融合ga-attention-lstm算法的樱桃裂果环境参数预测方法
技术领域
1.本发明涉及智慧农业技术领域，具体涉及融合ga-attention-lstm算法的樱桃裂果环境参数预测方法。
背景技术：2.随着人工智能技术的快速发展，深度学习、机器学习技术在农业种植方面的应用愈发普遍。樱桃种植一直是大连市种植业的支柱产业，同时也是大连市优势特色产业，能够为当地的经济发展带来巨大效益。1988年，大连市农科院将“美早”樱桃引入我国，目前该品种在大连市已经有了大规模种植。美早是由美国华盛顿州立大学培育，具有果肉多、口感好、易储存、营养丰富等优势，被大量消费者所追捧。但在日光温室樱桃种植过程中，樱桃裂果一直是困扰农户的棘手问题，温室樱桃一旦裂果市场价值将大幅降低，大面积裂果将给农民带来巨大经济损失，产值也将受到严重影响。
3.在实际的樱桃种植过程中，有很多环境因素会影响到棚内的温湿度数值，该方面无法在传统的预测方法中得以体现；lstm神经网络虽然应用广泛，但也存在着不足，如在寻找最优的超参数值、隐藏层数、批量大小等便是一个不确定的多项式问题，会影响到预测结果的精度。
技术实现要素：4.本发明的目的在于，提供一种融合ga-attention-lstm算法的樱桃裂果环境参数预测方法，其通过数据分析和深度学习的方式对樱桃温室的环境进行预测，为农户的裂果防预提供数字化预警支持。
5.为实现上述目的，本技术提出的融合ga-attention-lstm算法的樱桃裂果环境参数预测方法，包括：
6.获取温室樱桃种植的环境数据，通过相关性分析方法得出与樱桃裂果具有强相关性的环境特征，并对所述环境特征进行归一化处理；
7.采用滑动窗口方法，将处理后的环境特征数据生成矩阵形式；
8.构建基于遗传算法(genetic algorithm，ga)并加入注意力(attention)机制的长短期记忆(long-short term memory，lstm)神经网络预测模型，得到温室内樱桃裂果环境参数。
9.进一步的，所述温室樱桃种植的环境数据，包括空气湿度、空气温度、co2浓度、光照强度、土壤温度、土壤含水量、土壤ph值、土壤电导率。
10.进一步的，通过相关性分析方法得出与樱桃裂果具有强相关性的环境特征，并对所述环境特征进行归一化处理，具体为：
11.相关性系数获取公式为：
12.13.通过上式分析得出，空气湿度、空气温度、光照强度、土壤温度、土壤含水量与樱桃裂果的产生具有强相关性，并将空气湿度标记为x
1j
、空气温度标记为x
2j
、光照强度标记为x
3j
、土壤温度标记为x
4j
、土壤含水量标记为x
5j
；
14.对所述空气湿度x
1j
、空气温度x
2j
、光照强度x
3j
、土壤温度x
4j
和土壤含水量x
5j
的环境数据进行离群值处理；
15.将离群值处理后的环境数据映射到0～1的范围内，公式如下：
[0016][0017]
式中，x
in
为归一化后的数值，x
ij
为归一化前的数值，x
ijmin
为该环境变量的最小值，x
ijmax
为该环境变量的最大值；将归一化后的空气湿度、空气温度、光照强度、土壤温度和土壤含水量分别标记为x
1n
、x
2n
、x
3n
、x
4n
、x
5n
。
[0018]
进一步的，采用滑动窗口方法，将处理后的环境特征数据生成矩阵形式，具体为：
[0019]
数据采集以小时为单位，故设置窗口长度为12，则x
1n
、x
2n
、x
3n
、x
4n
、x
5n
五组数据的窗口形状为(12*5)，窗口e的矩阵表达式为：
[0020][0021]
设置步长为1，滑动窗口e的移动方向为垂直向下，按时间序列滑动；
[0022]
生成形状为(n*5)的矩阵形式，将该矩阵标记为en。
[0023]
进一步的，所述长短期记忆神经网络预测模型中加入注意力机制，具体为：在神经网络的隐藏层单元中注意力机制为输入的空气湿度x
1n
，空气温度x
2n
，光照强度x
3n
，土壤温度x
4n
，土壤含水量x
5n
分配相应概率的权重。
[0024]
更进一步的，所述长短期记忆神经网络预测模型包括2个lstm隐藏层、1个attention层和1个全连接层；其中x
1n
、x
2n
、x
3n
、x
4n
、x
5n
为输入向量；先导入lstm隐藏层中，再导入attention层，该层attention机制的计算过程如下：
[0025]
c＝(c
1 c
2 c
3 c
4 c5)
[0026]
g＝(g
1 g
2 g
3 g
4 g5)
[0027]
d＝(d
1 d
2 d
3 d
4 d5)
[0028]
c1，c2，c3，c4，c5分别表示输入环境特征x
1n
，x
2n
，x
3n
，x
4n
，x
5n
的搜索引擎，在计算过程中用矩阵c表示；g1，g2，g3，g4，g5分别表示输入环境特征x
1n
，x
2n
，x
3n
，x
4n
，x
5n
对应的搜索键，在计算过程中用矩阵g表示；d1，d2，d3，d4，d5分别表示输入环境特征x
1n
，x
2n
，x
3n
，x
4n
，x
5n
对应的数值，在计算过程中用矩阵d表示。
[0029]
更进一步的，在attention层中获取空气湿度x
1n
，空气温度x
2n
，光照强度x
3n
，土壤温度x
4n
，土壤含水量x
5n
的权重，具体为：
[0030][0031][0032][0033]
其排名前三的为空气湿度x
1n
，空气温度x
2n
，土壤含水量x
5n
所对应的权重；
[0034][0035]
向量ω1，ω2，ω5分别为空气湿度x
1n
，空气温度x
2n
，土壤含水量x
5n
的权重，用矩阵ω来表示。在计算权重时没有使用attention中传统的softmax函数，而是使用了直接加权求和的方式，不但能够达到同样的效果，而且简化了计算量。
[0036]
更进一步的，所述长短期记忆神经网络预测模型的输出为樱桃裂果环境中空气湿度y
1n
，空气温度y
2n
，土壤含水量y
5n
的预测值，用矩阵y表示，具体为：
[0037]
[0038][0039]
更进一步的，通过ga算法优化长短期记忆神经网络预测模型的参数，所述参数包括lstm层的层数，隐藏层的层数以及隐藏层的神经元个数。
[0040]
本发明采用的以上技术方案，与现有技术相比，具有的优点是：通过本发明方法能够准确找到影响樱桃裂果的主要原因，且预测樱桃裂果的环境特征曲线与实际的温室内环境特征曲线大致吻合，能够给农户提供下一时刻的环境参数预测值，通过预测值来对大棚内的樱桃裂果进行预警。设计的长短期记忆神经网络预测模型具有预测准确性高、计算速度快、训练效率高的优势。
附图说明
[0041]
图1为本发明滑动窗口工作流程图；
[0042]
图2为本发明长短期记忆神经网络预测模型运行流程图；
[0043]
图3为本发明ga算法优化长短期记忆神经网络预测模型流程图；
[0044]
图4为本发明湿度预测曲线对比图；
[0045]
图5为本发明温度预测曲线对比图；
[0046]
图6为本发明土壤含水量预测曲线对比图。
具体实施方式
[0047]
为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本技术，并不用于限定本技术，即所描述的实施例仅是本技术一部分实施例，而不是全部的实施例。
[0048]
因此，以下对在附图中提供的本技术的实施例的详细描述并非旨在限制要求保护的本技术的范围，而是仅仅表示本技术的选定实施例。基于本技术的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本技术保护的范围。
[0049]
实施例1
[0050]
温室产生裂果的时间是在樱桃生长周期进入着色期里，温室大棚进入该生长周期的时间为2月初左右，因此本发明以2月初之后的环境数据为基础进行研究，且以“美早”樱桃为试验品种，改进lstm神经网络来预测棚内的空气温湿度及土壤含水量，为农户的裂果防预提供数字化预警支持；其具体实现方法包括：
[0051]
步骤一，获取温室樱桃种植的环境数据，通过相关性分析方法得出与樱桃裂果具有强相关性的环境特征，并对所述环境特征进行归一化处理；
[0052]
具体的，相关性分析是指对两个或多个具备相关性的特征变量展开分析，由此来
衡量每个特征变量之间的相关程度，二者的相关系数越大，说明关系越密切，反之，则越疏远。具体实现方式为：
[0053]
s11.通过相关性系数获取公式得出，空气湿度、空气温度、光照强度、土壤温度、土壤含水量与樱桃裂果的产生具有强相关性，并将空气湿度标记为x
1j
、空气温度标记为x
2j
、光照强度标记为x
3j
、土壤温度标记为x
4j
、土壤含水量标记为x
5j
；
[0054]
s12.由于数据采集装置在温室内可能面临着网络不稳定，农业种植干扰等问题，可能会影响到数据预测的准确性；故对所述空气湿度x
1j
、空气温度x
2j
、光照强度x
3j
、土壤温度x
4j
和土壤含水量x
5j
的环境数据进行离群值处理；
[0055]
s13.将离群值处理后的环境数据映射到0～1的范围内，以此来提高模型的收敛速度和预测的精准度。
[0056]
步骤二，采用滑动窗口方法，将处理后的环境特征数据生成矩阵形式；
[0057]
具体的，滑动窗口方法是在一个特定大小的数组或字符串上进行的操作。在窗口滑动的过程中，左边出一个元素，右边会进一个元素，最终生成时间序列的矩阵数据集，降低了问题的复杂度，更有利于网络的输入。具体实现方式为：
[0058]
s21.数据采集以小时为单位，故设置窗口长度为12，则x
1n
、x
2n
、x
3n
、x
4n
、x
5n
五组数据的窗口形状为(12*5)，得到窗口e的矩阵表达式；
[0059]
s22.设置步长为1，滑动窗口e的移动方向为垂直向下，按列表时间序列滑动；
[0060]
s23.最终生成形状为(n*5)的矩阵形式，将该矩阵标记为en。
[0061]
步骤三，构建基于遗传算法并加入注意力机制的长短期记忆神经网络预测模型，得到温室内樱桃裂果环境参数；
[0062]
具体的，注意力机制会在神经网络的隐藏层单元中为输入的空气湿度x
1n
，空气温度x
2n
，光照强度x
3n
，土壤温度x
4n
，土壤含水量x
5n
分配相应概率的权重，关键的影响因素权重会更高。同时，因为attention机制在执行高度并行的计算时具有较好效果，所以模型的计算和存储开销几乎不会因该机制的增添产生影响。
[0063]
长短期记忆神经网络预测模型包括2个lstm隐藏层、1个attention层和1个全连接层。输入向量x
1n
、x
2n
、x
3n
、x
4n
、x
5n
首先进入输入层，中间会经过两个lstm隐藏层，再导入attention层中；在attention层里，对x
1n
、x
2n
、x
3n
、x
4n
、x
5n
计算权重，将输入的向量和对应的权重合并后得到全新的特征，将其输入到全连接层中，可以得出预测值y
1n
，y
2n
，y
5n
，如图2所示；2个lstm隐藏层的作用是对输入向量x
1n
、x
2n
、x
3n
、x
4n
、x
5n
进行多层次的抽象，可以对不同类型的数据进行更好地线性划分。但隐藏层层数也不宜过多，随着层数的增加，参数也会爆炸式上涨，不利于之后的处理。
[0064]
ga算法是一种并行、高效且具备全局搜索能力的方法，能在搜索过程中自动获取和积累有关搜索空间的知识，并自适应地控制搜索过程以求得最佳解。以此来选择最佳神经元数目与批量大小，这是提高lstm网络模型预测精度的十分有效方法。在对lstm网络模型的优化过程中，优化的参数主要包括lstm层的层数，隐藏层的层数以及隐藏层的神经元个数。其具体实现过程如图3所示，包括：(1)生成ga的初始种群；(2)通过适应度函数选择lstm网络的mse；(3)然后进行选择变异操作；(4)判断适应度值是否满足要求，若不满足，返回(3)继续执行；(5)获取最佳参数和适应度。
[0065]
ga-attention-lstm模型的mae为0.112，mse为0.087，与传统的lstm模型相比，mae
高出12.80％，mse高出9.72％。可以看出ga-attention-lstm模型相比于传统的lstm模型误差更低，损失更少，能够更好地预测温室内的环境参数。模型的预测值与实际值的对比效果如图4-6所示。
[0066]
前述对本发明的具体示例性实施方案的描述是为了说明和例证的目的。这些描述并非想将本发明限定为所公开的精确形式，并且很显然，根据上述教导，可以进行很多改变和变化。对示例性实施例进行选择和描述的目的在于解释本发明的特定原理及其实际应用，从而使得本领域的技术人员能够实现并利用本发明的各种不同的示例性实施方案以及各种不同的选择和改变。本发明的范围意在由权利要求书及其等同形式所限定。
技术特征：1.融合ga-attention-lstm算法的樱桃裂果环境参数预测方法，其特征在于，包括：获取温室樱桃种植的环境数据，通过相关性分析方法得出与樱桃裂果具有强相关性的环境特征，并对所述环境特征进行归一化处理；采用滑动窗口方法，将处理后的环境特征数据生成矩阵形式；构建基于遗传算法并加入注意力机制的长短期记忆神经网络预测模型，得到温室内樱桃裂果环境参数。2.根据权利要求1所述融合ga-attention-lstm算法的樱桃裂果环境参数预测方法，其特征在于，所述温室樱桃种植的环境数据，包括空气湿度、空气温度、co2浓度、光照强度、土壤温度、土壤含水量、土壤ph值、土壤电导率。3.根据权利要求1所述融合ga-attention-lstm算法的樱桃裂果环境参数预测方法，其特征在于，通过相关性分析方法得出与樱桃裂果具有强相关性的环境特征，并对所述环境特征进行归一化处理，具体为：相关性系数获取公式为：通过上式分析得出，空气湿度、空气温度、光照强度、土壤温度、土壤含水量与樱桃裂果的产生具有强相关性，并将空气湿度标记为x
1j
、空气温度标记为x
2j
、光照强度标记为x
3j
、土壤温度标记为x
4j
、土壤含水量标记为x
5j
；对所述空气湿度x
1j
、空气温度x
2j
、光照强度x
3j
、土壤温度x
4j
和土壤含水量x
5j
的环境数据进行离群值处理；将离群值处理后的环境数据映射到0～1的范围内，公式如下：式中，x
in
为归一化后的数值，x
ij
为归一化前的数值，x
ijmin
为该环境变量的最小值，x
ijmax
为该环境变量的最大值；将归一化后的空气湿度、空气温度、光照强度、土壤温度和土壤含水量分别标记为x
1n
、x
2n
、x
3n
、x
4n
、x
5n
。4.根据权利要求1所述融合ga-attention-lstm算法的樱桃裂果环境参数预测方法，其特征在于，采用滑动窗口方法，将处理后的环境特征数据生成矩阵形式，具体为：数据采集以小时为单位，故设置窗口长度为12，则x
1n
、x
2n
、x
3n
、x
4n
、x
5n
五组数据的窗口形状为(12*5)，窗口e的矩阵表达式为：
设置步长为1，滑动窗口e的移动方向为垂直向下，按时间序列滑动；生成形状为(n*5)的矩阵形式，将该矩阵标记为e
n
。5.根据权利要求1所述融合ga-attention-lstm算法的樱桃裂果环境参数预测方法，其特征在于，所述长短期记忆神经网络预测模型中加入注意力机制，具体为：在神经网络的隐藏层单元中注意力机制为输入的空气湿度x
1n
，空气温度x
2n
，光照强度x
3n
，土壤温度x
4n
，土壤含水量x
5n
分配相应概率的权重。6.根据权利要求1所述融合ga-attention-lstm算法的樱桃裂果环境参数预测方法，其特征在于，所述长短期记忆神经网络预测模型包括2个lstm隐藏层、1个attention层和1个全连接层；其中x
1n
、x
2n
、x
3n
、x
4n
、x
5n
为输入向量；先导入lstm隐藏层中，再导入attention层，该层attention机制的计算过程如下：c＝(c
1 c
2 c
3 c
4 c5)g＝(g
1 g
2 g
3 g
4 g5)d＝(d
1 d
2 d
3 d
4 d5)c1，c2，c3，c4，c5分别表示输入环境特征x
1n
，x
2n
，x
3n
，x
4n
，x
5n
的搜索引擎，在计算过程中用矩阵c表示；g1，g2，g3，g4，g5分别表示输入环境特征x
1n
，x
2n
，x
3n
，x
4n
，x
5n
对应的搜索键，在计算过程中用矩阵g表示；d1，d2，d3，d4，d5分别表示输入环境特征x
1n
，x
2n
，x
3n
，x
4n
，x
5n
对应的数值，在计算过程中用矩阵d表示。7.根据权利要求6所述融合ga-attention-lstm算法的樱桃裂果环境参数预测方法，其特征在于，在attention层中获取空气湿度x
1n
，空气温度x
2n
，光照强度x
3n
，土壤温度x
4n
，土壤含水量x
5n
的权重，具体为：
其排名前三的为空气湿度x
1n
，空气温度x
2n
，土壤含水量x
5n
所对应的权重；向量ω1，ω2，ω5分别为空气湿度x
1n
，空气温度x
2n
，土壤含水量x
5n
的权重，用矩阵ω来表示。8.根据权利要求7所述融合ga-attention-lstm算法的樱桃裂果环境参数预测方法，其特征在于，所述长短期记忆神经网络预测模型的输出为樱桃裂果环境中空气湿度y
1n
，空气温度y
2n
，土壤含水量y
5n
的预测值，用矩阵y表示，具体为：的预测值，用矩阵y表示，具体为：9.根据权利要求1所述融合ga-attention-lstm算法的樱桃裂果环境参数预测方法，其特征在于，通过ga算法优化长短期记忆神经网络预测模型的参数，所述参数包括lstm层的层数，隐藏层的层数以及隐藏层的神经元个数。
技术总结本发明公开了一种融合GA-Attention-LSTM算法的樱桃裂果环境参数预测方法，包括：获取温室樱桃种植的环境数据，通过相关性分析方法得出与樱桃裂果具有强相关性的环境特征，并对所述环境特征进行归一化处理；采用滑动窗口方法，将处理后的环境特征数据生成矩阵形式；构建基于遗传算法(GeneticAlgorithm，GA)并加入注意力(Attention)机制的长短期记忆(Long-ShortTermMemory，LSTM)神经网络预测模型，得到温室内樱桃裂果环境参数。本发明通过数据分析和深度学习的方式对樱桃温室的环境进行预测，为农户的裂果防预提供数字化预警支持。为农户的裂果防预提供数字化预警支持。为农户的裂果防预提供数字化预警支持。
技术研发人员：胡玲艳 邱绍航 张超 汪祖民 许巍 谷毛毛 宋旦旨 李国强
受保护的技术使用者：大连大学
技术研发日：2022.04.21
技术公布日：2022/7/5
