CN113503915A - 污染物数据预测方法、装置、存储介质及电子设备 - Google Patents
污染物数据预测方法、装置、存储介质及电子设备 Download PDFInfo
- Publication number
- CN113503915A CN113503915A CN202110746021.8A CN202110746021A CN113503915A CN 113503915 A CN113503915 A CN 113503915A CN 202110746021 A CN202110746021 A CN 202110746021A CN 113503915 A CN113503915 A CN 113503915A
- Authority
- CN
- China
- Prior art keywords
- parameter data
- data
- correlation
- cage
- imf
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Investigating Or Analyzing Materials By The Use Of Fluid Adsorption Or Reactions (AREA)
Abstract
本公开涉及一种污染物数据预测方法、装置、存储介质及电子设备,该方法包括:获取设置在禽舍内的传感器节点的多种参数数据;其中,所述传感器节点设置在禽类饲养笼外部;通过变量选择算法,从所述多种参数数据中筛选出与需要预测的饲养笼内的污染物相关的高相关性参数数据;对所述高相关性参数数据进行经验模态分解EMD处理,得到每种所述高相关性参数数据的内涵模态IMF分量;对每种所述高相关性参数数据的IMF分量,通过计算互信息提取满足预设条件的IMF分量;根据所述满足预设条件的IMF分量,采用长短记忆网络LSTM模型预测所述饲养笼内的污染物的预测数据。由于本传感器节点不用安装到禽类饲养笼内部,因此安装和维护都较方便,不惊扰禽类生产。
Description
技术领域
本公开涉及禽舍环境监测领域,具体地,涉及一种污染物数据预测方法、装置、存储介质及电子设备。
背景技术
氨气是一种有毒、无色、有强烈刺激性臭味的气体,畜禽舍内氨气主要来自动物机体代谢和环境,氨气会对畜禽产生严重的危害,降低畜禽抗病力及生产性能,影响疫苗的免疫效果。
当禽舍内氨气浓度过高时,工作人员需要及时降低氨气浓度,从而避免氨气带来危害。降低氨气危害的措施一般包括,及时清除鸡舍内氨气的粪便和垫物,保持禽舍干燥通风、生物除氨法和物理除氨法。
目前,可以通过在饲养笼中安装传感器对氨气浓度进行检测,以在发现氨气浓度超标时能够及时采取相应措施,但本公开的发明人发现,在饲养笼内进行氨气浓度检测时,检测装置的安装和维护不便,且容易影响禽类生产。
发明内容
本公开的目的是提供一种污染物数据预测方法、装置、存储介质及电子设备,用于解决现有技术中存在的,在饲养笼内进行氨气浓度检测时,检测装置的安装和维护不便,且容易影响禽类生产的技术问题。
为了实现上述目的,本公开第一方面提供一种污染物数据预测方法,包括:
获取设置在禽舍内的传感器节点的多种参数数据;其中,所述传感器节点设置在禽舍内的不同位置,且所述传感器节点设置在禽类饲养笼外部;
通过变量选择算法,从所述多种参数数据中筛选出与需要预测的饲养笼内的污染物相关的高相关性参数数据;
对所述高相关性参数数据进行经验模态分解EMD处理,得到每种所述高相关性参数数据的内涵模态IMF分量;
对每种所述高相关性参数数据的IMF分量,通过计算互信息提取满足预设条件的IMF分量;
根据所述满足预设条件的IMF分量,采用长短记忆网络LSTM模型预测所述饲养笼内的污染物的预测数据。
可选地,通过变量选择算法,从所述多种参数数据中筛选出与需要预测的饲养笼内的污染物相关的高相关性参数数据,包括:
将所述算法的表达式展开,得到展开公式y=β0+β1x1+β2x2+β3x3…;其中,x1、x3、x3表示不同的参数数据,β0为偏置量,β1、β2、β3表示不同的参数数据对应的相关系数;
将所述多种参数数据的值带入所述展开公式,求解不同参数数据对应的相关系数;
当所述相关系数收缩为0时,将所述相关系数对应的参数数据排除出所述高相关性参数数据。
可选地,对每种所述高相关性参数数据的IMF分量,通过计算互信息提取满足预设条件的IMF分量,包括:
对每种所述高相关性参数数据的相邻IMF分量计算互信息;
根据预先设定的互信息阈值,提取互信息大于或等于所述互信息阈值的IMF分量作为所述LSTM模型的输入数据。
可选地,根据所述满足预设条件的IMF分量,采用长短记忆网络LSTM模型预测所述饲养笼内的污染物的预测数据,包括:
对于每种所述高相关性参数数据,将提出的IMF分量作为所述LSTM模型的输入数据,通过所述LSTM模型预测得到每种所述高相关性参数数据的预测值;
将每种所述高相关性参数数据的预设值相加,得到在预先设置的未来时间窗口内所述饲养笼内的污染物的预测数据。
可选地,建立所述LSTM模型的方法包括:
以LSTM网络为基础单元,使用ADAM算法进行优化调整,建立所述LSTM模型。
可选地,所述多种参数数据包括所述通过所述传感器节点内置的多种环境传感器采集到的环境参数数据和通过网络传输设定的外部参数数据;
其中,所述环境参数数据包括氨气、硫化氢、二氧化碳、VOC、温度、湿度、PM2.5和光照度中的一种或多种;所述外部参数数据包括饲养笼内初始测量氨气值、被饲养禽类的日龄和入舍时间中的一种或多种。
本公开第二方面提供一种污染物数据预测装置,包括:
获取模块,用于获取设置在禽舍内的传感器节点的多种参数数据;其中,所述传感器节点设置在禽舍内的不同位置,且所述传感器节点设置在禽类饲养笼外部;
筛选模块,用于通过变量选择算法,从所述多种参数数据中筛选出与需要预测的饲养笼内的污染物相关的高相关性参数数据;
EMD处理模块,用于对所述高相关性参数数据进行经验模态分解EMD处理,得到每种所述高相关性参数数据的内涵模态IMF分量;
提取模块,用于对每种所述高相关性参数数据的IMF分量,通过计算互信息提取满足预设条件的IMF分量;
预测模块,用于根据所述满足预设条件的IMF分量,采用长短记忆网络LSTM模型预测所述饲养笼内的污染物的预测数据。
本公开第三方面提供一种非临时性计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现第一方面所述方法的步骤。
本公开第四方面提供一种电子设备,包括:
存储器,其上存储有计算机程序;
处理器,用于执行所述存储器中的所述计算机程序,以实现第一方面所述方法的步骤。
通过上述技术方案,在禽舍内的不同位置安装传感器节点,并且所述传感器节点设置在禽类饲养笼外部,首先,获取设置在禽舍内的传感器节点的多种参数数据;然后,通过变量选择算法,从所述多种参数数据中筛选出与需要预测的饲养笼内的污染物相关的高相关性参数数据;对所述高相关性参数数据进行经验模态分解EMD处理,得到每种所述高相关性参数数据的内涵模态IMF分量;对每种所述高相关性参数数据的IMF分量,通过计算互信息提取满足预设条件的IMF分量;最后,根据所述满足预设条件的IMF分量,采用长短记忆网络LSTM模型预测所述饲养笼内的污染物的预测数据。由于本传感器节点不用安装到禽类饲养笼内部,因此安装和维护都较方便,且不惊扰禽类生产。并且,通过该传感器节点所采集到的数据和构建的预测方法,可以有效准确的预测饲养笼内污染物浓度的变化趋势,对于生产者实施污染减排降解措施有重要指导作用。
本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本公开的进一步理解,并且构成说明书的一部分,与下面的具体实施方式一起用于解释本公开,但并不构成对本公开的限制。在附图中:
图1是根据一示例性实施例示出的污染物数据预测方法的流程图;
图2是根据一示例性实施例示出的污染物数据预测方法的流程图;
图3是根据一示例性实施例示出的LSTM模型的示意图;
图4是根据一示例性实施例示出的污染物数据预测装置的框图;
图5是根据一示例性实施例示出的一种电子设备的框图。
具体实施方式
以下结合附图对本公开的具体实施方式进行详细说明。应当理解的是,此处所描述的具体实施方式仅用于说明和解释本公开,并不用于限制本公开。
本公开实施例中,需要预测的饲养笼内的污染物一般是指笼内氨气值,因为氨气会对禽类的各种生产性能造成影响。传感器节点可以部署在禽舍内的不同位置,一个禽舍内可以部署多个传感器节点,从而检测不同位置的环境数据,例如:传感器节点可以设置在每排饲养笼的两端,出风口等。
如图1所示,本公开实施例中的污染物数据预测方法包括以下步骤。
步骤101,获取设置在禽舍内的传感器节点的多种参数数据。
其中,多种参数数据可以包括采集到的环境参数数据,例如:氨气、硫化氢、二氧化碳、VOC(挥发性有机化合物,volatile organic compounds)、温度、湿度、PM2.5、光照度等,多种参数数据还可以包括外部参数数据,例如:饲养笼内初始测量氨气值、被饲养禽类的日龄和入舍时间等等,本公开对此不做限制。
步骤102,通过变量选择算法,从所述多种参数数据中筛选出与需要预测的饲养笼内的污染物相关的高相关性参数数据。其中,变量选择算法可以为LASSO(最小绝对收缩和选择算法,Least Absolute Shrinkage and Selection Operator)算法,通过LASSO算法筛选出与预测气体浓度如笼内氨气值,高度相关的环境参数数据和外部参数数据。
步骤103,对所述高相关性参数数据进行经验模态分解EMD处理,得到每种所述高相关性参数数据的内涵模态IMF分量。通过对高相关性参数数据进行EMD(经验模态分解,empirical mode decomposition)处理可以去除噪声,得到稳态的分量。其中,IMF分量是指内涵模态分量(Intrinsic Mode Functions)。
步骤104,对每种所述高相关性参数数据的IMF分量,通过计算互信息提取满足预设条件的IMF分量。其中,由于两个随机变量相同时,互信息最大,通过计算互信息,并提出处满足预设条件的互信息可以排除偏差较大的分量,增加预测数据的准确性。
步骤105,根据所述满足预设条件的IMF分量,采用长短记忆网络LSTM模型预测所述饲养笼内的污染物的预测数据。
本公开的发明人发现,氨气浓度的准确性受传感器性能影响,而传感器性能又受到很多环境数据的影响,由于上述方案中的预测方法考虑了各种参数数据对氨气浓度检测的影响,因而通过该传感器节点所采集到的数据和构建的预测方法,可以准确有效的预测饲养笼内污染物浓度的变化趋势,对于生产者实施污染减排和降解措施有重要指导作用。并且,由于本传感器节点不用安装到禽类饲养笼内部,安装和维护都较方便,也不会惊扰禽类生产。
接下来,结合图2对本公开实施例中的污染物数据预测方法进行详细说明。
本公开实施例中,参数数据收集包括两个方面,首先,禽舍内的传感器节点可以通过直流电源或者电池电源供电,在传感器节点内部集成多种环境传感器,用于检测氨气、硫化氢、二氧化碳、VOC、温度、湿度、PM2.5、光照等多种环境数据。其次,禽舍内的传感器节点可以通过无线网络(如:WIFI或蓝牙等)输入外部参数数据,如:饲养笼内初始测量氨气值、被饲养禽类的日龄、入舍时间等信息,其中,饲养笼内初始测量氨气值是指设定的初始值,其可以为布置该传感器节点时,通过设备采集到的饲养笼内的实时测量氨气值。
然后,对收集到的参数数据进行参数筛选。受传感器节点放置位置、禽舍物理环境、禽类种类等因素的影响,并非所有获取的参数数据都为有用数据。为了防止在模型预测过程中发生过拟合现象,可以通过变量选择算法,从所收集的全部参数数据中筛选出与预测污染物高度相关的参数数据。
本公开实施例中,以变量选择算法为LASSO算法为例进行说明,在具体实施过程中,也可以采用其他变量选择算法,本公开对此不做限制。
在一种可能的实施方式中,使用LASSO算法对传感器采集的参数数据和人工输入的参数数据进行变量(变量即为参数数据,以下称为变量)选择,算法如公式(1)所示。其中因变量y为笼内初始测量氨气值,自变量x为其他输入变量,相关系数β即为对预测因子x的系数估计,当该相关系数收缩为0时,即将该相关系数对应的自变量排除出预测模型的输入参数,而相关系数不收缩为0时,即将该相关系数对应的自变量作为预测模型的输入参数。
其中,参数λ为正则化系数,用来控制LASSO回归复杂度的程度,λ越大,对变量较多的线性模型的惩罚力度就越大,从而最终获得一个变量较少的模型。当λ=0时,不消除任何参数,随着λ的增加,越来越多的系数被设置为零并被消除。||β||1为β的1范数,即向量β的绝对值之和。
将公式展开,带入各自的变量值,不断优化求解,使函数,即公式(1)逐渐趋近为0,则求解相关系数。展开公式如公式(2)所示。
Y=β0+β1X1+β2X2+β3X3+…(2)
其中β0为一个偏置量,是个常数。当对所有变量做去中心化处理时,也可以去掉式中的β0。
本公开实施例中,对筛选出来的参数进行参数优化。通过对所筛选的变量进行经验模态EMD分解处理,分解出IMF分量,可有效降低环境的不确定因素对污染物变化特征的影响。EMD处理的步骤如下:
(1)对所有已筛选的输入参数x(t)极值点求解;
(2)根据极值点拟合出包络线,使用x(t)减去包络线的平均值m(t),得到剩余信号h(t)=x(t)-m(t);
(3)若所得信号满足:a在信号序列中它的极值点与过零点数目一致或相差少于一个,b整个序列波形是局部对称的,则该信号为IMF分量;
(4)若所得信号不满足以上条件,则继续以h(t)替代x(t)重复以上步骤直到得出IMF;
(5)得到每一阶的IMF分量,并在原始信号中扣除,重复以上步骤;
(6)当得到单调序列或者常数值序列r(t)时,则停止EMD处理。
然后,根据公式3对所有变量的相邻IMF分量计算互信息,根据系统提前设定好的互信息阈值,提取满足预设条件的IMF分量作为模型的输入变量。本公开实施例中,满足预设条件是指互信息大于或等于所述互信息阈值。
I(imfi,imfi+1)=H(imfi)+H(imfi+1)-H(imfiimfi+1)
其中,I(imfi,imfi+1)即为互信息,H(imfi)和H(imfi+1)是指边缘熵,H(imfiimfi+1)是指联合熵。
本公开实施例中,预测模型建立时,可以以LSTM(长短期记忆网络,Long Short-Term Memory)网络为基础单元,使用ADAM(自适应矩估计,adaptivemomentestimation)算法优化调整预测模型。如图3所示,LSTM模型使用遗忘门、输入门和输出门来控制序列信息的遗忘和更新。本公开实施例中,把通过互信息计算提取出来的IMF分量作为输入数据,通过LSTM模型对各分量进行预测,把各个预测值进行合并,从而对未来一段时间内的污染物指标进行预测,得到预测数据。其中,各个预设值进行合并可以为将各个预测值相加,未来一段时间可以为预先设置的未来时间窗口,这个未来时间窗口可以为1分钟,5分钟、30分钟等,本公开对此不做限制。
基于同一发明构思,如图4所示,本公开实施例还提供一种污染物数据预测装置400,包括:
获取模块401,用于获取设置在禽舍内的传感器节点的多种参数数据;其中,所述传感器节点设置在禽舍内的不同位置,且所述传感器节点设置在禽类饲养笼外部;
筛选模块402,用于通过变量选择算法,从所述多种参数数据中筛选出与需要预测的饲养笼内的污染物相关的高相关性参数数据;
EMD处理模块403,用于对所述高相关性参数数据进行经验模态分解EMD处理,得到每种所述高相关性参数数据的内涵模态IMF分量;
提取模块404,用于对每种所述高相关性参数数据的IMF分量,通过计算互信息提取满足预设条件的IMF分量;
预测模块405,用于根据所述满足预设条件的IMF分量,采用长短记忆网络LSTM模型预测所述饲养笼内的污染物的预测数据。
可选地,所述筛选模块402用于通过LASSO算法对所述多种参数数据进行选择;所述算法的表达式为:其中,y为饲养笼内初始测量氨气值,x为参数数据,β为相关系数,λ为正则化系数;将所述算法的表达式展开,得到展开公式y=β0+β1x1+β2x2+β3x3…;其中,x1、x3、x3表示不同的参数数据,β0为偏置量,β1、β2、β3表示不同的参数数据对应的相关系数;将所述多种参数数据的值带入所述展开公式,求解不同参数数据对应的相关系数;当所述相关系数收缩为0时,将所述相关系数对应的参数数据排除出所述高相关性参数数据。
可选地,所述提取模块404用于对每种所述高相关性参数数据的相邻IMF分量计算互信息;根据预先设定的互信息阈值,提取互信息大于或等于所述互信息阈值的IMF分量作为所述LSTM模型的输入数据。
可选地,预测模块405用于对于每种所述高相关性参数数据,将提出的IMF分量作为所述LSTM模型的输入数据,通过所述LSTM模型预测得到每种所述高相关性参数数据的预测值;将每种所述高相关性参数数据的预设值相加,得到在预先设置的未来时间窗口内所述饲养笼内的污染物的预测数据。
可选地,所述装置还包括模型建立模块,用于以LSTM网络为基础单元,使用ADAM算法进行优化调整,建立所述LSTM模型。
关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
图5是根据一示例性实施例示出的一种电子设备500的框图。如图5所示,该电子设备500可以包括:处理器501,存储器502。该电子设备500还可以包括多媒体组件503,输入/输出(I/O)接口504,以及通信组件505中的一者或多者。
