CN117787510B - 基于时序预测分析的农药残留监测过程的优化方法 - Google Patents
基于时序预测分析的农药残留监测过程的优化方法 Download PDFInfo
- Publication number
- CN117787510B CN117787510B CN202410217476.4A CN202410217476A CN117787510B CN 117787510 B CN117787510 B CN 117787510B CN 202410217476 A CN202410217476 A CN 202410217476A CN 117787510 B CN117787510 B CN 117787510B
- Authority
- CN
- China
- Prior art keywords
- pesticide residue
- residue data
- current
- historical
- data
- 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
- 239000000447 pesticide residue Substances 0.000 title claims abstract description 777
- 238000012544 monitoring process Methods 0.000 title claims abstract description 208
- 238000000034 method Methods 0.000 title claims abstract description 75
- 238000005457 optimization Methods 0.000 title claims abstract description 11
- 238000012216 screening Methods 0.000 claims description 62
- 230000007704 transition Effects 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000003064 k means clustering Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 230000035800 maturation Effects 0.000 claims description 2
- 230000008569 process Effects 0.000 abstract description 39
- 238000012545 processing Methods 0.000 abstract description 5
- 230000005540 biological transmission Effects 0.000 description 11
- 241000208822 Lactuca Species 0.000 description 8
- 235000003228 Lactuca sativa Nutrition 0.000 description 8
- 239000002689 soil Substances 0.000 description 4
- 235000014121 butter Nutrition 0.000 description 2
- 238000013144 data compression Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 244000241235 Citrullus lanatus Species 0.000 description 1
- 235000012828 Citrullus lanatus var citroides Nutrition 0.000 description 1
- 244000141359 Malus pumila Species 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 235000021016 apples Nutrition 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013467 fragmentation Methods 0.000 description 1
- 238000006062 fragmentation reaction Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 239000000575 pesticide Substances 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及电数字数据处理技术领域,具体涉及一种基于时序预测分析的农药残留监测过程的优化方法。方法包括:获取各历史农药残留数据、当前监测时刻对应的各当前农药残留数据、各实际农药残留数据和各实际农药残留数据的标记值;根据历史农药残留数据、当前农药残留数据和实际农药残留数据,得到各当前农药残留数据和各实际农药残留数据的农药残留状态;根据各实际农药残留数据的农药残留状态,得到各当前农药残留数据的预测农药残留状态;根据各当前农药残留数据的农药残留状态、预测农药残留状态以及标记值相同的所有实际农药残留数据,得到当前目标农药残留数据。本发明能够降低农产品安全追溯***后续运行过程中的网络消耗。
Description
技术领域
本发明涉及电数字数据处理技术领域,具体涉及一种基于时序预测分析的农药残留监测过程的优化方法。
背景技术
由于农产品中的农药残留会危害人体健康,且传统农业存在的信息不透明、数据碎片化等问题,使得消费者难以判断农产品的农药残留情况或者难以判断农产品在生长过程中的农药残留问题,所以为了确保农产品的可靠性和安全性,消除消费者对农产品安全的担忧,对农产品进行安全追溯至关重要。
一般情况下是基于物联网来实现对农产品农药残留的安全追溯,而且基于物联网对农产品农药残留进行安全追溯的过程中,其是通过具有物联网功能的传感器来采集农产品在生长过程中的农药残留数据,并将传感器采集到的数据上传至农产品安全追溯***中的农药残留数据传送子***中,其中农药残留数据传送子***会对上传的数据进行处理,如基于农药残留数据传送子***中的滤波处理单元对数据进行筛选,而且现有技术进行数据筛选的过程是基于LMS预测来实现的,且基于LMS进行数据筛选时,仅仅考虑了单个传感器采样过程中的数据信息,即仅仅基于单个传感器采集的数据信息来实现对其采集的数据的筛选,但是通常情况为了全方位的对农产品农药残留进行安全追溯,即为了全方位的对农产品生长过程中的农药残留情况进行监测,会布置多个传感器采集农产品在生长过程中的农药残留数据,因此通常情况下在任一时刻会采集得到多个数据,而这些传感器采集的数据均能反映农产品在生长过程中的农药残留情况,所以在基于LMS进行数据筛选后,还是存在一个时刻对应多个农药残留数据的现象,而这种现象会使得农产品安全追溯***后续的运行过程中的网络消耗较大,因此对数据筛选过程进行优化使得优化的数据筛选能够降低农产品安全追溯***后续运行过程中的网络消耗是需要解决的问题。
发明内容
为了解决上述问题,本发明提供一种基于时序预测分析的农药残留监测过程的优化方法,所采用的技术方案具体如下:
本发明一个实施例提供了一种基于时序预测分析的农药残留监测过程的优化方法,包括以下步骤:
获取预设农产品种植区域对应的历史生长时间段中的各历史生长时刻对应的各历史农药残留数据、预设农产品种植区域对应的当前监测时刻对应的各当前农药残留数据、当前监测时刻对应的历史监测时间段中的各历史监测时刻对应的各实际农药残留数据以及各历史监测时刻对应的各实际农药残留数据的标记值;
