CN111582560A - 一种基于循环神经网络的水稻产量预测方法 - Google Patents
一种基于循环神经网络的水稻产量预测方法 Download PDFInfo
- Publication number
- CN111582560A CN111582560A CN202010323666.6A CN202010323666A CN111582560A CN 111582560 A CN111582560 A CN 111582560A CN 202010323666 A CN202010323666 A CN 202010323666A CN 111582560 A CN111582560 A CN 111582560A
- Authority
- CN
- China
- Prior art keywords
- data
- rice yield
- layer
- neural network
- recurrent neural
- 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
Images
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Mining
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Animal Husbandry (AREA)
- Mining & Mineral Resources (AREA)
- Primary Health Care (AREA)
- Marine Sciences & Fisheries (AREA)
- Agronomy & Crop Science (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于循环神经网络的水稻产量预测方法,该方法先收集目标城市预设固定时间内的历史气象监测数据和水稻产量数据;再对历史气象监测数据进行预处理,包括对连续特征数据进行数据归一化处理,对离散特征数据进行独热编码等;然后使用循环神经网络LSTM构建特征网络结构,并采用改进后的三层双向LSTM建立水稻产量预测模型;最后通过水稻产量预测模型,得到下一年的水稻产量预测结果。该方法提高了水稻产量预测的准确率,提升了模型的泛化能力,让模型更具有鲁棒性,且模型具有更高效的学习能力。
Description
技术领域
本发明属于农业生产技术领域,具体涉及一种基于循环神经网络的水稻产量预测方法。
背景技术
水稻是世界三大粮食作物之一,是我国最主要的粮食作物,全国65%以上的人口以稻米为主食。我国水稻播种面积占全国粮食播种面积的27%左右,产量占全国粮食总产量的37%左右。同时水稻产量的预测是精准农业中的一部分,当今世界农业发展的新趋势就是精准农业,世界各国普遍关注水稻产量的预测,因此,水稻产量的准确预测对我国农业政策调整和保障我国粮食安全问题具有重要意义。
目前,国内学者在粮食产量的预测上做了大量的研究工作。国内学者大多数采用指数平滑、灰色预测等时间序列方法,通常是建立在数学模型的基础上进行的,它的不足在于无法消除长期趋势,最终造成相邻年份影响当期产量的现象。剩余法是利用某种方法如移动平均、直线滑动平均模拟法等,将趋势与波动进行分离,着重考察其绝对波动产量。之前的研究往往关注历史波动情况,对长期变动预测趋势方面的模拟工作做的不够。还有一类是用指数平滑法,这种方法对系数的要求比较高,采用不一样的平滑系数往往会得到相差很大的不同结果,最终预测的结果与实际结果相差很远。
上述这些方法均实现了依据历史气象监测数据对未来水稻产量进行预测,但是他们的共有的问题是:预测方法较为复杂,对历史数据的利用、整合有待加强,泛化能力以及水稻产量预测准确率都有待提高。
发明内容
针对现有技术中的上述不足,本发明提供的一种基于循环神经网络的水稻产量预测方法解决现有的水稻产量预测准确度差、效率低的问题。
为了达到以上目的,本发明采用的技术方案为:
本方案提供一种基于循环神经网络的水稻产量预测方法,包括以下步骤:
S1、收集目标城市预设固定时间内的历史气象监测数据和水稻产量数据;
S2、对所述历史气象监测数据进行预处理,并将预处理后的历史气象监测数据划分为训练集数据、测试集数据和验证集数据;
