KR20230075686A - Modelling indoor temperature and humidity of a model pig barn using machine learning algorithms - Google Patents
Modelling indoor temperature and humidity of a model pig barn using machine learning algorithms Download PDFInfo
- Publication number
- KR20230075686A KR20230075686A KR1020210162118A KR20210162118A KR20230075686A KR 20230075686 A KR20230075686 A KR 20230075686A KR 1020210162118 A KR1020210162118 A KR 1020210162118A KR 20210162118 A KR20210162118 A KR 20210162118A KR 20230075686 A KR20230075686 A KR 20230075686A
- Authority
- KR
- South Korea
- Prior art keywords
- data
- livestock environment
- humidity
- livestock
- change curve
- Prior art date
Links
- 238000010801 machine learning Methods 0.000 title claims abstract description 32
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 20
- 244000144972 livestock Species 0.000 claims abstract description 59
- 238000000034 method Methods 0.000 claims abstract description 32
- 238000005259 measurement Methods 0.000 claims abstract description 11
- 238000003066 decision tree Methods 0.000 claims abstract description 8
- 238000007637 random forest analysis Methods 0.000 claims abstract description 8
- 238000012706 support-vector machine Methods 0.000 claims abstract description 8
- 238000012360 testing method Methods 0.000 claims abstract description 3
- 230000008859 change Effects 0.000 claims description 31
- 238000004364 calculation method Methods 0.000 claims description 24
- 230000002159 abnormal effect Effects 0.000 claims description 17
- 238000011084 recovery Methods 0.000 claims description 17
- 238000013480 data collection Methods 0.000 claims description 13
- 241001465754 Metazoa Species 0.000 claims description 3
- 238000002360 preparation method Methods 0.000 claims description 3
- 230000007613 environmental effect Effects 0.000 abstract description 18
- 238000004891 communication Methods 0.000 abstract description 4
- 241000283690 Bos taurus Species 0.000 abstract 2
- 238000007405 data analysis Methods 0.000 abstract 1
- 238000011985 exploratory data analysis Methods 0.000 abstract 1
- 230000000694 effects Effects 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000001932 seasonal effect Effects 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 229910002092 carbon dioxide Inorganic materials 0.000 description 1
- 239000001569 carbon dioxide Substances 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000037323 metabolic rate Effects 0.000 description 1
- 238000009304 pastoral farming Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
Images
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
- 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
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01K—ANIMAL HUSBANDRY; AVICULTURE; APICULTURE; PISCICULTURE; FISHING; REARING OR BREEDING ANIMALS, NOT OTHERWISE PROVIDED FOR; NEW BREEDS OF ANIMALS
- A01K1/00—Housing animals; Equipment therefor
- A01K1/0047—Air-conditioning, e.g. ventilation, of animal housings
-
- 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
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/40—Data acquisition and logging
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Business, Economics & Management (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Animal Husbandry (AREA)
- Databases & Information Systems (AREA)
- Environmental Sciences (AREA)
- General Business, Economics & Management (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Zoology (AREA)
- Biodiversity & Conservation Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computer Hardware Design (AREA)
- Mining & Mineral Resources (AREA)
- Marine Sciences & Fisheries (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Agronomy & Crop Science (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Strategic Management (AREA)
- Evolutionary Biology (AREA)
- Primary Health Care (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Human Resources & Organizations (AREA)
- Algebra (AREA)
- Housing For Livestock And Birds (AREA)
Abstract
Description
본 출원 발명은 축산환경 데이터 중 온도와 습도를 학습을 통하여 예측하는 시스템에 관한 것이다. 더욱 자세하게는 센서의 오류 또는 통신상의 오류로 누락된 데이터를 보간법에 의하여 보간하면서 데이터의 오류를 줄이고, 이를 이용하여 축한환경 데이터를 예측하는 기술에 관한 것이다.The present invention relates to a system for predicting temperature and humidity of livestock environment data through learning. More specifically, it relates to a technique of interpolating missing data due to a sensor error or a communication error by an interpolation method to reduce data errors and predicting reduced environmental data using the same.
본 발명의 출원 이전의 선행기술로 온실의 다중창 제어장치에 있어서, 온실의 외부온도, 외부습도, 일사량, 내부온도, 내부습도, 이산화탄소 농도, 풍속, 및 풍향에 관한 환경데이터와, 제어대상이 되는 복수의 천측창 각각의 개폐율에 관한 제어신호를 수집하기 위한 데이터 수집부; 및 인공신경망기반의 기계학습을 통해 상기 환경데이터와 상기 제어신호를 입력으로 하여 소정 시간 이후의 온실 내부의 온도값을 예측하여 출력하기 위한 것으로, 상기 환경데이터와 천측창 각각의 개폐율에 관한 제어신호를 입력으로 하는 복수의 입력노드를 포함하는 입력층, 상기 입력노드로부터 데이터를 받아 가중합을 계산하고 소정의 전이함수를 적용하여 결과값을 출력하는 복수의 은닉노드를 포함하는 은닉층, 상기 은닉층의 결과값에 전달받아 소정 시간 이후의 온실 내부의 온도값을 출력하는 하나의 출력노드를 포함하는 출력층을 포함하는 온도예측모델부; 및 상기 복수의 천측창 각각의 개폐율에 관한 제어신호의 값을 출력하는 복수의 노드를 포함하고, 상기 온도예측모델부에서 출력한 예측온도값과 제어하고자 하는 목표 온도 값과의 차이 값에 관한 코스트 함수가 감소하는 방향으로 경사 하강법을 이용하여, 상기 복수의 노드에 관한 가중치를 업데이트하고, 상기 복수의 노드는 각각 업데이트된 자신의 노드의 가중치를 소정의 전이함수에 적용하여 제어신호의 값을 업데이트하여 출력하는 제어최적화부를 포함하고; 상기 온도예측모델부는 상기 노드에서 출력된 업데이트된 상기 제어신호의 값을, 대응하는 복수의 입력노드의 입력으로 하여 상기 예측온도값을 업데이트하고; 상기 온도예측모델부의 상기 제어신호의 값을 입력받는 복수의 입력노드의 개수와 상기 제어최적화부의 상기 노드의 개수는 각각 상기 제어대상이 되는 복수의 천측창의 개수와 일치시키는 기술이 개시되어 있다.In the multi-window control device for a greenhouse as a prior art prior to