一种在养殖业根据预测进行策略选择的方法和系统与流程

1.本说明书涉及养殖业领域，特别涉及一种在养殖业根据预测进行策略选择的方法和系统。


背景技术：

2.养殖业是利用畜禽等已经被人类驯化的动物，通过人工饲养、繁殖，使其将牧草和饲料等植物能转变为动物能，以取得肉、蛋、奶、羊毛、山羊绒、皮张、蚕丝和药材等畜产品的产业。现有的养殖策略依赖人工经验，效率及效益均较低。
3.因此，需要提供一种在养殖业根据预测进行策略选择的方法和系统，用于辅助养殖业用户在养殖业根据预测进行策略选择。


技术实现要素：

4.本说明书实施例之一提供一种在养殖业根据预测进行策略选择的方法。所述在养殖业根据预测进行策略选择的方法包括：获取来自养殖业用户端的预测询问请求；基于所述预测询问请求，获取多个历史时间点的特征序列；所述特征序列至少包括养殖数量、养殖周期以及饲料信息；基于所述多个历史时间点的特征序列构建预测模型，基于所述预测模型预测下一时间点的第一养殖参数；养殖业用户基于所述第一养殖参数确定是否调整当前养殖策略。
5.本说明书实施例之一提供一种在养殖业根据预测进行策略选择的系统，包括：请求获取模块，用于获取来自用户端的预测询问请求；参数预测模块，用于获取多个历史时间点的特征序列，所述特征序列至少包括养殖数量、养殖周期以及饲料信息，并基于所述多个历史时间点的特征序列构建预测模型，基于所述预测模型预测下一时间点的第一养殖参数；养殖业用户基于所述第一养殖参数确定是否调整当前养殖策略。
6.本说明书实施例之一提供一种在养殖业根据预测进行策略选择的装置，包括处理器，所述处理器用于执行在养殖业根据预测进行策略选择的方法。
7.本说明书实施例之一提供一种计算机可读存储介质，所述存储介质存储计算机指令，当计算机读取存储介质中的计算机指令后，计算机执行在养殖业根据预测进行策略选择的方法。
附图说明
8.本说明书将以示例性实施例的方式进一步说明，这些示例性实施例将通过附图进行详细描述。这些实施例并非限制性的，在这些实施例中，相同的编号表示相同的结构，其中：
9.图1是根据本说明书一些实施例所示的在养殖业根据预测进行策略选择的系统的应用场景示意图；
10.图2是根据本说明书一些实施例所示的在养殖业根据预测进行策略选择的系统的
示例性框图；
11.图3是根据本说明书一些实施例所示的在养殖业根据预测进行策略选择的方法的示例性流程图；
12.图4是根据本说明书一些实施例所示的生成第二养殖参数的示例性流程图；
13.图5是根据本说明书一些实施例所示的基于饲料价偏离参数生成第二养殖参数的示意图。
具体实施方式
14.为了更清楚地说明本说明书实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单的介绍。显而易见地，下面描述中的附图仅仅是本说明书的一些示例或实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图将本说明书应用于其它类似情景。除非从语言环境中显而易见或另做说明，图中相同标号代表相同结构或操作。
15.应当理解，本文使用的“系统”、“装置”、“单元”和/或“模块”是用于区分不同级别的不同组件、元件、部件、部分或装配的一种方法。然而，如果其他词语可实现相同的目的，则可通过其他表达来替换所述词语。
16.如本说明书和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其它的步骤或元素。
17.本说明书中使用了流程图用来说明根据本说明书的实施例的系统所执行的操作。应当理解的是，前面或后面操作不一定按照顺序来精确地执行。相反，可以按照倒序或同时处理各个步骤。同时，也可以将其他操作添加到这些过程中，或从这些过程移除某一步或数步操作。
18.图1是根据本说明书一些实施例所示的在养殖业根据预测进行策略选择的系统的应用场景100示意图。
19.在一些实施例中，应用场景100可以包括处理设备110、网络120、用户终端130和存储设备140。应用场景100可以通过实施本说明书中披露的方法和/或过程进行养殖参数的预测。
