一种基于大数据分析的种植系统及方法与流程

本发明涉及大数据分析领域，具体是一种基于大数据分析的种植系统及方法。

背景技术：

芦笋富含多种氨基酸、蛋白质和维生素，是世界十大名菜之一，在国际市场上享有蔬菜之王的美称。由于芦笋的种植管理简单，采收期长，芦笋售价相对其他蔬菜较贵，所以越来越多的人芦笋作为经济作物。芦笋主要包括绿芦笋、白芦笋和紫芦笋，虽然他们都属于芦笋类，但绿芦笋、白芦笋和紫芦笋的单价和销量却不相同，因此人们在种植绿芦笋、白芦笋、紫芦笋无法进行合理的种植布局，从而有可能导致人们种植芦笋的收益较少，也有可能导致绿芦笋、白芦笋、紫芦笋市场的不稳定。

技术实现要素：

本发明的目的在于提供一种基于大数据分析的种植系统及方法，以解决现有技术中的问题。

为实现上述目的，本发明提供如下技术方案：

一种基于大数据分析的种植系统，该种植系统包括销售趋势分析模块和种植方案生成模块，销售趋势分析模块与种植方案生成模块连接。

作为优选方案，所述销售趋势分析模块包括数据采集模块和数据预估模块，所述数据采集模块包括销量数据采集模块和销售单价采集模块，所述销量数据采集模块包括线上销量数据采集模块和线下销量数据采集模块，所述销售单价采集模块包括线上销售单价采集模块和线下销售单价采集模块，所述数据预估模块包括销量数据预估模块、销售单价预估模块和销售总额预估模块，所述销量数据预估模块包括线上销量数据预估模块和线下销量数据预估模块，所述线上销量数据预估模块与线上销量数据采集模块连接，所述线下销量数据预估模块与线下销量数据采集模块连接，所述销售单价预估模块包括线上销售单价预估模块和线下销售单价预估模块，所述线上销售单价预估模块与线上销售单价采集模块连接，所述线下销售单价预估模块与线下销售单价采集模块连接，所述销售总额预估模块包括线上销售总额预估模块和线下销售总额预估模块，所述线上销售总额预估模块与线上销量数据预估模块、线上销售单价预估模块连接，所述线下销售总额预估模块与线下销量数据预估模块、线下销售单价预估模块连接，所述种植方案生成模块与量数据预估模块、销售单价预估模块和销售总额预估模块连接，所述种植方案生成模块用于输出绿芦笋、白芦笋、紫芦笋的种植占比。

一种基于大数据分析的种植方法，该种植方法包括以下步骤：

s1：输出绿芦笋、白芦笋、紫芦笋的销售趋势：

s11：分别采集绿芦笋、白芦笋、紫芦笋的历史销售数据；

s12：分别计算绿芦笋、白芦笋、紫芦笋的预估销售数据；

s2：生成绿芦笋、白芦笋、紫芦笋的种植方案：

s21：分别计算绿芦笋、白芦笋、紫芦笋的销售预估总额；

s22：分别计算绿芦笋、白芦笋、紫芦笋的种植占比。

在上述技术方案中，根据绿芦笋、白芦笋、紫芦笋的销售趋势来生成绿芦笋、白芦笋、紫芦笋的种植方案，使得绿芦笋、白芦笋、紫芦笋的种植布局更加合理；通过对进行绿芦笋、白芦笋、紫芦笋的历史销售数据进行处理和优化，从而提高绿芦笋、白芦笋、紫芦笋的预估销售数据的准确率。

作为优选方案，步骤s11中的历史销售数据包括前n1年的线上年销售数量、前n1年的线下年销售数量、前n2月的线上月销售单价、前n2月的线上月销售数量和前n2月的线下月销售单价，n1、n2均为常数，记

绿芦笋前n1年每年的线上年销售数量分别为g1(1)、g1(2)、...、g1(n1)，绿芦笋前n1年每年的线下年销售数量分别为g2(1)、g2(2)、...、g2(n1)；

