CN112200360B - 植物生长重量预测方法、模型训练方法及装置 - Google Patents
植物生长重量预测方法、模型训练方法及装置 Download PDFInfo
- Publication number
- CN112200360B CN112200360B CN202011065781.4A CN202011065781A CN112200360B CN 112200360 B CN112200360 B CN 112200360B CN 202011065781 A CN202011065781 A CN 202011065781A CN 112200360 B CN112200360 B CN 112200360B
- Authority
- CN
- China
- Prior art keywords
- time point
- weight
- plant growth
- sample
- prediction
- 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.)
- Active
Links
- 230000008635 plant growth Effects 0.000 title claims abstract description 221
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000012549 training Methods 0.000 title claims abstract description 33
- 230000007613 environmental effect Effects 0.000 claims abstract description 82
- 230000006870 function Effects 0.000 claims description 47
- 238000007476 Maximum Likelihood Methods 0.000 claims description 30
- 230000015654 memory Effects 0.000 claims description 19
- 239000000758 substrate Substances 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 9
- 238000005286 illumination Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 7
- 150000003839 salts Chemical class 0.000 claims description 6
- 238000013135 deep learning Methods 0.000 abstract description 3
- 241000196324 Embryophyta Species 0.000 description 50
- 230000012010 growth Effects 0.000 description 28
- 239000002609 medium Substances 0.000 description 9
- 230000000306 recurrent effect Effects 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 6
- 239000007789 gas Substances 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 239000002689 soil Substances 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 239000001963 growth medium Substances 0.000 description 2
- GPRLSGONYQIRFK-UHFFFAOYSA-N hydron Chemical compound [H+] GPRLSGONYQIRFK-UHFFFAOYSA-N 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 239000007788 liquid Substances 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 235000013311 vegetables Nutrition 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 235000001674 Agaricus brunnescens Nutrition 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 229910017464 nitrogen compound Inorganic materials 0.000 description 1
- 150000002830 nitrogen compounds Chemical class 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 229910052698 phosphorus Inorganic materials 0.000 description 1
- 239000011574 phosphorus Substances 0.000 description 1
- -1 phosphorus compound Chemical class 0.000 description 1
- 230000008636 plant growth process Effects 0.000 description 1
- XAEFZNCEHLXOMS-UHFFFAOYSA-M potassium benzoate Chemical compound [K+].[O-]C(=O)C1=CC=CC=C1 XAEFZNCEHLXOMS-UHFFFAOYSA-M 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 159000000000 sodium salts Chemical class 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000000725 suspension Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000005303 weighing Methods 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
