CN116541767A - 一种基于图神经网络的多元温室环境参数预测方法及系统 - Google Patents
一种基于图神经网络的多元温室环境参数预测方法及系统 Download PDFInfo
- Publication number
- CN116541767A CN116541767A CN202310812948.6A CN202310812948A CN116541767A CN 116541767 A CN116541767 A CN 116541767A CN 202310812948 A CN202310812948 A CN 202310812948A CN 116541767 A CN116541767 A CN 116541767A
- Authority
- CN
- China
- Prior art keywords
- neural network
- graph
- greenhouse
- module
- parameters
- 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
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 36
- 239000011159 matrix material Substances 0.000 claims abstract description 62
- 238000003062 neural network model Methods 0.000 claims abstract description 57
- 230000007613 environmental effect Effects 0.000 claims abstract description 51
- 238000000605 extraction Methods 0.000 claims abstract description 43
- 238000012549 training Methods 0.000 claims abstract description 17
- 238000005070 sampling Methods 0.000 claims abstract description 15
- 238000007781 pre-processing Methods 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 10
- 238000005286 illumination Methods 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 7
- 230000000977 initiatory effect Effects 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 238000005096 rolling process Methods 0.000 claims description 2
- 230000000694 effects Effects 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000007405 data analysis Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 230000004913 activation Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000007619 statistical method Methods 0.000 description 3
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000010396 two-hybrid screening Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 229910002092 carbon dioxide Inorganic materials 0.000 description 1
