机器学习在日光温室温度预测的应用研究_赵金彭.pdf

2 7 4 中国农机化学报2 0 2 6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 6 0 1 0 3 8 赵金彭 张长富 刘江 等 机器学习在日光温室温度预测的应用研究 J 中国农机化学报 2 0 2 6 4 7 1 2 7 4 2 8 5 2 9 4 Z h a o J i n p e n g Z h a n g C h a n g f u L i u J i a n g e t a l R e s e a r c h o n t h e a p p l i c a t i o n o f m a c h i n e l e a r n i n g i n s o l a r g r e e n h o u s e t e m p e r a t u r e p r e d i c t i o n 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 6 4 7 1 2 7 4 2 8 5 2 9 4 机器学习在日光温室温度预测的应用研究 赵金彭1 2 3 张长富1 刘江1 2 3 于景鑫2 3 赵倩2 3 魏晓明2 3 1 西安工业大学机电工程学院 西安市 7 1 0 0 2 1 2 北京市农林科学院智能装备技术研究中心 北京市 1 0 0 0 9 7 3 国家农业智能装备工程技术研究中心 北京市 1 0 0 0 9 7 摘要 环境调控是日光温室精准控制的核心内容 其中温度调控在提高能效和降低成本等方面产生重要影响 准确预测 未来不同时段内温室的动态温度变化 是实现温度精准调控的前提和基础 系统归纳当前的日光温室温度预测模型 并 根据模型理论依据的不同 将日光温室温度预测模型分为传统温度预测模型和机器学习模型 在此基础上 分析总结传 统温度预测模型的发展现状 包括机理模型和统计模型 重点剖析机器学习模型的发展动态 包括传统机器学习模型 深 度学习模型 混合模型 并说明不同模型的优势 局限性与应用场景 并系统梳理机器学习模型的数据集类型与预处理方 法 同时指出当前日光温室温度预测中存在的主要问题和研究方向 认为当前的日光温室温度预测应当在构建多源多模 态数据集 开发智能化数据预处理技术 发展多模型耦合集成预测 探索多场景分类预测等方面进行完善 以期为设施农 业环境智能化管控提供指导 关键词 温室环境 温度预测 机器学习 深度学习 混合模型 中图分类号 S 6 2 5 文献标识码 A 文章编号 2 0 9 5 5 5 5 3 2 0 2 6 0 1 0 2 7 4 1 3 收稿日期 2 0 2 4年9月1 3日 修回日期 2 0 2 5年4月3 0日 基金项目 山东省重点研发计划 重大科技创新工程 项目 2 0 2 2 C X G C 0 2 0 7 0 8 北京市农林科学院2 0 2 4年度科研创新平台建设 P T 2 0 2 4 2 9 第一作者 赵金彭 男 2 0 0 0年生 山西长治人 硕士研究生 研究方向为机械工程 E m a i l 2 1 9 4 0 4 5 7 7 6 q q c o m 通讯作者 魏晓明 男 1 9 8 3年生 安徽涡阳人 博士 研究员 研究方向为设施园艺工程 E m a i l w e i x m n e r c i t a o r g c n Research on the application of machine learning in solar greenhouse temperature prediction Z h a o J i n p e n g 1 2 3 Z h a n g C h a n g f u 1 L i u J i a n g 1 2 3 Y u J i n g x i n 2 3 Z h a o Q i a n 2 3 W e i X i a o m i n g 2 3 1 College of Mechanical and Electrical Engineering Xi an Technological University Xi an 7 1 0 0 2 1 China 2 Intelligent Equipment Technology Research Center Beijing Academy of Agricultural and Forestry Sciences Beijing 1 0 0 0 9 7 China 3 National Engineering Research Center for Information Technology in Agriculture Beijing 1 0 0 0 9 7 China Abstract E n v i r o n m e n t a l r e g u l a t i o n i s t h e c o r e e l e m e n t o f p r e c i s e c o n t r o l i n s o l a r g r e e n h o u s e s a m o n g w h i c h t e m p e r a t u r e c o n t r o l h a s a s i g n i f i c a n t i m p a c t o n i m p r o v i n g e n e r g y e f f i c i e n c y a n d r e d u c i n g c o s t s A c c u r a t e l y p r e d i c t i n g t h e d y n a m i c t e m p e r a t u r e c h a n g e s i n t h e g r e e n h o u s e a t d i f f e r e n t f u t u r e t i m e p e r i o d s i s a p r e r e q u i s i t e a n d f o u n d a t i o n f o r p r e c i s e t e m p e r a t u r e c o n t r o l T h i s p a p e r s y s t e m a t i c a l l y s u m m a r i z e s t h e c u r r e n t t e m p e r a t u r e p r e d i c t i o n m o d e l s o f s o l a r g r e e n h o u s e s a n d c a t e g o r i z e s t h e m i n t o t r a d i t i o n a l t e m p e r a t u r e p r e d i c t i o n m o d e l s a n d m a c h i n e l e a r n i n g m o d e l s b a s e d o n d i f f e r e n t t h e o r e t i c a l f o u n d a t i o n s o f t h e m o d e l s O n t h i s b a s i s t h i s p a p e r a n a l y z e s a n d s u m m a r i z e s t h e c u r r e n t d e v e l o p m e n t s t a t e o f t r a d i t i o n a l t e m p e r a t u r e p r e d i c t i o n m o d e l s i n c l u d i n g m e c h a n i s m b a s e d a n d s t a t i s t i c a l m o d e l s f o c u s e s o n a n a l y z i n g t h e d e v e l o p m e n t t r e n d s o f m a c h i n e l e a r n i n g m o d e l s i n c l u d i n g t r a d i t i o n a l m a c h i n e l e a r n i n g m o d e l s d e e p l e a r n i n g m o d e l s a n d h y b r i d m o d e l s a n d a l s o e x p l a i n s t h e a d v a n t a g e s l i m i t a t i o n s a n d a p p l i c a t i o n s c e n a r i o s o f d i f f e r e n t m o d e l s a n d s y s t e m a t i c a l l y o r g a n i z e s t h e t y p e s o f d a t a s e t s a n d p r e p r o c e s s i n g m e t h o d s f o r m a c h i n e l e a r n i n g m o d e l s A t t h e s a m e t i m e i t p o i n t s o u t t h e m a i n p r o b l e m s a n d r e s e a r c h d i r e c t i o n s i n t h e c u r r e n t t e m p e r a t u r e p r e d i c t i o n o f s o l a r g r e e n h o u s e s T h e s t u d y b e l i e v e s t h a t t h e c u r r e n t t e m p e r a t u r e p r e d i c t i o n o f s o l a r g r e e n h o u s e s s h o u l d b e i m p r o v e d i n a s p e c t s s u c h a s b u i l d i n g m u l t i s o u r c e m u l t i m o d a l d a t a s e t s d e v e l o p i n g i n t e l l i g e n t d a t a p r e p r o c e s s i n g t e c h n o l o g i e s d e v e l o p i n g m u l t i m o d e l c o u p l i n g a n d i n t e g r a t e d p r e d i c t i o n a n d 第4 7卷 第1期 2 0 2 6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 7 N o 1 J a n 2 0 2 6 第1期赵金彭 等 机器学习在日光温室温度预测的应用研究2 7 5 e x p l o r i n g m u l t i s c e n a r i o c l a s s i f i c a t i o n p r e d i c t i o n w i t h t h e a i m o f p r o v i d i n g g u i d a n c e f o r t h e i n t e l l i g e n t m a n a g e m e n t a n d c o n t r o l o f t h e f a c i l i t y a g r i c u l t u r a l e n v i r o n m e n t Keywords g r e e n h o u s e e n v i r o n m e n t t e m p e r a t u r e p r e d i c t i o n m a c h i n e l e a r n i n g d e e p l e a r n i n g h y b r i d m o d e l 0 引言 温室园艺具有单产水平高 资源利用率高的特点 在保障重要农产品安全稳定供给方面发挥着重要的作 用 1 据统计 我国温室占地面积约1 9 0 0 k h m 2 稳居 世界第一 2 日光温室是我国北方主要的生产设施类 型 运用现代工程技术设备 对其内部环境进行精准调 控 以保护作物免受外界气候变化的影响 这一过程 为作物营造了良好的生长条件 可调节的环境参数主 要包括空气温度 空气相对湿度 光照强度 二氧化碳 浓度 土壤温度和土壤湿度等关键因素 3 室内温度是影响日光温室作物产量和品质的主要 环境因子之一 其过高或过低都会对作物的生长产生危 害 4 目前 日光温室内温度调控大多依靠生产者的经 验进行决策 这种方式存在很大的滞后性 影响作物生 长 5 研究表明 开展室内温度的提前预测对促进作物 的生长及室内环境精准调控具有重要意义 6 近年来 针对日光温室内温度预测的问题 国内外 学者提出了一系列预测方法 例如 利用热量传递理 论来预测温室内温度的变化 这种方法综合考虑了保 温 蓄热以及各组件的能量传递特征等关键因素 7 除此之外 基于统计学原理的温度预测因建模过程简 单也备受学者的关注 近年来 随着人工智能算法的 进步 以神经网络为代表的机器学习算法广泛应用于 日光温室温度预测领域 8 本文在系统归纳各类日光温室温度预测模型的基 础上 总结日光温室温度预测模型的发展动态 重点阐 述基于机器学习的日光温室温度预测模型的特点 性 能 优势和局限性 根据日光温室温度及其他环境参数 的变化规律 总结当前利用机器学习开展日光温室温度 预测研究所面临的挑战 存在的问题和未来研究方向 1 日光温室温度预测方法 近年来 学者在日光温室室内温度预测领域提出 了一系列的预测模型和算法 这些方法的分类如 图1所示 由于机器学习技术的不断发展以及基于机 器学习的相关模型在时间序列预测研究中展现出的优 越性能 日光温室温度预测从应用基于传热理论的机 理模型和基于统计学原理的统计模型 逐步转变为研 究能够捕获各影响因素时间相关性的机器学习模型 图1 基于机器学习的温度预测 F i g 1 T e m p e r a t u r e p r e d i c t i o n b a s e d o n m a c h i n e l e a r n i n g 1 1 传统温度预测方法 根据模型理论依据的不同 传统日光温室温度预 测方法可分为基于温室传热理论的机理模型和基于统 计学原理的统计模型两大类 1 1 1 机理模型 机理模型 9 是基于日光温室内外的能量平衡和质 量平衡原理 建立日光温室温度与各影响因素之间的 数学关系 从而进行预测 日光温室能量交换过程如 图2所示 国内外学者对基于机理模型预测室内温度进行了 许多研究 L i a n等 1 0 根据日光温室内土壤与空气的 对流换热 对温室实时温度计算公式进行了简化 简化 后的模型能够根据太阳辐射和土壤温度预测室内温 度 A h a m e d等 1 1 在日光温室室内热平衡的基础上建 2 7 6 中国农机化学报2 0 2 6年 立了采暖模型 预测土壤和北墙的表面温度 韦玉翡 等 1 2 通过采集的日光温室内外部环境数据 结合改进 的热量传递理论和质能平衡方程 构建并验证了一个 室内温度的动态预测模型 机理模型具有较强的物理 意义和可解释性 可以反映温室内外的动态变化 适用 于不同类型和规模的温室 也可以用于温室设计和优 化 但是模型的参数较多 需要大量的数据和计算 模 型精度受参数误差和模型假设的影响 对于温室内的 局部温度分布和温度波动不够敏感 图2 日光温室传热和能量交换 F i g 2 S o l a r g r e e n h o u s e h e a t t r a n s f e r a n d e n e r g y e x c h a n g e 1 1 2 统计模型 统计模型 1 3 是基于温室温度与各影响因素之间 的统计关系 利用历史数据进行预测的方法 统计模 型的典型代表是线性回归 L R 多元线性回归 M L R 和移动平均差分自回归 A R I M A 田东等 1 4 采用移动平均 M A 将温度序列分解为线性温度序列 和非线性残差序列 并采用A R I M A对温度线性序列 进行预测得到预测温度 将温度线性序列 非线性残差 序列和预测温度序列作为输入变量建立日光温室未来 2天的温度预测模型 左志宇等 1 5 采用差分处理实现 温度序列的平稳化 并使用A R M A预测日光温室室内 温度 蔡淑芳等 4 采用移动平均差分自回归 A R I M A 和径向基函数神经网络 R B F 组合建立日 光温室温度预测模型 统计模型具有建模过程简单 不需要复杂的物理假设和参数 计算量小 精度较高等 优点 但也存在缺乏物理意义和适应性 不能反映温室 内外的动态变化 也不能用于温室设计和优化等不足 综上 基于机理和统计的传统温室温度预测方法 虽然在一定程度上实现了温度的提前预警和调控 但 仍然存在一些共性的问题和局限 1 难以全面考虑影响温度的多种因素及其交互 作用 温室环境是一个多因素耦合的复杂系统 既有 显性因素 如通风 遮阳等控制量 也有隐性因素 如 作物蒸腾 外部气象干扰等 传统方法通常只考虑有 限的几个主导因素 忽略因素之间的非线性耦合 导致 模型的适用范围受限 2 无法充分挖掘和利用海量监测数据中蕴含的 信息 随着温室物联网和传感技术的发展 温室环境 监测呈现出多参数 高频次 大数据的特点 传统方法 在处理高维时空数据时往往捉襟见肘 未能有效地挖 掘和利用数据中的复杂模式和关联规律 难以进一步 提升预测的精度 3 预测模型的适应性和泛化性不足 不同地区 不同类型的温室在结构参数 生态环境 管理模式等方 面存在较大差异 导致温度的变化规律也不尽相同 传统方法得出的模型通常针对特定的温室 缺乏普适 性 难以移植和推广到其他应用场景中 针对上述问题 亟须探索一种新的温室温度预测 范式 既能够充分挖掘和利用海量多源数据 又能够自 适应地处理不同温室环境的动态变化 同时还具备一 定的机理解释性和规律提炼能力 1 2 机器学习模型 近年来 机器学习模型成为温度预测领域中最受 学者欢迎的方法之一 并且从应用单一传统机器学习 模型逐步转变为研究能够捕获时间相关性 多因素耦 合 非线性的混合模型 1 2 1 传统机器学习模型 传统机器学习模型是挖掘温室温度与各影响因素 之间的数学规律 利用历史数据进行拟合和预测的方 法 这类模型相对深度学习模型来说结构更为简 单 1 6 常见的基于传统机器学习的温度预测算法有 支持向量回归 S V M 主成分回归 P C A B P神经网 络和多层感知器 M L P 等 T a k i等 1 7 以伊朗连栋塑 料膜温室为试验对象 使用1 3种训练算法训练S V M 建立温度预测模型 H e等 1 8 基于S V M建立了不同输 入变量下的日光温室温度预测模型 李宁等 1 9 基 于P C A建立了日光温室内低温预测模型 L e i等 2 0 基 于随机森林 R F 建立了日光温室内的温度预测模型 并 通过改变输入变量的组合方式研究输入变量个数对模 型性能的影响 M a h m o o d等 2 1 首先根据室外天气状况 进行分类 然后基于M L P建立不同时间步长的温度预 测模型 李欢等 2 2 采用思维进化算法 M E A 优 化L M B P神经网络的输入权重和阈值建立温度预测 模型 显著提高了模型的预测精度 表1为基于传统机 器学习模型的温室温度预测方法总结 对表1中所列举的基于传统机器学习模型的温室 温度预测方法进行分析对比 可以发现 传统机器学习 