出供需异常预警。
进一步地,所述当出现供需异常预警时,获取粮食供需影响因素,并根据所述历史粮食供需量进行关联分析,以获取高相关影响因素,具体为:
当出现供需异常预警时,获取所述时间区间范围内的粮食供需影响因素;
根据所述粮食供需影响因素和历史粮食供应量构建供应拟合方程,以建立粮食供需影响因素与粮食供应量之间的第一关系模型;
根据所述粮食供需影响因素和历史粮食需求量构建需求拟合方程,以建立粮食供需影响因素与粮食需求量之间的第二关系模型;
根据所述粮食供需影响因素和历史粮食供需量,分别对所述第一关系模型和第二关系模型进行交叉验证训练,以确定第一关系模型和第二关系模型的最佳模型权重;
根据所述最佳模型权重对粮食供需影响因素进行因素筛选,以剔除不合格的粮食供需影响因素,得到高相关供需影响因素。
进一步地,所述粮食供需影响因素包括但不限于粮食播种面积、单位面积产量、有效灌溉面积、农业机械总动力、粮食销售价格、居民人均收入、口粮消费量、工业用粮消费总量、饲料用粮总量以及种子用粮总量。
进一步地,所述根据所述高相关影响因素分析因素异常数值,根据所述因素异常数值判断供需异常节点,基于所述供需异常节点进行供需平衡调整,具体为:
根据所述高相关影响因素构建第一数据集,计算所述第一数据集中每个数据点的密度值,基于所述密度值进行聚类分析,得到聚类数据簇;
获取所述聚类数据簇中每个数据点至簇心的单个距离和所有数据点至簇心的平均距离,将所述单个距离小于平均距离的数据点放入第二数据集中;
基于所述第二数据集计算标准偏差估计值,并根据所述标准偏差估计值获取因素异常数值;
根据所述因素异常数值定位供需异常节点,所述供需异常节点包括但不限于粮食生产节点、粮食销售节点以及粮食消费节点;
基于所述供需异常节点生成对应的供需平衡方案,以对当前粮食供需状态进行调节,达到供需动态平衡。
第二方面,一种基于大数据的粮食供需智能管理***,包括:
供需预警模块:用于确定时间区间,基于大数据技术从粮食信息库中获取所述时间区间范围内的历史粮食供需量,根据所述历史粮食供需量基于预测模型进行供需预测,并根据预测结果进行供需异常预警;
因素筛选模块:用于当出现供需异常预警时,获取粮食供需影响因素,并根据所述历史粮食供需量进行关联分析,以获取高相关影响因素;
供需调整模块:用于根据所述高相关影响因素分析因素异常数值,根据所述因素异常数值判断供需异常节点,基于所述供需异常节点进行供需平衡调整。
进一步地,所述供需预警模块具体用于:
确定时间区间,基于大数据技术从粮食信息库中获取所述时间区间范围内的历史粮食供应量和历史粮食需求量;
将所述历史粮食供应量和历史粮食需求量分别输入至预测模型中,得到粮食供应预测量和粮食需求预测量;
获取所述粮食供应预测量与粮食需求预测量之间的供需差量,判断所述供需差量是否在阈值范围区间,若否,则发出供需异常预警。
进一步地,所述因素筛选模块具体用于:
当出现供需异常预警时,获取所述时间区间范围内的粮食供需影响因素;
根据所述粮食供需影响因素和历史粮食供应量构建供应拟合方程,以建立粮食供需影响因素与粮食供应量之间的第一关系模型;
根据所述粮食供需影响因素和历史粮食需求量构建需求拟合方程,以建立粮食供需影响因素与粮食需求量之间的第二关系模型;
根据所述粮食供需影响因素和历史粮食供需量,分别对所述第一关系模型和第二关系模型进行交叉验证训练,以确定第一关系模型和第二关系模型的最佳模型权重;
根据所述最佳模型权重对粮食供需影响因素进行因素筛选,以剔除不合格的粮食供需影响因素,得到高相关供需影响因素。
进一步地,所述供需调整模块具体用于:
根据所述高相关影响因素构建第一数据集,计算所述第一数据集中每个数据点的密度值,基于所述密度值进行聚类分析,得到聚类数据簇;
获取所述聚类数据簇中每个数据点至簇心的单个距离和所有数据点至簇心的平均距离,将所述单个距离小于平均距离的数据点放入第二数据集中;
基于所述第二数据集计算标准偏差估计值,并根据所述标准偏差估计值获取因素异常数值;
根据所述因素异常数值定位供需异常节点,所述供需异常节点包括但不限于粮食生产节点、粮食销售节点以及粮食消费节点;
基于所述供需异常节点生成对应的供需平衡方案,以对当前粮食供需状态进行调节,达到供需动态平衡。
