基于LSTM的植物生长数据多步预测方法、装置、介质及设备制造方法及图纸

本申请涉及基于LSTM的植物生长数据多步预测方法、装置、介质及设备，其中方法包括：获取植物生长的时间序列数据；采用signal函数对所述时间序列数据进行波长转换，得到重构时间序列数据；通过所述重构时间序列数据对基于LSTM的编码器和解码器进行预训练，得到输入特征；以所述输入特征训练融入注意力机制的LSTM，基于训练完成的LSTM对植物生长数据进行多步预测。通过对时间序列数据进行波长转换，能对时间序列数据起到去噪作用。而且对基于LSTM的编码器和解码器的预训练，提取重构时间序列数据中适当的特征作为输入特征，通过输入特征对LSTM模型进行训练，能较好的使得注意力机制融入LSTM模型，缩小LSTM多步预测的误差，提升植物生长数据多步预测的准确性。提升植物生长数据多步预测的准确性。提升植物生长数据多步预测的准确性。

【技术实现步骤摘要】
基于LSTM的植物生长数据多步预测方法、装置、介质及设备


[0001]本申请涉及智能农业
，具体涉及基于LSTM的植物生长数据多步预测方法、装置、介质及设备。

技术介绍

[0002]长短期记忆网络（Long Short
‑
Term Memory，LSTM）是一种时间循环神经网络，是为了解决一般的RNN（循环神经网络）存在的长期依赖问题而专门设计出来的，所有的RNN都具有一种重复神经网络模块的链式形式。在标准RNN中，这个重复的结构模块只有一个非常简单的结构，例如一个tanh层。
[0003]时间序列分析和预测一直是各个领域和实际应用中具有重要意义的研究课题，包括智能农业和植物生长预测、金融存量预测、异常或入侵预测、检测、医学成像和空气污染预测。时间序列数据通常是按时间顺序聚合的一系列观测数据。它们的复杂性通常相当高，这使得它们的分析成为一项非常具有挑战性的任务。由于这种性质，使用浅层机器学习和神经网络模型来分析数据产生了许多瓶颈。因此，开发和使用更复杂的模型，可以自动从时间序列或图像数据中提取和学习深度表示，已成为当前研究的重点。
[0004]相关技术中，对于植物生长的短期预测通常采用单步预测，而对于植物生长的长期预测通常采用多步预测，因为多步预测可以预测未来多个时间步的植物生长数据。在许多实际问题中，在对复杂多时期的植物生长数据预测中，多步预测对于时间序列的分析则显得尤为重要。
[0005]针对上述中的相关技术，专利技术人认为存在有以下缺陷：虽然在植物生长预测方面，多步预测能预测多步，但是预测的误差也会因预测步数的增加而积累，最终导致多步预测的结果准确性降低。