根据所述各历史生长时刻对应的各历史农药残留数据,得到各聚类簇的簇类中心点对应的农药残留状态;
根据所述当前农药残留数据、所述实际农药残留数据以及所述各聚类簇的簇类中心点对应的农药残留状态,得到所述当前监测时刻对应的各当前农药残留数据对应的农药残留状态和各历史监测时刻对应的各实际农药残留数据对应的农药残留状态;
根据所述各历史监测时刻对应的各实际农药残留数据对应的农药残留状态,得到所述当前监测时刻对应的各当前农药残留数据对应的预测农药残留状态;
根据所述各当前农药残留数据对应的农药残留状态以及所述预测农药残留状态,得到所述当前监测时刻对应的各当前农药残留数据对应的第一筛选因子;
根据标记值相同的所有实际农药残留数据,得到所述当前监测时刻对应的各当前农药残留数据对应的第二筛选因子;
根据所述当前监测时刻对应的各当前农药残留数据对应的第一筛选因子以及所述各当前农药残留数据对应的第二筛选因子,得到所述当前监测时刻对应的当前目标农药残留数据。
优选地,获取预设农产品种植区域对应的历史生长时间段中的任一历史生长时刻对应的各历史农药残留数据的方法,包括:
获取在预设农产品种植区域中进行农产品种植时所有具有完整生长周期的历史时间段,并将获取的所有具有完整生长周期的历史时间段按照时间的先后顺序排列后得到的时间段,记为预设农产品种植区域对应的历史生长时间段;所述具有完整生长周期的历史时间段是指预设农产品种植区域中的农产品从开始种植到成熟对应的时间段;
获取预设农产品种植区域中的所有传感器;
对于预设农产品种植区域对应的历史生长时间段中的任一历史生长时刻,将预设农产品种植区域中的所有传感器采集的农药残留数据,均记为预设农产品种植区域对应的历史生长时间段中的该历史生长时刻对应的历史农药残留数据。
优选地,获取预设农产品种植区域对应的当前监测时刻对应的各当前农药残留数据和当前监测时刻对应的历史监测时间段中的各历史监测时刻对应的各实际农药残留数据方法,包括:
对于预设农产品种植区域对应的当前监测时刻,将预设农产品种植区域中的所有传感器采集的农药残留数据,均记为预设农产品种植区域对应的当前监测时刻对应的当前农药残留数据;
对于预设农产品种植区域对应的当前监测时刻对应的历史监测时间段中的任一历史监测时刻,将预设农产品种植区域中的所有传感器采集的农药残留数据,均记为预设农产品种植区域对应的当前监测时刻对应的历史监测时间段中的该历史监测时刻对应的实际农药残留数据;所述当前监测时刻对应的监测时间段是指当前监测时刻的预设农产品种植区域中所种植的农产品从开始种植到当前监测时刻构成的时间段。
优选地,获取各历史监测时刻对应的各实际农药残留数据的标记值的方法,包括:
对所述预设农产品种植区域中的所有传感器进行标记,得到预设农产品种植区域中的每个传感器的标记值;
对于预设农产品种植区域中的任一传感器:
将该传感器的标记值作为在历史生长时间段中该传感器采集的所有历史农药残留数据的标记值;
将该传感器的标记值作为在当前监测时刻该传感器采集的当前农药残留数据的标记值;
将该传感器的标记值作为在当前监测时刻对应的历史监测时间段中该传感器采集的实际农药残留数据的标记值。
优选地,得到各聚类簇的簇类中心点对应的农药残留状态的方法,包括:
构构建M维数据空间,M为正整数;
将所述各历史生长时刻对应的各历史农药残留数据映射到构建的M维数据空间中,得到各历史生长时刻对应的数据点;
利用K-means聚类算法对M维数据空间中的所有数据点进行聚类,得到各聚类簇和各聚类簇的簇类中心点,并将得到的第b个聚类簇对应的簇类中心点对应的农药残留状态记为第b农药残留状态,b为正整数。
优选地,得到所述当前监测时刻对应的各当前农药残留数据对应的农药残留状态和各历史监测时刻对应的各实际农药残留数据对应的农药残留状态的方法,包括:
对于预设农产品种植区域对应的当前监测时刻对应的任一当前农药残留数据:将所述各聚类簇的簇类中心点对应的所有历史农药残留数据中与该当前农药残留数据对应的标记值相同的所有历史农药残留数据,均记为第一历史农药残留数据;将计算得到的该当前农药残留数据与所有第一历史农药残留数据之间差值的绝对值,记为该当前农药残留数据与对应第一历史农药残留数据之间的第一差异值;将最小第一差异值对应的第一历史农药残留数据对应的簇类中心点的农药残留状态记为该当前农药残留数据对应的农药残留状态;
对于所述历史监测时间段中的任一历史监测时刻对应的任一实际农药残留数据:获取各聚类簇的簇类中心点对应的所有历史农药残留数据中与该实际农药残留数据的标记值相同的所有历史农药残留数据,并均记为第二历史农药残留数据;将计算得到的该实际农药残留数据与所有第二历史农药残留数据之间差值的绝对值,记为该实际农药残留数据与对应第二历史农药残留数据之间的第二差异值;将最小第二差异值对应的第二历史农药残留数据对应的簇类中心点的农药残留状态记为该实际农药残留数据对应的农药残留状态。
优选地,得到所述当前监测时刻对应的各当前农药残留数据对应的预测农药残留状态的方法,包括:
对于所述当前监测时刻对应的任一当前农药残留数据:
将获取的所有实际农药残留数据中与该当前农药残留数据的标记值相同的实际农药残留数据,均记为该当前农药残留数据对应的历史实际农药残留数据;
按照时间的先后顺序,对该当前农药残留数据对应的所有历史实际农药残留数据进行排序,得到该当前农药残留数据对应的历史实际农药残留数据序列;
根据所述历史实际农药残留数据序列中的所有历史实际农药残留数据以及所述历史实际农药残留数据序列中的所有历史实际农药残留数据对应的农药残留状态,建立隐马尔可夫预测模型,并得到状态转移矩阵;将状态转移矩阵中最大概率对应的农药残留状态记为该当前农药残留数据的预测农药残留状态。
优选地,得到所述当前监测时刻对应的各当前农药残留数据对应的第一筛选因子的方法,包括:
对于所述当前监测时刻对应的任一当前农药残留数据:
将计算得到的该当前农药残留数据对应的农药残留状态对应的簇类中心点与其对应的预测农药残留状态对应的簇类中心点之间的差值的绝对值的归一化值,记为该当前农药残留数据对应的状态差异值;
将常数1与该当前农药残留数据对应的状态差异值的差值,记为该当前农药残留数据对应的第一筛选因子。
优选地,得到所述当前监测时刻对应的各当前农药残留数据对应的第二筛选因子的方法,包括:
对于所述当前监测时刻对应的任一当前农药残留数据:
将该当前农药残留数据对应的历史实际农药残留数据序列和该当前农药残留数据按照时间顺序构建的新序列,记为该当前农药残留数据对应的特征农药残留数据序列,并将该当前农药残留数据对应的农药残留数据序列中的所有数据均记为特征农药残留数据;
将所述特征农药残留数据序列中最后面的预设数量个特征农药残留数据,均记为该当前农药残留数据对应的第一特征农药残留数据;
对于该当前农药残留数据对应的任一第一特征农药残留数据:在该当前农药残留数据对应的特征农药残留数据序列中,将从该第一特征农药残留数据开始往前连续获取的预设数量个特征农药残留数据构建的序列,记为该第一特征农药残留数据对应的特征农药残留数据子序列;将该第一特征农药残留数据对应的特征农药残留数据子序列中所有相邻的两个特征农药残留数据对应的农药残留状态对应的簇类中心点之间的欧式距离的均值,记为该第一特征农药残留数据对应的特征农药残留数据子序列的目标差异值;
将该当前农药残留数据对应的所有第一特征农药残留数据按照时间先后顺序构建的序列,记为该当前农药残留数据对应的第一特征农药残留数据序列;
将所述第一特征农药残留数据中所有相邻的两个第一特征农药残留数据对应的农药残留状态对应的簇类中心点之间的欧式距离的均值,记为该当前农药残留数据对应的第一特征农药残留数据序列的目标差异值;
将该当前农药残留数据对应的所有第一特征农药残留数据对应的特征农药残留数据子序列的目标差异值的均值,记为该当前农药残留数据对应的目标差异均值;
