陳天恩，劉軍萍，王登位，史曉慧

（1.北京農(nóng)業(yè)信息技術(shù)研究中心/農(nóng)業(yè)部農(nóng)業(yè)信息技術(shù)重點實驗室，北京100097；2.北京市農(nóng)村工作委員會信息中心，北京，100081）

0 引言

近30年以來，互聯(lián)網(wǎng)的迅速發(fā)展在世界范圍催生了諸多以網(wǎng)絡(luò)為基礎(chǔ)的經(jīng)濟發(fā)展模式和新型產(chǎn)業(yè)業(yè)態(tài)。特別是近10年來，互聯(lián)網(wǎng)已經(jīng)從信息互聯(lián)互通的渠道逐漸演進為世界各國經(jīng)濟發(fā)展不可或缺的基礎(chǔ)設(shè)施，一批互聯(lián)網(wǎng)經(jīng)濟體已經(jīng)成為中美等國經(jīng)濟發(fā)展中最具活力的重要組成部分。在此背景下，基于互聯(lián)網(wǎng)、特別是移動互聯(lián)網(wǎng)的信息（技術(shù)）服務(wù)業(yè)正在成為重要的戰(zhàn)略性新興產(chǎn)業(yè)［1］。研究探索網(wǎng)絡(luò)環(huán)境下應(yīng)用服務(wù)本身的科學問題與系列關(guān)鍵技術(shù)，實現(xiàn)網(wǎng)絡(luò)應(yīng)用的服務(wù)質(zhì)量提升，提供更好的應(yīng)用服務(wù)用戶體驗，正成為一個越來越受到重視的研究方向。

當前各類互聯(lián)網(wǎng)應(yīng)用服務(wù)場景中，用戶需求的多元化和動態(tài)化，與網(wǎng)絡(luò)服務(wù)資源供給技術(shù)、模型之間存在突出的矛盾，映射在行業(yè)互聯(lián)網(wǎng)應(yīng)用中，行業(yè)特殊性及其應(yīng)用服務(wù)個性化需求與云計算為代表的互聯(lián)網(wǎng)服務(wù)提供共性技術(shù)之間的矛盾，制約了互聯(lián)網(wǎng)行業(yè)應(yīng)用的深入發(fā)展，也對行業(yè)相關(guān)產(chǎn)業(yè)借助互聯(lián)網(wǎng)創(chuàng)新發(fā)展造成了障礙。在此背景下，互聯(lián)網(wǎng)應(yīng)用服務(wù)的可適性問題被提出，用以描述互聯(lián)網(wǎng)服務(wù)需求多變本質(zhì)與服務(wù)系統(tǒng)計算模型復(fù)雜難控現(xiàn)象之間的矛盾。互聯(lián)網(wǎng)應(yīng)用服務(wù)的可適性與服務(wù)背后的數(shù)據(jù)管理模式、平臺構(gòu)建模式和應(yīng)用服務(wù)模型密切相關(guān)。

農(nóng)業(yè)云服務(wù)作為云計算技術(shù)面向農(nóng)業(yè)行業(yè)應(yīng)用的載體，也是農(nóng)業(yè)信息化應(yīng)用交付模式不斷演進的最新結(jié)果。近年來，隨著農(nóng)業(yè)互聯(lián)網(wǎng)應(yīng)用的爆發(fā)式增長，通用的標準云服務(wù)技術(shù)在農(nóng)業(yè)領(lǐng)域的適用性問題得到越來越多的關(guān)注，農(nóng)業(yè)行業(yè)網(wǎng)絡(luò)應(yīng)用的特殊性、需求的地區(qū)差異性和動態(tài)變化性等，對標準云計算模型的可適性構(gòu)成了事實上的挑戰(zhàn)。農(nóng)業(yè)生產(chǎn)的特點決定了農(nóng)業(yè)云服務(wù)必須依賴多源異構(gòu)農(nóng)田數(shù)據(jù)，以農(nóng)業(yè)知識為核心服務(wù)內(nèi)容，并最終通過SaaS（Software as a Service，軟件即服務(wù)）或按需信息服務(wù)的形式落地。由此，農(nóng)業(yè)云服務(wù)模型的構(gòu)建需要突破“數(shù)據(jù)—知識—服務(wù)”3個層面的可適性關(guān)鍵技術(shù)瓶頸，以確保服務(wù)的高效能、高可靠性和高可適性。因此，研究突破農(nóng)業(yè)云服務(wù)可適性技術(shù)瓶頸，是云計算在農(nóng)業(yè)領(lǐng)域發(fā)揮作用面臨的首要問題。

近年來，學術(shù)界針對農(nóng)業(yè)云服務(wù)背后的農(nóng)田數(shù)據(jù)存儲方法與模型、農(nóng)業(yè)知識發(fā)現(xiàn)算法、服務(wù)組合及平臺構(gòu)建模式，以及按需服務(wù)模型開展了深入研究，取得了積極的進展。

1 農(nóng)業(yè)云服務(wù)可適性技術(shù)

1.1 農(nóng)業(yè)數(shù)據(jù)存儲方法與模型研究

農(nóng)業(yè)數(shù)據(jù)內(nèi)容和來源較為復(fù)雜，其中與農(nóng)業(yè)生產(chǎn)和作物生長密切相關(guān)的多尺度農(nóng)田環(huán)境數(shù)據(jù)（光、溫、水、氣、熱）、土壤數(shù)據(jù)（溫度、濕度、質(zhì)地、養(yǎng)分、電導(dǎo)率、地下水位等）、作物數(shù)據(jù)（基因、植株生理、群體特性）、遙感數(shù)據(jù)等兼具時間和空間的耦合特性，且農(nóng)業(yè)決策主要依賴數(shù)據(jù)時空特性分析應(yīng)用。當前，以GPFS、Google GFS等為代表的海量結(jié)構(gòu)化數(shù)據(jù)高效存儲管理技術(shù)已經(jīng)較為成熟，但是海量時空耦合數(shù)據(jù)的存儲模型及技術(shù)研究相對落后，多數(shù)情況下人們采用單獨考慮數(shù)據(jù)的空間特性或時序特征的辦法進行描述，并以空間或時態(tài)數(shù)據(jù)庫形式存儲；Google、Microsoft等大型云服務(wù)商解決了基于NoSQL技術(shù)的PB級別柵格數(shù)據(jù)存儲管理技術(shù)，并提供相應(yīng)的地圖服務(wù)產(chǎn)品；ESRI的Geodatabase及MrSID柵格數(shù)據(jù)模型可以實現(xiàn)海量矢柵空間數(shù)據(jù)高效率的存儲和訪問；國內(nèi)2012年張桂剛等［2］提出了一種基于互聯(lián)網(wǎng)計算模型的海量空間信息處理的云模型，2013年陳崇成等［3］引入分布式圖數(shù)據(jù)庫Neo4J和并行圖計算框架，實現(xiàn)矢量柵格數(shù)據(jù)一體化的海量空間數(shù)據(jù)分布式云存儲管理與訪問，2010年趙春江等在863計劃的支持下，研究了海量農(nóng)業(yè)知識資源的空間服務(wù)技術(shù)，支撐了北京農(nóng)業(yè)221平臺的建設(shè)。在時態(tài)數(shù)據(jù)存儲研究方面，美國J.Ben Zvi于20世紀80年代對時態(tài)數(shù)據(jù)庫作了開創(chuàng)性研究，AspenTech的InfoPlus時態(tài)數(shù)據(jù)庫實現(xiàn)了時序?qū)傩詳?shù)據(jù)的高水平壓縮和快速存??；2013年劉東寧等［4］提出一種時態(tài)信息模型，重點描述了時態(tài)數(shù)據(jù)模型和時態(tài)知識表達模式，并開發(fā)了時態(tài)數(shù)據(jù)原型系統(tǒng)，此外，地學領(lǐng)域的學者從GIS技術(shù)發(fā)展的角度提出了實時GIS時空數(shù)據(jù)模型的設(shè)想［5］。單獨考慮數(shù)據(jù)的時間和空間特性有利于設(shè)計數(shù)據(jù)存儲結(jié)構(gòu)，但不利于從應(yīng)用角度出發(fā)實現(xiàn)數(shù)據(jù)的高效檢索和同時基于時空序列特征的處理。農(nóng)業(yè)數(shù)據(jù)在時間和空間上的變異不是互相孤立的，它們之間存在緊密的耦合關(guān)系，變化的相互影響較大，要發(fā)掘其后隱藏的規(guī)律指導(dǎo)農(nóng)業(yè)生產(chǎn)，必須復(fù)合考慮時空的變異，現(xiàn)有空間及時態(tài)特性分離的數(shù)據(jù)存儲管理技術(shù)無法支撐。特別隨著最近幾年衛(wèi)星遙感和專用傳感器/傳感網(wǎng)技術(shù)在農(nóng)業(yè)領(lǐng)域的成熟應(yīng)用，數(shù)據(jù)獲取更加便捷，更加廉價，農(nóng)業(yè)數(shù)據(jù)迅猛增長，實時感知數(shù)據(jù)正在農(nóng)業(yè)生產(chǎn)分析決策中占據(jù)越來越重要的地位，開展適用于農(nóng)業(yè)云服務(wù)的海量時空耦合數(shù)據(jù)的一體化存儲模型與分布式存儲技術(shù)研究顯得尤為緊迫和重要。

