CN116306794A - 作物需水量预测方法、装置、电子设备及存储介质 - Google Patents

作物需水量预测方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN116306794A
CN116306794A CN202310228208.8A CN202310228208A CN116306794A CN 116306794 A CN116306794 A CN 116306794A CN 202310228208 A CN202310228208 A CN 202310228208A CN 116306794 A CN116306794 A CN 116306794A
Authority
CN
China
Prior art keywords
sequence
vector
water demand
level
trend
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
Application number
CN202310228208.8A
Other languages
English (en)
Other versions
CN116306794B (zh
Inventor
谭志平
方明伟
唐宇
邢诗曼
黄文轩
黄明浩
黄华盛
郭琪伟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Research Institute Of Heyuan Guangshi Normal University
Guangdong Polytechnic Normal University
Original Assignee
Research Institute Of Heyuan Guangshi Normal University
Guangdong Polytechnic Normal University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Research Institute Of Heyuan Guangshi Normal University, Guangdong Polytechnic Normal University filed Critical Research Institute Of Heyuan Guangshi Normal University
Priority to CN202310228208.8A priority Critical patent/CN116306794B/zh
Publication of CN116306794A publication Critical patent/CN116306794A/zh
Application granted granted Critical
Publication of CN116306794B publication Critical patent/CN116306794B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • 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
    • 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)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Development Economics (AREA)
  • Molecular Biology (AREA)
  • Game Theory and Decision Science (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Mathematical Physics (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (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

本发明提供一种作物需水量预测方法、装置、电子设备及存储介质，其中所述方法包括：获取目标作物生长的相关特征数据，并对所述相关特征数据进行预处理，所述相关特征数据包括生命周期理论需水量序列数据、气象环境特征数据和土壤墒情数据；采用嵌入算法，从预处理后的相关特征数据中提取特征值嵌入向量、位置嵌入向量和时间嵌入向量，并基于所述特征值嵌入向量、所述位置嵌入向量和所述时间嵌入向量，生成向量表示矩阵；基于所述向量表示矩阵，构建基于Transformer的需水量预测模型，预测所述目标作物的实际需水量。本发明通过采用Transformer注意力机制模型，能够更好的进行并行计算，从而有效提高运算效率。

