基于DA-RNN的畜禽舍内环境多步滚动预测方法技术

本发明专利技术提供一种基于DA

【技术实现步骤摘要】
基于DA
‑
RNN的畜禽舍内环境多步滚动预测方法


[0001]本专利技术属于设施农业，特别是畜禽舍内环境预测领域，根据已知农业设施内外影响因素的时间序列数据，对调控措施影响下的畜禽舍内环境变化进行预测，进而产生合理的优化调控方案，适用于畜禽舍内环境智能调控研究与应用。

技术介绍

[0002]适宜的设施农业环境是农业高效生产的保障，传统的设施农业环境调控多采用阈值调控法，虽然简单易行，但方法灵活度低、能耗高、系统稳定性差，依赖管理员的经验。随着物联网传感器技术的发展，设施内外环境实时采集与处理技术已经成熟，研究高精度的设施环境多步预测方法，对实现农业设施环境优化调控、节能减碳都具有重要意义。
[0003]目前国内外学者针对不同设施农业环境建立了基于BP、LSTM神经网络的小气候模拟模型，取得了良好的效果，研究表明人工神经网络在设施农业环境预测方面切实可行，但这些预测模型多数只能进行单步预测，即短期预测，扩展到多步预测任务上，其精度会迅速下降，不能满足优化调控的要求。

