一种基于小样本的设施温室温度预测方法技术

一种基于小样本的设施温室温度预测方法，采集环境因子作为特征，构建数据集，环境因子包括：室内温度、室内空气相对湿度、室内土壤温度、室内光照强度、室外空气温度、室外空气相对湿度及室外土壤温度；基于1D CNN

【技术实现步骤摘要】
一种基于小样本的设施温室温度预测方法


[0001]本专利技术属于农业物联网以及农业服务
，涉及温室技术，特别涉及一种基于小样本的设施温室温度预测方法。

技术介绍

[0002]温度是影响设施温室内农作物产量和品质的重要参数之一，过高或过低均会对农作物生长发育产生危害。研究证明，有效地控制温度对设施农业的增产具有重要意义。目前，设施农业的生产调控大多依靠生产者相关经验，仅通过对数据采集分析，进行调控决策，这种方法会造成反馈控制存在滞后性，影响作物生长。因此，融合多环境因子构建设施温度时序预测模型，是设施温室温度精准高效控制的重要前提。
[0003]研究发现，设施温室温度不仅是具有时变性、非线性、周期性等特征的连续时间序列，还与设施温室内外各种环境因子存在复杂的耦合关系。影响温室内温度的因素包括室内外空气温度、室内外空气相对湿度、室外风速、室外风向、室内外土壤温度、室内外光照强度、室内外CO2浓度及室内外土壤水分等相互独立的时间序列特征以及环境分布特征、通风特征、加湿特征等非时序性特征。因此，为耦合这些影响温室温度的特征信息，充分挖掘这些特征的内部潜在联系，设施温室温度预测模型必须要综合考虑多种环境因子对温室温度的影响，这是设施温室精准化预测温度的关键。
[0004]近年来，国内外学者运用多种方法对设施温室温度预测进行了大量研究。其中，左志宇等(2010)针对现有温室环境控制系统无法对下一时段温室温度进行精确预测的问题，提出采用时序分析法建立温度预测模型的方法；刘志鹏等(2017)选取影响温室内温度变化的相关气象因子，通过逐步回归分析方法建立温室内温度预测模型；Li X等(2020)基于BP神经网络算法，提出了一种三维日光温室温度预测模型；田东等(2020)利用ARIMAI和SVR组合方法提高了在不同环境条件影响下的食用菌温室温度近似模拟能力。随着人工智能技术的发展，越来越多的学者将深度学习算法融入设施温室温度的预测中。其中，卷积神经网络特殊的网络结构可提取反映温度复杂动态变化的高维特征，并将所提特征向量构造为时间序列形式作为循环神经网络的输入，学习特征内部动态变化规律。而循环神经网络(RNN)、门控循环单元神经网络(GRU)和长短期神经网络(LSTM)通过结合卷积神经网络的方式也被应用于温度预测领域。例如赵全明等(2020)提出了基于CNN
‑
GRU的菇房多点温湿度预测方法，挖掘了深层次的有效信息，使GRU模型能更好地学习CNN提取的高维时间序列特征；Elmaz F等(2021)提出了一种用于预测室内温度建模的CNN
‑
LSTM体系结构，解决了温度非线性和滞后性问题，并取得不错的效果。以上方法在提高预测精度的同时还兼顾了运行效率，提升了整个模型的性能，可为温度精准化预测提供了理论基础。
[0005]然而，目前相关研究多聚焦于同地点或同气候温室温度建模，鲜少考虑在面向多种不同温室条件下的温度建模情况，一直存在以下两方面缺陷：一是在面向多种不同温室条件下，模型不具有普适性。由于大部分研究仅针对同地点或同气候温室温度建模，造成一类的温室模型无法迁移到另一类的温室模型上，要根据不同条件温室训练不同的模型，增
加了计算成本。二是在计算机科学中，为避免深度学习出现过拟合现象，通常需要充足的训练数据，然而每年有大量的新建、扩容、改造的温室，由于运行时间短，未积累足够的历史数据，难以建立高精度的预测模型，所以亟需探索一种适用于该温室的快速有效建模方法。

技术实现思路

[0006]为了克服上述现有技术的缺点，本专利技术的目的在于提供一种基于小样本的设施温室温度预测方法，以期将具有大量数据的一类温室温度预测模型通过迁移学习法，在面向多种不同的设施温室条件下，快速有效地构建多种预测模型，对温度进行连续高效精准的预测。
[0007]为了实现上述目的，本专利技术采用的技术方案是：
[0008]一种基于小样本的设施温室温度预测方法，包括：
[0009]步骤1，采集环境因子作为特征，构建数据集，所述环境因子包括：室内温度、室内空气相对湿度、室内土壤温度、室内光照强度、室外空气温度、室外空气相对湿度及室外土壤温度；
[0010]步骤2，基于1D CNN
‑
GRU深度神经网络，构建通用的温室温度预测模型；
[0011]所述1D CNN
‑
GRU深度神经网络由依次的输入层、卷积层、循环层和输出层组成；其中，输入层X
t+j,i
为二维矩阵；X
t,i～
X
t+j,i
表示第t时刻到第t+j时刻输入样本的第i个特征数据；X
t,1
～X
t,i
表示t时刻样本数据共有1～i个特征；卷积层采用一维卷积滤波器提取数据中蕴含的二维特征；循环层选择两层GRU网络，将提取的二维特征构造为时间序列输入第一层GRU网络，第一层GRU网络返回每个时间步输出的完整序列，第二层GRU网络返回每个输入序列的最终输出；所述输出层为全连接层，输出目标时刻的预测值；
[0012]步骤3，训练所述通用的温室温度预测模型，得到最优预测结果对应的网络参数，获得通用的最优模型；
[0013]步骤4，根据所述最优模型，基于迁移学习以预训练及微调方式在小样本数据集中调整其网络参数，构建面向不同地点和/或不同气候的设施温室条件下的温室温度预测模型，其中所述小样本数据集中的环境因子类型与步骤1的环境因子一致，但数据量远小于步骤1所构建数据集的数据量。
[0014]在一个实施例中，所述步骤1，数据集中的数据，根据设定的间隔时间T，每日连续采集，且连续时间不少于一个月。
[0015]在一个实施例中，所述步骤2，模型以室内温度、室内空气相对湿度、室内土壤温度、室内光照强度、室外空气温度、室外空气相对湿度及室外土壤温度为输入，时间步长为6，即输入矩阵大小为6
×
7，以T时间后的温度为输出，设定输出步长d，以用于预测T
×
d时间内的温度变化。
[0016]在一个实施例中，所述步骤3，先对所有的数据进行归一化处理缩放至[0,1]之间；然后将归一化处理的数据划分为训练集和测试集，以训练集数据训练模型，测试集数据验证模型的泛化能力及精度。
[0017]在一个实施例中，所述步骤3，卷积层滤波器的尺寸设置为3，步长为1，卷积核数目为64，循环层输出节点数均为128，输出层输出节点数为1；卷积层将t时刻的输入样本数据s
t
与一维卷积核执行卷积操作后，加以偏置b
cnn
通过激活函数进入循环层，在循环层中，其
样本数据x
t
通过重置门r、更新门z及t时刻提供临时单元状态c进行点乘运算，输出至全连接层。
[0018]在一个实施例中，所述步骤2，输入层、卷积层、循环层及输出层均采用线性整流函数(Rectified Linear Unit,Relu)作为激活函数，均方差函数(Mea本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于小样本的设施温室温度预测方法，其特征在于，包括：步骤1，采集环境因子作为特征，构建数据集，所述环境因子包括：室内温度、室内空气相对湿度、室内土壤温度、室内光照强度、室外空气温度、室外空气相对湿度及室外土壤温度；步骤2，基于1D CNN
‑
GRU深度神经网络，构建通用的温室温度预测模型；所述1D CNN
‑
GRU深度神经网络由依次的输入层、卷积层、循环层和输出层组成；其中，输入层X
t+j,i
为二维矩阵；X
t,i～
X
t+j,i
表示第t时刻到第t+j时刻输入样本的第i个特征数据；X
t,1
～X
t,i
表示t时刻样本数据共有1～i个特征；卷积层采用一维卷积滤波器提取数据中蕴含的二维特征；循环层选择两层GRU网络，将提取的二维特征构造为时间序列输入第一层GRU网络，第一层GRU网络返回每个时间步输出的完整序列，第二层GRU网络返回每个输入序列的最终输出；所述输出层为全连接层，输出目标时刻的预测值；步骤3，训练所述通用的温室温度预测模型，得到最优预测结果对应的网络参数，获得通用的最优模型；步骤4，根据所述最优模型，基于迁移学习以预训练及微调方式在小样本数据集中调整其网络参数，构建面向不同地点和/或不同气候的设施温室条件下的温室温度预测模型，其中所述小样本数据集中的环境因子类型与步骤1的环境因子一致，但数据量远小于步骤1所构建数据集的数据量。2.根据权利要求1所述基于小样本的设施温室温度预测方法，其特征在于，所述步骤1，数据集中的数据，根据设定的间隔时间T，每日连续采集，且连续时间不少于一个月。3.根据权利要求2所述基于小样本的设施温室温度预测方法，其特征在于，所述步骤2，模型以室内温度、室内空气相对湿度、室内土壤温度、室内光照强度、室外空气温度、室外空气相对湿度及室外土壤温度为输入，时间步长为6，即输入矩阵大小为6
×
7，以T时间后的温度为输出，设定输出步长d，以用于预测T<...

【专利技术属性】
技术研发人员：胡瑾，雷文晔，刘行行，卢有琦，魏子朝，杨永霞，
申请(专利权)人：西北农林科技大学，
类型：发明
国别省市：