紫芦笋前n1年每年的线上年销售数量分别为p1(1)、p1(2)、...、p1(n1)，紫芦笋前n1年的每年的线下年销售数量分别为p2(1)、p2(2)、...、p2(n1)；

白芦笋前n1年每年的线上年销售数量分别为w1(1)、w1(2)、...、w1(n1)，白芦笋前n1年每年的线下年销售数量分别为w2(1)、w2(2)、...、w2(n1)；

绿芦笋前n2月每月的线上月销售单价分别为g3(1)、g3(2)、...、g3(n2)，前n2月每月的线上月销售数量分别为g4(1)、g4(2)、...、g4(n2)，前n2月每月的线下月销售单价分别为g5(1)、g5(2)、...、g5(n2)；

紫芦笋前n2月的每月的线上月销售单价分别为p3(1)、p3(2)、...、p3(n2)，前n2月每月的线上月销售数量分别为p4(1)、p4(2)、...、p4(n2)，前n2月每月的线下月销售单价分别为p5(1)、p5(2)、...、p5(n2)；

白芦笋前n2月的每月的线上月销售单价分别为w3(1)、w3(2)、...、w3(n2)，前n2月每月的线上月销售数量分别为w4(1)、w4(2)、...、w4(n2)，前n2月每月的线下月销售单价分别为w5(1)、w5(2)、...、w5(n2)。

在上述技术方案中，历史销售数据包括前n1年的线上年销售数量、前n1年的线下年销售数量、前n2月的线上月销售单价、前n2月的线上月销售数量和前n2月的线下月销售单价,将销售数据分为线上销售数据和线下销售数据，线上销售数据和线下销售数据有很大的不同，线下销售是一种非常成熟的销售渠道，无论是线下销售单价还是线下销售数量都处于一个稳定的状态，而线上销售正处于快速的发展中，线上销售单价与线上销售单价、线上销售数量与线下销售数量都有一定的差距，因此线上销售数据和线下销售数据分开采集，从而提高预估销售数据的准确性，保证了预估销售数据的计算的合理性。

作为优选方案，步骤s12中的预估销售数据包括未来n3年的线上年销售预估总数量、线上销售预估单价、未来n3年的线下年销售预估总数量和线上销售预估单价，令

绿芦笋未来n3年的线上年销售预估总数量ng1等于绿芦笋未来n3年的线上年销售预估数量之和，未来第n年的线上年销售预估数量等于g1(1)*(1+sg)ⁿ，sg为年销售预估增长率，sg等于前n1年的线上年销售增长率的平均值，即

sg=[(g1(1)-g1(2))/g1(2)+...+(g1(n1-1)-g1(n1))/g1(n1)]/(n1-1),

则ng1=g1(1)*[(1+sg)+(1+sg)²+...+(1+sg)ⁿ³]；

绿芦笋未来n3年的线上销售预估单价pg1为绿芦笋前n2月每月的线上月销售单价的加权平均值，则

pg1=[g4(1)*g3(1)+g4(2)*g3(2)+...+g4(n2)*g3(n2)]/(g4(1)+g4(2)+...+g4(n2))，

绿芦笋未来n3年的线下年销售预估总数量ng2为优化的绿芦笋前n1年线下年销售数量平均值，

绿芦笋未来n3年的线下销售预估单价pg2为绿芦笋前n2月每月的线下月销售单价的平均值，则

pg2=(g5(1)+g5(2)+...+g5(n2))/n2；

紫芦笋未来n3年的线上年销售预估总数量np1等于紫芦笋未来n3年的线上年销售预估数量之和，未来第n年的线上年销售预估数量等于p1(1)*(1+sp)ⁿ，sp为年销售预估增长率，sp等于前n1年每年的线上年销售增长率的平均值，即

sp=[(p1(1)-p1(2))/p1(2)+...+(p1(n1-1)-p1(n1))/p1(n1)]/(n1-1),

则np1=p1(1)*[(1+sp)+(1+sp)²+...+(1+sp)ⁿ³]；

紫芦笋未来n3年的线上销售预估单价pp1为紫芦笋前n2月每月的线上月销售单价的加权平均值，则

pp1=[p4(1)*p3(1)+p4(2)*p3(2)+...+p4(n2)*p3(n2)]/(p4(1)+p4(2)+...+p4(n2))，

紫芦笋未来n3年的线下年销售预估总数量np2为优化的紫芦笋前n1年线下年销售数量平均值，

紫芦笋未来n3年的线下销售预估单价pp2为紫芦笋前n2月每月的线下月销售单价的平均值，则

pp2=(p5(1)+p5(2)+...+p5(n2))/n2；

白芦笋未来n3年的线上年销售预估总数量nw1等于白芦笋未来n3年的线上年销售预估数量之和，未来第n年的线上年销售预估数量等于w1(1)*(1+sw)ⁿ，sw为年销售预估增长率，sw等于前n1年每年的线上年销售增长率的平均值，即

sw=[(w1(1)-w1(2))/w1(2)+...+(w1(n1-1)-w1(n1))/w1(n1)]/(n1-1),

则nw1=w1(1)*[(1+sw)+(1+sw)²+...+(1+sw)ⁿ³]；

白芦笋未来n3年的线上销售预估单价pw1为白芦笋前n2月每月的线上月销售单价的加权平均值，则

pw1=[w4(1)*w3(1)+w4(2)*w3(2)+...+w4(n2)*w3(n2)]/(w4(1)+w4(2)+...+w4(n2))，

白芦笋未来n3年的线下年销售预估总数量nw2为优化的白芦笋前n1年线下年销售数量平均值，

白芦笋未来n3年的线下销售预估单价pw2为白芦笋前n2月每月的线下月销售单价的平均值，则

pw2=(w5(1)+w5(2)+...+w5(n2))/n2。

在上述技术方案中，针对线上年销售预估总数量、线上销售预估单价、线下年销售预估总数量、线下销售预估单价分别采取不同的计算方式，提高预估销售数据的准确性，保证了预估销售数据的计算的合理性；线上销售作为一个快速发展中的销售渠道，线上销售数量一致处于增长当中，因此在计算线上年销售预估总数量时需要考虑线上年销售增长率；线上销售有时会举办一些促销活动，此时的线上销售单价和线上销售数量都会发生一定的变化，通过计算销售单价的加权平均值提高线上销售预估单价的准确性；线下销售是一个稳定销售渠道，线下年销售总数量、线下销售单价会在一个范围内浮动，线下销售单价的基数较小，线下年销售总数量的基数较大，所以将直接将线下月销售单价的平均值作为线下销售预估单价，而线下年销售预估总数量为优化的线下年销售数量平均值。

作为优选方案，步骤s12中优化的绿芦笋前n1年线下年销售数量平均值包括以下步骤：

s121g：计算绿芦笋前n1年每一年的线下年销售数量数据的平均数a1，则

a1=(g2(1)+g2(2)+...+g2(n1))/n1，

s122g：计算绿芦笋前n1年每一年的线下年销售数量数据的方差e1,则

e1=s9[(g2(1)-a1)²+(g2(2)-a1)²+...+(g2(n1)-a1)²]/n1

s123g：比较方差e1与方差阈值e01的关系，

若e1小于等于e01，则ng2=a1,

若e1大于e01，则将前n1年每一年的线下年销售数量数据g2(1)、g2(2)、...、g2(n1)从小到大排列得到新的销售数量数据的排列顺序h1(1)、h1(2)、...、h1(n),则

ng2=(h1(2)+h1(3)+...+h1(n-1))/(n1-2)；

步骤s12中优化的紫芦笋前n1年线下年销售数量平均值包括以下步骤：

s121p：计算紫芦笋前n1年每一年的线下年销售数量数据的平均数a2，则

a2=(p2(1)+p2(2)+...+p2(n1))/n1，

s122p：计算紫芦笋前n1年每一年的线下年销售数量数据的方差e2,则

e2=[(g2(1)-a1)²+(g2(2)-a1)²+...+(g2(n1)-a1)²]/n1

s123p：比较方差e2与方差阈值e02的关系，

若e2小于等于e02，则np2=a1,

若e2大于e02，则将前n1年每一年的线下年销售数量数据p2(1)、p2(2)、...、p2(n1)从小到大排列得到新的销售数量数据的排列顺序h2(1)、h2(2)、...、h2(n),则