- 239000001569 carbon dioxide Substances 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06N3/042—Knowledge-based neural networks; Logical representations of neural 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于图神经网络的多元温室环境参数预测方法及系统，涉及环境参数预测领域，该方法包括：采集温室中的环境参数；以每个采样点采集的环境参数为列数，以连续采集时间段为行数构建时间序列矩阵；构建图神经网络模型；图神经网络模型包括：编码层、特征提取层和预测层；特征提取层包括：图学习模块和多个串联的特征提取模块；特征提取模块包括：时间卷积子模块和图卷积子模块；将时间序列矩阵和预先设定的图节点参数输入至图神经网络模型中，对图神经网络模型进行训练，得到训练好的图神经网络模型；通过训练好的图神经网络模型进行多元温室环境参数的预测。本发明能够对温室环境中多元参数进行实时预测，且预测结果精确。
Description
技术领域
本发明涉及环境参数预测技术领域，特别涉及一种基于图神经网络的多元温室环境参数预测方法及系统。
背景技术
近几年随着设施农业快速发展，设施农业生产有高效率、高质量、反季节种植的特点。温室作为设施农业中培育作物的重要场所，温室环境对作物的生长和产量具有重要影响。在温室环境调控中，合理的环境参数可以有效保障作物高效高质生长。所以温室环境参数有效预测是实现温室环境精准调控的重要基础，其对于优化温室生产，提高农作物产量和质量、实现规模化和集约化生产具有重要的意义。
现有的温室环境参数预测方法，存在以下几点问题：
1.多种环境参数间耦合关系复杂。温室内环境主要包括：气温、湿度、光照、二氧化碳浓度等。参数间存在复杂的耦合关系，且温室环境参数具有非线性和非稳定性等特点，难以用简单的统计学方法或基于规则的方法进行准确建模。
2.大部分预测方法以单参数预测为目标。这些模型通常以单一参数为输入,为考虑其他环境参数的影响。
3.鲁棒性不足。传统的统计学方法和机器学习方法对于环境参数的变化不够鲁棒，对于未知环境的预测准确性不高。
4.缺乏实时性。传统的统计学方法和机器学习方法需要离线训练模型，难以满足温室环境参数实时预测的需求。
发明内容
针对现有温室环境参数预测方法中存在的问题，本发明提供了一种基于图神经网络的多元温室环境参数预测方法及系统。
为实现上述目的，本发明提供了如下方案：
一种基于图神经网络的多元温室环境参数预测方法，包括：
采集温室中的环境参数；所述环境参数包括温度、湿度和光照强度；
以每个采样点采集的所述环境参数为列数，以每个采样点的连续采集时间段为行数构建时间序列矩阵；
构建图神经网络模型；所述图神经网络模型包括：编码层、特征提取层和预测层；所述特征提取层包括：图学习模块和多个串联的特征提取模块；所述特征提取模块包括：时间卷积子模块和图卷积子模块；
将所述时间序列矩阵和预先设定的图节点参数输入至所述图神经网络模型中，对所述图神经网络模型进行训练，得到训练好的图神经网络模型；所述图节点参数包括：节点数、子图数、输入维度和控制节点饱和率的超参数；
通过训练好的图神经网络模型进行多元温室环境参数的预测。
可选地，在采集温室中的环境参数之后还包括：
对所述环境参数进行预处理；所述预处理包括异常值处理和归一化操作。
可选地，所述图学习模块的输入为所述图节点参数；所述图学习模块的输出为邻接矩阵。
可选地，所述时间卷积子模块的输入为所述时间序列矩阵，所述时间卷积子模块用于对所述时间序列矩阵进行时间上的特征提取；所述图卷积子模块的输入为所述时间卷积子模块的输出和所述邻接矩阵，所述图卷积子模块用于对所述时间序列矩阵进行空间上特征提取。
可选地，所述时间卷积子模块包括膨胀卷积子模块和扩张初始子模块。
可选地，所述图卷积子模块包括两个混合跳跃传播子模块；所述混合跳跃传播子模块包括信息传播单元和信息选择单元。
可选地，所述信息传播单元的计算公式如下：
其中，为/>经过传播层第t层后得到的输出，/>为当前层的隐层输入，/>为超参数，t表示传播层的深度，/>，A为邻接矩阵，/>为变换后的矩阵，apq为矩阵中第p行q列的元素，I为单位矩阵。
可选地，所述信息选择单元的计算公式如下：
其中，表示当前层的隐层输出，/>为参数矩阵，i=0,1,...,t。
本发明还提供了一种基于图神经网络的多元温室环境参数预测系统，包括：
环境参数采集单元，用于采集温室中的环境参数；所述环境参数包括温度、湿度和光照强度；
时间序列矩阵构建单元，用于以每个采样点采集的所述环境参数为列数，以每个采样点的连续采集时间段为行数构建时间序列矩阵；
模型构建单元，用于构建图神经网络模型；所述图神经网络模型包括：编码层、特征提取层和预测层；所述特征提取层包括：图学习模块和多个串联的特征提取模块；所述特征提取模块包括：时间卷积子模块和图卷积子模块；
训练单元，用于将所述时间序列矩阵和预先设定的图节点参数输入至所述图神经网络模型中，对所述图神经网络模型进行训练，得到训练好的图神经网络模型；所述图节点参数包括：节点数、子图数、输入维度和控制节点饱和率的超参数；