其中,处理器501用于控制该电子设备500的整体操作,以完成上述的污染物数据预测方法中的全部或部分步骤。存储器502用于存储各种类型的数据以支持在该电子设备500的操作,这些数据例如可以包括用于在该电子设备500上操作的任何应用程序或方法的指令,以及应用程序相关的数据,例如联系人数据、收发的消息、图片、音频、视频等等。该存储器502可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,例如静态随机存取存储器(Static Random Access Memory,简称SRAM),电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory,简称EEPROM),可擦除可编程只读存储器(Erasable Programmable Read-Only Memory,简称EPROM),可编程只读存储器(Programmable Read-Only Memory,简称PROM),只读存储器(Read-Only Memory,简称ROM),磁存储器,快闪存储器,磁盘或光盘。多媒体组件503可以包括屏幕和音频组件。其中屏幕例如可以是触摸屏,音频组件用于输出和/或输入音频信号。例如,音频组件可以包括一个麦克风,麦克风用于接收外部音频信号。所接收的音频信号可以被进一步存储在存储器502或通过通信组件505发送。音频组件还包括至少一个扬声器,用于输出音频信号。I/O接口504为处理器501和其他接口模块之间提供接口,上述其他接口模块可以是键盘,鼠标,按钮等。这些按钮可以是虚拟按钮或者实体按钮。通信组件505用于该电子设备500与其他设备之间进行有线或无线通信。无线通信,例如Wi-Fi,蓝牙,近场通信(Near FieldCommunication,简称NFC),2G、3G、4G、NB-IOT、eMTC、或其他5G等等,或它们中的一种或几种的组合,在此不做限定。因此相应的该通信组件505可以包括:Wi-Fi模块,蓝牙模块,NFC模块等等。
在一示例性实施例中,电子设备500可以被一个或多个应用专用集成电路(Application Specific Integrated Circuit,简称ASIC)、数字信号处理器(DigitalSignal Processor,简称DSP)、数字信号处理设备(Digital Signal Processing Device,简称DSPD)、可编程逻辑器件(Programmable Logic Device,简称PLD)、现场可编程门阵列(Field Programmable Gate Array,简称FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行上述的污染物数据预测方法。
在另一示例性实施例中,还提供了一种包括程序指令的计算机可读存储介质,该程序指令被处理器执行时实现上述的污染物数据预测方法的步骤。例如,该计算机可读存储介质可以为上述包括程序指令的存储器502,上述程序指令可由电子设备500的处理器501执行以完成上述的污染物数据预测方法。
在另一示例性实施例中,还提供一种计算机程序产品,该计算机程序产品包含能够由可编程的装置执行的计算机程序,该计算机程序具有当由该可编程的装置执行时用于执行上述的污染物数据预测方法的代码部分。
以上结合附图详细描述了本公开的优选实施方式,但是,本公开并不限于上述实施方式中的具体细节,在本公开的技术构思范围内,可以对本公开的技术方案进行多种简单变型,这些简单变型均属于本公开的保护范围。
另外需要说明的是,在上述具体实施方式中所描述的各个具体技术特征,在不矛盾的情况下,可以通过任何合适的方式进行组合,为了避免不必要的重复,本公开对各种可能的组合方式不再另行说明。
此外,本公开的各种不同的实施方式之间也可以进行任意组合,只要其不违背本公开的思想,其同样应当视为本公开所公开的内容。
Claims (9)
1.一种污染物数据预测方法,其特征在于,包括:
获取设置在禽舍内的传感器节点的多种参数数据;其中,所述传感器节点设置在禽舍内的不同位置,且所述传感器节点设置在禽类饲养笼外部;
通过变量选择算法,从所述多种参数数据中筛选出与需要预测的饲养笼内的污染物相关的高相关性参数数据;
对所述高相关性参数数据进行经验模态分解EMD处理,得到每种所述高相关性参数数据的内涵模态IMF分量;
