[发明专利]一种人工智能虫情预测系统及预测方法

权利要求书

1.一种人工智能虫情预测系统，其特征在于，根据信息生成、传输及处理和应用的不同层次，包括感知层(1)、传输层(2)、服务平台(3)和应用层(4)：

所述感知层(1)通过监测系统对各监测区域进行全时段、多维度虫情数据采集，实时获取虫情探测数据；

所述传输层(2)用于把所述感知层(1)实时获取的虫情探测数据传输至所述服务平台(3)；

所述服务平台(3)根据所述传输层(2)传来的虫情探测数据，进行分析以及做出相应的判断，作为所述感知层(1)的感知数据和所述应用层(4)的业务联接；

所述应用层(4)根据所述服务平台(3)对所述感知层(1)的虫情探测数据的处理与分析，供使用者查看并做出相应的处理；

所述监测系统包括GIS监控单元(11)、监测监控单元(12)和视频AI单元(13)；各个单元根据不同应用场景和网络环境，对应地接入所述传输层；

所述GIS监控单元(11)用于通过检测设备端的传感器，根据地理信息、视频中心、数据统计、趋势变化、排名分析以及类型统计，产生GIS监控数据，将产生的GIS监控数据发送至所述服务平台(3)；

所述监测监控单元(12)用于根据检测设备端的摄像装置，通过视频分析、参数融合、遥感图像、数据清洗、数据校正以及补传导入对图像数据分析处理，将处理后的图像数据发送至所述服务平台(3)；

所述服务平台(3)包括预警预测单元(31)，包括时序预测模型、多因素模型、多元回归模型、空间聚集模型、时空聚集模型以及综合预测模型，用于根据所述图像数据和GIS监控数据进行预警和预测，通过选定检测到的害虫数量、检测的时间、所在地的经度、所在地的纬度、所在地的温度、所在地的湿度和所在地的大气压强的各项指标作为模型训练阶段的输入值，选定输入量所对应的当天害虫数量值作为模型训练阶段的期望输出值，根据所述选定输入量和期望输出量，构建BP神经网络模型，所述BP神经网络模型包括三层前馈神经网络结构，分别为输入层、隐含层和输出层，所述输入层的输入指标是所述选定输入量，所述输出层的输出指标为期望输出量，根据实际预测精度要求，设定期望误差E，根据当前测得的数据，使用所述BP神经网络模型对虫情的发展情况进行预测；所述输入层、隐含层和输出层均包括与虫种类相对应的节点；所述隐含层的激活函数采用Relu函数，所述输出层的激活函数采用线性函数，将当前的害虫的数量、检测到该害虫的时间、害虫所在地的空间经度、纬度、该地温度、湿度、大气压强信息输入到BP神经网络的输入层之中，便得到未来第n天的该害虫的数量，当所述害虫种类有M种，构建一个输入层为M+7个节点，输出层M个节点，中间隐含层为M+50个节点的BP神经网络，将输入层的P1到PM替换为输入的第M种害虫数量，PM+1到PM+7替换为以下其方面的数值：

PM+1此次检测到害虫的时间、

PM+2此次检测所在地的空间经度、

PM+3此次检测所在地的空间纬度、

PM+4此次检测所在地的温度、

PM+5此次检测所在地的湿度、

PM+6此次检测所在地的大气压强、

PM+7预测未来第n天的天数，

而输出O₁到O_M则替换为预测的第n天的该害虫的数量，该模型中隐含层的激活函数采用Relu函数，输出层的激活函数采用线性函数，训练的时候训练数据使用历史上第X天检测到的所有害虫的数量、时间、空间经度、空间纬度、温度、湿度、大气压强、未来的天数n作为输入，第X+n天所有虫子的数量作为输出，n表示未来第n天，训练过程分为前向传输和后向传输两个阶段，所述前向传输阶段包括：从指标中取一个样本P_i、Q_j,将P_i输入网络；计算出误差测度E_i和实际输出O_i；重复调整权重，直到∑E_i＜ε，所述后向传输阶段包括：计算实际输出O_p与理想输出O_i的差；通过所述输出层的误差调整所述输出层权矩阵；通过所述输出层的误差估计所述输出层的前导层的误差，以此获得其他各层的误差估计；通过误差估计实现对权值矩阵的修改，形成将输出层的误差沿着与输出信号相反的方向逐级向所述输出层传递，所述误差计算公式为