S3、利用三层双向LSTM循环神经网络构建特征网络结构;
S4、利用所述训练集数据对特征网络结构进行训练,并利用所述验证集数据对特征网络结构进行验证,得到水稻产量预测模型;
S5、利用所述水稻产量预测模型对水稻产量数据和测试集数据进行预测,得到下一年的水稻产量预测结果,完成对水稻产量的预测。
本发明的有益效果是:本发明在构造循环神经网络的过程中,改进了LSTM网络模型,建立了三层双向LSTM模型结构,该模型结构在利用到过去信息的同时,还能捕捉到后续的特征信息,会使得预测结果更加准确,改进的三层双向LSTM网络模型提高了水稻产量预测的准确率,提升了模型的泛化能力,让模型更具有鲁棒性,且模型具有更高效的学习能力。
进一步地,所述步骤S1中历史气象数据包括每日日照时间、每隔6小时的风向、平均风速、降水量、平均温度、相对湿度以及平均气压。
上述进一步方案的有益效果是:本发明获取了详细的历史气象数据,数据量大,特征多,可使模型精度更高。
再进一步地,所述步骤S2包括以下步骤:
S201、删除历史气象监测数据中的异常值,将“\”和“*”替换成“0”,并采用前N个和后N个缺失数据取平均值的方法对缺失数据进行填补;
S202、对连续特征数据进行数据归一化处理,将连续特征数据转换到0-1的范围区间;
S203、针对离散特征数据中的区县ID特征,对所述区县ID特征进行独热编码,并使用N个特征记录N个区县的ID特征;以及
针对离散特征数据中的风向特征,将所述风向特征由字符转换成二维的向量,其中,所述二维向量的第一个维度代表水平方向,所述二维向量的第二个维度代表竖直方向;
S204、将经步骤S202与步骤S203处理后的气象特征数据和区县ID特征分开存储,并设某年·某县的气象特征数据为(360,17),完成对所述历史气象监测数据的预处理;
S205、将预处理后的历史气象监测数据划分为训练集数据、验证集数据以及测试集数据。
上述进一步方案的有益效果是:本发明对历史气象数据进行数据预处理,其中处理了噪声,并将数据数值化,使之符合循环神经网络模型输入标准。
再进一步地,所述步骤S3中特征网络结构包括依次连接的第一输入层、第一双向LSTM循环神经网络层、第二双向LSTM循环神经网络层、第三双向LSTM循环神经网络层、第一全连接层和输出层,以及依次连接的第二输入层、第二全连接层和第三全连接层;所述第三全连接层与输出层连接。
再进一步地,所述第一输入层输入端和输出端的气象特征数据均为(360,17);所述第二输入层输入端和输出端的区县ID特征数据均为(88,);所述输出层输入端包括经第一全连接层输出的水稻产量预测值(1,)以及经第三全连接层输出的区县ID特征数据(1,),所述输出层输出最终的水稻产量预测值;
所述第一双向LSTM循环神经网络层输入端的气象特征数据为(360,17),所述第一双向LSTM循环神经网络层输出端的气象特征数据为(360,64);所述第二双向LSTM循环神经网络层输入端和输出端的气象特征数据均为(360,64);所述第三双向LSTM循环神经网络层输入端的气象特征数据为(360,64),所述第三双向LSTM循环神经网络层输出端的气象特征数据为(128,);
所述第一全连接层输入端的气象特征数据为(128,),所述第一全连接层输出端输出水稻产量预测值(1,);所述第二全连接层输入端的区县ID特征数据为(88,),所述第二全连接层输出端的区县ID特征数据为(32,);所述第三全连接层输入端的区县ID特征数据为(32,),所述第三全连接层输出端的区县ID特征数据为(1,)。
上述进一步方案的有益效果是:气象特征是随着时间连续变化的,LSTM循环神经网络能很好的从前后关联紧密的数据中学习特征。而区县ID与产量之间的关系是,地理位置与产量之间的关系,可以使用两个全连接层学习其映射,可以提升模型预测的准确率。
再进一步地,所述步骤S3包括以下步骤:
S301、获取气象特征数据(360,17)和区县ID特征数据(88,)与标签之间的映射关系;
S302、构建三层双向LSTM循环神经网络;
S303、设置L2正则化参数、Adam优化器参数以及损失函数Huber;
S304、根据所述气象特征数据(360,17),利用第一全连接层输出得到水稻产量预测值p;
S305、根据所述区县ID特征数据(88,)与水稻产量之间的映射关系,利用激活函数得到值域为(0,1)的门限控制器值c;