第三方面,一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序包括程序指令,所述程序指令当被处理器执行时使所述处理器执行如第一方面所述的方法。
本发明的有益效果体现在:基于历史粮食供需数据进行粮食供需预测,根据预测结果进行供需异常预警,当出现异常预警时,对历史粮食供需量进行影响因素关联分析,以获取高相关供需影响因素,并基于高相关粮食供需影响因素定位供需异常节点,进而基于异常节点进行精准供需平衡调整,运用大数据实现对供需平衡的智能分析,分析过程注重粮食供需与影响因素之间的关联性,结果更加准确真实,能为有关部门进行供需调节提供可靠的参考数据,保证粮食供需动态平衡,进一步促进粮食增收和增产。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍。在所有附图中,类似的元件或部分一般由类似的附图标记标识。附图中,各元件或部分并不一定按照实际的比例绘制。
图1为本发明实施例提供的一种基于大数据的粮食供需智能管理方法的流程图;
图2为本发明实施例提供的一种基于大数据的粮食供需智能管理***的模块框图。
具体实施方式
下面将结合附图对本发明技术方案的实施例进行详细的描述。以下实施例仅用于更加清楚地说明本发明的技术方案,因此只作为示例,而不能以此来限制本发明的保护范围。
需要注意的是,除非另有说明,本申请使用的技术术语或者科学术语应当为本发明所属领域技术人员所理解的通常意义。
如图1所示,一种基于大数据的粮食供需智能管理方法,包括:
S1:确定时间区间,基于大数据技术从粮食信息库中获取所述时间区间范围内的历史粮食供需量,根据所述历史粮食供需量基于预测模型进行供需预测,并根据预测结果进行供需异常预警;
具体地,确定历史时间区间,基于大数据技术从粮食信息库中获取时间区间范围内的历史粮食供应量和历史粮食需求量,所述粮食信息库中存储有历年时间内所有粮食供需相关数据,包括但不限于粮食产量、粮食进出口量、粮食库存量、口粮消费量、工业用粮消费量、饲料用粮总量以及种子用粮总量等。粮食信息库的数据来源包括但不限于物联网设备、线上线下交易记录、机器记录以及传感数据。优选地,所述历史时间区间可根据分析情况设定,在此不作限定,例如可基于大数据技术调用粮食信息库的搜索引擎,获取过去十年内每年的粮食供需量。
将所获取的历史粮食供应量和历史粮食需求量分别输入至预测模型中进行预测,得到粮食供应预测量和粮食需求供应量。优选地,所述预测模型包括但不限于GM(1,1)灰色模型,在此不作限定。获取粮食供应预测量与粮食需求预测量之间的供需差量,判断所述供需差量是否在阈值范围内,若否,说明供需差量过高或过低,不在正常波动范围内,存在供需不平衡,则发出供需异常预警。
S2:当出现供需异常预警时,获取粮食供需影响因素,并根据所述历史粮食供需量进行关联分析,以获取高相关影响因素;
具体地,当出现供需异常预警时,获取时间区间范围内的粮食供需影响因素,所述粮食供需影响因素包括但不限于粮食播种面积、单位面积产量、有效灌溉面积、农业机械总动力、粮食销售价格、居民人均收入、口粮消费量、工业用粮消费总量、饲料用粮总量以及种子用粮总量。
根据粮食供需影响因素和历史粮食供应量构建供应拟合方程,以建立粮食供需影响因素与粮食供应量之间的第一关系模型,同时,根据粮食供需影响因素和历史粮食需求量构建需求拟合方程,以建立粮食供需影响因素与粮食需求量之间的第二关系模型。根据粮食供需影响因素和历史粮食供需量,分别对所述第一关系模型和第二关系模型进行交叉验证训练,以确定第一关系模型和第二关系模型的最佳模型权重,并根据最佳模型权重对粮食供需影响因素进行因素筛选,以剔除不合格的粮食供需影响因素,得到高相关供需影响因素。
为方便理解,本实施例以根据粮食供需影响因素和历史粮食供应量构建拟合方程为例,具体流程为:
根据粮食供需影响因素和历史粮食供应量构建供应拟合方程,以建立粮食供需影响因素与粮食供应量之间的第一关系模型,拟合方程表示为:
y=ax+b
式中,y为粮食供应量,x为粮食供需影响因素,a、b均为系数,由粮食供应量和粮食供需影响因素决定。
根据粮食供需影响因素和粮食供应量得到数据集,对数据集进行数据预处理,所述数据预处理包括但不限于缺失值处理、异常值处理等。