2015年以來，國內(nèi)外學者主要針對傳統(tǒng)數(shù)據(jù)存儲冗余大、檢索效率低、屬性關(guān)聯(lián)弱等問題進行了研究。王劍等［6］嘗試在Hadoop框架下研究了面向海量農(nóng)業(yè)數(shù)據(jù)的分布式計算與存儲技術(shù)，提出了基于Hadoop的相鄰區(qū)域邊緣化存儲和混合式索引分布與檢索技術(shù)，采用了“中心控制節(jié)點—數(shù)據(jù)節(jié)點”的存儲體系，通過報文通信技術(shù)和混合式索引分布策略，實現(xiàn)了對海量數(shù)據(jù)的高并發(fā)式存儲和檢索。2016年封孝生等［7］針對在HBase中如何進行有效的半結(jié)構(gòu)化時空數(shù)據(jù)存儲和查詢問題展開研究，對該問題進行形式化描述，并利用半結(jié)構(gòu)化處理方法TwigStack提出HBase的半結(jié)構(gòu)化時空數(shù)據(jù)存儲模型，在此基礎(chǔ)上開展了半結(jié)構(gòu)化的時空范圍查詢和kNN查詢。2017年鄭浩泉等［8］實驗得出，按照數(shù)據(jù)訪問的特點為軌跡數(shù)據(jù)挖掘算法選擇合適的軌跡存儲方法，可以有效地提高挖掘算法的執(zhí)行效率。2018年Mohamed A.Gad等［9］提出通過沿軌跡調(diào)整和空間插值相結(jié)合的方法，可確定在任何給定時間內(nèi)的空間可變散射數(shù)據(jù)的位置。

為了提高時空數(shù)據(jù)的查詢和分析效率，2017年夏慧瓊等［10］提出一種基于拉普拉斯特征映射（Laplacian eigenmaps，LE）的時空劃分方法，該方法能夠較好地保持地理對象時空關(guān)系的完整性，能夠獲取數(shù)據(jù)在低維流形空間中的結(jié)構(gòu)特征，使得時空信息的組織和管理變得更加容易。2017年程星華等［11］探索了多粒度時空對象的建模方法，對政區(qū)進行了多粒度時空對象表達，并采用可視化表達的方法進行了實驗驗證，能夠更好地支持時空對象的查詢、分析和可視化表達。在建立時空數(shù)據(jù)存儲管理模型方面，2016年Hung-Ming Chen［12］提出了一種基于云計算的系統(tǒng)架構(gòu)基于BigTable和MapReduce的數(shù)據(jù)存儲和處理模式，提供基于網(wǎng)絡(luò)的服務(wù)存儲和分析海量的建筑信息模型（BIMS）。2017年李寅超等［13］提出了基于對象和快照的混合時空數(shù)據(jù)模型，用面向?qū)ο竺枋龅乇砀采w的斑塊對象時空過程，組織管理斑塊對象時空事件和空間、屬性信息，同時用快照描述地表覆蓋整體時空分布，組織管理柵格快照，兩者通過基于時間和空間位置的邏輯關(guān)聯(lián)關(guān)系形成混合模型。綜上，農(nóng)業(yè)海量時空耦合數(shù)據(jù)存儲模型和分布式存儲技術(shù)的研究已經(jīng)取得一定進展，具有實用價值的時空耦合農(nóng)田數(shù)據(jù)模型研究有望在未來幾年取得突破。

1.2 農(nóng)業(yè)數(shù)據(jù)挖掘與知識發(fā)現(xiàn)技術(shù)研究

農(nóng)業(yè)知識是農(nóng)業(yè)云服務(wù)的核心內(nèi)容，如何利用云計算能力實現(xiàn)更高水平的農(nóng)業(yè)數(shù)據(jù)挖掘和知識發(fā)現(xiàn)，是農(nóng)業(yè)云服務(wù)的重要使命之一。然而，農(nóng)業(yè)是一個異常復(fù)雜的巨系統(tǒng)，農(nóng)田土壤類型眾多，作物品種復(fù)雜，環(huán)境輔復(fù)雜多變，病蟲害發(fā)生頻繁且癥象不斷變化，土、肥、水、作物以及氣候相互之間的關(guān)系錯綜復(fù)雜，許多規(guī)律還未被人們所準確認知，農(nóng)業(yè)數(shù)據(jù)具有大量、多維、動態(tài)、不完整、不確定等特性，其之多之復(fù)雜是任何其他一個領(lǐng)域所沒有的。這給農(nóng)業(yè)數(shù)據(jù)挖掘研究帶來很大的挑戰(zhàn)。目前農(nóng)業(yè)數(shù)據(jù)挖掘研究基本停留在對單一來源數(shù)據(jù)挖掘的研究層次，2009年陳桂芬等［14］利用空間模糊聚類算法等空間數(shù)據(jù)挖掘技術(shù)，提出了解決玉米精準施肥、土壤肥力評價、地力等級分類和產(chǎn)量預(yù)測等問題，2008年鄭向群等［15］基于數(shù)據(jù)倉庫和工作流挖掘技術(shù)開展了土壤肥力評價規(guī)則挖掘算法研究，指導(dǎo)農(nóng)業(yè)生產(chǎn)科學施肥；2005年查駿雄［16］提出了一種土壤侵蝕分析的數(shù)據(jù)挖掘方法，通過對大量的水土保持信息數(shù)據(jù)的分析，從中抽取潛在的土壤侵蝕的變化規(guī)律與變化模式；2011年陳天恩等［17］利用地統(tǒng)計分析方法對不同尺度下土壤養(yǎng)分的空間自相關(guān)規(guī)律進行挖掘，得出不同尺度下土壤養(yǎng)分采樣的最優(yōu)布局策略，2004年趙懌甦等［18］采用模糊評價算法在綜合考慮農(nóng)業(yè)環(huán)境各污染物因子的基礎(chǔ)上按地區(qū)實際條件評測環(huán)境，并采用Apriori算法找出污染物因子之間的相關(guān)性，從而挖掘出導(dǎo)致環(huán)境差異的原因。此外，李干瓊等［19］、許世衛(wèi)等［20］針對農(nóng)產(chǎn)品市場行情數(shù)據(jù)進行挖掘研究，提出了價格預(yù)警與行情趨勢分析的算法。

