基于GWO-LSTM的设施蔬菜温室温度预测.pdf

1 1 6 中国农机化学报2 0 2 3年 D O I 1 0 1 3 7 3 3 j j c a m i s s n 2 0 9 5 5 5 5 3 2 0 2 3 0 1 0 1 7 基于GWO LSTM的设施蔬菜温室温度预测 毛晓娟 鲍彤 荀广连 李德翠 王宝佳 任妮 江苏省农业科学院信息中心 南京市 2 1 0 0 1 4 摘要 温度是设施生产中作物生长的主要制约因素之一 提前预测温室温度对精准调控温室环境具有重要的指导意义 因此提出一种基于灰狼优化算法的长短期记忆网络模型预测温室温度 该模型利用灰狼优化算法 G r e y W o l f O p t i m i z e r G W O 对长短期记忆网络 L o n g S h o r t T e r m M e m o r y L S T M 模型参数进行调整优化 以江苏省农业科学院阳光板温室 2 0 2 0年9月2 3日 1 2月2 1日期间的试验数据对该方法进行验证 结果显示 在预测时间步长3 0 m i n时 G W O L S T M的预测均方根误差 平均绝对误差 平均绝对百分比误差和决定系数分别为0 6 7 7 6 0 4 1 1 4 0 1 6 8 7和 0 9 6 0 4 在预测时间步长6 0 m i n内 G W O L S T M模型预测精度均高于标准L S T M和反向传播人工神经网络 B a c k P r o p a g a t i o n A r t i f i c i a l N e u r a l N e t w o r k B P A N N 说明所提出的G W O L S T M模型能够准确地预测未来温室内温度 变化 可为制定温室环境智能调控策略提供有效的数据支撑 关键词 温室 温度 时间序列 长短期记忆网络 灰狼优化算法 中图分类号 S 6 2 5 5 T P 3 0 1 6 文献标识码 A 文章编号 2 0 9 5 5 5 5 3 2 0 2 3 0 1 0 1 1 6 0 8 毛晓娟 鲍彤 荀广连 李德翠 王宝佳 任妮 基于G W O L S T M的设施蔬菜温室温度预测 J 中国农机化学报 2 0 2 3 4 4 1 1 1 6 1 2 3 M a o X i a o j u a n B a o T o n g X u n G u a n g l i a n L i D e c u i W a n g B a o j i a R e n N i P r e d i c t i o n o f t e m p e r a t u r e i n t h e g r e e n h o u s e o f v e g e t a b l e g r o w i n g b a s e d o n G W O L S T M J J o u r n a l o f C h i n e s e A g r i c u l t u r a l M e c h a n i z a t i o n 2 0 2 3 4 4 1 1 1 6 1 2 3 收稿日期 2 0 2 1年1 1月1 2日 修回日期 2 0 2 2年2月2 4日 基金项目 江苏省重点研发计划 现代农业 项目 B E 2 0 2 1 3 7 9 第一作者 毛晓娟 女 1 9 8 4年生 江苏南京人 硕士 助理研究员 研究方向为设施蔬菜环境智能管控等 E m a i l 2 0 1 9 0 0 3 3 j a a s a c c n 通讯作者 任妮 女 1 9 8 3年生 山东烟台人 博士 研究员 研究方向为农业大数据分析 知识组织与分析利用 E m a i l r n j a a s a c c n PredictionoftemperatureinthegreenhouseofvegetablegrowingbasedonGWO LSTM MaoXiaojuan BaoTong XunGuanglian LiDecui WangBaojia RenNi InationCenterofJiangsuAcademyofAgriculturalSciences Nanjing 2 1 0 0 1 4 China Abstract T e m p e r a t u r e i s o n e o f t h e m a i n l i m i t i n g f a c t o r