the application of the present invention, the environmental data on the outside temperature, outside humidity, solar radiation, inside temperature, inside humidity, carbon dioxide concentration, wind speed, and wind direction of the greenhouse and the control target are a data collection unit for collecting control signals related to the opening and closing rates of each of the plurality of skylights; And for predicting and outputting the temperature value inside the greenhouse after a predetermined time using the environmental data and the control signal as inputs through artificial neural network-based machine learning, and controlling the environmental data and the opening and closing rate of each skylight window An input layer including a plurality of input nodes receiving signals as inputs, a hidden layer including a plurality of hidden nodes receiving data from the input nodes, calculating a weighted sum, and outputting a result value by applying a predetermined transition function, the hidden layer a temperature prediction model unit including an output layer including one output node that receives the resultant value of and outputs a temperature value inside the greenhouse after a predetermined time; And a plurality of nodes for outputting control signal values related to the opening and closing rates of each of the plurality of skylight windows, and a difference value between a predicted temperature value output from the temperature prediction model unit and a target temperature value to be controlled. The weights of the plurality of nodes are updated using the gradient descent method in a direction in which the cost function decreases, and each of the plurality of nodes applies the updated weights of their own nodes to a predetermined transition function to obtain a control signal value. Includes a control optimization unit that updates and outputs; the temperature prediction model unit updates the predicted temperature value by using the updated control signal value output from the node as an input of a plurality of corresponding input nodes; A technology is disclosed in which the number of input nodes receiving the value of the control signal of the temperature prediction model unit and the number of nodes of the control optimization unit are identical to the number of the plurality of skylight windows to be controlled.
또 다른 선행기술로 사용자로부터 예측하고자 하는 지점이 선택되면, 특정 공간 내 이격 배치된 다수의 실내표면온도 센서 및 실외공기온도 센서로부터 센싱된 온도값을 각각 입력받는 입력부; 및 상기 센싱된 실내표면온도값 및 실외공기온도값을 입력값으로 하고, 각 지점별로 실내표면온도 센서 및 실외공기온도 센서를 배치하여 센싱되는 온도값을 인공신경망 구조로 학습하여 기 생성된 제1 신경망 모델을 이용하여 상기 선택된 지점의 복수의 온열인자에 대한 온열값을 각각 예측하는 제1 예측부; 및 상기 예측된 복수의 온열값과 기 고정된 복수의 온열인자의 온열값을 입력값으로 하고, 상기 예측된 복수의 온열값 및 상기 기 고정된 복수의 온열값을 인공신경망 구조로 기계 학습하여 기 생성된 제2 신경망 모델을 이용하여 상기 지점의 온열환경 평가지표값(PMV)을 예측하는 제2 예측부; 및 예측된 상기 지점의 온열환경 평가지표값을 출력하는 출력부를 포함하고, 상기 복수의 온열인자는 공기온도, 평균복사온도, 착의량 및 습도를 포함하고, 상기 기 고정된 복수의 온열인자는 기류속도 및 대사량를 포함하며, 상기 제2 예측부는, 다음의 수학식에 의해 온열환경 평가지표값을 예측하는 기계 학습 기반의 온열 환경 예측 장치를 개시하고 있다.As another prior art, when a point to be predicted by a user is selected, an input unit that receives temperature values sensed from a plurality of indoor surface temperature sensors and outdoor air temperature sensors spaced apart in a specific space; and taking the sensed indoor surface temperature and outdoor air temperature values as input values, arranging an indoor surface temperature sensor and an outdoor air temperature sensor for each point, and learning the sensed temperature value using an artificial neural network structure to generate a first a first predictor for predicting the thermal values of the plurality of thermal factors of the selected location using a neural network model; and the predicted plurality of thermal values and the predetermined thermal values of the plurality of fixed thermal factors as input values, machine learning of the predicted multiple thermal values and the previously fixed thermal values using an artificial neural network structure, and a second prediction unit that predicts a thermal environment evaluation index value (PMV) of the point using the generated second neural network model; and an output unit for outputting the predicted thermal environment evaluation index value of the point, wherein the plurality of thermal factors include air temperature, average radiant temperature, amount of clothing, and humidity, and the plurality of previously fixed thermal factors include air flow A machine learning-based thermal environment prediction device is disclosed, which includes speed and metabolic rate, and the second prediction unit predicts the thermal environment evaluation index value by the following equation.
축산환경 데이터 중 온도와 습도 데이터를 측정하고 이를 저장하고 있으나, 축사 내부의 여러 지점의 온도와 습도를 동시에 측정하여 저장하고 있으나, 통신오류 및 센서의 오류 등으로 누락된 데이터가 항시 존재하게 된다. 또한, 축산 환경데이터를 입력으로 하여, 축산 환경예측 데이터를 예측하는 기계학습 모델이 다수 존재할 수 있는데, 이들 알고리즘 중 어떠한 모델이 현재 가장 적절한 환경제어를 할 수 있는 것인지 알 수 없어 현재 상황에서 더 좋은 학습 알고리즘이 있음에도 이를 몰라 사용하지 못하는 경우가 있어 문제가 되고 있다.Among the livestock environment data, temperature and humidity data are measured and stored. However, the temperature and humidity of various points inside the barn are measured and stored at the same time, but missing data always exists due to communication errors and sensor errors. In addition, there may be a number of machine learning models that predict livestock environment prediction data by taking livestock environment data as input. Even though there is a learning algorithm, there are cases where it is not possible to use it without knowing it, which is a problem.
