CN109117996A - 构建温室冬季温度预测模型的方法 - Google Patents
构建温室冬季温度预测模型的方法 Download PDFInfo
- Publication number
- CN109117996A CN109117996A CN201810863044.5A CN201810863044A CN109117996A CN 109117996 A CN109117996 A CN 109117996A CN 201810863044 A CN201810863044 A CN 201810863044A CN 109117996 A CN109117996 A CN 109117996A
- Authority
- CN
- China
- Prior art keywords
- temperature
- data
- data set
- prediction model
- model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 18
- 230000008859 change Effects 0.000 claims abstract description 11
- 238000000605 extraction Methods 0.000 claims abstract description 7
- 238000012545 processing Methods 0.000 claims abstract description 7
- 238000009499 grossing Methods 0.000 claims abstract description 6
- 230000011218 segmentation Effects 0.000 claims abstract description 6
- 101150011264 setB gene Proteins 0.000 claims abstract description 5
- 238000012360 testing method Methods 0.000 claims abstract description 5
- 229910017435 S2 In Inorganic materials 0.000 claims 1
- 238000013528 artificial neural network Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 3
- 238000005265 energy consumption Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000000611 regression analysis Methods 0.000 description 2
- 201000004569 Blindness Diseases 0.000 description 1
- 240000008067 Cucumis sativus Species 0.000 description 1
- 235000010799 Cucumis sativus var sativus Nutrition 0.000 description 1
- 241000196324 Embryophyta Species 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000010413 gardening Methods 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Quality & Reliability (AREA)
- Animal Husbandry (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Agronomy & Crop Science (AREA)
- Development Economics (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及信息农业领域,公开了一种构建温室冬季温度预测模型的方法,其特征在于,包括以下步骤:以等时间间隔采集温室的温度,获取温度的时间序列数据;按照自然日对温度的时间序列数据进行分割,从分割后的温度的时间序列数据中选取部分数据用于建模,称为数据集RA,剩余数据用于检验模型,称为数据集RB;对RA进行平滑处理,随后使用滑动时间窗口从平滑处理后的RA中提取数据构建数据集A;使用滑动时间窗口从RB中提取数据构建数据集B;根据数据集A构建温室冬季温度变化预测模型M1;利用数据集B对M1进行拟合度检验。本发明根据温度有惯性不可突变的特性构建预测模型,构建的模型的预测准确性高,普适性好。
Description
技术领域
本发明涉及信息农业领域,特别涉及一种构建温室冬季温度预测模型的方法。
背景技术
温室可在低温季节提供合适的环境条件以保证园艺作物的正常生长。温度影响着作物的生理生化过程,影响生长发育进程,从而影响作物的产量和品质。夜晚过低的温度更可造成冷害,因此在必要时需加热提高温室的温度,预测夜晚的温度可提前知晓温室是否需要加温,仅在必要时加温,改变了以往操作的盲目性,从而可节省大量能源消耗,使得温室生产的能耗更低,更环保;白天的温度还影响着温室的放风。对温度变化进行预测是设施园艺智慧管理、调控的一项重要内容。
目前,对温度预测有多种方法,如回归分析法、BP神经网络法等。回归分析法对大量数据进行分析,确定变量间的相关性,进而构建回归模型。回归模型不具有机理性,且外推使用的准确性无法保证。BP神经网络对人脑进行仿真,具有极强的非线性拟合能力,已在多个领域得到广泛应用。BP神经网络对温度的预测精度高,但神经网络的内部结构是黑盒,利用神经网络构建的模型无机理可言。此外,神经网络模型的性能依赖于学习的数据,且存在过拟合问题,这都影响着利用神经网络构建的温度预测模型的性能。