技术实现思路

[0004]本专利技术的目的是针对畜禽舍内环境的预测问题，提出一种基于DA
‑
RNN的畜禽舍内环境多步滚动预测方法。该方法通过长度为T的已知时间序列，通过两阶段注意力编解码器神经网络完成趋势特征和当前状态的挖掘，然后利用挖掘到的特征实现高精度的畜禽舍内环境变化单步预测，使用滚动预测策略完成多步预测任务。
[0005]本专利技术的技术方案是：
[0006]本专利技术提供一种基于DA
‑
RNN的畜禽舍内环境多步滚动预测方法，该方法基于畜禽舍内的环境影响因素和舍内环境温湿度的历史数据进行训练，建立DA
‑
RNN神经网络模型；通过DA
‑
RNN神经网络模型对从开始时刻到当前时刻T采样的T条环境影响因素数据{x1，x2，...，x
T
}和舍内环境温湿度数据{y1，y2，...，y
T
}进行处理，获取自现在起待预测的τ组舍内环境温湿度{y
T+1
，y
T+2
，...，y
T+τ
}，处理步骤具体包括：
[0007]S1、采用编码器对输入对从开始时刻到当前时刻T采样的T条环境影响因素数据{x1，x2，...，x
T
}和舍内环境温湿度数据{y1，y2，...，y
T
}进行编码，获取舍内环境温湿度数据的趋势性信息，并编码到隐状态中，获取T组编码隐状态数据；
[0008]S2、采用解码器对神经网络学习后的T组隐状态数据进行解码，取出其中包含的时序趋势信息作为上下文信息；将解码隐状态和上下文信息共同作为预测网络的输入，生成单步预测结果；
[0009]S3、根据解码隐状态和上下文信息计算预测头数据y
T+1
；
[0010]S4、根据环境影响因素数据{x1，x2，...，x
T
}编码隐状态信息，将一次预测结果即预测头数据与舍内环境温湿度数据{y1，y2，...，y
T
}拼接并抽取最后的T个数据，得到(y2，...，y
T
，y
T+1
)，将此信息输入模型即返回S1，经过处理得到y
T+2
；重复上述步骤，完成y
T+τ
的预测。
[0011]进一步地，畜禽舍内环境影响因素包括室外环境因素和舍内设备运行状态；所述的室外环境因素包括天气预报，所述的舍内设备运行状态包括设备开关状态。
[0012]进一步地，通过样本自相关系数ACF确定模型输入所需的时间序列长度为T，即获取T组采样数据。
[0013]进一步地，步骤S1具体包括：
[0014]S11、对于从开始时刻至当前时刻T采样的环境影响因素数据{x1，x2，...，x
T
}和舍内环境温湿度数据{y1，y2，...，y
T
}进行处理，采用下述公式获取某一时刻t的隐状态数据：
[0015]h
t
＝G(h
t
‑1，x
t
)
ꢀꢀꢀ
(1)
[0016]其中：h
t
代表t时刻的隐状态，h0表示隐状态初始值，取值为0，表示隐状态初始值，取值为0，代表t时刻环境影响因素数据，n表示环境影响因素的个数；G示编码运算，采用LSTM模型；
[0017]S12、选择空间注意力模块，实现环境影响因素数据的重组，令S12、选择空间注意力模块，实现环境影响因素数据的重组，令代表第k个环境影响因素k∈(1，n)，计算第k个环境影响因素在t时刻编码中所占有的注意力比重和注意力权重
[0018][0019][0020]其中：由对进行归一化得到，W
e
、U
e
为学习得到的参数，W
e
、U
e
矩阵用于将输入的隐状态h
t
，细胞状态s
t
和环境影响因素x
t
进行数据对齐。用于对齐和激活后的特征融合。[h
t
‑1；s
t
‑1]为编码器前一次输出的隐状态，式5本质为softmax函数，使用幂变换提供注意力模块输入的非线性拟合能力；
[0021]S13、采用下述公式对t时刻的环境影响因素进行修正，得到t时刻修正后的环境影响因素数据
[0022][0023]其中：表示t时刻环境影响因素序列的第k个特征，表示第k个环境影响因素在t时刻编码中所占有的权重；
[0024]S14、LSTM模型对执行编码运算，获得编码隐状态h
t
和编码细胞状态s
t
：
[0025][0026]依次记录T个时刻的编码隐状态h
t
，t∈(1，T)，构建出编码器的最终编码结果H：
[0027]H＝(h1，h2，...，h
T
)
T
ꢀꢀꢀ
(5)
[0028]进一步地，步骤S2中解码器采用时间注意力和LSTM结合的方式进行解码，具体包括：
[0029]S21、采用注意力方法计算t时刻的空间注意力比重和权重
[0030][0031][0032]其中：d
t
‑1、s
′
t
‑1是解码器LSTM单元的解码隐状态和解码细胞状态，W
d
、U
d
是需要学习得到的参数，W
d
、U
d
矩阵用于将输入的解码隐状态d
t
，解码细胞状态s
′
t
进行数据对齐；用于对齐和激活后的特征融合；m表示模型通过学习得到的空间注意力数量，i表示空间注意力编号，表示在时间维度上学习得到t时刻第i个权重值；
[0033]本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于DA
‑
RNN的畜禽舍内环境多步滚动预测方法，其特征是该方法基于畜禽舍内的环境影响因素和舍内环境温湿度的历史数据进行训练，建立DA
‑
RNN神经网络模型；通过DA
‑
RNN神经网络模型对从开始时刻到当前时刻T采样的T条环境影响因素数据{x1，x2，...，x
T
}和舍内环境温湿度数据{y1，y2，...，y
T
}进行处理，获取自现在起待预测的τ组舍内环境温湿度{y
T+1
，y
T+2
，...，y
T+τ
}，处理步骤具体包括：S1、采用编码器对输入对从开始时刻到当前时刻T采样的T条环境影响因素数据{x1，x2，...，x
T
}和舍内环境温湿度数据{y1，y2，...，y
T
}进行编码，获取舍内环境温湿度数据的趋势性信息，并编码到隐状态中，获取T组编码隐状态数据；S2、采用解码器对神经网络学习后的T组隐状态数据进行解码，取出其中包含的时序趋势信息作为上下文信息；将解码隐状态和上下文信息共同作为预测网络的输入，生成单步预测结果；S3、根据解码隐状态和上下文信息计算预测头数据y
T+1
；S4、根据环境影响因素数据{x1，x2，...，x
T
}编码隐状态信息，将一次预测结果即预测头数据与舍内环境温湿度数据{y1，y2，...，y
T
}拼接并抽取最后的T个数据，得到(y2，...，y
T
，y
T+1
)，将此信息输入模型即返回S1，经过处理得到y
T+2
；重复上述步骤，完成y
T+τ
的预测。2.根据权利要求1所述的基于DA
‑
RNN的畜禽舍内环境多步滚动预测方法，其特征在于：畜禽舍内环境影响因素包括室外环境因素和舍内设备运行状态；所述的室外环境因素包括天气预报，所述的舍内设备运行状态包括设备开关状态。3.根据权利要求1所述的基于DA
‑
RNN的畜禽舍内环境多步滚动预测方法，其特征在于：通过样本自相关系数ACF确定模型输入所需的时间序列长度为T，即获取T组采样数据。4.根据权利要求1所述的基于DA
‑
RNN的畜禽舍内环境多步滚动预测方法，其特征在于步骤S1具体包括：S11、对于从开始时刻至当前时刻T采样的环境影响因素数据{x1，x2，...，x
T
}和舍内环境温湿度数据{y1，y2，...，y
T
}进行处理，采用下述公式获取某一时刻t的隐状态数据：h
t
＝G(h
t
‑1，x
t
)
ꢀꢀꢀꢀ
(1)其中：h
t
代表t时刻的隐状态，h0表示隐状态初始值，取值为0，表示隐状态初始值，取值为0，代表t时刻环境影响因素数据，n表示环境影响因素的个数；G示编码运算，采用LSTM模型；S12、选择空间注意力模块，实现环境影响因素数据的重组，令块，实现环境影响因素数据的重组，令代表第k个环境影响因素k∈(1，n)，计算第k个环境影响因素在t时刻编码中所占有的注意力比重和注意力权重和注意力权重和注意力权重其中：由对进行归一化得到，W
e
、U
e
为学习得到的参数，W
e
、U
e
矩阵用于将输入的隐状态h
t
，细胞状态s
t
和环境影响因素x
t
进行数据对齐。用于对齐和激活后的特征融合。[h
t
‑1；s
t
‑1]为编码器前一次输出的隐状态，式5本质为softmax函数，使用幂变换提供注意力模块输入的非线性拟合能力；
S13、采用下述公式对t时刻的环境影响因素进行修正，得到t时刻修正后的环境影响因素数据素数据其中：表示t时刻环境影响因素序列的第k个特征，表示第k个环境影响因素在t时刻编码中所占有的权重；S14、LSTM模型对执行编码运算，获得编码隐状态h
t
和编码细胞状态S
t
：依次记录T个时刻的编码隐状态h
t
，t∈(1，T)，构建出编码器的最终编码结果H：H＝(h1，h2，...，h
T
)
T
ꢀꢀꢀꢀ
(5)。5....

【专利技术属性】
技术研发人员：任守纲，张景旭，应诗家，赵鑫源，
申请(专利权)人：南京农业大学，
类型：发明
国别省市：