技术实现思路

[0006]为了缩减多步预测的误差，提升多步预测的结果准确性，本申请提供基于LSTM的植物生长数据多步预测方法、装置、介质及设备。
[0007]在本申请的第一方面提供了基于LSTM的植物生长数据多步预测方法，具体包括：获取植物生长的时间序列数据；采用signal函数对所述时间序列数据进行波长转换，得到重构时间序列数据；通过所述重构时间序列数据对基于LSTM的编码器和解码器进行预训练，得到输入特征；以所述输入特征训练融入注意力机制的LSTM，基于训练完成的LSTM对植物生长数据进行多步预测。
[0008]通过采用上述技术方案，使用signal函数对时间序列数据进行处理，能对时间序列数据进行信号分解、处理和重构，实现波长转换。而且对基于LSTM的编码器和解码器的预
训练，提取重构时间序列数据中的特征作为输入特征，通过输入特征对LSTM模型进行训练，能较好的使得注意力机制融入LSTM模型，缩小LSTM多步预测的误差，提升植物生长数据多步预测的准确性。
[0009]可选的，所述采用signal函数对所述时间序列数据进行波长转换，得到重构时间序列数据，包括：采用小波变换对所述时间序列数据进行表示，得到表示结果；将所述表示结果分解为低频近似集与高频细节集，所述高频细节集包括至少一个高频分量；对所述高频分量滤波处理，对所述低频近似集与滤波处理后的所述高频细节集二次采样，获得重构时间序列数据。
[0010]通过采用上述技术方案，通过小波变换对时间序列数据进行表示、分解和重构，接着对表示结果分解为低频近似集与高频细节集，接着对高频分量中的噪声对应的特定波段频率进滤除，从而使得对整个时间序列数据的去噪以及非平稳性质的处理，接着对分解的时间序列数据进行二次采样，重新恢复时间序列数据，从而得到重构时间序列数据。
[0011]可选的，所述二次采样的采样频率设置为2倍。
[0012]通过采用上述技术方案，如果采样频率少于2倍的信号频率时，会导致原来的时间序列数据的高频信号被采集成低频信号，可能导致重构时间序列数据的信号较原来的时间序列数据的信号发生偏差，将采样频率设置为2倍，能使得采样频率较为合理，进而使得重构时间序列数据与原来的时间序列数据偏差较小。
[0013]可选的，所述通过所述重构时间序列数据对基于LSTM的编码器和解码器进行预训练，得到输入特征，包括：对基于LSTM的编码器和解码器进行预训练，从所述重构时间序列数据中提取嵌入内容；将所述嵌入内容作为输入特征。
[0014]通过采用上述技术方案，将重构时间序列数据作为输入编码器中包含的各个LSTM单元，接着由编码器统一输出传递到解码器，通过此预训练过程提取重构时间序列数据中有用且具有代表性的嵌入内容，最终将嵌入内容作为LSTM模型的输入特征，以便后续通过输入特征对LSTM模型进行训练。
[0015]可选的，所述通过所述重构时间序列数据对基于LSTM的编码器和解码器进行预训练，得到输入特征之后，包括：通过LSTM的编码器将所述重构时间序列数据压缩到由LSTM隐藏状态序列组成的向量中；将所述重构时间序列数据作为区间状态向量传递至LSTM的解码器。
[0016]通过采用上述技术方案，基于LSTM的编码器能够对重构时间序列数据中的特征进行提取，接着将其编码压缩为一个LSTM隐藏状态序列中的一个向量表示，将多个向量作为区间状态向量发送至LSTM的解码器，解码器根据特征对应的向量，学习到编码器提取的特征，最终根据特征生成完整时间序列预测结果，从而增强编码器和解码器之间的相关性，得到收敛状态较好的预训练模型，进而通过预训练初始化LSTM模型的全部参数，使得其在初始阶段具备植物生长数据的预测能力。
[0017]可选的，所述以所述输入特征训练融入注意力机制的LSTM，基于训练完成的LSTM对植物生长数据进行多步预测，包括：通过所述输入特征使LSTM生成学习的嵌入状态；计算得到嵌入状态相对应的注意力权重；基于所述注意力权重，在LSTM中融入注意力机制；由LSTM的单层神经网络输出植物生长数据值，以使得对植物生长数据进行多步预测。
[0018]通过采用上述技术方案，通过输入特征对LSTM模型进行训练，使得LSTM模型学习到嵌入状态，接着采用注意力权重计算公式，计算出嵌入状态对应的注意力权重，将注意力权重分配给输入特征，为输入特征进行注意力加权，从而使得LSTM模型各个部分形成长期性依赖，从而训练得到一个具有注意力机制的LSTM模型，由LSTM的单层神经网络计算输出植物生长数据值，进而使得LSTM多步预测的结果较为准确。
[0019]在本申请的第二方面提供了基于LSTM的植物生长数据多步预测装置，具体包括：数据获取模块，用于获取植物生长的时间序列数据；波长转换模块，用于采用signal函数对所述时间序列数据进行波长转换，得到重构时间序列数据；特征获取模块，用于通过所述重构时间序列数据对基于LSTM的编码器和解码器进行预训练，得到输入特征；训练预测模块，用于将所述输入特征训练融入注意力机制的LSTM，基于训练完成的LSTM对植物生长数据进行多步预测。
[0020]通过采用上述技术方案，数据获取模块获取到植物生长不同时刻的时间序列数据，波长转换模块将时间序列数据进行去噪和非平稳性质的处理，得到重构本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于LSTM的植物生长数据多步预测方法，其特征在于，包括：获取植物生长的时间序列数据；采用signal函数对所述时间序列数据进行波长转换，得到重构时间序列数据；通过所述重构时间序列数据对基于LSTM的编码器和解码器进行预训练，得到输入特征；以所述输入特征训练融入注意力机制的LSTM，基于训练完成的LSTM对植物生长数据进行多步预测。2.根据权利要求1所述的基于LSTM的植物生长数据多步预测方法，其特征在于，所述采用signal函数对所述时间序列数据进行波长转换，得到重构时间序列数据，包括：采用小波变换对所述时间序列数据进行表示，得到表示结果；将所述表示结果分解为低频近似集与高频细节集，所述高频细节集包括至少一个高频分量；对所述高频分量滤波处理后，对所述低频近似集与滤波处理后的所述高频细节集二次采样，获得重构时间序列数据。3.根据权利要求2所述的基于LSTM的植物生长数据多步预测方法，其特征在于：所述二次采样的采样频率设置为2倍。4.根据权利要求1所述的基于LSTM的植物生长数据多步预测方法，其特征在于，所述通过所述重构时间序列数据对基于LSTM的编码器和解码器进行预训练，得到输入特征，包括：对基于LSTM的编码器和解码器进行预训练，从所述重构时间序列数据中提取嵌入内容；将所述嵌入内容作为输入特征。5.根据权利要求1所述的基于LSTM的植物生长数据多步预测方法，其特征在于，所述通过所述重构时间序列数据对基于LSTM的编码器和解码器进行预训练，得到输入特征之后，还包括：通过LSTM的编码器将所述输入特征压缩到由LS...

【专利技术属性】
技术研发人员：郑新立，刘卓，
申请(专利权)人：浙江天演维真网络科技股份有限公司，
类型：发明
国别省市：