发明内容
发明目的:针对现有技术中存在的问题,本发明提供一种构建温室冬季温度预测模型的方法,通过跟踪温度变化的一阶导数,根据温度有惯性不可突变的特性构建预测模型,构建的模型的预测准确性高,普适性好。
技术方案:本发明提供了一种构建温室冬季温度预测模型的方法,包括以下步骤:S1:以等时间间隔△t采集温室的温度,获取温度的时间序列数据;S2:按照自然日对所述温度的时间序列数据进行分割,从分割后的所述温度的时间序列数据中选取部分数据用于建模,称为数据集RA,剩余数据用于检验模型,称为数据集RB;S3:对所述RA进行平滑处理,随后使用滑动时间窗口从平滑处理后的所述RA中提取数据构建数据集A;使用滑动时间窗口从所述RB中提取数据构建数据集B;在构建所述数据集A和B时,所述滑动时间窗口的宽度设为4,滑动步长设为1,窗口内4个数据的采集时间点分别以t-2、t-1、t0和t1表示,t1距现在的时间最近,t-2距现在的时间最远,t-2、 t-1、 t0和 t1时刻的温度分别以T -2、T -1、T 0和 T 1表示;S4:根据所述数据集A构建温室冬季温度变化预测模型M1;所述M1为:T P =a+bT 0+c T 0 D 0 D -1,其中,所述T P 为所述M1预测的所述t1时刻的温度℃,所述a、b、和c为待定系数,利用所述A和SPSS软件的非线性拟合功能计算所述a、b、和c,计算所述a、b、和c时,令T P = T 1,所述D 0=( T 0- T -1)/( t0- t-1)= ( T 0- T -1)/△t,所述D -1=( T -1- T -2)/( t-1- t-2)= ( T -1- T -2)/△t;S5:利用所述数据集B对所述M1进行拟合度检验。
优选地,在所述S2中,所述部分数据为80-95%的分割后的所述温度的时间序列数据。
优选地,在所述S1中,所述0<△t≤30min;优选1min、2min、5min 或10min。
优选地,在所述S3中,所述平滑处理为多项式。
有益效果:本发明克服了以往温度预测模型机理性弱、普适性差的缺陷,提供了一种根据温度惯性,通过跟踪温度变化一阶导数,构建温室冬季温度变化预测模型的方法,该方法构建的模型的预测准确性高,普适性好;
本发明利用当前温度、前一时刻温度与当前温度的一阶导数、前前时刻温度与前一时刻温度的一阶导数构建了多元非线性模型,该技术利用的历史信息丰富,并连续利用两个一阶导数来追踪温度变化趋势与速率,从而使得模型在追踪温度变化时表现稳定。
附图说明
图1为本发明的技术流程图;
图2为利用滑动时间窗口提取数据构建数据集A的示意图;
图3为温度动态变化预测模型的检验结果——模型预测数值与实测数值的对比图;
图4为温度动态变化预测模型的检验结果——模型预测数值与实测数值的1:1图。
具体实施方式
下面结合附图对本发明进行详细的介绍。
实施方式1:
本实施例的数据为淮安市淮阴区丁集镇2016年冬季黄瓜温室的监测数据。图1为本发明的技术流程图。
S1:取△t =5min,每5min采集一次温室的温度数据,获取温度的时间序列数据;
上述时间间隔△t可任意设定,但不得超过30min,即0<△t≤30min,常用的时间间隔△t有1 min、2 min、5 min和10 min。△t越小,监测到的温度的时间序列数据越能反应真实规律,则利用本发明构建的模型预测精度越高,反之则模型的预测精度下降。本实施方式中以△t =5min为例进行说明。
S2:按照自然日对上述温度的时间序列数据进行分割,从分割后的温度的时间序列数据中随机选取95%用于建模,称为数据集RA,剩余数据用于检验模型,称为数据集RB;
S3:对数据集RA进行多项式处理,随后使用滑动时间窗口从平滑处理后的数据集RA中提取数据构建数据集A,使用滑动时间窗口从数据集RB中提取数据构建数据集B。
数据集A的构建示意图见图2。滑动时间窗口的宽度设为4,滑动步长设为1,窗口内4个数据的采集时间点分别以t-2、t-1、t0和t1表示,t1距现在的时间最近,t-2距现在的时间最远,t-2、 t-1、 t0和 t1时刻的温度分别以T -2、T -1、T 0和 T 1表示。数据集A为列数为4的矩阵,矩阵的1、2、3、4列分别为T -2、T -1、T 0和 T 1。
采用与上述构建数据集A相同的方法,由数据集RB构建数据集B。
S4:根据所述数据集A构建温室冬季温度预测模型M1为:T P =a+bT 0+c T 0 D 0 D -1,;
其中,T P 为M1预测的t1时刻的温度℃,令令T P = T 1,所述D 0=( T 0- T -1)/( t0- t-1)= ( T 0- T -1)/△t=( T 0- T -1)/5,D -1=( T -1- T -2)/( t-1- t-2)= ( T -1- T -2)/△t=( T -1- T -2)/5,并利用数据集A和SPSS的非线性拟合功能计算得到上式中待定系数a、b、和c分别为0.034、0.997和0.475,从而得到T P =0.034+0.997 T 0+0.475 T 0 D 0 D -1。
S5:利用所述数据集B对所述M1进行拟合度检验。
从数据集B中选择一部分数据对模型M1进行检验,结果见图3和图4。由图3可知模型M1的预测数值与实测数值的相对误差RE=0.92%,图4中数据点几乎均处于对角线上,上述结果表明模型的拟合度较高,完全满足实际应用的需要。
上述实施方式只为说明本发明的技术构思及特点,其目的在于让熟悉此项技术的人能够了解本发明的内容并据以实施,并不能以此限制本发明的保护范围。凡根据本发明精神实质所做的等效变换或修饰,都应涵盖在本发明的保护范围之内。
Claims (4)
1.一种构建温室冬季温度预测模型的方法,其特征在于,包括以下步骤:
S1:以等时间间隔△t采集温室的温度,获取温度的时间序列数据;
