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 PDF

Info

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
Application number
CN201810863044.5A
Other languages
English (en)
Other versions
CN109117996B (zh
Inventor
查学东
李霞
王慧
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Huaian Agricultural Information Center
Original Assignee
Huaian Agricultural Information Center
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Huaian Agricultural Information Center filed Critical Huaian Agricultural Information Center
Priority to CN201810863044.5A priority Critical patent/CN109117996B/zh
Publication of CN109117996A publication Critical patent/CN109117996A/zh
Application granted granted Critical
Publication of CN109117996B publication Critical patent/CN109117996B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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

构建温室冬季温度预测模型的方法
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。
CN201810863044.5A 2018-08-01 2018-08-01 构建温室冬季温度预测模型的方法 Active CN109117996B (zh)

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)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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

Patent Citations (4)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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