s o f c r o p g r o w t h i n f a c i l i t y p r o d u c t i o n I t i s o f g r e a t g u i d i n g s i g n i f i c a n c e t o p r e d i c t a i r t e m p e r a t u r e i n t h e g r e e n h o u s e i n a d v a n c e f o r m a n a g i n g a n d c o n t r o l l i n g t h e e n v i r o n m e n t i n t h e g r e e n h o u s e a c c u r a t e l y L o n g S h o r t T e r m M e m o r y n e t w o r k L S T M b a s e d o n G r e y W o l f O p t i m i z a t i o n G W O m o d e l w a s p r o p o s e d t o p r e d i c t a i r t e m p e r a t u r e i n t h e g r e e n h o u s e i n t h i s p a p e r T h i s m o d e l u s e d G W O t o a d j u s t a n d o p t i m i z e t h e p a r a m e t e r s o f L S T M w h i c h c o u l d a v o i d m a n u a l a d j u s t m e n t o f p a r a m e t e r s a n d i m p r o v e t h e e f f i c i e n c y o f m o d e l p a r a m e t e r a d j u s t m e n t T h e e x p e r i m e n t a l g r e e n h o u s e w a s l o c a t e d i n J i a n g s u A c a d e m y o f A g r i c u l t u r a l S c i e n c e s T h e d a t a o f e n v i r o n m e n t a n d c o n t r o l d e v i c e o p e r a t i o n s t a t u s w e r e c o l l e c t e d f r o m S e p t e m b e r 2 3 r d 2 0 2 0 t o D e c e m b e r 2 1 s t 2 0 2 0 d u r i n g t h e e x p e r i m e n t T h e r e s u l t s s h o w e d t h a t w h e n t h e p r e d i c t e d t i m e s t e p w a s 3 0 m i n t h e r o o t m e a n s q u a r e e r r o r m e a n a b s o l u t e e r r o r m e a n a b s o l u t e p e r c e n t a g e e r r o r a n d d e t e r m i n a t i o n c o e f f i c i e n t o f G M O L S T M p r e d i c t i o n w e r e 0 6 7 7 6 0 4 1 1 4 0 1 6 8 7 a n d 0 9 6 0 4 r e s p e c t i v e l y I n t h e p r e d i c t i o n t i m e s t e p o f 6 0 m i n t h e p r e d i c t i o n a c c u r a c y o f G M O L S T M w a s h i g h e r t h a n t h a t o f s t a n d a r d L S T M a n d B a