[发明专利]温室环境空间分布预测方法及装置

权利要求书

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，0ij，x_a+i为a+i时刻缺失的数据，x_a和x_a+j为a和a+j时刻的原始数据,x_k为异常数据，x_k-1、x_k+1为x_k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：

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。