S306、利用所述门限控制器值c调节水稻产量预测值p,得到最终的水稻产量预测值c*p;
S307、根据所述三层双向LSTM循环神经网络,并利用所述最终的水稻产量预测值c*p与步骤S301中的映射关系,构建特征网络结构。
上述进一步方案的有益效果是:本发明使用Huber损失函数,使得模型更具有鲁棒性,使用L2正则化,防止模型过拟合,使用Adam优化器,可以使模型更快更好地收敛,模型预测的效果会更好。同时使用改进的三层双向LSTM网络模型提高了水稻产量预测的准确率,提升了模型的泛化能力,让模型更具有鲁棒性,且模型具有更高效的学习能力。
再进一步地,所述步骤S302中所述双向LSTM网络由前向循环神经网络和后向循环神经网络组成,其中,所述前向循环神经网络按时间顺序传递信息,所述后向循环神经网络按时间逆序来传递信息。
上述进一步方案的有益效果是:本发明改进了LSTM网络模型,建立了三层双向LSTM模型结构,该模型结构在利用到过去信息的同时,还能捕捉到后续的特征信息,会使得预测结果更加准确。
再进一步地,所述步骤上S4包括以下步骤:
S401、将预处理后的历史气象监测数据作为特征网络结构的输入数据,并利用训练集数据对特征网络结构进行训练,以及利用验证集数据对特征网络结构进行验证;
S402、将三层双向LSTM循环神经网络与第一全连接层级联,并通过门限控制器c和水稻产量预测值p,得到最终的水稻产量预测值c*p;
S403、根据最终的水稻产量预测值c*p,判断损失函数loss是否收敛,若是,则得到水稻产量预测模型,否则,返回步骤S401。
上述进一步方案的有益效果是:本发明将训练集输入水稻产量预测模型进行训练,并在验证集上进行模型验证,可以评估此模型的预测效果。
附图说明
图1为本发明的方法流程图。
图2为本发明中步骤S2的流程图。
图3为本发明提供的改进后的三层双向LSTM结构图。
图4为本发明提供的双向LSTM结构图。
图5为本发明中步骤S3的流程图。
图6为本发明中步骤S4的流程图。
具体实施方式
下面对本发明的具体实施方式进行描述,以便于本技术领域的技术人员理解本发明,但应该清楚,本发明不限于具体实施方式的范围,对本技术领域的普通技术人员来讲,只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内,这些变化是显而易见的,一切利用本发明构思的发明创造均在保护之列。
实施例
如图1所示,本发明公开了一种基于循环神经网络的水稻产量预测方法,包括以下步骤:
S1、收集目标城市预设固定时间内的历史气象监测数据和水稻产量数据;其中,历史气象数据包括每日日照时间、每隔6小时的风向、平均风速、降水量、平均温度、相对湿度、平均气压等;
S2、对历史气象监测数据进行预处理,并将预处理后的历史气象监测数据划分为训练集数据、测试集数据和验证集数据,训练集数据负责模型的训练,验证集数据负责最优模型的筛选,测试集数据负责模型的评定;如图2所示,其实现方法如下:
S201、删除历史气象监测数据中的异常值,将“\”和“*”替换成“0”,并采用前N个和后N个缺失数据取平均值的方法对缺失数据进行填补;
S202、对连续特征数据进行数据归一化处理,将连续特征数据转换到0—1的范围区间,包括日照时间、平均风速、降水量、平局温度、相对湿度、平均气压等;数据归一化计算公式为:
其中,x为步骤S2处理后的数据,xmax为样本数据的最大值,xmin为样本数据的最小值,x*为数据归一化后的输出数据;
S203、针对离散特征数据中的区县ID特征,对区县ID特征进行独热编码,并使用N个特征记录N个区县的ID特征;以及
针对离散特征数据中的风向特征,将风向特征由字符转换成二维的向量,其中,二维向量的第一个维度代表水平方向,所述二维向量的第二个维度代表竖直方向;
S204、将经步骤S202与步骤S203处理后的气象特征数据和区县ID特征分开存储,并设某年·某县的气象特征数据为(360,17),完成对历史气象监测数据的预处理;
S205、将预处理后的历史气象监测数据划分为训练集数据、验证集数据以及测试集数据,训练集数据负责模型的训练,验证集数据负责最优模型的筛选,测试集数据负责模型的评定;
S3、利用三层双向LSTM循环神经网络构建特征网络结构;
本实施例中,如图3-4所示,使用三层双向LSTM循环神经网络构建特征网络,形成的模型为网络特征结构;包括依次连接的第一输入层、第一双向LSTM循环神经网络层、第二双向LSTM循环神经网络层、第三双向LSTM循环神经网络层、第一全连接层和输出层,以及依次连接的第二输入层、第二全连接层和第三全连接层;所述第三全连接层与输出层连接。
本实施例中,所述第一输入层输入端和输出端的气象特征数据均为(360,17);所述第二输入层输入端和输出端的区县ID特征数据均为(88,);所述输出层输入端包括经第一全连接层输出的水稻产量预测值(1,)以及经第三全连接层输出的区县ID特征数据(1,),所述输出层输出最终的水稻产量预测值;
所述第一双向LSTM循环神经网络层输入端的气象特征数据为(360,17),所述第一双向LSTM循环神经网络层输出端的气象特征数据为(360,64);所述第二双向LSTM循环神经网络层输入端和输出端的气象特征数据均为(360,64);所述第三双向LSTM循环神经网络层输入端的气象特征数据为(360,64),所述第三双向LSTM循环神经网络层输出端的气象特征数据为(128,);
所述第一全连接层输入端的气象特征数据为(128,),所述第一全连接层输出端输出水稻产量预测值(1,);所述第二全连接层输入端的区县ID特征数据为(88,),所述第二全连接层输出端的区县ID特征数据为(32,);所述第三全连接层输入端的区县ID特征数据为(32,),所述第三全连接层输出端的区县ID特征数据为(1,)。
如图5所示,包括以下步骤:
S301、获取气象特征数据(360,17)和区县ID特征数据(88,)与标签之间的映射关系,模型需要综合学习两个特征数据与标签之间的映射关系;
S302、构建三层双向LSTM循环神经网络,双向LSTM网络由前向循环神经网络和后向循环神经网络组成,其中前向循环神经网络按时间顺序传递信息,后向循环神经网络按时间逆序来传递信息,如图3所示,t时刻第一层的隐状态取决于前一时刻的隐状态和输出值xt,公式为:
其中,U、W是权重矩阵,b是偏置;第二层的隐状态依然取决于前一时刻的隐状态和输入值x;
S303、设置L2正则化参数、Adam优化器参数以及损失函数Huber;
S304、根据所述气象特征数据(360,17),利用第一全连接层输出得到水稻产量预测值p;
本实施例中,气象特征是随时间连续变化的,循环神经网络中LSTM模型能很好的从前后关联紧密的数据中学习特征,最后接一个神经元的全连接层输出产量预测值p;
S305、根据所述区县ID特征数据(88,)与水稻产量之间的映射关系,利用激活函数得到值域为(0,1)的门限控制器值c;
本实施例中,区县ID与产量之间的关系是地理位置与产量之间的关系;使用两个全连接层学习它们之间的映射,输出层仅一个神经元,使用Sigmoid函数激活,得到一个值域为(0,1)的值c;
S306、利用门限控制器值c调节水稻产量预测值p,得到最终的水稻产量预测值c*p;
S307、根据三层双向LSTM循环神经网络,并利用最终的水稻产量预测值c*p与步骤S301中的映射关系,构建特征网络结构。
本实施例中,模型使用L2正则化,Adam优化器,为使异常值更具鲁棒性,损失函数使用Huber,其函数表达式为:
其中,y为真实值,f(x)为预测函数,δ为超参数;
S4、利用训练集数据对特征网络结构进行训练,并利用验证集数据对特征网络结构进行验证,得到水稻产量预测模型;
本实施例中,使用S2处理后的数据集作为S3建立好的水稻产量模型的输入数据,在改进后的三层双向LSTM深度循环神经网络结构中,将训练集数据输入特征网络进行训练,最终得到水稻产量预测模型,如图6所示,其实现方法如下:
S401、将预处理后的历史气象监测数据作为特征网络结构的输入数据,并利用训练集数据对特征网络结构进行训练,以及利用验证集数据对特征网络结构进行验证;
S402、将三层双向LSTM循环神经网络与第一全连接层级联,并通过门限控制器c和水稻产量预测值p,得到最终的水稻产量预测值c*p;
S403、根据最终的水稻产量预测值c*p,判断损失函数loss是否收敛,若是,则得到水稻产量预测模型,否则,返回步骤S401;
S5、利用水稻产量预测模型对水稻产量数据和测试集数据进行预测,得到下一年的水稻产量预测结果,完成对水稻产量的预测。
本实施例中,使用水稻产量预测模型对测试集数据进行测试,得到水稻产量预测准确率结果。