c k P r o p a g a t i o n A r t i f i c i a l N e u r a l N e t w o r k B P A N N I n s u m m a r y G W O L S T M m o d e l p r o p o s e d i n t h i s p a p e r c o u l d a c c u r a t e l y p r e d i c t t h e f u t u r e t e m p e r a t u r e c h a n g e i n t h e g r e e n h o u s e w h i c h c o u l d a l s o p r o v i d e t h e e f f e c t i v e d a t a s u p p o r t f o r d e v e l o p i n g i n t e l l i g e n t c o n t r o l s t r a t e g y o f t h e e n v i r o n m e n t i n t h e g r e e n h o u s e Keywords g r e e n h o u s e t e m p e r a t u r e t i m e s e r i e s L o n g S h o r t T e r m M e m o r y n e t w o r k G r e y W o l f O p t i m i z a t i o n a l g o r i t h m 第4 4卷 第1期 2 0 2 3年1月 中国农机化学报 J o u r n a l o f C h i n e s e A g r i c u l t u r a l M e c h a n i z a t i o n V o l 4 4 N o 1 J a n 2 0 2 3 第1期毛晓娟等 基于G W O L S T M的设施蔬菜温室温度预测1 1 7 0 引言 设施蔬菜生产使用的温室是典型的小气候环境 受内外环境的影响 具有强干扰 多耦合 大滞后等特 点 1 2 温度作为作物生长过程中重要的环境影响因 素 直接决定作物的生长发育状况 不适宜的温度将导 致作物大幅减产甚至绝收 因此 稳定精确地预测温 室温度 并根据温度预测值提前调控温室环境 对温室 大棚内的作物生产意义重大 目前国内外关于温室内温度的预测模型主要分为 两类 一类是机理模型 一类是数据模型 机理模型主 要基于流体动力学和能量平衡 3 4 但是其内部关联参 数多 建模难度大 数据模型主要根据温室内外环境 数据进行建模 无需考虑温室耗散 热辐射等影响因 素 随着机器学习的快速发展 数据模型在温室内温 度的预测中得到了广泛的应用 5 9 Y u等 1 0 提出一 种基于最小二乘支持向量机 L e a s t S q u a r e s S u p p o r t V e c t o r M a c h i n e L S S V M 的温度预测模型 采用改进 粒子群算法 I m p r o v e d P a r t i c l e S w a r m O p t i m i z a t i o n I P S O 对L S S V M模型进行参数优化 对未来短时的 预测效果较好 但在长时间的温度预测方面还需要进 一步研究 任守纲等 1 1 利用R B P神经网络进行多 步滚动预测温室的温度值 但对温室外界环境因素考 虑不全 预测仍然存在较大误差 田东等 1 2 利用移动 平均 移动平均差分自回归模型和遗传算法优化的支 持向量机三种模型相结合的方法进行食用菌温室温度 预测 该组合模型预测精度比单模型有明显提高 但其 仅基于7月份数据进行预测 模型不具有广泛适应性 由于浅层的机器学习算法在处理长时间序列信号 上存在不足 数据预测结果存在较大的误差 深度学 习作为机器学习最新的研究成果 它通过学习深层非 线性网络结构 在数据特征和模型挖掘上具有显著优 势 循环神经网络 R e c u r r e n t N e u r a l N e t w o r k R N N 1 3 作为深度学习中处理序列问题的典型网络结 构 将时序概念引入到网络结构设计中 使其在时序建 模中具有更强的适应性和更高的预测精度 但是 R N N结构随着序列长度的增加易存在梯度消失或爆 炸问题 对于序列长期依赖关系的学习存在一定的困 难 H o c h r e i t e r等 1 4 提出了长短期记忆网络 L o n g s h o r t t e r m m e m o r y n e t w o r k L S T M 它作为一种特 殊的R N N 解决了标准R N N无法建立较长时间跨度 的模型预测问题 因此被广泛应用于时间序列的预测 中 1 5 2 2 在温度预测方面 D a D h j a等 2 3 对比R N N L S T M 人工神经网络和自回归神经网络对3 0 m i n后 的温室温度等环境因子进行预测 结果表明R N N L S T M预测效果最好 赵明珠等 2 4 利用双向长短期 记忆 B i d i r e c t i o n a l L o n g S h o r t T e r m M e m o r y B i L S T M 网络模型得到了优于L S T M 差分整合移动平 均自回归 A u t o r e g r e s s i v e I n t e g r a t e d M o v i n g A v e r a g e A R I M A 模型的地铁车站温度预测结果 智协飞等 2 5 利用长短期记忆网络 浅层神经网络 滑动训练期消除 偏差集合平均和滑动训练期多模式超级集合方法对地 面气温进行预报 该集成方法的预报结果比所有单个 模式预报更为准确 综上 L S T M在诸多时间序列预测上具有很大的 优势 温室温度预测作为典型的时间序列问题 使用 L S T M方法尤其合适 但L S T M的模型参数依靠人工 经验确定 随机性较大 易陷入局部最优解 灰狼优化 算法 G r e y W o l f O p t i m i z a t i o n G W O 2 6 是近年来提 出的一种通过模拟灰狼捕食行为的群体智能优化算 法 具有收敛性强 参数少 易实现等优点 比较粒子群 算法 蝙蝠算法等有更强的收敛速度与搜索能力 因此 被广泛用于模型参数的调整优化 2 7 2 8 本文将灰狼优化算法和长短期记忆网络模型相结 合 提出基于G W O L S T M的设施蔬菜温室温度预 测模型 将L S T M网络中隐藏层单元数 学习率和迭 代次数等模型参数作为G W O算法中狼群的位置坐 标 通过计算适应度值更新狼群位置以获取模型参数 的最优解 利用最优参数搭建L S T M网络模型对温 室内温度进行预测 1 材料与方法 1 1 试验区概况 本文试验区域为江苏省农业科学院科研基地阳光 板温室 温室屋脊为南北走向 跨度栋宽8 m 开间 4 m 肩高5 0 m 顶高5 8 m 外遮阳高6 5 m 屋面 形状为一跨二尖顶文洛式 顶部及四周侧墙采用8 m m 阳光板 温室配备外遮阳系统 内遮阳系统 保温系 统 交错顶开窗系统 湿帘风机降温系统 自动升降式 补光系统 控制系统等 温室内部采用椰糠基质栽培 种植樱桃番茄 试验期间番茄分别经历幼苗期 开花期 和坐果期生长阶段 时间为2 0 2 0年9月中旬 1 2月 下旬 试验初期天气炎热 温室通过湿帘 风机和天窗 等设备进行降温 后期天气变冷采用内保温 遮阳网等 设备进行保温 试验期间利用团队自主开发的设施蔬 菜智慧管控平台对温室环境实施自动调控 全程保证 番茄处于适宜的生长环境中 1 2 数据采集与预处理 温室内环控设备 风机 湿帘 天窗 补光灯 内保 温 内遮阳 外遮阳 操作历史状态通过设施蔬菜智慧 1 1 8 中国农机化学报2 0 2 3年 管控平台进行实时自动采集 采集内容包括设备名称 设备操作类型 开启 关闭 展开 合拢 和操作时间等 温室内环境因子通过无线传感器采集 主要采集室内空 气温度 空气相对湿度 光合有效辐射和二氧化碳浓度 等环境数据 温室外通过小型气象站采集室外空气温 度 空气相对湿度 风速和光合有效辐射等环境数据 由于温室内环境复杂多变 为了准确地获取温室中 环境数据的空间分布变化 分别取温室中4个地块的中 心点 A B C D 作为监测点 在点A B C D处于垂 直方向依次布设空气温湿度传感器 二氧化碳浓度传感 器和光合有效辐射传感器 分别距地面1 5 m 1 6 m 1 8 m 温室外点E位置布设小型气象站 温室内外传 感器布设的俯视图和剖面图如图1所示 温室内外传感 器设备的型号 量程范围等参数说明如表1所示 本文选取2 0 2 0年9月2 3日 1 2月2 1日期间试 验数据 采样间隔为1 0 m i n 总共采集1 2 8 1 9条样本 数据 其中设备开启 展开状态记录为1 设备关闭 合拢状态记录为0 多个监测点采集的同类环境数据 取平均值 对于缺值采用线性插值法进行填充 异常 值采用均值法进行替换 由于各类数据单位 量纲的 差异 本文对数据采用归一化处理 归一化后按照7 3划分数据集 前8 9 6 7条数据作为训练样本集 后3 8 5 2条数据作为测试样本集 数据归一化公式如式 1 所示 a 俯视图 b 剖面图 图1 温室中传感器布设图 F i g 1 S e n s o r l a y o u t d i a g r a m o f t h e g r e e n h o u s e 表1 传感器设备说明 T a b 1 D e s c r i p t i o n o f t h e s e n s o r d e v i c e 类型型号量程范围布设点数量 空气温湿度J X B S 3 0 0 1 Y J 4 8 5 4 0 1 2 0 0 1 0 0 R H A 1 D 1 2 A T H 2 z 5 6 0 0 1 0 0 R H B 1 C 1 2 光合有效辐射J X B S 3 0 0 1 G H F S 0 2 0 0 0 W m 2 A 3 D 3 2 P I R 1 z 0 3 0 0 0 m o l m 2 s 1 B 3 C 3 2 二氧化碳浓度C O 2 J X B S 3 0 0 1 C O 2 0 5 0 0 0 m g m 3 A 2 B 2 C 2 D 2 4 气象站Q I E 1 y y ym i ny m a x ym i n 1 式中 y 归一化后的转换值 y 真实值 ym a x 样本最大值 ym i n 样本最小值 影响温室内空气温度的主要因素包括室内空气温 度 室内空气相对湿度 室内光合有效辐射 室外空气温 度 室外空气相对湿度 室外光合有效辐射 室外风速和室 内环控设备 风机 湿帘 天窗 补光灯 内保温 内遮阳 外 遮阳 运行状态 本文选取上述1 4个因子作为模型输入 参数 下一时刻温室内空气温度作为模型输出参数 1 3 温室温度预测模型构建 1 3 1 长短期记忆网络 L S T M L S T M网络通过精心设计的 门 结构 使模型具 有长时间的 记忆功能 避免了标准循环神经网络产 生的梯度消失与梯度爆炸问题 该网络在结构设计中 有遗忘门ft 输入门it 输出门ot和一个记忆单元 其内部基本结构如图2所示 图2 长短期记忆网络内部结构图 F i g 2 I n t e r n a l s t r u c t u r e d i a g r a m o f L o n g S h o r t T e r m M e m o r y 第1期毛晓娟等 基于G W O L S T M的设施蔬菜温室温度预测1 1 9 遗忘门主要是控制旧信息的遗忘 计算公式如式 2 所示 ft s i g m o i d WTf ht 1 UTf xt bf 2 输入门主要是控制新的信息输入 计算公式如式 3 所示 it s i g m o i d WTi ht 1 UTi xt bi 3 记忆单元临时状态 计算公式如式 4 所示 c t t a n h WTc ht 1 UTc xt bc 4 更新记忆单元 计算公式如式 5 所示 ct ft ct 1 it c t 5 输出门公式如式 6 所示 ot s i g m o i d WTo ht 1 UTo xt bo 6 整个隐藏层的计算公式如式 7 所示 ht ot t a n h ct 7 输出层的计算公式如式 8 所示 yt s i g m o i d WTyht 8 式中 bf 遗忘门的偏置 bi 输入门的偏置 bc 记忆单元的偏置 bo 输出门的偏置 WTf 遗忘门t 1时刻隐藏层输出值权重 WTi 输入门t 1时刻隐藏层输出值权重 WTc 记忆单元t 1时刻隐藏层输出值 权重 WTo 输出门t 1时刻隐藏层输出值权重 UTf 遗忘门t时刻输入值的权重 UTi 输入门t时刻输入值的权重 UTc 记忆单元t时刻输入值的权重 UTo 输出门t时刻输入值的权重 WTy 输出层权重矩阵 1 3 2 灰狼优化算法 G W O 灰狼优化算法是一种受到了灰狼狩猎的启发而开 发的优化搜索方法 灰狼具有严格的社会等级层次制 度 从高到低分别为 和 捕食的过程在 的带 领下完成 灰狼的狩猎包括跟踪猎物 包围猎物和攻 击猎物 灰狼包围猎物行为的数学模型定义如下 D C Xp t X t 9 X t 1 Xp t A D 1 0 A 2a r1 a 1 1 C 2 r2 1 2 式中 Xp t 当前猎物的位置矢量 X t 当前灰狼的位置矢量 X t 1 下一次迭代后的灰狼的位置矢量 D 灰狼和猎物之间的距离 a 收敛因子 随着迭代次数从2线性递减 到0 r1 r2 0 1 区间上的随机数 当灰狼识别出猎物的位置后 引导 和 对猎物 进行攻击 选取前三个最优解 其余灰狼根据 更新自己的位置 D C1 X t X t D C2 X t X t D C3 X t X t 1 3 X1 X t A1 D X2 X t A2 D X3 X t A3 D 1 4 Xp t 1 X1 X2 X33 1 5 式中 D 与其他灰狼之间的距离 D 与其他灰狼之间的距离 D 与其他灰狼之间的距离 X t 当前迭代次数下的位置矢量 X t 当前迭代次数下的位置矢量 X t 当前迭代次数下的位置矢量 X1 狼群中某个灰狼向 移动的矢量 X2 狼群中某个灰狼向 移动的矢量 X3 狼群中某个灰狼向 移动的矢量 1 3 3 G W O优化L S T M模型参数流程 L S T M模型参数的确定大多是基于人工经验 存 在模型调节参数时间长 易收敛于局部最优解等问题 G W O作为一种群体智能优化算法 具有全局搜索能 力强 收敛快 易实现等优点 近年来广泛用于参数优 化等领域 为提高温室温度预测模型的预测精度 本文利用 G W O对L S T M模型参数进行优化调整 以L S T M网 络中隐藏层单元数 学习率和迭代次数作为狼群位置 通过计算适应度函数 更新狼群位置 获得L S T M网 络模型参数最优解 利用最优模型参数构建设施蔬菜 温室温度预测模型 本文提出的基于G W O L S T M 的设施蔬菜温室温度预测模型流程如图3所示 根据流程图 基于G W O L S T M的设施蔬菜温 室温度预测模型构建具体步骤如下 步骤1 将设施蔬菜智慧管控平台采集的温室内 外环境因子和设备操作状态原始时间序列样本数据进 行异常值剔除 缺值补充和数据归一化处理后 按照 7 3比例将已处理样本集划分为训练集和测试集 步骤2 确定G W O的初始数据 包括灰狼种群个 数 初始坐标和迭代次数等 将L S T M网络的隐藏层 单元数 学习率和迭代次数转换为狼群的位置坐标 选 1 2 0 中国农机化学报2 0 2 3年 择训练样本集对L S T M进行模型训练 步骤3 计算狼群个体适应度值 灰狼适应度函数 设置为f T i 1 y yi 2 其中y为实测值 yi为模型 预测值 T为时间序列的长度 适应度函数越小越好 根据适应度值更新狼群个体位置 当搜寻达到最大迭 代次数或者全局最优位置满足最小界限时 得到 L S T M网络的隐藏层单元数 学习率和迭代次数三种 模型参数的最优解 步骤4 选择测试样本集 对上述优化参数的 L S T M网络进行测试 得到最优的L S T M网络模型 基于最优的L S T M网络模型预测温室内空气温度值 图3 基于GWO LSTM的设施蔬菜温室温度预测模型流程图 F i g 3 T e m p e r a t u r e p r e d i c t i o n f l o w c h a r t i n t h e g r e e n h o u s e b a s e d o n G W O L S T M 1 3 4 模型评价指标 为了验证本文提出的基于G W O L S T M模型的 预测性能 使用4种性能评价指标 包括均方根误差 R o o t M e a n S q u a r e d E r r o r RMSE 平均绝对误差 M e a n A b s o l u t e E r r o r MAE 平均绝对百分比误差 M e a n A b s o l u t e P e r c e n t a g e E r r o r MAPE 和决定系 数R2 其中 RMSE MAE和MAPE数值越小 模型 预测结果越准确 R2接近1 代表拟合优度越大 模型 预测效果越好 RMSE 1N N i 1 yi yi 2 1 6 MAE 1N N i 1 yi yi 1 7 MAPE 1N N i 1 yi yi yi 1 8 R2 N i 1 yi y 2 N i 1 yi y 2 1 9 式中 N 预测样本数 yi 温室内温度预测值 yi 温室内温度真实值 y 真实值的平均值 2 结果与分析 2 1 模型参数选择 本试验基于编程语言p y t h o n 3 7 利用A n a c o n d a 3环境下的K e r a s 2 4深度学习库进行模型构建 G W O L S T M网络模型由输入层 隐藏层和输出层三 层网络组成 采用A d a m算法训练L S T M内部网络参 数 隐藏层中的激活函数设为R e l u函数 将L S T M 的隐藏层单元数 学习率和迭代次数作为狼群的位置 坐标 其中隐藏层单元数取值范围为 2 1 0 0 学习率 取值范围为 0 0 0 0 1 0 0 1 迭代次数取值范围为 2 0 3 0 0 预测时间步长为3 0 m i n 灰狼优化算法参 数设置为 狼群总数为2 0 最大迭代次数为1 0 灰狼 和 的初始坐标均为 0 0 0 为了验证本文提出的G W O L S T M的模型性能 选择标准L S T M B P A N N进行试验对照 标准 L S T M B P A N N均采用和G W O L S T M网络模型相 同的输入参数 输出参数和预测时间步长 其中 标准 L S T M网络和B P A N N均为三层网络 隐藏层单元数 均设为1 4 学习率均设为0 0 1 迭代次数均设为1 0 0 2 2 基于GWO LSTM的温室温度预测 利用G W O对L S T M模型进行训练 获得最优模型 参数 即隐藏层单元数为3 3 学习率为0 0 1 迭代次数为 9 4 利用最优模型参数 将标准L S T M B P A N N和 G W O L S T M三种模型对温室内空气温度进行预测 各模型在测试集上的预测曲线如图4所示 依次为 B P A N N预测曲线 L S T M预测曲线和G W O L S T M 预测曲线 图4显示 标准L S T M B P A N N预测误差 相对较大 尤其在波峰 波谷和锯齿波动较为剧烈的附 近误差较大 而本文提出的G W O L S T M模型预测曲 线更接近温室内空气温度的实测值 特别是在曲线波动 剧烈处的预测效果更优于其他模型 为进一步验证模型的预测精度和模型多步预测能 第1期毛晓娟等 基于G W O L S T M的设施蔬菜温室温度预测1 2 1 力 选择RMSE MAE MAPE和R2这4个模型评价 指标来衡量三种模型预测性能 表2给出在不同预测 时间步长下三种模型的温度预测结果精度分析值 a B P A N N预测曲线 b L S T M预测曲线 c G W O L S T M预测曲线 图4 不同模型的温度预测曲线 F i g 4 T e m p e r a t u r e p r e d i c t i o n c u r v e s o f d i f f e r e n t m o d e l s 表2 三种模型不同预测时间步长的温度预测结果精度分析 T a b 2 P r e c i s i o n a n a l y s i s o f t e m p e r a t u r e p r e d i c t i o n r e s u l t s w i t h d i f f e r e n t p r e d i c t i o n t i m e s t e p s f o r t h r e e m o d e l s 预测时间 步长 m i n模型RMSEMAEMAPER 2 1 0 B P A N N 0 5 7 4 3 0 4 3 8 7 0 1 7 8 7 0 9 7 1 6 L S T M 0 5 1 5 7 0 3 8 1 8 0 1 6 7 1 0 9 7 7 1 G W O L S T M 0 3 8 6 9 0 1 6 4 1 0 1 0 4 7 0 9 8 7 1 3 0 B P A N N 0 9 7 2 0 6 3 5 8 0 2 0 7 3 0 9 1 8 4 L S T M 0 7 0 2 9 0 4 5 1 4 0 1 7 8 3 0 9 5 7 4 G W O L S T M 0 6 7 7 6 0 4 1 1 4 0 1 6 8 7 0 9 6 0 4 6 0 B P A N N 1 5 9 3 0 1 1 0 3 0 0 2 7 7 6 0 7 8 0 1 L S T M 1 0 7 1 5 0 6 7 3 8 0 2 1 1 8 0 9 0 0 6 G W O L S T M 1 0 3 0 2 0 5 9 4 3 0 1 9 6 3 0 9 1 0 8 在预测时间步长为1 0 m i n条件下 G W O L S T M 模型的RMSE为0 3 8 6 9 MAE为0 1 6 4 1 MAPE 为0 1 0 4 7 R2为0 9 8 7 1 与标准L S T M相比 评价 指标RMSE MAE MAPE分别降低了2 4 9 8 5 7 0 2 3 7 3 4 R2增加了1 0 2 与B P A N N相 比 评价指标RMSE MAE MAPE分别降低 3 2 6 3 6 2 5 9 4 1 4 1 R2增加了1 5 9 在预测时间步长为3 0 m i n条件下 G W O L S T M 模型的RMSE为0 6 7 7 6 MAE为0 4 1 1 4 MAPE 为0 1 6 8 7 R2为0 9 6 0 4 与标准L S T M相比 评价 指标RMSE MAE MAPE分别降低了3 6 0 8 8 6 1 1 6 4 R2增加了0 3 1 与B P A N N相 比 评价指标RMSE MAE MAPE分别降低了 3 0 2 9 3 5 2 9 1 8 6 2 R2增加了4 5 7 在预测时间步长为6 0 m i n条件下 G W O L S T M 模型RMSE为1 0 3 0 2 MAE为0 5 9 4 3 MAPE为 0 1 9 6 3 R2为0 9 1 0 8 与标准L S T M相比 评价指标 RMSE MAE MAPE分别降低了3 8 5 1 1 8 0 7 3 2 R2增加了1 1 3 与B P A N N相比 评价指 标RMSE MAE MAPE分别降低了3 5 3 3 4 6 1 2 2 9 2 9 R2增加了1 6 7 5 从模型评价指标横向比较结果看出 本文提出的 G W O L S T M模型无论在步长1 0 m i n 3 0 m i n或 6 0 m i n情况下 预测精度都比标准L S T M和 B P A N N更高 从预测步长纵向比较来看 针对G W O L S T M模 型 时间步长6 0 m i n相较于时间步长3 0 m i n 评价指标 RMSE MAE MAPE分别增加了0 3 5 2 6 0 1 8 2 9 0 0 2 7 6 R2减少了0 0 4 9 6 时间步长3 0 m i n相较于时 间步长1 0 m i n 评价指标RMSE MAE MAPE分别 增加了0 2 9 0 7 0 2 4 7 3 0 0 6 4 R2减少了0 0 2 1 3 说 明G W O L S T M在预测未来3 0 m i n内的温度变化相 对更精确 在预测未来6 0 m i n内的温度变化方面准确 度稍有下降 为进一步验证G W O L S T M模型的连续性预测 能力 表3给出2 0 2 0年1 1月2 5日预测时间步长为 6 0 m i n时温室内空气温度实际值与各模型预测值的 部分数据对比分析 可以看出G W O L S T M模型在 连续6个时间点的最大绝对误差和平均绝对误差分别 是0 1 8 5 3和0 1 2 0 9 均小于L S T M和B P A N N模 型的最大绝对误差和平均绝对误差 综上所述 本文提出的G W O L S T M能够较准 确地预测温室内未来6 0 m i n的空气温度变化 同时避 免了人工调参 提高了模型参数调优效率 能够为智能 温室精准调控提供有效的技术支撑 1 2 2 中国农机化学报2 0 2 3年 表3 预测时间步长为60min的温度真实值与预测值对比分析 T a b 3 C o m p a r i s o n a n d a n a l y s i s b e t w e e n a c t u a l v a l u e a n d p r e d i c t e d v a l u e i n 6 0 m i n p r e d i c t e d t i m e s t e p 时间真实值 G W O L S T M L S T M B P A N N 预测值 绝对误差 预测值 绝对误差 预测值 绝对误差 1 4 4 0 1 5 0 5 0 0 1 5 2 0 2 7 0 1 5 2 7 1 4 8 1 0 4 0 2 3 9 6 1 5 9 6 9 1 0 9 1 9 1 1 4 5 0 1 5 0 0 5 6 1 5 1 9 0 9 0 1 8