20.处理设备110可以用于处理来自应用场景100的至少一个组件或外部数据源(例如，云数据中心)的数据和/或信息。处理设备110可以通过网络120从用户终端130和/或存储设备140访问数据和/或信息。处理设备110可以直接连接用户终端130和/或存储设备140以访问信息和/或数据。例如，处理设备110可以从用户终端130和/或存储设备140获取多个历史时间点的特征序列。处理设备110可以对获取的数据和/或信息进行处理。例如，处理设备110可以基于多个历史时间点的特征序列构建预测模型，基于预测模型预测下一时间点的第一养殖参数。在一些实施例中，处理设备110可以是单个服务器或服务器组。处理设备110可以是本地的、远程的。处理设备110可以在云平台上实现。
21.网络120可以包括提供能够促进应用场景100的信息和/或数据交换的任何合适的网络。在一些实施例中，应用场景100的一个或多个组件(例如，处理设备110、用户终端130
和/或存储设备140)之间可以通过网络120交换信息和/或数据。
22.在一些实施例中，网络120可以是有线网络或无线网络中的任意一种或多种。在一些实施例中，网络120可以包括一个或以上网络接入点。例如，网络120可以包括有线或无线网络接入点，例如，基站和/或网络交换点，通过这些网络接入点，应用场景100的一个或多个组件可连接到网络120以交换数据和/或信息。
23.用户终端130指用户所使用的一个或多个终端或软件。在一些实施例中，用户终端130可以包括养殖业用户使用的终端或软件，即养殖业用户端。在一些实施例中，用户终端130还可以包括养殖业买方使用的终端或软件。在一些实施例中，用户终端130可以包含但不限于智能电话、平板电脑、膝上型计算机、台式计算机等。在一些实施例中，用户终端130可以通过网络120与应用场景100中的其他组件交互。例如，用户终端130可以向处理设备110发送一个或多个控制指令以控制处理设备110基于多个历史时间点的特征序列构建预测模型，基于预测模型预测下一时间点的第一养殖参数。还例如，用户终端130可以从处理设备110获取预测的下一时间点的第一养殖参数。
24.存储设备140可以用于存储数据、指令和/或任何其他信息。在一些实施例中，存储设备140可以存储从处理设备110和/或用户终端130等获得的数据和/或信息。例如，存储设备140可以存储多个历史时间点的特征序列。又例如，存储设备140可以存储训练好的机器学习模型。在一些实施例中，存储设备140可包括大容量存储器、可移除存储器等或其任意组合。
25.应当注意应用场景100仅仅是为了说明的目的而提供的，并不意图限制本说明书的范围。对于本领域的普通技术人员来说，可以根据本说明书的描述，做出多种修改或变化。例如，应用场景100还可以包括数据库。然而，这些变化和修改不会背离本说明书的范围。
26.图2是根据本说明书一些实施例所示的在养殖业根据预测进行策略选择的系统200的示例性框图。
27.在一些实施例中，所述在养殖业根据预测进行策略选择的系统200可以包括请求获取模块210和参数预测模块220。在一些实施例中，系统200还可以包括信息发布模块230。
28.请求获取模块210可以用于获取来自用户端的预测询问请求。
29.参数预测模块220可以用于获取多个历史时间点的特征序列，特征序列至少包括养殖数量、养殖周期以及饲料信息，并基于多个历史时间点的特征序列构建预测模型，基于预测模型预测下一时间点的第一养殖参数。在一些实施例中，参数预测模块220还可以用于：获取多个训练样本，训练样本包括多个样本历史时间点的特征序列；对于每个训练样本，获取下一时间点的第一养殖参数，将下一时间点的第一养殖参数作为训练样本的标签；通过多个样本历史时间点的特征序列及标签，训练预测模型，直至预测模型满足预设条件。在一些实施例中，预测模型还可以用于确定预测的第一养殖参数的预测准确度指数。
30.信息发布模块230可以用于向用户端发布第一养殖参数。在一些实施例中，信息发布模块230还可以用于获取用户的访问信息；基于用户的访问信息确定第一养殖参数的关注量；通过预测模型基于多个历史时间点的特征序列及关注量，调整第一养殖参数。
31.关于请求获取模块210、参数预测模块220及信息发布模块230的更多描述可以参见图3及其相关描述，此处不再赘述。
32.应当理解，图2所示的系统及其模块可以利用各种方式来实现。需要注意的是，以上对于候选项显示、确定系统及其模块的描述，仅为描述方便，并不能把本说明书限制在所举实施例范围之内。可以理解，对于本领域的技术人员来说，在了解该系统的原理后，可能在不背离这一原理的情况下，对各个模块进行任意组合，或者构成子系统与其他模块连接。在一些实施例中，图2中披露的请求获取模块210、参数预测模块220及信息发布模块230可以是一个系统中的不同模块，也可以是一个模块实现上述的两个或两个以上模块的功能。例如，各个模块可以共用一个存储模块，各个模块也可以分别具有各自的存储模块。诸如此类的变形，均在本说明书的保护范围之内。
33.图3是根据本说明书一些实施例所示的在养殖业根据预测进行策略选择的方法的示例性流程图。如图3所示，流程300包括下述步骤。在一些实施例中，流程300可以由处理设备110和/或在养殖业根据预测进行策略选择的系统200执行。
34.步骤310，获取来自养殖业用户端的预测询问请求。在一些实施例中，步骤310可以由请求获取模块210执行。
35.预测询问请求为表征养殖业用户需要获取预测的下一时间点的养殖参数的请求，其中，下一时间可以指未来某个时间点，例如，未来的某天、某个月、某个季度等，养殖参数可以包括能够引导养殖业用户调整当前养殖策略的参数，例如，畜产品价格、畜产品产量等。养殖的畜禽种类可以包括家畜类(例如，猪、羊、兔等称为小家畜，马、驴、黄牛、水牛和骆驼等大家畜)和家禽类(例如，鸡、鸭、鹅、鹤鹑、鱼鹰、鸽、火鸡、珠鸡、番鸭等)，为了便于理解，下面以猪为例对本方案进行说明。
36.在一些实施例中，养殖业用户可以基于手动输入操作、语音输入操作等通过养殖业用户端将预测询问请求发送至请求获取模块210。
37.步骤320，获取多个历史时间点的特征序列。在一些实施例中，步骤320可以由参数预测模块220执行。
38.历史时间点是指过去的某个时间点，例如，过去的某天、某个月、某个季度等。
39.特征序列可以为与在历史时间点的畜禽的养殖有关的信息。在一些实施例中，特征序列至少包括养殖数量、养殖周期以及饲料信息，其中，养殖数量可以为正在养殖的畜禽的数量，养殖周期可以为正在养殖的畜禽养殖生长至可售卖阶段所需的时间，饲料信息可以为与用于养殖畜禽的饲料相关的信息，例如，饲料的价格、饲料的存量等。以猪为例，历史时间点的特征序列可以包括正在饲养的猪的数量、当前正在饲养的猪成长至出栏所需时间、猪饲料价格、猪饲料存量等。
40.步骤330，基于多个历史时间点的特征序列构建预测模型，基于预测模型预测下一时间点的第一养殖参数。在一些实施例中，步骤330可以由参数预测模块220执行。
41.下一时间点可以是未来的某个时间，例如，未来的某天、某个月、某个季度等。在一些实施例中，下一时间点可以为与当前时间点相邻的未来的时间点，例如，当前时间点为2022年3月，则下一时间点可以为2022年4月。
42.第一养殖参数为可以引导养殖业用户调整当前养殖策略的参数。例如，畜产品价格、畜产品产量等。以猪为例，第一养殖参数可以包括在该下一个时间点猪肉的价格、猪肉的产量等。
43.在一些实施例中，预测模型可以为用于预测下一时间点的第一养殖参数的机器学
习模型。预测模型的输入可以为多个历史时间点的特征序列，预测模型的输出可以为下一时间点的第一养殖参数。例如，预测模型的输入可以为2021年5月、6月和7月的特征序列，预测模型的输出可以为8月的第一养殖参数。又例如，预测模型的输入可以为2021年第一季度、第二季度及第三季度的特征序列，预测模型的输出可以为2021年第四季度的第一养殖参数。