Description

作物需水量预测方法、装置、电子设备及存储介质
技术领域
本发明涉及计算机技术领域，尤其涉及一种作物需水量预测方法、装置、电子设备及存储介质。
背景技术
作物的生长离不开水，传统的灌溉方式需要根据农民经验对农田进行灌溉管理，不仅费时费力效率低下，而且在很大程度上浪费了水资源，也不利于作物的生长。
随着计算机、物联网等先进技术的发展，传统农耕方式正在向现代化农业转变，各种智能化的管理方法和系统得到大力推广。例如，基于作物生长的环境或气象数据，以及作物生长生理数据等，构建基于长短期记忆人工神经网络或XGBoost算法等的预测模型，预测作物需水量。
但是，上述预测方法在模型构建和预测运算时，都会因算法本身运算方式的局限性，导致运算效率较低。
发明内容
本发明提供一种作物需水量预测方法、装置、电子设备及存储介质，用以解决现有技术存在的预测运算效率较低等问题的缺陷，实现有效提高作物需水量预测运算效率的目标。
本发明提供一种作物需水量预测方法，包括：
获取目标作物生长的相关特征数据，并对所述相关特征数据进行预处理，所述相关特征数据包括生命周期理论需水量序列数据、气象环境特征数据和土壤墒情数据；
采用嵌入算法，从预处理后的相关特征数据中提取特征值嵌入向量、位置嵌入向量和时间嵌入向量，并基于所述特征值嵌入向量、所述位置嵌入向量和所述时间嵌入向量，生成向量表示矩阵；
基于所述向量表示矩阵，构建基于Transformer的需水量预测模型，预测所述目标作物的实际需水量。
根据本发明提供的一种作物需水量预测方法，所述采用嵌入算法，从预处理后的相关特征数据中提取特征值嵌入向量、位置嵌入向量和时间嵌入向量，包括编码器向量转化，所述编码器向量转化包括：
对于所述特征值嵌入向量，将所述预处理后的相关特征数据经过一维卷积从d维映射为dmodel；
对于所述位置嵌入向量，将所述预处理后的相关特征数据按如下公式进行计算：
Figure BDA0004120051550000021
Figure BDA0004120051550000022
式中，pos表示特征在序列中的位置，i表示向量中的第i个维度；
对于所述时间嵌入向量，将所述预处理后的相关特征数据中的时间特征数据经过线性变换从3维映射为dmodel维。
根据本发明提供的一种作物需水量预测方法，所述采用嵌入算法，从预处理后的相关特征数据中提取特征值嵌入向量、位置嵌入向量和时间嵌入向量，包括解码器向量转化，所述解码器向量转化包括：
按照如下序列分解规则，将预处理后的相关特征数据X'n×d分解为第一长期趋势序列T'和第一季节序列S'：
t1＝AvgPool1D(Padding(X'n×d))kernel1；
t2＝AvgPool1D(Padding(X'n×d))kernel2；
t3＝AvgPool1D(Padding(X'n×d))kernel3；
T′＝(t1+t2+t3)/3；
S′＝X'n×d-T′；
式中，Padding规则依据公式
Figure BDA0004120051550000036
确定，且保持序列的输出维度Lout和输入维度Lin相同，AvgPool1D表示1维平均池化操作，3个池化操作核尺寸kernel1、kernel2和kernel3的值各不相同；
基于所述第一长期趋势序列T'和所述第一季节序列S'，按如下公式生成第二长期趋势序列T'(n+L)×d和第二季节序列S'(n+L)×d：
Figure BDA0004120051550000031
S'(n+L)×d＝concat(S′,zerosL×d)；
式中，
Figure BDA0004120051550000032
表示对X'n×d求取的平均值，/>
Figure BDA0004120051550000033
表示将/>
Figure BDA0004120051550000034
拼接L次成为
Figure BDA0004120051550000035
zerosL×d表示维度为L×d的0矩阵；
依据编码器向量转化规则，从S'(n+L)×d中提取所述特征值嵌入向量、所述位置嵌入向量和所述时间嵌入向量。
根据本发明提供的一种作物需水量预测方法，所述基于Transformer的需水量预测模型包括解码器单元和编码器单元，所述构建基于Transformer的需水量预测模型，预测所述目标作物的实际需水量，包括：
将所述向量表示矩阵输入所述解码器单元，以利用所述解码器单元对所述向量表示矩阵进行逐级分解，获取第2级季节序列S2；
生成季节序列初始值S0和趋势周期序列初始值T0，并将所述第2级季节序列S2和所述季节序列初始值S0输入所述编码器单元，以利用所述编码器单元进行逐级分解，获取第i级趋势周期序列Ti、第i+1级趋势周期序列Ti+1、第i+2级趋势周期序列Ti+2和第i+2级季节序列Si+2；
利用所述编码器单元，将所述第i级趋势周期序列Ti、所述第i+1级趋势周期序列Ti+1和所述第i+2级趋势周期序列Ti+2求和并计算一维卷积，获取卷积结果；
对所述趋势周期序列初始值T0、所述第i+2级季节序列Si+2的线性变换结果和所述卷积结果求和，获取所述目标作物的实际需水量。
根据本发明提供的一种作物需水量预测方法，所述解码器单元包括第一多头自注意力机制模块，所述利用所述解码器单元对所述向量表示矩阵进行逐级分解，获取第2级季节序列S2，包括：
利用所述第一多头自注意力机制模块，随机生成第一初始化线性变换矩阵
Figure BDA0004120051550000041
和/>
Figure BDA0004120051550000042
并将/>
Figure BDA0004120051550000043
和/>
Figure BDA0004120051550000044
分别与向量表示矩阵/>
Figure BDA0004120051550000045
相乘，获取第一向量Q1、K1和V1：
Figure BDA0004120051550000046
Figure BDA0004120051550000047
Figure BDA0004120051550000048
基于第一向量Q1、K1和V1，通过逻辑回归层按下式计算当前日的特征相对于其他日特征的注意力系数：
Figure BDA0004120051550000049
式中，Attention(Q1,K1,V1)表示所述注意力系数，dk表示向量Q1、K1和V1的维度；
将所述注意力系数与向量V1相乘，获取单个自注意力机制的输出矩阵，并将所述第一多头自注意力机制模块中各自注意力机制的输出矩阵拼接后通过线性转换层，获取第一多头自注意力机制输出；
将所述第一多头自注意力机制输出顺次进行两级残差连接与层归一化处理和序列分解处理，获取所述第2级季节序列S2。
根据本发明提供的一种作物需水量预测方法，所述编码器单元包括掩码多头注意力机制模块和第二多头自注意力机制模块，所述利用所述编码器单元进行逐级分解，获取第i级趋势周期序列Ti、第i+1级趋势周期序列Ti+1、第i+2级趋势周期序列Ti+2和第i+2级季节序列Si+2，包括：
令向量表示矩阵
Figure BDA0004120051550000051
等于季节序列初始值S0，利用所述掩码多头注意力机制模块，按照与所述第一多头自注意力机制模块相同的计算规则计算掩码多头自注意力机制输出；
将所述掩码多头自注意力机制输出依次进行第一级的残差连接与层归一化处理和序列分解处理，获取第i级趋势周期序列Ti和第i级季节序列Si；
利用所述第二多头自注意力机制模块，随机生成第二初始化线性变换矩阵
Figure BDA0004120051550000052
和/>
Figure BDA0004120051550000053
并基于所述第2级季节序列S2和第i级季节序列Si，按下式计算获取第二向量Q2、K2和V2：
Figure BDA0004120051550000054
Figure BDA0004120051550000055
Figure BDA0004120051550000056
基于第二向量Q2、K2和V2，利用所述第二多头自注意力机制模块，按照与所述第一多头自注意力机制模块相同的计算规则计算第二多头自注意力机制输出；
将所述第二多头自注意力机制输出依次进行第二级的残差连接与层归一化处理和序列分解处理，获取第i+1级趋势周期序列Ti+1和第i+1级季节序列Si+1；
将第i+1级季节序列Si+1进行前向神经网络计算后，再依次进行第三级的残差连接与层归一化处理和序列分解处理，获取第i+2级趋势周期序列Ti+2和第i+2级季节序列Si+2。
本发明还提供一种作物需水量预测装置，包括：
第一处理模块，用于获取目标作物生长的相关特征数据，并对所述相关特征数据进行预处理，所述相关特征数据包括生命周期理论需水量序列数据、气象环境特征数据和土壤墒情数据；
第二处理模块，用于采用嵌入算法，从预处理后的相关特征数据中提取特征值嵌入向量、位置嵌入向量和时间嵌入向量，并基于所述特征值嵌入向量、所述位置嵌入向量和所述时间嵌入向量，生成向量表示矩阵；
预测模块，用于基于所述向量表示矩阵，构建基于Transformer的需水量预测模型，预测所述目标作物的实际需水量。
本发明还提供一种电子设备，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程序或指令，所述处理器执行所述程序或指令时，实现如上述任一种所述的作物需水量预测方法的步骤。
本发明还提供一种非暂态计算机可读存储介质，其上存储有程序或指令，所述程序或指令被计算机执行时，实现如上述任一种所述的作物需水量预测方法的步骤。
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，计算机能够执行如上述任一种所述的作物需水量预测方法。
本发明提供的作物需水量预测方法、装置、电子设备及存储介质，通过采用基于Transformer注意力机制的预测模型，能够更好的进行并行计算，从而有效提高运算效率，且通过作物生命周期理论需水量序列数据、气象环境特征数据与土壤墒情数据的结合，能够更精准地反映作物的实际生长状态，再结合Transformer注意力机制模型良好的精度和性能，能够进一步提高预测准确性。
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，下面将对本发明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为本发明提供的作物需水量预测方法的流程示意图之一；
图2为根据本发明提供的作物需水量预测方法中构建基于Transformer的需水量预测模型进行需水量预测的流程示意图；
图3为本发明提供的作物需水量预测方法的流程示意图之二；
图4为本发明提供的作物需水量预测方法的流程示意图之三；
图5为本发明提供的作物需水量预测装置的结构示意图；
图6为本发明提供的电子设备的实体结构示意图。
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的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。
本发明针对现有技术存在的预测运算效率较低等的问题，通过采用基于Transformer注意力机制的预测模型，能够更好的进行并行计算，从而有效提高运算效率，且通过作物生命周期理论需水量序列数据、气象环境特征数据与土壤墒情数据的结合，能够更精准地反映作物的实际生长状态，再结合Transformer注意力机制模型良好的精度和性能，能够进一步提高预测准确性。以下将结合附图，具体通过多个实施例对本发明进行展开说明和介绍。
图1为本发明提供的作物需水量预测方法的流程示意图之一，如图1所示，该方法包括：
S101，获取目标作物生长的相关特征数据，并对所述相关特征数据进行预处理。
其中，所述相关特征数据包括生命周期理论需水量序列数据、气象环境特征数据和土壤墒情数据。
可以理解为，本发明首先获取目标作物生长的相关特征数据信息，包括作物生长环境数据信息和作物生命周期数据信息，其中作物生长环境数据信息进一步包括气象环境特征数据和土壤墒情数据，作物生命周期数据信息包括生命周期理论需水量序列数据信息。
具体而言，可以使用传感器采集目标作物生长的气象环境特征数据和土壤墒情数据，包括光照、温度、湿度和土壤EC值，并将感知结果通过无线传输方式传送到数据终端。
可选地，根据目标作物在不同生长阶段需水量的不同，可以将上述气象环境特征数据和土壤墒情数据细化为：日累积平均光照、日平均光照、日最大光照、日平均温度、昼平均温度、日最大温度、日最小温度、日平均湿度、昼平均湿度、日最大湿度、日最小湿度、土壤EC值和土壤温湿度等指标。
同时，可以根据需水量理论计算公式，计算目标作物不同生长阶段的理论需水量，并进一步据此确定目标作物的生命周期理论需水量序列数据，其中需水量理论计算公式如下：
Y＝Kc×ET0；
式中，Y表示目标作物理论需水量，单位mm/d，Kc为作物系数，表示作物生长不同时期(萌芽期，开花期，坐果期，果实生长期，果实成熟期)的需水量，ET0表示参照作物蒸腾蒸发量，单位mm/d，ET0计算公式如下：
Figure BDA0004120051550000081
式中，Δ表示饱和水汽压曲线斜率，KPa/℃，Rn表示地表净辐射，MJ/m2·d，G表示土壤热通量，MJ/m2·d，γ表示湿度计常数，KPa/℃，μ2表示2米高处风速，m/s，es表示饱和水汽压，kPa，ea表示实际水汽压，kPa，t表示平均气温，℃。
之后，为保证特征数据的统一性，方便计算，对得到的上述相关特征数据进行数据预处理。具体而言，假设当前特征数据为Xn×d(其中d为特征的维度)，{xp}(p＝1,2,…,n)为特征数据集合，xmax＝max{xp}，xmin＝min{xp}，则按如下公式对Xn×d进行归一化处理，以将其转化到0-1区间内：
xp'＝(xp-xmin)/(xmax-xmin)。
同时，对时间数据Dn×1，以天数为频率，从[DayOfWeek,DayOfMonth,DayOfYear]三个维度提取时间特征数据Dn×3。
S102，采用嵌入算法，从预处理后的相关特征数据中提取特征值嵌入向量、位置嵌入向量和时间嵌入向量，并基于所述特征值嵌入向量、所述位置嵌入向量和所述时间嵌入向量，生成向量表示矩阵。
可以理解为，在对相关特征数据进行预处理后，可以得到预处理后的相关特征数据，对于预处理后的相关特征数据，本发明通过将其输入嵌入模块，得到相应的特征值嵌入向量、位置嵌入向量和时间嵌入向量。
可选地，所述采用嵌入算法，从预处理后的相关特征数据中提取特征值嵌入向量、位置嵌入向量和时间嵌入向量，包括编码器向量转化，所述编码器向量转化包括：对于所述特征值嵌入向量，将所述预处理后的相关特征数据经过一维卷积从d维映射为dmodel；对于所述位置嵌入向量，将所述预处理后的相关特征数据按如下公式进行计算：
Figure BDA0004120051550000091
其中pos表示特征在序列中的位置，i表示向量中的第i个维度；对于所述时间嵌入向量，将所述预处理后的相关特征数据中的时间特征数据经过线性变换从3维映射为dmodel维。
可以理解为，本发明在进行编码器向量转化时，通过嵌入模块从预处理后的特征数据中提取特征值嵌入向量、位置嵌入向量、时间嵌入向量。其中特征值嵌入向量为将预处理后的特征数据经过一维卷积从d维映射为dmodel，位置嵌入向量为将预处理后的特征数据通过上述位置嵌入向量计算公式进行计算，时间嵌入向量为将上述时间特征数据经过线性变换从3维映射为dmodel维。
可选地，所述采用嵌入算法，从预处理后的相关特征数据中提取特征值嵌入向量、位置嵌入向量和时间嵌入向量，包括解码器向量转化，所述解码器向量转化包括：按照如下序列分解规则，将预处理后的相关特征数据X'n×d分解为第一长期趋势序列T'和第一季节序列S'：
t1＝AvgPool1D(Padding(X'n×d))kernel1；
t2＝AvgPool1D(Padding(X'n×d))kernel2；
t3＝AvgPool1D(Padding(X'n×d))kernel3；
T′＝(t1+t2+t3)/3；
S′＝X'n×d-T′；
式中，Padding规则依据公式
Figure BDA0004120051550000106
确定，且保持序列的输出维度Lout和输入维度Lin相同，AvgPool1D表示1维平均池化操作，3个池化操作核尺寸kernel1、kernel2和kernel3的值各不相同；
基于所述第一长期趋势序列T'和所述第一季节序列S'，按如下公式生成第二长期趋势序列T'(n+L)×d和第二季节序列S'(n+L)×d：
Figure BDA0004120051550000101
S'(n+L)×d＝concat(S′,zerosL×d)；
式中，
Figure BDA0004120051550000102
表示对X'n×d求取的平均值，/>
Figure BDA0004120051550000103
表示将/>
Figure BDA0004120051550000104
拼接L次成为
Figure BDA0004120051550000105
zerosL×d表示维度为L×d的0矩阵；
依据编码器向量转化规则，从S'(n+L)×d中提取所述特征值嵌入向量、所述位置嵌入向量和所述时间嵌入向量。
可以理解为，对于特征数据X，可以按照如下序列分解规则，将其分解成季节序列S和长期趋势序列T：
首先，按下式分解出长期趋势序列T：
t1＝AvgPool1D(Padding(X))kernel1；
t2＝AvgPool1D(Padding(X))kernel2；
t3＝AvgPool1D(Padding(X))kernel3；
T＝(t1+t2+t3)/3；
之后，可按如下方法生成季节序列S：
S＝X-T。
于是，本发明在进行解码器向量转化时，可以令X等于处理后的相关特征数据X'n×d，并依据如上序列分解规则，将X'n×d分解为第一长期趋势序列T'和第一季节序列S'。
之后，对X'n×d求平均值得到
Figure BDA0004120051550000111
Figure BDA0004120051550000112
并基于T'、S'和/>
Figure BDA0004120051550000113
按上述第二长期趋势序列与第二季节序列计算公式进一步生成新的长期趋势序列T'(n+L)×d和新的季节序列S'(n+L)×d。最后，依据编码器向量转化规则，从S'(n+L)×d中提取特征值嵌入向量、位置嵌入向量和时间嵌入向量。
在获取特征值嵌入向量、位置嵌入向量和时间嵌入向量的基础上，将三者相加，生成向量表示矩阵
Figure BDA0004120051550000114
同时，从S'中提取初始特征值嵌入向量、初始位置嵌入向量和初始时间嵌入向量并相加，生成解码器输入向量季节序列/>
Figure BDA0004120051550000115
S103，基于所述向量表示矩阵，构建基于Transformer的需水量预测模型，预测所述目标作物的实际需水量。
可以理解为，在生成向量表示矩阵的基础上，将向量表示矩阵输入到事先训练好的基于Transformer的需水量预测模型中，以构建基于Transformer的需水量预测模型，对向量表示矩阵进行基于多头自注意力机制的运算和序列分解，并最终在序列分解和重新加和的基础上，预测目标作物的实际需水量。
本发明提供的作物需水量预测方法，通过采用基于Transformer注意力机制的预测模型，能够更好的进行并行计算，从而有效提高运算效率，且通过作物生命周期理论需水量序列数据、气象环境特征数据与土壤墒情数据的结合，能够更精准地反映作物的实际生长状态，再结合Transformer注意力机制模型良好的精度和性能，能够进一步提高预测准确性。
其中，根据上述各实施例提供的作物需水量预测方法可选地，所述基于Transformer的需水量预测模型包括解码器单元和编码器单元，所述构建基于Transformer的需水量预测模型，预测所述目标作物的实际需水量的步骤具体如图2所示，为根据本发明提供的作物需水量预测方法中构建基于Transformer的需水量预测模型进行需水量预测的流程示意图，包括：
S201，将所述向量表示矩阵输入所述解码器单元，利用所述解码器单元对所述向量表示矩阵进行逐级分解，获取第2级季节序列S2。
可以理解为，如图3所示，为本发明提供的作物需水量预测方法的流程示意图之二，在对输入的时间序列数据(即相关特征数据)进行数据预处理的基础上，对预处理的结果进行向量转化，分别得到特征值嵌入向量、位置嵌入向量和时间嵌入向量，之后在根据特征值嵌入向量、位置嵌入向量和时间嵌入向量得到向量表示矩阵的基础上，构建基于Transformer的需水量预测模型进行需水量预测。如图3所示，本发明中基于Transformer的需水量预测模型在结构上可以由解码器单元和编码器单元构成，则所得向量表示矩阵首先被输入到解码器单元中。解码器单元利用其所包含的序列分解模块，对向量表示矩阵依次进行第一级分解和第二级分解，并由第二级分解得到第2级季节序列S2。
S202，生成季节序列初始值S0和趋势周期序列初始值T0，并将所述第2级季节序列S2和所述季节序列初始值S0输入所述编码器单元，以利用所述编码器单元进行逐级分解，获取第i级趋势周期序列Ti、第i+1级趋势周期序列Ti+1、第i+2级趋势周期序列Ti+2和第i+2级季节序列Si+2。
可以理解为，可以在提取特征值嵌入向量、位置嵌入向量和时间嵌入向量的过程中，按照一定生成方式，如随机，生成季节序列初始值S0和趋势周期序列初始值T0，并将季节序列初始值S0和第2级季节序列S2输入到编码器单元中。之后，编码器单元利用其包含的序列分解模块，对S0依次进行第一级分解、第二级分解和第三级分解，并在对S0进行第二级分解和第三级分解的同时，分别对S2进行第一级分解和第二级分解，以在各级分解的基础上，获取第i级趋势周期序列Ti、第i+1级趋势周期序列Ti+1、第i+2级趋势周期序列Ti+2和第i+2级季节序列Si+2。
S203，利用所述编码器单元，将所述第i级趋势周期序列Ti、所述第i+1级趋势周期序列Ti+1和所述第i+2级趋势周期序列Ti+2求和并计算一维卷积，获取卷积结果。
可以理解为，在上述步骤分解的基础上，本发明先对3个序列分解模块进行三级分解得到的长期趋势周期序列Ti、Ti+1和Ti+2进行求和，得到：
O2＝Ti+Ti+1+Ti+2；
再对求和所得值O2进行一维卷积操作，得到卷积结果O3：
O3＝conv1D(O2)。
S204，对所述趋势周期序列初始值T0、所述第i+2级季节序列Si+2的线性变换结果和所述卷积结果求和，获取所述目标作物的实际需水量。
可以理解为，本步骤在得到第i+2级季节序列Si+2的基础上，先对Si+2进行线性变换，生成序列O1作为对Si+2的线性变换结果，再对上述步骤所得趋势周期序列初始值T0、卷积结果O3和对Si+2的线性变换结果O1求和，得到最终预测值pred：
pred＝T0+O3+O1。
本发明通过将相关特征数据的向量表示矩阵依次输入到基于Transformer的需水量预测模型中的解码器单元和编码器单元，可以有效利用解码器单元和编码器单元中的序列分解模块对向量表示矩阵进行多级分解，并在分解的基础上通过数据重构准确预测出目标作物的需水量。
其中，根据上述各实施例提供的作物需水量预测方法可选地，所述解码器单元包括第一多头自注意力机制模块，所述利用所述解码器单元对所述向量表示矩阵进行逐级分解，获取第2级季节序列S2，包括：利用所述第一多头自注意力机制模块，随机生成第一初始化线性变换矩阵
Figure BDA0004120051550000141
和/>
Figure BDA0004120051550000142
并将/>
Figure BDA0004120051550000143
和/>
Figure BDA0004120051550000144
分别与向量表示矩阵/>
Figure BDA0004120051550000145
相乘，获取第一向量Q1、K1和V1：/>
Figure BDA0004120051550000146
Figure BDA0004120051550000147
基于第一向量Q1、K1和V1，通过逻辑回归层按下式计算当前日的特征相对于其他日特征的注意力系数：
Figure BDA0004120051550000148
式中，Attention(Q1,K1,V1)表示所述注意力系数，dk表示向量Q1、K1和V1的维度；
将所述注意力系数与向量V1相乘，获取单个自注意力机制的输出矩阵，并将所述第一多头自注意力机制模块中各自注意力机制的输出矩阵拼接后通过线性转换层，获取第一多头自注意力机制输出；将所述第一多头自注意力机制输出顺次进行两级残差连接与层归一化处理和序列分解处理，获取所述第2级季节序列S2。
可以理解为，如图3所示，本发明中解码器单元在结构上可以由1个多头自注意力机制模块(即第一多头自注意力机制模块)、2个序列分解模块、1个前向神经网络和2个残差连接与层归一化层(Add&Norm)构成。
如图3所示，向量表示矩阵首先被输入到解码器单元中的第一多头自注意力机制模块，在获取向量表示矩阵时，第一多头自注意力机制模块按照上述第一多头自注意力机制输出的计算方式，计算得到第一多头自注意力机制输出。
之后，向量表示矩阵和第一多头自注意力机制输出被输入到第一个残差连接与层归一化层。第一个残差连接与层归一化层将上一层的输入信息和输出信息相加并进行层归一化后，作为下一层的输入C1。
再之后，C1被输入到第一个序列分解模块，第一个序列分解模块基于作物需水的长期趋势特性，依据序列分解规则将输入序列分解为第1级季节序列S1和第1级长期趋势序列T1。
然后，S1被输入到前向神经网络，前向神经网络对S1进行进一步处理后输入到第二个残差连接与层归一化层，第二个残差连接与层归一化层将S1和输入信息进行相加并进行层归一化后，作为下一层的输入C2。
最后，C2被输入到第二个序列分解模块，第二个序列分解模块采用与第一个序列分解模块相同的分解规则，将消息C2分解为第2级季节序列S2和第2级长期趋势序列T2，并只将消息S2传递到编码器单元中。
本发明通过残差连接与层归一化层将上一层的信息传递到下一层，可有效提升模型性能并加速训练过程，使模型更快收敛，从而有效解决多层神经网络训练困难的问题。
其中，根据上述各实施例提供的作物需水量预测方法可选地，所述编码器单元包括掩码多头注意力机制模块和第二多头自注意力机制模块，所述利用所述编码器单元进行逐级分解，获取第i级趋势周期序列Ti、第i+1级趋势周期序列Ti+1、第i+2级趋势周期序列Ti+2和第i+2级季节序列Si+2，包括：令向量表示矩阵
Figure BDA0004120051550000151
等于季节序列初始值S0，利用所述掩码多头注意力机制模块，按照与所述第一多头自注意力机制模块相同的计算规则计算掩码多头自注意力机制输出；将所述掩码多头自注意力机制输出依次进行第一级的残差连接与层归一化处理和序列分解处理，获取第i级趋势周期序列Ti和第i级季节序列Si；利用所述第二多头自注意力机制模块，随机生成第二初始化线性变换矩阵/>
Figure BDA0004120051550000161
和/>
Figure BDA0004120051550000162
并基于所述第2级季节序列S2和第i级季节序列Si，按下式计算获取第二向量Q2、K2和V2：
Figure BDA0004120051550000163
Figure BDA0004120051550000164
基于第二向量Q2、K2和V2，利用所述第二多头自注意力机制模块，按照与所述第一多头自注意力机制模块相同的计算规则计算第二多头自注意力机制输出；将所述第二多头自注意力机制输出依次进行第二级的残差连接与层归一化处理和序列分解处理，获取第i+1级趋势周期序列Ti+1和第i+1级季节序列Si+1；将第i+1级季节序列Si+1进行前向神经网络计算后，再依次进行第三级的残差连接与层归一化处理和序列分解处理，获取第i+2级趋势周期序列Ti+2和第i+2级季节序列Si+2。
可以理解为，如图3所示，本发明中编码器单元在结构上可以由1个掩码多头注意力机制模块、1个多头自注意力机制模块(即第二多头自注意力机制模块)、3个序列分解模块、1个前向神经网络、3个残差连接与层归一化层(Add&Norm)、1个Add卷积模块和1个线性模块构成。
如图3所示，季节序列初始值S0首先被输入到编码器单元中的掩码多头注意力机制模块，在获取S0时，掩码多头注意力机制模块中的自注意力模块按照与第一多头自注意力机制模块相同的流程规则，对S0生成Q、K和V值，并计算掩码多头自注意力机制输出。
之后，S0和掩码多头自注意力机制输出被输入到第一个残差连接与层归一化层。第一个残差连接与层归一化层将上一层的输入信息和输出信息进行相加并进行层归一化后，作为下一层的输入C1。
再之后，C1被输入到第一个序列分解模块，第一个序列分解模块依据与解码器中第一个序列分解模块相同的序列分解规则，将输入序列分解为第i级季节序列Si和第i级长期趋势序列Ti。
再之后，Si和第2级季节序列S2被传递到第二多头自注意力机制模块中，第二多头自注意力机制模块随机生成三个初始化线性变换矩阵
Figure BDA0004120051550000171
和/>
Figure BDA0004120051550000172
并与S2相乘生成K和V，与Si相乘生成Q值后，按照与第一多头自注意力机制模块相同的计算规则计算第二多头自注意力机制输出。
然后，第二多头自注意力机制输出依次被输入到第二层的残差连接与层归一化层和序列分解模块，并在进行残差连接与层归一化处理和序列分解处理后，被分解为Ti+1和Si+1。
再然后，Si+1被输入到前向神经网络，前向神经网络对Si+1进行进一步处理后输入到第三层的残差连接与层归一化层，第三层的残差连接与层归一化层将Si+1和输入信息进行相加并进行层归一化后，作为第三层的序列分解模块的输入C2。
最后，C2被输入到第三层的序列分解模块，第三层的序列分解模块采用与第一个序列分解模块相同的分解规则，将消息C2分解为第i+2级趋势周期序列Ti+2和第i+2级季节序列Si+2。之后，线性模块可以对第三层的序列分解模块分解的季节序列Si+2进行线性变换，生成序列O1作为对Si+2的线性变换结果。
本发明通过采用多头注意力机制结构，可以捕获作物日需水量数据序列各个特征数据之间多种维度上的相关注意力值，因此具有更好的精度和性能。
为进一步说明本发明的技术方案，以下结合图4进行更详细的说明，但不对本发明要求保护的范围进行限制。
如图4所示，为本发明提供的作物需水量预测方法的流程示意图之三，包括以下处理步骤：
S401，获取作物生长的时间序列数据、环境数据和土壤墒情数据，其中时间序列数据即作物生长生命周期理论需水量序列数据，环境数据即作物生长的气象环境特征数据；
S402，对输入的时间序列数据、环境数据和土壤墒情数据进行数据预处理；
S403，采用嵌入算法，从预处理后的输入序列中获取特征值嵌入向量、位置嵌入向量和时间嵌入向量，并将这三种嵌入向量类型的特征信息进行融合，得到输入序列的向量表示矩阵；
S404，将向量表示矩阵输入到解码器中，以利用解码器中的序列分解模块从向量表示矩阵中分解出第1级季节序列S1，并进一步从S1中分解出第2级季节序列S2；
S405，生成季节序列初始值S0和趋势周期序列初始值T0，并将S0输入到编码器中，以利用编码器中的序列分解模块将S0分解为第i级季节序列Si和第i级趋势周期序列Ti，之后Si被进一步分解为第i+1级季节序列Si+1和第i+1级趋势周期序列Ti+1，Si+1又被进一步分解为第i+2级季节序列Si+2和第i+2级趋势周期序列Ti+2；
S406，编码器中生成的多个趋势周期序列求和并计算一维卷积后，与T0和Si+2的线性变换结果求和，获取需水量预测值。
本发明通过采用Transformer注意力机制模型，可以更好的进行并行训练，且通过采用多头注意力机制结构，可以捕获作物日需水量数据序列各个特征数据之间多种维度上的相关注意力值，准确性更高。
基于相同的发明构思，本发明根据上述各实施例还提供一种作物需水量预测装置，该装置用于在上述各实施例中实现对作物需水量的预测。因此，在上述各实施例的作物需水量预测方法中的描述和定义，可以用于本发明中各个执行模块的理解，具体可参考上述方法实施例，此处不在赘述。
根据本发明的一个实施例，作物需水量预测装置的结构如图5所示，为本发明提供的作物需水量预测装置的结构示意图，该装置可以用于实现上述各方法实施例中的作物需水量预测，该装置包括：第一处理模块501、第二处理模块502和预测模块503。其中：
第一处理模块501用于获取目标作物生长的相关特征数据，并对所述相关特征数据进行预处理，所述相关特征数据包括生命周期理论需水量序列数据、气象环境特征数据和土壤墒情数据；第二处理模块502用于采用嵌入算法，从预处理后的相关特征数据中提取特征值嵌入向量、位置嵌入向量和时间嵌入向量，并基于所述特征值嵌入向量、所述位置嵌入向量和所述时间嵌入向量，生成向量表示矩阵；预测模块503用于基于所述向量表示矩阵，构建基于Transformer的需水量预测模型，预测所述目标作物的实际需水量。
本发明提供的作物需水量预测装置，通过采用基于Transformer注意力机制的预测模型，能够更好的进行并行计算，从而有效提高运算效率，且通过作物生命周期理论需水量序列数据、气象环境特征数据与土壤墒情数据的结合，能够更精准地反映作物的实际生长状态，再结合Transformer注意力机制模型良好的精度和性能，能够进一步提高预测准确性。
可选地，所述第二处理模块在用于所述采用嵌入算法，从预处理后的相关特征数据中提取特征值嵌入向量、位置嵌入向量和时间嵌入向量时，用于编码器向量转化，所述编码器向量转化包括：
对于所述特征值嵌入向量，将所述预处理后的相关特征数据经过一维卷积从d维映射为dmodel；
对于所述位置嵌入向量，将所述预处理后的相关特征数据按如下公式进行计算：
Figure BDA0004120051550000191
Figure BDA0004120051550000192
式中，pos表示特征在序列中的位置，i表示向量中的第i个维度；
对于所述时间嵌入向量，将所述预处理后的相关特征数据中的时间特征数据经过线性变换从3维映射为dmodel维。
可选地，所述第二处理模块在用于所述采用嵌入算法，从预处理后的相关特征数据中提取特征值嵌入向量、位置嵌入向量和时间嵌入向量时，用于解码器向量转化，所述解码器向量转化包括：
按照如下序列分解规则，将预处理后的相关特征数据X'n×d分解为第一长期趋势序列T'和第一季节序列S'：
t1＝AvgPool1D(Padding(X'n×d))kernel1；
t2＝AvgPool1D(Padding(X'n×d))kernel2；
t3＝AvgPool1D(Padding(X'n×d))kernel3；
T′＝(t1+t2+t3)/3；
S＝X'n×d-T′；
式中，Padding规则依据公式
Figure BDA0004120051550000201
确定，且保持序列的输出维度Lout和输入维度Lin相同，AvgPool1D表示1维平均池化操作，3个池化操作核尺寸kernel1、kernel2和kernel3的值各不相同；
基于所述第一长期趋势序列T'和所述第一季节序列S'，按如下公式生成第二长期趋势序列T'(n+L)×d和第二季节序列S'(n+L)×d：
Figure BDA0004120051550000202
S'(n+L)×d＝concat(S′,zerosL×d)；
式中，
Figure BDA0004120051550000203
表示对X'n×d求取的平均值，/>
Figure BDA0004120051550000204
表示将/>
Figure BDA0004120051550000205
拼接L次成为/>
Figure BDA0004120051550000206
zerosL×d表示维度为L×d的0矩阵；
依据编码器向量转化规则，从S'(n+L)×d中提取所述特征值嵌入向量、所述位置嵌入向量和所述时间嵌入向量。
可选地，所述基于Transformer的需水量预测模型包括解码器单元和编码器单元，所述预测模块在用于所述构建基于Transformer的需水量预测模型，预测所述目标作物的实际需水量时，用于：
将所述向量表示矩阵输入所述解码器单元，以利用所述解码器单元对所述向量表示矩阵进行逐级分解，获取第2级季节序列S2；
生成季节序列初始值S0和趋势周期序列初始值T0，并将所述第2级季节序列S2和所述季节序列初始值S0输入所述编码器单元，以利用所述编码器单元进行逐级分解，获取第i级趋势周期序列Ti、第i+1级趋势周期序列Ti+1、第i+2级趋势周期序列Ti+2和第i+2级季节序列Si+2；
利用所述编码器单元，将所述第i级趋势周期序列Ti、所述第i+1级趋势周期序列Ti+1和所述第i+2级趋势周期序列Ti+2求和并计算一维卷积，获取卷积结果；
对所述趋势周期序列初始值T0、所述第i+2级季节序列Si+2的线性变换结果和所述卷积结果求和，获取所述目标作物的实际需水量。
可选地，所述解码器单元包括第一多头自注意力机制模块，所述预测模块在用于所述利用所述解码器单元对所述向量表示矩阵进行逐级分解，获取第2级季节序列S2时，用于：
利用所述第一多头自注意力机制模块，随机生成第一初始化线性变换矩阵
Figure BDA0004120051550000211
和/>
Figure BDA0004120051550000212
并将/>
Figure BDA0004120051550000213
和/>
Figure BDA0004120051550000214
分别与向量表示矩阵/>
Figure BDA0004120051550000215
相乘，获取第一向量Q1、K1和V1：
Figure BDA0004120051550000216
Figure BDA0004120051550000217
Figure BDA0004120051550000218
基于第一向量Q1、K1和V1，通过逻辑回归层按下式计算当前日的特征相对于其他日特征的注意力系数：
Figure BDA0004120051550000219
式中，Attention(Q1,K1,V1)表示所述注意力系数，dk表示向量Q1、K1和V1的维度；
将所述注意力系数与向量V1相乘，获取单个自注意力机制的输出矩阵，并将所述第一多头自注意力机制模块中各自注意力机制的输出矩阵拼接后通过线性转换层，获取第一多头自注意力机制输出；
将所述第一多头自注意力机制输出顺次进行两级残差连接与层归一化处理和序列分解处理，获取所述第2级季节序列S2。
可选地，所述编码器单元包括掩码多头注意力机制模块和第二多头自注意力机制模块，所述预测模块在用于所述利用所述编码器单元进行逐级分解，获取第i级趋势周期序列Ti、第i+1级趋势周期序列Ti+1、第i+2级趋势周期序列Ti+2和第i+2级季节序列Si+2时，用于：
令向量表示矩阵
Figure BDA0004120051550000221
等于季节序列初始值S0，利用所述掩码多头注意力机制模块，按照与所述第一多头自注意力机制模块相同的计算规则计算掩码多头自注意力机制输出；
将所述掩码多头自注意力机制输出依次进行第一级的残差连接与层归一化处理和序列分解处理，获取第i级趋势周期序列Ti和第i级季节序列Si；
利用所述第二多头自注意力机制模块，随机生成第二初始化线性变换矩阵
Figure BDA0004120051550000222
和/>
Figure BDA0004120051550000223
并基于所述第2级季节序列S2和第i级季节序列Si，按下式计算获取第二向量Q2、K2和V2：
Figure BDA0004120051550000224
Figure BDA0004120051550000225
Figure BDA0004120051550000226
基于第二向量Q2、K2和V2，利用所述第二多头自注意力机制模块，按照与所述第一多头自注意力机制模块相同的计算规则计算第二多头自注意力机制输出；
将所述第二多头自注意力机制输出依次进行第二级的残差连接与层归一化处理和序列分解处理，获取第i+1级趋势周期序列Ti+1和第i+1级季节序列Si+1；
将第i+1级季节序列Si+1进行前向神经网络计算后，再依次进行第三级的残差连接与层归一化处理和序列分解处理，获取第i+2级趋势周期序列Ti+2和第i+2级季节序列Si+2。
可以理解的是，本发明中可以通过硬件处理器(hardware processor)来实现上述各实施例的装置中的各相关程序模块。并且，本发明的作物需水量预测装置利用上述各程序模块，能够实现上述各方法实施例的作物需水量预测流程，在用于实现上述各方法实施例中的作物需水量预测时，本发明的装置产生的有益效果与对应的上述各方法实施例相同，可以参考上述各方法实施例，此处不再赘述。
作为本发明的又一个方面，本发明根据上述各实施例还提供一种电子设备，该电子设备包括存储器、处理器及存储在该存储器上并可在该处理器上运行的程序或指令，该处理器执行该程序或指令时，实现如上述各实施例所述的作物需水量预测方法的步骤。
进一步的，本发明的电子设备还可以包括通信接口和总线。参考图6，为本发明提供的电子设备的结构示意图，包括：至少一个存储器601、至少一个处理器602、通信接口603和总线604。
其中，存储器601、处理器602和通信接口603通过总线604完成相互间的通信，通信接口603用于该电子设备与相关特征数据采集或存储设备之间的信息传输；存储器601中存储有可在处理器602上运行的程序或指令，处理器602执行该程序或指令时，实现如上述各实施例所述的作物需水量预测方法的步骤。
可以理解为，该电子设备中至少包含存储器601、处理器602、通信接口603和总线604，且存储器601、处理器602和通信接口603通过总线604形成相互间的通信连接，并可完成相互间的通信，如处理器602从存储器601中读取作物需水量预测方法的程序指令等。另外，通信接口603还可以实现该电子设备与相关特征数据采集或存储设备之间的通信连接，并可完成相互间信息传输，如通过通信接口603实现目标作物生长的相关特征数据的读取等。
电子设备运行时，处理器602调用存储器601中的程序指令，以执行上述各方法实施例所提供的方法，例如包括：获取目标作物生长的相关特征数据，并对所述相关特征数据进行预处理，所述相关特征数据包括生命周期理论需水量序列数据、气象环境特征数据和土壤墒情数据；采用嵌入算法，从预处理后的相关特征数据中提取特征值嵌入向量、位置嵌入向量和时间嵌入向量，并基于所述特征值嵌入向量、所述位置嵌入向量和所述时间嵌入向量，生成向量表示矩阵；基于所述向量表示矩阵，构建基于Transformer的需水量预测模型，预测所述目标作物的实际需水量等。
上述的存储器601中的程序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。或者，实现上述各方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于一计算机可读取存储介质中，该程序在执行时，执行包括上述各方法实施例的步骤；而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(RandomAccess Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
本发明还根据上述各实施例提供一种非暂态计算机可读存储介质，其上存储有程序或指令，该程序或指令被计算机执行时，实现如上述各实施例所述的作物需水量预测方法的步骤，例如包括：获取目标作物生长的相关特征数据，并对所述相关特征数据进行预处理，所述相关特征数据包括生命周期理论需水量序列数据、气象环境特征数据和土壤墒情数据；采用嵌入算法，从预处理后的相关特征数据中提取特征值嵌入向量、位置嵌入向量和时间嵌入向量，并基于所述特征值嵌入向量、所述位置嵌入向量和所述时间嵌入向量，生成向量表示矩阵；基于所述向量表示矩阵，构建基于Transformer的需水量预测模型，预测所述目标作物的实际需水量等。
作为本发明的再一个方面，本实施例根据上述各实施例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实施例所提供的作物需水量预测方法，该方法例如包括：获取目标作物生长的相关特征数据，并对所述相关特征数据进行预处理，所述相关特征数据包括生命周期理论需水量序列数据、气象环境特征数据和土壤墒情数据；采用嵌入算法，从预处理后的相关特征数据中提取特征值嵌入向量、位置嵌入向量和时间嵌入向量，并基于所述特征值嵌入向量、所述位置嵌入向量和所述时间嵌入向量，生成向量表示矩阵；基于所述向量表示矩阵，构建基于Transformer的需水量预测模型，预测所述目标作物的实际需水量等。
本发明提供的电子设备、非暂态计算机可读存储介质和计算机程序产品，通过执行上述各实施例所述的作物需水量预测方法的步骤，采用基于Transformer注意力机制的预测模型，能够更好的进行并行计算，从而有效提高运算效率，且通过作物生命周期理论需水量序列数据、气象环境特征数据与土壤墒情数据的结合，能够更精准地反映作物的实际生长状态，再结合Transformer注意力机制模型良好的精度和性能，能够进一步提高预测准确性。
可以理解的是，以上所描述的装置、电子设备及存储介质的实施例仅仅是示意性的，其中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，既可以位于一个地方，或者也可以分布到不同网络单元上。可以根据实际需要选择其中的部分或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。
通过以上实施方式的描述，本领域的技术人员可以清楚地了解，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U盘、移动硬盘、ROM、RAM、磁碟或者光盘等，包括若干指令，用以使得一台计算机设备(如个人计算机，服务器，或者网络设备等)执行上述各方法实施例或者方法实施例的某些部分所述的方法。
另外，本领域内的技术人员应当理解的是，在本发明的申请文件中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本发明的说明书中，说明了大量具体细节。然而应当理解的是，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。类似地，应当理解，为了精简本发明公开并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。
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 (10)

1.一种作物需水量预测方法，其特征在于，包括：
获取目标作物生长的相关特征数据，并对所述相关特征数据进行预处理，所述相关特征数据包括生命周期理论需水量序列数据、气象环境特征数据和土壤墒情数据；
采用嵌入算法，从预处理后的相关特征数据中提取特征值嵌入向量、位置嵌入向量和时间嵌入向量，并基于所述特征值嵌入向量、所述位置嵌入向量和所述时间嵌入向量，生成向量表示矩阵；
基于所述向量表示矩阵，构建基于Transformer的需水量预测模型，预测所述目标作物的实际需水量。
2.根据权利要求1所述的作物需水量预测方法，其特征在于，所述采用嵌入算法，从预处理后的相关特征数据中提取特征值嵌入向量、位置嵌入向量和时间嵌入向量，包括编码器向量转化，所述编码器向量转化包括：
对于所述特征值嵌入向量，将所述预处理后的相关特征数据经过一维卷积从d维映射为dmodel；
对于所述位置嵌入向量，将所述预处理后的相关特征数据按如下公式进行计算：
Figure FDA0004120051540000011
Figure FDA0004120051540000012
式中，pos表示特征在序列中的位置，i表示向量中的第i个维度；
对于所述时间嵌入向量，将所述预处理后的相关特征数据中的时间特征数据经过线性变换从3维映射为dmodel维。
3.根据权利要求2所述的作物需水量预测方法，其特征在于，所述采用嵌入算法，从预处理后的相关特征数据中提取特征值嵌入向量、位置嵌入向量和时间嵌入向量，包括解码器向量转化，所述解码器向量转化包括：
按照如下序列分解规则，将预处理后的相关特征数据X'n×d分解为第一长期趋势序列T'和第一季节序列S'：
t1＝AvgPool1D(Padding(X'n×d))kernel1；
t2＝AvgPool1D(Padding(X'n×d))kernel2；
t3＝AvgPool1D(Padding(X'n×d))kernel3；
T′＝(t1+t2+t3)/3；
S′＝X'n×d-T′；
式中，Padding规则依据公式
Figure FDA0004120051540000026
确定，且保持序列的输出维度Lout和输入维度Lin相同，AvgPool1D表示1维平均池化操作，3个池化操作核尺寸kernel1、kernel2和kernel3的值各不相同；
基于所述第一长期趋势序列T'和所述第一季节序列S'，按如下公式生成第二长期趋势序列T'(n+L)×d和第二季节序列S'(n+L)×d：
Figure FDA0004120051540000021
S'(n+L)×d＝concat(S′,zerosL×d)；
式中，
Figure FDA0004120051540000022
表示对X′n×d求取的平均值，/>
Figure FDA0004120051540000023
表示将/>
Figure FDA0004120051540000024
拼接L次成为
Figure FDA0004120051540000025
zerosL×d表示维度为L×d的0矩阵；
依据编码器向量转化规则，从S'(n+L)×d中提取所述特征值嵌入向量、所述位置嵌入向量和所述时间嵌入向量。
4.根据权利要求1-3中任一所述的作物需水量预测方法，其特征在于，所述基于Transformer的需水量预测模型包括解码器单元和编码器单元，所述构建基于Transformer的需水量预测模型，预测所述目标作物的实际需水量，包括：
将所述向量表示矩阵输入所述解码器单元，以利用所述解码器单元对所述向量表示矩阵进行逐级分解，获取第2级季节序列S2；
生成季节序列初始值S0和趋势周期序列初始值T0，并将所述第2级季节序列S2和所述季节序列初始值S0输入所述编码器单元，以利用所述编码器单元进行逐级分解，获取第i级趋势周期序列Ti、第i+1级趋势周期序列Ti+1、第i+2级趋势周期序列Ti+2和第i+2级季节序列Si+2；
利用所述编码器单元，将所述第i级趋势周期序列Ti、所述第i+1级趋势周期序列Ti+1和所述第i+2级趋势周期序列Ti+2求和并计算一维卷积，获取卷积结果；
对所述趋势周期序列初始值T0、所述第i+2级季节序列Si+2的线性变换结果和所述卷积结果求和，获取所述目标作物的实际需水量。
5.根据权利要求4所述的作物需水量预测方法，其特征在于，所述解码器单元包括第一多头自注意力机制模块，所述利用所述解码器单元对所述向量表示矩阵进行逐级分解，获取第2级季节序列S2，包括：
利用所述第一多头自注意力机制模块，随机生成第一初始化线性变换矩阵
Figure FDA0004120051540000031
和
Figure FDA0004120051540000032
并将/>
Figure FDA0004120051540000033
和/>
Figure FDA0004120051540000034
分别与向量表示矩阵/>
Figure FDA0004120051540000035
相乘，获取第一向量Q1、K1和V1：
Figure FDA0004120051540000036
Figure FDA0004120051540000037
Figure FDA0004120051540000038
基于第一向量Q1、K1和V1，通过逻辑回归层按下式计算当前日的特征相对于其他日特征的注意力系数：
Figure FDA0004120051540000039
式中，Attention(Q1,K1,V1)表示所述注意力系数，dk表示向量Q1、K1和V1的维度；
将所述注意力系数与向量V1相乘，获取单个自注意力机制的输出矩阵，并将所述第一多头自注意力机制模块中各自注意力机制的输出矩阵拼接后通过线性转换层，获取第一多头自注意力机制输出；
将所述第一多头自注意力机制输出顺次进行两级残差连接与层归一化处理和序列分解处理，获取所述第2级季节序列S2。
6.根据权利要求5所述的作物需水量预测方法，其特征在于，所述编码器单元包括掩码多头注意力机制模块和第二多头自注意力机制模块，所述利用所述编码器单元进行逐级分解，获取第i级趋势周期序列Ti、第i+1级趋势周期序列Ti+1、第i+2级趋势周期序列Ti+2和第i+2级季节序列Si+2，包括：
令向量表示矩阵
Figure FDA0004120051540000041
等于季节序列初始值S0，利用所述掩码多头注意力机制模块，按照与所述第一多头自注意力机制模块相同的计算规则计算掩码多头自注意力机制输出；
将所述掩码多头自注意力机制输出依次进行第一级的残差连接与层归一化处理和序列分解处理，获取第i级趋势周期序列Ti和第i级季节序列Si；
利用所述第二多头自注意力机制模块，随机生成第二初始化线性变换矩阵
Figure FDA0004120051540000042
和
Figure FDA0004120051540000043
并基于所述第2级季节序列S2和第i级季节序列Si，按下式计算获取第二向量Q2、K2和V2：
Figure FDA0004120051540000044
Figure FDA0004120051540000045
Figure FDA0004120051540000046
基于第二向量Q2、K2和V2，利用所述第二多头自注意力机制模块，按照与所述第一多头自注意力机制模块相同的计算规则计算第二多头自注意力机制输出；
将所述第二多头自注意力机制输出依次进行第二级的残差连接与层归一化处理和序列分解处理，获取第i+1级趋势周期序列Ti+1和第i+1级季节序列Si+1；
将第i+1级季节序列Si+1进行前向神经网络计算后，再依次进行第三级的残差连接与层归一化处理和序列分解处理，获取第i+2级趋势周期序列Ti+2和第i+2级季节序列Si+2。
7.一种作物需水量预测装置，其特征在于，包括：
第一处理模块，用于获取目标作物生长的相关特征数据，并对所述相关特征数据进行预处理，所述相关特征数据包括生命周期理论需水量序列数据、气象环境特征数据和土壤墒情数据；
第二处理模块，用于采用嵌入算法，从预处理后的相关特征数据中提取特征值嵌入向量、位置嵌入向量和时间嵌入向量，并基于所述特征值嵌入向量、所述位置嵌入向量和所述时间嵌入向量，生成向量表示矩阵；
预测模块，用于基于所述向量表示矩阵，构建基于Transformer的需水量预测模型，预测所述目标作物的实际需水量。
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程序或指令，其特征在于，所述处理器执行所述程序或指令时，实现如权利要求1至6中任一项所述的作物需水量预测方法的步骤。
9.一种非暂态计算机可读存储介质，其上存储有程序或指令，其特征在于，所述程序或指令被计算机执行时，实现如权利要求1至6中任一项所述的作物需水量预测方法的步骤。
10.一种计算机程序产品，其特征在于，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，计算机能够执行如权利要求1至6中任一项所述的作物需水量预测方法。
CN202310228208.8A 2023-03-09 2023-03-09 作物需水量预测方法、装置、电子设备及存储介质 Active CN116306794B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310228208.8A CN116306794B (zh) 2023-03-09 2023-03-09 作物需水量预测方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310228208.8A CN116306794B (zh) 2023-03-09 2023-03-09 作物需水量预测方法、装置、电子设备及存储介质

Publications (2)

Publication Number Publication Date
CN116306794A true CN116306794A (zh) 2023-06-23
CN116306794B CN116306794B (zh) 2023-10-31

Family

ID=86777376

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310228208.8A Active CN116306794B (zh) 2023-03-09 2023-03-09 作物需水量预测方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN116306794B (zh)

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190147465A1 (en) * 2016-05-20 2019-05-16 Hitachi, Ltd. Demand prediction system and demand prediction method
CN110648020A (zh) * 2019-09-12 2020-01-03 中国农业大学 一种温室作物需水量预测方法及装置
US20210247544A1 (en) * 2019-10-12 2021-08-12 China Institute Of Water Resources And Hydropower Research Method for forecasting an agricultural irrigation water requirement
WO2021174755A1 (zh) * 2020-03-02 2021-09-10 北京全路通信信号研究设计院集团有限公司 一种基于深度学习的轨道交通客流需求预测方法和装置
CN113592185A (zh) * 2021-08-05 2021-11-02 四川大学 一种基于Transformer的电力负荷预测方法
CN114400685A (zh) * 2022-01-21 2022-04-26 骆公予 一种电源多能互补及其源荷储互动的方法
US20220197233A1 (en) * 2020-12-18 2022-06-23 Wuhan University Wind power prediction method and system for optimizing deep transformer network
US20220383155A1 (en) * 2021-05-28 2022-12-01 Enviro Networks, Inc. Method and apparatus for predictive calculation of plant water need
CN115587666A (zh) * 2022-11-04 2023-01-10 元始智能科技(南通)有限公司 基于季节趋势分解和混合神经网络的负荷预测方法及系统
CN115661547A (zh) * 2022-11-10 2023-01-31 广州市景丽园芳信息技术有限公司 一种基于知识图谱的植物灌溉养护方法及系统

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190147465A1 (en) * 2016-05-20 2019-05-16 Hitachi, Ltd. Demand prediction system and demand prediction method
CN110648020A (zh) * 2019-09-12 2020-01-03 中国农业大学 一种温室作物需水量预测方法及装置
US20210247544A1 (en) * 2019-10-12 2021-08-12 China Institute Of Water Resources And Hydropower Research Method for forecasting an agricultural irrigation water requirement
WO2021174755A1 (zh) * 2020-03-02 2021-09-10 北京全路通信信号研究设计院集团有限公司 一种基于深度学习的轨道交通客流需求预测方法和装置
US20220197233A1 (en) * 2020-12-18 2022-06-23 Wuhan University Wind power prediction method and system for optimizing deep transformer network
US20220383155A1 (en) * 2021-05-28 2022-12-01 Enviro Networks, Inc. Method and apparatus for predictive calculation of plant water need
CN113592185A (zh) * 2021-08-05 2021-11-02 四川大学 一种基于Transformer的电力负荷预测方法
CN114400685A (zh) * 2022-01-21 2022-04-26 骆公予 一种电源多能互补及其源荷储互动的方法
CN115587666A (zh) * 2022-11-04 2023-01-10 元始智能科技(南通)有限公司 基于季节趋势分解和混合神经网络的负荷预测方法及系统
CN115661547A (zh) * 2022-11-10 2023-01-31 广州市景丽园芳信息技术有限公司 一种基于知识图谱的植物灌溉养护方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
李彩霞;陈晓飞;韩国松;王铁良;杨国范;汪明霞;郑淑红;: "沈阳地区作物需水量的预测研究", 中国农村水利水电, no. 05, pages 61 - 64 *

Also Published As

Publication number Publication date
CN116306794B (zh) 2023-10-31

Similar Documents

Publication Publication Date Title
Jensen et al. MIDAS-an influence diagram for management of mildew in winter wheat
CN116307191B (zh) 一种基于人工智能算法的水资源配置方法、装置和设备
CN115529987B (zh) 作物设施的风口调控方法、装置、设备及存储介质
CN114662742A (zh) 大田灌溉施肥制度动态决策方法及装置
Tasfi et al. Deep neural networks with confidence sampling for electrical anomaly detection
CN117688404B (zh) 智能施肥配方决策方法、装置、设备、介质及程序产品
CN114600750A (zh) 智能节水灌溉系统及其操作方法
CN111274532B (zh) 一种基于ceemd-lzc和流形学习的短期风电功率预测方法和装置
CN114170137B (zh) 一种辣椒病害识别方法、识别系统、计算机可读存储介质
CN116306794B (zh) 作物需水量预测方法、装置、电子设备及存储介质
CN116523182B (zh) 一种生态果园的构建和生产管理方法、系统及存储介质
CN117455066A (zh) 一种基于多策略优化随机森林的玉米种植精准配肥方法、电子设备及存储介质
CN117349622A (zh) 基于混合深度学习机制的风电场风速预测方法
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
CN109255200B (zh) 一种养殖水体氨氮的软测量方法及装置
CN113449893A (zh) 虫害预测模型训练的方法、虫害预测的方法及装置
CN116070742A (zh) 用于预测作物产量的方法、装置、存储介质及处理器
CN116307879A (zh) 一种斑节对虾虾苗高效培育方法、系统及介质
CN109840308B (zh) 一种区域风电功率概率预报方法及系统
CN114444399A (zh) 一种基于XGBoost的温室滴灌番茄腾发量计算方法
CN114564838A (zh) 考虑时空相关性的多风电场风速模拟方法及系统
CN117057255B (zh) 一种用于数字孪生模型在线同步的预训练模型获取方法
CN117497194B (zh) 一种生物信息处理方法、装置、电子设备和存储介质
CN117910228A (zh) 一种基于农事方案模型生成农事方案方法及相关装置
Keisler et al. Automated Deep Learning for Load Forecasting

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