- 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
- G06N3/08—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—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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- General Business, Economics & Management (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Marketing (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Tourism & Hospitality (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Agronomy & Crop Science (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了植物生长重量预测方法、模型训练方法及装置,涉及深度学习技术领域。具体实现方案为:将第一时间点之前的时间序列对应的环境参数和植物生长重量,作为第一输入量,输入重量预测模型的输入层,获得初始状态;将所述初始状态和所述第一时间点的环境参数、第一时间点的上一时间点的植物生长重量作为第二输入量,输入所述重量预测模型的预测层,获得所述第一时间点的植物生长重量的预测数据。本申请实施例能够通过对植物的历史重量、生长环境中的环境参数进行分析,获得较为准确的植物生长重量的预测数据。
Description
技术领域
本申请涉及图像处理领域,尤其涉及深度学习领域。
背景技术
随着计算机技术的发展,人工智能也得到了越来越广泛的应用。比如,人工智能可以应用于现代化农业等种植领域。如今,人工栽培植物的生长环境参数,比如光照、温度、CO2浓度等,一般都能够被精细化控制,但是如何设置合适的生长环境参数以及在植物生长周期中如何对参数进行调整来获得最大的生长重量,是植物种植领域的一个重要问题。
发明内容
本申请提供了一种植物生长重量预测方法、模型训练方法及装置。
根据本申请的一方面,提供了一种植物生长重量预测方法,包括:
将第一时间点之前的时间序列对应的环境参数和植物生长重量,作为第一输入量,输入重量预测模型的输入层,获得初始状态;
将初始状态和第一时间点的环境参数、第一时间点的上一时间点的植物生长重量作为第二输入量,输入重量预测模型的预测层,获得第一时间点的植物生长重量的预测数据。
根据本申请的另一方面,提供一种模型训练方法,包括:
将第一样本时间点之前的时间序列对应的环境参数和植物生长重量,作为输入量输入待训练重量预测模型的输入层,获得样本初始状态;
将样本初始状态、第一样本时间点的上一时间点的植物生长重量和第一样本时间点的环境参数作为输入量,输入待训练重量预测模型的预测层,获得第一样本时间点的植物生长重量的样本预测数据;
根据样本预测数据和第一样本时间点的植物的真实重量,训练待训练重量预测模型,得到重量预测模型。
根据本申请的又一方面,提供一种植物生长重量预测装置,包括:
初始状态模块,用于将第一时间点之前的时间序列对应的环境参数和植物生长重量,作为第一输入量,输入重量预测模型的输入层,获得初始状态;
预测模块,用于将初始状态和第一时间点的环境参数、第一时间点的上一时间点的植物生长重量作为第二输入量,输入重量预测模型的预测层,获得第一时间点的植物生长重量的预测数据。
根据本申请的又一方面,提供一种模型训练装置,包括:
样本状态模块,用于将第一样本时间点之前的时间序列对应的环境参数和植物生长重量,作为输入量输入待训练重量预测模型的输入层,获得样本初始状态;
样本预测数据模块,用于将样本初始状态、第一样本时间点的上一时间点的植物生长重量和第一样本时间点的环境参数作为输入量,输入待训练重量预测模型的预测层,获得第一样本时间点的植物生长重量的样本预测数据;
训练模块,用于根据样本预测数据和第一样本时间点的植物的真实重量,训练待训练重量预测模型,得到重量预测模型。
根据本申请的又一方面,提供一种电子设备,包括:
至少一个处理器;以及
与至少一个处理器通信连接的存储器;其中,
存储器存储有可被至少一个处理器执行的指令,指令被至少一个处理器执行,以使至少一个处理器能够执行本申请任意一项实施例所提供的方法。
根据本申请的又一方面,提供一种存储有计算机指令的非瞬时计算机可读存储介质,计算机指令用于使计算机执行本申请任意一项实施例所提供的方法。
根据本申请的又一方面,提供了一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现如上所述的方法。
本申请实施例根据植物生长环境中的环境参数,以及植物在第一时间点之前的时间序列对应的生长重量,预测植物在第一时间点的生长重量,从而在预测植物生长重量时,同时考虑到植物的自身特性和外在因素,能够获得更为准确的植物生长重量预测值。。
应当理解,本部分所描述的内容并非旨在标识本申请的实施例的关键或重要特征,也不用于限制本申请的范围。本申请的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案,不构成对本申请的限定。其中:
图1是根据本申请一实施例的植物生长重量预测方法示意图;
图2是根据本申请另一实施例的植物生长重量预测方法示意图;
图3是根据本申请又一实施例的植物生长重量预测方法示意图;
图4是根据本申请一示例的植物生长重量的预测方法操作阶段示意图;
图5是根据本申请一示例的植物生长重量的模型训练方法数据处理示意图;
图6是根据本申请一示例的植物生长重量的植物生长重量预测方法的模型输入阶段和输出阶段数据处理示意图;
图7是根据本申请一实施例的植物生长重量预测装置示意图;
图8是根据本申请另一实施例的植物生长重量预测装置示意图;
图9是根据本申请又一实施例的植物生长重量预测装置示意图;
图10是根据本申请又一实施例的植物生长重量预测装置示意图;
