通过数字智能终端实现农产品供销推广的方法与流程

本发明属于数字智能终端通信技术领域，具体涉及通过数字智能终端实现农产品供销推广的方法。

背景技术：

随着科技的进步，社会朝着智能化方向发展，公众能够利用智能化设备进行自主操作完成需求更是民生所向。我国是农业大国，农业是国民经济重要的组成部分。但是我国农业现代化仍然滞后于工业化、城镇化发展，落后于世界先进水平。相对而言，在工业化、城镇化、农业现代化之中，农业现代化仍是短腿，是弱项。中投顾问在《2016-2020年中国现代农业投资分析及前景预测报告》中指出，农业现代化是国家现代化的基础和支撑，对于“三农”发展既是新机遇，也是新挑战。农业现代化的内容是随着经济社会发展逐渐丰富的。当前，农业现代化不仅包括农业生产过程的机械化、水利化和电气化等，而且拓展到生产条件、生产技术、生产标准、生产组织和管理制度等方面。农业现代化的过程是完善农业产业体系、基础设施体系、经营管理体系、质量保障体系和资源保护体系的过程，也是推进制度创新和技术创新，突破技术制约、化解自然风险、减轻资源压力和消除环境污染的过程。

在农产品仓库中中加入农产品种类、库存进量、库存出量、物流监测等设备，形成智能仓库，在各个城市各个区域构建智能仓库能够推动农产品的精准监控并有利于各种农产品在各个地区的精准推广。智能仓库已经开始发展，但是同区域的各个智能仓库和各个区域的智能仓库如何实现联网，进而推动各个区域农产品信息的共享和各种农产品的大范围推广还有待开发。

数字智能终端是一种用于布局在各个区域，提供一个中转服务站的功能，城市的各个区域可分别设置一个，做公众文化传播、周围环境例如楼宇、道路、土地、各种公共设施的监测展示和提供一些便民设施和局域网络通讯的服务站。结合城市中已经建立起的多种数字智能终端，为建立各个智能仓库和各个区域的智能仓库实现联网，进而推动各个区域农产品信息的共享和各种农产品的大范围推广起到了极大的便利作用。

技术实现要素：

本发明的目的在于：解决目前各个智能仓库和各个区域的智能仓库未实现联网，使得各个智能仓库和区域的农产品信息没有很好地共享和利用的问题，提出了通过数字智能终端实现农产品供销推广的方法。

本发明采用的技术方案如下：

通过数字智能终端实现农产品供销推广的方法，方法如下：

同一划分区域农产品仓库中设置有一个无线终端a，每一个农产品仓库的产品及物流信息管理终端将每种农产品的所有信息进行产品编码，产品及物流信息管理终端与无线终端a进行通信并上传带有产品编码的产品信息、销量信息和物流信息至无线终端a；

同一划分区域的数字智能终端上的处理器连接有一个无线终端b，与每一个划分区域中所有无线终端a进行通讯，读取带有产品编码的产品信息、销量信息和物流信息至处理器，处理器根据产品编码将该划分区域内所有的相同产品编码的产品信息、销量信息和物流信息进行汇总，利用大数据算法对同一产品编码的产品信息、销量信息和物流信息进行分析得到该产品产量特征、该产品销量特征和该产品物流特征，数字智能终端根据得到的产量特征、销量特征和产品物流特征对该产品进行供销推广。

进一步，所述无线终端a还对带有产品编码的产品信息、销量信息和物流信息进行所在农产品仓库地址编码。

进一步，所述产品及物流信息管理终端与无线终端a通信采用lora技术。

进一步，所述利用大数据算法对同一产品编码的产品信息、销量信息和物流信息进行分析得到该产品产量特征、该产品销量特征和该产品物流特征具体方法为：

s1、采用k-means算法对同一产品编码的产品信息、销量信息和物流信息这3类信息分别进行聚类算法，根据每类信息的属性分为n个分割；

s2、采用特征提取算法提取每个分割的特征数据；

s3、将所有分割的特征数据进行数量比较，找到特征数据最多的分割，将其作为对应类别信息的特征。

进一步，所述特征提取算法采用特征向量归一化方法。

进一步，所述划分区域范围为直径为5-10km范围的圆形区域。

综上所述，由于采用了上述技术方案，本发明的有益效果是：

1、本发明中，基于城市中各个区域设置的数字智能终端，同区域的各个智能仓库和各个区域的智能仓库通过数字智能终端实现联网，进而推动各个区域农产品信息的共享和利用，在数字智能终端上根据大数据算法对同一产品编码的产品信息、销量信息和物流信息进行分析得到该产品产量特征、该产品销量特征和该产品物流特征，数字智能终端根据得到的产量特征、销量特征和产品物流特征实现了对该产品大范围的精准的供销推广，且令农产品的各地产量、销量和物流实现所有地区共享，在农产品上做到了信息全球化。

2、本发明中，无线终端a还对带有产品编码的产品信息、销量信息和物流信息进行所在农产品仓库地址编码，有助于各个仓库的产品信息在传输过程中的有序性，所有区域的智能仓库数据庞大，不易产生信息传输混乱。

3、本发明中，产品及物流信息管理终端与无线终端a通信采用lora技术，保证了低功耗远传输距离的要求，且易于建设和部署：免牌照频段节点，lora模块极低的成本，会在未来大规模推广中占据巨大优势。

4、本发明中，分析得到该产品产量特征、该产品销量特征和该产品物流特征的方法能够精准地找到各个区域智能仓库汇总后的产量、销量和产品物流三类信息最集中的特征，做到农产品信息的精准推广。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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相关的附图。