对每种所述高相关性参数数据的IMF分量,通过计算互信息提取满足预设条件的IMF分量;
根据所述满足预设条件的IMF分量,采用长短记忆网络LSTM模型预测所述饲养笼内的污染物的预测数据。
2.根据权利要求1所述的方法,其特征在于,通过变量选择算法,从所述多种参数数据中筛选出与需要预测的饲养笼内的污染物相关的高相关性参数数据,包括:
将所述算法的表达式展开,得到展开公式y=β0+β1x1+β2x2+β3x3…;其中,x1、x3、x3表示不同的参数数据,β0为偏置量,β1、β2、β3表示不同的参数数据对应的相关系数;
将所述多种参数数据的值带入所述展开公式,求解不同参数数据对应的相关系数;
当所述相关系数收缩为0时,将所述相关系数对应的参数数据排除出所述高相关性参数数据。
3.根据权利要求2所述的方法,其特征在于,对每种所述高相关性参数数据的IMF分量,通过计算互信息提取满足预设条件的IMF分量,包括:
对每种所述高相关性参数数据的相邻IMF分量计算互信息;
根据预先设定的互信息阈值,提取互信息大于或等于所述互信息阈值的IMF分量作为所述LSTM模型的输入数据。
4.根据权利要求3所述的方法,其特征在于,根据所述满足预设条件的IMF分量,采用长短记忆网络LSTM模型预测所述饲养笼内的污染物的预测数据,包括:
对于每种所述高相关性参数数据,将提出的IMF分量作为所述LSTM模型的输入数据,通过所述LSTM模型预测得到每种所述高相关性参数数据的预测值;
将每种所述高相关性参数数据的预设值相加,得到在预先设置的未来时间窗口内所述饲养笼内的污染物的预测数据。
5.根据权利要求4所述的方法,其特征在于,建立所述LSTM模型的方法包括:
以LSTM网络为基础单元,使用ADAM算法进行优化调整,建立所述LSTM模型。
6.根据权利要求1-5中任一项所述的方法,其特征在于,所述多种参数数据包括所述通过所述传感器节点内置的多种环境传感器采集到的环境参数数据和通过网络传输设定的外部参数数据;
其中,所述环境参数数据包括氨气、硫化氢、二氧化碳、VOC、温度、湿度、PM2.5和光照度中的一种或多种;所述外部参数数据包括饲养笼内初始测量氨气值、被饲养禽类的日龄和入舍时间中的一种或多种。
7.一种污染物数据预测装置,其特征在于,包括:
获取模块,用于获取设置在禽舍内的传感器节点的多种参数数据;其中,所述传感器节点设置在禽舍内的不同位置,且所述传感器节点设置在禽类饲养笼外部;
筛选模块,用于通过变量选择算法,从所述多种参数数据中筛选出与需要预测的饲养笼内的污染物相关的高相关性参数数据;
EMD处理模块,用于对所述高相关性参数数据进行经验模态分解EMD处理,得到每种所述高相关性参数数据的内涵模态IMF分量;
提取模块,用于对每种所述高相关性参数数据的IMF分量,通过计算互信息提取满足预设条件的IMF分量;
预测模块,用于根据所述满足预设条件的IMF分量,采用长短记忆网络LSTM模型预测所述饲养笼内的污染物的预测数据。
8.一种非临时性计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现权利要求1-6中任一项所述方法的步骤。
9.一种电子设备,其特征在于,包括:
存储器,其上存储有计算机程序;
处理器,用于执行所述存储器中的所述计算机程序,以实现权利要求1-6中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110746021.8A CN113503915A (zh) | 2021-07-01 | 2021-07-01 | 污染物数据预测方法、装置、存储介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110746021.8A CN113503915A (zh) | 2021-07-01 | 2021-07-01 | 污染物数据预测方法、装置、存储介质及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113503915A true CN113503915A (zh) | 2021-10-15 |
Family
ID=78009541
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110746021.8A Pending CN113503915A (zh) | 2021-07-01 | 2021-07-01 | 污染物数据预测方法、装置、存储介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113503915A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113836756A (zh) * | 2021-11-29 | 2021-12-24 | 山东华尚电气有限公司 | 一种立体卷铁心变压器的退火工艺智能监测方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108876650A (zh) * | 2018-06-25 | 2018-11-23 | 仲恺农业工程学院 | 水禽健康养殖环境参数的特征提取方法及装置 |
CN110175508A (zh) * | 2019-04-09 | 2019-08-27 | 杭州电子科技大学 | 一种应用于超声波局放检测的特征值提取方法 |
CN110680308A (zh) * | 2019-11-04 | 2020-01-14 | 北京理工大学 | 基于改进emd与阈值法融合的心电信号去噪方法 |
CN111144286A (zh) * | 2019-12-25 | 2020-05-12 | 北京工业大学 | 一种融合emd和lstm的城市pm2.5浓度预测方法 |
CN111832222A (zh) * | 2020-06-28 | 2020-10-27 | 成都佳华物链云科技有限公司 | 一种污染物浓度的预测模型训练方法、预测方法及装置 |
US20210116143A1 (en) * | 2019-10-17 | 2021-04-22 | Honeywell International Inc. | Apparatuses and methods for air quality maintenance |
-
2021
- 2021-07-01 CN CN202110746021.8A patent/CN113503915A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108876650A (zh) * | 2018-06-25 | 2018-11-23 | 仲恺农业工程学院 | 水禽健康养殖环境参数的特征提取方法及装置 |
CN110175508A (zh) * | 2019-04-09 | 2019-08-27 | 杭州电子科技大学 | 一种应用于超声波局放检测的特征值提取方法 |
US20210116143A1 (en) * | 2019-10-17 | 2021-04-22 | Honeywell International Inc. | Apparatuses and methods for air quality maintenance |
CN110680308A (zh) * | 2019-11-04 | 2020-01-14 | 北京理工大学 | 基于改进emd与阈值法融合的心电信号去噪方法 |
CN111144286A (zh) * | 2019-12-25 | 2020-05-12 | 北京工业大学 | 一种融合emd和lstm的城市pm2.5浓度预测方法 |
CN111832222A (zh) * | 2020-06-28 | 2020-10-27 | 成都佳华物链云科技有限公司 | 一种污染物浓度的预测模型训练方法、预测方法及装置 |
Non-Patent Citations (2)
Title |
---|
杨亮 等: "基于EMD-LSTM 的猪舍氨气浓度预测研究", 《农业机械学报》 * |
金秀章 等: "基于变量选择和EMD-LSTM网络的出口SO2浓度预测", 《中国电机工程学报》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113836756A (zh) * | 2021-11-29 | 2021-12-24 | 山东华尚电气有限公司 | 一种立体卷铁心变压器的退火工艺智能监测方法及系统 |