본 발명은 상기와 같은 문제를 해결하기 위하여 다음의 과제해결 수단을 제공한다.The present invention provides the following problem solving means in order to solve the above problems.
축산환경 데이터를 수집하는 데이터수집단계; 및Data collection step of collecting livestock environment data; and
상기 데이터수집단계에서 수집하는 축산환경 데이터를 축사에서 생활하는 동물의 열 환경을 대표할 수 있는 것으로 축사 내부를 설정된 수의 구획으로 나누어 각 구획별로 온도와 습도의 쌍으로 데이터를 수집하고,The livestock environment data collected in the data collection step can represent the thermal environment of animals living in the barn, divide the inside of the barn into a set number of compartments, collect data in pairs of temperature and humidity for each compartment,
상기 데이터 수집단계에서 수집된 데이터는 데이터 수집 시간 별로 상기 설정된 수의 구획에 설치된 온도 및 습도 측정값을 하나의 데이터 행으로 저장하고, 이들 데이터를 연속으로 수집하여 학습 또는 예측에 사용할 데이터 셋을 준비하는 데이터셋준비단계; 및The data collected in the data collection step stores the temperature and humidity measurement values installed in the set number of compartments for each data collection time as one data row, and collects these data continuously to prepare a data set to be used for learning or prediction Data set preparation step to do; and
상기 준비된 데이터셋을 행과 열로 각각 구분하여 각각의 행마다의 데이터의 평균과 편차를 계산하는 행평균편차계산단계; 및a row average deviation calculation step of dividing the prepared data set into rows and columns and calculating averages and deviations of data for each row; and
열의 경우 데이터의 변화곡선을 계산하는 열변화곡선계산단계;를 포함하는 것을 특징으로 하는 축산환경 데이터의 복구방법을 제공한다.In the case of heat, a heat change curve calculation step of calculating a change curve of data; provides a recovery method of livestock environment data comprising the.
또한, 상기 행평균편차계산단계에서 계산된 평균과 편차로부터 모든 행의 편차의 평균을 계산하여, 상기 편차의 평균으로부터 68% 이상의 데이터는 비정상(abnormal) 데이터로 판단하는 것을 특징으로 하는 축산환경 데이터의 복구방법을 제공한다.In addition, livestock environmental data characterized in that the average of the deviations of all rows is calculated from the average and deviations calculated in the row average deviation calculation step, and data of 68% or more from the average of the deviations is judged as abnormal data. recovery method is provided.
또한, 상기 열변화곡선계산단계에서 계산된 열변화곡선으로부터 10% 이상 벗어난 측정값은 비정상(abnormal) 데이터로 판단하는 것을 특징으로 하는 축산환경 데이터의 복구방법을 제공한다.In addition, it provides a recovery method of livestock environment data, characterized in that the measured value that deviated by 10% or more from the thermal change curve calculated in the heat change curve calculation step is determined as abnormal data.
상기 비정상 데이터로 판단된 행과 열의 교차점으로부터 비정상 데이터를 찾아 값을 삭제한 후 행평균편차계산단계와 열변화곡선계산단계를 다시 수행하고, 상기 열변화곡선계산단계에서 계산한 열변화곡선을 이용하여 누락된 데이터와 삭제된 데이터를 복구하는 것을 특징으로 하는 축산환경 데이터의 복구방법을 제공한다.After finding the abnormal data at the intersection of the row and column determined to be abnormal data and deleting the value, the row average deviation calculation step and the column change curve calculation step are performed again, and the column change curve calculated in the column change curve calculation step is used. It provides a recovery method of livestock environment data, characterized in that for recovering missing data and deleted data.
상기 온도 및 습도 데이터는 축사에서 서로 다른 물리량이지만 서로 연관되어 변화되기 때문에 온도+(습도/3)으로 계산하여 하나의 값으로 환산하여 데이터를 복구하는 것을 특징으로 하는 축산환경 데이터의 복구방법을 제공한다.Since the temperature and humidity data are different physical quantities in the barn, but are changed in relation to each other, it is calculated as temperature + (humidity / 3) and converted into one value to provide a recovery method of livestock environment data, characterized in that the data is restored. do.
상기 열의 경우 데이터의 변화곡선을 계산하는 열변화곡선계산단계에서 누락된 데이터가 연속하여 3포인트 이상인 경우에는 생략된 지점의 열변화곡선은 가장 가까운 데이터가 연속인 앞쪽과 뒤쪽 두 지점의 데이터를 선형보간하여 설정하는 것을 특징으로 하는 축산환경 데이터의 복구방법을 제공한다.In the case of the above column, if the missing data is 3 or more consecutive points in the thermal change curve calculation step of calculating the change curve of the data, the thermal change curve of the omitted point is a linear It provides a recovery method of livestock environment data, characterized in that it is set by interpolation.
상기와 같은 발명의 구성에 의하여 기계학습 모델의 효율성 확인을 위한 기계학습 알고리즘 간 축산환경 데이터 예측능력 비교를 통한 최적의 기계학습 모델을 선정하는 방법을 제공함으로써 고성능, 저 비용의 시스템을 구성할 수 있는 효과가 있다.According to the configuration of the invention as described above, a high-performance, low-cost system can be configured by providing a method for selecting an optimal machine learning model through comparison of the predictive ability of livestock farming environment data between machine learning algorithms to check the efficiency of the machine learning model. There is an effect.
한편 상기 기계학습에 사용될 축산환경 데이터 중 누락된 데이터의 기계학습 데이터 셋에 대한 탐색적 데이터 분석과 이를 통한 데이터 셋의 중에 존재하는 잘 못된 데이터를 정리함으로써 데이터의 오류에 의한 기계학습에서 발생할 수 있는 오류를 제거할 수 있는 효과가 있다. On the other hand, by analyzing the exploratory data of the machine learning data set of the missing data among the livestock environment data to be used for machine learning and organizing the wrong data that exists in the data set through this, it can occur in machine learning due to data errors It has the effect of eliminating errors.
도 1은 본 발명의 전체 수행 단계를 도시하고 있다.
