(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211146182.4 (22)申请日 2022.09.20 (71)申请人 河南科技大 学 地址 471000 河南省洛阳市涧西区西苑路 48号 (72)发明人 吕锋　李锋军　张雷雷　张冰冰　 彭举　贾辉　张洁　张晨晨　 李杰伟　苏建新　赵长伟　张杨航　 (74)专利代理 机构 洛阳公信知识产权事务所 (普通合伙) 41120 专利代理师 吴佳 (51)Int.Cl. G06Q 30/02(2012.01) G06N 3/04(2006.01) G06N 3/08(2006.01)G06F 16/951(2019.01) G06F 16/215(2019.01) (54)发明名称 一种融合因子信息和序列信息的农业装备 销量预测方法 (57)摘要 本发明公开一种融合因子信息和序列信息 的农业装备销量预测方法， 步骤为： 一、 获取农业 装备销量序列信息和影 响销量因素的历史数据； 二、 对数据进行清洗， 得到数据张量表示； 三、 利 用长短期神经网络模型， 对农业装 备销量序列信 息和影响销量因素的历史数据分别编码， 将农业 装备销量序列数据和影响农业装备销量的因子 数据连接后前n个月的数据作为输入数据， n为序 列长度， 以农业装备销量序列中下一个月的销售 数据作为输出数据对模型进行训练， 使用交叉验 证获取模型的最优参数； 四、 使用训练好的模型 对农业装备销量数据进行预测； 五、 使用最新获 取的数据对模型进行迭代训练； 六、 结合非平稳 因素， 引入主观调节因子， 对预测值进行衰减或 加强调节。 权利要求书1页 说明书5页 附图2页 CN 115409562 A 2022.11.29 CN 115409562 A 1.一种融合因子信息和序列信息的农业装备销量预测方法， 其特征在于： 包括以下步 骤： 步骤1、 使用网络爬虫和部门数据库获取农业装备销量序列信息和影响销量因素的历 史数据； 步骤2、 对步骤1获取的数据进行清洗， 并对数据进行规范化处理后， 得到数据的张量表 示， 为后续模型训练提供基础； 步骤3、 利用长短期神经网络模型， 对农业装备销量序列信 息和影响销量因素的历史数 据分别编 码， 将农业装备销量序列数据和其对应的影响农业装备销量的因子数据连接后前 n个月的数据作为输入数据， n为序列长度， 以农业装备销量序列中下一个月的销售数据作 为输出数据对模型进行训练， 并使用交叉验证获取模型的最优参数； 步骤4、 使用训练好的模型对农业装备销量数据进行 预测； 步骤5、 在新销售数据到来时， 使用最新获取的数据对模型进行迭代训练， 使模型精度 不断提高； 步骤6、 结合非平稳因素， 引入主观调节因子， 对预测值进行衰减或加强调节。 2.根据权利要求1所述的一种融合因子信息和序列信息的农业装备销量预测方法， 其 特征在于： 步骤1影响销量因素包括第一产业人员从业数量、 订单量、 原材料价格、 合格率、 生产率、 库存量、 农机补贴政策、 农民收入、 燃油价格、 耕地政策、 粮食价格。 3.根据权利要求1所述的一种融合因子信息和序列信息的农业装备销量预测方法， 其 特征在于： 步骤2数据清洗的方法为： 剔除错误数据， 并对缺失数据按缺失量选择丢弃相关 数据或均值 填充方法进行处 理。 4.根据权利要求1所述的一种融合因子信息和序列信息的农业装备销量预测方法， 其 特征在于： 步骤3长短期神经网络模型使用不同的序列长度捕获长期和短期的影响销量因 素， 并记忆在网络的参数里， 捕捉 非线性变化因素， 输入编码对农业装备销量序列编 码和影 响农业装备销量因子编码进行拼接 。 5.根据权利要求1所述的一种融合因子信息和序列信息的农业装备销量预测方法， 其 特征在于： 步骤4中使用开源的深度学习软件对模 型的参数进 行调整， 并使用最优截至方法 设定训练次数。 6.根据权利要求1所述的一种融合因子信息和序列信息的农业装备销量预测方法， 其 特征在于： 所述步骤4中使用长 短期神经网络模型预测方法， 能够 控制是否忘记之前没有用 的信息和记 忆有效的信息 。 7.根据权利要求1所述的一种融合因子信息和序列信息的农业装备销量预测方法， 其 特征在于： 所述 步骤5中在增量数据到来时， 可主动设置是否进行迭代训练。 8.根据权利要求1所述的一种融合因子信息和序列信息的农业装备销量预测方法， 其 特征在于： 所述非平稳因素包括国家出台农机补贴或其 他政策变化、 突发事 件。权　利　要　求　书 1/1 页 2 CN 115409562 A 2一种融合因 子信息和序列信息的农业装 备销量预测方 法 技术领域 [0001]本发明属于农业装备销 售预测技术领域， 具体的说是一种融合因子信息和序列信 息的农业装备销量预测方法。 背景技术 [0002]农业作为国民经济 的最基础的产业， 对国家的发展和稳定具有重要的作用。 农业 装备做为农业现代化的标志在农业生产领域得到了广泛的应用， 随着国家对农业生产的政 策倾斜， 农业装备尤其是农机装 备的销量不断提升， 种类不断增加， 有效预测农业装备销量 对农业装备生产厂家合理安 排生产、 降低库存挤压和提升经济效益具有重要的意 义。 [0003]由于农业装备产品需求的季节性， 需求高峰月份与需求低谷月份的需求量差别巨 大， 为应对峰时生产， 需要对一些制造周期长、 结构复杂的专用零部件提前建立 “储备库 存”， 这种库存不同于普通供应链管理中由订单拉动的库存， 虽然与当前订单量有关， 但更 取决于多因素 的影响或博弈结果。 这些都要求能够有一种有效农业装备销量预测方法。 但 传统的预测方法存在主观性 强、 信息利用不全面、 缺少有效的大数据支撑、 或者数据应用能 力不足等问题， 在面对高度复杂的市场环境和多因素共同作用时时难以取得令人满意的预 测效果， 基于此， 本专利设计了一种融合因子信息和序列信息的农业装备销量预测方法， 该 方法能够充分利用大 数据信息并使用人工调节因子给 出有效的销量预测结果。 发明内容 [0004]本发明为解决上述问题， 提供了一种融合因子信息和序列信息的农业装备销量预 测方法， 该方法可以充分利用农业装备销量的序列(按月份统计)变化信息和销量(按月份 统计)相关的因子信息， 提高农业装备销量预测的准确性。 该专利 在现有的神经网络序列模 型LSTM的基础上， 在输入数据中融合了农业装备销量的序列数据和销量相关的因子信息， 对数据的使用更加完备、 全面， 提高了预测模型准确性和稳定性， 能够为农业装 备生产企业 高效排产、 保持合理库存提供有效的数据指导。 [0005]本发明通过以下技 术方案来实现： [0006]一种融合因子信息和序列信息的农业装备销量预测方法， 包括以下步骤： [0007]步骤1、 使用网络爬虫和部门数据库获取农业装备销量序列信息和影响销量因素 的历史数据； [0008]步骤2、 对步骤1获取的数据进行清洗， 并对数据进行规范化 处理后， 得到数据的张 量表示， 为后续模型训练提供基础； [0009]步骤3、 利用长短期神经 网络模型， 对农业装备销量序列信息和影响销量因素的历 史数据分别编 码， 将农业装备销量序列数据和其对应的影响农业装备销量的因子数据连接 后前n个月的数据作为输入数据， n为序列长度， 以农业装备销量序列中下一个月的销售数 据作为输出 数据对模型进行训练， 并使用交叉验证获取模型的最优参数； [0010]步骤4、 使用训练好的模型对农业装备销量数据进行 预测；说　明　书 1/5 页 3 CN 115409562 A 3