[发明专利]水稻产量预测方法及装置

说明书

本发明实施例提供一种水稻产量预测方法及装置，该方法包括：对水稻原始数据进行特征提取，得到水稻特征数据；将所述水稻特征数据，输入预设的XGBoost网络模型，得到水稻的产量预测结果；其中，所述XGBoost网络模型，根据已知水稻产量的原始数据作为样本，经特征提取后训练得到。通过训练后的XGBoost网络模型进行预测，XGBoost网络模型引入正则化项，加入剪枝，控制了模型的复杂度，从而可大大减少预测的计算复杂度，提高预测效率。

技术领域

本发明涉及柔性传感器薄膜的制备技术领域，尤其涉及一种水稻产量预测方法及装置。

背景技术

农作物的产量预测对制订农产品收购计划具有非常重要的参考价值，农作物预测产量是在农作物收获前采取一定方法预先测定的产量。

目前，对粮食产量的预测模型总体上分为三大类：时间序列模型、人工神经网络模型和回归模型。每个模型都有其优缺点，其中神经网络综合性能更优，但是存在计算复杂度大的问题。目前基于神经网络模型的产量预测方法，由于高计算复杂度导致局限性大，预测速度较慢。

发明内容

本发明实施例提供一种水稻产量预测方法及装置，用以满足现有技术中的需求。

本发明实施例提供一种水稻产量预测方法，包括：对水稻原始数据进行特征提取，得到水稻特征数据；将所述水稻特征数据，输入预设的XGBoost网络模型，得到水稻的产量预测结果；其中，所述XGBoost网络模型，根据已知水稻产量的原始数据作为样本，经特征提取后训练得到。

根据本发明一个实施例的水稻产量预测方法，所述对水稻原始数据进行特征提取之前，还包括：对模型的超参数，通过网格搜索算法进行寻优。

根据本发明一个实施例的水稻产量预测方法，对模型的超参数，通过网格搜索算法进行寻优，包括：对所有的待优化超参数进行循环遍历，得到所有可能的组合；对每一种组合，使用相同的训练集数据进行训练，并使用相同的验证集进行验证，选取准确率最高的超参数组合，作为寻优结果。

根据本发明一个实施例的水稻产量预测方法，所述超参数包括，迭代次数、叶子节点最小样本数、最大深度、gamma值、采样比例、colsample_bytree参数、reg_alpha参数、reg_lambda参数和学习速率。

根据本发明一个实施例的水稻产量预测方法，对水稻原始数据进行特征提取之前，还包括：对水稻原始数据进行数据清洗；所述数据清洗包括，异常数据删除、缺失值以零填充、对非数值数据进行编码。

根据本发明一个实施例的水稻产量预测方法，对水稻原始数据进行特征提取之前，还包括：删除影响预测的特征字段和与预测产量无关的特征字段。

根据本发明一个实施例的水稻产量预测方法，所述非数值数据，包括地址、生育期、品种和种类。

本发明实施例还提供一种水稻产量预测装置，包括：特征提取模块，用于对水稻原始数据进行特征提取，得到水稻特征数据；预测模块，用于将所述水稻特征数据，输入预设的XGBoost网络模型，得到水稻的产量预测结果；其中，所述XGBoost网络模型，根据已知水稻产量的原始数据作为样本，经特征提取后训练得到。

本发明实施例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水稻产量预测方法的步骤。

本发明实施例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水稻产量预测方法的步骤。

本发明实施例提供的水稻产量预测方法及装置，通过训练后的XGBoost网络模型进行预测，XGBoost网络模型引入正则化项，加入剪枝，控制了模型的复杂度，从而可大大减少预测的计算复杂度，提高预测效率。

附图说明