도 2은 위쪽에 있는 도면은 본 발명의 축사에 설치하는 온도 및 습도 센서의 위치를 도시하고 있고, 아래쪽에는 각 시각별로 측정된 데이터 셋을 도시하고 있다.
도 3은 본 발명의 축사에서 측정된 데이터를 행과 열로 나누어 보았을 때 데이터가 누락된 경우와 데이터 값이 동일 시간대의 다른 센서의 측정값과 차이가 있거나, 전후 시간대의 측정값과 편차가 많은 경우 이를 데이터 이상으로 판단할 수 있음을 도시하고 있다. Figure 1 shows the overall implementation steps of the present invention.
2 shows the location of the temperature and humidity sensors installed in the barn of the present invention, and the lower part shows data sets measured for each time.
3 is a case where data is missing when the data measured in the barn of the present invention is divided into rows and columns, and the case where the data value is different from the measured value of other sensors in the same time period or has a large deviation from the measured value in the preceding and subsequent time periods. It is shown that this can be judged as more than data.
본 출원 발명은 2가지 문제를 해결하고자 하는 것이다. 첫 번째는 센서를 위한 측정 데이터는 측정 중에 발생하는 여러 가지 원인에 의하여 측정값이 누락되는 경우가 많이 있으며, 주변의 전자파 등의 노이즈에 의하여 측정 값 자체가 높거나 낮게 전송되는 경우가 있다. 이러한 것은 통신선에 문제가 있어 발생하는 경우도 확률이 높다.The invention of this application seeks to solve two problems. First, there are many cases in which the measurement data for the sensor is omitted due to various causes occurring during measurement, and the measurement value itself is transmitted high or low due to noise such as ambient electromagnetic waves. This is also likely to occur due to a problem with the communication line.
본 출원 발명 역시 단순히 측정만하여 데이터를 기록만할 것이라면, 데이터의 약간의 오류 정도는 무시할 수 있다. 축산환경을 측정하는 이유는 축사에서 생활하는 가축의 환경을 생육에 적합하게 조절해 주려고 하는 것일 것이다. 그래서 현재 측정된 환경데이터로부터 가까운 미래의 환경데이터를 예측할 수 있다면, 예측된 그 가까운 미래의 환경이 우리가 원하는 가축들의 적절한 생육환경이 될 수 있도록 환경제어 요소인 히터, 제습기, 냉방기 등을 제어하는데 도움이될 것으로 판단된다.If the invention of the present application also simply measures and records data, a slight degree of error in data can be disregarded. The reason for measuring the livestock environment is probably to adjust the environment of the livestock living in the barn to be suitable for growth. So, if environmental data in the near future can be predicted from the currently measured environmental data, it is necessary to control the environmental control elements such as heaters, dehumidifiers, air conditioners, etc. It is thought to be helpful.
즉, 예측을 정확히 할 수 있다면, 예측된 가까운 미래의 환경 데이터를 현재시점에서 조절하는 방향으로 환경데이터에 영향을 주는 장치들을 제어한다면, 최적의 제어가될 것이다.In other words, if prediction can be made accurately, if devices influencing environmental data are controlled in the direction of adjusting predicted environmental data in the near future at the present time, optimal control will be achieved.
이를 위하여서는 잘 알려진 학습을 통하여 예측을 하는 기계학습 알고리즘이 매우 유용하다.For this, machine learning algorithms that make predictions through well-known learning are very useful.
본 출원 발명은 환경 제어 시스템의 최종 목표인 축사 내부 온도 및 상대습도 등 열 환경 조건을 요구 조건(최적의 생육 조건)으로 유지하는 것입니다. 열 환경 유지를 위해 실외 기후조건을 이용하여 내부 환경조건 모델링은 실내 환경조건의 표준화에 도움이 됩니다. 이러한 목표를 위해 기계학습 모델 및 환경제어 컨트롤러의 통합은 축사 내부 제어 전략을 강화하는데 도움이 됩니다.The invention of this application is to maintain thermal environmental conditions such as temperature and relative humidity inside the barn, which is the final goal of the environmental control system, as required conditions (optimal growth conditions). Modeling of internal environmental conditions using outdoor climate conditions to maintain the thermal environment is helpful for standardization of indoor environmental conditions. To achieve this goal, the integration of machine learning models and environmental controllers can help strengthen house control strategies.
따라서 본 출원 발명은 다양한 용도로 많이 사용되고 있는 다양한 기계학습 알고리즘 중 기계학습 모델 및 환경제어 컨트롤러의 통합에 어느 것이 최적인지를 비교하여 고성능, 저비용의 기계학습 알고리즘 모델을 설계하고자 한다.Therefore, the present invention aims to design a high-performance, low-cost machine learning algorithm model by comparing which one is optimal for integrating a machine learning model and an environmental control controller among various machine learning algorithms widely used for various purposes.
이렇게 찾아진 기계학습 알고리즘을 이용하여 축사 내부 환경 제어를 실시하고자 한다.Using the machine learning algorithm found in this way, we intend to control the internal environment of the barn.
기계학습은 어떠한 방법을 사용하든 입력된 데이터가 불완전할수록 정교한 학습이 될 수 없다. 따라서, 측정된 축산환경 데이터를 모델링 과정에서 데이터 보간 방법을 통해 누락된 데이터의 보완 및 사분위수 범위를 통해 이상치를 제거하고자 한다. 방대한 양의 데이터를 인력으로 처리할 수 없어 이를 자동화하고자 하는 것이다.Regardless of which method is used, machine learning cannot be sophisticated learning if the input data is incomplete. Therefore, in the process of modeling the measured livestock environment data, the data interpolation method is used to compensate for missing data and to remove outliers through the interquartile range. It is trying to automate the vast amount of data that cannot be processed by manpower.
