[发明专利]温室环境空间分布预测方法及装置

说明书

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。

技术领域

本发明涉及农业信息处理领域，尤其涉及一种温室环境空间分布预测方法及装置。

背景技术

温室出菇房的调控方式大多依靠当前的实际环境变量做出调控决策，不能解决出菇房内小气候环境的大滞后性问题，不利于作物的生长。开展以菇房主要环境因子为输出变量的高精度预测模型可以提前掌握主要环境因子在未来一段时间的环境分布趋势，是进行高效、精准环境预警和出菇房预调控的重要前提。

温室出菇房内影响食用菌生长发育的环境变量都是随时间变化的动态变量，其相互作用，相互耦合，且空间分布具有差异性、不均匀性。目前围绕其时序性和非线性的特点，温室出菇房小气候采用的预测方法主要有时序分析法、回归预测法和支持向量机和人工神经网络等，但是对于复杂多变的出菇房小气候数据的预测能力有很大的局限性，很难精准的挖掘温室环境数据的时间、空间相关性，从而导致预测结果并不准确。

发明内容

针对现有技术存在的问题，本发明提供一种温室环境空间分布预测方法及装置。

本发明提供一种温室环境空间分布预测方法，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，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。

根据本发明一个实施例的温室环境空间分布预测方法，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。

根据本发明一个实施例的温室环境空间分布预测方法，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。

根据本发明一个实施例的温室环境空间分布预测方法，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为相邻的有效数据。

根据本发明一个实施例的温室环境空间分布预测方法，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。