CN109213800A - 一种烟草虫情预测系统及方法 - Google Patents

Abstract

本发明公开了一种烟草虫情预测方法及系统，通过获取数据，对数据进行预处理；构建时间序列分析模型，形成烟虫预测模型；进行虫情序列模式的挖掘，得到预测结果；本发明能够通过序列模式挖掘技术，发现频繁模式，预测虫情的数量。

Description

一种烟草虫情预测系统及方法

技术领域

本发明涉及一种烟草虫情预测系统及方法。

背景技术

现有的虫情监测，采用人工现场查看后进行纸质记录，事后在电子表格中进行填写汇总的方式进行统计，缺少信息技术手段的管理支撑，缺少对历史数据的统计分析和数量预测。

发明内容

本发明为了解决上述问题，提出了一种烟草虫情预测系统及方法，本发明能够通过序列模式挖掘技术，发现频繁模式，预测虫情的数量。

为了实现上述目的，本发明采用如下技术方案：

一种烟草虫情预测方法，包括以下步骤：

(1)获取数据，对数据进行预处理；

(2)构建时间序列分析模型，形成烟虫预测模型；

(3)进行虫情序列模式的挖掘，得到预测结果。

进一步的,所述步骤(1)中，数据采集是指将一定时间段内各个虫情监测点的每一个监测点的烟虫数量形成一条数据库中的一条记录，包含的字段有日期、部门、区域、部位、温度、湿度和/或数量信息。

进一步的,所述步骤(1)中，所述数据的预处理包括抽取、转换和加载，通过设定时间、部门、区域、部位和数量选择项，将历史数据抽取出来，作为模型库的数据源，加载到模型库中。

进一步的，所述步骤(2)中，特征提取的具体过程为：对于烟虫趋势序列，采用局部极值点与拐点来描述其变化特征。

更进一步的，所述极值点表示在此时间前后采样值由小变大的事件，数学描述为：

对于一个给定的烟虫数量时间序列{<x₁＝(s₁,t₁)>,...,<x_n＝(s_n,t_n)>}，如果x_m满足下列条件之一：

当1<m<n时，存在下标i和j且1≤i<m<j≤n使得s_m是s_i，…，s_j中的最小值，且s_i/s_m≥A成立；

当m＝1时即s_m为时间序列的起点，存在j且m<j≤n时s_m是s_i,...,s_j的最小值且s_j/s_m≥A成立；

当m＝n时，即s_m为时间序列的终止数据点，存在下标i且1≤i<m使得s_m是s_i，…，s_j中的最小值，且s_j/s_m≥A成立。

其中，x_i代表一个序列数据，S_i是由监测点、温度、湿度、烟虫数量信息组成的字符串，A为设定的阈值，i为1，…，n。

更进一步的，所述拐点表示趋势变化率的关键点，是函数中斜率变为零的点，表明了函数增长趋势的变换；

T_t中的极值和拐点对应的特征事件标识为趋势增长率变大、趋势增长率变小、趋势变大、趋势变小。

进一步的，对于历史虫情监测数据，首先建立正常周期序列序列关键特征值，建立正常数据特征值模型；在训练阶段，将虫情严重的抽样样本的周期序列特征值与正常周期特征模型比较，其变化超过设定的阈值则标识为特征事件。

进一步的，烟虫预测的具体过程为：

假设一个监测位置的监控过程中，代表其监控状态有n个相互关联的测点，在某一时刻t观测到的n个数据即为这一时刻描述该设备的状态向量x_obs，即x_obs(t)＝[x(1)x(2)...x(n)]^T；

经过模型计算的预测向量为x_est，代表模型在该时刻给出的虫情数量预估值。对输入模型的任意一组状态向量x_obs，模型都能生成一个m维的权值向量W：

x_est＝DW＝D(D^TD)^-1D^Tx_obs

式中D为历史状态矩阵，历史状态矩阵中每一列状态向量都代表烟虫在过去某一时刻的数量信息。

一种烟草虫情预测系统，包括：

数据预处理模块，被配置为获取各虫情监测点的烟虫数量，对数据进行预处理；

模型构建模块，被配置为构建时间序列分析模型，形成烟虫预测模型；

虫情序列模式挖掘模块，被配置为进行虫情序列模式的挖掘，得到预测结果，具体包括规则生成模块和实时数据检测模块；

所述规则生成模块通过对历史监数据进行数据预处理，并经过特征提取后，形成序列模式，序列模式构成规则库，作为实时数据监测模块的规则标准，进行数据预测；

所述实时数据检测模块，采集实时监测数据，经过数据预处理后，形成当前监测数据，结合规则生成模块的规则库，形成数据检测引擎，进行虫情数量预测和预警。

与现有技术相比，本发明的有益效果为：

1.本发明结合“物联网”、“互联网+”技术提出了烟草虫情预测管理系统。虫情管理人员可以识别虫情监测点位置信息，对烟虫数量进行填报，系统提供历史数据查询、虫情监测点位置地图、监测点烟虫数量预测等功能。