本发明通过以上设计,提高了水稻产量预测的准确率,提升了模型的泛化能力,让模型更具有鲁棒性,且模型具有更高效的学习能力。
Claims (8)
1.一种基于循环神经网络的水稻产量预测方法,其特征在于,包括以下步骤:
S1、收集目标城市预设固定时间内的历史气象监测数据和水稻产量数据;
S2、对所述历史气象监测数据进行预处理,并将预处理后的历史气象监测数据划分为训练集数据、测试集数据和验证集数据;
S3、利用三层双向LSTM循环神经网络构建特征网络结构;
S4、利用所述训练集数据对特征网络结构进行训练,并利用所述验证集数据对特征网络结构进行验证,得到水稻产量预测模型;
S5、利用所述水稻产量预测模型对水稻产量数据和测试集数据进行预测,得到下一年的水稻产量预测结果,完成对水稻产量的预测。
2.根据权利要求1所述的基于循环神经网络的水稻产量预测方法,其特征在于,所述步骤S1中历史气象数据包括每日日照时间、每隔6小时的风向、平均风速、降水量、平均温度、相对湿度以及平均气压。
3.根据权利要求1所述的基于循环神经网络的水稻产量预测方法,其特征在于,所述步骤S2包括以下步骤:
S201、删除历史气象监测数据中的异常值,将“\”和“*”替换成“0”,并采用前N个和后N个缺失数据取平均值的方法对缺失数据进行填补;
S202、对连续特征数据进行数据归一化处理,将连续特征数据转换到0-1的范围区间;
S203、针对离散特征数据中的区县ID特征,对所述区县ID特征进行独热编码,并使用N个特征记录N个区县的ID特征;以及
针对离散特征数据中的风向特征,将所述风向特征由字符转换成二维的向量,其中,所述二维向量的第一个维度代表水平方向,所述二维向量的第二个维度代表竖直方向;
S204、将经步骤S202与步骤S203处理后的气象特征数据和区县ID特征分开存储,并设某年·某县的气象特征数据为(360,17),完成对所述历史气象监测数据的预处理;
S205、将预处理后的历史气象监测数据划分为训练集数据、验证集数据以及测试集数据。
4.根据权利要求3所述的基于循环神经网络的水稻产量预测方法,其特征在于,所述步骤S3中特征网络结构包括依次连接的第一输入层、第一双向LSTM循环神经网络层、第二双向LSTM循环神经网络层、第三双向LSTM循环神经网络层、第一全连接层和输出层,以及依次连接的第二输入层、第二全连接层和第三全连接层;所述第三全连接层与输出层连接。
5.根据权利要求4所述的基于循环神经网络的水稻产量预测方法,其特征在于,所述第一输入层输入端和输出端的气象特征数据均为(360,17);所述第二输入层输入端和输出端的区县ID特征数据均为(88,);所述输出层输入端包括经第一全连接层输出的水稻产量预测值(1,)以及经第三全连接层输出的区县ID特征数据(1,),所述输出层输出最终的水稻产量预测值;
所述第一双向LSTM循环神经网络层输入端的气象特征数据为(360,17),所述第一双向LSTM循环神经网络层输出端的气象特征数据为(360,64);所述第二双向LSTM循环神经网络层输入端和输出端的气象特征数据均为(360,64);所述第三双向LSTM循环神经网络层输入端的气象特征数据为(360,64),所述第三双向LSTM循环神经网络层输出端的气象特征数据为(128,);
所述第一全连接层输入端的气象特征数据为(128,),所述第一全连接层输出端输出水稻产量预测值(1,);所述第二全连接层输入端的区县ID特征数据为(88,),所述第二全连接层输出端的区县ID特征数据为(32,);所述第三全连接层输入端的区县ID特征数据为(32,),所述第三全连接层输出端的区县ID特征数据为(1,)。
6.根据权利要求4所述的基于循环神经网络的水稻产量预测方法,其特征在于,所述步骤S3包括以下步骤:
S301、获取气象特征数据(360,17)和区县ID特征数据(88,)与标签之间的映射关系;
S302、构建三层双向LSTM循环神经网络;
S303、设置L2正则化参数、Adam优化器参数以及损失函数Huber;
S304、根据所述气象特征数据(360,17),利用第一全连接层输出得到水稻产量预测值p;
S305、根据所述区县ID特征数据(88,)与水稻产量之间的映射关系,利用激活函数得到值域为(0,1)的门限控制器值c;
S306、利用所述门限控制器值c调节水稻产量预测值p,得到最终的水稻产量预测值c*p;
S307、根据所述三层双向LSTM循环神经网络,并利用所述最终的水稻产量预测值c*p与步骤S301中的映射关系,构建特征网络结构。
7.根据权利要求6所述的基于循环神经网络的水稻产量预测方法,其特征在于,所述步骤S302中所述双向LSTM网络由前向循环神经网络和后向循环神经网络组成,其中,所述前向循环神经网络按时间顺序传递信息,所述后向循环神经网络按时间逆序来传递信息。
8.根据权利要求1所述的基于循环神经网络的水稻产量预测方法,其特征在于,所述步骤S4包括以下步骤:
S401、将预处理后的历史气象监测数据作为特征网络结构的输入数据,并利用训练集数据对特征网络结构进行训练,以及利用验证集数据对特征网络结构进行验证;
S402、将三层双向LSTM循环神经网络与第一全连接层级联,并通过门限控制器c和水稻产量预测值p,得到最终的水稻产量预测值c*p;
S403、根据最终的水稻产量预测值c*p,判断损失函数loss是否收敛,若是,则得到水稻产量预测模型,否则,返回步骤S401。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010323666.6A CN111582560B (zh) | 2020-04-22 | 2020-04-22 | 一种基于循环神经网络的水稻产量预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010323666.6A CN111582560B (zh) | 2020-04-22 | 2020-04-22 | 一种基于循环神经网络的水稻产量预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111582560A true CN111582560A (zh) | 2020-08-25 |
CN111582560B CN111582560B (zh) | 2023-05-23 |
Family
ID=72121516
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010323666.6A Active CN111582560B (zh) | 2020-04-22 | 2020-04-22 | 一种基于循环神经网络的水稻产量预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111582560B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112949893A (zh) * | 2020-11-18 | 2021-06-11 | 安徽师范大学 | 一种基于改进rnn的大豆储备预警方法 |
CN113222247A (zh) * | 2021-05-11 | 2021-08-06 | 润联软件系统(深圳)有限公司 | 一种化工原料价格和采购量预测方法、装置及相关设备 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160117162A1 (en) * | 2014-07-07 | 2016-04-28 | Symphony Teleca Corporation | Remote Embedded Device Update Platform Apparatuses, Methods and Systems |
CN109002917A (zh) * | 2018-07-13 | 2018-12-14 | 山东省农业信息中心 | 基于lstm神经网络的粮食总产量多维时间序列预测方法 |
CN109034376A (zh) * | 2018-07-18 | 2018-12-18 | 东北大学 | 一种基于lstm的无人机飞行状态预测方法及系统 |
CN109214452A (zh) * | 2018-08-29 | 2019-01-15 | 杭州电子科技大学 | 基于注意深度双向循环神经网络的hrrp目标识别方法 |
CN109523072A (zh) * | 2018-11-02 | 2019-03-26 | 中国石油化工股份有限公司 | 基于lstm的油田产油量预测方法 |