한편 기계학습방법은 다층 퍼셉트론(MLP), 의사결정트리(DT), 랜덤 포레스트(RF), 서포트 벡터 머신(SVR) 등의 기계학습 알고리즘을 사용하였다.Meanwhile, machine learning methods such as multilayer perceptron (MLP), decision tree (DT), random forest (RF), and support vector machine (SVR) were used.
이렇게 다양한 학습 알고리즘을 비교하는 이유는 알고리즘에 따라 데이터로부터 학습된 결과가 다르기 때문이다. 또한 축산시설의 경우 넓은 곳에 몇 개 안되는 센서를 설치한 경우도 있고, 좁은 공간에 많은 센서를 설치한 경우도 있다.The reason why various learning algorithms are compared is that the result learned from data is different depending on the algorithm. In addition, in the case of livestock facilities, there are cases in which a few sensors are installed in a wide area, and in other cases, many sensors are installed in a narrow space.
전자의 경우에는 센서 간에 측정값 편차가 클 수 있으며, 누락된 센서 값이 큰 문제가 될 수 있고, 보간법에 의하여 누락된 센서 값을 채워 넣더라도 많은 오차가 있을 수 있다. 또한, 시간적으로 연속적인 데이터는 시간뿐만 아니라 계절적인 요인도 있을 수 있는 것이어서, 축사의 크기, 계절적 요인 등을 입력변수로 넣지 않더라도 전반적으로 사용 가능한 예측을 할 수 있는 기계학습 알고리즘이 생성될 수도 있고, 이러한 영향에 민감하지만 정확한 예측 결과를 만들어 주는 기계학습 알고리즘이 있을 수 있기 때문이다.In the former case, there may be a large deviation in measured values between sensors, and missing sensor values may be a major problem, and even if the missing sensor values are filled in by interpolation, there may be many errors. In addition, since temporally continuous data can have seasonal factors as well as time, a machine learning algorithm can be created that can make generally usable predictions even without entering the size of the barn, seasonal factors, etc. as input variables, , because there may be machine learning algorithms that are sensitive to these effects but produce accurate prediction results.
이하 본 발명의 작용효과를 도면을 활용하여 설명하면 다음과 같다.Hereinafter, the operational effects of the present invention will be described using drawings.
도 1은 본 발명의 전체 수행 단계를 도시하고 있다.Figure 1 shows the overall implementation steps of the present invention.
왼쪽 상단에서부터 측정된 축산환경 데이터를 수집하여 누락데이터와 이상데이터를 제거하고, 여러 기계학습 모델에 데이터를 학습시켜 충분히 사용할 수 있는 예측을 하는 모델을 개발하고, 여기에 입력변수를 적용하여 각각의 기계학습 모델의 예측결과를 실제 값과 비교하여 최적의 기계학습 모델을 찾아 이를 제어와 결합하여 축산환경 제어에 사용한다.Collect the livestock environment data measured from the top left, remove missing data and abnormal data, develop a model that makes a sufficiently usable prediction by learning the data in several machine learning models, and apply input variables to each The prediction result of the machine learning model is compared with the actual value to find the optimal machine learning model and combine it with control to use it for livestock environment control.
예시로써 도 2은 위쪽에 있는 도면은 본 발명의 축사에 설치하는 온도 및 습도 센서의 위치를 도시하고 있고, 아래쪽에는 각 시각별로 측정된 데이터 셋을 도시하고 있다. 축사에 9개의 온도 및 습도 센서 쌍을 설치하고 있다. 이들 센서로부터 측정된 값을 최소 측정 시간 간격별로 저장하고 있다. 우리나라의 경우 온도와 습도는 함께 증가하거나 감소하는 경향이 있다. 겨울철에는 온도도 낮고 습도도 낮다. 여름에는 온도도 높고, 습도도 높다. 아무리 실내 환경이라도 외부의 영향을 안 받을 수는 없다. 따라서, 숫자의 크기에 비례하여 온도+(상대습도)/3을 각 센서 쌍의 값으로 변환하여 사용하였다.As an example, FIG. 2 shows the location of the temperature and humidity sensors installed in the livestock barn in the upper part of the present invention, and the data set measured for each time is shown in the lower part. Nine pairs of temperature and humidity sensors are being installed in the barn. The values measured from these sensors are stored for each minimum measurement time interval. In Korea, temperature and humidity tend to increase or decrease together. In winter, the temperature is low and the humidity is low. In summer, the temperature is high and the humidity is high. No matter how indoor the environment is, it cannot be free from external influences. Therefore, temperature + (relative humidity) / 3 was converted into the value of each sensor pair in proportion to the size of the number.
도 3은 본 발명의 축사에서 측정된 데이터를 행과 열로 나누어 보았을 때 데이터가 누락된 경우와 데이터 값이 동일 시간대의 다른 센서의 측정값과 차이가 있거나, 전후 시간대의 측정값과 편차가 많은 경우 이를 데이터 이상으로 판단할 수 있음을 도시하고 있다. 누락된 값을 보간하는 것은 상대적으로 쉽다. 누락된 위치의 값을 전후 및 좌우의 값을 이용하여 보간하면되기 때문이다. 동일한 환경에서 동시 측정한 센서의 값은 시간을 기준으로 시간상으로 앞선 데이터와 시간상으로 다음 데이터의 측정값 경향과 유사할 것이기 때문이다.3 is a case where data is missing when the data measured in the barn of the present invention is divided into rows and columns, and the case where the data value is different from the measured value of other sensors in the same time period or has a large deviation from the measured value in the preceding and subsequent time periods. It is shown that this can be judged as more than data. Interpolating missing values is relatively easy. This is because the value of the missing position can be interpolated using the values of the front and rear and the left and right. This is because the values of the sensors measured simultaneously in the same environment will be similar to the trends of the measured values of the previous data in time and the next data in time.
