申请/专利权人：华兴国创(北京)科技有限公司

申请日：2024-03-20

公开（公告）日：2024-06-14

公开（公告）号：CN117933946B

主分类号：G06Q10/10

分类号：G06Q10/10;G06Q10/063;G06Q50/26;G06N3/0442;G06F30/27

优先权：

专利状态码：有效-授权

法律状态：2024.06.14#授权;2024.05.14#实质审查的生效;2024.04.26#公开

摘要：本申请公开了一种基于大数据的乡村业务管理方法，数字乡村技术领域，包括：收集包含历史季节和当前季节的气象数据、土壤数据和作物生长数据以及对应的时间标签的历史数据集和当前数据集；对得到的历史数据集和当前数据集进行归一化处理，转换为时间序列数据，并提取时间序列数据的时间序列特征；采用提取的时间序列特征，训练LSTM神经网络，LSTM神经网络用于预测不同时刻的时间序列特征；根据不同时刻的时间序列特征的预测结果，生成季节的作物管理方案，利用作物管理方案进行乡村业务管理。针对现有技术中存在的乡村业务管理精准度低的问题，本申请提高了对不同季节作物管理方案的精准度。

主权项：1.一种基于大数据的乡村业务管理方法，包括：收集包含历史季节的气象数据、土壤数据和作物生长数据以及对应的时间标签的历史数据集，时间标签采用时间戳；获取包含当前季节的气象数据、土壤数据和作物生长数据以及对应的时间标签的当前数据集；对得到的历史数据集和当前数据集进行归一化处理，转换为时间序列数据，并提取时间序列数据的时间序列特征；采用提取的时间序列特征，训练LSTM神经网络，LSTM神经网络用于预测不同时刻的时间序列特征；根据不同时刻的时间序列特征的预测结果，生成季节的作物管理方案，利用作物管理方案进行乡村业务管理；提取时间序列特征，包括：当前数据集包含当前季节的每日气象数据、每周土壤数据和每阶段作物生长数据；每日气象数据包含温度、湿度和光照；每周土壤数据包含土壤含水率和氮含量；每阶段作物生长数据包含植株高度和叶面积；提取时间序列特征，还包括：采用最大值归一化方法，将包含温度、湿度和光照的气象数据映射到0至1区间，得到归一化气象特征；采用Z-Score标准化方法，将包含土壤含水率和氮含量的土壤数据转换为标准正态分布，得到归一化土壤特征；采用最小值归一化方法，将包含植株高度和叶面积的作物生长数据映射到0至1区间，得到归一化生长特征；提取时间序列特征，还包括：将得到的归一化气象特征、归一化土壤特征和归一化生长特征，根据时间标签排列成序列，得到日时间序列和周时间序列；对日时间序列，采用小波变换的多分辨率分析方法，获取低频部分对应的长期趋势特征和高频部分对应的短期变化特征，得到由长期趋势特征和短期变化特征组成的多尺度特征；低频部分表示时间序列的总体趋势；高频部分表示时间序列的局部细节；对周时间序列，采用小波变换的模量最大方法检测时间序列中的非平稳态的突变点，非平稳态的突变点表示时间序列的突发变化；计算每个突变点处周时间序列在小波变换域的模量局部最大值，作为所述突变点的突变显著性指标；将检测到的突变点及对应的突变显著性指标组成的特征向量，作为周时间序列的突变检测特征；将得到的多尺度特征和突变检测特征进行组合，作为时间序列数据的时间序列特征；还包括：将所有突变点按时间顺序排列，组成突变点特征序列；将每个突变点对应的突变显著性指标按顺序排列，组成突变显著性指标序列；将突变点特征序列和突变显著性指标序列合并排列，形成一个二维特征矩阵；其中，第一维表示时间序，第二维包含突变点及对应的突变显著性指标；矩阵包含时间序列的突变信息，用于对土壤变化规律进行预测；提取多尺度特征，包括：对日时间序列进行小波分解，采用5阶戴贝奇小波基作为小波基，进行4层小波分解；在4层小波分解的结果中，将第1层的分解系数作为长期趋势特征，分解系数对应的日时间序列中的时间范围大于15天，分解系数反映时间序列的总体趋势；在4层小波分解的结果中，将第1层的细节系数作为短期变化特征，细节系数对应的日时间序列中的时间范围小于15天，细节系数反映时间序列的局部变化；构建包含门控循环单元和输出层的LSTM神经网络，门控循环单元用于存储并控制输入时间序列特征中不同时刻的历史状态；历史状态指门控循环单元保持的上一时刻的时间序列特征；输入层接收不同时刻的时间序列特征，并输入门控循环单元；门控循环单元根据不同时刻的时间序列特征，设置时间门控机制，计算不同时刻的时间序列特征之间的时间相关性权重；门控循环单元存储上一时刻的时间序列特征，并根据时间相关性权重控制历史状态在时序上的传递；在输出层之前设置基于多变量线性回归的分析层，获取不同时刻的时间序列特征之间的动态相关性，动态相关性表示不同时间序列特征在时间轴上的关联程度；输出层根据门控循环单元传递的历史状态、计算得到的时间相关性权重和动态相关性，对未来时刻的时间序列特征进行预测，并输出预测结果；计算动态相关性，包括：获取门控循环单元输出的包含多个时间序列特征的时序数据；根据时序数据，采用改进的LASSO多变量线性回归算法，计算不同时刻的时序数据之间的相关系数；根据得到的相关系数，构建相关性矩阵；提取相关性矩阵中的每个特征变量对，并提取特征变量对在不同时刻的相关系数，根据提取的相关系数，拟合相关性曲线；根据拟合的相关性曲线，计算时间序列特征之间的动态相关性；其中，根据拟合的相关性曲线，计算时间序列特征之间的动态相关性，包括：采用滑动窗口在温度时间序列中检测局部最大值，作为峰值；检测局部最小值，作为谷值；提取峰谷之间的温度曲线，温度曲线表示热波和冷空气的到来；将检测到的峰谷值和温度曲线作为温度突变特征输入LSTM；LSTM通过学习不同类型的温度上升曲线进行气象建模；改进的LASSO多变量线性回归算法，表达式如下：minβ||Y-Xβ||2+α||β||_1，s.t.||β||_1≤1，其中，Y为应变量向量；X为自变量矩阵；β为回归系数向量；a为L1正则化参数；t为回归系数L1范数的阈值上限；min表示目标是最小化目标函数的值；s.t.表示目标函数的约束条件；||Y-Xβ||2表示模型预测值与真实值之间的均方差；||β||_1表示回归系数的L1范数。

全文数据：

权利要求：

百度查询： 华兴国创(北京)科技有限公司 一种基于大数据的乡村业务管理方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD