(19)中华 人民共和国 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 202111532062.3 (22)申请日 2021.12.14 (71)申请人 芸豆数字科技有限公司 地址 610000 四川省成 都市高新区蜀锦路 88号1栋1单 元5层7号 (72)发明人 赵源　 (74)专利代理 机构 成都顶峰专利事务所(普通 合伙) 51224 代理人 杨国瑞 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 30/02(2012.01) G06N 20/00(2019.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 基于机器学习的中药材供求关系预测方法、 装置和介质 (57)摘要 本发明公开了一种基于机器学习的中药材 供求关系预测方法， 包括:获取各个中药材产区 的历年生态环 境数据集和历年产量数据集， 将数 据集输入至基于注意力机制的CNN ‑LSTM网络模 型中进行训练； 利用基于注意力机制的CNN ‑LSTM 网络模型对 下一年的中药材产量数据进行预测； 获取中药材的历年销量数据集， 将历年销量数据 输入至混合预测模型， 对下一年的中药材销量数 据进行预测； 根据预测中药材产量数据和中药材 销量数据， 确定供求关系。 本发明能够根据药材 历年的产量数据和历年的销量数据， 基于机器学 习算法对下一年的药材超量和销量进行准确预 测， 并根据预测结果确定药材下一年的产销供求 关系， 从而为药材行业从业人员提供可靠的数据 支持， 进而做出正确的经 营决策。 权利要求书2页 说明书7页 附图1页 CN 114219149 A 2022.03.22 CN 114219149 A 1.一种基于 机器学习的中药 材供求关系预测方法， 其特 征在于， 包括: 获取各个中药材产区的历年生态环境数据集和历年产量数据集， 将所述历年生态环境 数据集和所述历年产量数据集输入至基于注意力机制的CN N‑LSTM网络模型中进行训练； 其中， 所述历年 生态环境数据集包括历年天气数据和历年土壤数据； 利用训练好的基于注意力机制的CNN ‑LSTM网络模型对下一年的中药材产量数据进行 预测； 获取中药材的历年销量数据集， 将所述历年销量数据输入至混合预测模型， 对下一年 的中药材销量数据进行 预测； 根据预测得到的下一年的中药材产量数据和下一年的中药材销量数据， 确定下一年的 中药材的产量与销量的供求关系。 2.根据权利要求1所述的基于机器学习的中药材供求关系预测方法， 其特征在于， 在将 所述历年生态环境数据集和所述历年产量数据集输入至基于注意力机制的CNN ‑LSTM网络 模型中进行训练之前， 所述方法还 包括： 对所述历年生态环境数据集进行归一化预处理， 以使所述历年生态环境数据集中的各 样本数据的方差一 致。 3.根据权利要求1所述的基于机器学习的中药材供求关系预测方法， 其特征在于， 将所 述历年生态环境数据集和所述历年产量数据集输入至基于注意力机制的CNN ‑LSTM网络模 型中进行训练， 包括： 将所述历年天气数据输入至CNN ‑W模型， 以使所述CNN ‑W模型通过一维卷积来捕捉天气 数据的时间依赖性， 并提取天气特 征； 将所述历年土壤环境输入至CNN ‑S模型， 以使所述CNN ‑S模型通过一维卷积来捕捉地下 不同深度测量的土壤数据的空间依赖性， 并提取土壤特 征； 利用CNN网络的全连接层将所述天气特征和所述土壤特征进行结合， 得到所述全连接 层的输出； 将所述全连接层的输出和所述历年产量数据集输入至LSTM网络单元中， 并基于注意力 机制对全连接层的输出和所述历年产量数据集进行 特征选择。 4.根据权利要求1所述的基于机器学习的中药材供求关系预测方法， 其特征在于， 将所 述历年销量数据输入至混合预测模型， 对下一 年的中药 材销量数据进行 预测， 包括： 建立ARIMA模型， 将所述历年销量数据的序列输入至所述ARIMA模型， 利用所述ARIMA模 型预测获取第一预测结果和多个模型 预测误差； 建立基于Boosting算法的AdaBoost分类器， 将多个所述模型预测误差输入至所述 AdaBoost分类器进行整合和重分类， 并将预测误差较大的ARIMA模 型进行权值弱化， 得到第 二预测结果； 将所述第一预测结果和所述第 二预测结果进行叠加， 得到下一年的中药材销量数据 预 测结果。 5.根据权利要求4所述的基于机器学习的中药材供求关系预测方法， 其特征在于， 建立 ARIMA模型， 包括： 基于自相关函数和偏自相关函数， 结合AIC和BIC标准确定ARIMA模型的三元组(p,d,f) 的取值范围；权　利　要　求　书 1/2 页 2 CN 114219149 A 2其中， p为历史销量数据的序列的自回归系数， d为历史销量数据的序列的差分次数d， q 为历史销量数据的序列的移动平均项数。 6.根据权利要求1所述的基于机器学习的中药材供求关系预测方法， 其特征在于， 所述 方法还包括： 将产量与销量的供求关系的预测结果发送至药 材采购人员的智能终端。 7.根据权利要求1所述的基于机器学习的中药材供求关系预测方法， 其特征在于， 所述 历年天气数据至少包括降水数据、 太阳辐射数据、 雪水当量数据、 最高温度数据、 最低 温度 数据和水汽压数据。 8.根据权利要求1所述的基于机器学习的中药材供求关系预测方法， 其特征在于， 所述 历年土壤数据至少包括湿土容重数据、 干容重数据、 粘土比例数据、 植物有效含 水量上限数 据、 植物有效含 水量下限数据、 水力 传导率数据、 有机质比例数据、 pH值数据、 含砂率数据以 及饱和体积含水量在不同测量深度下的变化数据。 9.一种基于 机器学习的中药 材供求关系预测装置， 其特 征在于， 包括： 模型训练模块， 用于获取各个中药材产区的历年生态环境数据集和历年产量数据集， 将所述历年生态环境数据集和所述历年产量数据集输入至基于注意力机制的CNN ‑LSTM网 络模型中进行训练； 其中， 所述历年 生态环境数据集包括历年天气数据和历年土壤数据； 产量预测模块， 用于利用训练好的基于注意力机制的CNN ‑LSTM网络模型对下一年的中 药材产量数据进行 预测； 销量预测模块， 用于获取中药材的历年销量数据集， 将所述历年销量数据输入至混合 预测模型， 对下一 年的中药 材销量数据进行 预测； 供求关系确定模块， 用于根据 预测得到的下一年的中药材产量数据和下一年的中药材 销量数据， 确定下一 年的中药 材的供求关系。 10.一种计算机可读存储介质， 其特征在于， 所述计算机可读存储介质存储有一个或者 多个程序， 所述一个或者多个程序可被一个或者多个处理器执行， 以实现如权利要求1～8 任意一项所述的基于 机器学习的中药 材供求关系预测方法。权　利　要　求　书 2/2 页 3 CN 114219149 A 3