그러나, 비정상인 측정값을 찾기는 쉽지 않다. 그 값의 주변의 측정값과 다르다는 이유만으로 틀렸다고 판단하는 것이 항상 옳지는 않기 때문이다. 그럼에도 불구하고 데이터셋이 일관성이 있어야 학습에 의하여 일관적인 데이터와 예측이 가능할 것이므로 통계적인 방법에 의하여 비정상인 측정값도 찾고 이를 제거하였다.However, it is not easy to find abnormal measurement values. This is because it is not always right to judge that a value is wrong just because it is different from the surrounding measurements. Nevertheless, consistent data and predictions are possible only when the dataset is consistent, so abnormal measurement values were also found and removed through statistical methods.
각 행의 평균과 표준편차를 계산하고, 표준편차의 평균으로부터 차이가 있는 행은 행에 비정상 데이터가 포함된 것으로 판단하였다.The average and standard deviation of each row were calculated, and rows with a difference from the average of the standard deviations were judged to contain abnormal data.
열의 경우에는 시간에 따라 전체적으로 곡선을 그리며 변화될 것이므로, 각열마다의 데이터를 이용하여 추세선 곡선을 작성하고 이 곡선으로부터 10% 이상 벗어나는 데이터를 비정상데이터로 설정하였다.In the case of a column, since it will change over time while drawing a curve, a trend line curve was created using the data for each column, and data that deviated by more than 10% from this curve were set as abnormal data.
이렇게 정리된 데이터셋을 각종 기계학습 알고리즘 입력하여 원하는 학습결과가 나올 때 까지 학습한 후 데이터 예측에 사용하고, 예측된 결과와 실제 값과의 차이로부터 최적의 기계학습 알고리즘을 선택한다. 전술한 바와 같이 데이터셋을 어떠한 환경의 축사에서 얻었는지도 예측과 데이터셋의 설정에 영향을 줄수 있는 것이므로 상기 방법은 각각의 축사별로 실행하여 각각의 축사별로 적합한 최적의 축산환경예측 알고리즘이 포함된 기계학습 모델을 선정할 수 있을 것이다.The data set organized in this way is input to various machine learning algorithms, and after learning until the desired learning result is obtained, it is used for data prediction, and the optimal machine learning algorithm is selected from the difference between the predicted result and the actual value. As described above, since the livestock in which environment the data set is obtained from can also affect the prediction and the setting of the data set, the above method is executed for each barn, and the optimal livestock environment prediction algorithm suitable for each barn is included. machine learning model can be selected.
본 출원 발명의 상기와 같은 작용효과를 나타내기 위한 발명의 구성은 다음과 같다. The composition of the invention for showing the above functional effects of the invention of the present application is as follows.
축산환경 데이터를 수집하는 데이터수집단계; 및Data collection step of collecting livestock environment data; and
상기 데이터수집단계에서 수집하는 축산환경 데이터를 축사에서 생활하는 동물의 열 환경을 대표할 수 있는 것으로 축사 내부를 설정된 수의 구획으로 나누어 각 구획별로 온도와 습도의 쌍으로 데이터를 수집하고,The livestock environment data collected in the data collection step can represent the thermal environment of animals living in the barn, divide the inside of the barn into a set number of compartments, collect data in pairs of temperature and humidity for each compartment,
상기 데이터 수집단계에서 수집된 데이터는 데이터 수집 시간 별로 상기 설정된 수의 구획에 설치된 온도 및 습도 측정값을 하나의 데이터 행으로 저장하고, 이들 데이터를 연속으로 수집하여 학습 또는 예측에 사용할 데이터 셋을 준비하는 데이터셋준비단계; 및The data collected in the data collection step stores the temperature and humidity measurement values installed in the set number of compartments for each data collection time as one data row, and collects these data continuously to prepare a data set to be used for learning or prediction Data set preparation step to do; and
상기 준비된 데이터셋을 행과 열로 각각 구분하여 각각의 행마다의 데이터의 평균과 편차를 계산하는 행평균편차계산단계; 및a row average deviation calculation step of dividing the prepared data set into rows and columns and calculating averages and deviations of data for each row; and
열의 경우 데이터의 변화곡선을 계산하는 열변화곡선계산단계;를 포함하는 것을 특징으로 하는 축산환경 데이터의 복구방법을 제공한다.In the case of heat, a heat change curve calculation step of calculating a change curve of data; provides a recovery method of livestock environment data comprising the.
또한, 상기 행평균편차계산단계에서 계산된 평균과 편차로부터 모든 행의 편차의 평균을 계산하여, 상기 편차의 평균으로부터 68% 이상의 데이터는 비정상(abnormal) 데이터로 판단하는 것을 특징으로 하는 축산환경 데이터의 복구방법을 제공한다.In addition, livestock environmental data characterized in that the average of the deviations of all rows is calculated from the average and deviations calculated in the row average deviation calculation step, and data of 68% or more from the average of the deviations is judged as abnormal data. recovery method is provided.
또한, 상기 열변화곡선계산단계에서 계산된 열변화곡선으로부터 10% 이상 벗어난 측정값은 비정상(abnormal) 데이터로 판단하는 것을 특징으로 하는 축산환경 데이터의 복구방법을 제공한다.In addition, it provides a recovery method of livestock environment data, characterized in that the measured value that deviated by 10% or more from the thermal change curve calculated in the heat change curve calculation step is determined as abnormal data.
상기 비정상 데이터로 판단된 행과 열의 교차점으로부터 비정상 데이터를 찾아 값을 삭제한 후 행평균편차계산단계와 열변화곡선계산단계를 다시 수행하고, 상기 열변화곡선계산단계에서 계산한 열변화곡선을 이용하여 누락된 데이터와 삭제된 데이터를 복구하는 것을 특징으로 하는 축산환경 데이터의 복구방법을 제공한다.After finding the abnormal data at the intersection of the row and column determined to be abnormal data and deleting the value, the row average deviation calculation step and the column change curve calculation step are performed again, and the column change curve calculated in the column change curve calculation step is used. It provides a recovery method of livestock environment data, characterized in that for recovering missing data and deleted data.