S2:按照自然日对所述温度的时间序列数据进行分割,从分割后的所述温度的时间序列数据中选取部分数据用于建模,称为数据集RA,剩余数据用于检验模型,称为数据集RB;
S3:对所述RA进行平滑处理,随后使用滑动时间窗口从平滑处理后的所述RA中提取数据构建数据集A;使用滑动时间窗口从所述RB中提取数据构建数据集B;
在构建所述数据集A和B时,所述滑动时间窗口的宽度设为4,滑动步长设为1,窗口内4个数据的采集时间点分别以t-2、t-1、t0和t1表示,t1距现在的时间最近,t-2距现在的时间最远,t-2、 t-1、 t0和 t1时刻的温度分别以T -2、T -1、T 0和 T 1表示;
S4:根据所述数据集A构建温室冬季温度变化预测模型M1;
所述M1为:T P =a+bT 0+cT 0 D 0 D -1,其中,所述T P 为所述M1预测的所述t1时刻的温度℃,所述a、b、和c为待定系数,利用所述A和SPSS软件的非线性拟合功能计算所述a、b、和c,计算所述a、b、和c时,令T P = T 1,所述D 0=( T 0- T -1)/( t0- t-1),所述D -1=( T -1- T -2)/( t-1- t-2);
S5:利用所述数据集B对所述M1进行拟合度检验。
2.根据权利要求1所述的构建温室冬季温度预测模型的方法,其特征在于,在所述S2中,所述部分数据为80-95%的分割后的所述温度的时间序列数据。
3.根据权利要求1所述的构建温室冬季温度预测模型的方法,其特征在于,在所述S1中,所述0<△t≤30min;优选30s、1min、2min、5min 或10min。
4.根据权利要求1至3中任一项所述的构建温室冬季温度预测模型的方法,其特征在于,在所述S3中,所述平滑处理为多项式。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810863044.5A CN109117996B (zh) | 2018-08-01 | 2018-08-01 | 构建温室冬季温度预测模型的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810863044.5A CN109117996B (zh) | 2018-08-01 | 2018-08-01 | 构建温室冬季温度预测模型的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109117996A true CN109117996A (zh) | 2019-01-01 |
CN109117996B CN109117996B (zh) | 2021-06-18 |
Family
ID=64863768
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810863044.5A Active CN109117996B (zh) | 2018-08-01 | 2018-08-01 | 构建温室冬季温度预测模型的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109117996B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111210060A (zh) * | 2019-12-30 | 2020-05-29 | 国网宁夏电力有限公司信息通信公司 | 一种工作日期间机房温度预测方法 |
CN111829688A (zh) * | 2019-03-27 | 2020-10-27 | 中南大学 | 一种锂离子电池工作过程中的温度场分布预测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103605878A (zh) * | 2013-08-19 | 2014-02-26 | 浙江大学 | 一种基于数据建模和模型移植的通用血糖预测方法 |
CN105447297A (zh) * | 2014-09-28 | 2016-03-30 | 北京市农林科学院 | 预测s型树脂包膜控释尿素在设施土壤中氮素释放量的方法 |
CN106650807A (zh) * | 2016-12-20 | 2017-05-10 | 东南大学 | 一种海洋环境下混凝土强度劣化预测评价方法 |
CN106875067A (zh) * | 2017-03-01 | 2017-06-20 | 淮阴师范学院 | 构建冬季晴天时温室二氧化碳浓度预测模型的方法 |
-
2018
- 2018-08-01 CN CN201810863044.5A patent/CN109117996B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103605878A (zh) * | 2013-08-19 | 2014-02-26 | 浙江大学 | 一种基于数据建模和模型移植的通用血糖预测方法 |
CN105447297A (zh) * | 2014-09-28 | 2016-03-30 | 北京市农林科学院 | 预测s型树脂包膜控释尿素在设施土壤中氮素释放量的方法 |
CN106650807A (zh) * | 2016-12-20 | 2017-05-10 | 东南大学 | 一种海洋环境下混凝土强度劣化预测评价方法 |
CN106875067A (zh) * | 2017-03-01 | 2017-06-20 | 淮阴师范学院 | 构建冬季晴天时温室二氧化碳浓度预测模型的方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111829688A (zh) * | 2019-03-27 | 2020-10-27 | 中南大学 | 一种锂离子电池工作过程中的温度场分布预测方法 |