CN113836756B (zh) * | 2021-11-29 | 2022-03-18 | 山东华尚电气有限公司 | 一种立体卷铁心变压器的退火工艺智能监测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20210288832A1 (en) | Automatically learning and controlling connected devices | |
CN111125268B (zh) | 网络告警分析模型创建方法、告警分析方法及装置 | |
CN113780466B (zh) | 模型迭代优化方法、装置、电子设备和可读存储介质 | |
CN109905489B (zh) | 基于数据融合算法的多传感器数据关联性处理方法及系统 | |
CN113503915A (zh) | 污染物数据预测方法、装置、存储介质及电子设备 | |
WO2015159101A1 (en) | A method and system for analysing environmental data | |
WO2022124276A1 (ja) | 室内空気品質予測方法、及び室内空気品質検出システム | |
CN109922478B (zh) | 一种基于改进布谷鸟算法的水质传感器网络优化部署方法 | |
Feldmeier et al. | Exploring the distribution of the spreading lethal salamander chytrid fungus in its invasive range in Europe–a macroecological approach | |
CN113591215B (zh) | 基于不确定性的异常卫星组件布局检测方法 | |
CN112145020B (zh) | 窗户的控制方法、装置、设备及存储介质 | |
WO2014111775A1 (en) | System and method for fault management in lighting systems | |
CN116227749A (zh) | 污染物排放量的确定方法、装置、存储介质及电子设备 | |
CN112884238A (zh) | 光伏发电功率预测方法及装置 | |
CN114861522A (zh) | 一种基于人工智能元学习技术的精密制造质量监测方法和装置 | |
CN113609763B (zh) | 基于不确定性的卫星组件布局温度场预测方法 | |
Yudhana | Tsukamoto fuzzy inference system on Internet of Things-based for room temperature and humidity control | |
CN117077870B (zh) | 一种基于人工智能的水资源数字化管理方法 | |
EP2911018A1 (en) | Building automation system using a predictive model | |
US20210133211A1 (en) | Adaptive Usage of Storage Resources Using Data Source Models and Data Source Representations | |
Jebari et al. | Poultry-edge-AI-IoT system for real-time monitoring and predicting by using artificial intelligence | |
CN116798198A (zh) | 基于多元时序预测模型的传感器异常检测与预警方法 | |
CN110955286B (zh) | 一种禽蛋监测方法及装置 | |
Huang et al. | Pollution index of waterfowl farm assessment and prediction based on temporal convoluted network | |
US11496150B2 (en) | Compressive sensing systems and methods using edge nodes of distributed computing networks |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20211015 |