一种基于机器学习的火龙果上市时间预测的方法

摘要

本发明公开一种基于机器学习的火龙果上市时间预测的方法，包括以下步骤：（1）数据采集：采集火龙果基地气象因素及对应的上市时间的历史数据，构建火龙果气象历史数据库；（2）机器学习训练：对火龙果气象历史数据库的上市时间进行提取与随机分配，形成训练集和测试集；（3）获得新的特征值：从火龙果气象历史数据库提取的火龙果基地气象因素作为特征扩展和训练集向量化后进行拼接得到新的向量；将现有的火龙果基地气象因素作为输入来训练卷积神经网络，再把测试集输入到训练好的卷积神经网络进行机器学习，获得新的特征值；（4）获得上市预测时间：针对新的特征值进行预测，获得上市预测时间。本发明具有推广性、普适性。

说明书

技术领域

本发明涉及火龙果产量预测技术领域，更具体地，涉及一种基于机器学习的火龙果上市时间预测的方法。

背景技术

火龙果[Hylocereus undatus spp.]，又名红龙果、仙蜜果、情人果、芝麻果等，是仙人掌科(Cactaceae)量天尺属(Hylocereus undatus)的多年生攀援性的肉质植物，属热带、亚热带果树，起源于中美洲的热带雨林及沙漠地带，人工栽培遍及中美洲、以色列、越南、泰国、美国等，在我国台湾栽培较多，已有几十年历史，中国大陆近年来在广西、广东、福建等地兴起，发展面积约32万亩，其中，福建约2万多亩，并呈快速发展的势头。火龙果集水果、花卉、蔬菜、保健为一体，有很高的经济价值。火龙果根系特别发达，无明显主根，根系较浅，多分布2-15cm表土层中；茎蔓上长有攀缘根，攀缘于棚架或其他柱状支撑物向上生长；植株生长旺盛，萌芽力和发枝力较强，一年四季均可生长；无叶片，光合作用靠茎蔓来完成，肉质茎蔓粗壮，呈三角柱形或四棱柱形。火龙果适应性强、速生、早结、果大、丰产、无大小年等优点。

目前，市场上火龙果上市时间预测还是以人工判断为主，需要到基地进行实地观察，还需要经验丰富的农业人员进行判断。因此增加了上市时间预测的限制，如消耗时间成本、现场观测麻烦、人员技术要求高等。在火龙果种植中，使得时间成本、人工成本增加。

发明内容

本发明针对背景技术存在的不足，提供了一种基于机器学习的火龙果上市时间预测的方法，不需要消耗时间成本、现场观测便利、不需要太高的人员技术，节约时间成本和人力成本。

为解决上述问题，提供一种基于机器学习的火龙果上市时间预测的方法，包括以下步骤：

（1）数据采集：采集火龙果基地气象因素及对应的上市时间的历史数据，构建火龙果气象历史数据库；

（2）机器学习训练：对火龙果气象历史数据库的上市时间进行提取与随机分配，形成训练集和测试集；

（3）获得新的特征值：从火龙果气象历史数据库提取的火龙果基地气象因素作为特征扩展和训练集向量化后进行拼接得到新的向量；将现有的火龙果基地气象因素作为输入来训练卷积神经网络，再把测试集输入到训练好的卷积神经网络进行机器学习，获得新的特征值；

（4）获得上市预测时间：针对新的特征值进行预测，获得上市预测时间。

特别的，所述步骤（1）中火龙果基地气象因素包括大气温度、大气湿度、光照时长、光照强度、平均温度、积温、降雨量、最高温、最低温。

特别的，所述步骤（4）的具体实施方法为：构建特征值与上市时间的回归模型，获得上市预测时间。

本发明的有益效果：

本发明通过大量的火龙果的历史数据，利用机器学习的算法进行训练，最后自动对新的火龙果进行上市时间预测。从而减少时间成本，降低人工成本，远程智能预测，降低了区域限制，预测更准，进一步提高种植的效率。火龙果上市时间预测可以提前通知种植户进行相关的采收计划，制定销售战略，得到更多的产值。

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，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地介绍，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他的附图。

图1为本发明实施例的预测方法流程图。

具体实施方式

下面结合附图对本发明的优选实施例进行详细阐述，以使本发明的优点和特征能更易于被本领域技术人员理解，从而对本发明的保护范围做出更为清楚明确的界定。

如图1所示，本实施例的一种基于机器学习的火龙果上市时间预测的方法，包括以下步骤：

（1）数据采集：采集火龙果基地气象因素及对应的上市时间的历史数据，构建火龙果气象历史数据库；火龙果基地气象因素包括大气温度、大气湿度、光照时长、光照强度、平均温度、积温、降雨量、最高温、最低温。

（2）机器学习训练：对火龙果气象历史数据库的上市时间进行提取与随机分配，形成训练集和测试集；

（3）获得新的特征值：从火龙果气象历史数据库提取的火龙果基地气象因素作为特征扩展和训练集向量化后进行拼接得到新的向量；将现有的火龙果基地气象因素作为输入来训练卷积神经网络，再把测试集输入到训练好的卷积神经网络进行机器学习，获得新的特征值；

（4）获得上市预测时间：针对新的特征值进行预测，获得上市预测时间。具体实施方法为：构建特征值与上市时间的回归模型，获得上市预测时间。

虽然结合附图描述了本发明的实施方式，但是专利所有者可以在所附权利要求的范围之内做出各种变形或修改，只要不超过本发明的权利要求所描述的保护范围，都应当在本发明的保护范围之内。