44.在一些实施例中，预测模型的参数可以通过多个有标签的训练样本训练得到。在一些实施例中，参数预测模块220可以获得多个训练样本，每个训练样本可以包括多个样本历史时间点的特征序列。在一些实施例中，参数预测模块220可以从用户终端130、存储设备140和/或外部数据源获取多个样本历史时间点的特征序列，生成多个训练样本。在一些实施例中，任意两个训练样本的数据可以部分相同，例如，训练样本a包括2021年5月、6月和7月的特征序列，训练样本b包括2021年6月、7月和8月的特征序列。训练样本还可以包括对应的标签，对于每个训练样本，参数预测模块220可以获取下一时间点的第一养殖参数作为该训练样本对应的标签。例如，训练样本a包括2021年5月、6月和7月的特征序列，则训练样本a的标签可以为2021年8月的第一养殖参数。在一些实施例中，训练样本的标签可以通过多种方式获取，例如，通过人工标注，又例如，从用户终端130、存储设备140和/或外部数据源获取。
45.参数预测模块220可以通过多个训练样本及其对应的标签训练初始预测模型，直至初始预测模型满足预设条件，得到训练好的预测模型。在一些实施例中，可以基于多个训练样本迭代更新初始预测模型的参数，以使初始预测模型满足预设条件，其中，预设条件可以为损失函数收敛、损失函数值小于预设值或迭代次数大于预设次数等。当初始预测模型满足预设条件时模型训练完成，得到训练好的预测模型。
46.在一些实施例中，预测模型可以包括卷积神经网络(cnn)、循环神经网络(rnn)、多层神经网络(mlp)、对抗神经网络(gan)等一种或多种的组合。
47.在一些实施例中，信息发布模块230可以向用户终端(例如，用户终端130)发布第一养殖参数。在一些实施例中，信息发布模块230可以将第一养殖参数以文字、图片、语音或其任意组合等形式发布至用户终端。
48.在一些实施例中，通过主动向用户终端发布所述第一养殖参数，可以更便于用户获取预测的第一养殖参数。
49.在一些实施例中，信息发布模块230还可以获取用户对发布的第一养殖参数的访问信息，基于用户的访问信息确定第一养殖参数的关注量，并生成第二养殖参数。关于生成第二养殖参数的更多描述可以参见图4及其相关描述，此处不再赘述。
50.在一些实施例中，参数预测模块220还可以用于确定预测的第一养殖参数的预测准确度指数。
51.预测准确度可以表征预测的第一养殖参数的可信度。在一些实施例中，参数预测模块220可以多个历史时间点的特征序列的准确度计算第一养殖参数的可信度，其中，历史时间点的特征序列的准确度可以用于表征该历史时间点的特征序列的准确度。例如，参数预测模块220可以将多个历史时间点的特征序列的准确度的均值作为预测的第一养殖参数的预测准确度指数。又例如，参数预测模块220可以将多个历史时间点的特征序列的准确度的加权平均值作为预测的第一养殖参数的预测准确度指数，示例地，预测模型基于2021年5
月、6月和7月的特征序列预测的2021年8月的第一养殖参数的可信度a＝α1*x1+α2*x2+α3*x3，其中，α1为2021年5月的特征序列的准确度的权重，x1为2021年5月的特征序列的准确度，α2为2021年6月的特征序列的准确度的权重，x2为2021年6月的特征序列的准确度，α3为2021年7月的特征序列的准确度的权重，x3为2021年7月的特征序列的准确度。在一些实施例中，历史时间点的特征序列的准确度的权重可以从用户终端130、存储设备140和/或外部数据源获取。在一些实施例中，历史时间点的特征序列的准确度的权重可以根据历史时间点与该下一时间点的时间间隔确定。例如，越远离该下一时间点的历史时间点的特征序列的准确度的权重越小。示例地，上述的α1、α2、α3的值分别为0.1、0.3和0.6。
52.在一些实施例中，参数预测模块220可以基于历史时间点的特征序列的相关信息确定该历史时间点的特征序列的准确度。其中，历史时间点的特征序列的相关信息可以包括历史时间点的特征序列的来源、人工评估结果等。历史时间点的特征序列的来源的可信度越高，历史时间点的特征序列的准确度越高，例如，基于现场采集的数据确定的历史时间点的特征序列的准确度高于养殖业用户通过用户终端(例如，用户终端130)上传的特征序列的准确度。人工评估历史时间点的特征序列的可信度越高，该历史时间点的特征序列的准确度越高，例如，行业专家评估历史时间点a的特征序列的可信度为90％，则历史时间点a的特征序列的准确度可以为0.9，行业专家评估历史时间点b的特征序列的可信度为70％，则历史时间点a的特征序列的准确度可以为0.7。