CN111210060A (zh) * | 2019-12-30 | 2020-05-29 | 国网宁夏电力有限公司信息通信公司 | 一种工作日期间机房温度预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109117996B (zh) | 2021-06-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Taki et al. | Heat transfer and MLP neural network models to predict inside environment variables and energy lost in a semi-solar greenhouse | |
He et al. | The climatic suitability for maize cultivation in China | |
Yu et al. | An observation-based progression modeling approach to spring and autumn deciduous tree phenology | |
CN114638146A (zh) | 一种基于AquaCrop模型与SVR的作物灌溉需水量预测方法 | |
Martí et al. | An artificial neural network approach to the estimation of stem water potential from frequency domain reflectometry soil moisture measurements and meteorological data | |
CN110705182B (zh) | 耦合作物模型和机器学习的作物育种适应时间预测方法 | |
Gao et al. | Comparing independent climate-sensitive models of aboveground biomass and diameter growth with their compatible simultaneous model system for three larch species in China | |
CN110119767A (zh) | 一种基于lvq神经网络的黄瓜温室温度智能化检测装置 | |
Ranjani et al. | Crop yield prediction using machine learning algorithm | |
CN109117996A (zh) | 构建温室冬季温度预测模型的方法 | |
CN111754045A (zh) | 一种基于果树生长的预测系统 | |
Ali et al. | Wireless sensor network and deep learning for prediction greenhouse environments | |
Al Rasyid et al. | Application to determine water volume for agriculture based on temperature & humidity using wireless sensor network | |
Bepery et al. | Framework for internet of things in remote soil monitoring | |
CN105352893A (zh) | 一种适用于植被稀疏区的叶绿素反演方法 | |
Zhang et al. | Modeling and simulation of temperature control system in plant factory using energy balance | |
Chen et al. | Analysis of the characteristics and driving forces of water footprint productivity in paddy rice cultivation in China | |
CN117421686A (zh) | 一种水肥一体化灌溉用量数据收集方法 | |
Kuo et al. | A comparative study on the estimation of evapotranspiration using backpropagation neural network: Penman–Monteith method versus pan evaporation method | |
CN106875067A (zh) | 构建冬季晴天时温室二氧化碳浓度预测模型的方法 | |
Nguyen-Xuan et al. | A dynamic model for temperature prediction in glass greenhouse | |
CN114707684A (zh) | 一种基于改进lstm的原烟堆垛内部温度预测算法 | |
Ahmad et al. | Neural network modeling and identification of naturally ventilated tropical greenhouse climates | |
CN114444399A (zh) | 一种基于XGBoost的温室滴灌番茄腾发量计算方法 | |
Abdallah et al. | A Machine Learning Approach for a Robust Irrigation Prediction via Regression and Feature Selection |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |