CN112418498B - 用于智能温室的温度预测方法及系统 - Google Patents
用于智能温室的温度预测方法及系统 Download PDFInfo
- Publication number
- CN112418498B CN112418498B CN202011265440.1A CN202011265440A CN112418498B CN 112418498 B CN112418498 B CN 112418498B CN 202011265440 A CN202011265440 A CN 202011265440A CN 112418498 B CN112418498 B CN 112418498B
- Authority
- CN
- China
- Prior art keywords
- temperature
- sample
- greenhouse
- data
- 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
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000010801 machine learning Methods 0.000 claims abstract description 44
- 238000012549 training Methods 0.000 claims abstract description 42
- 230000006870 function Effects 0.000 claims description 27
- 238000012360 testing method Methods 0.000 claims description 22
- 238000004590 computer program Methods 0.000 claims description 10
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 claims description 8
- 238000013528 artificial neural network Methods 0.000 claims description 5
- 238000005286 illumination Methods 0.000 claims description 5
- 229910002092 carbon dioxide Inorganic materials 0.000 claims description 4
- 239000001569 carbon dioxide Substances 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 4
- 238000003973 irrigation Methods 0.000 claims description 3
- 230000002262 irrigation Effects 0.000 claims description 3
- 239000007921 spray Substances 0.000 claims description 3
- 239000013589 supplement Substances 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 25
- 238000002474 experimental method Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- MHSVUSZEHNVFKW-UHFFFAOYSA-N bis-4-nitrophenyl phosphate Chemical compound C=1C=C([N+]([O-])=O)C=CC=1OP(=O)(O)OC1=CC=C([N+]([O-])=O)C=C1 MHSVUSZEHNVFKW-UHFFFAOYSA-N 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000003337 fertilizer Substances 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 239000011159 matrix material Substances 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
- 238000005457 optimization Methods 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 235000013311 vegetables Nutrition 0.000 description 1
Abstract
本发明提供一种用于智能温室的温度预测方法及系统,该方法包括:获取智能温室的温室环境数据;将所述温室环境数据输入到训练好的温室温度预测模型中,得到所述智能温室在预设时刻的预测温度,其中,所述训练好的温室温度预测模型是通过样本温室环境数据,对机器学习模型进行训练得到的。本发明通过温室温度预测模型,对温室传感器采集到的大量温室数据进行处理和分析,提高了智能温室的温度预测准确性,扩大了温度预测范围,从而减少了因温度预测不准导致的作物损失。
Description
技术领域
本发明涉及温室环境智能监控技术领域,尤其涉及一种用于智能温室的温度预测方法及系统。
背景技术
智能温室拥有综合环境控制系统,利用该系统可以直接调节室内温、光、水、肥和气等诸多因素,近几年随着蔬菜大棚建设的快速发展,智能温室为农业发展带来了推动力。
在智能温室的环境调控中,温度的预测尤为关键,需要预测智能温室在未来时段的温度变化情况,从而对温室内的温度进行准确调控。目前针对智能温室的温度预测方法,主要是结合历史温度变化趋势,靠人的经验预判实现的,以至于预测准确性比较低;而智能温室的实时报警对调控温室来说太晚,可准确预测范围小,无法及时精准调控温室。
因此,现在亟需一种用于智能温室的温度预测方法及系统来解决上述问题。
发明内容
针对现有技术存在的问题,本发明提供一种用于智能温室的温度预测方法及系统。
本发明提供一种用于智能温室的温度预测方法,包括:
获取智能温室的温室环境数据;
将所述温室环境数据输入到训练好的温室温度预测模型中,得到所述智能温室在预设时刻的预测温度,其中,所述训练好的温室温度预测模型是通过样本温室环境数据,对机器学习模型进行训练得到的。
根据本发明提供的一种用于智能温室的温度预测方法,所述训练好的温室温度预测模型通过以下步骤训练得到:
根据样本温室环境数据,构建样本数据集,所述样本温室环境数据包括环境数据采集时刻、温度数据、湿度数据、气压数据、风向数据、风速数据、雨量数据、光照数据和二氧化碳数据;
将所述样本数据集分为样本训练集和样本测试集,并将所述样本训练集输入到机器学习模型进行预训练,得到预训练的机器学习模型;
通过所述样本测试集,对所述预训练的机器学习模型进行测试,并根据测试结果对所述预训练的机器学习模型进行调整,得到训练好的温室温度预测模型。
根据本发明提供的一种用于智能温室的温度预测方法,所述将所述样本训练集输入到机器学习模型进行预训练,得到预训练的机器学习模型,包括:
将所述样本训练集中的样本数据输入到所述机器学习模型中,输出所述样本数据对应的样本预测温度数据;
利用改进的损失函数,根据所述样本预测温度数据和样本实际温度数据,计算损失值,若所述损失值满足预设阈值,则所述机器学习模型训练完成。
根据本发明提供的一种用于智能温室的温度预测方法,所述改进的损失函数为:
其中,f(x)表示样本实际温度为高温时的极端温度重要因子,g(x)表示样本实际温度为低温时的极端温度重要因子,a表示极端温度重要因子,whigh表示样本实际温度为高温时的权重,wlow表示样本实际温度为低温时的权重,yhigh-pred表示样本实际温度为高温时的预测温度,yhigh-true表示样本实际温度为高温时的真实温度,ylow-pred表示样本实际温度为低温时的预测温度,ylow-true表示样本实际温度为低温时的真实温度,ynormal-pred表示样本实际温度为常温时的预测温度,ynormal-true表示样本实际温度为常温时的真实温度。
根据本发明提供的一种用于智能温室的温度预测方法,所述机器学习模型包括:误差反向传播神经网络、梯度下降树模型、弹性网络回归模型和LightGBM模型。
根据本发明提供的一种用于智能温室的温度预测方法,在所述将所述样本数据集分为样本训练集和样本测试集之前,所述方法还包括:
通过StandardScaler,对所述样本数据集中的数据进行缩放处理,以根据缩放处理后的样本数据集对机器学习模型进行训练。
根据本发明提供的一种用于智能温室的温度预测方法,所述样本温室环境数据还包括:加压泵数据、遮阳网数据、通风机数据、喷水数据、滴灌数据和补光灯数据。
本发明还提供一种用于智能温室的温度预测系统,包括:
温室环境数据获取模块,用于获取智能温室的温室环境数据;
温度预测模块,用于将所述温室环境数据输入到训练好的温室温度预测模型中,得到所述智能温室在预设时刻的预测温度,其中,所述训练好的温室温度预测模型是通过样本温室环境数据,对机器学习模型进行训练得到的。
本发明还提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述任一种所述用于智能温室的温度预测方法的步骤。
本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如上述任一种所述用于智能温室的温度预测方法的步骤。
本发明提供的用于智能温室的温度预测方法及系统,通过温室温度预测模型,对温室传感器采集到的大量温室数据进行处理和分析,提高了智能温室的温度预测准确性,扩大了温度预测范围,从而减少了因温度预测不准导致的作物损失。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明提供的用于智能温室的温度预测方法的流程示意图;
图2为本发明提供的基于BPNN模型的温度预测偏差柱状示意图;
图3为本发明提供的基于BPNN模型的预测温度和真实温度的偏差示意图;
图4为本发明提供的基于LightGBM模型的温度预测偏差柱状示意图;
图5为本发明提供的基于LightGBM模型的预测温度和真实温度的偏差示意图;
图6为本发明提供的基于GBDT模型的温度预测偏差柱状示意图;
图7为本发明提供的基于GBDT模型的预测温度和真实温度的偏差示意图;
图8为本发明提供的基于ElasticNet模型的温度预测偏差柱状示意图;
图9为本发明提供的基于ElasticNet模型的预测温度和真实温度的偏差示意图;
图10为本发明提供的高温情况下采用传统损失函数的预测偏差示意图;
图11为本发明提供的高温情况下采用改进损失函数的预测偏差示意图;
图12为本发明提供的低温情况下采用传统损失函数的预测偏差示意图;
图13为本发明提供的低温情况下采用改进损失函数的预测偏差示意图;
图14为本发明提供的用于智能温室的温度预测系统的结构示意图;
图15是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明中的附图,对本发明中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明对农业智能温室实现了准确温度预测,通过对温室传感器采集到的大量温室数据的处理和分析,使用多种算法对温室温度进行回归,并使用多个评估标准对模型进行评价以及优化温室温度预测模型,并针对农业中会造成大量经济损失的极端温度情形设计了单独的预测方法,实现了对极端温度的准确预测,可以减少作物损失,使得常态天气变化和极端天气下的温度预测,都能使得作物损失最小,可以为专家系统提供高质量的必要数据支持,从而推动智慧农业的发展。
图1为本发明提供的用于智能温室的温度预测方法的流程示意图,如图1所示,本发明提供了一种用于智能温室的温度预测方法,包括:
步骤101,获取智能温室的温室环境数据。
首先,通过温室传感器,获取待进行温度预测的智能温室的温室环境数据,这些数据为该智能温室中的环境相关参数,例如,采集参数时的时间、温度、湿度、气压、风向、风速、雨量、光照和二氧化碳浓度等,其中,每一个温室环境数据按照数据采集时间进行排序。
步骤102,将所述温室环境数据输入到训练好的温室温度预测模型中,得到所述智能温室在预设时刻的预测温度,其中,所述训练好的温室温度预测模型是通过样本温室环境数据,对机器学习模型进行训练得到的。
具体地,将采集到的温室环境数据输入到训练好的温室温度预测模型中,从而输出得到预设时刻后的预测温度,例如,对智能温室进行1h预测和4h预测,以根据预测温度,提前制定智能温室的温度提案计划。需要说明的是,在本发明中,可根据预测需求,对预测时长进行设置,从而对智能温室各时段内的温度进行预测。
本发明提供的用于智能温室的温度预测方法,通过温室温度预测模型,对温室传感器采集到的大量温室数据进行处理和分析,提高了智能温室的温度预测准确性,扩大了温度预测范围,从而减少了因温度预测不准导致的作物损失。
进一步地,所述训练好的温室温度预测模型通过以下步骤训练得到:
根据样本温室环境数据,构建样本数据集,所述样本温室环境数据包括环境数据采集时刻、温度数据、湿度数据、气压数据、风向数据、风速数据、雨量数据、光照数据和二氧化碳数据。
由于不同纬度下所受太阳光照不均等,为了提高待训练模型的泛用性,收集来自各纬度温室的温室信息。具体地,收集并使用来自东北、重庆、涿州和曲州等不同纬度的温室环境数据对机器学习模型进行训练,让模型能够适用于各地的智能温室。优选地,可通过网络爬虫程序,获取各地的温室环境数据,从而通过这些数据对模型进行训练。
将所述样本数据集分为样本训练集和样本测试集,并将所述样本训练集输入到机器学习模型进行预训练,得到预训练的机器学习模型;
通过所述样本测试集,对所述预训练的机器学习模型进行测试,并根据测试结果对所述预训练的机器学习模型进行调整,得到训练好的温室温度预测模型。
进一步地,所述机器学习模型包括:误差反向传播神经网络、梯度下降树模型、弹性网络回归模型和LightGBM模型。
在本发明中,待训练的机器学习模型可采用误差反向传播神经网络(BackPropagation Neural Network,简称BPNN)、梯度下降树模型(Gradient BoostingDecision Tree,简称GBDT)、弹性网络回归模型(ElasticNet)和LightGBM等任一种模型,从而训练得到温室温度预测模型。本发明对上述任一模型进行模型训练、模型评估和模型调优,得到的温室温度预测模型,对智能温室的温度进行了1h预测和4h预测,其中,1h和4h的预测实验中相关系数可达到0.99,1h预测实验的平均温度误差在0.45℃以内,4h预测实验的平均温度误差在0.22℃以内。以BPNN模型的1h预测进行具体说明,采用两种数据集划分方式对该模型调优,其中,数据集划分形式如下:以每月第20天作为分界进行数据集划分,将每月前20天的数据作训练集,将每月后10天的数据作测试集。通过测试得到BPNN模型的预测精度:决定系数R2为0.99362(R2=1-SSres/SStot,其中SSres=∑i(yi-fi)2为残差平方和,为总平方和,式中yi为数据的观察值,fi为模型的预测值,/>为观察值的算数平均值),均方误差(Mean Square Error,简称MSE)为0.44711,测试损失(Testloss)为0.39684。图2为本发明提供的基于BPNN模型的温度预测偏差柱状示意图,图3为本发明提供的基于BPNN模型的预测温度和真实温度的偏差示意图,通过BNPP模型对智能温室的1h之后的温度进行预测的效果,可参考图2和图3所示,该模型所预测的温度的偏差主要分布在1摄氏度以内。
进一步地,以LightGBM模型的4h预测进行具体说明,同样采用上述的训练集和测试集的划分,对模型进行训练和调优,通过测试得到LightGBM模型的预测精度:决定系数(R2)为0.99861,MSE为0.21265,Test loss为0.0833。图4为本发明提供的基于LightGBM模型的温度预测偏差柱状示意图,图5为本发明提供的基于LightGBM模型的预测温度和真实温度的偏差示意图,通过LightGBM模型对智能温室的4h之后的温度进行预测的效果,可参考图4和图5所示,该模型所预测4h后的温度的偏差主要分布在0.5摄氏度以内。进一步地,在本发明中还通过其他模型进行4h预测,图6为本发明提供的基于GBDT模型的温度预测偏差柱状示意图,图7为本发明提供的基于GBDT模型的预测温度和真实温度的偏差示意图,以GBDT模型的进行4h预测可参考图6和图7所示。图8为本发明提供的基于ElasticNet模型的温度预测偏差柱状示意图,图9为本发明提供的基于ElasticNet模型的预测温度和真实温度的偏差示意图,以ElasticNet模型的进行4h预测可参考图8和图9所示。
进一步地,所述将所述样本训练集输入到机器学习模型进行预训练,得到预训练的机器学习模型,包括:
将所述样本训练集中的样本数据输入到所述机器学习模型中,输出所述样本数据对应的样本预测温度数据;
利用改进的损失函数,根据所述样本预测温度数据和样本实际温度数据,计算损失值,若所述损失值满足预设阈值,则所述机器学习模型训练完成。
进一步地,所述改进的损失函数为:
其中,f(x)表示样本实际温度为高温时的极端温度重要因子,g(x)表示样本实际温度为低温时的极端温度重要因子,a表示极端温度重要因子,whigh表示样本实际温度为高温时的权重,wlow表示样本实际温度为低温时的权重,yhigh-pred表示样本实际温度为高温时的预测温度,yhigh-true表示样本实际温度为高温时的真实温度,ylow-pred表示样本实际温度为低温时的预测温度,ylow-true表示样本实际温度为低温时的真实温度,ynormal-pred表示样本实际温度为常温时的预测温度,ynormal-true表示样本实际温度为常温时的真实温度。
在本发明中,为了能够有效地处理极端温度情况,对模型的损失函数进行了改进。传统的损失函数如下:
Loss=∑(yhigh-pred-yhigh-true)2;