상기 온도 및 습도 데이터는 축사에서 서로 다른 물리량이지만 서로 연관되어 변화되기 때문에 온도+(습도/3)으로 계산하여 하나의 값으로 환산하여 데이터를 복구하는 것을 특징으로 하는 축산환경 데이터의 복구방법을 제공한다.Since the temperature and humidity data are different physical quantities in the barn, but are changed in relation to each other, it is calculated as temperature + (humidity / 3) and converted into one value to provide a recovery method of livestock environment data, characterized in that the data is restored. do.
상기 열의 경우 데이터의 변화곡선을 계산하는 열변화곡선계산단계에서 누락된 데이터가 연속하여 3포인트 이상인 경우에는 생략된 지점의 열변화곡선은 가장 가까운 데이터가 연속인 앞쪽과 뒤쪽 두 지점의 데이터를 선형보간하여 설정하는 것을 특징으로 하는 축산환경 데이터의 복구방법을 제공한다.In the case of the above column, if the missing data is 3 or more consecutive points in the thermal change curve calculation step of calculating the change curve of the data, the thermal change curve of the omitted point is a linear It provides a recovery method of livestock environment data, characterized in that it is set by interpolation.
또한, 상기 축산환경 데이터의 복구방법으로 복구된 축산환경 데이터셋을 입력으로 하고,In addition, the livestock environment data set recovered by the recovery method of the livestock environment data is used as an input,
다층 퍼셉트론(MLP), 의사결정트리(DT), 랜덤 포레스트(RF) 또는 서포트 벡터 머신(SVR) 중 하나 이상을 순차적으로 선택하여 상기 복구된 축산환경 데이터셋을 입력으로 하여 학습완료된 모델이 출력결과를 만족하면, 상기 복구된 축산환경 데이터셋 중 시험데이터를 입력하여 얻어진 출력결과를 참값과 비교하여 축산환경 예측 성능을 평가하는 것을 특징으로 하는 축사 실내 온습도 예측을 위한 기계학습 알고리즘 간 비교 및 제어 방법을 제공한다.Select one or more of multilayer perceptron (MLP), decision tree (DT), random forest (RF) or support vector machine (SVR) sequentially, and take the recovered livestock environment dataset as input, and the trained model is the output result is satisfied, a comparison and control method between machine learning algorithms for predicting indoor temperature and humidity in livestock farms, characterized in that the livestock environment prediction performance is evaluated by comparing the output result obtained by inputting the test data among the restored livestock environment datasets with the true value. provides
Claims (7)
상기 데이터수집단계에서 수집하는 축산환경 데이터를 축사에서 생활하는 동물의 열 환경을 대표할 수 있는 것으로 축사 내부를 설정된 수의 구획으로 나누어 각 구획별로 온도와 습도의 쌍으로 데이터를 수집하고,
상기 데이터 수집단계에서 수집된 데이터는 데이터 수집 시간 별로 상기 설정된 수의 구획에 설치된 온도 및 습도 측정값을 하나의 데이터 행으로 저장하고, 이들 데이터를 연속으로 수집하여 학습 또는 예측에 사용할 데이터 셋을 준비하는 데이터셋준비단계; 및
상기 준비된 데이터셋을 행과 열로 각각 구분하여 각각의 행마다의 데이터의 평균과 편차를 계산하는 행평균편차계산단계; 및
열의 경우 데이터의 변화곡선을 계산하는 열변화곡선계산단계;를 포함하는 것을 특징으로 하는 축산환경 데이터의 복구방법.Data collection step of collecting livestock environment data; and
The livestock environment data collected in the data collection step can represent the thermal environment of animals living in the barn, divide the inside of the barn into a set number of compartments, collect data in pairs of temperature and humidity for each compartment,
The data collected in the data collection step stores the temperature and humidity measurement values installed in the set number of compartments for each data collection time as one data row, and collects these data continuously to prepare a data set to be used for learning or prediction Data set preparation step; and
a row average deviation calculation step of dividing the prepared data set into rows and columns and calculating averages and deviations of data for each row; and
In the case of heat, a heat change curve calculation step of calculating a change curve of the data; recovery method of livestock environment data comprising a.
상기 행평균편차계산단계에서 계산된 평균과 편차로부터 모든 행의 편차의 평균을 계산하여, 상기 편차의 평균으로부터 68% 이상의 데이터는 비정상(abnormal) 데이터로 판단하는 것을 특징으로 하는 축산환경 데이터의 복구방법.According to claim 1,
Restoration of livestock environment data, characterized in that the average of the deviations of all rows is calculated from the average and deviations calculated in the row average deviation calculation step, and data of 68% or more from the average of the deviations is judged as abnormal data. method.
상기 열변화곡선계산단계에서 계산된 열변화곡선으로부터 10% 이상 벗어난 측정값은 비정상(abnormal) 데이터로 판단하는 것을 특징으로 하는 축산환경 데이터의 복구방법.According to claim 2,
A method of restoring livestock environment data, characterized in that the measured value deviating from the thermal change curve calculated in the heat change curve calculation step by 10% or more is judged as abnormal data.
상기 비정상 데이터로 판단된 행과 열의 교차점으로부터 비정상 데이터를 찾아 값을 삭제한 후 행평균편차계산단계와 열변화곡선계산단계를 다시 수행하고, 상기 열변화곡선계산단계에서 계산한 열변화곡선을 이용하여 누락된 데이터와 삭제된 데이터를 복구하는 것을 특징으로 하는 축산환경 데이터의 복구방법.According to claim 3,
After finding the abnormal data at the intersection of the row and column determined to be abnormal data and deleting the value, the row average deviation calculation step and the column change curve calculation step are performed again, and the column change curve calculated in the column change curve calculation step is used. A method for recovering livestock environment data, characterized in that for recovering missing data and deleted data.
상기 온도 및 습도 데이터는 축사에서 서로 다른 물리량이지만 서로 연관되어 변화되기 때문에 온도+(습도/3)으로 계산하여 하나의 값으로 환산하여 데이터를 복구하는 것을 특징으로 하는 축산환경 데이터의 복구방법.According to claim 4,
The temperature and humidity data are different physical quantities in the barn, but since they are changed in relation to each other, the livestock environment data recovery method characterized in that the data is restored by calculating temperature + (humidity / 3) and converting it into one value.