将预处理后的数据集按照合适的比例划分为训练集和测试集,将训练集均等划分为多份训练子集,采用交叉验证方法,对第一关系模型进行多次训练和预测。优选地,在第一次训练时,若选择第一组样本集对第一关系模型进行验证,那么其余剩下的样本则用于模型的训练。当交叉验证结束后,会得到训练集中每个样本数据的预测值,将多个预测值合并,得到新的数据集D1,同时,测试集也会得到多个预测值,将测试集的多个预测值求平均,对应得到多个新的数据集D2。将新的数据集D1和D2再次输入值第一关系模型中进行训练和验证,并得到第一关系模型的最佳权重,将最佳权重代入供应拟合方程中,得到使粮食供应量为0的不合格粮食供需影响因素,将不合格粮食供需影响因素剔除,则得到与粮食供应量相关的高相关供需影响因素。
需要说明的是,根据粮食供需影响因素和历史粮食需求量构建需求拟合方程采用与前述相同的方法,即根据粮食供需影响因素和历史粮食需求量对所构建的第二关系模型进行交叉验证训练,进而得到与粮食需求量相关的高相关供需影响因素,具体过程请参考前述内容,在此不再赘述。最后将与粮食供应量相关的高相关供需影响因素和与粮食需求量相关的高相关供需影响因素进行集合,得到最终的高相关供需影响因素。
S3:根据所述高相关影响因素分析因素异常数值,根据所述因素异常数值判断供需异常节点,基于所述供需异常节点进行供需平衡调整;
具体地,根据所述高相关影响因素构建第一数据集X,设置第一数据集X中数据点xi的领域半径λ,计算第一数据集X中每个数据点xi在给定邻域半径λ内的最近邻集合Gk(xi),k表示xi在邻域范围内最近邻数据点个数。计算第一数据集X中数据点xi的密度值,计算公式为:
式中,xj∈Gk(xi),当xi在邻域范围内的最近邻点xij的密度值小于平均密度值时,则将数据点xij从第一数据集中剔除,得到新的第一数据集X’。从剔除后的第一数据集X’中选取密度值最大的点D(x)为第一个初始聚类中心C1,取距离C1最远的数据点作为第二个聚类中心C2,以此类推,直至选取所需k个初始聚类中心,并代表k个类簇ωd,d∈(1,...,k)。
进一步地,获取新的第一数据集X’中每个数据点至各个聚类中心的距离,并将数据点归入与其距离最小的聚类中心点所代表数据簇ωdi中,对数据簇ωdi中所有数据点计算距离均值,进而得到新的聚类中心点,直至聚类收敛,聚类中心点不再改变,至此聚类过程结束,得到最终的聚类数据簇ωp。
计算聚类数据簇ωp中每个数据点至簇心的单个距离和所有数据点至簇心的平均距离,将单个距离小于平均距离的数据点放入第二数据集中,并计算出第二数据集的标准偏差估计值,计算公式为:
式中,S为标准偏差估计值,p为第二数据集的数据点个数,即第二数据集中高相关影响因素个数,li为第二数据集中数据点至聚类数据簇ωp簇心的单个距离,为第二数据集中所有数据点至聚类数据簇ωp簇心的平均距离。
进一步地,判断所述第二数据集中的数据点至簇心的距离是否满足若是,则判断第i个数据点为异常点,第i个数据点对应的高相关影响因素值即为因素异常数值。
根据因素异常数值定位供需异常节点,实现对粮食供需的智能分析,所述供需异常节点包括但不限于粮食生产节点、粮食销售节点以及粮食消费节点。基于供需异常节点生成对应的供需平衡方案,以对当前供需状态进行调节,达到供需动态平衡。例如,若因素异常数值为工业用粮消费总量过高,则定位至对应的粮食消费节点,并生成对应的工业用粮消费缩减方案,以解决粮食消费节点异常情况,最终达到供需动态平衡。
基于相同的发明构思,本发明实施例提供了一种基于大数据的粮食供需智能管理***,如图2所示,包括:
供需预警模块:用于确定时间区间,基于大数据技术从粮食信息库中获取所述时间区间范围内的历史粮食供需量,根据所述历史粮食供需量基于预测模型进行供需预测,并根据预测结果进行供需异常预警;
因素筛选模块:用于当出现供需异常预警时,获取粮食供需影响因素,并根据所述历史粮食供需量进行关联分析,以获取高相关影响因素;
供需调整模块:用于根据所述高相关影响因素分析因素异常数值,根据所述因素异常数值判断供需异常节点,基于所述供需异常节点进行供需平衡调整。
进一步地,所述供需预警模块具体用于:
确定时间区间,基于大数据技术从粮食信息库中获取所述时间区间范围内的历史粮食供应量和历史粮食需求量;
将所述历史粮食供应量和历史粮食需求量分别输入至预测模型中,得到粮食供应预测量和粮食需求预测量;
获取所述粮食供应预测量与粮食需求预测量之间的供需差量,判断所述供需差量是否在阈值范围区间,若否,则发出供需异常预警。
进一步地,所述因素筛选模块具体用于:
当出现供需异常预警时,获取所述时间区间范围内的粮食供需影响因素;
根据所述粮食供需影响因素和历史粮食供应量构建供应拟合方程,以建立粮食供需影响因素与粮食供应量之间的第一关系模型;
根据所述粮食供需影响因素和历史粮食需求量构建需求拟合方程,以建立粮食供需影响因素与粮食需求量之间的第二关系模型;
根据所述粮食供需影响因素和历史粮食供需量,分别对所述第一关系模型和第二关系模型进行交叉验证训练,以确定第一关系模型和第二关系模型的最佳模型权重;
根据所述最佳模型权重对粮食供需影响因素进行因素筛选,以剔除不合格的粮食供需影响因素,得到高相关供需影响因素。
进一步地,所述供需调整模块具体用于:
根据所述高相关影响因素构建第一数据集,计算所述第一数据集中每个数据点的密度值,基于所述密度值进行聚类分析,得到聚类数据簇;
获取所述聚类数据簇中每个数据点至簇心的单个距离和所有数据点至簇心的平均距离,将所述单个距离小于平均距离的数据点放入第二数据集中;
基于所述第二数据集计算标准偏差估计值,并根据所述标准偏差估计值获取因素异常数值;
根据所述因素异常数值定位供需异常节点,所述供需异常节点包括但不限于粮食生产节点、粮食销售节点以及粮食消费节点;
基于所述供需异常节点生成对应的供需平衡方案,以对当前粮食供需状态进行调节,达到供需动态平衡。
需要说明的是,关于一种基于大数据的粮食供需智能管理***更为具体的工作流程,请参考前述方法实施例部分,在此不在赘述。
本发明基于历史粮食供需数据进行粮食供需预测,根据预测结果进行供需异常预警,当出现异常预警时,对历史粮食供需量进行影响因素关联分析,以获取高相关供需影响因素,并基于高相关粮食供需影响因素定位供需异常节点,进而基于异常节点进行精准供需平衡调整,运用大数据实现对供需平衡的智能分析,分析过程注重粮食供需与影响因素之间的关联性,结果更加准确真实,能为有关部门进行供需调节提供可靠的参考数据,保证粮食供需动态平衡,进一步促进粮食增收和增产。
进一步地,本发明实施例还提供了一种可读存储介质,存储有计算机程序,所述计算机程序包括程序指令,所述程序指令被处理器执行时实现:上述基于大数据的粮食供需智能管理方法。
所述计算机可读存储介质可以是前述实施例所述的后台服务器的内部存储单元,例如***的硬盘或内存。所述计算机可读存储介质也可以是所述***的外部存储设备,例如所述***上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(SecureDigital,SD)卡,闪存卡(Flash Card)等。进一步地,所述计算机可读存储介质还可以既包括所述***的内部存储单元也包括外部存储设备。所述计算机可读存储介质用于存储所述计算机程序以及所述***所需的其他程序和数据。所述计算机可读存储介质还可以用于暂时地存储已经输出或者将要输出的数据。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分,或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明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。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (6)
1.一种基于大数据的粮食供需智能管理方法,其特征在于,包括:
确定时间区间,基于大数据技术从粮食信息库中获取所述时间区间范围内的历史粮食供需量,根据所述历史粮食供需量基于预测模型进行供需预测,并根据预测结果进行供需异常预警;
当出现供需异常预警时,获取粮食供需影响因素,并根据所述历史粮食供需量进行关联分析,以获取高相关影响因素;
根据所述高相关影响因素分析因素异常数值,根据所述因素异常数值判断供需异常节点,基于所述供需异常节点进行供需平衡调整;
所述确定时间区间,基于大数据技术从粮食信息库中获取所述时间区间范围内的历史粮食供需量,根据所述历史粮食供需量基于预测模型进行供需预测,并根据预测结果进行供需异常预警,具体为:
确定时间区间,基于大数据技术从粮食信息库中获取所述时间区间范围内的历史粮食供应量和历史粮食需求量;
将所述历史粮食供应量和历史粮食需求量分别输入至预测模型中,得到粮食供应预测量和粮食需求预测量;
获取所述粮食供应预测量与粮食需求预测量之间的供需差量,判断所述供需差量是否在阈值范围区间,若否,则发出供需异常预警;
所述当出现供需异常预警时,获取粮食供需影响因素,并根据所述历史粮食供需量进行关联分析,以获取高相关影响因素,具体为:
当出现供需异常预警时,获取所述时间区间范围内的粮食供需影响因素;
根据所述粮食供需影响因素和历史粮食供应量构建供应拟合方程,以建立粮食供需影响因素与粮食供应量之间的第一关系模型,拟合方程表示为:
y=ax+b
式中,y为粮食供应量,x为粮食供需影响因素,a、b均为系数,由粮食供应量和粮食供需影响因素决定;
根据所述粮食供需影响因素和历史粮食需求量构建需求拟合方程,以建立粮食供需影响因素与粮食需求量之间的第二关系模型;
根据所述粮食供需影响因素和历史粮食供需量,分别对所述第一关系模型和第二关系模型进行交叉验证训练,以确定第一关系模型和第二关系模型的最佳模型权重;
根据所述最佳模型权重对粮食供需影响因素进行因素筛选,以剔除不合格的粮食供需影响因素,得到高相关供需影响因素。
2.根据权利要求1所述的一种基于大数据的粮食供需智能管理方法,其特征在于,所述粮食供需影响因素包括但不限于粮食播种面积、单位面积产量、有效灌溉面积、农业机械总动力、粮食销售价格、居民人均收入、口粮消费量、工业用粮消费总量、饲料用粮总量以及种子用粮总量。
3.根据权利要求1所述的一种基于大数据的粮食供需智能管理方法,其特征在于,所述根据所述高相关影响因素分析因素异常数值,根据所述因素异常数值判断供需异常节点,基于所述供需异常节点进行供需平衡调整,具体为:
根据所述高相关影响因素构建第一数据集,计算所述第一数据集中每个数据点的密度值,基于所述密度值进行聚类分析,得到聚类数据簇;
获取所述聚类数据簇中每个数据点至簇心的单个距离和所有数据点至簇心的平均距离,将所述单个距离小于平均距离的数据点放入第二数据集中;
基于所述第二数据集计算标准偏差估计值,并根据所述标准偏差估计值获取因素异常数值;
根据所述因素异常数值定位供需异常节点,所述供需异常节点包括但不限于粮食生产节点、粮食销售节点以及粮食消费节点;
基于所述供需异常节点生成对应的供需平衡方案,以对当前粮食供需状态进行调节,达到供需动态平衡。
4.一种基于大数据的粮食供需智能管理***,其特征在于,包括:
供需预警模块:用于确定时间区间,基于大数据技术从粮食信息库中获取所述时间区间范围内的历史粮食供需量,根据所述历史粮食供需量基于预测模型进行供需预测,并根据预测结果进行供需异常预警;
因素筛选模块:用于当出现供需异常预警时,获取粮食供需影响因素,并根据所述历史粮食供需量进行关联分析,以获取高相关影响因素;
供需调整模块:用于根据所述高相关影响因素分析因素异常数值,根据所述因素异常数值判断供需异常节点,基于所述供需异常节点进行供需平衡调整;
所述供需预警模块具体用于:
确定时间区间,基于大数据技术从粮食信息库中获取所述时间区间范围内的历史粮食供应量和历史粮食需求量;
将所述历史粮食供应量和历史粮食需求量分别输入至预测模型中,得到粮食供应预测量和粮食需求预测量;
获取所述粮食供应预测量与粮食需求预测量之间的供需差量,判断所述供需差量是否在阈值范围区间,若否,则发出供需异常预警;
所述因素筛选模块具体用于:
当出现供需异常预警时,获取所述时间区间范围内的粮食供需影响因素;
根据所述粮食供需影响因素和历史粮食供应量构建供应拟合方程,以建立粮食供需影响因素与粮食供应量之间的第一关系模型;
根据所述粮食供需影响因素和历史粮食需求量构建需求拟合方程,以建立粮食供需影响因素与粮食需求量之间的第二关系模型;
根据所述粮食供需影响因素和历史粮食供需量,分别对所述第一关系模型和第二关系模型进行交叉验证训练,以确定第一关系模型和第二关系模型的最佳模型权重;
根据所述最佳模型权重对粮食供需影响因素进行因素筛选,以剔除不合格的粮食供需影响因素,得到高相关供需影响因素。
5.根据权利要求4所述的一种基于大数据的粮食供需智能管理***,其特征在于,所述供需调整模块具体用于:
根据所述高相关影响因素构建第一数据集,计算所述第一数据集中每个数据点的密度值,基于所述密度值进行聚类分析,得到聚类数据簇;
获取所述聚类数据簇中每个数据点至簇心的单个距离和所有数据点至簇心的平均距离,将所述单个距离小于平均距离的数据点放入第二数据集中;
基于所述第二数据集计算标准偏差估计值,并根据所述标准偏差估计值获取因素异常数值;
根据所述因素异常数值定位供需异常节点,所述供需异常节点包括但不限于粮食生产节点、粮食销售节点以及粮食消费节点;
基于所述供需异常节点生成对应的供需平衡方案,以对当前粮食供需状态进行调节,达到供需动态平衡。
6.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机程序,所述计算机程序包括程序指令,所述程序指令当被处理器执行时使所述处理器执行如权利要求1-3任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310657069.0A CN116894588B (zh) | 2023-06-05 | 2023-06-05 | 一种基于大数据的粮食供需智能管理方法、***及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310657069.0A CN116894588B (zh) | 2023-06-05 | 2023-06-05 | 一种基于大数据的粮食供需智能管理方法、***及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116894588A CN116894588A (zh) | 2023-10-17 |
CN116894588B true CN116894588B (zh) | 2024-06-18 |
Family
ID=88309548
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310657069.0A Active CN116894588B (zh) | 2023-06-05 | 2023-06-05 | 一种基于大数据的粮食供需智能管理方法、***及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116894588B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113807570A (zh) * | 2021-08-12 | 2021-12-17 | 水利部南京水利水文自动化研究所 | 基于XGBoost的水库大坝风险等级评估方法及*** |
CN116012044A (zh) * | 2023-01-17 | 2023-04-25 | 中国科学院地理科学与资源研究所 | 一种多尺度粮食安全供需预警的方法、装置及存储介质 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108375808A (zh) * | 2018-03-12 | 2018-08-07 | 南京恩瑞特实业有限公司 | Nriet基于机器学习的大雾预报方法 |
CN114529318A (zh) * | 2020-11-19 | 2022-05-24 | 华中科技大学 | 大数据环境下在线零售商的需求模型构建及需求预测方法 |
CN112884404B (zh) * | 2021-02-08 | 2023-09-05 | 中国科学技术大学 | 一种智能供应链库存中转优化及异动预警*** |
-
2023
- 2023-06-05 CN CN202310657069.0A patent/CN116894588B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113807570A (zh) * | 2021-08-12 | 2021-12-17 | 水利部南京水利水文自动化研究所 | 基于XGBoost的水库大坝风险等级评估方法及*** |
CN116012044A (zh) * | 2023-01-17 | 2023-04-25 | 中国科学院地理科学与资源研究所 | 一种多尺度粮食安全供需预警的方法、装置及存储介质 |
Non-Patent Citations (2)
Title |
---|
改进Kmeans算法的海洋数据异常检测;蒋华 等;《计算机工程与设计》;20181016;第2-3节 * |
粮食产量影响因素分析;史卫亚;胡君林;;福建电脑;20161031(10);第三节 * |
Also Published As
Publication number | Publication date |
---|---|
CN116894588A (zh) | 2023-10-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108564286B (zh) | 一种基于大数据征信的人工智能金融风控授信评定方法和*** | |
US8069101B1 (en) | Financial methodology to valuate and predict the news impact of major events on financial instruments | |
CA2485263A1 (en) | Electronic data processing system and method of using an electronic data processing system for automatically determining a risk indicator value | |
CN112053233B (zh) | 基于gra的动态中小企业信用评分方法及*** | |
US20210397956A1 (en) | Activity level measurement using deep learning and machine learning | |
CN112565422B (zh) | 一种对电力物联网故障数据的识别方法、***和存储介质 | |
CN116523262A (zh) | 基于大数据的生产计划智能规划方法、***和介质 | |
CN117670066A (zh) | 基于智能决策的司库管理方法、***、设备及存储介质 | |
CN116894588B (zh) | 一种基于大数据的粮食供需智能管理方法、***及介质 | |
CN115907837B (zh) | 基于机器学习的期货数据分析、风险预测方法及*** | |
CN116293454A (zh) | 一种基于蒸汽管网动态平衡的管理***、方法及介质 | |
CN112348220A (zh) | 一种基于企业行为模式的信用风险评估预测方法及*** | |
CN115797047A (zh) | 智能化客户经营风险评估方法及*** | |
CN113657945A (zh) | 用户价值预测方法、装置、电子设备和计算机存储介质 | |
CN114092216A (zh) | 企业信贷评级方法、装置、计算机设备和存储介质 | |
Chen | Optimum process mean setting based on variable sampling plan with producer’s and consumer’s risks | |
CN114418776A (zh) | 一种数据处理方法、装置、终端设备及介质 | |
CN113034284A (zh) | 基于算法,大数据和区块链的股票走势分析及预警*** | |
CN118071513B (zh) | 一种基于人工智能驱动的个性化银行资产管理方法及*** | |
CN117934061A (zh) | 用户复购行为的预测方法、装置、电子设备及存储介质 | |
CN113379282A (zh) | 一种基于电力的经济景气状态分析方法、***及存储介质 | |
CN117762908A (zh) | 数据质量分析方法和***、数据处理方法和***及介质 | |
CN115438822A (zh) | 气田产量的预测方法、装置和计算机设备 | |
CN117391500A (zh) | 线性模型与机器学习模型融合的信用评价方法及*** | |
Andrusyak et al. | Daily Prediction of Foreign Exchange Rates Based on the Stock Marke |
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 |