可以看出,传统的损失函数没有将不同温度的情况考虑在内,而是将所有的情况的重要程度默认为均等。在本发明中,考虑到极端温度的数据量占总数据量的比例较小,而极端温度的在预测中的重要程度又要高于普通温度情况,所以为高温和低温情况设置对应权重whigh和wlow,分别由总数据量与高温数据之比,以及总数据量与低温数据之比计算所得;又由于在高温情况下,预测温度高于实际温度带来的农业损失,比预测温度低于实际温度带来的损失要低,因此有必要根据预测温度与实际温度的大小关系,通过极端温度重要因子,赋予这些项不同的权重。需要说明的是,在本发明中,针对极端温室温度情况,当智能温室的温度大于等于30℃时,定义为高温;当智能温室的温度小于等于10℃时,定义为低温;当智能温室的温度小于30℃大于20℃时,定义为常温。通过改进损失函数,能够有效降低极端情况下预测不准,导致大规模经济损失的可能性。
进一步地,根据预测温度和样本实际温度的不同,划分为了四个部分,每个部分对应有不同的权重:
1、样本实际温度为高温,预测温度高于样本实际温度时,此时权重为whigh*(1-a);
2、样本实际温度为高温,预测温度低于样本实际温度时,此时权重为whigh*a;
3、样本实际温度为低温,预测温度高于样本实际温度时,此时权重为wlow*a;
4、样本实际温度为低温,预测温度低于样本实际温度时,此时权重为wlow*(1-a)。
经改进的损失函数定义如下:
其中,
a为极端情况重要因子,可通过实验选取多个a值进行对比分析。图10为本发明提供的高温情况下采用传统损失函数的预测偏差示意图,图11为本发明提供的高温情况下采用改进损失函数的预测偏差示意图,图12为本发明提供的低温情况下采用传统损失函数的预测偏差示意图,图13为本发明提供的低温情况下采用改进损失函数的预测偏差示意图,可参考图10至图13所示,采用改进损坏函数的预设温度和实际温度的偏差更小。
本发明单独设计极端温度预测算法的目的,是为了减少将极端高温预测为正常温度的情况(或将极端低温预测为正常温度),因此有必要将温度划分为高温、常温和低温三类,并使用分类的评估方法来评估和验证算法的有效性。具体地,选取了混淆矩阵、召回率和f1-score来评估三类情况的分类结果。召回率的计算公式为:
其中,TP表示真正例,FN表示假负例。
f1-score具体计算公式为:
根据分类结果的评估结果可知,采用传统损失函数的温度预测,对于低温、常温、高温的成功召回数量分别为612、6489、1080;采用改进损失函数的温度预测,对于低温、常温、高温的成功召回数量分别为681、6283、1142,可见对于高温、低温情况的预测情况有了有效的提升,能够有效的预测农业中的极端温度情况。
进一步地,在所述将所述样本数据集分为样本训练集和样本测试集之前,所述方法还包括:
通过StandardScaler,对所述样本数据集中的数据进行缩放处理,以根据缩放处理后的样本数据集对机器学习模型进行训练。
进一步地,所述样本温室环境数据还包括:加压泵数据、遮阳网数据、通风机数据、喷水数据、滴灌数据和补光灯数据。
在本发明中,首先,将爬取到的控制命令中缺失的部分用最近的一条控制命令的值进行填充;然后,为了减少波动,将每十分钟的数据做平均,其中,控制命令的平均表示了某个器件(例如加压泵、通风机等)在10分钟内持续的时间,如(0,0,0,0,1,1,1,1,1,1)平均后为0.6,即表示6分钟,其他数值特征平均后即为10分钟的均值;随后,使用StandardScaler对数据进行缩放处理,对缩放处理后的数据进行去重后,抽取20%的数据作为预测集,80%的数据作为训练集,从而用于后续的温室温度预测模型的训练。本发明通过在温室温度预测中引入了温室控制因素(如加压泵的状态、遮阳网的状态和通风机的状态等),丰富了数据的特征,以便模型的学习。
图14为本发明提供的用于智能温室的温度预测系统的结构示意图,如图14所示,本发明提供了一种用于智能温室的温度预测系统,包括温室环境数据获取模块1401和温度预测模块1402,其中,温室环境数据获取模块1401用于获取智能温室的温室环境数据;温度预测模块1402用于将所述温室环境数据输入到训练好的温室温度预测模型中,得到所述智能温室在预设时刻的预测温度,其中,所述训练好的温室温度预测模型是通过样本温室环境数据,对机器学习模型进行训练得到的。
本发明提供的用于智能温室的温度预测系统,通过温室温度预测模型,对温室传感器采集到的大量温室数据进行处理和分析,提高了智能温室的温度预测准确性,扩大了温度预测范围,从而减少了因温度预测不准导致的作物损失。
本发明实施例提供的系统是用于执行上述各方法实施例的,具体流程和详细内容请参照上述实施例,此处不再赘述。
图15示例了一种电子设备的实体结构示意图,如图15所示,该电子设备可以包括:处理器(processor)1501、通信接口(CommunicationsInterface)1502、存储器(memory)1503和通信总线1504,其中,处理器1501,通信接口1502,存储器1503通过通信总线1504完成相互间的通信。处理器1501可以调用存储器1503中的逻辑指令,以执行用于智能温室的温度预测方法,该方法包括:获取智能温室的温室环境数据;将所述温室环境数据输入到训练好的温室温度预测模型中,得到所述智能温室在预设时刻的预测温度,其中,所述训练好的温室温度预测模型是通过样本温室环境数据,对机器学习模型进行训练得到的。
此外,上述的存储器1503中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,RandomAccessMemory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面,本发明还提供一种计算机程序产品,所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,计算机能够执行上述各方法所提供的用于智能温室的温度预测方法,该方法包括:获取智能温室的温室环境数据;将所述温室环境数据输入到训练好的温室温度预测模型中,得到所述智能温室在预设时刻的预测温度,其中,所述训练好的温室温度预测模型是通过样本温室环境数据,对机器学习模型进行训练得到的。
又一方面,本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各方法提供的用于智能温室的温度预测方法,该方法包括:获取智能温室的温室环境数据;将所述温室环境数据输入到训练好的温室温度预测模型中,得到所述智能温室在预设时刻的预测温度,其中,所述训练好的温室温度预测模型是通过样本温室环境数据,对机器学习模型进行训练得到的。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (9)
1.一种用于智能温室的温度预测方法,其特征在于,包括:
获取智能温室的温室环境数据;
将所述温室环境数据输入到训练好的温室温度预测模型中,得到所述智能温室在预设时刻的预测温度,其中,所述训练好的温室温度预测模型是通过样本温室环境数据,对机器学习模型进行训练得到的,所述机器学习模型的损失函数为改进的损失函数,所述改进的损失函数为:
其中,f(x)表示样本实际温度为高温时的极端温度重要因子,g(x)表示样本实际温度为低温时的极端温度重要因子,a表示极端温度重要因子,whigh表示样本实际温度为高温时的权重,wlow表示样本实际温度为低温时的权重,yhigh-pred表示样本实际温度为高温时的预测温度,yhigh-true表示样本实际温度为高温时的真实温度,ylow-pred表示样本实际温度为低温时的预测温度,ylow-true表示样本实际温度为低温时的真实温度,ynormal-pred表示样本实际温度为常温时的预测温度,ynormal-true表示样本实际温度为常温时的真实温度。
2.根据权利要求1所述的用于智能温室的温度预测方法,其特征在于,所述训练好的温室温度预测模型通过以下步骤训练得到:
根据样本温室环境数据,构建样本数据集,所述样本温室环境数据包括环境数据采集时刻、温度数据、湿度数据、气压数据、风向数据、风速数据、雨量数据、光照数据和二氧化碳数据;
将所述样本数据集分为样本训练集和样本测试集,并将所述样本训练集输入到机器学习模型进行预训练,得到预训练的机器学习模型;
通过所述样本测试集,对所述预训练的机器学习模型进行测试,并根据测试结果对所述预训练的机器学习模型进行调整,得到训练好的温室温度预测模型。
3.根据权利要求2所述的用于智能温室的温度预测方法,其特征在于,所述将所述样本训练集输入到机器学习模型进行预训练,得到预训练的机器学习模型,包括:
将所述样本训练集中的样本数据输入到所述机器学习模型中,输出所述样本数据对应的样本预测温度数据;
利用改进的损失函数,根据所述样本预测温度数据和样本实际温度数据,计算损失值,若所述损失值满足预设阈值,则所述机器学习模型训练完成。
4.根据权利要求2所述的用于智能温室的温度预测方法,其特征在于,所述机器学习模型包括:误差反向传播神经网络、梯度下降树模型、弹性网络回归模型和LightGBM模型。
5.根据权利要求2所述的用于智能温室的温度预测方法,其特征在于,在所述将所述样本数据集分为样本训练集和样本测试集之前,所述方法还包括:
通过StandardScaler,对所述样本数据集中的数据进行缩放处理,以根据缩放处理后的样本数据集对机器学习模型进行训练。
6.根据权利要求2所述的用于智能温室的温度预测方法,其特征在于,所述样本温室环境数据还包括:加压泵数据、遮阳网数据、通风机数据、喷水数据、滴灌数据和补光灯数据。
7.一种用于智能温室的温度预测系统,其特征在于,包括:
温室环境数据获取模块,用于获取智能温室的温室环境数据;
温度预测模块,用于将所述温室环境数据输入到训练好的温室温度预测模型中,得到所述智能温室在预设时刻的预测温度,其中,所述训练好的温室温度预测模型是通过样本温室环境数据,对机器学习模型进行训练得到的,所述机器学习模型的损失函数为改进的损失函数,所述改进的损失函数为:
其中,f(x)表示样本实际温度为高温时的极端温度重要因子,g(x)表示样本实际温度为低温时的极端温度重要因子,a表示极端温度重要因子,whigh表示样本实际温度为高温时的权重,wlow表示样本实际温度为低温时的权重,yhigh-pred表示样本实际温度为高温时的预测温度,yhigh-true表示样本实际温度为高温时的真实温度,ylow-pred表示样本实际温度为低温时的预测温度,ylow-true表示样本实际温度为低温时的真实温度,ynormal-pred表示样本实际温度为常温时的预测温度,ynormal-true表示样本实际温度为常温时的真实温度。
8.一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至6任一项所述用于智能温室的温度预测方法的步骤。
9.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至6任一项所述用于智能温室的温度预测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011265440.1A CN112418498B (zh) | 2020-11-12 | 用于智能温室的温度预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011265440.1A CN112418498B (zh) | 2020-11-12 | 用于智能温室的温度预测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112418498A CN112418498A (zh) | 2021-02-26 |
CN112418498B true CN112418498B (zh) | 2024-06-04 |
Family
ID=
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104050361A (zh) * | 2014-06-04 | 2014-09-17 | 杭州华亭科技有限公司 | 一种监狱服刑人员危险性倾向的智能分析预警方法 |
CN107909149A (zh) * | 2017-10-26 | 2018-04-13 | 西北农林科技大学 | 一种基于遗传bp神经网络的日光温室温度预测方法 |
KR101935750B1 (ko) * | 2018-09-06 | 2019-01-04 | (주)이지팜 | 클라우드 컴퓨팅과 원격 센서를 이용한 스마트팜 제어기 |
CN109284863A (zh) * | 2018-09-04 | 2019-01-29 | 南京理工大学 | 一种基于深度神经网络的电力设备温度预测方法 |
CN110119767A (zh) * | 2019-04-19 | 2019-08-13 | 淮阴工学院 | 一种基于lvq神经网络的黄瓜温室温度智能化检测装置 |
RU2018109312A3 (zh) * | 2018-03-15 | 2019-09-17 | ||
CN111027686A (zh) * | 2019-12-26 | 2020-04-17 | 杭州鲁尔物联科技有限公司 | 一种滑坡位移的预测方法、装置及设备 |
KR102143118B1 (ko) * | 2019-06-13 | 2020-08-10 | 주식회사 포스코 | 온도 제어 장치 및 방법 |
CN111523710A (zh) * | 2020-04-10 | 2020-08-11 | 三峡大学 | 基于pso-lssvm在线学习的电力设备温度预测方法 |
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104050361A (zh) * | 2014-06-04 | 2014-09-17 | 杭州华亭科技有限公司 | 一种监狱服刑人员危险性倾向的智能分析预警方法 |
CN107909149A (zh) * | 2017-10-26 | 2018-04-13 | 西北农林科技大学 | 一种基于遗传bp神经网络的日光温室温度预测方法 |
RU2018109312A3 (zh) * | 2018-03-15 | 2019-09-17 | ||
CN109284863A (zh) * | 2018-09-04 | 2019-01-29 | 南京理工大学 | 一种基于深度神经网络的电力设备温度预测方法 |
KR101935750B1 (ko) * | 2018-09-06 | 2019-01-04 | (주)이지팜 | 클라우드 컴퓨팅과 원격 센서를 이용한 스마트팜 제어기 |
CN110119767A (zh) * | 2019-04-19 | 2019-08-13 | 淮阴工学院 | 一种基于lvq神经网络的黄瓜温室温度智能化检测装置 |
KR102143118B1 (ko) * | 2019-06-13 | 2020-08-10 | 주식회사 포스코 | 온도 제어 장치 및 방법 |
CN111027686A (zh) * | 2019-12-26 | 2020-04-17 | 杭州鲁尔物联科技有限公司 | 一种滑坡位移的预测方法、装置及设备 |
CN111523710A (zh) * | 2020-04-10 | 2020-08-11 | 三峡大学 | 基于pso-lssvm在线学习的电力设备温度预测方法 |
Non-Patent Citations (4)
Title |
---|
余朝刚 ; 王剑平 ; 应义斌 ; .基于径向基函数神经网络的温室室内温度预测模型.生物数学学报.2006,(第04期),第71-75页. * |
基于复数神经网络的智能温室温度预测研究;徐宇;冀荣华;;中国农机化学报(第04期);全文 * |
基于径向基函数神经网络的温室室内温度预测模型;余朝刚;王剑平;应义斌;;生物数学学报(第04期);第71-75页 * |
徐宇 ; 冀荣华 ; .基于复数神经网络的智能温室温度预测研究.中国农机化学报.2019,(第04期),全文. * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113141940A (zh) | 一种用于日光温室果菜栽培的智能水分精准灌溉控制系统及方法 | |
CN107219759B (zh) | 一种温室环境控制方法及装置 | |
CN112116162A (zh) | 基于ceemdan-qfoa-lstm的输电线覆冰厚度预测方法 | |
CN110119169A (zh) | 一种基于最小向量机的番茄温室温度智能预警系统 | |
CN112070241A (zh) | 基于机器学习模型的植物生长预测方法、装置和设备 | |
CN113791650A (zh) | 一种臭氧浓度的调节方法及系统 | |
CN114330814A (zh) | 一种基于vmd分解和改进双层bilstm网络的短期负荷预测方法 | |
CN114004433A (zh) | 一种养殖鱼类生长环境调控方法及装置 | |
CN113393057A (zh) | 一种基于深度融合机器学习模型的小麦产量集成预测方法 | |
CN112884238A (zh) | 光伏发电功率预测方法及装置 | |
CN116757313A (zh) | 水质预测模型的训练方法、水质预测方法与装置 | |
CN115456245A (zh) | 一种感潮河网区溶解氧预测方法 | |
CN113962819A (zh) | 一种基于极限学习机的工厂化水产养殖溶解氧预测方法 | |
CN112418498B (zh) | 用于智能温室的温度预测方法及系统 | |
CN117252344A (zh) | 培育设施的适宜度评估方法、装置、电子设备和存储介质 | |
CN117252292A (zh) | 基于Aqua Crop模型与优化LSTM算法的作物灌溉需水量预测方法 | |
CN109255200B (zh) | 一种养殖水体氨氮的软测量方法及装置 | |
CN111524023A (zh) | 温室调节方法及系统 | |
CN112836885B (zh) | 组合负荷预测方法、装置、电子设备和存储介质 | |
Nguyen-Xuan et al. | A dynamic model for temperature prediction in glass greenhouse | |
CN112418498A (zh) | 用于智能温室的温度预测方法及系统 | |
CN113053536A (zh) | 一种基于隐马尔科夫模型的传染病预测方法、系统和介质 | |
CN117469774B (zh) | 空调系统调控方法、装置、电子设备及存储介质 | |
CN117313555B (zh) | 基于自适应oats-ajsa改进gru湿度预测方法 | |
Islam et al. | Machine Learning Models to Predict Soil Moisture for Irrigation Schedule |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant |