基于GWO-LSTM的設施蔬菜溫室溫度預測.pdf
1 1 6 中國農機化學報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的設施蔬菜溫室溫度預測 毛曉娟 鮑彤 荀廣連 李德翠 王寶佳 任妮 江蘇省農業(yè)科學院信息中心 南京市 2 1 0 0 1 4 摘要 溫度是設施生產中作物生長的主要制約因素之一 提前預測溫室溫度對精準調控溫室環(huán)境具有重要的指導意義 因此提出一種基于灰狼優(yōu)化算法的長短期記憶網(wǎng)絡模型預測溫室溫度 該模型利用灰狼優(yōu)化算法 G r e y W o l f O p t i m i z e r G W O 對長短期記憶網(wǎng)絡 L o n g S h o r t T e r m M e m o r y L S T M 模型參數(shù)進行調整優(yōu)化 以江蘇省農業(yè)科學院陽光板溫室 2 0 2 0年9月2 3日 1 2月2 1日期間的試驗數(shù)據(jù)對該方法進行驗證 結果顯示 在預測時間步長3 0 m i n時 G W O L S T M的預測均方根誤差 平均絕對誤差 平均絕對百分比誤差和決定系數(shù)分別為0 6 7 7 6 0 4 1 1 4 0 1 6 8 7和 0 9 6 0 4 在預測時間步長6 0 m i n內 G W O L S T M模型預測精度均高于標準L S T M和反向傳播人工神經(jīng)網(wǎng)絡 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 說明所提出的G W O L S T M模型能夠準確地預測未來溫室內溫度 變化 可為制定溫室環(huán)境智能調控策略提供有效的數(shù)據(jù)支撐 關鍵詞 溫室 溫度 時間序列 長短期記憶網(wǎng)絡 灰狼優(yōu)化算法 中圖分類號 S 6 2 5 5 T P 3 0 1 6 文獻標識碼 A 文章編號 2 0 9 5 5 5 5 3 2 0 2 3 0 1 0 1 1 6 0 8 毛曉娟 鮑彤 荀廣連 李德翠 王寶佳 任妮 基于G W O L S T M的設施蔬菜溫室溫度預測 J 中國農機化學報 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 基金項目 江蘇省重點研發(fā)計劃 現(xiàn)代農業(yè) 項目 B E 2 0 2 1 3 7 9 第一作者 毛曉娟 女 1 9 8 4年生 江蘇南京人 碩士 助理研究員 研究方向為設施蔬菜環(huán)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 通訊作者 任妮 女 1 9 8 3年生 山東煙臺人 博士 研究員 研究方向為農業(yè)大數(shù)據(jù)分析 知識組織與分析利用 E m a i l r n j a a s a c c n PredictionoftemperatureinthegreenhouseofvegetablegrowingbasedonGWO LSTM MaoXiaojuan BaoTong XunGuanglian LiDecui WangBaojia RenNi InformationCenterofJiangsuAcademyofAgriculturalSciences 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 中國農機化學報 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期毛曉娟等 基于G W O L S T M的設施蔬菜溫室溫度預測1 1 7 0 引言 設施蔬菜生產使用的溫室是典型的小氣候環(huán)境 受內外環(huán)境的影響 具有強干擾 多耦合 大滯后等特 點 1 2 溫度作為作物生長過程中重要的環(huán)境影響因 素 直接決定作物的生長發(fā)育狀況 不適宜的溫度將導 致作物大幅減產甚至絕收 因此 穩(wěn)定精確地預測溫 室溫度 并根據(jù)溫度預測值提前調控溫室環(huán)境 對溫室 大棚內的作物生產意義重大 目前國內外關于溫室內溫度的預測模型主要分為 兩類 一類是機理模型 一類是數(shù)據(jù)模型 機理模型主 要基于流體動力學和能量平衡 3 4 但是其內部關聯(lián)參 數(shù)多 建模難度大 數(shù)據(jù)模型主要根據(jù)溫室內外環(huán)境 數(shù)據(jù)進行建模 無需考慮溫室耗散 熱輻射等影響因 素 隨著機器學習的快速發(fā)展 數(shù)據(jù)模型在溫室內溫 度的預測中得到了廣泛的應用 5 9 Y u等 1 0 提出一 種基于最小二乘支持向量機 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 的溫度預測模型 采用改進 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 對L S S V M模型進行參數(shù)優(yōu)化 對未來短時的 預測效果較好 但在長時間的溫度預測方面還需要進 一步研究 任守綱等 1 1 利用R B P神經(jīng)網(wǎng)絡進行多 步滾動預測溫室的溫度值 但對溫室外界環(huán)境因素考 慮不全 預測仍然存在較大誤差 田東等 1 2 利用移動 平均 移動平均差分自回歸模型和遺傳算法優(yōu)化的支 持向量機三種模型相結合的方法進行食用菌溫室溫度 預測 該組合模型預測精度比單模型有明顯提高 但其 僅基于7月份數(shù)據(jù)進行預測 模型不具有廣泛適應性 由于淺層的機器學習算法在處理長時間序列信號 上存在不足 數(shù)據(jù)預測結果存在較大的誤差 深度學 習作為機器學習最新的研究成果 它通過學習深層非 線性網(wǎng)絡結構 在數(shù)據(jù)特征和模型挖掘上具有顯著優(yōu) 勢 循環(huán)神經(jīng)網(wǎng)絡 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 作為深度學習中處理序列問題的典型網(wǎng)絡結 構 將時序概念引入到網(wǎng)絡結構設計中 使其在時序建 模中具有更強的適應性和更高的預測精度 但是 R N N結構隨著序列長度的增加易存在梯度消失或爆 炸問題 對于序列長期依賴關系的學習存在一定的困 難 H o c h r e i t e r等 1 4 提出了長短期記憶網(wǎng)絡 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 它作為一種特 殊的R N N 解決了標準R N N無法建立較長時間跨度 的模型預測問題 因此被廣泛應用于時間序列的預測 中 1 5 2 2 在溫度預測方面 D a D h j a等 2 3 對比R N N L S T M 人工神經(jīng)網(wǎng)絡和自回歸神經(jīng)網(wǎng)絡對3 0 m i n后 的溫室溫度等環(huán)境因子進行預測 結果表明R N N L S T M預測效果最好 趙明珠等 2 4 利用雙向長短期 記憶 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 網(wǎng)絡模型得到了優(yōu)于L S T M 差分整合移動平 均自回歸 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 模型的地鐵車站溫度預測結果 智協(xié)飛等 2 5 利用長短期記憶網(wǎng)絡 淺層神經(jīng)網(wǎng)絡 滑動訓練期消除 偏差集合平均和滑動訓練期多模式超級集合方法對地 面氣溫進行預報 該集成方法的預報結果比所有單個 模式預報更為準確 綜上 L S T M在諸多時間序列預測上具有很大的 優(yōu)勢 溫室溫度預測作為典型的時間序列問題 使用 L S T M方法尤其合適 但L S T M的模型參數(shù)依靠人工 經(jīng)驗確定 隨機性較大 易陷入局部最優(yōu)解 灰狼優(yōu)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 是近年來提 出的一種通過模擬灰狼捕食行為的群體智能優(yōu)化算 法 具有收斂性強 參數(shù)少 易實現(xiàn)等優(yōu)點 比較粒子群 算法 蝙蝠算法等有更強的收斂速度與搜索能力 因此 被廣泛用于模型參數(shù)的調整優(yōu)化 2 7 2 8 本文將灰狼優(yōu)化算法和長短期記憶網(wǎng)絡模型相結 合 提出基于G W O L S T M的設施蔬菜溫室溫度預 測模型 將L S T M網(wǎng)絡中隱藏層單元數(shù) 學習率和迭 代次數(shù)等模型參數(shù)作為G W O算法中狼群的位置坐 標 通過計算適應度值更新狼群位置以獲取模型參數(shù) 的最優(yōu)解 利用最優(yōu)參數(shù)搭建L S T M網(wǎng)絡模型對溫 室內溫度進行預測 1 材料與方法 1 1 試驗區(qū)概況 本文試驗區(qū)域為江蘇省農業(yè)科學院科研基地陽光 板溫室 溫室屋脊為南北走向 跨度棟寬8 m 開間 4 m 肩高5 0 m 頂高5 8 m 外遮陽高6 5 m 屋面 形狀為一跨二尖頂文洛式 頂部及四周側墻采用8 m m 陽光板 溫室配備外遮陽系統(tǒng) 內遮陽系統(tǒng) 保溫系 統(tǒng) 交錯頂開窗系統(tǒng) 濕簾風機降溫系統(tǒng) 自動升降式 補光系統(tǒng) 控制系統(tǒng)等 溫室內部采用椰糠基質栽培 種植櫻桃番茄 試驗期間番茄分別經(jīng)歷幼苗期 開花期 和坐果期生長階段 時間為2 0 2 0年9月中旬 1 2月 下旬 試驗初期天氣炎熱 溫室通過濕簾 風機和天窗 等設備進行降溫 后期天氣變冷采用內保溫 遮陽網(wǎng)等 設備進行保溫 試驗期間利用團隊自主開發(fā)的設施蔬 菜智慧管控平臺對溫室環(huán)境實施自動調控 全程保證 番茄處于適宜的生長環(huán)境中 1 2 數(shù)據(jù)采集與預處理 溫室內環(huán)控設備 風機 濕簾 天窗 補光燈 內保 溫 內遮陽 外遮陽 操作歷史狀態(tài)通過設施蔬菜智慧 1 1 8 中國農機化學報2 0 2 3年 管控平臺進行實時自動采集 采集內容包括設備名稱 設備操作類型 開啟 關閉 展開 合攏 和操作時間等 溫室內環(huán)境因子通過無線傳感器采集 主要采集室內空 氣溫度 空氣相對濕度 光合有效輻射和二氧化碳濃度 等環(huán)境數(shù)據(jù) 溫室外通過小型氣象站采集室外空氣溫 度 空氣相對濕度 風速和光合有效輻射等環(huán)境數(shù)據(jù) 由于溫室內環(huán)境復雜多變 為了準確地獲取溫室中 環(huán)境數(shù)據(jù)的空間分布變化 分別取溫室中4個地塊的中 心點 A B C D 作為監(jiān)測點 在點A B C D處于垂 直方向依次布設空氣溫濕度傳感器 二氧化碳濃度傳感 器和光合有效輻射傳感器 分別距地面1 5 m 1 6 m 1 8 m 溫室外點E位置布設小型氣象站 溫室內外傳 感器布設的俯視圖和剖面圖如圖1所示 溫室內外傳感 器設備的型號 量程范圍等參數(shù)說明如表1所示 本文選取2 0 2 0年9月2 3日 1 2月2 1日期間試 驗數(shù)據(jù) 采樣間隔為1 0 m i n 總共采集1 2 8 1 9條樣本 數(shù)據(jù) 其中設備開啟 展開狀態(tài)記錄為1 設備關閉 合攏狀態(tài)記錄為0 多個監(jiān)測點采集的同類環(huán)境數(shù)據(jù) 取平均值 對于缺值采用線性插值法進行填充 異常 值采用均值法進行替換 由于各類數(shù)據(jù)單位 量綱的 差異 本文對數(shù)據(jù)采用歸一化處理 歸一化后按照7 3劃分數(shù)據(jù)集 前8 9 6 7條數(shù)據(jù)作為訓練樣本集 后3 8 5 2條數(shù)據(jù)作為測試樣本集 數(shù)據(jù)歸一化公式如式 1 所示 a 俯視圖 b 剖面圖 圖1 溫室中傳感器布設圖 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 傳感器設備說明 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 類型型號量程范圍布設點數(shù)量 空氣溫濕度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 光合有效輻射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 二氧化碳濃度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 氣象站Q I E 1 y y ym i ny m a x ym i n 1 式中 y 歸一化后的轉換值 y 真實值 ym a x 樣本最大值 ym i n 樣本最小值 影響溫室內空氣溫度的主要因素包括室內空氣溫 度 室內空氣相對濕度 室內光合有效輻射 室外空氣溫 度 室外空氣相對濕度 室外光合有效輻射 室外風速和室 內環(huán)控設備 風機 濕簾 天窗 補光燈 內保溫 內遮陽 外 遮陽 運行狀態(tài) 本文選取上述1 4個因子作為模型輸入 參數(shù) 下一時刻溫室內空氣溫度作為模型輸出參數(shù) 1 3 溫室溫度預測模型構建 1 3 1 長短期記憶網(wǎng)絡 L S T M L S T M網(wǎng)絡通過精心設計的 門 結構 使模型具 有長時間的 記憶功能 避免了標準循環(huán)神經(jīng)網(wǎng)絡產 生的梯度消失與梯度爆炸問題 該網(wǎng)絡在結構設計中 有遺忘門ft 輸入門it 輸出門ot和一個記憶單元 其內部基本結構如圖2所示 圖2 長短期記憶網(wǎng)絡內部結構圖 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期毛曉娟等 基于G W O L S T M的設施蔬菜溫室溫度預測1 1 9 遺忘門主要是控制舊信息的遺忘 計算公式如式 2 所示 ft s i g m o i d WTf ht 1 UTf xt bf 2 輸入門主要是控制新的信息輸入 計算公式如式 3 所示 it s i g m o i d WTi ht 1 UTi xt bi 3 記憶單元臨時狀態(tài) 計算公式如式 4 所示 c t t a n h WTc ht 1 UTc xt bc 4 更新記憶單元 計算公式如式 5 所示 ct ft ct 1 it c t 5 輸出門公式如式 6 所示 ot s i g m o i d WTo ht 1 UTo xt bo 6 整個隱藏層的計算公式如式 7 所示 ht ot t a n h ct 7 輸出層的計算公式如式 8 所示 yt s i g m o i d WTyht 8 式中 bf 遺忘門的偏置 bi 輸入門的偏置 bc 記憶單元的偏置 bo 輸出門的偏置 WTf 遺忘門t 1時刻隱藏層輸出值權重 WTi 輸入門t 1時刻隱藏層輸出值權重 WTc 記憶單元t 1時刻隱藏層輸出值 權重 WTo 輸出門t 1時刻隱藏層輸出值權重 UTf 遺忘門t時刻輸入值的權重 UTi 輸入門t時刻輸入值的權重 UTc 記憶單元t時刻輸入值的權重 UTo 輸出門t時刻輸入值的權重 WTy 輸出層權重矩陣 1 3 2 灰狼優(yōu)化算法 G W O 灰狼優(yōu)化算法是一種受到了灰狼狩獵的啟發(fā)而開 發(fā)的優(yōu)化搜索方法 灰狼具有嚴格的社會等級層次制 度 從高到低分別為 和 捕食的過程在 的帶 領下完成 灰狼的狩獵包括跟蹤獵物 包圍獵物和攻 擊獵物 灰狼包圍獵物行為的數(shù)學模型定義如下 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 當前獵物的位置矢量 X t 當前灰狼的位置矢量 X t 1 下一次迭代后的灰狼的位置矢量 D 灰狼和獵物之間的距離 a 收斂因子 隨著迭代次數(shù)從2線性遞減 到0 r1 r2 0 1 區(qū)間上的隨機數(shù) 當灰狼識別出獵物的位置后 引導 和 對獵物 進行攻擊 選取前三個最優(yōu)解 其余灰狼根據(jù) 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 與其他灰狼之間的距離 D 與其他灰狼之間的距離 D 與其他灰狼之間的距離 X t 當前迭代次數(shù)下的位置矢量 X t 當前迭代次數(shù)下的位置矢量 X t 當前迭代次數(shù)下的位置矢量 X1 狼群中某個灰狼向 移動的矢量 X2 狼群中某個灰狼向 移動的矢量 X3 狼群中某個灰狼向 移動的矢量 1 3 3 G W O優(yōu)化L S T M模型參數(shù)流程 L S T M模型參數(shù)的確定大多是基于人工經(jīng)驗 存 在模型調節(jié)參數(shù)時間長 易收斂于局部最優(yōu)解等問題 G W O作為一種群體智能優(yōu)化算法 具有全局搜索能 力強 收斂快 易實現(xiàn)等優(yōu)點 近年來廣泛用于參數(shù)優(yōu) 化等領域 為提高溫室溫度預測模型的預測精度 本文利用 G W O對L S T M模型參數(shù)進行優(yōu)化調整 以L S T M網(wǎng) 絡中隱藏層單元數(shù) 學習率和迭代次數(shù)作為狼群位置 通過計算適應度函數(shù) 更新狼群位置 獲得L S T M網(wǎng) 絡模型參數(shù)最優(yōu)解 利用最優(yōu)模型參數(shù)構建設施蔬菜 溫室溫度預測模型 本文提出的基于G W O L S T M 的設施蔬菜溫室溫度預測模型流程如圖3所示 根據(jù)流程圖 基于G W O L S T M的設施蔬菜溫 室溫度預測模型構建具體步驟如下 步驟1 將設施蔬菜智慧管控平臺采集的溫室內 外環(huán)境因子和設備操作狀態(tài)原始時間序列樣本數(shù)據(jù)進 行異常值剔除 缺值補充和數(shù)據(jù)歸一化處理后 按照 7 3比例將已處理樣本集劃分為訓練集和測試集 步驟2 確定G W O的初始數(shù)據(jù) 包括灰狼種群個 數(shù) 初始坐標和迭代次數(shù)等 將L S T M網(wǎng)絡的隱藏層 單元數(shù) 學習率和迭代次數(shù)轉換為狼群的位置坐標 選 1 2 0 中國農機化學報2 0 2 3年 擇訓練樣本集對L S T M進行模型訓練 步驟3 計算狼群個體適應度值 灰狼適應度函數(shù) 設置為f T i 1 y yi 2 其中y為實測值 yi為模型 預測值 T為時間序列的長度 適應度函數(shù)越小越好 根據(jù)適應度值更新狼群個體位置 當搜尋達到最大迭 代次數(shù)或者全局最優(yōu)位置滿足最小界限時 得到 L S T M網(wǎng)絡的隱藏層單元數(shù) 學習率和迭代次數(shù)三種 模型參數(shù)的最優(yōu)解 步驟4 選擇測試樣本集 對上述優(yōu)化參數(shù)的 L S T M網(wǎng)絡進行測試 得到最優(yōu)的L S T M網(wǎng)絡模型 基于最優(yōu)的L S T M網(wǎng)絡模型預測溫室內空氣溫度值 圖3 基于GWO LSTM的設施蔬菜溫室溫度預測模型流程圖 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 模型評價指標 為了驗證本文提出的基于G W O L S T M模型的 預測性能 使用4種性能評價指標 包括均方根誤差 R o o t M e a n S q u a r e d E r r o r RMSE 平均絕對誤差 M e a n A b s o l u t e E r r o r MAE 平均絕對百分比誤差 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 和決定系 數(shù)R2 其中 RMSE MAE和MAPE數(shù)值越小 模型 預測結果越準確 R2接近1 代表擬合優(yōu)度越大 模型 預測效果越好 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 預測樣本數(shù) yi 溫室內溫度預測值 yi 溫室內溫度真實值 y 真實值的平均值 2 結果與分析 2 1 模型參數(shù)選擇 本試驗基于編程語言p y t h o n 3 7 利用A n a c o n d a 3環(huán)境下的K e r a s 2 4深度學習庫進行模型構建 G W O L S T M網(wǎng)絡模型由輸入層 隱藏層和輸出層三 層網(wǎng)絡組成 采用A d a m算法訓練L S T M內部網(wǎng)絡參 數(shù) 隱藏層中的激活函數(shù)設為R e l u函數(shù) 將L S T M 的隱藏層單元數(shù) 學習率和迭代次數(shù)作為狼群的位置 坐標 其中隱藏層單元數(shù)取值范圍為 2 1 0 0 學習率 取值范圍為 0 0 0 0 1 0 0 1 迭代次數(shù)取值范圍為 2 0 3 0 0 預測時間步長為3 0 m i n 灰狼優(yōu)化算法參 數(shù)設置為 狼群總數(shù)為2 0 最大迭代次數(shù)為1 0 灰狼 和 的初始坐標均為 0 0 0 為了驗證本文提出的G W O L S T M的模型性能 選擇標準L S T M B P A N N進行試驗對照 標準 L S T M B P A N N均采用和G W O L S T M網(wǎng)絡模型相 同的輸入?yún)?shù) 輸出參數(shù)和預測時間步長 其中 標準 L S T M網(wǎng)絡和B P A N N均為三層網(wǎng)絡 隱藏層單元數(shù) 均設為1 4 學習率均設為0 0 1 迭代次數(shù)均設為1 0 0 2 2 基于GWO LSTM的溫室溫度預測 利用G W O對L S T M模型進行訓練 獲得最優(yōu)模型 參數(shù) 即隱藏層單元數(shù)為3 3 學習率為0 0 1 迭代次數(shù)為 9 4 利用最優(yōu)模型參數(shù) 將標準L S T M B P A N N和 G W O L S T M三種模型對溫室內空氣溫度進行預測 各模型在測試集上的預測曲線如圖4所示 依次為 B P A N N預測曲線 L S T M預測曲線和G W O L S T M 預測曲線 圖4顯示 標準L S T M B P A N N預測誤差 相對較大 尤其在波峰 波谷和鋸齒波動較為劇烈的附 近誤差較大 而本文提出的G W O L S T M模型預測曲 線更接近溫室內空氣溫度的實測值 特別是在曲線波動 劇烈處的預測效果更優(yōu)于其他模型 為進一步驗證模型的預測精度和模型多步預測能 第1期毛曉娟等 基于G W O L S T M的設施蔬菜溫室溫度預測1 2 1 力 選擇RMSE MAE MAPE和R2這4個模型評價 指標來衡量三種模型預測性能 表2給出在不同預測 時間步長下三種模型的溫度預測結果精度分析值 a B P A N N預測曲線 b L S T M預測曲線 c G W O L S T M預測曲線 圖4 不同模型的溫度預測曲線 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 三種模型不同預測時間步長的溫度預測結果精度分析 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 預測時間 步長 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 在預測時間步長為1 0 m i n條件下 G W O L S T M 模型的RMSE為0 3 8 6 9 MAE為0 1 6 4 1 MAPE 為0 1 0 4 7 R2為0 9 8 7 1 與標準L S T M相比 評價 指標RMSE MAE MAPE分別降低了2 4 9 8 5 7 0 2 3 7 3 4 R2增加了1 0 2 與B P A N N相 比 評價指標RMSE MAE MAPE分別降低 3 2 6 3 6 2 5 9 4 1 4 1 R2增加了1 5 9 在預測時間步長為3 0 m i n條件下 G W O L S T M 模型的RMSE為0 6 7 7 6 MAE為0 4 1 1 4 MAPE 為0 1 6 8 7 R2為0 9 6 0 4 與標準L S T M相比 評價 指標RMSE MAE MAPE分別降低了3 6 0 8 8 6 1 1 6 4 R2增加了0 3 1 與B P A N N相 比 評價指標RMSE MAE MAPE分別降低了 3 0 2 9 3 5 2 9 1 8 6 2 R2增加了4 5 7 在預測時間步長為6 0 m i n條件下 G W O L S T M 模型RMSE為1 0 3 0 2 MAE為0 5 9 4 3 MAPE為 0 1 9 6 3 R2為0 9 1 0 8 與標準L S T M相比 評價指標 RMSE MAE MAPE分別降低了3 8 5 1 1 8 0 7 3 2 R2增加了1 1 3 與B P A N N相比 評價指 標RMSE MAE MAPE分別降低了3 5 3 3 4 6 1 2 2 9 2 9 R2增加了1 6 7 5 從模型評價指標橫向比較結果看出 本文提出的 G W O L S T M模型無論在步長1 0 m i n 3 0 m i n或 6 0 m i n情況下 預測精度都比標準L S T M和 B P A N N更高 從預測步長縱向比較來看 針對G W O L S T M模 型 時間步長6 0 m i n相較于時間步長3 0 m i n 評價指標 RMSE MAE MAPE分別增加了0 3 5 2 6 0 1 8 2 9 0 0 2 7 6 R2減少了0 0 4 9 6 時間步長3 0 m i n相較于時 間步長1 0 m i n 評價指標RMSE MAE MAPE分別 增加了0 2 9 0 7 0 2 4 7 3 0 0 6 4 R2減少了0 0 2 1 3 說 明G W O L S T M在預測未來3 0 m i n內的溫度變化相 對更精確 在預測未來6 0 m i n內的溫度變化方面準確 度稍有下降 為進一步驗證G W O L S T M模型的連續(xù)性預測 能力 表3給出2 0 2 0年1 1月2 5日預測時間步長為 6 0 m i n時溫室內空氣溫度實際值與各模型預測值的 部分數(shù)據(jù)對比分析 可以看出G W O L S T M模型在 連續(xù)6個時間點的最大絕對誤差和平均絕對誤差分別 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 型的最大絕對誤差和平均絕對誤差 綜上所述 本文提出的G W O L S T M能夠較準 確地預測溫室內未來6 0 m i n的空氣溫度變化 同時避 免了人工調參 提高了模型參數(shù)調優(yōu)效率 能夠為智能 溫室精準調控提供有效的技術支撐 1 2 2 中國農機化學報2 0 2 3年 表3 預測時間步長為60min的溫度真實值與預測值對比分析 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 時間真實值 G W O L S T M L S T M B P A N N 預測值 絕對誤差 預測值 絕對誤差 預測值 絕對誤差 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