CN114297907A - 温室环境空间分布预测方法及装置 - Google Patents

Abstract

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。

Description

温室环境空间分布预测方法及装置

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，0<i<j，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。

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(Gate Recurrent Unit，GRU)网络层进行特征处理；根据基于线性整流函数(Rectified Linear Unit，RELU)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。

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：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(adaptive moment estimation，Adam)优化算法调整模型参数，训练得到所述预测模型。

本发明还提供一种温室环境空间分布预测装置，包括：数据采集模块，用于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；第一处理模块，用于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；第二处理模块，用于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。

本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述温室环境空间分布预测方法的步骤。

本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述温室环境空间分布预测方法的步骤。

本发明提供的温室环境空间分布预测方法及装置，通过温室内特征和温室外特征的多组时间序列特征的提取，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，结合卷积网络能更好的处理特征关联性，再结合时间序列网络更好的挖掘时间相关性，从而使预测误差和波动性较小，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。

附图说明

为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明提供的温室环境空间分布预测方法的流程示意图之一；

图2是本发明提供的温室环境空间分布预测方法的流程示意图之二；

图3是本发明提供的CNN-GRU神经网络模型结构图；

图4是本发明提供的GRU内部结构单元图；

图5是本发明提供的温室环境空间分布预测装置的结构示意图；

图6是本发明提供的电子设备的结构示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明可应用于蘑菇房进行环境特征分布的预测，也可应用于其它作物的温室室内环境特征的预测，以下通过蘑菇房环境预测进行举例说明。

下面结合图1-图6描述本发明的温室环境空间分布预测方法及装置。图1是本发明提供的温室环境空间分布预测方法的流程示意图之一，如图1所示，本发明提供温室环境空间分布预测方法，包括：

101、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；

在此前，整个模型构建的基础需要海量的温室菇房室内环境数据及室外气象数据进行训练。例如，在两个菇房内各均匀的放置三个数据采集器采集温室内环境数据，仪器每二十分钟利用GPRS网络模块将数据发送至服务器进行存储，将下载好的数据保存为Excel文件格式，采用one-hot编码对环境特征进行编码，处理后得到温室内环境特征。室外气象数据由温室菇房20m处的室外气象站进行数据采集，可将每个数据采集点的数据90％作为训练集，10％用于测试集，处理后得到温室外环境特征。而多组环境特征，可以是固定时间步长采集的多组数据。例如，20分钟采集一次环境特征。

预测时，多组环境特征的采集和训练时相同，最后生成特征向量矩阵。例如，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，温室外环境特征，包括空气湿度、空气温度和风速。最终，得到时间步长×特征向量的二维矩阵。

本发明可包括各种数据的预处理方式，如归一化处理：

将各参数和目标变量都进行归一化处理。计算公式包括：

式中，x_max为最大值；x_min为最小值；x^*为归一化值。

102、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。

卷积网络主要捕捉输入的历史序列中深层次的特征规律，对提取的高维特征进行降维，压缩数据，加快运行效率，最终经卷积网络处理得到降维后的全局特征向量。对于输入层的具体构建，可参考图像识别处理所使用的卷积网络。

103、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。

时间序列网络对卷积网络中提取的全局特征向量进行学习，时间序列网络可以包括GRU和LSTM等网络。

其中，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的样本，经训练后得到，预测模型包括卷积网络和时间序列网络两层网络结构。其中，样本输入模型的参数，为101中相同方法提取的特征向量矩阵。

本发明的温室环境空间分布预测方法，通过温室内特征和温室外特征的多组时间序列特征的提取，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，结合卷积网络能更好的处理特征关联性，再结合时间序列网络更好的挖掘时间相关性，从而使预测误差和波动性较小，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。

本发明将温室菇房预测预警系统与深度学习应用到温室食用菌生产中，实现食用菌环境、生长、信息的智能感知。以预测环境变化作为改变其生长环境的依据，改变传统环境控制、决策管理方式，在减少人力资源的同时提高管理效率，实现温室作物生产的智能化及自动化。

