【技术实现步骤摘要】
本专利技术涉及计算机算法，更具体地说，本专利技术涉及基于循环神经网络的二十四节气预测方法。
技术介绍
1、二十四节气是中国传统历法的核心组成部分，它不仅反映了古人对自然规律的深刻理解和总结，还直接指导着农业生产和日常生活。每个节气都对应着特定的太阳黄经位置，标志着季节的更替、气候的变化以及农事活动的安排。然而，由于气候变化、地理位置差异以及年代间的天文观测精度提升，传统二十四节气系统在现代社会的应用中呈现出一定的局限性和不适应性。
2、随着全球气候变化和区域环境差异的显著，仅仅依靠古代建立的节气系统已经难以满足精准农业和气候预测的需求。例如，同一节气在不同地区可能会有不同的气候表现，而这种细微的差异对于农作物的生长周期和产量有着显著影响。因此，对二十四节气进行更加精细化和个性化的预测，成为了一个亟待解决的问题。
技术实现思路
1、为了克服现有技术的上述缺陷，本专利技术的实施例提供基于循环神经网络的二十四节气预测方法，对现有的日历上的节气准确性进行评估，再基于神经网络对时间序列数据进行学习和建模，以捕捉节气随时间变化的时序模式，最后对于所构建的预测模型进行正确性和预测性评估，得到能更好地适应复杂时序关系的二十四节气预测方法，相较于基于规则的方法，这一方法具有更高的灵活性和预测准确性。
2、为实现上述目的，本专利技术提供如下技术方案：
3、基于循环神经网络的二十四节气预测方法，包括如下步骤：
4、步骤s1，监测、采集目标区域环境信息、地日
5、步骤s2，构建节气准确度评估模型，对目标区域使用的日历中二十四节气的准确度进行评估；
6、步骤s3，对于二十四节气判断准确度低的目标区域，以历史准确的二十四节气日期、节气准确度评估指数作为因素构建循环神经网络模型，输出判断准确的节气预测日期；
7、步骤s4，对模型的正确性和实用性进行评估，以农产品增值信息、预测异常信息和气象数据一致性信息构建预测评估模型。
8、具体的，在步骤s1中，循环模型的构建主要通过循环算法，常用的循环算法由python等软件工具使用循环结构如for和while来构建算法模型，并利用科学计算库(例如numpy、pandas)和机器学习框架(例如tensorflow、pytorch)来处理数据和构建模型。在实际使用中，由于设备成本和实时监测的复杂性等因素，本专利技术建立在对目标区域农产品生产样品充足且环境相对稳定的情况，持续监测太阳黄经以及农产品数据的前提下进行的，从而可能会导致某一监测时刻合理性变更的现象。
9、在步骤s2中，构建节气准确度评估模型，具体过程为采集目标区域中的温度异常信息、太阳黄经偏差信息和节气农业影响价值信息，其中温度异常信息包括温度异常系数，标定为wyc，太阳黄经偏差信息包括太阳黄经偏差系数，标定为hpc，节气农业影响价值信息包括节气农业影响价值系数，标定为jyx；
10、温度异常系数wyc通过对目标区域的节气前后十天的每日平均温度进行计算，标定为wr，r表示不同日平均温度的编号，r＝1、2、3、4、……、k，k为正整数，再统计最近三年对应节气前后十天的平均温度，标定为wz，则温度异常系数
11、太阳黄经偏差系数hpc通过对测算节气日历当天的太阳在黄道上的经度进行测算，测算的结果标定为hc，并获取对应节气的黄经关系，由于每个节气与太阳黄经的对应关系是固定的，与地球上的具体位置无关，例如，春分节气对应着太阳黄经为0度，秋分节气对应着太阳黄经为180度，这些对应关系由天文学家观测和确定，标定为hd，所以太阳黄经偏差系数hpc＝|hc-hd|；
12、节气农业影响价值系数jyx采集目标区域各类农产品生产情况，统计测算的节气前后十天内的农产品种植种类，标定为zy，y表示不同种类农产品的编号，y＝1、2、3、4、……、z，z为正整数，并计算各类农产品销售的总金额，标定为jy，则节气农业影响价值系数
13、节气准确度评估模型分别由目标区域中的温度异常信息、太阳黄经偏差信息和节气农业影响价值信息三方面加权构建而成，生成节气准确度评估指数zqpg，对应的系数分别为温度异常系数wyc、太阳黄经偏差系数hpc、节气农业影响价值系数jyx，构成的公式为zqpg＝(α1×wyc+α2×hpc)×α3×jyx；
14、同时，α1、α2、α3均大于0，并根据实际情况进行设定，例如，采用专家赋权法，即邀请相关领域的专家通过专业的意见调查和综合评估来确定各项指标的权重，以确保权重系数能够准确地反映云计算资源分配合理性评估中各项指标的重要性。此外，还可以考虑采用层次分析法、模糊综合评价法等多种方法来确定权重系数，以保证权重系数的客观性和科学性。在此不作赘述。
15、在步骤s2中，由节气准确度评估模型中获得的节气准确度评估指数用于体现目标区域历法中的节气与实际计算出的节气间的准确度，它的值越大表示目标区域中现有的节气越不准确，与往年的温差越大、太阳黄经偏差越多，以及对当地农业市场的影响程度越深，目标区域历法中的节气与实际计算出的节气间的准确度越低。
16、在步骤s2中，当节气准确度评估指数zqpg大于设定的合理阈值时，说明目标区域历法中的节气与实际计算出的节气间的准确度低，需要对目标区域构建循环神经网络下的二十四节气预测模型，生成节气不准确数据信号，传递到后续评估模块，并对目标区域农产品销售情况进行后续评估；
17、当节气准确度评估指数zqpg小于等于设定的合理阈值时，说明目标区域历法中的节气与实际计算出的节气间的准确度高，仍可沿用于现有节气判断方法，直接输出评估结果，并不再进行后续评估。
18、在步骤s3中，构建二十四节气循环神经网络预测模型，，以采集的历史准确的二十四节气日期、节气准确度评估指数作为循环神经网络预测模型的构建因素，建立循环神经网络预测模型，预测目标区域的二十四节气日期；
19、进一步的，本专利技术循环神经网络模型的构建方法如下：
20、步骤s3.1，数据预处理，将采集的历史准确的二十四节气日期、节气准确度评估指数作为时间序列数据，进行缺失值处理、归一化、标准化等的数据预处理，然后将二十四节气日期进行编码，例如采用独热编码将立春表示为【1，0，0，...，0】，最后将时间序列数据划分为时间窗口，每个窗口包含的节气准确度评估指数和对应的二十四节气日期用于模型的输入和输出；
21、步骤s3.2，模型构建，选择rnn的具体结构，例如使用基本的rnn单元、长短时记忆网络(lstm)或门控循环单元(gru)，使用深度学习框架，如tensorflow或pytorch，接着指定rnn的输入和输出，将时间窗口中的节气准确度评估指数作为输入，将对应的二十四节气日期作为输出；
22、步骤s3.3，模型训练，将数据集划分为训练集本文档来自技高网...
【技术保护点】
1.基于循环神经网络的二十四节气预测方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的基于循环神经网络的二十四节气预测方法，其特征在于：
3.根据权利要求2所述的基于循环神经网络的二十四节气预测方法，其特征在于：
4.根据权利要求3所述的基于循环神经网络的二十四节气预测方法，其特征在于：
5.根据权利要求1所述的基于循环神经网络的二十四节气预测方法，其特征在于：
6.根据权利要求5所述的基于循环神经网络的二十四节气预测方法，其特征在于：
7.根据权利要求6所述的基于循环神经网络的二十四节气预测方法，其特征在于：
8.根据权利要求7所述的基于循环神经网络的二十四节气预测方法，其特征在于：
【技术特征摘要】
1.基于循环神经网络的二十四节气预测方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的基于循环神经网络的二十四节气预测方法，其特征在于：
3.根据权利要求2所述的基于循环神经网络的二十四节气预测方法，其特征在于：
4.根据权利要求3所述的基于循环神经网络的二十四节气预测方法，其特征在于：
<...【专利技术属性】
技术研发人员：王芳，
申请(专利权)人：中国科学院地理科学与资源研究所，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。