[发明专利]一种基于图神经网络的多元温室环境参数预测方法及系统

说明书

本发明公开了一种基于图神经网络的多元温室环境参数预测方法及系统，涉及环境参数预测领域，该方法包括：采集温室中的环境参数；以每个采样点采集的环境参数为列数，以连续采集时间段为行数构建时间序列矩阵；构建图神经网络模型；图神经网络模型包括：编码层、特征提取层和预测层；特征提取层包括：图学习模块和多个串联的特征提取模块；特征提取模块包括：时间卷积子模块和图卷积子模块；将时间序列矩阵和预先设定的图节点参数输入至图神经网络模型中，对图神经网络模型进行训练，得到训练好的图神经网络模型；通过训练好的图神经网络模型进行多元温室环境参数的预测。本发明能够对温室环境中多元参数进行实时预测，且预测结果精确。

技术领域

本发明涉及环境参数预测技术领域，特别涉及一种基于图神经网络的多元温室环境参数预测方法及系统。

背景技术

近几年随着设施农业快速发展，设施农业生产有高效率、高质量、反季节种植的特点。温室作为设施农业中培育作物的重要场所，温室环境对作物的生长和产量具有重要影响。在温室环境调控中，合理的环境参数可以有效保障作物高效高质生长。所以温室环境参数有效预测是实现温室环境精准调控的重要基础，其对于优化温室生产，提高农作物产量和质量、实现规模化和集约化生产具有重要的意义。

现有的温室环境参数预测方法，存在以下几点问题：

1.多种环境参数间耦合关系复杂。温室内环境主要包括：气温、湿度、光照、二氧化碳浓度等。参数间存在复杂的耦合关系，且温室环境参数具有非线性和非稳定性等特点，难以用简单的统计学方法或基于规则的方法进行准确建模。

2.大部分预测方法以单参数预测为目标。这些模型通常以单一参数为输入,为考虑其他环境参数的影响。

3.鲁棒性不足。传统的统计学方法和机器学习方法对于环境参数的变化不够鲁棒，对于未知环境的预测准确性不高。

4.缺乏实时性。传统的统计学方法和机器学习方法需要离线训练模型，难以满足温室环境参数实时预测的需求。

发明内容

针对现有温室环境参数预测方法中存在的问题，本发明提供了一种基于图神经网络的多元温室环境参数预测方法及系统。

为实现上述目的，本发明提供了如下方案：

一种基于图神经网络的多元温室环境参数预测方法，包括：

采集温室中的环境参数；所述环境参数包括温度、湿度和光照强度；

以每个采样点采集的所述环境参数为列数，以每个采样点的连续采集时间段为行数构建时间序列矩阵；

构建图神经网络模型；所述图神经网络模型包括：编码层、特征提取层和预测层；所述特征提取层包括：图学习模块和多个串联的特征提取模块；所述特征提取模块包括：时间卷积子模块和图卷积子模块；

将所述时间序列矩阵和预先设定的图节点参数输入至所述图神经网络模型中，对所述图神经网络模型进行训练，得到训练好的图神经网络模型；所述图节点参数包括：节点数、子图数、输入维度和控制节点饱和率的超参数；

通过训练好的图神经网络模型进行多元温室环境参数的预测。

可选地，在采集温室中的环境参数之后还包括：

对所述环境参数进行预处理；所述预处理包括异常值处理和归一化操作。

可选地，所述图学习模块的输入为所述图节点参数；所述图学习模块的输出为邻接矩阵。

可选地，所述时间卷积子模块的输入为所述时间序列矩阵，所述时间卷积子模块用于对所述时间序列矩阵进行时间上的特征提取；所述图卷积子模块的输入为所述时间卷积子模块的输出和所述邻接矩阵，所述图卷积子模块用于对所述时间序列矩阵进行空间上特征提取。