农产品交易销售的综合管理平台

摘要

本发明公开了农产品交易销售的综合管理平台，涉及农产品库存管理技术领域，预先收集仓储信息，以及收集各种农产品的发货量训练数据，基于发货量训练数据，为每种农产品的每个销售周期训练出预测未来发货量的发货量预测模型，在实际发货过程中，基于恒温区域容积集合、存储温度数据集合以及发货量预测模型，为每种农产品获得下一个补货周期的补货数据，根据补货数据，对下一个补货周期中，仓库内各个恒温区域的温度进行调控；降低了温度控制设备的运行成本，提高了仓库的利用效率。

权利要求

1.农产品交易销售的综合管理平台，其特征在于，包括仓储信息收集模块、发货量训练数据收集模块、模型训练模块、补货数据收集模块以及仓储温度调控模块；其中，各个模块之间通过电性连接；

仓储信息收集模块，用于预先收集仓储信息，所述仓储信息包括恒温区域容积集合以及存储温度数据集合；仓储信息收集模块将恒温区域容积集合以及存储温度数据集合发送至仓储温度调控模块和补货数据收集模块；

发货量训练数据收集模块，用于预先收集各种农产品的发货量训练数据，所述发货量训练数据收集模块将农产品的发货量训练数据发送至模型训练模块；

模型训练模块，用于基于发货量训练数据，为每种农产品的每个销售周期训练出预测未来发货量的发货量预测模型，并将所有训练完成的发货量预测模型发送至补货数据收集模块；

补货数据收集模块，用于在实际发货过程中，基于恒温区域容积集合、存储温度数据集合以及发货量预测模型，为每种农产品获得下一个补货周期的补货数据，并将补货数据发送至仓储温度调控模块；

仓储温度调控模块，用于根据补货数据，对下一个补货周期中，仓库内各个恒温区域的存储温度进行调控；

所述对下一个补货周期中，仓库内各个恒温区域的存储温度进行调控的方式为：将第i种农产品的发货量的预测输出标记为Si；

将存储温度范围的编号标记为f；

对于第f种存储温度范围，统计所有类型农产品中，存储温度范围的编号为f的农产品类型，将第f种存储温度范围对应的农产品类型的编号集合标记为Gfi；

计算第f种存储温度范围的预存储总量Zf；

将恒温区域的编号标记为h，将第h个恒温区域的容积标记为Vh；

为第f种存储温度范围设置布尔类型的存储变量Xhf；

设计优化目标函数q；所述优化目标函数q的函数表达式为 ；

设计约束目标集合U，其中约束目标集合U包括：

；

以最小化优化目标函数q为整数规划问题的优化目标，以约束目标集合U作为整数规划问题的约束目标集合，使用整数规划求解工具对该整数规划问题进行求解，得到解集合；基于解集合，对存储温度进行调控。

2.根据权利要求1所述的农产品交易销售的综合管理平台，其特征在于，所述恒温区域容积集合中的每个恒温区域容积对应一个恒温区域的容积；

其中，所述恒温区域为在存储农产品的仓库中，通过温度控制设备，划分的不同的区域，在每个恒温区域中，保持相同的温度区间；

其中，所述存储温度数据集合中的每个存储温度数据对应一种农产品以及该农产品的适应的存储温度范围的编号。

3.根据权利要求2所述的农产品交易销售的综合管理平台，其特征在于，所述发货量训练数据包括对应农产品过去每年的每个销售周期中的发货量时间序列；

所述发货量时间序列为将每个补货周期中的补货量按照时间顺序排列的序列。

4.根据权利要求3所述的农产品交易销售的综合管理平台，其特征在于，所述为每种农产品的每个销售周期训练出预测未来发货量的发货量预测模型的方式为：将农产品类型的编号标记为i，将过去年份的编号标记为y，将第i种农产品的销售周期的编号标记为ti，将过去第y年中，第i种农产品在第ti个销售周期中的发货量时间序列标记为Lyti；

对于第i种农产品的第ti个销售周期，预设预测时间步长为1、滑动步长以及滑动窗口长度；将过去每年的发货量时间序列Lyti使用滑动窗口方法转化为训练样本集合，将训练样本集合作为发货量预测模型的输入，以每个训练样本在对应的发货量时间序列中，后续预测时间步长的发货量序列作为预测目标，对发货量预测模型进行训练；生成根据过去滑动窗口长度的发货量序列预测未来预测时间步长的发货量序列的发货量预测模型；将第i种农产品的第ti个销售周期的发货量预测模型标记为Mti。

5.根据权利要求4所述的农产品交易销售的综合管理平台，其特征在于，所述为每种农产品获得下一个补货周期的补货数据包括：将实际发货过程的时间表示为当前时间，获得当前时间对应的每种农产品的销售周期的编号，将当前时间对应的第i种农产品的销售周期的编号标记为ti0；

收集每种农产品在当前时间之前滑动窗口长度的发货量序列作为实际发货量序列；

将第i种农产品的实际发货量序列输入至发货量预测模型Mti中，获得发货量预测模型Mti输出的对未来预测时间步长的发货量的预测输出；

所述补货数据包括每种农产品的发货量的预测输出。

6.根据权利要求5所述的农产品交易销售的综合管理平台，其特征在于，所述预存储总量Zf的计算公式为 。

7.根据权利要求6所述的农产品交易销售的综合管理平台，其特征在于，所述基于解集合，对存储温度进行调控的方式为：从所述解集合中，找出所有值为1的变量Xhf，则在下一个补货周期中，将第h个恒温区域的存储温度设置为第f种存储温度范围。

8.农产品交易销售的综合管理方法，其基于权利要求1‑7任意一项所述的农产品交易销售的综合管理平台实现，其特征在于，包括以下步骤：步骤一：预先收集仓储信息，以及收集各种农产品的发货量训练数据；

步骤二：基于发货量训练数据，为每种农产品的每个销售周期训练出预测未来发货量的发货量预测模型；

步骤三：在实际发货过程中，基于恒温区域容积集合、存储温度数据集合以及发货量预测模型，为每种农产品获得下一个补货周期的补货数据；

步骤四：根据补货数据，对下一个补货周期中，仓库内各个恒温区域的温度进行调控。

9.一种电子设备，其特征在于，包括：处理器和存储器，其中：所述存储器中存储有可供处理器调用的计算机程序；

所述处理器通过调用所述存储器中存储的计算机程序，执行权利要求8所述农产品交易销售的综合管理方法。

10.一种计算机可读存储介质，其特征在于，其上存储有可擦写的计算机程序；

当所述计算机程序在计算机设备上运行时，使得所述计算机设备执行权利要求8所述农产品交易销售的综合管理方法。

说明书

农产品交易销售的综合管理平台

技术领域

[0001] 本发明涉及农产品库存管理技术领域，具体是农产品交易销售的综合管理平台。

背景技术

[0002] 在农产品供应链和仓储管理中，农产品的质量和保鲜度是至关重要的。不同类型的农产品可能对温度、湿度和环境条件有不同的要求，以保持它们的新鲜度、口感和食用价值。因此，需要将仓库内划分为不同的恒温区域，以适应不同农产品的储存需求。

[0003] 然而因为不同的农作物可能在每个发货周期内的交易订单数量存在差异，因此若每个发货周期中，仓库的各个恒温区域内的温度缺少变化，可能导致部分农产品被存储在不适宜的温度下，从而导致农产品不能达到保鲜效果，造成经济的损失；

[0004] 而目前对不同的恒温区域的温度规划和调控往往是基于经验的，而缺乏量化的预测与分析，因此经常造成农产品保鲜效果不佳、部分恒温区域不能充分利用、多使用了恒温区域从而造成电力浪费等问题；

[0005] 申请公开号为CN114926107A的中国专利公开了一种农货库存管理方法及系统，方法包括：通过视频采集方式获取出入库视频信息，根据出入库视频信息获取出入库视频解析数据；获取出入库记录数据；根据出入库记录数据和出入库视频解析数据，核验出入库记录。通过视屏记录出入库过程，与货主记录的出入库信息核对，能够智能、客观的反应库存现状，生成货主的真实记录，用于支持金融授信；然而该发明未能考虑到不同农货的存储温度的区别；

[0006] 为此，本发明提出农产品交易销售的综合管理平台。

发明内容

[0007] 本发明旨在至少解决现有技术中存在的技术问题之一。为此，本发明提出农产品交易销售的综合管理平台，降低了温度控制设备的运行成本。

[0008] 为实现上述目的，根据本发明的第一方面的实施例提出农产品交易销售的综合管理平台，包括仓储信息收集模块、发货量训练数据收集模块、模型训练模块、补货数据收集模块以及仓储温度调控模块；其中，各个模块之间通过电性连接；

[0009] 仓储信息收集模块，用于预先收集仓储信息；

[0010] 所述仓储信息包括恒温区域容积集合以及存储温度数据集合；

[0011] 所述恒温区域容积集合中的每个恒温区域容积对应一个恒温区域的容积；

[0012] 其中，所述恒温区域为在存储农产品的仓库中，通过温度控制设备，划分的不同的区域，在每个恒温区域中，保持相同的温度区间；

[0013] 其中，所述存储温度数据集合中的每个存储温度数据对应一种农产品以及该农产品的适应的存储温度范围的编号；

[0014] 所述仓储信息收集模块将恒温区域容积集合以及存储温度数据集合发送至仓储温度调控模块和补货数据收集模块；

[0015] 发货量训练数据收集模块，用于预先收集各种农产品的发货量训练数据；

[0016] 其中，所述发货量训练数据包括对应农产品过去每年的每个销售周期中的发货量时间序列；

[0017] 所述发货量时间序列为将每个补货周期中的补货量按照时间顺序排列的序列；

[0018] 所述发货量训练数据收集模块将农产品的发货量训练数据发送至模型训练模块；

[0019] 模型训练模块，用于基于发货量训练数据，为每种农产品的每个销售周期训练出预测未来发货量的发货量预测模型；

[0020] 所述为每种农产品的每个销售周期训练出预测未来发货量的发货量预测模型的方式为：

[0021] 将农产品类型的编号标记为i，将过去年份的编号标记为y，将第i种农产品的销售周期的编号标记为ti，将过去第y年中，第i种农产品在第ti个销售周期中的发货量时间序列标记为Lyti；

[0022] 对于第i种农产品的第ti个销售周期，预设预测时间步长为1、滑动步长以及滑动窗口长度；将过去每年的发货量时间序列Lyti使用滑动窗口方法转化为训练样本集合，将训练样本集合作为发货量预测模型的输入，以每个训练样本在对应的发货量时间序列中，后续预测时间步长的发货量序列作为预测目标，对发货量预测模型进行训练；生成根据过去滑动窗口长度的发货量序列预测未来预测时间步长的发货量序列的发货量预测模型；将第i种农产品的第ti个销售周期的发货量预测模型标记为Mti；

[0023] 所述模型训练模块将所有训练完成的发货量预测模型发送至补货数据收集模块；

[0024] 补货数据收集模块，用于在实际发货过程中，基于恒温区域容积集合、存储温度数据集合以及发货量预测模型，为每种农产品获得下一个补货周期的补货数据；

[0025] 所述为每种农产品获得下一个补货周期的补货数据包括：

[0026] 将实际发货过程的时间表示为当前时间，获得当前时间对应的每种农产品的销售周期的编号，将当前时间对应的第i种农产品的销售周期的编号标记为ti0；

[0027] 收集每种农产品在当前时间之前滑动窗口长度的发货量序列作为实际发货量序列；

[0028] 将第i种农产品的实际发货量序列输入至发货量预测模型Mti中，获得发货量预测模型Mti输出的对未来预测时间步长的发货量的预测输出；

[0029] 则所述补货数据包括每种农产品的发货量的预测输出；

[0030] 所述补货数据收集模块将补货数据发送至仓储温度调控模块；

[0031] 仓储温度调控模块，用于根据补货数据，对下一个补货周期中，仓库内各个恒温区域的存储温度进行调控；

[0032] 所述对下一个补货周期中，仓库内各个恒温区域的存储温度进行调控的方式为：

[0033] 将第i种农产品的发货量的预测输出标记为Si；

[0034] 将存储温度范围的编号标记为f；

[0035] 对于第f种存储温度范围，统计所有类型农产品中，存储温度范围的编号为f的农产品类型，将第f种存储温度范围对应的农产品类型的编号集合标记为Gfi；

[0036] 计算第f种存储温度范围的预存储总量Zf；则所述预存储总量Zf的计算公式为；

[0037] 将恒温区域的编号标记为h，将第h个恒温区域的容积标记为Vh；

[0038] 为第f种存储温度范围设置布尔类型的存储变量Xhf；所述存储变量Xhf=1时，表示将第h个恒温区域的存储温度设置在第f种存储温度范围；所述存储变量Xhf=0时，表示不将第h个恒温区域的存储温度设置在第f种存储温度范围；

[0039] 设计优化目标函数q；

[0040] 其中，所述优化目标函数q的函数表达式为 ；

[0041] 设计约束目标集合U，其中约束目标集合U包括：

[0042] ；

[0043] 以最小化优化目标函数q为整数规划问题的优化目标，以约束目标集合U作为整数规划问题的约束目标集合，使用整数规划求解工具对该整数规划问题进行求解，得到解集合；基于解集合，对存储温度进行调控；

[0044] 基于解集合，对存储温度进行调控的方式为：

[0045] 从所述解集合中，找出所有值为1的变量Xhf，则在下一个补货周期中，将第h个恒温区域的存储温度设置为第f种存储温度范围。

[0046] 本发明的第二方面的实施例提出农产品交易销售的综合管理方法，包括以下步骤：

[0047] 步骤一：预先收集仓储信息，以及收集各种农产品的发货量训练数据；

[0048] 步骤二：基于发货量训练数据，为每种农产品的每个销售周期训练出预测未来发货量的发货量预测模型；

[0049] 步骤三：在实际发货过程中，基于恒温区域容积集合、存储温度数据集合以及发货量预测模型，为每种农产品获得下一个补货周期的补货数据；

[0050] 步骤四：根据补货数据，对下一个补货周期中，仓库内各个恒温区域的温度进行调控。

[0051] 根据本发明第三方面的实施例提出的一种电子设备，包括：处理器和存储器，其中，所述存储器中存储有可供处理器调用的计算机程序；

[0052] 所述处理器通过调用所述存储器中存储的计算机程序，执行上述的农产品交易销售的综合管理方法。

[0053] 根据本发明第四方面的实施例提出的一种计算机可读存储介质，其上存储有可擦写的计算机程序；

[0054] 当所述计算机程序在计算机设备上运行时，使得所述计算机设备执行上述的农产品交易销售的综合管理方法。

[0055] 与现有技术相比，本发明的有益效果是：

[0056] 本发明通过预先收集仓储信息，以及收集各种农产品的发货量训练数据，基于发货量训练数据，为每种农产品的每个销售周期训练出预测未来发货量的发货量预测模型，在实际发货过程中，基于恒温区域容积集合、存储温度数据集合以及发货量预测模型，为每种农产品获得下一个补货周期的补货数据，根据补货数据，对下一个补货周期中，仓库内各个恒温区域的温度进行调控；提前预测下一补货周期中各个类型农产品的发货量，从而提前对恒温区域的温度进行规划及调控，以降低温度控制设备的运行成本，提高仓库的利用效率。

附图说明

[0057] 图1为本发明实施例1中农产品交易销售的综合管理平台的模块连接关系图；

[0058] 图2为本发明实施例2中农产品交易销售的综合管理方法的流程图；

[0059] 图3为本发明实施例3中的电子设备结构示意图；

[0060] 图4为本发明实施例4中的计算机可读存储介质结构示意图。

具体实施方式

[0061] 下面将结合实施例对本发明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它实施例，都属于本发明保护的范围。

[0062] 实施例1

[0063] 如图1所示，农产品交易销售的综合管理平台，包括仓储信息收集模块、发货量训练数据收集模块、模型训练模块、补货数据收集模块以及仓储温度调控模块；其中，各个模块之间通过电性连接；

[0064] 其中，所述仓储信息收集模块主要用于预先收集仓储信息；

[0065] 优选的，所述仓储信息包括恒温区域容积集合以及存储温度数据集合；

[0066] 所述恒温区域容积集合中的每个恒温区域容积对应一个恒温区域的容积；

[0067] 其中，所述恒温区域为在存储农产品的仓库中，通过温度控制设备，划分的不同的区域，在每个恒温区域中，保持相同的温度区间，以保证不同的农产品能够以最适宜的存储温度进行保存；

[0068] 需要说明的是，不同的恒温区域可以通过使用冷藏库、冷藏柜、冰冻库以及保险柜等设备进行划分，具体的划分方式根据仓库的具体结构以及温度控制设备的类型分布确定；

[0069] 其中，所述存储温度数据集合中的每个存储温度数据对应一种农产品以及该农产品的适应的存储温度范围的编号；

[0070] 优选的，所述存储温度范围根据不同的农产品的实际存储需求确定，将不同的存储温度范围进行编号；需要说明的是，若存在两种农产品的存储温度范围为包含关系，因范围较大的存储温度范围对应的农产品同样可以保存在范围较小的存储温度范围中，则将两种农产品中，范围较大的存储温度范围作为存储温度范围，而不重新编号；

[0071] 进一步说明的是，不同的农产品的存储温度范围的例子可以包括：土豆的适应存储温度为4℃至8℃、蔬菜的存储温度一般是0℃至4℃、胡萝卜的存储温度为约为0℃至2℃；因此，可以将0℃至4℃编号为1，将4℃至8℃编号为2；

[0072] 所述仓储信息收集模块将恒温区域容积集合以及存储温度数据集合发送至仓储温度调控模块和补货数据收集模块；

[0073] 其中，所述发货量训练数据收集模块主要用于预先收集各种农产品的发货量训练数据；

[0074] 其中，所述发货量训练数据包括对应农产品过去每年的每个销售周期中的发货量时间序列；

[0075] 优选的，所述销售周期为根据不同农产品每年的上市时间、销售峰谷阶段的规律而确定，例如：对于西瓜、草莓、樱桃等，销售周期可以划分出夏季至早秋、冬季至晚春等；

[0076] 进一步的，所述发货量时间序列为将每个补货周期中的补货量按照时间顺序排列的序列；所述补货周期为对该农产品进行补货的周期，例如补货周期可以为每隔6小时、半天或一天等进行划分；

[0077] 所述发货量训练数据收集模块将农产品的发货量训练数据发送至模型训练模块；

[0078] 其中，所述模型训练模块主要用于基于发货量训练数据，为每种农产品的每个销售周期训练出预测未来发货量的发货量预测模型；

[0079] 在一个优选的实施例中，所述为每种农产品的每个销售周期训练出预测未来发货量的发货量预测模型的方式为：

[0080] 将农产品类型的编号标记为i，将过去年份的编号标记为y，将第i种农产品的销售周期的编号标记为ti，将过去第y年中，第i种农产品在第ti个销售周期中的发货量时间序列标记为Lyti；

[0081] 对于第i种农产品的第ti个销售周期，预设预测时间步长为1、滑动步长以及滑动窗口长度；将过去每年的发货量时间序列Lyti使用滑动窗口方法转化为训练样本集合，将训练样本集合作为发货量预测模型的输入，以每个训练样本在对应的发货量时间序列中，后续预测时间步长的发货量序列作为预测目标，对发货量预测模型进行训练；生成根据过去滑动窗口长度的发货量序列预测未来预测时间步长的发货量序列的发货量预测模型；其中，所述发货量预测模型可以为RNN神经网络模型或LSTM神经网络模型中的一个；

[0082] 将第i种农产品的第ti个销售周期的发货量预测模型标记为Mti；

[0083] 需要说明的是，滑动窗口方法作为时间序列预测模型的常规技术手段，本发明在此不再做原理性说明；但为了本发明更便于实施，本发明提供如下的关于滑动窗口方法的示例：

[0084] 假设我们要用历史数据[1,2,3,4,5,6]来训练一个RNN神经网络模型或LSTM神经网络模型，设置预测时间步长为1，滑动步长设置为1以及滑动窗口长度设置为3；则生成3组训练数据和对应的预测目标数据：[1,2,3]、[2,3,4]以及[3,4,5]作为训练数据，以[4]、[5]以及[6]分别作为预测目标；

[0085] 所述模型训练模块将所有训练完成的发货量预测模型发送至补货数据收集模块；

[0086] 其中，所述补货数据收集模块主要用于在实际发货过程中，基于恒温区域容积集合、存储温度数据集合以及发货量预测模型，为每种农产品获得下一个补货周期的补货数据；

[0087] 需要说明的是，实际发货过程为农产品销售平台在接收到交易订单后，按交易订单进行发货安排的过程；

[0088] 在一个优选的实施例中，所述为每种农产品获得下一个补货周期的补货数据包括：

[0089] 将实际发货过程的时间表示为当前时间，获得当前时间对应的每种农产品的销售周期的编号，将当前时间对应的第i种农产品的销售周期的编号标记为ti0；

[0090] 收集每种农产品在当前时间之前滑动窗口长度的发货量序列作为实际发货量序列；

[0091] 将第i种农产品的实际发货量序列输入至发货量预测模型Mti中，获得发货量预测模型Mti输出的对未来预测时间步长的发货量的预测输出；

[0092] 则所述补货数据包括每种农产品的发货量的预测输出；

[0093] 所述补货数据收集模块将补货数据发送至仓储温度调控模块；

[0094] 其中，所述仓储温度调控模块主要用于根据补货数据，对下一个补货周期中，仓库内各个恒温区域的存储温度进行调控；

[0095] 在一个优选的实施例中，所述对下一个补货周期中，仓库内各个恒温区域的存储温度进行调控的方式为：

[0096] 将第i种农产品的发货量的预测输出标记为Si；

[0097] 将存储温度范围的编号标记为f；

[0098] 对于第f种存储温度范围，统计所有类型农产品中，存储温度范围的编号为f的农产品类型，将第f种存储温度范围对应的农产品类型的编号集合标记为Gfi；

[0099] 计算第f种存储温度范围的预存储总量Zf；则所述预存储总量Zf的计算公式为；

[0100] 将恒温区域的编号标记为h，将第h个恒温区域的容积标记为Vh；

[0101] 为第f种存储温度范围设置布尔类型的存储变量Xhf；具体的，所述存储变量Xhf=1时，表示将第h个恒温区域的存储温度设置在第f种存储温度范围；所述存储变量Xhf=0时，表示不将第h个恒温区域的存储温度设置在第f种存储温度范围；可以理解的是，对于存储温度范围存在包含关系的不同农产品种类，可以将具体的存储温度设置在范围较小的存储温度范围中；进一步的，对于第h个恒温区域，若对应的所有存储变量Xhf均为0，则表示其对应的温度控制设备不需要开启；

[0102] 设计优化目标函数q；

[0103] 其中，所述优化目标函数q的函数表达式为 ；可以理解的是，优化目标函数q表达的是需要进行恒温控制的恒温区域的数量；

[0104] 设计约束目标集合U，其中约束目标集合U包括：

[0105] ；

[0106] 其中， 用于限制每个恒温区域最多保持一个存储温度，用于限制每种存储温度范围的预存储总量能够被存储；
为二值限制；

[0107] 以最小化优化目标函数q为整数规划问题的优化目标，以约束目标集合U作为整数规划问题的约束目标集合，使用整数规划求解工具对该整数规划问题进行求解，得到解集合；基于解集合，对存储温度进行调控；

[0108] 基于解集合，对存储温度进行调控的方式为：

[0109] 从所述解集合中，找出所有值为1的变量Xhf，则在下一个补货周期中，将第h个恒温区域的存储温度设置为第f种存储温度范围；所述整数规划求解工具求解工具可以是Gurobi或CPLEX等。

[0110] 实施例2

[0111] 如图2所示，农产品交易销售的综合管理方法，包括以下步骤：

[0112] 步骤一：预先收集仓储信息，以及收集各种农产品的发货量训练数据；

[0113] 步骤二：基于发货量训练数据，为每种农产品的每个销售周期训练出预测未来发货量的发货量预测模型；

[0114] 步骤三：在实际发货过程中，基于恒温区域容积集合、存储温度数据集合以及发货量预测模型，为每种农产品获得下一个补货周期的补货数据；

[0115] 步骤四：根据补货数据，对下一个补货周期中，仓库内各个恒温区域的温度进行调控。

[0116] 实施例3

[0117] 图3是本申请一个实施例提供的电子设备结构示意图。如图3所示，根据本申请的又一方面还提供了一种电子设备100。该电子设备100可包括一个或多个处理器以及一个或多个存储器。其中，存储器中存储有计算机可读代码，计算机可读代码当由一个或多个处理器运行时，可以执行如上所述的农产品交易销售的综合管理方法。

[0118] 根据本申请实施方式的方法或系统也可以借助于图3所示的电子设备的架构来实现。如图3所示，电子设备100可包括总线101、一个或多个CPU102、只读存储器(ROM)103、随机存取存储器(RAM)104、连接到网络的通信端口105、输入/输出组件106、硬盘107等。电子设备100中的存储设备，例如ROM103或硬盘107可存储本申请提供的农产品交易销售的综合管理方法。农产品交易销售的综合管理方法可例如包括以下步骤：步骤一：预先收集仓储信息，以及收集各种农产品的发货量训练数据；步骤二：基于发货量训练数据，为每种农产品的每个销售周期训练出预测未来发货量的发货量预测模型；步骤三：在实际发货过程中，基于恒温区域容积集合、存储温度数据集合以及发货量预测模型，为每种农产品获得下一个补货周期的补货数据；步骤四：根据补货数据，对下一个补货周期中，仓库内各个恒温区域的温度进行调控。

[0119] 进一步地，电子设备100还可包括用户界面108。当然，图3所示的架构只是示例性的，在实现不同的设备时，根据实际需要，可以省略图3示出的电子设备中的一个或多个组件。

[0120] 实施例4

[0121] 图4是本申请一个实施例提供的计算机可读存储介质结构示意图。如图4所示，是根据本申请一个实施方式的计算机可读存储介质200。计算机可读存储介质200上存储有计算机可读指令。当计算机可读指令由处理器运行时，可执行参照以上附图描述的根据本申请实施方式的农产品交易销售的综合管理方法。计算机可读存储介质200包括但不限于例如易失性存储器和/或非易失性存储器。易失性存储器例如可包括随机存取存储器(RAM)和高速缓冲存储器(cache)等。非易失性存储器例如可包括只读存储器(ROM)、硬盘、闪存等。

[0122] 另外，根据本申请的实施方式，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本申请提供了一种非暂时性机器可读存储介质，所述非暂时性机器可读存储介质存储有机器可读指令，所述机器可读指令能够由处理器运行以执行与本申请提供的方法步骤对应的指令，在该计算机程序被中央处理单元(CPU)执行时，执行本申请的方法中限定的上述功能。

[0123] 可能以许多方式来实现本申请的方法和装置、设备。例如，可通过软件、硬件、固件或者软件、硬件、固件的任何组合来实现本申请的方法和装置、设备。用于方法的步骤的上述顺序仅是为了进行说明，本申请的方法的步骤不限于以上具体描述的顺序，除非以其它方式特别说明。此外，在一些实施例中，还可将本申请实施为记录在记录介质中的程序，这些程序包括用于实现根据本申请的方法的机器可读指令。因而，本申请还覆盖存储用于执行根据本申请的方法的程序的记录介质。

[0124] 另外，本申请的实施方式中提供的上述技术方案中与现有技术中对应技术方案实现原理一致的部分并未详细说明，以免过多赘述。

[0125] 如上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明。应理解的是，以上所述仅为本发明的具体实施方式，并不用于限制本发明。凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等均应包含在本发明的保护范围之内。

[0126] 以上的预设的参数或预设的阈值均由本领域的技术人员根据实际情况设定或者大量数据模拟获得。

[0127] 以上实施例仅用以说明本发明的技术方法而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方法进行修改或等同替换，而不脱离本发明技术方法的精神和范围。