温室环境空间分布预测方法及装置.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN114297907A(43)申请公布日2022.04.08(21)申请号202111361824.8(22)申请日2021.11.17(71)申请人北京市农林科学院智能装备技术研究中心地址100097北京市海淀区曙光花园中路11号农科大厦A座1107(72)发明人吴文彪张馨宋子涛鲍锋李文龙王明飞(74)专利代理机构北京路浩知识产权代理有限公司11002代理人郭亮(51)Int.Cl.G06F30/27(2020.01)G06N3/04(2006.01)G06N3/08(2006.01)权利要求书2页说明书8页附图3页(54)发明名称温室环境空间分布预测方法及装置(57)摘要本发明提供一种温室环境空间分布预测方法及装置，该方法包括：根据预测点当前及之前时刻的多组环境特征，确定包括多组时间序列特征的特征向量矩阵，环境特征包括温室内环境特征和温室外环境特征；将特征向量矩阵，输入到已训练的预测模型的卷积网络进行特征提取，得到提取后的全局特征向量；将全局特征向量输入预测模型的时间序列网络，输出预设时长后的温湿度、光照强度和二氧化碳含量预测结果。该方法可对温室小气候环境数据大滞后性、时序性、非线性、空间分布差异性的特征进行准确挖掘，结合卷积网络和时间序列网络更好的挖掘时间相关性，从而能够更准确的预测温室未来时刻的多点环境的空间分布趋势，可以为温室的整体环境调控提供决策依据。CN114297907ACN114297907A权利要求书1/2页1.一种温室环境空间分布预测方法，其特征在于，包括：根据预测点当前及之前时刻的多组环境特征，确定包括多组时间序列特征的特征向量矩阵，其中，所述环境特征包括温室内环境特征和温室外环境特征；将所述特征向量矩阵，输入到已训练的预测模型的卷积网络进行特征提取，得到提取后的全局特征向量；将所述全局特征向量输入所述预测模型的时间序列网络，输出预设时长后温室内预测点的温湿度、光照强度和二氧化碳含量预测结果；其中，所述预测模型，根据已知预设时长后温室内温湿度、光照强度和二氧化碳含量，并确定所述特征向量矩阵的样本，经训练后得到，所述预测模型包括卷积网络和时间序列网络。2.根据权利要求1所述的温室环境空间分布预测方法，其特征在于，所述温室内环境特征，包括基质温度、空气温度、空气湿度、光照强度和二氧化碳浓度；所述温室外环境特征，包括空气湿度、空气温度和风速。3.根据权利要求1所述的温室环境空间分布预测方法，其特征在于，所述环境特征还包括空间稀疏特征，所述空间稀疏特征包括预测点的区域特征、通风特征和加湿特征。4.根据权利要求1所述的温室环境空间分布预测方法，其特征在于，所述根据预测点当前及之前时刻的多组环境特征，确定包括多组时间序列特征的特征向量矩阵之前，还包括：对缺失数据通过线性插值法进行插补，以及对异常数据进行均值法进行平滑；其中，所述插补和平滑的方法分别包括：其中，0<i<j，xa+i为a+i时刻缺失的数据，xa和xa+j为a和a+j时刻的原始数据,xk为异常数据，xk‑1、xk+1为xk相邻的有效数据。5.根据权利要求1所述的温室环境空间分布预测方法，其特征在于，所述将所述特征向量矩阵，输入到已训练的预测模型的卷积网络进行特征提取，包括：将所述特征向量矩阵，输入到所述卷积网络，经所述卷积网络进行四次卷积后，根据整平操作以及激活函数输出降维后的全局特征向量；其中，每两次卷积后，进行一次最大池化。6.根据权利要求5所述的温室环境空间分布预测方法，其特征在于，所述将所述全局特征向量输入所述预测模型的时间序列网络，输出预设时长后温室内预测点的温湿度、光照强度和二氧化碳含量预测结果，包括：将所述全局特征向量输入时间序列网络，依次经时间序列网络的两层门控循环单元网络层进行特征处理；根据基于线性整流激活函数的全连接层，经过反归一化后输出预设时长后温室内的温湿度、光照强度和二氧化碳含量预测结果。7.根据权利要求1所述的温室环境空间分布预测方法，其特征在于，所述根据预测点当前及之前时刻的多组环境特征，确定包括多组时间序列特征的特征向量矩阵之前，还包括：2CN114297907A权利要求书2/2页获取已知预设时长后温室内温湿度、光照强度和二氧化碳含量的样本数据，分别将温湿度、光照强度和二氧化碳含量作为样本的标签，并确定样本的特征向量矩阵；利用所述样本数据，基于自适应矩估计优化算法调整模型参数，训练得到所述预测模型。8.一种温室环境空间分布预测装置，其特征在于，包括：数据采集模块，用于根据预测点当前及之前时刻的多组环境特征，确定包括多组时间序列特征的特征向量矩阵，其中，所述环境特征包括温室内环境特征和温室外环境特征；第一处理模块，用于将所述特征向量矩阵，输入到已训练