CN110059082A (zh) * | 2019-04-17 | 2019-07-26 | 东南大学 | 一种基于1D-CNN与Bi-LSTM的天气预测方法 |
CN110070172A (zh) * | 2019-03-13 | 2019-07-30 | 西安理工大学 | 基于双向独立循环神经网络的序列预测模型的建立方法 |
CN110174690A (zh) * | 2019-05-30 | 2019-08-27 | 杭州中科微电子有限公司 | 一种基于长短期记忆网络辅助的卫星定位方法 |
CN110552693A (zh) * | 2019-09-19 | 2019-12-10 | 中国科学院声学研究所 | 一种基于深度神经网络的感应测井曲线的层界面识别方法 |
CN110766132A (zh) * | 2019-09-10 | 2020-02-07 | 淮阴工学院 | 一种基于物联网的果园产量智能预测系统 |
US20200057175A1 (en) * | 2018-08-17 | 2020-02-20 | Nec Laboratories America, Inc. | Weather dependent energy output forecasting |
CN110853042A (zh) * | 2019-11-14 | 2020-02-28 | 空间信息产业发展股份有限公司 | 一种基于图像识别的涉密矢量图形自动分割系统及方法 |
-
2020
- 2020-04-22 CN CN202010323666.6A patent/CN111582560B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160117162A1 (en) * | 2014-07-07 | 2016-04-28 | Symphony Teleca Corporation | Remote Embedded Device Update Platform Apparatuses, Methods and Systems |
CN109002917A (zh) * | 2018-07-13 | 2018-12-14 | 山东省农业信息中心 | 基于lstm神经网络的粮食总产量多维时间序列预测方法 |
CN109034376A (zh) * | 2018-07-18 | 2018-12-18 | 东北大学 | 一种基于lstm的无人机飞行状态预测方法及系统 |
US20200057175A1 (en) * | 2018-08-17 | 2020-02-20 | Nec Laboratories America, Inc. | Weather dependent energy output forecasting |
CN109214452A (zh) * | 2018-08-29 | 2019-01-15 | 杭州电子科技大学 | 基于注意深度双向循环神经网络的hrrp目标识别方法 |
CN109523072A (zh) * | 2018-11-02 | 2019-03-26 | 中国石油化工股份有限公司 | 基于lstm的油田产油量预测方法 |
CN110070172A (zh) * | 2019-03-13 | 2019-07-30 | 西安理工大学 | 基于双向独立循环神经网络的序列预测模型的建立方法 |
CN110059082A (zh) * | 2019-04-17 | 2019-07-26 | 东南大学 | 一种基于1D-CNN与Bi-LSTM的天气预测方法 |
CN110174690A (zh) * | 2019-05-30 | 2019-08-27 | 杭州中科微电子有限公司 | 一种基于长短期记忆网络辅助的卫星定位方法 |
CN110766132A (zh) * | 2019-09-10 | 2020-02-07 | 淮阴工学院 | 一种基于物联网的果园产量智能预测系统 |
CN110552693A (zh) * | 2019-09-19 | 2019-12-10 | 中国科学院声学研究所 | 一种基于深度神经网络的感应测井曲线的层界面识别方法 |
CN110853042A (zh) * | 2019-11-14 | 2020-02-28 | 空间信息产业发展股份有限公司 | 一种基于图像识别的涉密矢量图形自动分割系统及方法 |
