[发明专利]一种基于循环神经网络的水稻产量预测方法

权利要求书

1.一种基于循环神经网络的水稻产量预测方法，其特征在于，包括以下步骤：

S1、收集目标城市预设固定时间内的历史气象监测数据和水稻产量数据；

S2、对所述历史气象监测数据进行预处理，并将预处理后的历史气象监测数据划分为训练集数据、测试集数据和验证集数据；

所述步骤S2包括以下步骤：

S201、删除历史气象监测数据中的异常值，将“\”和“*”替换成“0”，并采用前N个和后N个缺失数据取平均值的方法对缺失数据进行填补；

S202、对连续特征数据进行数据归一化处理，将连续特征数据转换到0-1的范围区间；

S203、针对离散特征数据中的区县ID特征，对所述区县ID特征进行独热编码，并使用N个特征记录N个区县的ID特征；以及

针对离散特征数据中的风向特征，将所述风向特征由字符转换成二维的向量，其中，所述二维向量的第一个维度代表水平方向，所述二维向量的第二个维度代表竖直方向；

S204、将经步骤S202与步骤S203处理后的气象特征数据和区县ID特征分开存储，并设某年·某县的气象特征数据为360*17的矩阵，完成对所述历史气象监测数据的预处理；

S205、将预处理后的历史气象监测数据划分为训练集数据、验证集数据以及测试集数据；

S3、利用三层双向LSTM循环神经网络构建特征网络结构；

所述步骤S3中特征网络结构包括依次连接的第一输入层、第一双向LSTM循环神经网络层、第二双向LSTM循环神经网络层、第三双向LSTM循环神经网络层、第一全连接层和输出层，以及依次连接的第二输入层、第二全连接层和第三全连接层；所述第三全连接层与输出层连接；

所述第一输入层输入端和输出端的气象特征数据均为360*17的矩阵；所述第二输入层输入端和输出端的区县ID特征数据均为88维度的向量；所述输出层输入端包括经第一全连接层输出维度为1的水稻产量预测值以及经第三全连接层输出的维度为1的区县ID特征数据，所述输出层输出最终的水稻产量预测值；

所述第一双向LSTM循环神经网络层输入端的气象特征数据为360*17的矩阵，所述第一双向LSTM循环神经网络层输出端的气象特征数据为360*64的矩阵；所述第二双向LSTM循环神经网络层输入端和输出端的气象特征数据均为360*64的矩阵；所述第三双向LSTM循环神经网络层输入端的气象特征数据为360*64的矩阵，所述第三双向LSTM循环神经网络层输出端的气象特征数据为维度为128的向量；

所述第一全连接层输入端的气象特征数据为128维的向量，所述第一全连接层输出端输出维度为1的水稻产量预测值；所述第二全连接层输入端的区县ID特征数据为88维度的向量，所述第二全连接层输出端的区县ID特征数据为32维度的向量；所述第三全连接层输入端的区县ID特征数据为32维度的向量，所述第三全连接层输出端的区县ID特征数据为维度为1的值；

S4、利用所述训练集数据对特征网络结构进行训练，并利用所述验证集数据对特征网络结构进行验证，得到水稻产量预测模型；

S5、利用所述水稻产量预测模型对水稻产量数据和测试集数据进行预测，得到下一年的水稻产量预测结果，完成对水稻产量的预测。

2.根据权利要求1所述的基于循环神经网络的水稻产量预测方法，其特征在于，所述步骤S1中历史气象数据包括每日日照时间、每隔6小时的风向、平均风速、降水量、平均温度、相对湿度以及平均气压。