图11是用来实现本申请实施例的植物生长重量预测方法的电子设备的框图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明,其中包括本申请实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本申请的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
本申请实施例提供一种植物生长重量预测方法,如图1所示,包括:
步骤S11:将第一时间点之前的时间序列对应的环境参数和植物生长重量,作为第一输入量,输入重量预测模型的输入层,获得初始状态;
步骤S12:将初始状态和第一时间点的环境参数、第一时间点的上一时间点的植物生长重量作为第二输入量,输入重量预测模型的预测层,获得第一时间点的植物生长重量的预测数据。
在本实施例中,植物可以是任意的人工栽培的植物。比如,农作物、林业作物、畜牧业作物,农作物可以包括粮食植物、经济植物。植物还可以是大棚、温室等种植业专用设备中种植的植物,例如,蔬菜、水果等;也可以是一定的自然区域中种植的植物。既可以是土生植物,比如自然条件下的土生蔬菜;也可以是水培植物,比如莲藕、菱角等自然条件下的水生植物;还可以是腐生植物,如蘑菇类等。
本实施例中,第一时间点之前的时间序列,可以是包含多个时间点,且这多个时间点之中的相邻时间点的间隔相等。具体例如,第一时间点之前的时间序列中包括5个时间点,这5个时间点,为按照时间顺序、等间隔设定的时间点。
本实施例中,第一时间点之前的时间序列的时间间隔,可以与时间序列中最后一个时序的时间点和第一时间点之间的时间间隔相等。比如,第一时间点之前的时间序列,包括按照时序排列的A-D4个时间点,其中,D为时序上的最后一个时间点,那么,在A与B、B与C、C与D、D与第一时间点之间的时间间隔均相等。时间序列中各个时间点,可以是具体时间,也可以是时间点的编号。第一时间点之前的时间序列的时间间隔,可以是一定的周期,比如一个星期、一天、一个月等。
第一时间点之前的时间序列对应的环境参数和植物生长重量,可以时间序列中的各个时间点对应采集的环境参数以及各个时间点对应采集的植物生长重量。
当植物为封闭空间中人工栽培的植物时,环境参数可以为封闭空间中的环境参数。当植物为非完全封闭的空间中人工栽培的植物时,环境参数可以为植物周围设定范围内采集到的环境参数。
环境参数具体可以包括对植物生长具有影响的气体、液体、固体等物质的浓度参数,以及气温、光照等气候参数。
本实施例中,重量预测模型可以为递归的深度学习模型,比如可以采用循环神经经网络模型(Recurrent Neural Network,RNN)。
本实施例中,第一时间点之前的时间序列对应的环境参数和植物生长重量,可以为时间序列中的每个时间点检测到的环境参数,和时间序列中的每个时间点对应的植物生长重量。
植物生长重量,可以为人工栽培环境中的每个单株的植物的生长重量,也可以是一个人工栽培单位中的所有植物的生长重量,比如一个培养器皿中的所有农作物的生长重量,再如每平方分米中的被栽培植物的生长重量,再如每单位面积的培养基中的植物的生长重量。用于预测第一时间点的时间序列对应的植物生长重量,可以通过实际对植物进行称重获得,也可以通过预测获得。
本实施例中,初始状态可以为重量预测模型的输入层输出的中间量。
假设时间序列中包括A-D四个时间点,这四个时间点采集或预测到的植物的生长重量分别为z1、z2、z3、z4,这四个时间点检测到的环境参数分别为x1、x2、x3、x4,将第一时间点之前的时间序列对应的环境参数和植物生长重量,作为第一输入量,输入重量预测模型的输入层,获得初始状态,具体可以包括:
将A-D四个时间点、z1、z2、z3、z4、x1、x2、x3、x4,作为第一输入量,输入重量预测模型的输入层,得到初始状态h。
在上述步骤S12中,根据第一时间点的不同的环境参数,可以对应获得不同的植物生长重量的预测数据。
植物生长重量的预测数据,可以是具体数值,也可以是有限多个具体数值及每个具体数值对应的概率,还可以是无限个数值及在无限个数值的取值区间中每个取值对应的概率。
假设初始状态为h、第一时间点E的上一时间点D的植物生长重量为z4,第一时间点E的环境参数为x5,将初始状态和第一时间点的环境参数、第一时间点的上一时间点的植物生长重量作为第二输入量,输入重量预测模型的预测层,获得第一时间点的植物生长重量的预测数据,具体可以包括:
将h、E、X5、D、Z4作为第二输入量,输入重量预测模型的预测层,得到植物生长重量的预测数据。
植物在第一时间点之前的时间序列对应的生长重量,反应了植物自身的生长特性,环境参数体现了影响植物生长的外在因素。本申请实施例中,根据植物生长环境中的环境参数,以及植物在第一时间点之前的时间序列对应的生长重量,预测植物在第一时间点的生长重量,获得第一时间点植物的生长重量的预测数据,从而在预测植物生长重量时,同时考虑到植物的自身特性和外在因素,能够对植物生长重量进行更为准确的预测。
在一种实施方式中,时间序列包括多个时间点,多个时间点为等间隔的时间点,时间序列中最后一个时间点与第一时间点之间的间隔,与所述多个时间点中相邻时间点之间的间隔相等。
本实施例中,第一时间点与时间序列中最后一个时间点的时间间隔,与时间序列中相邻时间点之间的时间间隔相等。
时间序列中最后一个时间点接近第一时间点,从而采用时间序列中各时间点对应的环境参数和植物生长重量,预测第一时间点的植物生长重量时,从而能够获得植物生长重量的准确预测数据。
在一种实施方式中,如图2所示,植物生长重量预测方法还包括:
步骤S21:将第一时间点的下一时间点作为第一时间点,重复执行将第一输入量输入输入层获得初始状态以及将第二输入量输入预测层获得预测数据的步骤。
本实施例中,在获得第一时间点的植物生长重量的预测数据之后,可以在第一时间点以后重新确定需要预测植物生长重量的时间点,作为第一时间点,按照与图1所示的内容相同的步骤预测新的第一时间点的植物生长重量,获得植物生长重量的预测数据。
本实施例中,如果需要获得多个目标时间点对应的植物生长重量,则采用递归的方式进行预测,获得多个目标时间点对应的预测数据。
例如,对于时序排列的目标时间点e、f、g、h,执行四次预测,分别获得e、f、g、h对应的植物生长重量的预测数据。首先对第一个目标时间点e的植物生长重量进行预测,如表1所示,第一次预测时,获取e之前的时间序列中的时间点:a、b、c、d各自对应的植物生长重量和环境参数,并据此获得初始变量,然后再采用初始变量和目标时间点e对应的环境参数,获得目标时间点e对应的植物生长重量的预测数据。表1中的输入数据,表示输入重量预测模型的数据,不包括重量预测模型计算过程中的中间量。