53.在一些实施例中，信息发布模块230可以向用户终端(例如，用户终端130)发布预测的第一养殖参数的预测准确度指数。在一些实施例中，信息发布模块230可以将预测的第一养殖参数的预测准确度指数以文字、图片、语音或其任意组合等形式发布至用户终端。
54.在一些实施例中，预测准确度指数可以与预测模型的mape相关。其中，mape(mean absolute percentage error)即预测模型的平均绝对百分比误差。在一些实施例中，参数预测模块220可以基于预测模型的多次历史结果与真实结果计算mape。例如，参数预测模块220可以根据以下公式基于预测模型的多次历史预测的结果与真实结果计算mape：
55.其中，xi为第i次历史预测时预测模型输出的预测结果(即某个时间点的第一养殖参数)，yi为xi对应的真实结果(即，xi对应的时间点的真实的第一养殖参数)，n为历史预测的总次数，在一些实施例中，参数预测模块220可以从用户终端130、存储设备140和/或外部数据源获取多次历史预测对应的真实结果。
56.在一些实施例中，参数预测模块220可以基于mape生成第一养殖参数的预测准确度指数。例如，参数预测模块220可以直接将(1-mape)的值作为第一养殖参数的预测准确度指数的值。又例如，参数预测模块220可以基于历史时间点的特征序列的准确度及mape生成第一养殖参数的预测准确度指数。示例地，参数预测模块220可以先计算多个历史时间点的特征序列的准确度的加权平均值，再将多个历史时间点的特征序列的准确度的加权平均值与(1-mape)的乘积作为第一养殖参数的预测准确度指数的值。
57.在一些实施例中，mape可以反应预测模型自身的误差，基于mape可以计算更为准确的第一养殖参数的预测准确度指数。
58.在一些实施例中，信息发布模块230可以向用户终端(例如，用户终端130)发布多
个历史时间点的饲料价格。在一些实施例中，信息发布模块230可以将多个历史时间点的饲料价格以文字、图片、语音或其任意组合等形式发布至用户终端。
59.在一些实施例中，信息发布模块230可以通过用户终端获取用户对于发布的多个历史时间点的饲料价格的反馈信息，其中，反馈信息可以用于表征用户获取的多个历史时间点的饲料价格与发布的多个历史时间点的饲料价格之间的差值。
60.在一些实施例中，参数预测模块220可以基于饲料价反馈确定饲料价偏离参数，饲料价偏离参数可以用于表征大量用户获取的多个历史时间点的饲料价格与发布的多个历史时间点的饲料价格之间的偏差程度。在一些实施例中，参数预测模块220可以根据以下公式基于饲料价反馈确定饲料价偏离参数：
61.其中，β为饲料价偏离参数，mi为第i个用户终端对于发布的多个历史时间点的饲料价格的反馈信息，n为发布的多个历史时间点的饲料价格，n为提供反馈信息的用户终端的总个数。
62.在一些实施例中，预测准确指数可以相关于饲料价偏离参数。例如，参数预测模块220可以直接将(1-β)的值作为第一养殖参数的预测准确度指数的值。又例如，参数预测模块220可以基于饲料价偏离参数和预测模型的mape确定第一养殖参数的预测准确度指数。示例地，参数预测模块220可以将(1-β)和(1-mape)乘积作为第一养殖参数的预测准确度指数的值。
63.在一些实施例中，通过引入用户对于发布的多个历史时间点的饲料价格的反馈信息，可以判断用于预测第一养殖参数的多个历史时间点的饲料价格是否准确，从而可以计算更为准确的第一养殖参数的预测准确度指数。
64.在一些实施例中，通过确定预测的第一养殖参数的预测准确度指数并将其发布在用户终端，可以辅助养殖业用户是否根据预测的第一养殖参数调整当前养殖策略，例如，若预测的第一养殖参数的预测准确度指数较低，则养殖业用户可以不根据预测的第一养殖参数调整当前养殖策略，从而避免养殖业用户盲目根据第一养殖参数调整当前养殖策略，减少盲目调整当前养殖策略带来的损失。
65.步骤340，养殖业用户基于第一养殖参数确定是否调整当前养殖策略。
66.养殖策略可以表征养殖业用户在当前时间点和下一时间点的养殖计划。养殖策略可以包括在当前时间点出售的畜产品的量、在当前时间点养殖的畜禽的数量、在下一时间点出售的畜产品的量等。
67.在一些实施例中，养殖业用户可以基于第一养殖参数调整在当前时间点出售的畜产品的量、在当前时间点养殖的畜禽的数量、在下一时间点出售的畜产品的量中的至少一个，例如，预测的下一时间点的畜产品价格高于当前时间点的畜产品价格，则养殖业用户可以减少在当前时间点出售的畜产品的量，增加在下一时间点出售的畜产品的量，以获取更大收益；预测的下一时间点的畜产品价格低于当前时间点的畜产品价格，则养殖业用户可以增加在当前时间点出售的畜产品的量，并减少在下一时间点出售的畜产品的量，以获取更大收益。又例如，预测的下一时间点的畜产品产量较低，则养殖业用户可以适当增加在当前时间点的养殖的畜禽的数量，以提供在下一时间点更多的畜产品。
68.在一些实施例中，养殖业用户可以根据第二养殖参数，确定是否调整当前养殖策略。在一些实施例中，养殖业用户可以基于第二养殖参数调整在当前时间点出售的畜产品的量、在当前时间点养殖的畜禽的数量、在下一时间点出售的畜产品的量中的至少一个。例如，第二养殖参数调整表明下一时间点的畜产品价格高于当前时间点的畜产品价格时，养殖业用户可以减少在当前时间点出售的畜产品的量，增加在下一时间点出售的畜产品的量，以获取更大收益。
69.在一些实施例中，在养殖业根据预测进行策略选择的方法通过基于多个历史时间点的特征序列构建预测模型，基于预测模型预测下一时间点的第一养殖参数，为养殖业用户是否调整当前养殖策略提供了依据，可以使得养殖业用户获取更大收益，并且提高了畜产品的交易量。
70.应当注意的是，上述有关流程300描述仅仅是为了示例和说明，而不限定本说明书的适用范围。对于本领域技术人员来说，在本说明书的指导下可以对流程300进行各种修正和改变。然而，这些修正和改变仍在本说明书的范围之内。
71.图4是根据本说明书一些实施例所示的调整第一养殖参数的示例性流程图。
72.步骤410，获取用户的访问信息。在一些实施例中，步骤410可以由信息发布模块230执行。
73.用户的访问信息可以为与用户终端(例如，用户终端130)查看发布的第一养殖参数相关的信息。例如，发布第一养殖参数的页面的点击量、每个用户终端在发布第一养殖参数的页面的停留时长等。
74.在一些实施例中，信息发布模块230可以从用户终端获取用户的访问信息。
75.步骤420，基于用户的访问信息确定第一养殖参数的关注量。在一些实施例中，步骤420可以由信息发布模块230执行。
76.在一些实施例中，信息发布模块230可以基于发布第一养殖参数的页面的点击量、每个用户终端在发布第一养殖参数的页面的停留时长等中的至少一个确定第一养殖参数的关注量。例如，信息发布模块230可以基于发布第一养殖参数的页面的点击量和用户终端的总数确定关注量，示例地，关注量＝发布第一养殖参数的页面的点击量/用户终端的总数。又例如，信息发布模块230可以计算用户终端在发布第一养殖参数的页面的停留时长的总和，基于用户终端在发布第一养殖参数的页面的停留时长的总和确定关注量。示例地，当第一养殖参数的页面的停留时长的总和小于1个小时，关注量为0.1，第一养殖参数的页面的停留时长的总和每增加一个小时，关注量增加0.1。
77.步骤430，通过预测模型基于多个历史时间点的特征序列及关注量，生成下一时间点的第二养殖参数。在一些实施例中，步骤430可以由参数预测模块220执行。
78.第二养殖参数与第一养殖参数相似，第二养殖参数为可以引导养殖业用户调整当前养殖策略的参数。例如，畜产品价格、畜产品产量等。关于第一养殖参数的更多描述可以参见图3及其相关描述。
79.参照图5，在一些实施例中，确定了第一养殖参数，且获取了关注量后，参数预测模块220可以将多个历史时间点的特征序列510及关注量520输入至预测模型550，预测模型550输出下一时间点的第二养殖参数540。关于多个历史时间点的特征序列的更多描述可以参见图3及其相关描述。