模型虽然在一定程度上提高了模型的预测精度 但是 难以实现对大数据量的精准化预测 而温度变化是一 个累积过程 当前数据会影响后续数据变化规律 且这 种变化规律受多种因子影响 上述温度预测模型对多 第1期赵金彭 等 机器学习在日光温室温度预测的应用研究2 7 7 维时序数据处理能力有限 仅能实现对短期温室温度 的精准预测 随着预测时间的延长 其难以挖掘数据中 蕴含的时序特征 导致模型预测精度快速下降 难以满 足实际生产过程中对精度和时长的双重需求 表1 基于传统机器学习的日光温室室内温度预测方法总结 T a b 1 S u m m a r y o f i n d o o r t e m p e r a t u r e p r e d i c t i o n m e t h o d s i n s o l a r g r e e n h o u s e s b a s e d o n t r a d i t i o n a l m a c h i n e l e a r n i n g 模型评价标准 时长 优势局限性应用场景参数设置 S V M 1 8 R2 0 7 3 0 8 9 对样本数量小的日光温室温度 数据处理效果很好 能够捕捉 温度数据与各影响因素的非线 性关系 学习速率快 当温度数据集容量较大 维度较高时 收敛速度 慢 预测精度较低 小规模数据集核函数选择 惩罚参数 核参数 M L P 2 1 R 2 0 8 2 0 9 8 5 5 0 m i n 在每一层都应用非线性激活函 数 可以捕捉日光温室温度数据 的深层特征和非线性关系 当温度发生突变时 模型 预测性能下降 对异常温 度值较敏感 通用场景隐层节点数 学习率 训练轮数 B P 2 2 R2 0 9 9 1 MSE 1 3 4 RMSE 1 1 6 可以适应日光温室温度变化的 动态特性 对于捕捉温室温度变 化的复杂模式非常有用 学习速度慢 容易陷入局 部最优 面对长时温度预 测时 预测精度低 动态温度预测学习率 隐层节点数 训练轮数 P C A 1 9 R2 0 7 4 0 9 1 对于高维的温室数据 可以进行 降维处理 能够消除温度影响因 子之间的耦合性对预测结果的 影响 对于非线性的温度数据 处理效果较差 在降维处 理过程中 温度主成分可 能丢失 高维数据处理主成分数量 降维方法 1 2 2 深度学习模型 深度学习 2 3 因具有较强的非线性逼近及深层特征 提取能力成为当前研究的热点 通过构建深度学习模 型 可以捕捉温室温度与各影响因子之间的复杂模式和 长期依赖关系 常用的深度学习模型主要有门控循环 单元 G R U 长短期记忆神经网络 L S T M 径向基函 数神经网络 R B F 广义回归神经网络 G R N N 和深度 信念网络 D B N 等 L S T M的核心在于设计了一种能 够灵活控制信息流的细胞状态 C e l l S t a t e 该细胞 状态贯穿整个序列 允许信息长期保存或遗忘 L S T M由输入门 I n p u t G a t e 遗忘门 F o r g e t G a t e 和输出门 O u t p u t G a t e 构成 它们共同决定了 细胞状态的更新以及最终的隐藏状态输出 2 4 长短 期记忆网络结构如图3所示 J u n g等 2 5 基于L S T M 建立了不同时间步长的日光温室温度预测模型 图3 长短期记忆网络结构 F i g 3 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 s t r u c t u r e R B F网络由3个层次组成 输入层 隐含层和输 出层 输入层由信号源结点组成 负责接收原始数据 输入 直接将数据传递给隐含层 隐含层由一组径向 基函数组成 每个基函数对应一个隐神经元 输出层 的计算是基于隐含层输出的加权和 网络的参数主要 包括3种 径向基函数的中心 方差和隐含层到输出层 的权值 2 6 径向基函数神经网络结构如图4所 示 M o n j e z i等 2 7 基于R B F S V M G P R三种模型建 立日光温室温度预测模型 研究表明 R B F模型的预 测精度更高 图4 径向基函数神经网络结构 F i g 4 R a d i a l b a s i s f u n c t i o n n e u r a l n e t w o r k s t r u c t u r e G R N N是一种具有较好的非线性逼近能力的四 层前向传播神经网络 它属于径向基神经网络的一种 变形形式 数据输入网络后依次经过输入层 模式层 求和层 输出层得到输出结果 主要通过对模式层的平 滑因子进行优化来获得好的输出结果 2 8 广义回归 神经网络结构如图5所示 尹庆珍等 2 9 针对新型复 合墙体日光温室建立了基于广义回归神经网络温度预 测模型 具有较好的精度和稳定性 图5 广义回归神经网络结构 F i g 5 G e n e r a l i z e d r e g r e s s i o n n e u r a l n e t w o r k s t r u c t u r e D B N是一种深度神经网络 它包含多个层次 每一 层都学习数据中的高级抽象特征 3 0 深度信念网络结 2 7 8 中国农机化学报2 0 2 6年 构如图6所示 周翔宇等 3 1 针对传统机器学习预测精 度低和学习时间长的问题 建立了基于改进的D B N的 日光温室温度预测模型 徐宁等 3 2 针对智能温室建立 基于复数神经网络的温度预测模型 可以有效预测温室 内温度 G R U将L S T M中的输入门和遗忘门合二为 一 称为更新门 U p d a t e G a t e 控制前边记忆信息能够 继续保留到当前时刻的数据量 另一个门称为重置门 R e s e t G a t e 控制要遗忘多少过去的信息 3 3 门控循 环单元结构如图7所示 A c a r等 3 4 基于支持向量机 长短期记忆网络 门控循环单元 随机森林 多元线性回 归建立了不同输入变量下的日光温室温度预测模型 结 果表明 门控循环单元预测性能最佳 表2为基于深度 学习模型的温室温度预测方法总结 对表2列举的基于深度学习模型的温室温度预测 方法进行分析对比 可以发现 相较于传统机器学习模 型 深度学习模型可以处理大型数据集 具有更强的非 线性逼近及深层特征提取能力 为多维时序数据提供 良好的理论支撑 提高了预测的准确性 但是目前基 于深度学习的温室温度预测相关研究多聚焦于单一时 序网络 参数较多 模型结构复杂 无法挖掘环境数据 间深层次的有效信息 仍不能真正满足模型精度 效率 和时长的需求 图6 深度信念网络结构图 F i g 6 S t r u c t u r e o f a d e e p b e l i e f n e t w o r k D B N 图7 门控循环单元结构图 F i g 7 G a t e d r e c u r r e n t u n i t G R U s t r u c t u r e 表2 基于深度学习的日光温室室内温度预测方法总结 T a b 2 S u m m a r y o f i n d o o r t e m p e r a t u r e p r e d i c t i o n m e t h o d s i n s o l a r g r e e n h o u s e s b a s e d o n d e e p l e a r n i n g 模型评价指标 时长 优势局限性应用场景参数设置 G R U 3 4 R2 0 8 8 0 9 5 对输入变量不敏感 在输入变量 较少的情况下 能实现较好预测 在不同温度情况下 预测 精度不同短期预测 隐层单元数 学 习率 训练轮数 L S T M 2 5 R 2 0 8 4 0 9 8 5 3 0 m i n 相对传统机器学习模型 预测精 度更高 预测时间更长 能处理 大量 高维数据 网络结构复杂 可解释性 差 数据集样本数量少 时 温度预测结果较差 容易过拟合 长期预测隐层单元数 学习率 训练轮数 R B F 2 7 R2 0 8 4 0 9 6 全局逼近能力强 收敛速度快 泛化能力强 对噪声数据比较敏感 训 练过程较复杂 当迭代次 数较多时 易陷入局部最优 泛化能力强中心数 宽度 学习率 G R N N 2 9 R2 0 9 9 能提取温室数据中的非线性关 系 逼近复杂的非线性函数 参 数固定 收敛速度快 对温度局部变化以及异 常值比较敏感 容易过 拟合 短期及长期 预测平滑因子 D B N 3 1 MSE较小 D B N能自动学习温室环境数据 中的复杂特征 适合于温室温度 这类具有时间依赖性的数据 模型结构复杂 容易过拟 合或者难以收敛深层特征提取 隐层数 学习率 训练轮数 1 2 3 混合模型 基于混合模型 3 5 的日光温室温度预测通常结合 了多种建模技术 以提高预测的准确性和鲁棒性 混 合模型可能包括机理模型 统计模型 传统机器学习模 型和深度学习模型等 每种模型都针对特定的问题和 数据类型进行了优化 在提升模型预测精度方面 Y u 等 3 6 采用改进的粒子群优化算法 I P S O 优化最小二 乘支持向量机 L S S V M 的超参数 建立了 I P S O L S S V M日光温室温度预测模型 杨雷等 3 7 采用主成分分析法 P C A 粒子群优化算法 P S O 优 化最小二乘支持向量机 L S S V M 的超参数 建立 了P C A P S O L S S V M日光温室温度预测模型 李 其操等 3 8 采用B P神经网络和遗传算法 G A 对日光 温室温度进行预测 W a n g等 3 9 提出一种R N N B P 日光温室温度预测模型 张坤鳌等 4 0 采用 C F A P S O算法对R B F模型的超参数 隐层中心及宽 度 进行动态调优 建立C F A P S O R B F日光温室 温度预测模型 M a o等 4 1 开发了一种结合双向门控 循环单元 B i G R U A t t e n t i o n 和梯度增强机 L i g h t G B M 的日光温室温度预测模型 该模型利用注 意机制来优化权重分配 此外 他们采用粒子群优化 算法 P S O 对B i G R U A t t e n t i o n和L i g h t G B M在不 第1期赵金彭 等 机器学习在日光温室温度预测的应用研究2 7 9 同时间点的组合权重系数进行优化 在改善模型预测 时间步长方面 L i等 4 2 采用基于注意力机制的L S T M 模型预测日光温室内不同时间步长的温度 在8 1 6步时间内 模型预测精度高于单一L S T M模型 有 效提升了模型预测的时间步长 J i a等 4 3 建立了基 于L S T M和C N N L S T M的日光温室温度预测模 型 实现了未来较长时间内温度的准确预测 Y a n g 等 4 4 利用F A M L S T M方法 根据不同时间步长的 输入特征生成各自的关注权值 以预测日光温室内的 温度和湿度 在与R N N L S T M G R U F A M R N N 和F A M G R U等模型的比较中 F A M L S T M展现 出了对温室温度和湿度进行长时预测的能力 胡瑾 等 4 5 采用卷积神经网络和门控循环单元建立1 D C N N G R U温度预测模型 既能有效提取数据中隐 含的复杂高维特征 又能提高处理非线性数据的能 力 M e l a l等 4 6 基于集成学习技术 D T R F K N N X G B o o s t 建立日光温室湿度预测模型 相比 于单一模型 集成模型预测精度更高 表3对基于混 合模型的温室温度预测方法进行了总结 对表3列举的基于混合模型的温室温度预测方法 进行分析对比 可以发现 混合模型结合了不同模型的 优点 不同模型可能在特定方面表现更优 混合模型可 以利用这些互补优势 如机理模型的理论基础和数据 驱动模型的模式识别能力 可以更全面地捕捉温室温 度变化的复杂性和动态性 有效提高了对新数据的泛 化能力 减少过拟合的风险 从预测精度上看 混合模 型的预测精度明显高于单一的深度学习模型和传统机 器学习模型 但混合模型也存在结构相对复杂 集成 策略和决策过程可能更难解释以及更多超参数等 问题 表3 基于混合模型的日光温室室内温度预测方法总结 T a b 3 S u m m a r y o f i n d o o r t e m p e r a t u r e p r e d i c t i o n m e t h o d s i n s o l a r g r e e n h o u s e s b a s e d o n h y b r i d m o d e l s 模型评价指标 时长 单一模型混合模型优势局限性应用场景参数设置 I P S O L S S V M 3 6 R 2 0 9 6 1 6t 基本粒子群算法不 能保证收敛到最优 解 S V M处理大规 模数据集效果较差 I P S O提高收敛概 率 L S S V M能更有 效地处理大规模 问题 动态优化超参 数 提高精度 超参数选择 复杂 大规模数 据预测 惩罚参数 核参 数 P C A P S O L S S V M 3 7 R2 0 9 7 环境因子间多重耦 合影响模型性能 P C A降维消除耦 合 P S O优化超参数 消除变量耦合 提高稳定性 超参数选择 复杂 数据降维 及优化 主成分数量 惩 罚参数 核参数 R N N B P 3 9 MAE 0 4 8 8 RMSE 0 7 5 1 1 6t B P对温度峰值敏 感 预测波动较差 引入R N N 减小对 峰值敏感度 提高预 测稳定性 捕捉时间序列 特征 性能稳定 训练时间长 复杂度高 动态温度 预测 学习率 隐层节 点数 A t t e n t i o n L S T M 4 0 R 2 0 9 6 0 9 8 3 0 4 8 0 m i n L S T M样本数据少 时易过拟合 引入注意力机制 动 态调整权重 减少过 拟合 动态调整权重 捕捉关键特征 训练复杂 计 算资源高长期预测 学习率 隐层单 元数 C N N L S T M 4 1 R 2 0 9 8 3 2 4t L S T M样本数据少 时易过拟合 C N N提取时间序列 特征 提高L S T M 性能 自动特征提取 性能稳定 训练复杂 计 算资源高 时间序列 预测 学习率 卷积核 数 隐层单元数 F A M L S T M 4 2 R 2 0 9 6 1 2 4 8t L S T M样本数据少 时易过拟合 F A M消除变量耦 合 减少时间消耗 提高性能 消除耦合 提高 性能稳定性 超参数选择 复杂多步预测 学习率 隐层单 元数 C F A P S O R B F 4 3 MAE 4 3 9 5 RMSE 5 1 7 9 P S O全局搜索和局 部搜索能力不足 引入C F A改进P S O 提高全局和局部搜索 能力 动态优化超参 数 提高精度 训练复杂 计 算资源高超参数优化 隐层中心 宽 度 学习率 1 D C N N G R U