2.采用时间序列模式数据挖掘技术，实现了虫情数据的趋势预测。

附图说明

构成本申请的一部分的说明书附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。

图1为系统功能架构；

图2为虫情预测过程示意图。

具体实施方式：

下面结合附图与实施例对本发明作进一步说明。

应该指出，以下详细说明都是例示性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。

需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。

在本发明中，术语如“上”、“下”、“左”、“右”、“前”、“后”、“竖直”、“水平”、“侧”、“底”等指示的方位或位置关系为基于附图所示的方位或位置关系，只是为了便于叙述本发明各部件或元件结构关系而确定的关系词，并非特指本发明中任一部件或元件，不能理解为对本发明的限制。

本发明中，术语如“固接”、“相连”、“连接”等应做广义理解，表示可以是固定连接，也可以是一体地连接或可拆卸连接；可以是直接相连，也可以通过中间媒介间接相连。对于本领域的相关科研或技术人员，可以根据具体情况确定上述术语在本发明中的具体含义，不能理解为对本发明的限制。

一种烟草虫情预测方法，包括以下步骤：

(1)获取数据，对数据进行预处理；

(2)构建时间序列分析模型，形成烟虫预测模型；

(3)进行虫情序列模式的挖掘，得到预测结果。

数据采集，每一天某一虫情监测点的烟虫数量形成一条数据库中的一条记录。主要包含的字段有日期、部门、区域、部位、温度、湿度、数量等信息。

数据预处理采用的ETL工具为kettle工具，通过设定时间、部门、区域、部位和数量等选择项，将历史数据抽取出来，作为模型库的数据源，加载到模型库中。

特征提取的具体过程为：

对于烟虫趋势序列T_t，由于其表示的是长期的烟虫数量趋势，已经去掉了随机的部分，因此采用局部极值点与拐点来描述其变化特征。

极值点表示在此时间前后采样值由小变大的事件，数学描述为：

对于一个给定的烟虫数量时间序列{<x₁＝(s₁,t₁)>,...,<x_n＝(s_n,t_n)>}，如果x_m满足下列条件之一：

当1<m<n时，存在下标i和j且1≤i<m<j≤n使得s_m是s_i，…，s_j中的最小值，且s_i/s_m≥A成立；

当m＝1时即s_m为时间序列的起点，存在j且m<j≤n时s_m是s_i,...,s_j的最小值且s_j/s_m≥A成立；

当m＝n时，即s_m为时间序列的终止数据点，存在下标i且1≤i<m使得s_m是s_i，…，s_j中的最小值，且s_j/s_m≥A成立。

t为时间。

拐点表示趋势变化率的关键点，是函数中斜率变为零的点，表明了函数增长趋势的变换。

T_t中的极值和拐点对应的特征事件可以标识为趋势增长率变大、趋势增长率变小、趋势变大、趋势变小。

在系统的使用过程中，对于历史虫情监测数据，首先建立正常周期序列序列关键特征值，建立正常数据特征值模型。

在训练阶段，将虫情严重的抽样样本的周期序列特征值与正常周期特征模型比较，其变化超过设定的阈值则标识为特征事件。

烟虫预测的具体过程为：

假设一个监测位置的监控过程中，代表其监控状态有n个相互关联的测点，那么在某一时刻t观测到的n个数据即为这一时刻描述该设备的状态向量x_obs，即x_obs(t)＝[x(1)x(2)...x(n)]^T

经过模型计算的预测向量为x_est，代表模型在该时刻给出的虫情数量预估值。对输入模型的任意一组状态向量x_obs，模型都能生成一个m维的权值向量W：

x_est＝DW＝D(D^TD)^-1D^Tx_obs

式中D为历史状态矩阵。历史状态矩阵中每一列状态向量都代表烟虫在过去某一时刻的数量信息。

模型输入的状态向量是在正常监控状态下得到的，而历史状态矩阵涵盖了监控位置在所有时刻下的正常状态。所以输入向量会与历史状态矩阵中一些历史状态向量类似，而这些类似的状态向量经过上述计算处理就可以给出精确度较高的输出预测值。

基于序列模式挖掘的虫情管理系统功能架构分为后台处理、中间处理和前台处理。

后台处理主要完成数据的预处理(抽取、转换、加载)，中间层通过建立时间序列分析模型形成烟虫预测模型，前台处理提供用户访问界面。

数据预处理采用的ETL工具为kettle工具，通过设定时间、部门、区域、部位和数量等选择项，将历史数据抽取出来，作为模型库的数据源，加载到模型库中。

虫情序列模式挖掘，分为规则生成模块和实时数据检测模块。

规则生成模块通过对历史监数据进行数据预处理，并经过特征提取后，形成序列模式，序列模式构成规则库，作为实时数据监测模块的规则标准，进行数据预测。

实时数据检测模块，采集实时监测数据，经过数据预处理后，形成当前监测数据，结合规则生成模块的规则库，形成数据检测引擎，进行虫情数量预测和预警。

以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。

Claims (10)

1.一种烟草虫情预测方法，其特征是：包括以下步骤：

(1)获取数据，对数据进行预处理；

(2)构建时间序列分析模型，形成烟虫预测模型；

(3)进行虫情序列模式的挖掘，得到预测结果。

2.如权利要求1所述的一种烟草虫情预测方法，其特征是：所述步骤(1)中，数据采集是指将一定时间段内各个虫情监测点的每一个监测点的烟虫数量形成一条数据库中的一条记录，包含的字段有日期、部门、区域、部位、温度、湿度和/或数量信息。

3.如权利要求1所述的一种烟草虫情预测方法，其特征是：所述步骤(1)中，所述数据的预处理包括抽取、转换和加载，通过设定时间、部门、区域、部位和数量选择项，将历史数据抽取出来，作为模型库的数据源，加载到模型库中。

4.如权利要求1所述的一种烟草虫情预测方法，其特征是：所述步骤(2)中，特征提取的具体过程为：对于烟虫趋势序列，采用局部极值点与拐点来描述其变化特征。

5.如权利要求4所述的一种烟草虫情预测方法，其特征是：所述极值点表示在此时间前后采样值由小变大的事件，数学描述为：

对于一个给定的烟虫数量时间序列{<x₁＝(s₁,t₁)>,...,<x_n＝(s_n,t_n)>}，如果x_m满足下列条件之一：

当1<m<n时，存在下标i和j且1≤i<m<j≤n使得s_m是s_i，…，s_j中的最小值，且s_i/s_m≥A成立；

当m＝1时即s_m为时间序列的起点，存在j且m<j≤n时s_m是s_i,...,s_j的最小值且s_j/s_m≥A成立；

当m＝n时，即s_m为时间序列的终止数据点，存在下标i且1≤i<m使得s_m是s_i，…，s_j中的最小值，且s_j/s_m≥A成立；

其中，X_i代表一个序列数据，S_i是由监测点、温度、湿度和烟虫数量信息组成的字符串，A为设定的阈值，i为1，…，n。

6.如权利要求4所述的一种烟草虫情预测方法，其特征是：所述拐点表示趋势变化率的关键点，是函数中斜率变为零的点，表明函数增长趋势的变换。

7.如权利要求4所述的一种烟草虫情预测方法，其特征是：极值和拐点对应的特征事件标识为趋势增长率变大、趋势增长率变小、趋势变大、趋势变小。

8.如权利要求1所述的一种烟草虫情预测方法，其特征是：对于历史虫情监测数据，首先建立正常周期序列序列关键特征值，建立正常数据特征值模型；在训练阶段，将虫情严重的抽样样本的周期序列特征值与正常周期特征模型比较，其变化超过设定的阈值则标识为特征事件。

9.如权利要求1所述的一种烟草虫情预测方法，其特征是：烟虫预测的具体过程为：

假设一个监测位置的监控过程中，代表其监控状态有n个相互关联的测点，在某一时刻t观测到的n个数据即为这一时刻描述该设备的状态向量x_obs，即xo_bs(t)＝[x(1)x(2)...x(n)]^T；

经过模型计算的预测向量为x_est，代表模型在该时刻给出的虫情数量预估值。对输入模型的任意一组状态向量x_obs，模型都能生成一个m维的权值向量W：

x_est＝DW＝D(D^TD)^-1D^Tx_obs

式中D为历史状态矩阵，历史状态矩阵中每一列状态向量都代表烟虫在过去某一时刻的数量信息。

10.一种烟草虫情预测系统，其特征是：包括：

数据预处理模块，被配置为获取各虫情监测点的烟虫数量，对数据进行预处理；

模型构建模块，被配置为构建时间序列分析模型，形成烟虫预测模型；

虫情序列模式挖掘模块，被配置为进行虫情序列模式的挖掘，得到预测结果，具体包括规则生成模块和实时数据检测模块；

所述规则生成模块通过对历史监数据进行数据预处理，并经过特征提取后，形成序列模式，序列模式构成规则库，作为实时数据监测模块的规则标准，进行数据预测；

所述实时数据检测模块，采集实时监测数据，经过数据预处理后，形成当前监测数据，结合规则生成模块的规则库，形成数据检测引擎，进行虫情数量预测和预警。