将所述第一特征农药残留数据序列的目标差异值与其对应的目标差异均值之间差值的绝对值,记为该当前农药残留数据对应的目标距离值;
将所述第一特征农药残留数据中所有相邻的两个第一特征农药残留数据对应的农药残留状态对应的簇类中心点之间的欧式距离的方差,记为该当前农药残留数据对应的状态方差;
将所述目标距离值与所述状态方差进行相乘之后再进行归一化后的值,记为该当前农药残留数据对应的第二筛选因子。
优选地,得到所述当前监测时刻对应的当前目标农药残留数据的方法,包括:
对于当前监测时刻对应的任一当前农药残留数据:
将该当前农药残留数据对应的第一筛选因子与其对应的第二筛选因子的乘积,记为该当前农药残留数据对应的目标筛选因子;将最大目标筛选因子对应的当前农药残留数据记为当前监测时刻对应的当前目标农药残留数据。
有益效果:本发明首先获取历史生长时间段中的各历史生长时刻对应的各历史农药残留数据、当前监测时刻对应的各当前农药残留数据、当前监测时刻对应的历史监测时间段中的各历史监测时刻对应的各实际农药残留数据以及各实际农药残留数据的标记值;然后通过历史农药残留数据,得到各聚类簇的簇类中心点对应的农药残留状态,并根据当前农药残留数据、实际农药残留数据以及各聚类簇的簇类中心点对应的农药残留状态,得到各当前农药残留数据对应的农药残留状态和各实际农药残留数据对应的农药残留状态;之后依据各实际农药残留数据对应的农药残留状态,得到各当前农药残留数据对应的预测农药残留状态,后续根据各当前农药残留数据对应的农药残留状态以及预测农药残留状态,得到各当前农药残留数据对应的第一筛选因子;紧接着基于标记值相同的所有实际农药残留数据,得到各当前农药残留数据对应的第二筛选因子;最后通过各当前农药残留数据对应的第一筛选因子以及第二筛选因子,得到当前监测时刻对应的当前目标农药残留数据,后续仅仅将当前监测时刻对应的当前目标农药残留数据进行上传。本发明能够使得消费者或者用户不仅能够在农产品安全追溯***中能够准确的查询农产品生长过程中的农药残留数据,还能降低后续数据传输过程中的数据量,即降低***运行过程中的网络消耗。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它附图。
图1为本发明一种基于时序预测分析的农药残留监测过程的优化方法的流程图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整的描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例,基于本发明实施例,本领域普通技术人员所获得的所有其它实施例,都属于本发明实施例保护的范围。
除非另有定义,本文所使用的所有的技术和科学技术术语与属于本发明的技术人员通常理解的含义相同。
本实施例提供了一种基于时序预测分析的农药残留监测过程的优化方法,详细说明如下:
如图1所示,该基于时序预测分析的农药残留监测过程的优化方法,包括以下步骤:
步骤S001,获取预设农产品种植区域对应的历史生长时间段中的各历史生长时刻对应的各历史农药残留数据、预设农产品种植区域对应的当前监测时刻对应的各当前农药残留数据、当前监测时刻对应的历史监测时间段中的各历史监测时刻对应的各实际农药残留数据以及各历史监测时刻对应的各实际农药残留数据的标记值。
本实施例的目的是对传感器监测采集得到的农产品生长过程中的农药残留量进行筛选过程的优化,使得消费者或者用户不仅能够在农产品安全追溯***中能够准确的查询农产品生长过程中的农药残留数据,还能降低后续数据传输过程中的数据量,即降低***运行过程中的网络消耗。
由于农产品的类型较多,例如包括苹果、西瓜、生菜等,为了便于后续的分析,本实施例接下来将以一种类型的农产品进行分析,例如本实施例后续将以生菜为例进行分析,而又由于生菜的品种也较多、例如包括奶油生菜、红叶生菜等,而不同品种的生菜的生长特性、所喷洒的农药量、生长周期等不同,所以为了后续分析的可靠性以及准确性,本实施例后续将以任一种品种的生菜进行分析,例如本实施例中后续出现的农产品均是指奶油生菜。
本实施例设置预设农产品种植区域,且所设置的预设农产品种植区域能够一批次种植多株农产品,即预设农产品种植区域中一批次能够种植的农产品的数量与预设农产品种植区域的大小相关;而具体应用中,需要根据实际情况设置预设农产品种植区域,例如本实施例中的预设农产品种植区域可以是指某一个大棚,且预设农产品种植区域的大小或者位置等需要根据实际情况设置。
由于一般情况下为了全方位的对预设农产品种植区域中农产品生长过程中的农药残留进行监测,会在预设农产品种植区域中布置多个传感器进行数据采集;且由于预设农产品种植区域中的农产品表面农药残留、土壤农药残留或者大气农药残留都可以反映对应农产品在生长过程中的农药残留问题,又因为采集农产品表面农药残留、土壤农药残留或者大气农药残留的传感器类型存在差异,所以为了后续分析的准确性,接下来本实施例将以土壤农药残留为例进行分析,即本实施例设置预设农产品种植区域中的所有传感器类型相同,且均是为了采集土壤农药残留数据,例如本实施例设置的预设农产品种植区域中的所有传感器均是生物传感器,并且预设农产品种植区域中所有传感器的采集频率相同。
具体应用中,需要根据实际情况对预设农产品种植区域中传感器的位置以及传感器的采集频率进行设置,例如可以在预设农产品种植区域中每间隔0.1米布置一个传感器,可设置预设农产品种植区域中每个传感器的采集频率均是1秒,那么每间隔1秒一个传感器会采集一次数据,则每间隔1秒采集得到的数据的数量与预设农产品种植区域中传感器的数量相同。
因此基于上述预设农产品种植区域中传感器的分布情况能够确定预设农产品种植区域中传感器的数量,然后对预设农产品种植区域中的传感器进行标记,得到预设农产品种植区域中的每个传感器的标记值,且每个传感器的标记值不同,例如本实施例可以按照从上到下从左到右的顺序依次对预设农产品种植区域中的传感器进行标记,即按照从上到下从左到右的顺序确定的第a个传感器的标记值为a,a为正整数。
然后获取在预设农产品种植区域中进行农产品种植时所有具有完整生长周期的历史时间段,所述具有完整生长周期的历史时间段是指预设农产品种植区域中的农产品从开始种植到成熟对应的时间段,并将获取的所有具有完整生长周期的历史时间段按照时间的先后顺序排列后得到的时间段,记为预设农产品种植区域对应的历史生长时间段。
对于预设农产品种植区域中的任一传感器:将该传感器采集历史生长时间段中的所有历史农药残留数据的时刻记为历史生长时刻,所述历史生长时刻位于完整历史生长时间段中,因此得到了该传感器所采集的历史生长时间段中的各历史生长时刻对应的农药残留数据,并将该传感器所采集的历史生长时间段中的各历史生长时刻对应的农药残留数据记为历史农药残留数据,将该传感器对应的标记值作为该传感器采集的历史生长时间段中的所有历史农药残留数据的标记值,即同一传感器所采集的历史农药残留数据的标记值相同。
由于预设农产品种植区域中的所有传感器的采集频率相同,因此一个历史生长时刻采集得到的数据的数量与预设农产品种植区域中的传感器的数量相同,所以根据预设农产品种植区域中的所有传感器所采集的历史生长时间段中的各历史生长时刻对应的历史农药残留数据,得到预设农产品种植区域对应的历史生长时间段中的各历史生长时刻对应的各历史农药残留数据,即任一历史生长时刻对应的所有历史农药残留数据是由预设农产品种植区域中的所有传感器在该历史生长时刻所采集的历史农药残留数据的组成。
因此得到了预设农产品种植区域对应的历史生长时间段中的各历史生长时刻对应的各历史农药残留数据以及各历史生长时刻对应的各历史农药残留数据的标记值。
然后获取预设农产品种植区域对应的当前监测时刻对应的监测时间段,本实施例中的当前监测时刻对应的监测时间段是指当前监测时刻的预设农产品种植区域中所种植的农产品从开始种植到当前监测时刻构成的时间段,且当前监测时刻对应的监测时间段中不包括当前监测时刻。
由于本实施例是对预设农产品种植区域中的农产品的农药残留情况进行实时的监测,因此对于预设农产品种植区域中的任一传感器:将该传感器采集当前监测时刻对应的监测时间段中的所有农药残留数据的时刻记为历史监测时刻,所述历史监测时刻位于当前监测时刻对应的监测时间段中;因此能够得到该传感器所采集的当前监测时刻对应的监测时间段中的各历史监测时刻对应的农药残留数据以及该传感器所采集的当前监测时刻对应的农药残留数据,并将当前监测时刻对应的农药残留数据记为当前农药残留数据,将当前监测时刻对应的监测时间段中的各历史监测时刻对应的农药残留数据记为实际农药残留数据;然后将该传感器对应的标记值作为该传感器所采集的当前监测时刻对应的监测时间段中的各历史监测时刻对应的历史目标农药残留数据的标记值,以及将该传感器对应的标记值也作为该传感器所采集的当前监测时刻对应的当前农药残留数据的标记值,同一传感器所采集的农药残留数据的标记值相同。
同理,基于预设农产品种植区域中的所有传感器所采集的当前监测时刻对应的当前农药残留数据以及所有传感器所采集的当前监测时刻对应的历史监测时间段中的历史监测时刻对应的实际农药残留数据,能够得到预设目标农产品种植区域对应的当前监测时刻对应的各当前农药残留数据和预设目标农产品种植区域对应的当前监测时刻对应的历史监测时间段中的各历史监测时刻对应的各实际农药残留数据,即预设目标农产品种植区域对应的当前监测时刻对应的所有当前农药残留数据是由预设农产品种植区域中的所有传感器在当前监测时刻所采集的当前农药残留数据构成,预设目标农产品种植区域对应的当前监测时刻对应的历史监测时间段中的任一历史监测时刻对应的所有实际农药残留数据是由预设农产品种植区域中的所有传感器在该历史监测时刻所采集的实际农药残留数据构成。
因此得到了预设农产品种植区域对应的当前监测时刻对应的各当前农药残留数据、当前监测时刻对应的各当前农药残留数据的标记值、当前监测时刻对应的历史监测时间段中的各历史监测时刻对应的各实际农药残留数据以及各历史监测时刻对应的各实际农药残留数据的标记值。
步骤S002,根据所述各历史生长时刻对应的各历史农药残留数据,得到各聚类簇的簇类中心点对应的农药残留状态。
本实施例接下来将基于各历史生长时刻对应的各历史农药残留数据,得到各聚类簇的簇类中心点对应的农药残留状态;后续将基于各聚类簇的簇类中心点对应的农药残留状态来确定实际农药残留数据以及当前农药残留数据对应的农药残留状态;因此本实施例得到各聚类簇的簇类中心点对应的农药残留状态的具体过程为:
首先构建M维数据空间,且M为预设农产品种植区域中的传感器的数量,即预设农产品种植区域中的一个传感器采集的数据对应一个维度,例如预设农产品种植区域中的传感器的数量为3,若这3个传感器采集的数据分别记为第一数据、第二数据、第三数据,那么构建的数据空间是三维的,且构建的数据空间是由第一数据维度、第二数据维度和第三数据维度构成的。
然后将获取的历史生长时间段中的各历史生长时刻对应的各历史农药残留数据映射到构建的M维数据空间中,并得到各历史生长时刻对应的数据点,且对于任一历史生长时刻,该历史生长时刻对应的各历史农药残留数据映射到M维数据空间后得到的数据点是由该历史生长时刻对应的所有历史农药残留数据组成,例如任一历史生长时刻对应的各历史农药残留数据分别为a1、a2、a3,则该历史生长时刻对应的数据点为(a1,a2,a3),即任一数据点对应的历史农药残留数据为所映射到M维数据空间中构成该数据点的所有历史农药残留数据;紧接着利用K-means聚类算法对M维数据空间中的所有数据点进行聚类,得到各聚类簇和各聚类簇的簇类中心点,并将得到的第b个聚类簇对应的所有数据点的农药残留状态记为第b农药残留状态,b为正整数,例如将得到的第2个聚类簇对应的所有数据点的农药残留状态记为第2农药残留状态,即对于任一聚类簇,该聚类簇对应的所有数据点的农药残留状态相同,而不同的聚类簇对应的数据点的农药残留状态不相同,即一个聚类簇对应一个农药残留状态类别。
且具体应用中,需要根据实际情况设置聚类时的初始聚类中心点的数量,例如本实施例将K设置为10,K为初始聚类中心点的数量。
由于各聚类簇的簇类中心点也属于对应聚类簇对应的数据点,那么第b个聚类簇的簇类中心点对应的农药残留状态也为第b农药残留状态;因此得到了各聚类簇的簇类中心点对应的农药残留状态,且一个簇类中心点对应一个农药残留状态。
步骤S003,根据所述当前农药残留数据、所述实际农药残留数据以及所述各聚类簇的簇类中心点对应的农药残留状态,得到所述当前监测时刻对应的各当前农药残留数据对应的农药残留状态和各历史监测时刻对应的各实际农药残留数据对应的农药残留状态。
对于预设农产品种植区域来说,区域中所布置的传感器一般较多,进而导致采集的数据量也较多,而且现有技术中基于LMS预测进行数据筛选后,还是存在一个监测时刻对应多个农药残留数据的现象,即还是存在上传的数据量较多的问题,而数据量过多可能会导致网络的消耗过大,所以接下来本实施例的目的是一个当前监测时刻对应的当前目标农药残留数据,即一个时刻只上传一个数据;且由于生长环境的整体性,一般情况下同一时刻预设农产品种植区域中的所有传感器采集的数据应该处于同一农药残留状态,但是传感器自身的局限或者传感器出现自身异常时,可能导致一些传感器采集的数据的准确性较低,即可能使得同一时刻所有传感器采集的农药残留数据所反映的对应时刻预设农产品种植区域中所种植的农产品的农药残留情况的可靠性和准确性不同,所以本实施例后续选取的数据还要能够较准确的反映对应时刻预设农产品种植区域中所种植的农产品的农药残留情况,这样不仅能够使得消费者或者用户能够在农产品安全追溯***中能够准确的查询农产品生长过程中的农药残留情况,还能降低后续数据传输过程中的数据量,即降低***运行过程中的网络消耗;因此本实施例接下来将基于当前农药残留数据、实际农药残留数据以及各聚类簇的簇类中心点对应的农药残留状态,确定当前监测时刻对应的各当前农药残留数据对应的农药残留状态和各历史监测时刻对应的各实际农药残留数据对应的农药残留状态,而当前农药残留数据对应的农药残留状态和各实际农药残留数据对应的农药残留状态是后续获取第一筛选因子的依据;具体过程为:
对于预设农产品种植区域对应的当前监测时刻对应的任一当前农药残留数据:获取各聚类簇的簇类中心点对应的所有历史农药残留数据中与该当前农药残留数据对应的标记值相同的所有历史农药残留数据,并均记为第一历史农药残留数据,然后分别将计算得到的该当前农药残留数据与所有第一历史农药残留数据之间差值的绝对值,记为该当前农药残留数据与对应第一历史农药残留数据之间的第一差异值;然后将最小第一差异值对应的第一历史农药残留数据对应的簇类中心点记为该当前农药残留数据对应的簇类中心点,将最小第一差异值对应的第一历史农药残留数据对应的簇类中心点的农药残留状态记为该当前农药残留数据对应的农药残留状态,且第一历史农药残留数据对应的簇类中心点是指对应第一历史农药残留数据所处的聚类簇的簇类中心点。
同理,通过上述过程可以得到预设农产品种植区域对应的当前监测时刻对应的各当前农药残留数据的农药残留状态。
对于当前监测时刻对应的历史监测时间段中的任一历史监测时刻对应的任一实际农药残留数据:获取各聚类簇的簇类中心点对应的所有历史农药残留数据中与该实际农药残留数据的标记值相同的所有历史农药残留数据,并均记为第二历史农药残留数据,然后分别将计算得到的该实际农药残留数据与所有第二历史农药残留数据之间差值的绝对值,记为该实际农药残留数据与对应第二历史农药残留数据之间的第二差异值;然后将最小第二差异值对应的第二历史农药残留数据对应的簇类中心点记为该实际农药残留数据对应的簇类中心点,将最小第二差异值对应的第二历史农药残留数据对应的簇类中心点的农药残留状态记为该实际农药残留数据对应的农药残留状态,且同理第二历史农药残留数据对应的簇类中心点是指对应第二历史农药残留数据所处的聚类簇的簇类中心点。
因此通过上述过程可以得到当前监测时刻对应的历史监测时间段中的各历史监测时刻对应的各实际农药残留数据对应的簇类中心点和各实际农药残留数据的农药残留状态。
步骤S004,根据所述各历史监测时刻对应的各实际农药残留数据对应的农药残留状态,得到所述当前监测时刻对应的各当前农药残留数据对应的预测农药残留状态;根据所述各当前农药残留数据对应的农药残留状态以及所述预测农药残留状态,得到所述当前监测时刻对应的各当前农药残留数据对应的第一筛选因子。
紧接着本实施例基于各实际农药残留数据对应的农药残留状态,得到当前农药残留数据对应的预测农药残留状态,然后基于当前农药残留数据对应的农药残留状态以及其对应的预测农药残留状态,得到当前监测时刻对应的各当前农药残留数据对应的第一筛选因子,且第一筛选因子是后续得到当前监测时刻对应的当前目标农药残留数据的依据,因此本实施例得到第一筛选因子的具体过程为:
对于预设农产品种植区域对应的当前监测时刻对应的任一当前农药残留数据:
首先根据所有实际农药残留数据的标记值,得到所有的实际农药残留数据中与该当前农药残留数据的标记值相同的实际农药残留数据,并记为该当前农药残留数据对应的历史实际农药残留数据,然后按照时间的先后顺序,对该当前农药残留数据对应的所有历史实际农药残留数据进行排序,将排序后的序列记为该当前农药残留数据对应的历史实际农药残留数据序列。
将该当前农药残留数据对应的所有历史实际农药残留数据对应的农药残留状态作为其对应的隐藏状态,然后依据该当前农药残留数据对应的历史实际农药残留数据序列中的所有历史实际农药残留数据以及其对应的历史实际农药残留数据序列中的所有历史实际农药残留数据对应的农药残留状态,建立隐马尔可夫预测模型,并得到状态转移矩阵;将状态转移矩阵中最大概率对应的农药残留状态记为当前监测时刻对应的该当前农药残留数据的预测农药残留状态,即记为该当前农药残留数据对应的预测农药残留状态;所述隐马尔可夫模型的建立为现有的公知技术,其本质即为通过已知时序数据中的状态转移概率和时间序列的时间关系进行隐藏状态转移概率的计算,并且对于隐马尔可夫预测模型当前监测时刻t的取值依赖于当前监测时刻的前一时刻t-1的取值。
然后将计算得到的该当前农药残留数据对应的农药残留状态对应的簇类中心点与其对应的预测农药残留状态对应的簇类中心点之间的差值的绝对值的归一化值,记为该当前农药残留数据对应的状态差异值,例如该当前农药残留数据对应的农药残留状态为第b农药残留状态,而上述得到的第b个聚类簇对应的簇类中心点为该当前农药残留数据对应的农药残留状态对应的簇类中心点,后续获取任一数据对应的农药残留状态对应的簇类中心点的方法相同;然后将常数1与该当前农药残留数据对应的状态差异值的差值,记为该当前农药残留数据对应的第一筛选因子。且当该当前农药残留数据对应的农药残留状态对应的簇类中心点与其对应的预测农药残留状态对应的簇类中心点之间的差值的绝对值越小,表明该当前农药残留数据的可信度越高,即采集该当前农药残留数据的传感器的可靠性越高,即该当前农药残留数据对应的第一筛选因子越大,越表明采集该当前农药残留数据的传感器的可靠性越高。
同理,根据上述过程可以得到预设农产品种植区域对应的当前监测时刻对应的各当前农药残留数据对应的第一筛选因子。
步骤S005,根据标记值相同的所有实际农药残留数据,得到所述当前监测时刻对应的各当前农药残留数据对应的第二筛选因子。
本实施例接下来将基于标记值相同的所有实际农药残留数据,确定当前监测时刻对应的各当前农药残留数据对应的第二筛选因子,后续将基于第二筛选因子确定当前监测时刻对应的当前目标农药残留数据;因此本实施例得到第二筛选因子的具体过程为:
本实施例基于步骤S004能够得到当前监测时刻对应的各当前农药残留数据对应的历史实际农药残留数据序列;因此对于任一当前农药残留数据:
将该当前农药残留数据对应的历史实际农药残留数据序列和该当前农药残留数据按照时间顺序构建的新序列,记为该当前农药残留数据对应的特征农药残留数据序列,并将该当前农药残留数据对应的农药残留数据序列中的所有数据均记为特征农药残留数据;将该当前农药残留数据对应的特征农药残留数据序列中最后面的预设数量个特征农药残留数据,均记为该当前农药残留数据对应的第一特征农药残留数据,且得到的第一特征农药残留数据的数量为预设数量,例如若预设数量为20,则该当前农药残留数据对应的特征农药残留数据序列中最后面的20个特征农药残留数据均为该当前农药残留数据对应的第一特征农药残留数据。
对于该当前农药残留数据对应的任一第一特征农药残留数据:在该当前农药残留数据对应的特征农药残留数据序列中,将从该第一特征农药残留数据开始往前连续获取的预设数量个特征农药残留数据构建的序列,记为该第一特征农药残留数据对应的特征农药残留数据子序列;例如对于该当前农药残留数据对应的任一第一特征农药残留数据,若该第一特征农药残留数据为特征农药残留数据序列中的第W个特征农药残留数据,且若预设数量为20,那么从特征农药残留数据序列中的第W个特征农药残留数据开始,往前连续获取的20个征农药残留数据构建的序列记为该第一特征农药残留数据对应的特征农药残留数据子序列,即该第一特征农药残留数据对应的特征农药残留数据子序列是由特征农药残留数据序列中的第W-19个特征农药残留数据到第W个特征农药残留数据之间的所有数据构成,包括第W-19个特征农药残留数据和第W个特征农药残留数据;因此通过上述过程得到了该当前农药残留数据对应的各第一特征农药残留数据对应的特征农药残留数据子序列,且特征农药残留数据子序列中的数据是按照时间的先后顺序排列的。
具体应用中,需要根据实际情况设置预设数量,例如本实施例设置预设数量的值为19或者20等。
然后将该当前农药残留数据对应的所有第一特征农药残留数据按照时间先后顺序构建的序列,记为该当前农药残留数据对应的第一特征农药残留数据序列;计算该当前农药残留数据对应的第一特征农药残留数据中所有相邻的两个第一特征农药残留数据对应的农药残留状态对应的簇类中心点之间的欧式距离的均值,并记为该当前农药残留数据对应的第一特征农药残留数据序列的目标差异值;根据如下公式计算该当前农药残留数据对应的第一特征农药残留数据序列的目标差异值:
其中,为该当前农药残留数据对应的第一特征农药残留数据序列的目标差异值,/>为该当前农药残留数据对应的第一特征农药残留数据序列中第一特征农药残留数据的数量,/>为该当前农药残留数据对应的第一特征农药残留数据序列中的第j个第一特征农药残留数据对应的农药残留状态对应的簇类中心点,/>为该当前农药残留数据对应的第一特征农药残留数据序列中的第j+1个第一特征农药残留数据对应的农药残留状态对应的簇类中心点,/>为/>与/>之间的欧氏距离;其中,当/>越大时,的值越大,反之当/>越小时,/>的值越小。/>
对于该当前农药残留数据对应的第一特征农药残留数据序列中的任一第一特征农药残留数据对应的特征农药残留数据子序列,计算该第一特征农药残留数据对应的特征农药残留数据子序列中所有相邻的两个特征农药残留数据对应的农药残留状态对应的簇类中心点之间的欧式距离的均值,并记为该第一特征农药残留数据对应的特征农药残留数据子序列的目标差异值。
将该当前农药残留数据对应的所有第一特征农药残留数据对应的特征农药残留数据子序列的目标差异值的均值,记为该当前农药残留数据对应的目标差异均值;将该当前农药残留数据对应的第一特征农药残留数据序列的目标差异值与其对应的目标差异均值之间差值的绝对值,记为该当前农药残留数据对应的目标距离值;将该当前农药残留数据对应的第一特征农药残留数据中所有相邻的两个第一特征农药残留数据对应的农药残留状态对应的簇类中心点之间的欧式距离的方差,记为该当前农药残留数据对应的状态方差;将该当前农药残留数据对应的目标距离值与其对应的状态方差进行相乘之后再进行归一化后的值,记为该当前农药残留数据对应的第二筛选因子;根据如下公式计算该当前农药残留数据对应的第二筛选因子:
其中,为该当前农药残留数据对应的第二筛选因子,/>为该当前农药残留数据对应的第一特征农药残留数据序列中的第m个第一特征农药残留数据对应的特征农药残留数据子序列对应的目标差异值,/>为该当前农药残留数据对应的状态方差,Norm()为归一化函数,
其中,当越大时,表明该当前农药残留数据的可靠性越高,反之当/>越小时,表明该当前农药残留数据的可靠性越低;当/>和/>的值越小时,表明该当前农药残留数据的可靠性越高,反之当/>和/>的值越大时,表明该当前农药残留数据的可靠性越低;/>反映的是该当前农药残留数据对应的第一特征农药残留数据序列与其对应的第一特征农药残留数据对应的特征农药残留数据子序列之间的差异;/>能反映的是该当前农药残留数据对应的第一特征农药残留数据序列中数据状态变化;另外,若该当前农药残留数据对应的第一特征农药残留数据序列为/>,则为序列/>方差,且/>为第一特征农药残留数据序列中的第1个第一特征农药残留数据和第2个第一特征农药残留数据对应的农药残留状态对应的簇类中心点之间的欧式距离,/>为第一特征农药残留数据序列中的第/>个第一特征农药残留数据和第/>个第一特征农药残留数据对应的农药残留状态对应的簇类中心点之间的欧式距离。
因此得到了当前监测时刻对应的各当前农药残留数据对应的第二筛选因子。
步骤S006,根据所述当前监测时刻对应的各当前农药残留数据对应的第一筛选因子以及所述各当前农药残留数据对应的第二筛选因子,得到所述当前监测时刻对应的当前目标农药残留数据。
接下来本实施例将基于各当前农药残留数据对应的第一筛选因子以及第二筛选因子,确定当前监测时刻对应的当前目标农药残留数据;具体为:
将该当前农药残留数据对应的第一筛选因子与其对应的第二筛选因子的乘积,记为该当前农药残留数据对应的目标筛选因子;将最大目标筛选因子对应的当前农药残留数据记为当前监测时刻对应的当前目标农药残留数据,后续将预设农产品种植区域对应的当前监测时刻对应的当前目标农药残留数据进行上传,即将除当前目标农药残留数据之外的所有当前农药残留数据筛选掉。
因此通过上述过程得到了预设农产品种植区域对应的当前监测时刻对应的当前目标农药残留数据。
且在农产品安全追溯***运行过程中,会将目标农药残留数据之后,通过现有的主成分分析过程进行数据压缩过程,之后将数据传输至云服务器中,所述的云服务器即为农产品安全追溯***,这样能够使得消费者或者用户不仅能够在农产品安全追溯***中能够准确的查询农产品生长过程中的农药残留量,还能降低后续数据传输过程中的数据量,即降低***运行过程中的网络消耗。
农产品安全追溯***是通过物联网传感器采集子***、农药残留数据传送子***、云计算的监控数据平台以及用户终端组成的。针对于该***中的农药残留数据传送子***,其中包括数据修正单元,滤波处理单元,数据压缩单元,数据传送单元进行传感器采集数据的处理过程。
本实施例首先获取历史生长时间段中的各历史生长时刻对应的各历史农药残留数据、当前监测时刻对应的各当前农药残留数据、当前监测时刻对应的历史监测时间段中的各历史监测时刻对应的各实际农药残留数据以及各实际农药残留数据的标记值;然后通过历史农药残留数据,得到各聚类簇的簇类中心点对应的农药残留状态,并根据当前农药残留数据、实际农药残留数据以及各聚类簇的簇类中心点对应的农药残留状态,得到各当前农药残留数据对应的农药残留状态和各实际农药残留数据对应的农药残留状态;之后依据各实际农药残留数据对应的农药残留状态,得到各当前农药残留数据对应的预测农药残留状态,后续根据各当前农药残留数据对应的农药残留状态以及预测农药残留状态,得到各当前农药残留数据对应的第一筛选因子;紧接着基于标记值相同的所有实际农药残留数据,得到各当前农药残留数据对应的第二筛选因子;最后通过各当前农药残留数据对应的第一筛选因子以及第二筛选因子,得到当前监测时刻对应的当前目标农药残留数据,后续仅仅将当前监测时刻对应的当前目标农药残留数据进行上传。本实施例能够使得消费者或者用户不仅能够在农产品安全追溯***中能够准确的查询农产品生长过程中的农药残留数据,还能降低后续数据传输过程中的数据量,即降低***运行过程中的网络消耗。
以上所述实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围,均应包含在本申请的保护范围之内。
Claims (4)
1.一种基于时序预测分析的农药残留监测过程的优化方法,其特征在于,该方法包括如下步骤:
获取预设农产品种植区域对应的历史生长时间段中的各历史生长时刻对应的各历史农药残留数据、预设农产品种植区域对应的当前监测时刻对应的各当前农药残留数据、当前监测时刻对应的历史监测时间段中的各历史监测时刻对应的各实际农药残留数据以及各历史监测时刻对应的各实际农药残留数据的标记值;
根据所述各历史生长时刻对应的各历史农药残留数据,得到各聚类簇的簇类中心点对应的农药残留状态;
根据所述当前农药残留数据、所述实际农药残留数据以及所述各聚类簇的簇类中心点对应的农药残留状态,得到所述当前监测时刻对应的各当前农药残留数据对应的农药残留状态和各历史监测时刻对应的各实际农药残留数据对应的农药残留状态;
根据所述各历史监测时刻对应的各实际农药残留数据对应的农药残留状态,得到所述当前监测时刻对应的各当前农药残留数据对应的预测农药残留状态;
根据所述各当前农药残留数据对应的农药残留状态以及所述预测农药残留状态,得到所述当前监测时刻对应的各当前农药残留数据对应的第一筛选因子;
根据标记值相同的所有实际农药残留数据,得到所述当前监测时刻对应的各当前农药残留数据对应的第二筛选因子;
根据所述当前监测时刻对应的各当前农药残留数据对应的第一筛选因子以及所述各当前农药残留数据对应的第二筛选因子,得到所述当前监测时刻对应的当前目标农药残留数据;
获取各历史监测时刻对应的各实际农药残留数据的标记值的方法,包括:
对所述预设农产品种植区域中的所有传感器进行标记,得到预设农产品种植区域中的每个传感器的标记值;
对于预设农产品种植区域中的任一传感器:
将该传感器的标记值作为在历史生长时间段中该传感器采集的所有历史农药残留数据的标记值;
将该传感器的标记值作为在当前监测时刻该传感器采集的当前农药残留数据的标记值;
将该传感器的标记值作为在当前监测时刻对应的历史监测时间段中该传感器采集的所有实际农药残留数据的标记值;
得到所述当前监测时刻对应的各当前农药残留数据对应的农药残留状态和各历史监测时刻对应的各实际农药残留数据对应的农药残留状态的方法,包括:
对于预设农产品种植区域对应的当前监测时刻对应的任一当前农药残留数据:将所述各聚类簇的簇类中心点对应的所有历史农药残留数据中与该当前农药残留数据对应的标记值相同的所有历史农药残留数据,均记为第一历史农药残留数据;将计算得到的该当前农药残留数据与所有第一历史农药残留数据之间差值的绝对值,记为该当前农药残留数据与对应第一历史农药残留数据之间的第一差异值;将最小第一差异值对应的第一历史农药残留数据对应的簇类中心点的农药残留状态记为该当前农药残留数据对应的农药残留状态;
对于所述历史监测时间段中的任一历史监测时刻对应的任一实际农药残留数据:获取各聚类簇的簇类中心点对应的所有历史农药残留数据中与该实际农药残留数据的标记值相同的所有历史农药残留数据,并均记为第二历史农药残留数据;将计算得到的该实际农药残留数据与所有第二历史农药残留数据之间差值的绝对值,记为该实际农药残留数据与对应第二历史农药残留数据之间的第二差异值;将最小第二差异值对应的第二历史农药残留数据对应的簇类中心点的农药残留状态记为该实际农药残留数据对应的农药残留状态;
得到所述当前监测时刻对应的各当前农药残留数据对应的预测农药残留状态的方法,包括:
对于所述当前监测时刻对应的任一当前农药残留数据:
将获取的所有实际农药残留数据中与该当前农药残留数据的标记值相同的实际农药残留数据,均记为该当前农药残留数据对应的历史实际农药残留数据;
按照时间的先后顺序,对该当前农药残留数据对应的所有历史实际农药残留数据进行排序,得到该当前农药残留数据对应的历史实际农药残留数据序列;
根据所述历史实际农药残留数据序列中的所有历史实际农药残留数据以及所述历史实际农药残留数据序列中的所有历史实际农药残留数据对应的农药残留状态,建立隐马尔可夫预测模型,并得到状态转移矩阵;将状态转移矩阵中最大概率对应的农药残留状态记为该当前农药残留数据的预测农药残留状态;
得到所述当前监测时刻对应的各当前农药残留数据对应的第一筛选因子的方法,包括:
对于所述当前监测时刻对应的任一当前农药残留数据:
将计算得到的该当前农药残留数据对应的农药残留状态对应的簇类中心点与其对应的预测农药残留状态对应的簇类中心点之间的差值的绝对值的归一化值,记为该当前农药残留数据对应的状态差异值;
将常数1与该当前农药残留数据对应的状态差异值的差值,记为该当前农药残留数据对应的第一筛选因子;
得到所述当前监测时刻对应的各当前农药残留数据对应的第二筛选因子的方法,包括:
对于所述当前监测时刻对应的任一当前农药残留数据:
将该当前农药残留数据对应的历史实际农药残留数据序列和该当前农药残留数据按照时间顺序构建的新序列,记为该当前农药残留数据对应的特征农药残留数据序列,并将该当前农药残留数据对应的农药残留数据序列中的所有数据均记为特征农药残留数据;
将所述特征农药残留数据序列中最后面的预设数量个特征农药残留数据,均记为该当前农药残留数据对应的第一特征农药残留数据;
对于该当前农药残留数据对应的任一第一特征农药残留数据:在该当前农药残留数据对应的特征农药残留数据序列中,将从该第一特征农药残留数据开始往前连续获取的预设数量个特征农药残留数据构建的序列,记为该第一特征农药残留数据对应的特征农药残留数据子序列;将该第一特征农药残留数据对应的特征农药残留数据子序列中所有相邻的两个特征农药残留数据对应的农药残留状态对应的簇类中心点之间的欧式距离的均值,记为该第一特征农药残留数据对应的特征农药残留数据子序列的目标差异值;
将该当前农药残留数据对应的所有第一特征农药残留数据按照时间先后顺序构建的序列,记为该当前农药残留数据对应的第一特征农药残留数据序列;
将所述第一特征农药残留数据中所有相邻的两个第一特征农药残留数据对应的农药残留状态对应的簇类中心点之间的欧式距离的均值,记为该当前农药残留数据对应的第一特征农药残留数据序列的目标差异值;
将该当前农药残留数据对应的所有第一特征农药残留数据对应的特征农药残留数据子序列的目标差异值的均值,记为该当前农药残留数据对应的目标差异均值;
将所述第一特征农药残留数据序列的目标差异值与其对应的目标差异均值之间差值的绝对值,记为该当前农药残留数据对应的目标距离值;
将所述第一特征农药残留数据中所有相邻的两个第一特征农药残留数据对应的农药残留状态对应的簇类中心点之间的欧式距离的方差,记为该当前农药残留数据对应的状态方差;
将所述目标距离值与所述状态方差进行相乘之后再进行归一化后的值,记为该当前农药残留数据对应的第二筛选因子;
得到所述当前监测时刻对应的当前目标农药残留数据的方法,包括:
对于当前监测时刻对应的任一当前农药残留数据:
将该当前农药残留数据对应的第一筛选因子与其对应的第二筛选因子的乘积,记为该当前农药残留数据对应的目标筛选因子;将最大目标筛选因子对应的当前农药残留数据记为当前监测时刻对应的当前目标农药残留数据。
2.如权利要求1所述的基于时序预测分析的农药残留监测过程的优化方法,其特征在于,获取预设农产品种植区域对应的历史生长时间段中的任一历史生长时刻对应的各历史农药残留数据的方法,包括:
获取在预设农产品种植区域中进行农产品种植时所有具有完整生长周期的历史时间段,并将获取的所有具有完整生长周期的历史时间段按照时间的先后顺序排列后得到的时间段,记为预设农产品种植区域对应的历史生长时间段;所述具有完整生长周期的历史时间段是指预设农产品种植区域中的农产品从开始种植到成熟对应的时间段;
获取预设农产品种植区域中的所有传感器;
对于预设农产品种植区域对应的历史生长时间段中的任一历史生长时刻,将预设农产品种植区域中的所有传感器采集的农药残留数据,均记为预设农产品种植区域对应的历史生长时间段中的该历史生长时刻对应的历史农药残留数据。
3.如权利要求2所述的基于时序预测分析的农药残留监测过程的优化方法,其特征在于,获取预设农产品种植区域对应的当前监测时刻对应的各当前农药残留数据和当前监测时刻对应的历史监测时间段中的各历史监测时刻对应的各实际农药残留数据方法,包括:
对于预设农产品种植区域对应的当前监测时刻,将预设农产品种植区域中的所有传感器采集的农药残留数据,均记为预设农产品种植区域对应的当前监测时刻对应的当前农药残留数据;
对于预设农产品种植区域对应的当前监测时刻对应的历史监测时间段中的任一历史监测时刻,将预设农产品种植区域中的所有传感器采集的农药残留数据,均记为预设农产品种植区域对应的当前监测时刻对应的历史监测时间段中的该历史监测时刻对应的实际农药残留数据;所述当前监测时刻对应的监测时间段是指当前监测时刻的预设农产品种植区域中所种植的农产品从开始种植到当前监测时刻构成的时间段。
4.如权利要求1所述的基于时序预测分析的农药残留监测过程的优化方法,其特征在于,得到各聚类簇的簇类中心点对应的农药残留状态的方法,包括:
构建M维数据空间,M为正整数;
将所述各历史生长时刻对应的各历史农药残留数据映射到构建的M维数据空间中,得到各历史生长时刻对应的数据点;
利用K-means聚类算法对M维数据空间中的所有数据点进行聚类,得到各聚类簇和各聚类簇的簇类中心点,并将得到的第b个聚类簇对应的簇类中心点对应的农药残留状态记为第b农药残留状态,b为正整数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410217476.4A CN117787510B (zh) | 2024-02-28 | 2024-02-28 | 基于时序预测分析的农药残留监测过程的优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410217476.4A CN117787510B (zh) | 2024-02-28 | 2024-02-28 | 基于时序预测分析的农药残留监测过程的优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117787510A CN117787510A (zh) | 2024-03-29 |
CN117787510B true CN117787510B (zh) | 2024-05-03 |
Family
ID=90385276
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410217476.4A Active CN117787510B (zh) | 2024-02-28 | 2024-02-28 | 基于时序预测分析的农药残留监测过程的优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117787510B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118071307B (zh) * | 2024-04-19 | 2024-06-28 | 山东尚智建设有限公司 | 一种用于工程施工进度预测的数据分析方法及*** |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004333130A (ja) * | 2003-04-30 | 2004-11-25 | Horiba Biotechnology Co Ltd | 農作物におけるトレーサビリティシステムおよびそれに用いられる残留農薬検査システム |