第二次预测时,获取f之前的时间序列中的时间点b、c、d、e各自对应的植物生长重量和环境参数,其中用于预测f时间点的植物生长重量的e时间点的植物生长重量,可以根据第一次预测时获得的植物生长重量预测数据获得。根据b、c、d、e对应的植物生长重量和环境参数,重新获得初始变量。然后根据新的初始变量和f时间点对应的环境参数,获得目标时间点f对应的植物生长重量的预测数据。
第三次预测时,获取g之前的时间序列中的时间点c、d、e、f各自对应的植物生长重量和环境参数,其中用于预测g对应的植物生长重量的e、f时间点的植物生长重量,可以分别根据第一次预测时获得的植物生长重量的预测数据、第二次预测时获得的植物生长重量的预测数据获得。根据c、d、e、f对应的植物生长重量和环境参数,重新获得初始变量。然后根据新的初始变量和g时间点对应的环境参数,获得目标时间点g对应的植物生长重量的预测数据。
第四次预测时,获取h之前的时间序列中的时间点d、e、f、g各自对应的植物生长重量和环境参数,其中用于预测h对应的植物生长重量的e、f、g时间点的植物生长重量,可以分别根据第一次预测时获得的植物生长重量的预测数据、第二次预测时获得的植物生长重量的预测数据、第三次预测时获得的植物生长重量的预测数据获得。根据d、e、f、g对应的植物生长重量和环境参数,重新获得初始变量。然后根据新的初始变量和h时间点对应的环境参数,获得目标时间点h对应的植物生长重量的预测数据。
表1
本实施例中,可采用递归的方式预测多个时间点的植物生长重量,从而每个时间点对应的植物生长重量的预测数据,都与之前时间点的植物生长重量、环境参数相关,预测得到的植物生长重量准确性更高。
在一种实施方式中,环境参数包括:植物生长环境中的温度、植物生长环境中的湿度、植物生长基的PH(Hydrogen ion concentration,氢离子浓度指数)值、植物生长基的可溶盐浓度(The value of Electrical Conductivity,EC值)、植物生长环境中的目标气体浓度和植物生长环境中的光照强度中的至少一个。目标气体比如可以是CO2等,也可以是影响植物生长重量的其它气体。
本实施例中,植物生长基,可以是土壤、人造生长基、人造生长液、水等。植物生长基中可溶盐浓度,可以是特定成分的可溶盐浓度,例如,可溶钠盐浓度、可溶钾盐浓度、可溶磷化合物浓度、可溶氮化合物浓度等。
环境参数还可以包括植物生长环境中特定成分的气体、悬浮液的浓度。
本实施例中,环境参数均与植物生长重量有着密切的关系,对植物生长重量起到重要的影响,采用环境数据作为植物生长重量预测模型的输入数据,能够获得更为准确的植物生长重量的预测数据。
在一种实施方式中,预测数据为植物生长重量在连续取值区间中的取值对应的概率。
连续取值区间,可以是开区间、闭区间或者半开半闭区间。比如,[0,+∞)、[-∞,+∞]、[1,2],或者其它端点为实数或者虚数的区间。比如,在连续取值区间为[-∞,+∞]的情况下,植物生长重量的取值3的概率为0.2;植物生长重量取值为3.1的概率为0.2;植物生长重量在[-∞,0)的区间内取值的概率可以为0。
连续取值区间可以结合植物品种、取值的重量单位进行确定。
在具体示例中,可选择概率最大的生长重量取值,作为植物生长重量的最终预测值。
本实施例中,预测数据为连续取值区间无穷多个数值对应的概率,由于在植物生长过程中,在使用植物生长重量预测模型进行植物生长重量的预测时,可能有其它因素没有被考虑到,因此,输出重量值对应的概率,可以后续经过人工计算或者经过人工设计的公式进行计算,获得更为准确的植物生长重量的预测值。
在其它实施例中,预测数据还可以为有限个取值对应的概率。
在一种实施方式中,将初始状态和第一时间点的环境参数、第一时间点的上一时间点的植物生长重量作为第二输入量,输入重量预测模型的预测层,获得第一时间点的植物生长重量的预测数据,包括:
根据初始状态、第一时间点的环境参数、第一时间点的上一时间点的植物生长重量,获得第一时间点的状态;
根据第一时间点状态,通过预测层计算第一时间点的植物生长重量的最大似然函数的参数,最大似然函数的变量为植物生长重量在连续取值空间中的取值和所述最大似然函数的参数;
将参数代入最大似然函数,获得植物生长重量在连续取值空间内的取值所对应的概率。
上述步骤均可采用重量预测模型执行。
本实施例中,最大似然函数可以是统计学中最大似然估计的概率密度函数。
本实施例中,在进行植物生长重量预测时,考虑了当前时间的植物生长重量与历史时间点的植物生长重量的关系,也考虑了植物的生长环境中影响植物生长重量的各种环境参数,从而能够获得更为准确的植物生长重量的预测数据。
本申请实施例还提供一种模型训练方法,如图3所示,包括:
步骤S31:将第一样本时间点之前的时间序列对应的环境参数和植物生长重量,作为输入量输入待训练重量预测模型的输入层,获得样本初始状态;
步骤S32:将样本初始状态、第一样本时间点的上一时间点的植物生长重量和第一样本时间点的环境参数作为输入量,输入待训练重量预测模型的预测层,获得第一样本时间点的植物生长重量的样本预测数据;
步骤S33:根据样本预测数据和第一样本时间点的植物的真实重量,训练待训练重量预测模型,得到重量预测模型。
样本预测数据,可以是待训练重量预测模型根据输入数据获得的第一样本时间点的植物生长重量的取值所对应的概率。
本实施例中,采用样本时间序列对应的环境参参数和植物生长重量,以及第一样本时间点的环境参数、第一样本时间点的植物的真实重量,训练待训练植物重量预测模型,从而在训练过程中,模型能够学习到环境参数和植物的历史重量,对植物当前重量的影响,最后优化得到的重量预测模型能够输出更为准确的植物生长重量的预测数据。
在一种实施方式中,根据样本预测数据和第一样本时间点的植物的真实重量,优化待训练重量预测模型,包括:
根据预测数据和真实重量,获得待训练重量预测模型的损失函数值;
根据损失函数值,训练待训练重量预测模型。
比如,在样本预测数据中,植物生长重量在第一样本时间点取值为7(kg)的概率最高,为0.5,但是植物在第一样本时间点的实际重量为3,则可判断当前模型预测效果欠佳,根据取值7对应的概率0.5、真实重量3,计算损失函数值,然后对待训练重量预测模型进行优化。
本实施例中,采用预测数据和真实重量获得重量预测模型的损失函数值,能够对待训练重量预测模型进行优化,获得重量预测模型。
在本申请一种示例中,植物生长重量预测方法如图4所示,包括如下几个阶段:构建数据集41、模型训练42和模型预测43。
具体的,在构建数据集时:
首先从设定的时间序列中随机抽取多个时间点,获得这多个时间点对应的植物生长重量和环境参数,构成训练样本,每个训练样本都包含一对具有固定的预定义长度的相邻上下文(context_length)和预测窗口(prediction_length)。其中,context_length参数控制网络过去可以看到多远,即用于预测第一时间点的植物生长重量的时间序列的时间总长度。prediction_length参数控制未来预测的可预测范围,即能够预测到的最大时间范围。对于每一个样本来说,将生长时间作为索引值,生长环境参数为连续型特征,生长重量作为目标值,构建模型的训练数据集41。
在模型训练时:
参照图5所示,在训练阶段,对于context_length长度的训练样本i中的每一个时间点t,递归神经网络(重量预测模型)的输入包括当前时间点的环境参数特征(环境参数)xi,t(温度、湿度、ph值、EC值、CO2浓度和光照强度等),上一个时间点的农作物生长重量zi,t-1和上一个时间点的状态hi,t-1,然后对当前的状态hi,t进行计算hi,t=h(hi,t-1,zi,t-1,xi,t)。其中,h表示状态的计算函数,下标中的i表示预测样本,下标中的t表示时间点,下标中的“-2”、“-1”表示t时间点的上一时间点、上上一个时间点,z表示植物生长重量。
根据每个时间点的状态计算该时间点的最大似然函数l(z|θ)的参数,其中,l表示最大似然函数,θ表示最大似然函数的参数。将植物生长重量作为最大似然函数的变量,最大似然函数值为植物生长重量为具体的取值所对应的的概率。最后将输出的植物生长重量的预测数据与植物实际重量相比较,获得损失值,根据损失值优化递归神经网络,使得递归神经网络能够学习如何计算准确的最大似然函数的参数。
在模型预测阶段:
参照图6所示,在模型预测阶段,当需要预测样本i在t-(t+predict_length)范围内的农作物生长重量时,首先将时间点t之前的环境参数和植物生长重量输入递归神经网络,获得初始状态hi,t-1。其中,表示重量估计值。
获得初始状态后,将当前需要预测植物生长重量的时间点(当前时间点)的环境参数特征xi,t,上一个时间点的农作物的重量zi,t-1和上一个时间点的状态hi,t-1输入到递归神经网络中,计算出当前时间点的植物生长重量zi,t的概率分布。之后重复这个过程,就可以预测后续predict_length长度的植物生长重量的概率分布,实现对多个未来时间点的植物生长重量的预测。
本申请实施例还提供一种植物生长重量预测装置,如图7所示,包括:
初始状态模块71,用于将第一时间点之前的时间序列对应的环境参数和植物生长重量,作为第一输入量,输入重量预测模型的输入层,获得初始状态;
预测模块72,用于将初始状态和第一时间点的环境参数、第一时间点的上一时间点的植物生长重量作为第二输入量,输入重量预测模型的预测层,获得第一时间点的植物生长重量的预测数据。
在一种实施方式中,时间序列包括多个时间点,多个时间点为等间隔的时间点,时间序列中最后一个时间点与第一时间点相邻。
在一种实施方式中,植物生长重量预测装置还包括:
循环模块,用于将第一时间点的下一时间点作为第一时间点,重复执行将第一输入量输入输入层得初始状态以及将第二输入量输入预测层获得预测数据的步骤。
在一种实施方式中,环境参数包括:植物生长环境中的温度、植物生长环境中的湿度、植物生长基的PH值、植物生长基的可溶盐浓度、植物生长环境中的目标气体浓度和植物生长环境中的光照强度中的至少一个。
在一种实施方式中,预测数据为植物生长重量在连续取值区间中每个重量值对应的概率。
在一种实施方式中,如图8所示,预测模块包括:
状态单元81,用于根据初始状态、第一时间点的环境参数、第一时间点的上一时间点的植物生长重量,获得第一时间点的状态;
似然函数单元82,用于根据第一时间点状态,通过预测层计算第一时间点的植物生长重量的最大似然函数的参数,最大似然函数的变量为植物生长重量在连续取值空间中的取值;
概率单元83,用于根据参数,植物生长重量在连续取值空间内的取值所对应的概率。
本申请实施例还提供一种模型训练装置,如图9所示,包括:
样本状态模块91,用于将第一样本时间点之前的时间序列对应的环境参数和植物生长重量,作为输入量输入待训练重量预测模型的输入层,获得样本初始状态;
样本预测数据模块92,用于将样本初始状态、第一样本时间点的上一时间点的植物生长重量和第一样本时间点的环境参数作为输入量,输入待训练重量预测模型的预测层,获得第一样本时间点的植物生长重量的样本预测数据;
训练模块93,用于根据样本预测数据和第一样本时间点的植物的真实重量,训练待训练重量预测模型,得到重量预测模型。
在一种实施方式中,如图10所示,训练模块包括:
损失值获得单元101,用于根据预测数据和真实重量,获得待训练重量预测模型的损失函数值;
损失值处理单元102,用于根据损失函数值,训练待训练重量预测模型。
根据本申请的实施例,本申请还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
如图11所示,是根据本申请实施例的植物生长重量预测方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本申请的实现。
如图11所示,该电子设备包括:一个或多个处理器1101、存储器1102,以及用于连接各部件的接口,包括高速接口和低速接口。各个部件利用不同的总线互相连接,并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理,包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如,耦合至接口的显示设备)上显示GUI的图形信息的指令。在其它实施方式中,若需要,可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样,可以连接多个电子设备,各个设备提供部分必要的操作(例如,作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图11中以一个处理器1101为例。
存储器1102即为本申请所提供的非瞬时计算机可读存储介质。其中,存储器存储有可由至少一个处理器执行的指令,以使至少一个处理器执行本申请所提供的植物生长重量预测方法。本申请的非瞬时计算机可读存储介质存储计算机指令,该计算机指令用于使计算机执行本申请所提供的植物生长重量预测方法。
存储器1102作为一种非瞬时计算机可读存储介质,可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块,如本申请实施例中的植物生长重量预测方法对应的程序指令/模块(例如,附图7所示的初始状态模块71和预测模块72)。处理器1101通过运行存储在存储器1102中的非瞬时软件程序、指令以及模块,从而执行服务器的各种功能应用以及数据处理,即实现上述方法实施例中的植物生长重量预测方法。
存储器1102可以包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需要的应用程序;存储数据区可存储根据植物生长重量预测电子设备的使用所创建的数据等。此外,存储器1102可以包括高速随机存取存储器,还可以包括非瞬时存储器,例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中,存储器1102可选包括相对于处理器1101远程设置的存储器,这些远程存储器可以通过网络连接至植物生长重量预测电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
植物生长重量预测方法的电子设备还可以包括:输入装置1103和输出装置1104。处理器1101、存储器1102、输入装置1103和输出装置1104可以通过总线或者其他方式连接,图11中以通过总线连接为例。
输入装置1103可接收输入的数字或字符信息,以及产生与植物生长重量预测电子设备的用户设置以及功能控制有关的键信号输入,例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置1104可以包括显示设备、辅助照明装置(例如,LED)和触觉反馈装置(例如,振动电机)等。该显示设备可以包括但不限于,液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中,显示设备可以是触摸屏。
此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、专用ASIC(专用集成电路)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令,并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的,术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如,磁盘、光盘、存储器、可编程逻辑装置(PLD)),包括,接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入、或者触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决传统物理主机与虚拟专用服务器(VPS)服务中,存在的管理难度大,业务扩展性弱的缺陷。服务器也可以为分布式系统的服务器,或者是结合了区块链的服务器。
根据本申请实施例的技术方案,提出了一种基于深度学习的时间序列农作物生长重量的预测方法,本申请的输入数据为包含植物(农作物)生长时间、生长环境参数和植物生长重量的时间序列,使用递归神经网络并结合自回归对输入的时间序列数据进行训练,输出对未来植物生长重量的预测结果。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本申请公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本申请保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等,均应包含在本申请保护范围之内。
Claims (13)
1.一种植物生长重量预测方法,包括:
将第一时间点之前的时间序列对应的环境参数和植物生长重量,作为第一输入量,输入重量预测模型的输入层,获得初始状态;所述时间序列包括多个时间点,所述多个时间点为等间隔的时间点,所述时间序列中最后一个时间点与所述第一时间点之间的间隔,与所述多个时间点中相邻时间点之间的间隔相等;
将所述初始状态和所述第一时间点的环境参数、第一时间点的上一时间点的植物生长重量作为第二输入量,输入所述重量预测模型的预测层,获得所述第一时间点的植物生长重量的预测数据;
所述将所述初始状态和所述第一时间点的环境参数、第一时间点的上一时间点的植物生长重量作为第二输入量,输入所述重量预测模型的预测层,获得所述第一时间点的植物生长重量的预测数据,包括:
根据所述初始状态、所述第一时间点的环境参数、所述第一时间点的上一时间点的植物生长重量,获得第一时间点的状态;
根据所述第一时间点状态,通过所述预测层计算第一时间点的植物生长重量的最大似然函数的参数,所述最大似然函数的变量为所述植物生长重量在连续取值空间中的取值和所述最大似然函数的参数;
将所述参数代入所述最大似然函数,获得所述预测数据,所述预测数据为植物生长重量在连续取值空间内的取值所对应的概率。
2.根据权利要求1所述的方法,其中,还包括:
将所述第一时间点的下一时间点作为第一时间点,重复执行所述将第一输入量输入输入层获得初始状态以及将第二输入量输入预测层获得所述预测数据的步骤。
3.根据权利要求1所述的方法,其中,所述环境参数包括:植物生长环境中的温度、植物生长环境中的湿度、植物生长基的PH值、植物生长基的可溶盐浓度、植物生长环境中的目标气体浓度和植物生长环境中的光照强度中的至少一个。
4.一种模型训练方法,包括:
将第一样本时间点之前的时间序列对应的环境参数和植物生长重量,作为输入量输入待训练重量预测模型的输入层,获得样本初始状态;所述时间序列包括多个时间点,所述多个时间点为等间隔的时间点,所述时间序列中最后一个时间点与所述第一样本时间点之间的间隔,与所述多个时间点中相邻时间点之间的间隔相等;
将所述样本初始状态、所述第一样本时间点的上一时间点的植物生长重量和第一样本时间点的环境参数作为输入量,输入所述待训练重量预测模型的预测层,获得所述第一样本时间点的植物生长重量的样本预测数据;
根据所述样本预测数据和所述第一样本时间点的植物的真实重量,训练所述待训练重量预测模型,得到重量预测模型;
所述将所述样本初始状态、所述第一样本时间点的上一时间点的植物生长重量和第一样本时间点的环境参数作为输入量,输入所述待训练重量预测模型的预测层,获得所述第一样本时间点的植物生长重量的样本预测数据,包括:
根据所述样本初始状态、所述第一样本时间点的环境参数、所述第一样本时间点的上一时间点的植物生长重量,获得第一样本时间点的状态;
根据所述第一样本时间点状态,通过所述预测层计算第一样本时间点的植物生长重量的最大似然函数的参数,所述最大似然函数的变量为所述植物生长重量在连续取值空间中的取值和所述最大似然函数的参数;
将所述参数代入所述最大似然函数,获得所述样本预测数据,所述样本预测数据为植物生长重量在连续取值空间内的取值所对应的概率。
5.根据权利要求4所述的方法,其中,所述根据所述样本预测数据和所述第一样本时间点的植物的真实重量,训练所述待训练重量预测模型,包括:
根据所述预测数据和所述真实重量,获得所述待训练重量预测模型的损失函数值;
根据所述损失函数值,训练所述待训练重量预测模型。
6.一种植物生长重量预测装置,包括:
初始状态模块,用于将第一时间点之前的时间序列对应的环境参数和植物生长重量,作为第一输入量,输入重量预测模型的输入层,获得初始状态;所述时间序列包括多个时间点,所述多个时间点为等间隔的时间点,所述时间序列中最后一个时间点与所述第一时间点之间的间隔,与所述多个时间点中相邻时间点之间的间隔相等;
预测模块,用于将所述初始状态和所述第一时间点的环境参数、第一时间点的上一时间点的植物生长重量作为第二输入量,输入所述重量预测模型的预测层,获得所述第一时间点的植物生长重量的预测数据;
所述预测模块包括:
状态单元,用于根据所述初始状态、所述第一时间点的环境参数、所述第一时间点的上一时间点的植物生长重量,获得第一时间点的状态;
似然函数单元,用于根据所述第一时间点状态,通过所述预测层计算第一时间点的植物生长重量的最大似然函数的参数,所述最大似然函数的变量为所述植物生长重量在连续取值空间中的取值和所述最大似然函数的参数;
概率单元,用于将所述参数代入所述最大似然函数,获得所述预测数据,所述预测数据为植物生长重量在连续取值空间内的取值所对应的概率。
7.根据权利要求6所述的装置,其中,还包括:
循环模块,用于将所述第一时间点的下一时间点作为第一时间点,重复执行所述将第一输入量输入输入层获得初始状态以及将第二输入量输入预测层获得所述预测数据的步骤。
8.根据权利要求6所述的装置,其中,所述环境参数包括:植物生长环境中的温度、植物生长环境中的湿度、植物生长基的PH值、植物生长基的可溶盐浓度、植物生长环境中的目标气体浓度和植物生长环境中的光照强度中的至少一个。
9.一种模型训练装置,包括:
样本状态模块,用于将第一样本时间点之前的时间序列对应的环境参数和植物生长重量,作为输入量输入待训练重量预测模型的输入层,获得样本初始状态;所述时间序列包括多个时间点,所述多个时间点为等间隔的时间点,所述时间序列中最后一个时间点与所述第一样本时间点之间的间隔,与所述多个时间点中相邻时间点之间的间隔相等;
样本预测数据模块,用于将所述样本初始状态、所述第一样本时间点的上一时间点的植物生长重量和第一样本时间点的环境参数作为输入量,输入所述待训练重量预测模型的预测层,获得所述第一样本时间点的植物生长重量的样本预测数据;
训练模块,用于根据所述样本预测数据和所述第一样本时间点的植物的真实重量,训练所述待训练重量预测模型,得到重量预测模型;
所述样本预测数据模块,包括:
状态单元,用于根据所述样本初始状态、所述第一样本时间点的环境参数、所述第一样本时间点的上一时间点的植物生长重量,获得第一样本时间点的状态;
似然函数单元,用于根据所述第一样本时间点状态,通过所述预测层计算第一样本时间点的植物生长重量的最大似然函数的参数,所述最大似然函数的变量为所述植物生长重量在连续取值空间中的取值和所述最大似然函数的参数;
概率单元,用于将所述参数代入所述最大似然函数,获得所述样本预测数据,所述样本预测数据为植物生长重量在连续取值空间内的取值所对应的概率。
10.根据权利要求9所述的装置,其中,所述训练模块包括:
损失值获得单元,用于根据所述预测数据和所述真实重量,获得所述待训练重量预测模型的损失函数值;
损失值处理单元,用于根据所述损失函数值,训练所述待训练重量预测模型。
11.一种电子设备,其特征在于,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-5中任一项所述的方法。
12.一种存储有计算机指令的非瞬时计算机可读存储介质,其特征在于,所述计算机指令用于使所述计算机执行权利要求1-5中任一项所述的方法。
13.一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现根据权利要求1-5中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011065781.4A CN112200360B (zh) | 2020-09-30 | 2020-09-30 | 植物生长重量预测方法、模型训练方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011065781.4A CN112200360B (zh) | 2020-09-30 | 2020-09-30 | 植物生长重量预测方法、模型训练方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112200360A CN112200360A (zh) | 2021-01-08 |
CN112200360B true CN112200360B (zh) | 2024-05-07 |
Family
ID=74012892
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011065781.4A Active CN112200360B (zh) | 2020-09-30 | 2020-09-30 | 植物生长重量预测方法、模型训练方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112200360B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114612549B (zh) * | 2022-01-14 | 2024-06-07 | 北京市农林科学院信息技术研究中心 | 出菇采摘最佳时机预测方法及装置 |
CN114543279A (zh) * | 2022-01-21 | 2022-05-27 | 青岛海尔空调器有限总公司 | 基于穿衣指数的空调的提示方法、装置和智能空调 |
JP7523841B2 (ja) | 2022-03-24 | 2024-07-29 | 国立研究開発法人農業・食品産業技術総合研究機構 | 農業支援プログラム、農業支援方法及び農業支援装置 |
CN116579508B (zh) * | 2023-07-13 | 2023-10-13 | 海煜(福州)生物科技有限公司 | 一种鱼类预测方法、装置、设备及存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110390327A (zh) * | 2019-06-25 | 2019-10-29 | 北京百度网讯科技有限公司 | 前景提取方法、装置、计算机设备及存储介质 |
CN111311321A (zh) * | 2020-02-14 | 2020-06-19 | 北京百度网讯科技有限公司 | 用户消费行为预测模型训练方法、装置、设备及存储介质 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140288850A1 (en) * | 2011-10-30 | 2014-09-25 | Paskal Technologies Agriculture Cooperative LTD. | Self-learning of plant growth strategy in a greenhouse |
CN109214584B (zh) * | 2018-09-21 | 2022-02-08 | 北京百度网讯科技有限公司 | 用于预测客流量的方法和装置 |
-
2020
- 2020-09-30 CN CN202011065781.4A patent/CN112200360B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110390327A (zh) * | 2019-06-25 | 2019-10-29 | 北京百度网讯科技有限公司 | 前景提取方法、装置、计算机设备及存储介质 |
CN111311321A (zh) * | 2020-02-14 | 2020-06-19 | 北京百度网讯科技有限公司 | 用户消费行为预测模型训练方法、装置、设备及存储介质 |
Non-Patent Citations (3)
Title |
---|
Junqi Zhu ; Gregory A. Gambetta.et al.Growing grapes on a virtual plant.IEEE.2019,全文. * |
农产品物流需求分析与预测;王旭然;姚新胜;魏建光;樊沙沙;;安徽农业科学;20090501(第13期);全文 * |
基于长短期记忆网络的冬小麦连续时序叶面积指数预测;龙泽昊;秦其明;张添源;许伟;;光谱学与光谱分析;20200315(第03期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112200360A (zh) | 2021-01-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112200360B (zh) | 植物生长重量预测方法、模型训练方法及装置 | |
CN111639710B (zh) | 图像识别模型训练方法、装置、设备以及存储介质 | |
CN109214579B (zh) | 基于bp神经网络的盐碱地稳定性预测方法及系统 | |
CN113407755A (zh) | 植物生长状况信息获取方法、装置及电子设备 | |
Suyatno et al. | Rainfall forecasting in Bandung regency using C4. 5 algorithm | |
Hassan et al. | Advances in deep learning algorithms for agricultural monitoring and management | |
Hariri et al. | Tipburn disorder detection in strawberry leaves using convolutional neural networks and particle swarm optimization | |
CN117575094A (zh) | 一种基于数字孪生的农作物产量预测与优化方法及设备 | |
Horelu et al. | Forecasting techniques for time series from sensor data | |
US11557372B2 (en) | Prediction device, gene estimation device, prediction method, and non-transitory recording medium | |
Wang et al. | Inference-based posteriori parameter distribution optimization | |
CN113255999B (zh) | 基于多模型的农作物产量评估方法、装置、设备及介质 | |
Viswambari et al. | Data mining techniques to predict weather: a survey | |
Davoudabadi et al. | Advanced Bayesian approaches for state-space models with a case study on soil carbon sequestration | |
CN109685676A (zh) | 智能水肥管理方法和系统 | |
CN116544931A (zh) | 基于集成片段变换和时间卷积网络的电力负荷分布预测方法 | |
CN116523149A (zh) | 微小害虫防治适期预测方法、装置、电子设备和存储介质 | |
CN112686159B (zh) | 过敏植物分布统计方法以及装置 | |
Nguyen et al. | Calibration of conductivity sensor using combined algorithm selection and hyperparameter optimization: A case study | |
Baker et al. | Improved weather-based late blight risk management: comparing models with a ten year forecast archive | |
CN110866607B (zh) | 一种基于机器学习的渗透行为预测算法 | |
Aderhold et al. | Reconstructing ecological networks with hierarchical Bayesian regression and Mondrian processes | |
Priyani et al. | Smart Agriculture system Using Machine Learning | |
Babar et al. | A Deep learning-based rainfall prediction for flood management | |
CN106295150B (zh) | 一种基因调控网络的优化控制方法 |
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 |