2014年黃魁建等［21］結(jié)合本體推理以及數(shù)據(jù)挖掘技術(shù)，實現(xiàn)標準知識查詢和GAP控制點的擇優(yōu)推薦；2016年方永美等［22］針對蔬菜質(zhì)量安全，以蔬菜農(nóng)藥殘留檢測數(shù)據(jù)基礎(chǔ)，基于貝葉斯網(wǎng)絡(luò)數(shù)據(jù)挖掘進行研究，得到不同品種蔬菜的農(nóng)藥殘留含量分布，以及一品種在不同時間的分布趨勢；2016年朱玉梅［23］針對棉花上的棉鈴蟲、棉葉螨、棉蚜3種害蟲的發(fā)生趨勢進行綜合分析，采用Apriori算法數(shù)據(jù)挖掘關(guān)聯(lián)規(guī)則，得出氣候因素與棉花三大害蟲的發(fā)生有密切的關(guān)系；2017年丁曉穎等［24］通過各種傳感器采集日光溫室種植過程中的關(guān)鍵要素數(shù)據(jù)，利用數(shù)據(jù)挖掘技術(shù)，挖掘出本地設(shè)施內(nèi)的光、溫、水、氣等多種作物生長因子的變化規(guī)律，搭建了遠程專家診斷指導(dǎo)系統(tǒng)；2015年曹敏杰［25］針對浙江近岸海域海洋生態(tài)環(huán)境時空分析及預(yù)測關(guān)鍵技術(shù)進行研究，設(shè)計了海洋生態(tài)環(huán)境三元混合時空格局分析與關(guān)聯(lián)規(guī)則的挖掘框架，形成了從多源監(jiān)測數(shù)據(jù)管理、時空分析與挖掘、動態(tài)預(yù)測預(yù)警的服務(wù)鏈條；劉軍萍等2016年起基于部署的探針和北京移動大數(shù)據(jù)平臺等第三方數(shù)據(jù)進行了北京房山區(qū)幽嵐山景區(qū)的游客行為分析和景點競爭力評價指數(shù)研究。2017年樊磊等［26］基于多源數(shù)據(jù)的土壤水分估算及森林火災(zāi)風險評估應(yīng)用進行研究，結(jié)合地面觀測、光學遙感、微波遙感等多源數(shù)據(jù)，提高了近地表土壤水分的空間分辨率及估算精度；2017年顧侃等［27］基于慣性檢驗的序列數(shù)據(jù)趨勢識別方法、序列復(fù)合彎曲距離的趨勢相似性度量方法及趨勢事件的多維關(guān)聯(lián)規(guī)則，研究了序列型數(shù)據(jù)中的趨勢性知識。

從農(nóng)業(yè)云服務(wù)應(yīng)用的角度看，農(nóng)業(yè)數(shù)據(jù)挖掘和知識發(fā)現(xiàn)的需求主要集中在兩個方面，一是面向農(nóng)業(yè)特定應(yīng)用需求匯聚多源異構(gòu)數(shù)據(jù)實現(xiàn)聚合分析挖掘，二是農(nóng)田實時感知數(shù)據(jù)的在線挖掘。限于算法自身結(jié)構(gòu)和效率，傳統(tǒng)農(nóng)業(yè)數(shù)據(jù)挖掘算法不僅不具備針對多源或?qū)崟r數(shù)據(jù)進行在線分析挖掘的能力，也不具備利用云端并行計算特點的能力。隨著衛(wèi)星/無人機遙感、傳感器和個體識別技術(shù)在農(nóng)業(yè)領(lǐng)域的大量應(yīng)用，實時在線感知農(nóng)業(yè)數(shù)據(jù)前所未有地呈現(xiàn)出爆發(fā)增長態(tài)勢，如何充分利用多源實時數(shù)據(jù)服務(wù)為農(nóng)業(yè)生產(chǎn)提供決策成為迫切需要解決的問題，突破云服務(wù)條件下的多源農(nóng)田感知數(shù)據(jù)在線挖掘和知識發(fā)現(xiàn)方法，將為上述問題的解決提供關(guān)鍵支撐。

1.3 農(nóng)業(yè)知識服務(wù)組合技術(shù)研究

農(nóng)業(yè)知識服務(wù)組合作為面向服務(wù)架構(gòu)（Service-Oriented Architecture，SOA）的主要實現(xiàn)技術(shù)，旨在實現(xiàn)不同功能知識服務(wù)的有機聚合，以形成功能更加強大的粗粒度服務(wù)，是實現(xiàn)農(nóng)業(yè)SaaS按需服務(wù)的關(guān)鍵支撐技術(shù)之一，也是構(gòu)建良好的農(nóng)業(yè)云服務(wù)知識資源匯聚體系的重要手段。服務(wù)組合技術(shù)主要分為基于流程建模、基于語義網(wǎng)、基于部署的3種基本策略?；诹鞒探７譃檫^程驅(qū)動和模型驅(qū)動兩種類型，由工作流模型、狀態(tài)演算模型、進程代數(shù)模型和知識復(fù)用模型等，代表方法主要有BPEL4WS、Petri網(wǎng)模型、π-演算模型、ViPen、MDA等；基于語義網(wǎng)主要是語義驅(qū)動類型，建立語義Web模型，代表方法主要有CoSMoS、YASA-M等［28-31］；基于部署的主要是服務(wù)部署驅(qū)動類型，由P2P架構(gòu)模型和網(wǎng)格計算模型等，代表方法主要有SELF-SERV、WSRF等。

目前，學術(shù)界的研究興趣主要集中在流程驅(qū)動的服務(wù)組合機制、任務(wù)驅(qū)動的服務(wù)組合機制，以及服務(wù)組合結(jié)果的評價方法等方面［31-35］。在流程驅(qū)動的服務(wù)組合中，研究相對最為成熟是靜態(tài)人工綁定服務(wù)組合方式［36］，該方式具有很高的執(zhí)行效率，己有SOAP、UDDI、WSDL、BPEL等一套完善的協(xié)議支持，IBM的WebSphere Enterprise Service Bus（WESB）企業(yè)服務(wù)總線，SAP的SAP NetWeaver系統(tǒng)和Oracle的Fusion Architecture等都是基于該服務(wù)組合方式實現(xiàn)，由于在大規(guī)模服務(wù)環(huán)境下缺少靈活性和針對動態(tài)環(huán)境的QoS自動優(yōu)化，該方式將逐步被執(zhí)行前自動綁定服務(wù)組合的方式取代［37-43］。執(zhí)行前自動綁定服務(wù)組合方式在服務(wù)建模時只考慮流程和接口問題。等到需要執(zhí)行服務(wù)組合時，再從候選實體服務(wù)庫中依據(jù)優(yōu)化目標函數(shù)和約束，挑選出最適合的一組實體服務(wù)執(zhí)行，在靈活性、適用性和擴展性方面，都有了很大提升［44-48］。國內(nèi)外學者圍繞該組合方式及其服務(wù)選擇策略開展了很多研究［49］，Anis Charfi［50］提出了一種集成規(guī)則到Web服務(wù)組合中的方法，并特別針對于BEPL進行了說明；Colom［51］在SCENE系統(tǒng)中提出了使用ECA規(guī)則模型解決在服務(wù)組合過程中服務(wù)出錯和環(huán)境變化的情況下綁定不同的服務(wù)的問題；國內(nèi)學者湯景凡［52］針對于傳統(tǒng)服務(wù)組合模型進行了擴展；王文彬等［53］提出了一種面向動態(tài)Web服務(wù)選擇的離散微粒群算法，并結(jié)合服務(wù)選擇研究背景，提出了3種速度計算算子和1種位置進化方程；張成文等［54］提出一種用于QoS感知的Web服務(wù)選擇的遺傳算法，該算法采用關(guān)系矩陣編碼方式，克服了一維編碼方式表示的局限性；張燕平等［55］提出一種基于離散粒子群智能優(yōu)化算法的DDPSO算法，以解決動態(tài)Web服務(wù)組合問題，且首先引入Skyline技術(shù)來剔除冗余候選服務(wù)，以降低服務(wù)選擇時空開銷；承松等［56］研究了混沌蟻群算法的Web服務(wù)組合，避免優(yōu)化過程中出現(xiàn)局部最優(yōu)解。執(zhí)行前自動綁定服務(wù)組合模式能夠根據(jù)QoS有效地自動選取實體服務(wù)，很好地順應(yīng)了云計算環(huán)境下在線服務(wù)快速增長的潮流，但是流程驅(qū)動的服務(wù)組合只適用于想對固定的組合流程，不能避免人工參與設(shè)定，并且在運行期間組合流程不會發(fā)生變化。而任務(wù)驅(qū)動的服務(wù)組合方法強調(diào)任務(wù)即時求解和流程自動生成，通過服務(wù)注冊時的自描述信息，利用語義、人工智能和圖論中的相關(guān)方法，通過計算機的自動推理，進行服務(wù)組合，逐漸成為新的研究熱點。國外學者先后提出了基于語義和基于圖論的服務(wù)組合方法［57-59］，國內(nèi)鄧水光等［60］提出了基于回溯樹的Web服務(wù)自動組合，大大降低了搜索的范圍和搜索的復(fù)雜度，加快了服務(wù)組合的效率；張俊娜等［61］提出融合網(wǎng)絡(luò)環(huán)境下快速可靠的服務(wù)組合容錯方法，在故障排除率、故障處理時間與組合最優(yōu)度方面均有所提高?；谌蝿?wù)的自動服務(wù)組合方式也面臨著在規(guī)模化應(yīng)用背景下服務(wù)關(guān)系構(gòu)建和求解時間開銷成指數(shù)級上漲的困境，往往無法在可接受時間內(nèi)完成求解。王磊等［62］基于區(qū)塊鏈機制的云計算環(huán)境下服務(wù)組合策略的研究，提出了跨服務(wù)覆蓋層的基于鏈路預(yù)測生存時間及服務(wù)強度最優(yōu)策略的高效服務(wù)路徑生成算法等。

農(nóng)業(yè)云服務(wù)環(huán)境下的知識服務(wù)組合主要用于SaaS系統(tǒng)的按需構(gòu)建，在農(nóng)業(yè)云服務(wù)大規(guī)模知識服務(wù)環(huán)境下，充分考量農(nóng)學專家等服務(wù)提供者的服務(wù)策略和服務(wù)組合的效益水平，兼顧組合的靈活性和執(zhí)行效率，降低服務(wù)實體變動情況下的重新組合成本，對于提高農(nóng)業(yè)云服務(wù)SaaS系統(tǒng)的質(zhì)量和服務(wù)水平具有重要意義。

1.4 農(nóng)業(yè)應(yīng)用按需服務(wù)技術(shù)研究

按需服務(wù)的前提是了解不同類別用戶消費服務(wù)的習慣差異，基于用戶的信息使用行為、習慣、偏好和特點，提供滿足用戶個性化需求的服務(wù)。農(nóng)業(yè)本身具有強烈的地域性和季節(jié)性，其種植類型與種植管理技術(shù)存在巨大差異。加上農(nóng)業(yè)政府部門管理者、生產(chǎn)者、經(jīng)營者、消費者對農(nóng)業(yè)知識的不同理解和訴求，農(nóng)業(yè)云服務(wù)消費者的需求呈現(xiàn)出鮮明的差異化、個性化、動態(tài)化特征。滿足這類差異化需求需要農(nóng)業(yè)云服務(wù)平臺具備提供高度個性化服務(wù)的能力。研究如何整合、分析大量農(nóng)業(yè)云服務(wù)用戶興趣愛好的特征，建立更加貼合用戶偏好需求的用戶模型，提升信息推送技術(shù)和定制服務(wù)技術(shù)，是整個農(nóng)業(yè)云個性化服務(wù)體系的關(guān)鍵［63-65］。

當前，針對農(nóng)業(yè)云計算個性化服務(wù)的用戶模型研究還相對較少；大多數(shù)個性化系統(tǒng)都是采用傳統(tǒng)的關(guān)鍵詞或關(guān)鍵詞向量空間模型表示用戶的興趣偏好。這種方法雖然理論成熟、計算方法簡單，但并不能十分準確地反映語義信息，制約了不同系統(tǒng)中個性化信息的共享以及用戶模型的重用［66-70］。如重慶工學院提出了一種個性化服務(wù)用戶模型構(gòu)架，建立了數(shù)字圖書館個性化服務(wù)用戶模型；宋雯斐等［71］人構(gòu)建了基于層次語義情景的用戶模型，提出了針對數(shù)字圖書館個性化服務(wù)地用戶興趣模型。為了實現(xiàn)用戶模型的共享與重用性，近年來，國內(nèi)外開始針對重用性用戶模型的研究［72-93］；2004年德國Fraunhofer IPSI研究院的Bhaskar等人提出了一種支持跨系統(tǒng)個性化服務(wù)的方法，以及用統(tǒng)一上下文模型和上下文護照實現(xiàn)的跨系統(tǒng)個性化用戶建模技術(shù)；2005年Heckmann D.等人開發(fā)了通用用戶本體GUMO，用于智能語義豐富環(huán)境中的分布式用戶模型的統(tǒng)一描述［94］。但以上的研究都存在一定局限性，前者要求服務(wù)提供方必須遵循CSCP協(xié)議而且必須采用UUCM模型的子集作為系統(tǒng)的用戶模型；后者的使用則需要建立不同領(lǐng)域的應(yīng)用機制。基于以上兩方面的分析，2014年劉飛等［95］提出一種面向個性化云服務(wù)基于用戶類型和隱私保護的信任模型，引入信任評估代理作為信任評估的主體，并且設(shè)計了基于用戶類型的信任值評估方法；2015年Amin Javari等［96］提出了一個可調(diào)節(jié)的多樣性和精確度的混合模型，該模型在解決數(shù)據(jù)精度與多樣性并存的情況表現(xiàn)較好，可廣泛應(yīng)用于實際商用系統(tǒng)中。2015年張啟宇等［97］重點研究了用戶類別興趣向量、用戶特征詞喜好向量和文檔特征向量，提出了個性化服務(wù)推薦算法，該模型可根據(jù)用戶興趣制定推薦，為用戶提供有價值的信息．滿足用戶個性化需求；2016年楊鳳萍等［98］通過產(chǎn)品特征屬性與用戶特征屬性的映射，建立用戶偏好模型，引入神經(jīng)網(wǎng)絡(luò)集成的機器學習方法來模擬偏好模型。2016年Moon-Hee Park等［99］提出了一個基于地圖的個性化推薦系統(tǒng)，系統(tǒng)從移動設(shè)備收集上下文信息、位置、時間、天氣和用戶請求，并通過顯示在微型地圖上，推薦出最合適的項目以提供適當?shù)姆?wù)。

在信息按需推送技術(shù)方面，2015年高升等［100］綜合分析了不同領(lǐng)域內(nèi)用戶對信息對象的評價數(shù)據(jù)，并通過傳遞、共享跨域共性特征信息的方式緩解了目標領(lǐng)域的數(shù)據(jù)稀疏性問題［95］；2017年崔艷萍等［101］提出依據(jù)用戶瀏覽行為將其興趣度的作用劃分為正、逆兩種方向，分析互聯(lián)網(wǎng)用戶興趣度屬性之間的依賴關(guān)系對信息推送問題建模，提出一種基于MQTT Proxy的互聯(lián)網(wǎng)信息資源用戶獲取優(yōu)化推送方法；2017年余本功等［102］設(shè)計了基于用戶偏好的產(chǎn)品設(shè)計知識的混合推送算法，將知識文本向量空間化并由本體標注，采用設(shè)計任務(wù)與用戶偏好共同構(gòu)造知識需求向量，通過計算知識需求向量與知識文本向量的語義相似性得到知識推送結(jié)果。在信息定制服務(wù)技術(shù)方面，2016年張馳等［103］通過設(shè)計標準的數(shù)據(jù)通訊協(xié)議實現(xiàn)異構(gòu)物聯(lián)網(wǎng)監(jiān)測設(shè)備的統(tǒng)一接入；采用組件庫為系統(tǒng)提供獨立的功能單元，復(fù)用軟件資源；通過云服務(wù)的方式對組件進行組裝集成，快速響應(yīng)用戶需求；2017年劉軍萍等圍繞北京休閑農(nóng)業(yè)數(shù)據(jù)開展進一步的深入挖掘和分析，提出休閑農(nóng)業(yè)服務(wù)指數(shù)計算方法，以及休閑游消費者偏好信息服務(wù)模型，提高了信息化服務(wù)的質(zhì)量。孫琦宗等［104］對產(chǎn)品特征的類別、客戶需求、用戶情感偏好等方面進行了分析，并建立了產(chǎn)品特征與用戶需求關(guān)系的映射模型，提出了一種應(yīng)用于個性化定制服務(wù)中的定制優(yōu)先級的判定方法。

農(nóng)業(yè)云知識需求用戶種類繁多，不同農(nóng)業(yè)從業(yè)人員的知識水平，所處環(huán)境的差異性也較大，目前針對農(nóng)業(yè)云知識需求用戶特點的個性化服務(wù)用戶模型研究報道很少。此外，現(xiàn)有的個性化服務(wù)用戶模型大多都是基于Web瀏覽的用戶模型；而影響農(nóng)業(yè)云知識推送用戶需求的因素不僅包含用戶自身行為興趣，還受到環(huán)境地理位置等客觀因素的影響；因此針對農(nóng)業(yè)云知識需求用戶的特點，研究通用的個性化服務(wù)策略，構(gòu)建農(nóng)業(yè)云用戶需求模型，對于實現(xiàn)農(nóng)業(yè)知識按需云服務(wù)具有重要價值。

2 可適性農(nóng)業(yè)云服務(wù)參考模型研究

2014年國家農(nóng)業(yè)信息化工程技術(shù)研究中心趙春江、陳天恩等首次提出了可適性農(nóng)業(yè)云服務(wù)的概念，并對海量時空耦合農(nóng)業(yè)數(shù)據(jù)一體化存儲技術(shù)、農(nóng)田感知數(shù)據(jù)知識在線發(fā)現(xiàn)理論、農(nóng)業(yè)知識服務(wù)組合優(yōu)化模型和地域性差異化需求快速響應(yīng)機制等農(nóng)業(yè)云服務(wù)可適性關(guān)鍵技術(shù)開展了較為全面、系統(tǒng)的研究，提出了一種可適性農(nóng)業(yè)云服務(wù)參考模型。其中在農(nóng)業(yè)數(shù)據(jù)描述與存儲模型方面，分析了農(nóng)業(yè)多源高維數(shù)據(jù)的時空屬性特點和農(nóng)田數(shù)據(jù)時態(tài)拓撲關(guān)系，構(gòu)建了農(nóng)田時空耦合數(shù)據(jù)統(tǒng)一描述模型；研究了多層次一體化農(nóng)業(yè)時空數(shù)據(jù)資源虛擬化技術(shù)，實現(xiàn)了多類型資源統(tǒng)一管理與存儲模型；為解決海量農(nóng)業(yè)數(shù)據(jù)的檢索效率問題，提出一種多級時空索引樹結(jié)點分裂更新方法。在農(nóng)田感知數(shù)據(jù)在線挖掘方面，研究分析了農(nóng)業(yè)環(huán)境監(jiān)測數(shù)據(jù)多源、異構(gòu)、強實時性等特點，提出了包括時空變量的時序分解、變異函數(shù)建模和時空Kriging插值等算法在內(nèi)的時空變異規(guī)則挖掘與預(yù)處理方法；分析了結(jié)構(gòu)化作物生長環(huán)境參數(shù)與非結(jié)構(gòu)化圖像、視頻等跨媒體數(shù)據(jù)特點，圍繞作物病害監(jiān)測提出一種基于深度神經(jīng)網(wǎng)絡(luò)的識別模型，圍繞菇房異常環(huán)境預(yù)警提出一種基于模糊推理算法的方法，開發(fā)了多參數(shù)跨媒體數(shù)據(jù)的農(nóng)作物病害智能決策系統(tǒng)原型。在農(nóng)業(yè)知識服務(wù)組合優(yōu)化方面，構(gòu)建了情景感知用戶興趣模型與農(nóng)業(yè)知識服務(wù)本體結(jié)構(gòu)，實現(xiàn)了基于農(nóng)業(yè)知識服務(wù)按需選擇與最優(yōu)化動態(tài)組合的施肥決策模型；通過農(nóng)戶需求與農(nóng)業(yè)知識相似度分析實現(xiàn)專家知識提煉與知識服務(wù)組合，開發(fā)了基于農(nóng)業(yè)實時數(shù)據(jù)的畜禽行為診斷按需服務(wù)系統(tǒng)原型。在農(nóng)業(yè)知識按需服務(wù)方面，通過融合情景感知信息和用戶興趣模型，建立了病害、疾病、品種、農(nóng)資、質(zhì)量安全等領(lǐng)域農(nóng)業(yè)知識圖譜，實現(xiàn)了基于情景感知和協(xié)同過濾的信息推薦算法；提出一種農(nóng)產(chǎn)品產(chǎn)銷媒合模型，開發(fā)了面向多業(yè)態(tài)、多用戶的農(nóng)產(chǎn)品供應(yīng)鏈個性化服務(wù)系統(tǒng)原型。在技術(shù)研究的基礎(chǔ)上，結(jié)合國家重大科研任務(wù)提出了一種農(nóng)業(yè)云服務(wù)參考模型，構(gòu)建了國家農(nóng)科城云服務(wù)平臺，面向全國農(nóng)業(yè)科技園區(qū)發(fā)布了在線農(nóng)技服務(wù)、設(shè)施農(nóng)業(yè)生產(chǎn)管理、寒地水稻精準施肥、生鮮農(nóng)產(chǎn)品冷鏈物流監(jiān)管服務(wù)等10余項農(nóng)業(yè)云服務(wù)應(yīng)用。

3 總結(jié)

由于農(nóng)業(yè)地域差異大、涉及面廣，應(yīng)用需求及專業(yè)技術(shù)復(fù)雜多變，農(nóng)業(yè)云服務(wù)研究與應(yīng)用還處于起步階段。云計算在農(nóng)業(yè)領(lǐng)域發(fā)揮更大作用必須解決可適性關(guān)鍵問題，當前迫切需要結(jié)合農(nóng)業(yè)生產(chǎn)、經(jīng)營、管理重大應(yīng)用需求，圍繞農(nóng)業(yè)云服務(wù)體系架構(gòu)的完善和服務(wù)模型的形成，構(gòu)建科學合理的農(nóng)業(yè)云計算可適性服務(wù)模型，在海量農(nóng)業(yè)時空數(shù)據(jù)高效管理、農(nóng)田多源感知數(shù)據(jù)在線挖掘、農(nóng)業(yè)知識服務(wù)組合優(yōu)化和地域性差異化需求快速響應(yīng)等關(guān)鍵技術(shù)上取得實質(zhì)性突破，才能為構(gòu)建高效能、高可適性的農(nóng)業(yè)云計算服務(wù)模型提供基礎(chǔ)技術(shù)支撐，進而促進云計算技術(shù)和農(nóng)業(yè)生產(chǎn)實現(xiàn)深入融合和良好銜接，使云服務(wù)技術(shù)真正融入我國農(nóng)業(yè)現(xiàn)代化發(fā)展進程，并為改造和提升傳統(tǒng)農(nóng)業(yè)發(fā)揮重要作用。

參考文獻

［1］ 陳偉. 《促進大數(shù)據(jù)發(fā)展行動綱要》解讀. 中國信息化，2015，10（10）：11～14.

［2］ 張桂剛. 一種基于海量信息處理的云存儲模型研究. 計算機研究與發(fā)展，2012，49：32～36.

［3］ 陳崇成. 基于NoSQL的海量空間數(shù)據(jù)云存儲與服務(wù)方法. 地球信息科學學報，2013，15（2）：166～174.

［4］ 劉東寧. 基于時態(tài)數(shù)據(jù)庫的極小子結(jié)構(gòu)邏輯系統(tǒng). 計算機學報，2013，36（8）：1592～1601.

［5］ 龔健雅，李小龍，吳華意. 實時GIS時空數(shù)據(jù)模型. 測繪學報，2014，43（03）：226～232，275.

［6］ 王劍，黃朝光，王健，等. 面向農(nóng)業(yè)科學數(shù)據(jù)的分布式存儲方法研究. 計算機工程與應(yīng)用，2016，52（11）：248～253.

［7］ 封孝生，張翀，陳曉瑩，等. HBase中半結(jié)構(gòu)化時空數(shù)據(jù)存儲與查詢處理. 國防科技大學學報，2016，38（3）：174～181.

［8］ 鄭浩泉，何浩奇，劉伽椰，等. 時空軌跡數(shù)據(jù)存儲方法研究. 南京師大學報（自然科學版），2017，40（03）：38～44.

［9］ Mohamed A. Gad，Mai H. Elshehaly，DenisGraanin et al. A Tracking Analyst for large 3D spatiotemporal data frommultiple sources.Computers & Geosciences. Automation in Construction，2018（111）：283～293.

［10］ 夏慧瓊，林麗群. 拉普拉斯特征映射的時空數(shù)據(jù)劃分方法. 測繪科學，2018（06）：1-9［2018-03-08］. http：//kns.cnki.net/kcms/detail/11.4415.P.20180122.1802.054.html.

［11］ 程星華，胡迪，俞肇元，等. 政區(qū)多粒度時空對象建模及其Geodatabase實現(xiàn). 地球信息科學學報，2017，19（09）：1228～1237.

［12］ Hung-Ming Chen，Kai-Chuan Chang，et al. A cloud-based system framework for performing online viewing，storage，and analysis on big data of massive BIMs.Automation in Construction，2016：34～48.

［13］ 李寅超，李建松. 一種面向LUCC的時空數(shù)據(jù)存儲管理模型. 吉林大學學報（地球科學版），2017，47（01）：294～304.

［14］ 陳桂芬. 面向精準農(nóng)業(yè)的空間數(shù)據(jù)挖掘技術(shù)研究與應(yīng)用. 吉林大學，2009.

［15］ 鄭向群，趙政，劉東生. 基于數(shù)據(jù)倉庫的土壤環(huán)境監(jiān)測綜合挖掘模型構(gòu)架. 農(nóng)業(yè)工程學報，2008（08）：162～168.

［16］ 查駿雄. 數(shù)據(jù)挖掘在土壤侵蝕分析系統(tǒng)中的應(yīng)用. 南昌工程學院學報，2005（02）：46～48，76.

［17］ 陳天恩，董靜，陳立平，等. 縣域農(nóng)田土壤采樣布局多目標優(yōu)化分析模型. 農(nóng)業(yè)工程學報，2012，28（23）：67～73.

［18］ 趙懌甦. 數(shù)據(jù)挖掘在農(nóng)業(yè)環(huán)境中的應(yīng)用. 天津大學，2004.

［19］ 李干瓊，許世衛(wèi)，李哲敏，等. 蔬菜市場價格短期波動影響因素分析—基于VAR模型的實證研究. 中國食物與營養(yǎng)，2013，19（3）：45～49.

［20］ 許世衛(wèi). 農(nóng)業(yè)大數(shù)據(jù)與農(nóng)產(chǎn)品監(jiān)測預(yù)警. 中國農(nóng)業(yè)科技導(dǎo)報，2014，16（5）：14～20.

［21］ 黃魁建，郝文革，邢文英，等. 基于本體推理和數(shù)據(jù)挖掘的良好農(nóng)業(yè)規(guī)范專家系統(tǒng). 中國農(nóng)學通報，2014，30（35）：261～268.

［22］ 方永美，熊俊濤，楊振剛，等. 基于貝葉斯網(wǎng)絡(luò)數(shù)據(jù)挖掘的蔬菜質(zhì)量安全分析. 湖北農(nóng)業(yè)科學，2016，55（23）：6253～6257.

［23］ 朱玉梅. Apriori算法在棉花病蟲害分析中的應(yīng)用. 農(nóng)學學報，2016，6（11）：23～26.

［24］ 丁曉穎，史昊玲，李博. 基于物聯(lián)網(wǎng)的設(shè)施農(nóng)業(yè)環(huán)境監(jiān)控與數(shù)據(jù)挖掘技術(shù)的研究應(yīng)用. 現(xiàn)代農(nóng)業(yè)科技，2017（12）：240～241.

［25］ 曹敏杰. 浙江近岸海域海洋生態(tài)環(huán)境時空分析及預(yù)測關(guān)鍵抆術(shù)研究. 浙江大學，2015.

［26］ 樊磊. 基于多源數(shù)據(jù)的土壤水分估算及森林火災(zāi)風險評估應(yīng)用. 中國科學院大學（中國科學院遙感與數(shù)字地球研究所），2017.

［27］ 顧侃. 序列數(shù)據(jù)趨勢性知識發(fā)現(xiàn). 北京科技大學，2018.

［28］ Khalaf R，Mukhi N，Weerawarana S. Service-Oriented Composition in BPEL4WS. //2008.

［29］ Tang X，Jiang C，Zhou M. Automatic Web service composition based on Horn clauses and Petri nets.Expert Systems with Applications，2011，38（10）：13024～13031.

［30］ 廖軍，譚浩，劉錦德. 基于Pi-演算的Web服務(wù)組合的描述和驗證. 計算機學報，2005，28（4）：635～643.

［31］ 倪晚成，劉連臣，吳澄. Web服務(wù)組合方法綜述. 計算機工程，2008，34（4）：79～81.

［32］ Ding W，Wang J，Han Y. ViPen：A Model Supporting Knowledge Provenance for Exploratory Service Composition//IEEE International Conference on Services Computing.IEEE Computer Society，2010：265～272.

［33］ Thomas D，Thomas D，Thomas D，et al. Model driven architecture：how far have we come，how far can we go ？ //Companion of the，ACM Sigplan Conference on Object-Oriented Programming，Systems，Languages，and Applications. ACM，2003：273～274.

［34］ Fujii K，Suda T. Semantics-Based Context-Aware Dynamic Service Composition.Acm Transactions on Autonomous &Adaptive Systems，2009，4（2）：12.

［35］ Chabeb Y，Tata S，Ozanne A. YASA-M：A Semantic Web Service Matchmaker//IEEE International Conference on Advanced Information NETWORKING and Applications.IEEE，2010：966～973.

［36］ Sheng Q Z，Benatallah B，Dumas M，et al. Chapter 99-Self-serv ：A platform for rapid composition of web services in a peer-to-peer environment//ELSEVIER，2002：1051～1054.

［37］ 王勇，代桂平，侯亞榮. 信任感知的聚合動態(tài)選擇方法. 計算機學報，2009，32（8）：1668～1675.

［38］ 鮑軍鵬，宋楠，陶斌. 依賴知識的服務(wù)組合算法. 西安交通大學學報，2013，47（8）：1～6.

［39］ 朱兵艦，彭曉明，周敏. 靜態(tài)與動態(tài)相結(jié)合的Web服務(wù)組合方法. 空軍預(yù)警學院學報，2009，23（1）：75～78.

［40］ 孫維梁，劉清堂，楊宗凱，等. 基于動態(tài)QoS的Web服務(wù)組合. 計算機科學，2012，39（2）：268～272.

［41］ 肖芳雄，黃志球，曹子寧，等. Web服務(wù)組合功能與QoS的形式化統(tǒng)一建模和分析. 軟件學報，2011，22（11）：2698～2715.

［42］ 歐偉杰，曾承，項小明，等. 基于概念松弛的高效Web服務(wù)查詢方法. 計算機學報，2011，34（12）：2381～2390.

［43］ 夏虹，李增智. 粒子群算法求解Web服務(wù)組合中基于QoS的服務(wù)選擇. 北京郵電大學學報，2009，32（4）：63～66.

［44］ 鄧永光，黃龍濤，尹建偉，等. Web服務(wù)組合技術(shù)框架及其研究進展. 計算機集成制造系統(tǒng)，2011，17（2）：404～412.

［45］ 周濤. 基于策略的服務(wù)組合關(guān)鍵技術(shù)研究與應(yīng)用. 浙江：浙江大學，2012.

［46］ 傅兵. 基于SOA的數(shù)字農(nóng)務(wù)系統(tǒng)關(guān)鍵技術(shù)研究. 南京：南京農(nóng)業(yè)大學，2012.

［47］ 溫嘉佳. Web服務(wù)組合及其相關(guān)技術(shù)的研究. 北京：北京郵電大學，2006.

［48］ 李德勝. 基于Pi演算的Web服務(wù)組合研究. 北京：北京郵電大學，2008.

［49］ Y. Liu，M. Zhang，S. P. Ma，et al. User Behavior Oriented Web Spam Detection. In Proceedings of the 17th International Conference on World Wide Web，2008，1039～1040.

［50］ Charfi A，Mezini M. AO4BPEL：An Aspect-oriented Extension to BPEL..World Wide Web-internet & Web Information Systems，2007，10（3）：309～344.

［51］ Hennig P，Balke W T. Highly scalable web service composition using binary tree-based parallelization//Web Services（ICWS），2010 IEEE International Conference on. IEEE，2010：123～130.

［52］ 湯景凡. 動態(tài)Web服務(wù)組合的關(guān)鍵技術(shù)研究. 浙江大學，2005.

［53］ 王文彬，孫其博，趙新超，等. 基于非均衡變異離散粒子群算法的QoS全局最優(yōu)Web服務(wù)選擇方法. 電子學報，2010，38（12）：2774～2779.

［54］ 張成文，蘇森，陳俊亮. 基于遺傳算法的QoS感知的Web服務(wù)選擇. 計算機學報，2006，29（7）：1029～1037.

［55］ 張燕平，荊紫慧，張以文，等. 基于離散粒子群算法的動態(tài)Web服務(wù)組合. 計算機科學，2015，42（6）：71～75.

［56］ 承松，周井泉，常瑞云. 混沌蟻群算法的Web服務(wù)組合優(yōu)化研究. 計算機技術(shù)與發(fā)展，2017，27（2）：178～181.

［57］ Aydogan R，Zirtiloglu H. A Graph-BasedWeb Service Composition Technique Using Ontological Information//IEEE International Conference on Web Services. IEEE，2007：1154～1155.

［58］ Dustdar S，Schreiner W. A survey on web services composition.International journal of web and grid services，2005，1（1）：1～30.

［59］ Tan W，F(xiàn)an Y，Zhou M C. A petri net-based method for compatibility analysis and composition of web services in business process execution language.Automation Science and Engineering，IEEE Transactions on，2009，6（1）：94～106.

［60］ 鄧水光，吳健，李瑩，等. 基于回溯樹的Web服務(wù)自動組合. 軟件學報，2007，18（8）：1896～1910.

［61］ 張俊娜，王尚廣，孫其博，等. 融合網(wǎng)絡(luò)環(huán)境下快速可靠的服務(wù)組合容錯方法. 軟件學報，2017，28（4）：940～958.

［62］ 王磊，趙曉永. 基于區(qū)塊鏈機制的云計算環(huán)境下服務(wù)組合策略的研究. 2019，36（1）. ［2018-01-10］. http：//www. arocmag. com/article/02-2019-01-027. html.

［63］ 熊錦華，虎嵩林，劉暉. 云計算中的按需服務(wù). 中興通訊技術(shù)，2010，16（4）：13～17.

［64］ 趙春江. 人工智能引領(lǐng)農(nóng)業(yè)邁入嶄新時代. 中國農(nóng)村科技，2018，272：29～31.

［65］ 覃子珍，毛彧. 農(nóng)業(yè)網(wǎng)絡(luò)信息資源的個性化服務(wù)探討. 熱帶農(nóng)業(yè)科學，2016，36（8）：90～99.

［66］ Liu Y，Gao B，Liu T，et al. BrowseRank：letting web users vote for page importance. Proceedings of the 31st Annual international ACM SIGIR Conference on Research and Development in information Retrieval. 2008，451～458.

［67］ P. Singla，M. Richardson. Yes，there is a correlation - from social networks to personal behavior on the web. In Proceedings of the 17th International Conference on World Wide Web，2008，655～664.

［68］ Sadagopan N，Li J. Characterizing typical and atypical user sessions in clickstreams. Proceeding of the 17th international Conference on World Wide Web . 2008，885～894.

［69］ 芩榮偉. 基于用戶行為分析的搜索引擎評價研究. 清華大學. 2010.

［70］ 章毅. 神經(jīng)網(wǎng)絡(luò)及在網(wǎng)絡(luò)用戶行為分析中的應(yīng)用研究. 電子科技大學. 2011.

［71］ 宋雯斐. 基于層次語義情景的用戶模型構(gòu)建. 情報科學，2013，31（6）：24～27.

［72］ Hayes B. Cloud computing .Communications of the ACM，2008，51（7）：9～11.

［73］ ZHAO Chunjiang，WU Huarui，SUN Xiang，et al. An Algorithm for Mining Association Rules with Multiple Minimum Supports Based on FP-Tree，New Zealand Journal of Agricultural Research，2007，50：1375～1381.

［74］ 王彥集，陳天恩，徐剛. 基于SOA的農(nóng)田測繪成圖系統(tǒng)的設(shè)計和實現(xiàn). 農(nóng)業(yè)工程學報，2009，25（S2）：267～271.

［75］ 吳華瑞，張鳳霞，趙春江. 一種多重最小支持度關(guān)聯(lián)規(guī)則挖掘算法. 哈爾濱工業(yè)大學學報，2008，49（9）：1447～1451.

［76］ 陳康，鄭緯民. 云計算：系統(tǒng)實現(xiàn)與研究現(xiàn)狀. 軟件學報，2009，20（5）：1337～1348.

［77］ Dean J，Ghemawat S，MapReduce：Simplifier date processing on large clusters.Communication of the ACM，2008，51（1）：107～113.

［78］ Neumeyer L，Robbins B，Nair A，et al. S4：Distributed Stream Computing Platform . Proc of ICDM Workshops 2010，Piscataway，NJ：IEEEE，2010：170～177.

［79］ Goodhope K，Koshy J，Kreps J，et al. Building Linked Ins Real-time Activity Data Pipeline.Data Engineering，2012，35（2）：33～45.

［80］ Isard M，Budiu M，Yu Yuan，et al. Dryad：Distributed data-parallel programs from sequential building blocks . Proc of EuroSys 2007，New York：ACM，2007：59～72.

［81］ Gu Y，Grossman R L. Sector and sphere：The design and implementation of a high-performance data cloud.Philosophical Transaction of the Royal society A：Physical，Mathematical and Engineering Sciences，2009，367（1897）：2429～2445.

［82］ Zhou Ao-Ying，Jin Che-Qing，Wang Guo-Ren，Li Jian-Zhong. A survey on the management of uncertain data.Chinese Journal of Computers，2009，32（1）：1～16.

［83］ Guo Zhi-Mao，Zhao Ao-Ying. Research on data quality and data cleaning：A survey.Journal of Software，2002，13（11）：2076～2082.

［84］ 張煒，李建，中劉禹. 一種基于概率模型的預(yù)測性時空區(qū)域查詢處理. 軟件學報. 2007，18（2）：279～290.

［85］ 劉大有. 時空數(shù)據(jù)挖掘研究進展. 計算機研究與發(fā)展. 2013，50（2）：225～239.

［86］ Roddick JF，Spiliopoulou M，Lister D，et al. Higher order mining.ACM SIGKDD Explorations Newsletter，2008，10（1）：5～17.

［87］ Fu TC. A review on time series data mining.Engineering Applications of Artificial Intelligence，2011，24（1）：164～181.

［88］ Mennis HJ，Han J. Geographic Data Mining and Knowledge Discovery-An introduction.Computers，Environment and Urban Systems，2009，33（6）：403～408.

［89］ Shekhar S，Zhang P，Huang Y. Data Mining and Knowledge Discovery Handbook. Berlin：Springer，2010：837～854.

［90］ Hsu KC，Li ST. Clustering spatial-temporal precipitation data using wavelet transform and self-organizing map neural network.Advances in Water Resources，2009，33（2）：190～200.

［91］ Rosswong J，Ghose K. Efficiently detecing clusters of mobile objects in the presence of dense noise. Proc of the 2010 ACM symp on Applied Computing. New York：ACM，2010：1095～1102.

［92］ Schultz REO，Centeno TM，Selleron G，et al. A soft computing-based approach to spatio-temporal prediction.Int Journal of Approximate Reasoning，2009，50（1）：3～20.

［93］ Dietterich TG，Domingos P，Getoor L，et al. Structured machine learning：The next ten years.Machine Learning，2008，73（1）：3～23.

［94］ Heckmann D，Brandherm B，Schmitz M，et al. GUMO：The General User Model Ontology. Proc. of International Conference on User Modeling. Edinburgh，Scotland：2005，428～432.

［95］ 劉飛，羅永龍，郭良敏，等. 面向個性化云服務(wù)基于用戶類型和隱私保護的信任模型. 計算機應(yīng)用，2014，34（4）：994～998.

［96］ Amin Javari，Mahdi Jalili. A probabilistic model to resolve diversity-accuracy challenge of recommendation systems.Knowledge and Information Systems. 2015，44（3）：609～627.

［97］ 張啟宇，郭承坤，宋瑤，等. 基于內(nèi)容過濾的個性化農(nóng)業(yè)信息推薦模型研究. 湖北農(nóng)業(yè)科學，2015，54（16）：4052～4056.

［98］ 楊鳳萍，張大斌. 差分進化神經(jīng)網(wǎng)絡(luò)集成的用戶偏好模型構(gòu)建. 微型機與應(yīng)用，2016，35（8）：44～47.

［99］ Moon-Hee Park，Jin-Hyuk Hong，Sung-Bae Cho. Location-Based Recommendation System Using Bayesian User’s Preference Model in Mobile Devices. International Conference on Ubiquitous Intelligence and Computing. UIC 2007：Ubiquitous Intelligence and Computing，2016：1130～1139.

［100］ 高升，任思婷，郭軍. 基于潛在因子模型的跨領(lǐng)域信息推薦算法. 電信科學，2015，7（188）：1～6.

［101］ 崔艷萍，閻知知，王小巍，等. 互聯(lián)網(wǎng)信息資源用戶獲取優(yōu)化推送仿真研究. 計算機仿真，2017，34（7）：273～280.

［102］ 余本功，張衛(wèi)春，汪柳. 基于用戶偏好的產(chǎn)品設(shè)計知識的推送算法研究. 科學技術(shù)與工程，2017，17 （1）：265～271.

［103］ 張馳，張曉，王登位，等. 基于組件庫的生鮮農(nóng)產(chǎn)品冷鏈物流云服務(wù)系統(tǒng)設(shè)計與實現(xiàn). 農(nóng)業(yè)工程學報，2016，32（12）：273～279.

［104］ 孫琦宗，鐘嘉佶，陳川，等. 一種基于用戶偏好的定制優(yōu)先級判定方法. 機電工程2017，34（11）：1354～1358.