[发明专利]基于农业设施的热环境预测模型及热环境预测方法

说明书

本发明提供一种基于农业设施的热环境预测模型及热环境预测方法，模型包括：第一记忆模块，用于对热环境对应的时间序列信息进行特征提取，得到热环境的长期时空特征，时间序列信息包括：热环境的环境参数和目标参数；第二记忆模块，用于基于长期时空特征，提取热环境的短期时空特征；自回归模块，用于基于目标参数的历史信息，确定初始预测结果；输出模块，用于基于长期时空特征、短期时空特征和初始预测结果，输出热环境的最终预测结果。本发明用于解决现有技术没有结合农业设施热环境的特征，导致热环境长期预测任务中效果差的缺陷。

技术领域

本发明涉及农业设施技术领域，尤其涉及一种基于农业设施的热环境预测模型及热环境预测方法。

背景技术

对于设施农业(温室、工厂化鱼菜共生、无土栽培、循环水养殖)中热环境的预测方法可以划分为机理模型预测、机器学习模型预测和时间序列模型预测。由于后两种方法无需关注系统中的物理定律和原理，因此被称为“黑箱模型”。以下将详细介绍这几类方法在机理预测建模中的运用。

机理模型使用生物和物理原理来定量分析系统中的相关因素，是通过能量和质量守恒定律建立平衡方程的。机理模型包括静态模型和动态模型：静态模型又被称为稳态模型；动态模型通常由微分方程式描述，它描述了系统的变化规律。最早的温室环境静态模型由学者Businger建立，为后人的研究奠定了基础。尽管静态模型易于实现，但其准确性较低。因此，日本学者Takakura等人对未加热的单层玻璃温室建立了第一个相对完整的动力学模型，该模型全面的描述了温室中的热量和水分传递过程。

随着机理模型的不断完善，也为农业设施环境的预测和调控带来了便利。但由于机理模型使用了大量的参数和物理变量，农业系统往往是时变的。因此，在开发和实践中难以调优，越来越多的研究者开始关注基于数据的模型。并且，随着人工智能的发展，计算性能和数据生产力得到了进一步的提高，从而推动了机器学习模型在农业环境建模中的应用。

虽然现有技术通过机器学习的方式，能够实现时间序列预测，但是并没有结合农业设施热环境的特征，在热环境长期预测任务中无法取得满意的效果。因此，如何实现农业设施的热环境的精准预测是目前业界亟待解决的重要课题。

发明内容

本发明提供一种基于农业设施的热环境预测模型及热环境预测方法，用以解决现有技术没有结合农业设施热环境的特征，导致热环境长期预测任务中效果差的缺陷，实现热环境的精准预测。

本发明提供一种基于农业设施的热环境预测模型，包括：第一记忆模块，用于对热环境对应的时间序列信息进行特征提取，得到热环境的长期时空特征，所述时间序列信息包括：所述热环境的环境参数和目标参数；

第二记忆模块，用于基于所述长期时空特征，提取所述热环境的短期时空特征；

自回归模块，用于基于所述目标参数的历史信息，确定初始预测结果；

输出模块，用于基于所述长期时空特征、所述短期时空特征和所述初始预测结果，输出所述热环境的最终预测结果。

根据本发明提供的一种基于农业设施的热环境预测模型，所述第二记忆模块包括：注意力单元和至少两个第二记忆单元；

所述注意力单元，用于连接所述第一记忆模块和所述第二记忆模块，用于调整所述长期时空特征，并将调整后的长期时空特征，传输至所述第二记忆单元。

根据本发明提供的一种基于农业设施的热环境预测模型，所述第一记忆模块，包括至少两个第一记忆单元；

所述注意力单元，具体用于当得到所述长期时空特征之后，基于所述长期时空特征和所述短期时空特征，计算每个所述第一记忆单元对应的注意力权重，基于所述注意力权重，调整所述长期时空特征，并将所述调整后的长期时空特征，传输至所述第二记忆单元。