图1为本发明方法框图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明，即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。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。

因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的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。

需要说明的是，术语“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

数字智能终端是一种用于布局在各个区域，提供一个中转服务站的功能，城市的各个区域可分别设置一个，做公众文化传播、周围环境例如楼宇、道路、各种公共设施的展示和提供一些便民设施和局域网络通讯的服务站。

本发明中，基于城市中各个区域设置的数字智能终端，同区域的各个智能仓库和各个区域的智能仓库通过数字智能终端实现联网，进而推动各个区域农产品信息的共享和利用，在数字智能终端上根据大数据算法对同一产品编码的产品信息、销量信息和物流信息进行分析得到该产品产量特征、该产品销量特征和该产品物流特征，数字智能终端根据得到的产量特征、销量特征和产品物流特征实现了对该产品大范围的精准的供销推广，且令农产品的各地产量、销量和物流实现所有地区共享，在农产品上做到了信息全球化。

通过数字智能终端实现农产品供销推广的方法，方法如下：

同一划分区域农产品仓库中设置有一个无线终端a，每一个农产品仓库的产品及物流信息管理终端将每种农产品的所有信息进行产品编码，产品及物流信息管理终端与无线终端a进行通信并上传带有产品编码的产品信息、销量信息和物流信息至无线终端a；

同一划分区域的数字智能终端上的处理器连接有一个无线终端b，与每一个划分区域中所有无线终端a进行通讯，读取带有产品编码的产品信息、销量信息和物流信息至处理器，处理器根据产品编码将该划分区域内所有的相同产品编码的产品信息、销量信息和物流信息进行汇总，利用大数据算法对同一产品编码的产品信息、销量信息和物流信息进行分析得到该产品产量特征、该产品销量特征和该产品物流特征，数字智能终端根据得到的产量特征、销量特征和产品物流特征对该产品进行供销推广。

进一步，所述无线终端a还对带有产品编码的产品信息、销量信息和物流信息进行所在农产品仓库地址编码。有助于各个仓库的产品信息在传输过程中的有序性，所有区域的智能仓库数据庞大，不易产生信息传输混乱。

进一步，所述产品及物流信息管理终端与无线终端a通信采用lora技术。保证了低功耗远传输距离的要求，且易于建设和部署：免牌照频段节点，lora模块极低的成本，会在未来大规模推广中占据巨大优势。

进一步，所述利用大数据算法对同一产品编码的产品信息、销量信息和物流信息进行分析得到该产品产量特征、该产品销量特征和该产品物流特征具体方法为：

s1、采用k-means算法对同一产品编码的产品信息、销量信息和物流信息这3类信息分别进行聚类算法，根据每类信息的属性分为n个分割；

s2、采用特征提取算法提取每个分割的特征数据；

s3、将所有分割的特征数据进行数量比较，找到特征数据最多的分割，将其作为对应类别信息的特征。

k-means算法为聚类算法，能够将特征相近的实例聚集成一个集合，最后形成多个由特征相近的实例聚集成的聚类。以100个信息为例，将100个的数据通过聚类算法聚集成了10个类，分别用10种颜色表示，其中点的颜色标示它属于哪一个聚类。这里使用了点间的欧式距离作为评价两个点特征相似程度的度量。

算法的过程如下：

1)所有的观测实例中随机抽取出k个观测点，作为聚类中心点，然后遍历其余的观测点找到距离各自最近的聚类中心点，将其加入到该聚类中。这样，我们就有了一个初始的聚类结果，这是一次迭代的过程。

2)我们每个聚类中心都至少有一个观测实例，这样，我们可以求出每个聚类的中心点(means)，作为新的聚类中心，然后再遍历所有的观测点，找到距离其最近的中心点，加入到该聚类中。然后继续运行2)。

3)如此往复2)，直到前后两次迭代得到的聚类中心点一模一样。

这样，算法就稳定了，这样得到的k个聚类中心，和距离它们最近的观测点构成k个聚类，就是我们要的结果。计算聚类的中心点有三种方法如下：

1)minkowskidistance公式——λ可以随意取值，可以是负数，也可以是正数，或是无穷大。

2)euclideandistance公式——也就是第一个公式λ＝2的情况。

3)cityblockdistance公式——也就是第一个公式λ＝1的情况。

该方法能够精准地找到各个区域智能仓库汇总后的产量、销量和产品物流三类信息最集中的特征，做到农产品信息的精准推广。

进一步，所述特征提取算法采用特征向量归一化方法。在使用特征向量归一化方法根据特征值进行特征提取分类的时候，如果所有变量位于同一值域范围内，利用这些变量一次性算出距离值是有意义的。不过，假设引入一个对最终的分类结果产生影响的新变量(不同类型的变量heterogenousvaribales)。与目前使用过的变量不同(假设之前的变量的取值均介于0和100之间)，这些变量可能会达到1000。很显然，和原先的变量相比，这个新的变量对距离计算所产生的影响更为显著，其影响将超过任何其他变量对距离计算所构成的影响，这意味着，在计算距离的过程中其他变量根本就未被考虑在内。所以在使用归一化之前之前需要对所有的特征变量进行归一化处理。下面介绍几种归一化的方法：

1、线性函数转换，表达式如下：y＝(x-minvalue)/(maxvalue-minvalue)；

2、对数函数转换，表达式如下：y＝log10(x)；

3、反余切函数转换，表达式如下：y＝arctan(x)*2/pi；

4、减去均值，乘以方差：y＝(x-means)/variance。

进一步，所述划分区域范围为直径为5-10km范围的圆形区域。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。