开云优惠体育网页版入口

专利名称：一种基于AI预测的农产品期货交易平台

专利类型：发明专利

专利申请号：CN202410591432.8

专利申请（专利权）人：上饶丫牛软件中心(个人独资)
权利人地址：江西省上饶市经济技术开发区前山安置小区万家宾馆7楼705

专利发明（设计）人：陈登勇

专利摘要：本发明涉及农产品交易技术领域，公开了一种基于AI预测的农产品期货交易平台，包括预测展示模块、定制化服务模块、预购竞价模块、代理谈判模块及平台服务模块；其中，预测展示模块用于利用人工智能技术对农产品的产量及品质进行实时预测，并结合地图对预测结果进行三维效果呈现；定制化服务模块用于利用基于信任机制的推荐算法分别为卖家和买家推荐销售策略信息和潜在产品信息。本发明通过人工智能技术对农产品产量和品质进行实时预测，可以帮助卖方快速预售出大部分农产品，避开集体上市时的农产品滞销，且能够为其他卖方提供市场需求的客观指导，即市场需要什么应该朝什么方向调整生产标准等。

主权利要求：
1.一种基于AI预测的农产品期货交易平台，其特征在于，该基于AI预测的农产品期货交易平台包括预测展示模块(1)、定制化服务模块(2)、预购竞价模块(3)、代理谈判模块(4)及平台服务模块(5)；
其中，所述预测展示模块(1)，用于利用人工智能技术对农产品的产量及品质进行实时预测，并结合地图对预测结果进行三维效果呈现；
所述定制化服务模块(2)，用于利用基于信任机制的推荐算法分别为卖家和买家推荐销售策略信息和潜在产品信息；
所述预购竞价模块(3)，用于根据预测结果定期组织预购竞价，并取最高预购竞价者作为实际买家，同时向实际买家收取预定的保证金；
所述代理谈判模块(4)，用于平台以代理人的身份向实际卖家进行预购谈判，若谈判成功，则通知实际买家补齐全款，并进入冻结待交割状态，若谈判失败，则退回实际买家的保证金；
所述平台服务模块(5)，用于向谈判签约成功的实际买卖双方提供待交割服务及交割服务；
所述预测展示模块(1)包括数据采集模块(11)、实时预测模块(12)及三维效果展示模块(13)；
其中，所述数据采集模块(11)，用于采集农作物的历史生长数据及实时生长数据，生长数据包括农业基建数据、智能硬件数据、种植信息数据、土壤信息数据及天气信息数据；
所述实时预测模块(12)，用于利用训练好的卷积神经网络模型根据实时的生长数据输出与之相对应的农产品产量及品质的预测结果；
所述三维效果展示模块(13)，用于将预测结果与地图数据相结合，并在地图上对预测结果进行三维效果展示；
所述定制化服务模块(2)包括销售策略推荐模块(21)及潜在产品推荐模块(22)；
其中，所述销售策略推荐模块(21)，用于利用基于信任机制的推荐算法为实际卖家推荐销售策略信息；
所述潜在产品推荐模块(22)，用于利用基于信任机制的推荐算法为实际买家推荐潜在产品信息；
所述销售策略推荐模块(21)在利用基于信任机制的推荐算法为实际卖家推荐销售策略信息时包括：利用实际卖家的信任标记数据及销售产品评分数据计算实际卖家之间的直接信任度，并基于实际卖家之间的直接信任度构建卖家信任网络；
利用基于标签传递的重叠社区发现算法对卖家信任网络进行虚拟社区划分，为每个实际卖家分配对应的专属虚拟社区，并确定目标实际卖家的虚拟社区情况；
利用实际卖家信任的传播计算目标实际卖家与其他实际卖家之间的综合信任度，并利用综合信任度最高的实际卖家的销售数据进行销售策略评分预测，同时根据预测评分选择最好的销售策略推荐给目标实际卖家；
其中，直接信任度的计算公式为：
sim(u,v)＝βsimtime(u,v)+(1?β)simrating(u,v)预测评分的计算公式为：
式中，α表示直接信任度的权重因子，t表示信任标记，sim(u，v)表示实际卖家u和实际卖家v之间的综合相似度，表示存在，β表示相似度的权重因子，simtime(u，v)表示实际卖家u和实际卖家v之间基于时间间隔与共同评分数量的相似度，simrating(u，v)表示实际卖家u和实际卖家v之间基于共同评分误差的相似度，P(u，j)表示实际卖家u对销售策略j的预测评分， 表示实际卖家u的平均评分， 表示实际卖家v的平均评分，NN(u)表示实际卖家u的最近邻居集合，Rvj表示实际卖家v对销售策略j的评分。
2.根据权利要求1所述的一种基于AI预测的农产品期货交易平台，其特征在于，所述利用基于标签传递的重叠社区发现算法对卖家信任网络进行虚拟社区划分，为每个实际卖家分配对应的专属虚拟社区，并确定目标实际卖家的虚拟社区情况包括：为卖家信任网络中的每个实际卖家节点分配一个唯一的标签，并对于卖家信任网络中的每个实际卖家节点根据其所有邻居更新每个实际卖家节点的标签；
重复标签传递过程直至超过预设数量节点的标签稳定，并根据最终的标签分配将具有相同标签的实际卖家归为同一个社区，直至为所有的实际卖家分配对应的专属虚拟社区；
判断目标实际卖家是否为新的实际卖家，若是，则根据其兴趣选择对应的虚拟社区，并指定虚拟社区内影响力最高的实际卖家作为参照实际卖家，若否，则获取目标实际卖家的专属虚拟社区。
3.根据权利要求1所述的一种基于AI预测的农产品期货交易平台，其特征在于，所述利用实际卖家信任的传播计算目标实际卖家与其他实际卖家之间的综合信任度，并利用综合信任度最高的实际卖家的销售数据进行销售策略评分预测，同时根据预测评分选择最好的销售策略推荐给目标实际卖家包括：在每个实际卖家的专属虚拟社区内进行信任传播，计算实际卖家之间的间接信任度，并结合直接信任度和间接信任度计算每个实际卖家对其他实际卖家的综合信任度；
其中，综合信任度的计算公式为：
T(u,v)＝λTa(u,v)+(1?λ)Tb(u,v)
式中，T(u,v)表示实际卖家u和实际卖家v之间综合信任度，λ表示综合信任度的权重因子，Ta(u,v)表示实际卖家u和实际卖家v之间直接信任度，Tb(u,v)表示实际卖家u和实际卖家v之间间接信任度，Ta(u,u’)表示实际卖家u和实际卖家u’之间直接信任度，且实际卖家u’是实际卖家u和实际卖家v之间的实际卖家，Tb(u’,v)表示实际卖家u’和实际卖家v之间直接信任度，d表示信任随传播距离的增加而降低的衰减因子，NN(u’)表示实际卖家u’的最近邻居集合；
基于综合信任度选择与目标实际卖家信任度最高的若干实际卖家作为最近邻居集合，并利用协同过滤算法根据最近邻居集合中实际卖家的销售数据预测不同销售策略的效果评分，其中，销售数据包括销售策略及成效；
根据评分预测的排序结果选择预测评分最高的销售策略并推荐给目标实际卖家，其中，销售策略包括产品价格及最佳销售时机。
4.根据权利要求1所述的一种基于AI预测的农产品期货交易平台，其特征在于，所述潜在产品推荐模块(22)在利用基于信任机制的推荐算法为实际买家推荐潜在产品信息时包括：利用实际买家的信任标记数据及产品评分数据计算实际买家之间的直接信任度，并基于实际买家之间的直接信任度构建买家信任网络；
利用基于标签传递的重叠社区发现算法对买家信任网络进行虚拟社区划分，为每个实际买家分配对应的专属虚拟社区，并确定目标实际买家的虚拟社区情况；
利用实际买家信任的传播计算目标实际买家与其他实际买家之间的综合信任度，并对综合信任度最高的实际买家的产品进行评分预测，同时根据预测评分选择最好的产品推荐给目标实际买家。
5.根据权利要求4所述的一种基于AI预测的农产品期货交易平台，其特征在于，所述利用基于标签传递的重叠社区发现算法对买家信任网络进行虚拟社区划分，为每个实际买家分配对应的专属虚拟社区，并确定目标实际买家的虚拟社区情况包括：为买家信任网络中的每个实际买家节点分配一个唯一的标签，并对于买家信任网络中的每个实际买家节点根据其所有邻居更新每个实际买家节点的标签；
重复标签传递过程直至超过预设数量节点的标签稳定，并根据最终的标签分配将具有相同标签的实际买家归为同一个社区，直至为所有的实际买家分配对应的专属虚拟社区；
判断目标实际买家是否为新的实际买家，若是，则根据其兴趣选择对应的虚拟社区，并指定虚拟社区内影响力最高的实际买家作为参照实际买家，若否，则获取目标实际买家的专属虚拟社区。
6.根据权利要求4所述的一种基于AI预测的农产品期货交易平台，其特征在于，所述利用实际买家信任的传播计算目标实际买家与其他实际买家之间的综合信任度，并对综合信任度最高的实际买家的产品进行评分预测，同时根据预测评分选择最好的产品推荐给目标实际买家包括：在每个实际买家的专属虚拟社区内进行信任传播，计算实际买家之间的间接信任度，并结合直接信任度和间接信任度计算每个实际买家对其他实际买家的综合信任度；
基于综合信任度选择与目标实际买家信任度最高的若干实际买家作为最近邻居集合，并利用协同过滤算法对最近邻居集合中实际买家的产品进行评分预测；
根据评分预测的排序结果选择预测评分最高的产品并推荐给目标实际买家。
7.根据权利要求1所述的一种基于AI预测的农产品期货交易平台，其特征在于，所述平台服务模块(5)包括待交割服务模块(51)、交割服务模块(52)及交割完成模块(53)；
其中，所述待交割服务模块(51)，用于对谈判签约成功的买家提供交割前的监测预警服务，并按信息重要度分级收取服务费；
所述交割服务模块(52)，用于对谈判签约成功的买家提供代理采摘、代理包装及代理运输的服务，并收取对应的服务费；
所述交割完成模块(53)，用于对谈判签约成功的卖家提供交易担保、交割担保及货款清算服务，并按服务内容与服务深度分级收取服务费。 说明书 : 一种基于AI预测的农产品期货交易平台技术领域[0001] 本发明涉及农产品交易技术领域，具体来说，涉及一种基于AI预测的农产品期货交易平台。背景技术[0002] 在当今的农产品市场中，两种主流的交易方式，即现货交易和产地包断交易，各自面临独特的挑战。这些挑战不仅影响着农产品的销售和质量，而且对农民和消费者的经济福祉产生深远影响。[0003] 对于现货交易而言，其核心问题在于农产品的成熟和上市周期高度集中。这种情况常常导致市场在相同的时期内被大量同类农产品所淹没。例如，如果多数农场同时收割小麦，市场将瞬间充斥大量小麦，这可能远远超出消费者和加工商的即时需求。结果，供应量的激增导致产品价格急剧下跌，农民收入降低，甚至面临滞销的风险。在这种模式下，由于缺乏有效的市场调节机制，农产品价格波动剧烈，农民的经济状况因此变得更加不稳定和不可预测。[0004] 另一方面，产地包断交易作为一种替代方案，同样存在问题。在这种交易形式中，买方事先与生产者签订合同，承诺购买未来某一时间点的农产品。虽然这种方式为农民提供了销售保障，但它也可能导致一系列问题。首先，由于销售已被合同保障，农民可能在生产过程中失去了维持或提高产品质量的积极性。其次，满足合同要求可能导致管理成本的增加，尤其是在需要采取特殊措施以确保产品质量和产量时。此外，如果农民在管理上有所松懈，最终可能导致在收获时发现产品质量不达标，这不仅损害了农民的信誉，也使得产品无法进入市场销售，造成严重的经济损失。[0005] 因此，面对现有技术中现货交易和产地包断交易方式中存在的问题，本发明提出了一种基于AI预测的农产品期货交易平台。发明内容[0006] 针对相关技术中的问题，本发明提出一种基于AI预测的农产品期货交易平台，以克服现有相关技术所存在的上述技术问题。[0007] 为此，本发明采用的具体技术方案如下：[0008] 一种基于AI预测的农产品期货交易平台，包括预测展示模块、定制化服务模块、预购竞价模块、代理谈判模块及平台服务模块；[0009] 其中，预测展示模块，用于利用人工智能技术对农产品的产量及品质进行实时预测，并结合地图对预测结果进行三维效果呈现；[0010] 定制化服务模块，用于利用基于信任机制的推荐算法分别为卖家和买家推荐销售策略信息和潜在产品信息；[0011] 预购竞价模块，用于根据预测结果定期组织预购竞价，并取最高预购竞价者作为实际买家，同时向实际买家收取预定的保证金；[0012] 代理谈判模块，用于平台以代理人的身份向实际卖家进行预购谈判，若谈判成功，则通知实际买家补齐全款，并进入冻结待交割状态，若谈判失败，则退回实际买家的保证金；[0013] 平台服务模块，用于向谈判签约成功的实际买卖双方提供待交割服务及交割服务。[0014] 作为优选地，预测展示模块包括数据采集模块、实时预测模块及三维效果展示模块；[0015] 其中，数据采集模块，用于采集农作物的历史生长数据及实时生长数据，生长数据包括农业基建数据、智能硬件数据、种植信息数据、土壤信息数据及天气信息数据；[0016] 实时预测模块，用于利用训练好的卷积神经网络模型根据实时的生长数据输出与之相对应的农产品产量及品质的预测结果；[0017] 三维效果展示模块，用于将预测结果与地图数据相结合，并在地图上对预测结果进行三维效果展示。[0018] 作为优选地，定制化服务模块包括销售策略推荐模块及潜在产品推荐模块；[0019] 其中，销售策略推荐模块，用于利用基于信任机制的推荐算法为实际卖家推荐销售策略信息；[0020] 潜在产品推荐模块，用于利用基于信任机制的推荐算法为实际买家推荐潜在产品信息。[0021] 作为优选地，销售策略推荐模块在利用基于信任机制的推荐算法为实际卖家推荐销售策略信息时包括：[0022] 利用实际卖家的信任标记数据及销售产品评分数据计算实际卖家之间的直接信任度，并基于实际卖家之间的直接信任度构建卖家信任网络；[0023] 利用基于标签传递的重叠社区发现算法对卖家信任网络进行虚拟社区划分，为每个实际卖家分配对应的专属虚拟社区，并确定目标实际卖家的虚拟社区情况；[0024] 利用实际卖家信任的传播计算目标实际卖家与其他实际卖家之间的综合信任度，并利用综合信任度最高的实际卖家的销售数据进行销售策略评分预测，同时根据预测评分选择最好的销售策略推荐给目标实际卖家；[0025] 其中，直接信任度的计算公式为：[0026][0027] sim(u,v)＝βsimtime(u,v)+(1?β)simrating(u,v)[0028] 预测评分的计算公式为：[0029][0030] 式中，α表示直接信任度的权重因子，t表示信任标记，sim(u，v)表示实际卖家u和实际卖家v之间的综合相似度，表示存在，β表示相似度的权重因子，simtime(u，v)表示实际卖家u和实际卖家v之间基于时间间隔与共同评分数量的相似度，simrating(u，v)表示实际卖家u和实际卖家v之间基于共同评分误差的相似度，P(u，j)表示实际卖家u对销售策略j的预测评分， 表示实际卖家u的平均评分， 表示实际卖家v的平均评分，NN(u)表示实际卖家u的最近邻居集合，Rvj表示实际卖家v对销售策略j的评分。[0031] 作为优选地，利用基于标签传递的重叠社区发现算法对卖家信任网络进行虚拟社区划分，为每个实际卖家分配对应的专属虚拟社区，并确定目标实际卖家的虚拟社区情况包括：[0032] 为卖家信任网络中的每个实际卖家节点分配一个唯一的标签，并对于卖家信任网络中的每个实际卖家节点根据其所有邻居更新每个实际卖家节点的标签；[0033] 重复标签传递过程直至超过预设数量节点的标签稳定，并根据最终的标签分配将具有相同标签的实际卖家归为同一个社区，直至为所有的实际卖家分配对应的专属虚拟社区；[0034] 判断目标实际卖家是否为新的实际卖家，若是，则根据其兴趣选择对应的虚拟社区，并指定虚拟社区内影响力最高的实际卖家作为参照实际卖家，若否，则获取目标实际卖家的专属虚拟社区。[0035] 作为优选地，利用实际卖家信任的传播计算目标实际卖家与其他实际卖家之间的综合信任度，并利用综合信任度最高的实际卖家的销售数据进行销售策略评分预测，同时根据预测评分选择最好的销售策略推荐给目标实际卖家包括：[0036] 在每个实际卖家的专属虚拟社区内进行信任传播，计算实际卖家之间的间接信任度，并结合直接信任度和间接信任度计算每个实际卖家对其他实际卖家的综合信任度；[0037] 其中，综合信任度的计算公式为：[0038] T(u,v)＝λTa(u,v)+(1?λ)Tb(u,v)[0039][0040] 式中，T(u,v)表示实际卖家u和实际卖家v之间综合信任度，λ表示综合信任度的权重因子，Ta(u,v)表示实际卖家u和实际卖家v之间直接信任度，Tb(u,v)表示实际卖家u和实际卖家v之间间接信任度，Ta(u,u’)表示实际卖家u和实际卖家u’之间直接信任度，且实际卖家u’是实际卖家u和实际卖家v之间的实际卖家，Tb(u’,v)表示实际卖家u’和实际卖家v之间直接信任度，d表示信任随传播距离的增加而降低的衰减因子，NN(u’)表示实际卖家u’的最近邻居集合；[0041] 基于综合信任度选择与目标实际卖家信任度最高的若干实际卖家作为最近邻居集合，并利用协同过滤算法根据最近邻居集合中实际卖家的销售数据预测不同销售策略的效果评分，其中，销售数据包括销售策略及成效；[0042] 根据评分预测的排序结果选择预测评分最高的销售策略并推荐给目标实际卖家，其中，销售策略包括产品价格及最佳销售时机。[0043] 作为优选地，潜在产品推荐模块在利用基于信任机制的推荐算法为实际买家推荐潜在产品信息时包括：[0044] 利用实际买家的信任标记数据及产品评分数据计算实际买家之间的直接信任度，并基于实际买家之间的直接信任度构建买家信任网络；[0045] 利用基于标签传递的重叠社区发现算法对买家信任网络进行虚拟社区划分，为每个实际买家分配对应的专属虚拟社区，并确定目标实际买家的虚拟社区情况；[0046] 利用实际买家信任的传播计算目标实际买家与其他实际买家之间的综合信任度，并对综合信任度最高的实际买家的产品进行评分预测，同时根据预测评分选择最好的产品推荐给目标实际买家。[0047] 作为优选地，利用基于标签传递的重叠社区发现算法对买家信任网络进行虚拟社区划分，为每个实际买家分配对应的专属虚拟社区，并确定目标实际买家的虚拟社区情况包括：[0048] 为买家信任网络中的每个实际买家节点分配一个唯一的标签，并对于买家信任网络中的每个实际买家节点根据其所有邻居更新每个实际买家节点的标签；[0049] 重复标签传递过程直至超过预设数量节点的标签稳定，并根据最终的标签分配将具有相同标签的实际买家归为同一个社区，直至为所有的实际买家分配对应的专属虚拟社区；[0050] 判断目标实际买家是否为新的实际买家，若是，则根据其兴趣选择对应的虚拟社区，并指定虚拟社区内影响力最高的实际买家作为参照实际买家，若否，则获取目标实际买家的专属虚拟社区。[0051] 作为优选地，利用实际买家信任的传播计算目标实际买家与其他实际买家之间的综合信任度，并对综合信任度最高的实际买家的产品进行评分预测，同时根据预测评分选择最好的产品推荐给目标实际买家包括：[0052] 在每个实际买家的专属虚拟社区内进行信任传播，计算实际买家之间的间接信任度，并结合直接信任度和间接信任度计算每个实际买家对其他实际买家的综合信任度；[0053] 基于综合信任度选择与目标实际买家信任度最高的若干实际买家作为最近邻居集合，并利用协同过滤算法对最近邻居集合中实际买家的产品进行评分预测；[0054] 根据评分预测的排序结果选择预测评分最高的产品并推荐给目标实际买家。[0055] 作为优选地，平台服务模块包括待交割服务模块、交割服务模块及交割完成模块；[0056] 其中，待交割服务模块，用于对谈判签约成功的买家提供交割前的监测预警服务，并按信息重要度分级收取服务费；[0057] 交割服务模块，用于对谈判签约成功的买家提供代理采摘、代理包装及代理运输的服务，并收取对应的服务费；[0058] 交割完成模块，用于对谈判签约成功的卖家提供交易担保、交割担保及货款清算服务，并按服务内容与服务深度分级收取服务费。[0059] 与现有技术相比，本发明提供了基于AI预测的农产品期货交易平台，具备以下有益效果：[0060] (1)本发明通过人工智能技术对农产品产量和品质进行实时预测，可以帮助卖方快速预售出大部分农产品，避开集体上市时的农产品滞销，且能够为其他卖方提供市场需求的客观指导，即市场需要什么应该朝什么方向调整生产标准等；此外，不仅可以利用基于信任机制的推荐算法为买家和卖家提供个性化的销售策略和潜在产品信息，大幅提升了交易决策的效率和质量，而且还可以利用预购竞价模块为农产品的购买提供了一个公平、透明的平台，优化了价格发现机制，从而可以为农产品期货交易带来了更高的效率、透明度和用户满意度。[0061] (2)本发明通过先收取买方保证金，再冻结全部货款实现对卖方的交易保证，在而预售成功以后，平台开始介入全程监管与实时数据采集和推测更新农产品预期质量，从而可以反向实现对生产过程是否合格的有效监管，直至最后对买方的货品交割，从而不仅能让卖方全程即不用担心销售风险，安心铺在生产品质的管理上，而且也能让买方不用担心货源供应风险，安心铺在市场的分销过程上。[0062] (3)本发明通过利用信任标记数据及评分数据计算卖方之间或买方之间的直接信任度，并利用得到的直接信任度构建卖方或买方信任网络，从而可以利用重叠社区发现算法为卖方或买方划分专属虚拟社区进行信任传播，弥补直接信任度数量的不足，进而可以利用专属虚拟社区并进行信任传播计算得到卖方之间或买方之间的综合信任度，并利用协同过滤算法结合综合信任度为买家或卖家提供个性化的销售策略和潜在产品信息，可以有效的提高销售策略和潜在产品信息的推荐质量。附图说明[0063] 此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：[0064] 图1是根据本发明实施例的一种基于AI预测的农产品期货交易平台的结构框图；[0065] 图2是根据本发明实施例的一种基于AI预测的农产品期货交易平台的原理示意图。[0066] 图中：[0067] 1、预测展示模块；11、数据采集模块；12、实时预测模块；13、三维效果展示模块；2、定制化服务模块；21、销售策略推荐模块；22、潜在产品推荐模块；3、预购竞价模块；4、代理谈判模块；5、平台服务模块；51、待交割服务模块；52、交割服务模块；53、交割完成模块。具体实施方式[0068] 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、完整地描述，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。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。[0069] 根据本发明的实施例，提供了一种基于AI预测的农产品期货交易平台。[0070] 现结合附图和具体实施方式对本发明进一步说明，如图1?图2所示，根据本发明的一个实施例，提供了一种基于AI预测的农产品期货交易平台，包括预测展示模块1、定制化服务模块2、预购竞价模块3、代理谈判模块4及平台服务模块5；[0071] 其中，预测展示模块1，用于利用人工智能技术对农产品的产量及品质进行实时预测，并结合地图对预测结果进行三维效果呈现；[0072] 具体，预测展示模块1包括数据采集模块11、实时预测模块12及三维效果展示模块13；[0073] 其中，数据采集模块11，用于采集农作物的历史生长数据及实时生长数据，生长数据包括农业基建数据、智能硬件数据、种植信息数据、土壤信息数据及天气信息数据；[0074] 具体的，农业基建包括：[0075] 灌溉系统：包括水源、管道、喷灌或滴灌设备等。[0076] 仓储设施：粮仓、冷藏库等用于存储农产品的设施。[0077] 加工设施：用于初步加工农产品(如清洗、分级、包装等)的设备。[0078] 运输设施：用于农产品运输的车辆、道路等。[0079] 能源供应：如太阳能板、风力发电等，用于农场的能源供应。[0080] 智能硬件包括：[0081] 传感器：监测土壤湿度、温度、pH值等。[0082] 无人机和卫星：用于空中监测作物生长状况、病虫害情况等。[0083] 自动化机械：如自动化播种机、收割机等。[0084] 监控摄像头：用于实时监控农场的安全和作物生长情况。[0085] 种植信息包括：[0086] 作物种类：正在种植的作物类型。[0087] 种植日期：作物的播种时间。[0088] 生长阶段：作物目前的生长阶段，如发芽、开花、成熟等。[0089] 种植密度：作物的种植密度和布局。[0090] 土壤信息包括：[0091] 土壤类型：沙土、壤土、黏土等。[0092] 土壤pH值：土壤的酸碱度。[0093] 土壤养分含量：如氮、磷、钾等养分的含量。[0094] 土壤湿度：土壤的水分含量。[0095] 天气信息包括：[0096] 温度：当前和预测的气温。[0097] 降水量：当前和预测的降水量。[0098] 湿度：空气的湿度。[0099] 风速和风向：风的速度和方向。[0100] 光照强度：阳光的强度和持续时间。[0101] 实时预测模块12，用于利用训练好的卷积神经网络模型根据实时的生长数据输出与之相对应的农产品产量及品质的预测结果；[0102] 具体的，利用训练好的卷积神经网络模型进行实时的农产品产量及品质预测包括以下步骤：[0103] 1)数据收集：收集实时的生长数据，包括农作物的生长情况、环境因素等。[0104] 2)数据预处理：对收集到的数据进行预处理，包括数据清洗、特征提取、数据归一化等。确保数据的质量和一致性。[0105] 3)模型加载：加载训练好的卷积神经网络模型，该模型已经通过大量的历史数据进行训练，可以对农产品产量及品质进行预测。[0106] 4)特征提。航ご砗蟮氖凳笔菔淙氲骄砘窬缒Ｐ椭，通过卷积和池化等操作，提取出数据中的关键特征。[0107] 5)预测结果：将提取的特征输入到全连接层中，通过神经网络的前向传播计算，得到农产品产量及品质的预测结果。可以根据模型的设计，输出产量的具体数值以及品质的分类结果。[0108] 三维效果展示模块13，用于将预测结果与地图数据相结合，并在地图上对预测结果进行三维效果展示。[0109] 定制化服务模块2，用于利用基于信任机制的推荐算法分别为卖家和买家推荐销售策略信息和潜在产品信息；[0110] 具体的，定制化服务模块2包括销售策略推荐模块21及潜在产品推荐模块22；[0111] 其中，销售策略推荐模块21，用于利用基于信任机制的推荐算法为实际卖家推荐销售策略信息；具体的，在利用基于信任机制的推荐算法为实际卖家推荐销售策略信息时包括：[0112] 利用实际卖家的信任标记数据及销售产品评分数据计算实际卖家之间的直接信任度，并基于实际卖家之间的直接信任度构建卖家信任网络；[0113] 具体的，在计算用户直接信任度时，综合显性与隐性直接信任度两个方面。显性直接信任度是基于用户间的明确信任标记，如若一个用户对另一个用户做出信任标记(记为t，其中t＝1)，则表明存在显性直接信任度。如果没有显性信任标记(t不存在)，则需要考虑隐性直接信任度。隐性直接信任度通过分析用户的历史评分行为来计算，将用户和用户之间的评分行为相似度作为隐性直接信任度的依据。[0114] 利用基于标签传递的重叠社区发现算法对卖家信任网络进行虚拟社区划分，为每个实际卖家分配对应的专属虚拟社区，并确定目标实际卖家的虚拟社区情况；具体包括：[0115] 为卖家信任网络中的每个实际卖家节点分配一个唯一的标签(这些标签将在算法的后续步骤中用于识别和归类社区)；对于网络中的每个卖家节点，考虑其所有邻居(即直接信任关系的其他实际卖家)，更新每个实际卖家节点的标签，使其与其邻居中最常见的标签相匹配(这一步骤模拟了社区成员间的相互影响和适应)；重复标签传递过程直至超过预设数量节点的标签稳定，在每次迭代中，实际卖家将趋向于与其信任度高的其他实际卖家共享相同的社区标签，根据最终的标签分配，将具有相同标签的实际卖家归为同一个社区，由于实际卖家可能与多个社区的成员有密切联系，因此他们可以属于多个重叠的社区，直至为所有的实际卖家分配对应的专属虚拟社区；判断目标实际卖家是否为新的实际卖家，若是，则根据其兴趣选择对应的虚拟社区，并指定虚拟社区内影响力最高的实际卖家作为参照实际卖家，若否，则获取目标实际卖家的专属虚拟社区。[0116] 利用实际卖家信任的传播计算目标实际卖家与其他实际卖家之间的综合信任度，并利用综合信任度最高的实际卖家的销售数据进行销售策略评分预测，同时根据预测评分选择最好的销售策略推荐给目标实际卖家；具体包括：[0117] 在每个实际卖家的专属虚拟社区内进行信任传播，计算实际卖家之间的间接信任度，并结合直接信任度和间接信任度计算每个实际卖家对其他实际卖家的综合信任度；基于综合信任度选择与目标实际卖家信任度最高的若干实际卖家作为最近邻居集合，并利用协同过滤算法根据最近邻居集合中实际卖家的销售数据预测不同销售策略的效果评分，其中，销售数据包括销售策略及成效；根据评分预测的排序结果选择预测评分最高的销售策略并推荐给目标实际卖家，其中，销售策略包括产品价格及最佳销售时机。[0118] 其中，在每个实际卖家的专属虚拟社区内进行信任传播，计算间接信任度的步骤可以根据以下方法进行：[0119] 1)定义信任传播模型[0120] 选择模型：首先确定一个信任传播模型。这个模型定义了如何根据已有的直接信任度来推断间接信任度。[0121] 参数设置：根据模型的需要，设定相关参数，如传播深度、信任衰减因子等。[0122] 2)直接信任度的确定[0123] 使用直接信任度：信任传播的起点是直接信任度，即实际卖家之间因直接互动(如交易、评价)形成的信任关系。[0124] 3)传播过程[0125] 邻居节点的选择：从目标实际卖家的专属虚拟社区开始，识别其直接信任的邻居节点。[0126] 逐级传播：将信任从直接邻居传播到更远的节点，每一步传播可能伴随信任度的衰减。[0127] 4)计算间接信任度[0128] 累积信任度：通过累加目标实际卖家通过不同路径到达特定实际卖家的信任度，计算间接信任度。[0129] 考虑路径长度和信任衰减：较长的传播路径通常意味着更大的信任衰减。因此，应当考虑路径长度和可能的信任衰减来调整信任度的累积。[0130] 归一化处理：对计算出的信任度进行归一化处理，以确保信任度的合理性和可比性。[0131] 5)集成多路径信任度[0132] 整合多个信任路径：如果存在多个信任路径连接目标实际卖家与其他实际卖家，应当将这些路径上的信任度进行适当的整合。[0133] 综合考虑：在整合多路径信任度时，还需考虑各路径的可靠性、长度和信任强度等因素。[0134] 其中，直接信任度的计算公式为：[0135][0136] sim(u,v)＝βsimtime(u,v)+(1?β)simrating(u,v)[0137] 预测评分的计算公式为：[0138][0139] 综合信任度的计算公式为：[0140] T(u,v)＝λTa(u,v)+(1?λ)Tb(u,v)[0141][0142] 式中，α表示直接信任度的权重因子，t表示信任标记，sim(u，v)表示实际卖家u和实际卖家v之间的综合相似度，表示存在，β表示相似度的权重因子，simtime(u，v)表示实际卖家u和实际卖家v之间基于时间间隔与共同评分数量的相似度，simrating(u，v)表示实际卖家u和实际卖家v之间基于共同评分误差的相似度，P(u，j)表示实际卖家u对销售策略j的预测评分， 表示实际卖家u的平均评分， 表示实际卖家v的平均评分，NN(u)表示实际卖家u的最近邻居集合，Rvj表示实际卖家v对销售策略j的评分，T(u,v)表示实际卖家u和实际卖家v之间综合信任度，λ表示综合信任度的权重因子，Ta(u,v)表示实际卖家u和实际卖家v之间直接信任度，Tb(u,v)表示实际卖家u和实际卖家v之间间接信任度，Ta(u,u’)表示实际卖家u和实际卖家u’之间直接信任度，且实际卖家u’是实际卖家u和实际卖家v之间的实际卖家，Tb(u’,v)表示实际卖家u’和实际卖家v之间直接信任度，d表示信任随传播距离的增加而降低的衰减因子，NN(u’)表示实际卖家u’的最近邻居集合。[0143] 潜在产品推荐模块22，用于利用基于信任机制的推荐算法为实际买家推荐潜在产品信息。[0144] 具体的，潜在产品推荐模块22在利用基于信任机制的推荐算法为实际买家推荐潜在产品信息时包括：[0145] 利用实际买家的信任标记数据及产品评分数据计算实际买家之间的直接信任度，并基于实际买家之间的直接信任度构建买家信任网络；[0146] 利用基于标签传递的重叠社区发现算法对买家信任网络进行虚拟社区划分，为每个实际买家分配对应的专属虚拟社区，并确定目标实际买家的虚拟社区情况；具体包括：[0147] 为买家信任网络中的每个实际买家节点分配一个唯一的标签，并对于买家信任网络中的每个实际买家节点根据其所有邻居更新每个实际买家节点的标签；重复标签传递过程直至超过预设数量节点的标签稳定，并根据最终的标签分配将具有相同标签的实际买家归为同一个社区，直至为所有的实际买家分配对应的专属虚拟社区；判断目标实际买家是否为新的实际买家，若是，则根据其兴趣选择对应的虚拟社区，并指定虚拟社区内影响力最高的实际买家作为参照实际买家，若否，则获取目标实际买家的专属虚拟社区。[0148] 利用实际买家信任的传播计算目标实际买家与其他实际买家之间的综合信任度，并对综合信任度最高的实际买家的产品进行评分预测，同时根据预测评分选择最好的产品推荐给目标实际买家。具体包括：[0149] 在每个实际买家的专属虚拟社区内进行信任传播，计算实际买家之间的间接信任度，并结合直接信任度和间接信任度计算每个实际买家对其他实际买家的综合信任度；基于综合信任度选择与目标实际买家信任度最高的若干实际买家作为最近邻居集合，并利用协同过滤算法对最近邻居集合中实际买家的产品进行评分预测；根据评分预测的排序结果选择预测评分最高的产品并推荐给目标实际买家。[0150] 预购竞价模块3，用于根据预测结果定期组织预购竞价，并取最高预购竞价者作为实际买家，同时向实际买家收取预定的保证金；[0151] 具体的，平台每周取每个公布结果的最高竞价，作为一种收购邀约意向，向提供最高价买家收取一定保证金后，平台以代理人身份向此结果的资产持有人，就行预收购谈判。[0152] 预购竞价时未向资产持有者(即实际卖方)申请信息公开允许，因为AI所用数据来自于公共公开数据，采集端也由政府公共性质基建，所以分析结果是基于政府公共公开数据的分析，可直接作为信息预测公布，类似各类基于公开信息做企业信誉评级的机构操作办法。[0153] 代理谈判模块4，用于平台以代理人的身份向实际卖家进行预购谈判，若谈判成功，则通知实际买家补齐全款，并进入冻结待交割状态，若谈判失败，则退回实际买家的保证金；[0154] 具体的，若资产持有者在本年度是首次卖出，平台作为正常交易不收取手续费。如是二次及以上卖出，平台视作农产品炒作交易收取一定的交易手续费。[0155] 平台服务模块5，用于向谈判签约成功的实际买卖双方提供待交割服务及交割服务。[0156] 预售成功以后，平台开始介入全程监管与实时数据采集和推测更新农产品预期质量，通过这个过程反向实现对生产过程是否合格的有效监管，且本监管一直持续到最后对买方的货品交割，买方验收确认以后才会通知平台解冻货款，支付给卖方。[0157] 具体的，平台服务模块5包括待交割服务模块51、交割服务模块52及交割完成模块53；[0158] 其中，待交割服务模块51，用于对谈判签约成功的买家提供交割前的监测预警服务，并按信息重要度分级收取服务费；[0159] 交割服务模块52，用于对谈判签约成功的买家提供代理采摘、代理包装及代理运输的服务，并收取对应的服务费；[0160] 交割完成模块53，用于对谈判签约成功的卖家提供交易担保、交割担保及货款清算服务，并按服务内容与服务深度分级收取服务费。[0161] 综上，借助于本发明的上述技术方案，本发明通过人工智能技术对农产品产量和品质进行实时预测，可以帮助卖方快速预售出大部分农产品，避开集体上市时的农产品滞销，且能够为其他卖方提供市场需求的客观指导，即市场需要什么应该朝什么方向调整生产标准等；此外，不仅可以利用基于信任机制的推荐算法为买家和卖家提供个性化的销售策略和潜在产品信息，大幅提升了交易决策的效率和质量，而且还可以利用预购竞价模块为农产品的购买提供了一个公平、透明的平台，优化了价格发现机制，从而可以为农产品期货交易带来了更高的效率、透明度和用户满意度。[0162] 此外，本发明通过先收取买方保证金，再冻结全部货款实现对卖方的交易保证，在而预售成功以后，平台开始介入全程监管与实时数据采集和推测更新农产品预期质量，从而可以反向实现对生产过程是否合格的有效监管，直至最后对买方的货品交割，从而不仅能让卖方全程即不用担心销售风险，安心铺在生产品质的管理上，而且也能让买方不用担心货源供应风险，安心铺在市场的分销过程上。[0163] 此外，本发明通过利用信任标记数据及评分数据计算卖方之间或买方之间的直接信任度，并利用得到的直接信任度构建卖方或买方信任网络，从而可以利用重叠社区发现算法为卖方或买方划分专属虚拟社区进行信任传播，弥补直接信任度数量的不足，进而可以利用专属虚拟社区并进行信任传播计算得到卖方之间或买方之间的综合信任度，并利用协同过滤算法结合综合信任度为买家或卖家提供个性化的销售策略和潜在产品信息，可以有效的提高销售策略和潜在产品信息的推荐质量。[0164] 以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。本领域普通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，所述的程序可以存储于一计算机可读取存储介质中，该程序在执行时，包括以上方法所述的步骤，所述的存储介质，如：ROM/RAM、磁碟、光盘等。[0165] 以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

专利地区：江西

专利申请日期：2024-05-14

专利公开日期：2024-11-29

专利公告号：CN118365422B