np2=(h2(2)+h2(3)+...+h2(n-1))/(n1-2)；

步骤s12中优化的白芦笋前n1年线下年销售数量平均值包括以下步骤：

s121w：计算白芦笋前n1年每一年的线下年销售数量平均数a3，则

a3=(w2(1)+w2(2)+...+w2(n1))/n1，

s122w：计算白芦笋前n1年每一年的线下年销售数量数据的方差e3,则

e3=[(g2(1)-a1)²+(g2(2)-a1)²+...+(g2(n1)-a1)²]/n1

s123w：比较方差e1与方差阈值e03的关系，

若e3小于等于e03，则nw2=a3,

若e3大于e03，则将前n1年每一年的线下年销售数量数据w2(1)、w2(2)、...、w2(n1)从小到大排列得到新的销售数量数据的排列顺序h3(1)、h3(2)、...、h3(n),则

nw2=(h3(2)+h3(3)+...+h3(n-1))/(n1-2)。

作为优选方案，步骤s21中的销售预估总额等于未来n3年线上销售预估总额与未来n3年线下销售预估总额之和，即

绿芦笋销售预估总额mg=绿芦笋未来n3年线上销售预估总额mg1+绿芦笋未来n3年线下销售预估总额mg2，则

mg=mg1+mg2=ng1*pg1+ng2*pg2，

紫芦笋销售预估总额mp=紫芦笋未来n3年线上销售预估总额mp1+紫芦笋未来n3年线下销售预估总额mp2，则

mp=mp1+mp2=np1*pp1+np2*pp2，

白芦笋销售预估总额mw=白芦笋未来n3年线上销售预估总额mw1+白芦笋未来n3年线下销售预估总额mw2，则

mw=mw1+mw2=nw1*pw1+nw2*pw2。

作为优选方案，步骤s22中绿芦笋的种植占比：

x=a1*[(mg1+mg2)/m0]+a2*(ng1+ng2)/n0+a3*(pg1+pg2)/p0=，

步骤s22中紫芦笋的种植占比：

y=a1*[(mp1+mp2)/m0]+a2*(np1+np2/n0)+a3*(pp1+pp2)/p0，

步骤s22中白芦笋的种植占比：

z=a1*[(mw1+mw2)/m0]+a2*(nw1+nw2)/n0+a3*(pw1+pw2)/p0，

在上述公式中，a1+a2+a3=1；

m0为未来n3年所有芦笋的线上销售预估总额与所有芦笋的线下销售预估总额之和，即m0=mg+mp1+mw；

n0为未来n3年所有芦笋的线上销售预估总数量与所有芦笋的线下销售预估总数量之和，即

n0=ng1+ng2+np1+np2+nw1+nw2；

p0为未来n3年所有芦笋的线上销售预估单价与所有芦笋的线下销售预估单价之和，即p0=pg1+pg2+pp1+pp2+pw1+pw2。

在上述技术方案中，对线上销售预估总额占比、销售预估总数量占比和销售预估单价占比进行加权，综合考虑多方面因素，提高绿芦笋、紫芦笋和白芦笋的种植占比的合理性，保证芦笋市场的稳定。

与现有技术相比，本发明的有益效果是：本发明通过一种基于大数据分析的种植系统及方法，使得人们能够对绿芦笋、紫芦笋和白芦笋的种植占比进行合理的布局，不仅保证人们能够获得较多的收益，而且防止某种芦笋的产量过大导致该芦笋的价格过高火种某种芦笋的产量过小导致该芦笋的价格过低，保证了绿芦笋、紫芦笋和白芦笋市场上的稳定，有利于绿芦笋、紫芦笋和白芦笋市场的可持续发展。

附图说明

图1为本发明一种基于大数据分析的种植系统的模块示意图；

图2为本发明一种基于大数据分析的种植方法的流程示意图；

图3为本发明一种基于大数据分析的种植方法的优化的绿芦笋前n1年线下年销售数量平均值的流程示意图。

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。

请参阅图1～3，本发明实施例中，一种基于大数据分析的种植系统，该种植系统包括销售趋势分析模块和种植方案生成模块，销售趋势分析模块与种植方案生成模块连接。

所述销售趋势分析模块包括数据采集模块和数据预估模块，所述数据采集模块包括销量数据采集模块和销售单价采集模块，所述销量数据采集模块包括线上销量数据采集模块和线下销量数据采集模块，所述销售单价采集模块包括线上销售单价采集模块和线下销售单价采集模块，所述数据预估模块包括销量数据预估模块、销售单价预估模块和销售总额预估模块，所述销量数据预估模块包括线上销量数据预估模块和线下销量数据预估模块，所述线上销量数据预估模块与线上销量数据采集模块连接，所述线下销量数据预估模块与线下销量数据采集模块连接，所述销售单价预估模块包括线上销售单价预估模块和线下销售单价预估模块，所述线上销售单价预估模块与线上销售单价采集模块连接，所述线下销售单价预估模块与线下销售单价采集模块连接，所述销售总额预估模块包括线上销售总额预估模块和线下销售总额预估模块，所述线上销售总额预估模块与线上销量数据预估模块、线上销售单价预估模块连接，所述线下销售总额预估模块与线下销量数据预估模块、线下销售单价预估模块连接，所述种植方案生成模块与销量数据预估模块、销售单价预估模块和销售总额预估模块连接，所述种植方案生成模块用于输出绿芦笋、白芦笋、紫芦笋的种植占比。

一种基于大数据分析的种植方法，该种植方法包括以下步骤：

s1：销量数据预估模块输出绿芦笋、白芦笋、紫芦笋的销售趋势；

s11：数据采集模块分别采集绿芦笋、白芦笋、紫芦笋的历史销售数据；

历史销售数据包括前4年的线上年销售数量、前3年的线下年销售数量、前5月的线上月销售单价、前5月的线上月销售数量和前5月的线下月销售单价，记

绿芦笋前4年每年的线上年销售数量(kg)分别为320、266.8、230、200，绿芦笋前4年每年的线下年销售数量(kg)分别为272、276、262、280；

紫芦笋前4年每年的线上年销售数量分别为64、54、46、40，紫芦笋前4年的每年的线下年销售数量分别为57、56、58、55；

白芦笋前4年每年的线上年销售数量分别为250、216、186、162，白芦笋前4年每年的线下年销售数量分别为222、216、220、208；

绿芦笋前5月每月的线上月销售单价(元/kg)分别为15.2、15、15.1、14.5、15.1，前5月每月的线上月销售数量(kg)分别为18.5、19.2、18.7、22.2、18.2，前5月每月的线下月销售单价(元/kg)分别为16.5、16.2、16.3、16.2、16.3；

紫芦笋前5月的每月的线上月销售单价(元/kg)分别为52、50.2、50.2、46、48.8，前5月每月的线上月销售数量(kg)分别为3.2、3.2、3.3、4、3.4，前5月每月的线下月销售单价(元/kg)分别为60、58、58、58、59；

白芦笋前5月的每月的线上月销售单价(元/kg)分别为16、15.8、15.8、14.8、15.6，前5月每月的线上月销售数量(kg)分别为16.8、17、17.2、18.8、17.8，前5月每月的线下月销售单价(元/kg)分别为17、16.5、16.6、16.5、16.7。

s12：数据预估模块分别计算绿芦笋、白芦笋、紫芦笋的预估销售数据。

步骤s12中的预估销售数据包括未来3年的线上年销售预估总数量、线上销售预估单价、未来3年的线下年销售预估总数量和线上销售预估单价，令

绿芦笋未来3年的线上年销售预估总数量ng1等于绿芦笋未来3年的线上年销售预估数量之和，未来第n年的线上年销售预估数量等于g1(1)*(1+sg)ⁿ，sg为年销售预估增长率，sg等于前4年的线上年销售增长率的平均值，即

sg=[(g1(1)-g1(2))/g1(2)+...+(g1(3)-g1(4))/g1(4)]/3=(0.15+0.16+0.1994)/3=0.1698,

则ng1=g1(1)*[(1+sg)+(1+sg)²+...+(1+sg)³]=320*4.139=1324.48；

绿芦笋未来3年的线上销售预估单价pg1为绿芦笋前5月每月的线上月销售单价的加权平均值，则

pg1=[g4(1)*g3(1)+g4(2)*g3(2)+...+g4(5)*g3(5)]/(g4(1)+g4(2)+...+g4(5))=[15.2*18.5+15*19.2+15.1*18.7+14.5*22.2+15.1*18.2)]/(18.5+19.2+18.7+22.2+18.2)=14.96，

绿芦笋未来3年的线下年销售预估总数量ng2为优化的绿芦笋前4年线下年销售数量平均值，

优化的绿芦笋前4年线下年销售数量平均值包括以下步骤：

s121g：计算绿芦笋前4年每一年的线下年销售数量数据的平均数a1，则

a1=(g2(1)+g2(2)+...+g2(4))/4=272.5，

s122g：计算绿芦笋前4年每一年的线下年销售数量数据的方差e1,则

e1=[(g2(1)-a1)²+(g2(2)-a1)²+...+(g2(4)-a1)²]/4=179/4=44.75

s123g：比较方差e1=44.75与方差阈值e01=40的关系，

e1大于e01，则ng2=a1*3=822；

若e1大于e01，则新的销售数量数据的排列顺序262、272、276、280,则

ng2=(272+276)/2=274

绿芦笋未来3年的线下销售预估单价pg2为绿芦笋前5月每月的线下月销售单价的平均值，则

pg2=(g4(1)+g4(2)+...+g4(5))/5=(16.5+16.2+16.3+16.2+16.3)/5=16.3；

紫芦笋未来3年的线上年销售预估总数量np1等于紫芦笋未来3年的线上年销售预估数量之和，未来第n年的线上年销售预估数量等于p1(1)*(1+sp)ⁿ，sp为年销售预估增长率，sp等于前4年每年的线上年销售增长率的平均值，即

sp=[(p1(1)-p1(2))/p1(2)+...+(p1(3)-p1(4))/p1(4)]/3=(0.15+0.1739+0.1852)/3=0.1697,

则np1=p1(1)*[(1+sp)+(1+sp)²+...+(1+sp)³]=64*4.138=264.832；

紫芦笋未来3年的线上销售预估单价pp1为紫芦笋前5月每月的线上月销售单价的加权平均值，则

pp1=[p4(1)*p3(1)+p4(2)*p3(2)+...+p4(5)*p3(5)]/(p4(1)+p4(2)+...+p4(5))=842.62/17.1=49.276，

紫芦笋未来3年的线下年销售预估总数量np2为优化的紫芦笋前4年线下年销售数量平均值，

优化的紫芦笋前4年线下年销售数量平均值包括以下步骤：

s121p：计算紫芦笋前4年每一年的线下年销售数量数据的平均数a2，则

a2=(p2(1)+p2(2)+...+p2(4))/4=56.5，

s122p：计算紫芦笋前4年每一年的线下年销售数量数据的方差e2,则

e2=[(g2(1)-a1)²+(g2(2)-a1)²+...+(g2(4)-a1)²]/4=5/4=1.25

s123p：比较方差e2=1.25与方差阈值e02=2的关系，

e2小于等于e02，则np2=a2*3=169.5,

紫芦笋未来3年的线下销售预估单价pp2为紫芦笋前5月每月的线下月销售单价的平均值，则

pp2=(p4(1)+p4(2)+...+p4(5))/5=(60+58+58+58+59)/5=58.6；

白芦笋未来3年的线上年销售预估总数量nw1等于白芦笋未来3年的线上年销售预估数量之和，未来第n年的线上年销售预估数量等于w1(1)*(1+sw)ⁿ，sw为年销售预估增长率，sw等于前4年每年的线上年销售增长率的平均值，即

sw=[(w1(1)-w1(2))/w1(2)+...+(w1(3)-w1(4))/w1(4)]/3=(0.1)/3=(0.148+0.161+0.157)/3=0.155,

则nw1=w1(1)*[(1+sw)+(1+sw)²+...+(1+sw)³]=250*4.0298=1007.45；

白芦笋未来3年的线上销售预估单价pw1为白芦笋前5月每月的线上月销售单价的加权平均值，则

pw1=[w4(1)*w3(1)+w4(2)*w3(2)+...+w4(5)*w3(5)]/(w4(1)+w4(2)+...+w4(5))=1365.08/57.6=15.58，

白芦笋未来3年的线下年销售预估总数量nw2为优化的白芦笋前4年线下年销售数量平均值，

优化的白芦笋前4年线下年销售数量平均值包括以下步骤：

s121w：计算白芦笋前4年每一年的线下年销售数量平均数a3，则

a3=(w2(1)+w2(2)+...+w2(4))/4=216.5，

s122w：计算白芦笋前4年每一年的线下年销售数量数据的方差e3,则

e3=[(g2(1)-a1)²+(g2(2)-a1)²+...+(g2(4)-a1)²]/4=115/4=28.75

s123w：比较方差e3=28.75与方差阈值e03=30的关系，

若e3小于e03，则nw2=a3*3=649.5,

白芦笋未来3年的线下销售预估单价pw2为白芦笋前5月每月的线下月销售单价的平均值，则

pw2=(w4(1)+w4(2)+...+w4(5))/5=(17+16.5+16.6+16.5+16.7)/5=16.66。

s2：种植方案生成模块生成绿芦笋、白芦笋、紫芦笋的种植方案。

步骤s21：销售总额预估模块分别计算绿芦笋、白芦笋、紫芦笋的销售预估总额；

步骤s21中的销售预估总额等于未来3年线上销售预估总额与未来3年线下销售预估总额之和，即

绿芦笋销售预估总额mg=绿芦笋未来3年线上销售预估总额mg1+绿芦笋未来3年线下销售预估总额mg2，则

mg=mg1+mg2=ng1*pg1+ng2*pg2=33212.8208，

紫芦笋销售预估总额mp=紫芦笋未来3年线上销售预估总额mp1+紫芦笋未来3年线下销售预估总额mp2，则

mp=mp1+mp2=np1*pp1+np2*pp2=22982.56163，

白芦笋销售预估总额mw=白芦笋未来3年线上销售预估总额mw1+白芦笋未来3年线下销售预估总额mw2，则

mw=mw1+mw2=nw1*pw1+nw2*pw2=26516.741。

步骤s22：种植方案生成模块分别计算绿芦笋、白芦笋、紫芦笋的种植占比。

m0为未来3年所有芦笋的线上销售预估总额与所有芦笋的线下销售预估总额之和，即m0=mg+mp+mw=82712.12343；

n0为未来3年所有芦笋的线上销售预估总数量与所有芦笋的线下销售预估总数量之和，即

n0=ng1+ng2+np1+np2+nw1+nw2=4237.762；

p0为未来3年所有芦笋的线上销售预估单价与所有芦笋的线下销售预估单价之和，即p0=pg1+pg2+pp1+pp2+pw1+pw2=171.376。

绿芦笋的种植占比：

x=0.5*[(mg1+mg2)/m0]+0.3*(ng1+ng2)/n0+0.2*(pg1+pg2)/p0=0.2008+0.152+0.0365=0.3893，

紫芦笋的种植占比：

y=0.5*[(mp1+mp2)/m0]+0.3*(np1+np2/n0)+0.2*(pp1+pp2)/p0=0.1389+0.0307+0.1259=0.2955，

白芦笋的种植占比：

z=0.5*[(mw1+mw2)/m0]+0.3*(nw1+nw2)/n0+0.2*(pw1+pw2)/p0=0.1603+0.1173+0.0376=0.3152。

对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。