预测单元，用于通过训练好的图神经网络模型进行多元温室环境参数的预测。
可选地，所述系统还包括：
预处理单元，用于对所述环境参数进行预处理；所述预处理包括异常值处理和归一化操作。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明提供了一种基于图神经网络的多元温室环境参数预测方法及系统，通过构建和训练图神经网络模型从而对多元温室环境参数进行实时预测。本发明构建的图神经网络模型中的特征提取层包括：图学习模块和多个串联的特征提取模块；特征提取模块包括：时间卷积子模块和图卷积子模块。图学习模块能够自适应地从所设定的图节点参数中抽取邻接矩阵，基于学习得到的邻接矩阵通过图卷积子模块进行变量之间空间依赖学习，能够缓解图神经网络中的过度平滑问题；且采用时间卷积子模块和图卷积子模块交替处理时序数据进行特征提取，能够达到更好的预测效果。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅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性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例一提供的基于图神经网络的多元温室环境参数预测方法的流程图；
图2为本发明实施例一提供的图神经网络模型的整体框架图；
图3为本发明实施例一提供的特征提取模块的工作示意图；
图4为本发明实施例一提供的时间卷积子模块的工作示意图；
图5为本发明实施例一提供的图卷积子模块的工作示意图；
图6为本发明实施例一提供的预测层的工作示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅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做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。
针对现有的温室环境参数预测方法，本发明提出以图神经网络为基础的多元温室环境参数预测方法及系统。对于温室环境参数非线性和非稳定性等特点，图神经网络能够对复杂的温室环境参数之间进行建模。温室环境参数属于高维时间序列，传统的机器学习方法需要进行大量的特征工程来降低维度。而图神经网络可以自动学习环境参数的特征表示，从而可以处理高维度的环境参数。图神经网络能够推理环境参数间的共性和规律，从而具有较强的泛化能力。对于环境参数变化也能进行准确预测。而且图神经网络能够进行端到端的训练和预测，可以在实时应用中进行快速预测，满足温室环境参数实施预测的需求。
根据图神经网络的特点，多元时间序列预测中的变量可以被认为是图中的节点，通过隐藏的依赖关系相互关联。使用图神经网络对多元时间序列数据建模，可以在利用时间序列之间的相互依赖关系的同时，保留其时间轨迹。
现有的图神经网络方法依赖于预先定义的图结构来进行时间序列预测。在大多数情况下，多元时间序列没有明确的图结构，需要从数据中去学习变量之间的关系。
现有方法大多专注于如何设计合适的图神经网络结构，却忽略了有时图结构（通常为邻接矩阵）有可能不是最优的，也需要在训练中优化。因此，对于时序问题，如何在一个端到端的框架下同时学习图结构和图神经网络是一个问题。
对于现有图神经网络需要依赖于预先定义的图结构时间序列预测这一点，本发明通过构建一个图学习模块，能够自适应地从数据中抽取稀疏图邻接矩阵。基于学习得到的邻接矩阵，再通过图卷积子模块进行变量之间空间依赖学习。同时对图卷积子模块进行了改进，学习变量之间的单向依赖以及缓解图神经网络中的过度平滑问题。
对于如何在一个端到端的框架下同时学习图结构和图神经网络这一点，本发明将图学习模块和图卷积子模块参数化，二者通过后向传播（梯度下降）方法共同优化。
对于时间序列数据的时间维度上，本发明用以扩张初始子模块为基础构建的时间卷积子模块来提取时序数据在时间维度上的特征，时间卷积子模块和图卷积子模块交替处理时序数据进行特征提取，以达到更好的预测效果。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例一
如图1所示，本实施例提供的基于图神经网络的多元温室环境参数预测方法包括以下步骤：
S1：采集温室中的环境参数；环境参数包括温度、湿度和光照强度等。
在采集环境参数前，需要进行温室环境参数采集方案的设计，方案设计包括传感器布置策略和数据采集策略两部分。传感器布置策略包括传感器数量、位置、布置高度以及传感器之间的间距等。数据采集策略需要制定数据采集的时间段、采集时间间隔、数据存储与更新频率等。
温室中的环境参数分别由各个参数所对应的传感器所采集，具体数据例如温度、湿度和光照强度等，按照时间序列获取。
在步骤S1之后，还包括：对采集到的环境参数进行数据分析，根据数据分析结果对环境参数进行预处理操作，其中包括异常值处理和归一化操作。
对环境参数进行数据分析包括：确定各个环境参数的大致区间，根据数据分析结果对数据进行异常值处理，对含有异常值的数据记录进行整条删除。
若未对数据进行归一化操作处理，可能出现每一批次训练的数据分布不同的问题。由于每层网络的输入数据在不断变化，归一化处理可以很好的解决构建的图神经网络模型不易收敛的问题，提高图神经网络模型的训练效率，归一化的计算公式为：
公式中，为输入数据的最大值；/>为输入数据的最小值；/>为归一化值，为输入数据。
S2：以每个采样点采集的环境参数为列数，以每个采样点的连续采集时间段为行数构建时间序列矩阵。
例如以温度数据为例，n个采样点，每一列表示一个采样点连续采集时间段内所采集的温度数据，存在相同格式的n列时序数据。
S3：构建图神经网络模型。如图2所示，图神经网络模型包括：编码层、特征提取层和预测层；此外还包括输入层input和输出层output。特征提取层包括：图学习模块和多个串联的特征提取模块。如图3所示，特征提取模块包括：时间卷积子模块和图卷积子模块。
进一步地，编码层的主要作用为处理时间序列矩阵，将其转换为特征提取层的输入格式；特征提取层主要负责对时间序列矩阵进行时间维度和空间维度上的特征提取；预测层的作用为接收多个模块的输出信息，进行拼接并通过卷积处理得到最终预测结果。如图6所示，预测层将三种数据，即最初的图神经网络模型的输入、特征提取层中每个时间卷积子模块提取特征后的数据以及经过整个图神经网络模型处理后的数据，通过不同的卷积进行处理，将处理完的结果相加再经过两个卷积得出最终预测值。
进一步地，图学习模块是为了学习一个邻接矩阵，从时序数据中自适应地捕获变量之间的空间关系。图学习模块计算公式如下：
其中，、/>为初始化节点嵌入，/>为源节点嵌入，/>为目标节点嵌入，/>、/>为图神经网络模型参数，α为激活函数的饱和率，tanh为双曲正切函数，通过公式（1）和公式（2）得到两个可学习的矩阵/>、/>。公式（3）为计算邻接矩阵的非对称信息，A表示邻接矩阵，其中使用ReLU激活可以正则化邻接矩阵的效果，如Auv为正值，那么它的对角元素Auv将为0（负值在ReLU下为0）。/>表示源节点和目标节点的空间依赖权重建模，相应地增加了/>，二者相减表示单项关系。公式（4）中，N表示图分割数，m表示第m个图分割数。
公式（5）和公式（6）起到稀疏邻接矩阵的作用，这样可以降低随后图卷积网络模型的计算代价。argtopk(.)为选择节点最近的k个节点，并以idx记录其位置，idx表示索引，在保留连接节点权重的同时，将未连接节点的权重置为0，这样可以减少邻居节点的个数，降低计算复杂度。
进一步地，特征提取层由n个特征提取模块串联组成，每个特征提取模块由时间卷积子模块和图卷积子模块组成，其中图卷积子模块主要负责对时间序列矩阵进行空间上特征提取，时间卷积子模块主要负责对时间序列矩阵时间上的特征提取。
时间卷积子模块作为特征提取模块中用于提取时间序列矩阵的时间特征的重要部分，使用多个标准的一维膨胀卷积核抽取高维的时序特征；图卷积子模块作为特征提取模块中用于提取时间序列矩阵的空间特征的重要部分，以邻接矩阵和时间序列矩阵作为输入，整合节点以及邻居节点信息。
进一步地，时间卷积子模块主要包括了两部分：膨胀卷积子模块和扩张初始子模块。其中膨胀卷积子模块主要是通过引入空洞，在增大感受野的同时不增加图神经网络模型的参数。而扩张初始子模块是从卷积的宽度出发，其在通过拼接的方式从宽度上增加感受野。
如图4所示，扩张初始子模块中选用了卷积核大小为1x2、1x3、1x6、1x7的四种卷积，以便更好地提取自然时序信号。
一个时间卷积子模块包括两个扩张初始子模块，两个扩张初始子模块在处理时序信息后，一个后接tanh激活函数，起到过滤器的作用；另一个后接sigmoid函数控制过滤器传递给下一个模块的信息量。
进一步地，如图5所示，图卷积子模块包含两个混合跳跃传播子模块，分别处理通过每个节点的流入和流出信息，具体混合跳跃传播子模块包含两个单元：信息传播单元和信息选择单元。
混合跳跃传播子模块中信息传播单元的计算公式如下：
其中，为/>经过传播层第t层后得到的输出，/>为超参数，它控制保留根节点原始状态的比率，t表示传播层的深度，/>，其中A为邻接矩阵，为变换后的矩阵，apq为矩阵中第p行q列的元素，I为单位矩阵，/>为当前层的隐层输入。
信息选择单元的计算公式如下：
为当前层的隐层输出，/>为参数矩阵，可以这样理解，当给定图结构没有空间依赖时，即信息传播公式中后半部分需要为0时，将/>=0即可，这样仅保留了初始节点信息。
S4：将时间序列矩阵和预先设定的图节点参数输入至图神经网络模型中，对图神经网络模型进行训练，得到训练好的图神经网络模型；图节点参数包括：节点数、子图数、输入维度和控制节点饱和率的超参数。
将时间序列矩阵分为训练集、测试集和验证集，划分比例为6:2:2。以训练集作为图神经网络模型的第一输入，以设定好的节点参数作为图神经网络模型的第二输入，其中节点参数是要输入至图学习模块的，图学习模块的输出为邻接矩阵。其中，节点参数包括节点数、子图数、输入维度、控制节点饱和率的超参数等。
在对图神经网络模型进行训练时，通过评估指标对图神经网络模型的预测结果进行评估。并通过测试集对训练后的图神经网络模型进行测试，并根据测试结果对比验证集对训练后的图神经网络模型进行调整，直至损失值在设定的阈值以内结束，得到训练好的图神经网络模型。
S5：通过训练好的图神经网络模型进行多元温室环境参数的预测。
通过上述方法，本发明能够实现对温室环境参数的实时预测，且预测精度高、预测速度快。
实施例二
为了执行上述实施例一对应的方法，以实现相应的功能和技术效果，下面提供了一种基于图神经网络的多元温室环境参数预测系统。
该系统包括：
环境参数采集单元，用于采集温室中的环境参数；环境参数包括温度、湿度和光照强度；
时间序列矩阵构建单元，用于以每个采样点采集的环境参数为列数，以每个采样点的连续采集时间段为行数构建时间序列矩阵；
模型构建单元，用于构建图神经网络模型；图神经网络模型包括：编码层、特征提取层和预测层；特征提取层包括：图学习模块和多个串联的特征提取模块；特征提取模块包括：时间卷积子模块和图卷积子模块；
训练单元，用于将时间序列矩阵和预先设定的图节点参数输入至图神经网络模型中，对图神经网络模型进行训练，得到训练好的图神经网络模型；图节点参数包括：节点数、子图数、输入维度和控制节点饱和率的超参数；
预测单元，用于通过训练好的图神经网络模型进行多元温室环境参数的预测。
上述系统还包括：
预处理单元，用于对环境参数进行预处理；预处理包括异常值处理和归一化操作。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种基于图神经网络的多元温室环境参数预测方法，其特征在于，包括：
采集温室中的环境参数；所述环境参数包括温度、湿度和光照强度；
以每个采样点采集的所述环境参数为列数，以每个采样点的连续采集时间段为行数构建时间序列矩阵；
构建图神经网络模型；所述图神经网络模型包括：编码层、特征提取层和预测层；所述特征提取层包括：图学习模块和多个串联的特征提取模块；所述特征提取模块包括：时间卷积子模块和图卷积子模块；
将所述时间序列矩阵和预先设定的图节点参数输入至所述图神经网络模型中，对所述图神经网络模型进行训练，得到训练好的图神经网络模型；所述图节点参数包括：节点数、子图数、输入维度和控制节点饱和率的超参数；
通过训练好的图神经网络模型进行多元温室环境参数的预测。
2.根据权利要求1所述的基于图神经网络的多元温室环境参数预测方法，其特征在于，在采集温室中的环境参数之后还包括：
对所述环境参数进行预处理；所述预处理包括异常值处理和归一化操作。
3.根据权利要求1所述的基于图神经网络的多元温室环境参数预测方法，其特征在于，所述图学习模块的输入为所述图节点参数；所述图学习模块的输出为邻接矩阵。
4.根据权利要求3所述的基于图神经网络的多元温室环境参数预测方法，其特征在于，所述时间卷积子模块的输入为所述时间序列矩阵，所述时间卷积子模块用于对所述时间序列矩阵进行时间上的特征提取；所述图卷积子模块的输入为所述时间卷积子模块的输出和所述邻接矩阵，所述图卷积子模块用于对所述时间序列矩阵进行空间上特征提取。
5.根据权利要求1所述的基于图神经网络的多元温室环境参数预测方法，其特征在于，所述时间卷积子模块包括膨胀卷积子模块和扩张初始子模块。
6.根据权利要求1所述的基于图神经网络的多元温室环境参数预测方法，其特征在于，所述图卷积子模块包括两个混合跳跃传播子模块；所述混合跳跃传播子模块包括信息传播单元和信息选择单元。
7.根据权利要求6所述的基于图神经网络的多元温室环境参数预测方法，其特征在于，所述信息传播单元的计算公式如下：
其中，为/>经过传播层第t层后得到的输出，/>为当前层的隐层输入，/>为超参数，t表示传播层的深度，/>，A为邻接矩阵，/>为变换后的矩阵，apq为矩阵中第p行q列的元素，I为单位矩阵。
8.根据权利要求7所述的基于图神经网络的多元温室环境参数预测方法，其特征在于，所述信息选择单元的计算公式如下：
其中，表示当前层的隐层输出，/>为参数矩阵，i=0,1,...,t。
9.一种基于图神经网络的多元温室环境参数预测系统，其特征在于，包括：
环境参数采集单元，用于采集温室中的环境参数；所述环境参数包括温度、湿度和光照强度；
时间序列矩阵构建单元，用于以每个采样点采集的所述环境参数为列数，以每个采样点的连续采集时间段为行数构建时间序列矩阵；
模型构建单元，用于构建图神经网络模型；所述图神经网络模型包括：编码层、特征提取层和预测层；所述特征提取层包括：图学习模块和多个串联的特征提取模块；所述特征提取模块包括：时间卷积子模块和图卷积子模块；
训练单元，用于将所述时间序列矩阵和预先设定的图节点参数输入至所述图神经网络模型中，对所述图神经网络模型进行训练，得到训练好的图神经网络模型；所述图节点参数包括：节点数、子图数、输入维度和控制节点饱和率的超参数；
预测单元，用于通过训练好的图神经网络模型进行多元温室环境参数的预测。
10.根据权利要求9所述的基于图神经网络的多元温室环境参数预测系统，其特征在于，所述系统还包括：
预处理单元，用于对所述环境参数进行预处理；所述预处理包括异常值处理和归一化操作。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310812948.6A CN116541767A (zh) | 2023-07-05 | 2023-07-05 | 一种基于图神经网络的多元温室环境参数预测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310812948.6A CN116541767A (zh) | 2023-07-05 | 2023-07-05 | 一种基于图神经网络的多元温室环境参数预测方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116541767A true CN116541767A (zh) | 2023-08-04 |
Family
ID=87450995
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310812948.6A Pending CN116541767A (zh) | 2023-07-05 | 2023-07-05 | 一种基于图神经网络的多元温室环境参数预测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116541767A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116756591A (zh) * | 2023-08-23 | 2023-09-15 | 航天信德智图（北京）科技有限公司 | 一种基于水胁迫条件估产模型的油茶遥感估产方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2020047739A1 (zh) * | 2018-09-04 | 2020-03-12 | 安徽中科智能感知大数据产业技术研究院有限责任公司 | 基于多时序属性元素深度特征的小麦重度病害预测方法 |
| US20220101103A1 (en) * | 2020-09-25 | 2022-03-31 | Royal Bank Of Canada | System and method for structure learning for graph neural networks |
| CN114626512A (zh) * | 2022-05-17 | 2022-06-14 | 南京信息工程大学 | 一种基于有向图神经网络的高温灾害预报方法 |
| US20220214322A1 (en) * | 2021-01-07 | 2022-07-07 | Tsinghua University | Air pollutants concentration forecasting method and apparatus and storage medium |
-
2023
- 2023-07-05 CN CN202310812948.6A patent/CN116541767A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2020047739A1 (zh) * | 2018-09-04 | 2020-03-12 | 安徽中科智能感知大数据产业技术研究院有限责任公司 | 基于多时序属性元素深度特征的小麦重度病害预测方法 |
| US20220101103A1 (en) * | 2020-09-25 | 2022-03-31 | Royal Bank Of Canada | System and method for structure learning for graph neural networks |
| US20220214322A1 (en) * | 2021-01-07 | 2022-07-07 | Tsinghua University | Air pollutants concentration forecasting method and apparatus and storage medium |
| CN114626512A (zh) * | 2022-05-17 | 2022-06-14 | 南京信息工程大学 | 一种基于有向图神经网络的高温灾害预报方法 |
Non-Patent Citations (1)
| Title |
|---|
| TML当交通遇上机器学习: "动态不确定性时空图建模系列（三）", pages 2, Retrieved from the Internet <URL:https://zhuanlan.zhihu.com/p/342467718> * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116756591A (zh) * | 2023-08-23 | 2023-09-15 | 航天信德智图（北京）科技有限公司 | 一种基于水胁迫条件估产模型的油茶遥感估产方法 |
| CN116756591B (zh) * | 2023-08-23 | 2023-12-08 | 航天信德智图（北京）科技有限公司 | 一种基于水胁迫条件估产模型的油茶遥感估产方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114529825B (zh) | 用于消防通道占用目标检测的目标检测模型、方法及应用 | |
| Flood | Towards the next generation of artificial neural networks for civil engineering | |
| CN114519469B (zh) | 一种基于Transformer框架的多变量长序列时间序列预测模型的构建方法 | |
| CN114626512A (zh) | 一种基于有向图神经网络的高温灾害预报方法 | |
| CN106444379A (zh) | 基于物联网推荐的智能烘干远程控制方法及系统 | |
| CN112257911B (zh) | 基于并行时空注意力机制的tcn多元时间序列预测方法 | |
| CN116541767A (zh) | 一种基于图神经网络的多元温室环境参数预测方法及系统 | |
| CN114297907A (zh) | 温室环境空间分布预测方法及装置 | |
| CN115018193A (zh) | 基于lstm-ga模型的时间序列风能数据预测方法 | |
| CN116844041A (zh) | 一种基于双向卷积时间自注意力机制的耕地提取方法 | |
| CN115456245A (zh) | 一种感潮河网区溶解氧预测方法 | |
| CN115438841A (zh) | 基于人工智能精准预测降雨模型的训练方法及预测方法 | |
| CN117520823A (zh) | 基于特征挖掘的动态监测数据处理系统及方法 | |
| CN113361194A (zh) | 一种基于深度学习的传感器漂移校准方法、电子设备及存储介质 | |
| CN117113054A (zh) | 一种基于图神经网络和Transformer的多元时间序列预测方法 | |
| CN117313516A (zh) | 一种基于时空图嵌入的发酵产物预测方法 | |
| CN112348175B (zh) | 一种基于强化学习来进行特征工程的方法 | |
| CN114970336A (zh) | 一种基于改进GCN-attention算法的交通流预测方法 | |
| CN113052255B (zh) | 一种电抗器智能检测和定位的方法 | |
| Chaudhury et al. | Multi task learning for plant leaf segmentation and counting | |
| Wang et al. | Phenological prediction algorithm based on deep learning | |
| CN114169493B (zh) | 基于尺度感知神经架构搜索的多变量时间序列预测方法 | |
| CN113642247B (zh) | 一种基于深度图网络分析的发酵过程软测量方法 | |
| CN117766043A (zh) | 一种基于深度神经网络模型的生物发酵理化参数预测方法 | |
| CN117911043A (zh) | 燃煤电厂碳排放量的预测方法、装置、介质及设备 |
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: 20230804 |