CN106651391A (zh) * | 2016-11-30 | 2017-05-10 | 深圳凯达通光电科技有限公司 | 一种基于物联网和云计算的农产品安全追溯*** |
CN108363797A (zh) * | 2018-01-04 | 2018-08-03 | 北京工商大学 | 一种基于变换的关联图可视分析方法及其*** |
CN109344194A (zh) * | 2018-09-20 | 2019-02-15 | 北京工商大学 | 基于子空间聚类的农药残留高维数据可视分析方法与*** |
CN111563635A (zh) * | 2020-06-16 | 2020-08-21 | 王伟 | 一种基于大数据的农药残留检测***及方法 |
CN111667122A (zh) * | 2020-06-16 | 2020-09-15 | 国研软件股份有限公司 | 一种农产品品种农药残留的风险评估方法 |
WO2022072345A1 (en) * | 2020-10-02 | 2022-04-07 | GroundTruth Ag, Inc. | Systems, methods and devices for using machine learning to optimize crop residue management |
CN117390499A (zh) * | 2023-12-12 | 2024-01-12 | 天津市佳和食品科技有限公司 | 一种应用于食品农药残留检测的多样品检测*** |
-
2024
- 2024-02-28 CN CN202410217476.4A patent/CN117787510B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004333130A (ja) * | 2003-04-30 | 2004-11-25 | Horiba Biotechnology Co Ltd | 農作物におけるトレーサビリティシステムおよびそれに用いられる残留農薬検査システム |
CN106651391A (zh) * | 2016-11-30 | 2017-05-10 | 深圳凯达通光电科技有限公司 | 一种基于物联网和云计算的农产品安全追溯*** |
CN108363797A (zh) * | 2018-01-04 | 2018-08-03 | 北京工商大学 | 一种基于变换的关联图可视分析方法及其*** |
CN109344194A (zh) * | 2018-09-20 | 2019-02-15 | 北京工商大学 | 基于子空间聚类的农药残留高维数据可视分析方法与*** |
CN111563635A (zh) * | 2020-06-16 | 2020-08-21 | 王伟 | 一种基于大数据的农药残留检测***及方法 |
CN111667122A (zh) * | 2020-06-16 | 2020-09-15 | 国研软件股份有限公司 | 一种农产品品种农药残留的风险评估方法 |
WO2022072345A1 (en) * | 2020-10-02 | 2022-04-07 | GroundTruth Ag, Inc. | Systems, methods and devices for using machine learning to optimize crop residue management |
CN117390499A (zh) * | 2023-12-12 | 2024-01-12 | 天津市佳和食品科技有限公司 | 一种应用于食品农药残留检测的多样品检测*** |
Non-Patent Citations (3)
Title |
---|
Foodinformatic prediction of the retention time of pesticide residues detected in fruits and vegetables using UHPLC/ESI Q-Orbitrap;Cristian Rojas;《Food Chemistry》;20201012;全文 * |
常见蔬菜中农药残留状况及风险预警;单瑛;《中国优秀硕士学位论文全文数据库 (农业科技辑)》;20200715;全文 * |
杭州市2009年食品污染状况及食源性疾病调查分析;黄利明;斯国静;金铨;方叶珍;朱晓霞;俞骅;刘辉;胡俊;王玲莉;;中国农村卫生事业管理;20120720(第07期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117787510A (zh) | 2024-03-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117787510B (zh) | 基于时序预测分析的农药残留监测过程的优化方法 | |
CN108241905B (zh) | 用于预测土壤和/或植物状况的方法 | |
CN110647979B (zh) | 一种基于物联网的温室环境多参数智能化监测*** | |
CN111460990B (zh) | 一种基于大数据的高寒牧区草原虫害监测预警***及方法 | |
CN111767802B (zh) | 一种对象异常状态的检测方法和装置 | |
CN115987295A (zh) | 基于物联网的农作物监控数据高效处理方法 | |
CN107169621A (zh) | 一种水体溶解氧预测方法及装置 | |
CN117073768B (zh) | 肉牛养殖管理***及其方法 | |
CN111754045A (zh) | 一种基于果树生长的预测*** | |
CN110119767A (zh) | 一种基于lvq神经网络的黄瓜温室温度智能化检测装置 | |
KR20190136774A (ko) | 작물의 수확시기 예측시스템 및 그 방법 | |
CN117114913A (zh) | 一种基于大数据的智能化农业数据采集*** | |
CN115018105A (zh) | 一种冬小麦气象产量预测方法及*** | |
CN111814866A (zh) | 一种病虫害预警方法、装置、计算机设备及存储介质 | |
CN116582597B (zh) | 一种油橄榄育苗环境数据智能监测方法及*** | |
CN111563635A (zh) | 一种基于大数据的农药残留检测***及方法 | |
CN113127464A (zh) | 农业大数据环境特征处理方法、装置及电子设备 | |
Caminha et al. | Estimating Reference Evapotranspiration using Data Mining Prediction Models and Feature Selection. | |
CN115039549B (zh) | 一种农作物种植施肥信息处理方法及*** | |
CN115049902B (zh) | 柑橘叶片含水量可视化预测方法、***、设备及存储介质 | |
KR20200070736A (ko) | 작물수확량 예측방법 및 이를 구현하는 작물수확량 예측장치 | |
CN113591632A (zh) | 一种基于多源数据的果树估产方法、装置及设备 | |
CN114283344A (zh) | 一种森林生态水文过程自动实时监测方法及*** | |
KR20210069987A (ko) | 영상 이미지를 이용한 작물 성장 진단 시스템 및 방법 | |
CN113434295B (zh) | 基于边缘计算的农田监控方法、装置、设备及存储介质 |
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 |