Non-Patent Citations (2)
Title |
---|
刘海姣;秦亮曦;秦川;苏永秀;: "基于Bi-LSTM的芒果产量预测" * |
花登峰;: "精确农业系统" * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112949893A (zh) * | 2020-11-18 | 2021-06-11 | 安徽师范大学 | 一种基于改进rnn的大豆储备预警方法 |
CN113222247A (zh) * | 2021-05-11 | 2021-08-06 | 润联软件系统(深圳)有限公司 | 一种化工原料价格和采购量预测方法、装置及相关设备 |
Also Published As
Publication number | Publication date |
---|---|
CN111582560B (zh) | 2023-05-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Pan et al. | Water level prediction model based on GRU and CNN | |
Ji et al. | Artificial neural networks for rice yield prediction in mountainous regions | |
CN111626518A (zh) | 基于深度学习神经网络的城市天级需水量在线预测方法 | |
WO2023103587A1 (zh) | 短临降水预测方法及装置 | |
CN112116080A (zh) | 一种融合了注意力机制的cnn-gru水质预测方法 | |
CN113094357B (zh) | 一种基于时空注意力机制的交通缺失数据补全方法 | |
CN108898251A (zh) | 考虑气象相似性和功率波动的海上风电场功率预测方法 | |
CN111753893A (zh) | 一种基于聚类和深度学习的风电机组功率集群预测方法 | |
CN115099500B (zh) | 基于权重修正和drsn-lstm模型的水位预测方法 | |
CN111582560A (zh) | 一种基于循环神经网络的水稻产量预测方法 | |
CN112149879A (zh) | 一种计及宏观波动性分类的新能源中长期电量预测方法 | |
CN110069032A (zh) | 一种基于小波神经网络的茄子温室环境智能检测系统 | |
CN110321774B (zh) | 农作物灾情评估方法、装置、设备及计算机可读存储介质 | |
CN113505923B (zh) | 一种地区电网短期负荷预测方法及系统 | |
CN114297907A (zh) | 温室环境空间分布预测方法及装置 | |
CN115661547B (zh) | 一种基于知识图谱的植物灌溉养护方法及系统 | |
CN115423182A (zh) | 水电站下泄生态流量评价方法、装置、存储介质及设备 | |
CN115755219A (zh) | 基于stgcn的洪水预报误差实时校正方法及系统 | |
CN115457403A (zh) | 一种基于多类型遥感图像的农作物智能识别方法 | |
Priatna et al. | Precipitation prediction using recurrent neural networks and long short-term memory | |
CN109541729B (zh) | 一种基于narx的中国北方草原地区生长季降雨量的预测方法 | |
CN108845075B (zh) | 基于深度学习网络的堆肥腐熟实时预测方法 | |
CN115907204A (zh) | 麻雀搜索算法优化bp神经网络的林木蒸腾耗水预测方法 | |
CN115587713A (zh) | 一种基于强化学习的海洋牧场灾害决策方法 | |
CN110533249A (zh) | 一种基于集成长短期记忆网络的冶金企业能耗预测方法 |
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 |