在一个实施例中，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，如上述举例说明。

在一个实施例中，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。

在开窗通风、加湿器开闭的瞬间，以及会有室外气象短暂突变现象，此时室内的温湿度值会发生较大的波动，会对预测精度造成一定的影响。为了得到一个更准确的预测结果，本发明实施例将空间稀疏特征考虑在内。

其中，区域特征可以包括预测点与通风系统、加湿系统的距离，通风特征可以包括是否通风，风量的大小，加湿特征可以包括是否加湿以及加湿的程度。将这些信息量化后，得到对应的空间稀疏特征。

具体而言，本发明实施例将菇房内某一时刻的空气温度、空气相对湿度、二氧化碳浓度，室外空气温度、室外空气湿度、室外风速、室内基质温度、室内光照强度、环境分布特征、通风特征和加湿特征串联成全新的时间序列特征向量，将历史出菇房室外的气象数据、室内的小气候数据和当前出菇房室外的气象数据、室内的小气候数据表达为时间步长×特征向量的二维矩阵，对其经过预处理后输入到预测模型中。

本发明通过将区域特征、通风特征和加湿特征等加入到时间序列特征中，在时间关联性的基础上，可以进一步挖掘各特征之间的空间相关性，从而提高预测精度。

在一个实施例中，所述根据当前时刻以前不同时刻的温室内环境特征和温室外环境特征，确定多组时间序列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，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。

由于如菇房等温室内的湿度值较大，长时间放置于菇房内进行监测的传感器的精度会受到一定的影响。同时网络传输的质量、设备故障、人为因素的干扰等问题，使得传感器在进行数据采集的过程中会出现数据异常、数据缺失等情况。因此针对短时数据的缺失采用公式(2)线性插值法进行插补，若丢失数据较多或者时间间隔较大时，则采用天气类型相同或对相近相邻几天中同一时刻的数据来填补。对于异常数据处理则采用公式(3)均值法进行数据的平滑修复。

在一个实施例中，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层进行特征提取，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。

所述温室为菇房时，考虑到复杂多变的菇房小气候环境输入数据的特点，本发明特别设计有四层卷积层(Conv2D)，卷积核数目依次为16，16，32，32，并选取RELU激活函数进行激活。每经过两次连续卷积进行一次最大池化(MaxPooling2D)，。为了充分的利用现有的菇房环境分布数据，本发明将卷积核的大小设置为3×3，池大小为2，最后通过整平操作，即Flatten操作，经过flatten操作之后多维特征向量可变成一个一维全局特征向量，从而进行降维，将其转换为全局特征向量作为GRU层的输入。

本发明实施例的温室环境空间分布预测方法，通过CNN局部连接和权值共享的特性，在捕捉高层次特征的同时可由池化层特征降维，减少参数。

在一个实施例中，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GRU网络层进行特征处理；根据基于RELU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。

图2是本发明提供的温室环境空间分布预测方法的流程示意图之二，如图所示，经过本发明实验的不断改进发现，构建两层GRU结构达到了最好的预测效果，激活函数采用RELU激活函数，神经元数目分别为64，128。最后将全连接层(Dense)的经过反归一化后输出预设时长，如20分钟后的温湿度、二氧化碳向量，图3是本发明提供的CNN-GRU神经网络模型结构图，可参见图3。图4是本发明提供的GRU内部结构单元图，如图4所示，门控循环单元神经网络(GRU)计算公式如下：

式中，r_t和z_t分别为重置门和更新门，W_r为重置门的权重矩阵,W_z为更新门的权重矩阵。x_t为输入，h_t为隐藏层的输出，

是输入x_t和过去隐层状态h_t-1的汇总,σ(·)为激活函数sigmoid；tanh(·)为激活函数tanh。

本发明实施例的温室环境空间分布预测方法，通过CNN-GRU的结合，相比LSTM神经网络和GRU神经网络的训练时间有明显的加快，并且模型的损失值更低，预测效果更好。结果表明CNN-GRU对于复杂多变的菇房小气候数据有着很好的适应能力，同时模型的运行效率也得到了提升。

在一个实施例中，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Adam优化算法调整模型参数，训练得到所述预测模型。

本发明将模型的时间步长设置为9分钟，利用Adam优化算法不断的调整模型的参数。Adam优化算法是随机梯度下降算法的扩展式，同时获得了Adagrad和RMSProp算法的优点，适用于大规模数据，能够更加高效的使模型的性能达到最优。为了避免模型陷入局部最小值，经过多次实验和分析，本发明实施例将初始学习率设置为0.001，每迭代100次学习率调整为原来的10％，直到损失值趋于稳定时模型的效果达到最好。

本发明的实例：

以温室菇房的应用为例，温室预测预警系统可通过本发明的温室菇房空间分布预测结果对菇房的整体环境性能进行评估，并精准预警及提供调控决策信息。

数据获取及预处理方面：室内环境数据通过两间相邻温室菇房内分布的六个数据采集器(每个温室菇房分布三个)获取监测数据，数据点通过One-hot编码进行编码。监测设备采用温室云环境数据采集器，各数据采集器安装在三脚架上。每个数据采集器可以测量空气温度、空气相对湿度、土壤温度、CO₂及光照强度，以设定时间间隔(20min)发送到远端云服务器进行存储。室外空气温度、空气相对湿度、风速等气象数据由室外约20m远的HOBO气象站自动采集，温室预测预警系统可通过爬虫技术对室内环境数据、室外气象数据进行实时在线爬取，管理员也可以手动调用下载好的数据进行读取。温室预测预警系统在进行预测预警前，管理人员需要对异常数据通过数据预处理环节进行处理。

温室预测预警系统构建：预测预警系统搭建环境为Pycharm，通过PyQt5配合QtDesigner完成开发，预测模型实现基于Keras深度学习工具，以Tensorflows深度学习框架作为后端支持，编程语言为Python。预测预警系统主要由数据获取、数据预测及数据预警三个模块组成，并对不同食用菌的适宜生长环境条件进行封装，可将空间分布预测结果结合封装好的适宜环境条件对各区域预警及提供调控决策信息，决策信息传送至应用层，使温室菇房生产相关人员清晰明了的掌握温室食用菌的生长状态及环境信息。

下面对本发明提供的温室环境空间分布预测装置进行描述，下文描述的温室环境空间分布预测装置与上文描述的温室环境空间分布预测方法可相互对应参照。

图5是本发明提供的温室环境空间分布预测装置的结构示意图，如图5所示，该温室环境空间分布预测装置包括：数据采集模块501、第一处理模块502和第二处理模块503。其中，数据采集模块501用于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；第一处理模块502用于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；第二处理模块503用于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。

本发明实施例提供的装置实施例是为了实现上述各方法实施例的，具体流程和详细内容请参照上述方法实施例，此处不再赘述。

本发明实施例提供的温室环境空间分布预测装置，通过温室内特征和温室外特征的多组时间序列特征的提取，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，结合卷积网络能更好的处理特征关联性，再结合时间序列网络更好的挖掘时间相关性，从而使预测误差和波动性较小，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。

图6是本发明提供的电子设备的结构示意图，如图6所示，该电子设备可以包括：处理器(processor)601、通信接口(Communications Interface)602、存储器(memory)603和通信总线604，其中，处理器601，通信接口602，存储器603通过通信总线604完成相互间的通信。处理器601可以调用存储器603中的逻辑指令，以执行温室环境空间分布预测方法，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，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。

此外，上述的存储器603中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法所提供的温室环境空间分布预测方法，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，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。

又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各实施例提供的温室环境空间分布预测方法，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，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。

以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

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，0<i<j，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。

8.一种温室环境空间分布预测装置，其特征在于，包括：

数据采集模块，用于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；

第一处理模块，用于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；

第二处理模块，用于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。

9.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至7任一项所述温室环境空间分布预测方法的步骤。

10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述温室环境空间分布预测方法的步骤。

Images