상기 열의 경우 데이터의 변화곡선을 계산하는 열변화곡선계산단계에서 누락된 데이터가 연속하여 3포인트 이상인 경우에는 생략된 지점의 열변화곡선은 가장 가까운 데이터가 연속인 앞쪽과 뒤쪽 두 지점의 데이터를 선형보간하여 설정하는 것을 특징으로 하는 축산환경 데이터의 복구방법.According to claim 5,
In the case of the above column, if the missing data is 3 or more consecutive points in the thermal change curve calculation step of calculating the change curve of the data, the thermal change curve of the omitted point is a linear A recovery method of livestock environment data, characterized in that interpolated and set.
다층 퍼셉트론(MLP), 의사결정트리(DT), 랜덤 포레스트(RF) 또는 서포트 벡터 머신(SVR) 중 하나 이상을 순차적으로 선택하여 상기 복구된 축산환경 데이터셋을 입력으로 하여 학습완료된 모델이 출력결과를 만족하면, 상기 복구된 축산환경 데이터셋 중 시험데이터를 입력하여 얻어진 출력결과를 참값과 비교하여 축산환경 예측 성능을 평가하는 것을 특징으로 하는 축사 실내 온습도 예측을 위한 기계학습 알고리즘 간 비교 및 제어 방법.The livestock environment data set recovered by the recovery method of livestock environment data of claim 5 is used as an input,
Select one or more of multilayer perceptron (MLP), decision tree (DT), random forest (RF) or support vector machine (SVR) sequentially, and take the recovered livestock environment dataset as input, and the trained model is the output result is satisfied, a comparison and control method between machine learning algorithms for predicting indoor temperature and humidity in livestock farms, characterized in that the livestock environment prediction performance is evaluated by comparing the output result obtained by inputting the test data among the restored livestock environment datasets with the true value. .
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210162118A KR20230075686A (en) | 2021-11-23 | 2021-11-23 | Modelling indoor temperature and humidity of a model pig barn using machine learning algorithms |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210162118A KR20230075686A (en) | 2021-11-23 | 2021-11-23 | Modelling indoor temperature and humidity of a model pig barn using machine learning algorithms |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20230075686A true KR20230075686A (en) | 2023-05-31 |
Family
ID=86544145
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020210162118A KR20230075686A (en) | 2021-11-23 | 2021-11-23 | Modelling indoor temperature and humidity of a model pig barn using machine learning algorithms |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR20230075686A (en) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101936136B1 (en) | 2017-01-11 | 2019-01-09 | 인하대학교 산학협력단 | Apparatus for thermal environment prediction based on machine learning and method thereof |
| KR102166146B1 (en) | 2018-11-15 | 2020-10-15 | 한국과학기술연구원 | Apparatus and Method for Controlling Multiple windows in a greenhouse |
-
2021
- 2021-11-23 KR KR1020210162118A patent/KR20230075686A/en not_active Application Discontinuation
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101936136B1 (en) | 2017-01-11 | 2019-01-09 | 인하대학교 산학협력단 | Apparatus for thermal environment prediction based on machine learning and method thereof |
| KR102166146B1 (en) | 2018-11-15 | 2020-10-15 | 한국과학기술연구원 | Apparatus and Method for Controlling Multiple windows in a greenhouse |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Jung et al. | Time-serial analysis of deep neural network models for prediction of climatic conditions inside a greenhouse | |
| Taki et al. | Heat transfer and MLP neural network models to predict inside environment variables and energy lost in a semi-solar greenhouse | |
| CN110647979B (en) | Greenhouse environment multi-parameter intelligent monitoring system based on Internet of things | |
| CN110766132B (en) | Orchard yield intelligent prediction system based on Internet of things | |
| KR101392279B1 (en) | Method for an output forecast of plant factory | |
| CN109886496B (en) | Agricultural yield prediction method based on meteorological information | |
| Mancipe-Castro et al. | Prediction of environment variables in precision agriculture using a sparse model as data fusion strategy | |
| Ali et al. | Time-series prediction for sensing in smart greenhouses | |
| Duan et al. | Temperature forecasting for stored grain: A deep spatiotemporal attention approach | |
| CN111967665A (en) | Irrigation decision method and system based on neural network | |
| van Mourik et al. | Improving climate monitoring in greenhouse cultivation via model based filtering | |
| KR20200057836A (en) | Apparatus and Method for Controlling Multiple windows in a greenhouse | |
| KR101959886B1 (en) | Server and method for determining actuator parameter of greenhouse | |
| KR20230075686A (en) | Modelling indoor temperature and humidity of a model pig barn using machine learning algorithms | |
| CN115936236A (en) | Method, system, equipment and medium for predicting energy consumption of cigarette factory | |
| CN115907204A (en) | Forest transpiration water consumption prediction method for optimizing BP neural network by sparrow search algorithm | |
| Nguyen-Xuan et al. | A dynamic model for temperature prediction in glass greenhouse | |
| Soundiran et al. | Modeling of greenhouse agro-ecosystem using optimally designed bootstrapping artificial neural network | |
| CN114841461A (en) | Air quality integration prediction method based on time sequence missing perception and multi-source factor fusion | |
| Ahmad et al. | Neural network modeling and identification of naturally ventilated tropical greenhouse climates | |
| KR20230102856A (en) | LSTM-based system and method for predicting temperature and humidity of greenhouse | |
| Adeyemo | Soft Computing techniques for weather and Climate change studies | |
| CN113569324A (en) | Slope deformation monitoring abnormal data analysis and optimization method | |
| KR20220020814A (en) | Information processing devices and methods | |
| Tijskens et al. | Neural networks to predict the hygrothermal response of building components in a probabilistic framework |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E902 | Notification of reason for refusal |