80.参照图5，在一些实施例中，生成下一时间点的第二养殖参数时，预测模型550的输入特征还可以包括饲料价偏离参数530。关于饲料价偏离参数的更多描述可以参见图3及其相关描述。
81.在一些实施例中，在预测第二养殖参数时，预测模型的输入特征还可以包括饲料价偏离参数，使得确定的第二养殖参数更加准确。
82.在一些实施例中，通过获取用户的访问信息确定第一养殖参数的关注量，并基于多个历史时间点的特征序列及关注量，生成下一时间点的第二养殖参数，可以提供给用户对于是否调整当前养殖策略更有参考作用的信息。
83.上文已对基本概念做了描述，显然，对于本领域技术人员来说，上述详细披露仅仅作为示例，而并不构成对本说明书的限定。虽然此处并没有明确说明，本领域技术人员可能会对本说明书进行各种修改、改进和修正。该类修改、改进和修正在本说明书中被建议，所以该类修改、改进、修正仍属于本说明书示范实施例的精神和范围。
84.同时，本说明书使用了特定词语来描述本说明书的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本说明书至少一个实施例相关的某一特征、结构或特点。因此，应强调并注意的是，本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一个替代性实施例”并不一定是指同一实施例。此外，本说明书的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。
85.此外，除非权利要求中明确说明，本说明书所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用，并非用于限定本说明书流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例，但应当理解的是，该类细节仅起到说明的目的，附加的权利要求并不仅限于披露的实施例，相反，权利要求旨在覆盖所有符合本说明书实施例实质和范围的修正和等价组合。例如，虽然以上所描述的系统组件可以通过硬件设备实现，但是也可以只通过软件的解决方案得以实现，如在现有的服务器或移动设备上安装所描述的系统。
86.同理，应当注意的是，为了简化本说明书披露的表述，从而帮助对一个或多个发明实施例的理解，前文对本说明书实施例的描述中，有时会将多种特征归并至一个实施例、附图或对其的描述中。但是，这种披露方法并不意味着本说明书对象所需要的特征比权利要求中提及的特征多。实际上，实施例的特征要少于上述披露的单个实施例的全部特征。
87.一些实施例中使用了描述成分、属性数量的数字，应当理解的是，此类用于实施例描述的数字，在一些示例中使用了修饰词“大约”、“近似”或“大体上”来修饰。除非另外说明，“大约”、“近似”或“大体上”表明所述数字允许有
±
20％的变化。相应地，在一些实施例中，说明书和权利要求中使用的数值参数均为近似值，该近似值根据个别实施例所需特点可以发生改变。在一些实施例中，数值参数应考虑规定的有效数位并采用一般位数保留的方法。尽管本说明书一些实施例中用于确认其范围广度的数值域和参数为近似值，在具体实施例中，此类数值的设定在可行范围内尽可能精确。
88.针对本说明书引用的每个专利、专利申请、专利申请公开物和其他材料，如文章、书籍、说明书、出版物、文档等，特此将其全部内容并入本说明书作为参考。与本说明书内容不一致或产生冲突的申请历史文件除外，对本说明书权利要求最广范围有限制的文件(当前或之后附加于本说明书中的)也除外。需要说明的是，如果本说明书附属材料中的描述、
定义、和/或术语的使用与本说明书所述内容有不一致或冲突的地方，以本说明书的描述、定义和/或术语的使用为准。
89.最后，应当理解的是，本说明书中所述实施例仅用以说明本说明书实施例的原则。其他的变形也可能属于本说明书的范围。因此，作为示例而非限制，本说明书实施例的替代配置可视为与本说明书的教导一致。相应地，本说明书的实施例不仅限于本说明书明确介绍和描述的实施例。