CN114792157A - 基于物联网的脐橙产量预测方法、装置、计算机设备 - Google Patents
基于物联网的脐橙产量预测方法、装置、计算机设备 Download PDFInfo
- Publication number
- CN114792157A CN114792157A CN202210329107.5A CN202210329107A CN114792157A CN 114792157 A CN114792157 A CN 114792157A CN 202210329107 A CN202210329107 A CN 202210329107A CN 114792157 A CN114792157 A CN 114792157A
- Authority
- CN
- China
- Prior art keywords
- information
- navel orange
- value
- yield
- triangular fuzzy
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 235000005976 Citrus sinensis Nutrition 0.000 title claims abstract description 121
- 240000002319 Citrus sinensis Species 0.000 title claims abstract description 121
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000013528 artificial neural network Methods 0.000 claims abstract description 44
- 230000004927 fusion Effects 0.000 claims abstract description 35
- 230000007613 environmental effect Effects 0.000 claims abstract description 25
- 238000004364 calculation method Methods 0.000 claims description 42
- 230000015654 memory Effects 0.000 claims description 29
- 230000035515 penetration Effects 0.000 claims description 12
- 238000003062 neural network model Methods 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 7
- 238000012821 model calculation Methods 0.000 claims description 2
- 230000006855 networking Effects 0.000 claims 1
- 230000007787 long-term memory Effects 0.000 abstract description 7
- 230000006403 short-term memory Effects 0.000 abstract description 7
- 239000002420 orchard Substances 0.000 abstract description 5
- 238000001514 detection method Methods 0.000 description 8
- 230000001360 synchronised effect Effects 0.000 description 4
- 241000220225 Malus Species 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 235000013399 edible fruits Nutrition 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 235000021016 apples Nutrition 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/043—Architecture, e.g. interconnection topology based on fuzzy logic, fuzzy membership or fuzzy inference, e.g. adaptive neuro-fuzzy inference systems [ANFIS]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/02—Computing arrangements based on specific mathematical models using fuzzy logic
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y10/00—Economic sectors
- G16Y10/05—Agriculture
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y20/00—Information sensed or collected by the things
- G16Y20/10—Information sensed or collected by the things relating to the environment, e.g. temperature; relating to location
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y20/00—Information sensed or collected by the things
- G16Y20/20—Information sensed or collected by the things relating to the thing itself
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y40/00—IoT characterised by the purpose of the information processing
- G16Y40/10—Detection; Monitoring
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- General Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Human Resources & Organizations (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Mathematical Optimization (AREA)
- Tourism & Hospitality (AREA)
- Fuzzy Systems (AREA)
- Computational Mathematics (AREA)
- Development Economics (AREA)
- Automation & Control Theory (AREA)
- Agronomy & Crop Science (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Marketing (AREA)
- Mathematical Analysis (AREA)
- Marine Sciences & Fisheries (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Algebra (AREA)
- Game Theory and Decision Science (AREA)
- Animal Husbandry (AREA)
- Quality & Reliability (AREA)
Abstract
本发明实施例公开了基于物联网的脐橙产量预测方法,利用多个果园传感器、多个三角模糊数时间序列神经网络、多个LSTM长短期记忆神经网络、脐橙园多点环境融合模型和脐橙产量预测模块五个部分组成。脐橙园多个传感器感知被检测点的温度、湿度等环境数据。该数据作为对应LSTM长短期记忆神经网络的输入,多个LSTM长短期记忆神经网络的输出作为多个三角模糊数时间序列神经网络的输入,多个三角模糊数时间序列神经网络的输出作为脐橙园多点环境融合模型的输入,融合模型的输出作为脐橙产量预测模块的输入,脐橙产量预测模块预测脐橙园产量,本方法可以替代传统人工抽样采集预测,极大程度上降低人工和时间成本,同时也提高了预测的精度。
Description
技术领域
本发明涉及农业数据预测技术领域,尤其涉及基于物联网的脐橙产量预测方法、装置、计算机设备。
背景技术
脐橙是世界食用广泛的水果之一,中国是世界上脐橙的生产和消费大国,在世界脐橙产业中占有重要地位。目前预测和评估脐橙产量的常用方法是人工抽取部分果树,逐棵数出苹果数量后用抽样调查的方法大致估算。此种方法人工、时间成本高昂且精度不高。
发明内容
本发明实施例提供了基于物联网的脐橙产量预测方法、装置、计算机设备,以解决传统预测脐橙产量人工成本高、耗时久的问题。
为达到上述目的,本发明实施例的技术方案是这样实现的:
本发明实施例提供了一种基于物联网的脐橙产量预测方法,所述方法包括:
在时间序列上,接收脐橙圆多个被检测点的环境信息,其中,所述环境信息包括温度和湿度;
根据多个所述环境信息,按照LSTM长短期记忆神经网络的计算策略,提取得到多个第一信息,其中,所述第一信息为价值密度大于对应的所述环境信息的温度和湿度数据;
根据多个所述第一信息,按照三角模糊数时间序列神经网络计算策略,得到多个第二信息,所述第二信息为对应的所述第一信息的三角模糊数值;
根据多个所述第二信息,按照脐橙园多点环境融合模型计算策略,得到第三信息,所述第三信息为所有的所述第二信息的融合值;
根据脐橙园产量的历史信息和所述第三信息,按照脐橙产量预测模块的计算策略,得到脐橙园产量的预测值,其中,所述预测值为三角模糊数预测值。
优选的,所述根据多个所述第一信息,按照三角模糊数时间序列神经网络计算策略,得到多个第二信息,包括;
根据多个所述第一信息,按照径向基神经网络模型的计算策略,得到优化后的多个所述第一信息;
根据优化后的多个所述第一信息,按照NARX神经网络模型的计算策略,得到多个所述第二信息,所述第二信息为对应的所述第一信息的三角模糊数值,且,表示被检测点的温度和湿度的下限值、最大可能值和上限值。
优选的,所述根据多个所述第二信息,按照脐橙园多点环境融合模型计算策略,得到第三信息,包括:
在指定时间间隔内,各被检测点的温度和湿度的三角模糊数构成温度和湿度时间序列三角模糊数阵列,再分别计算各检测点的温度和湿度时间序列三角模糊数值与正负理想值之间的距离;
通过与负理想值的距离的平方除以与正理想值的距离得到每个被检测点温度和湿度时间序列三角模糊数值与正负理想值的相对贴进度再通过,每个检测点的相对贴进度的平方除以所有检测点的相对贴进度的总和得到每个检测点的融合权重;
根据每个被检测点的时间序列三角模糊数的值与该检测点的融合权重的积的和为所有时间序列三角模糊数的融合值,即为所述第三信息。
优选的,所述根据脐橙园产量的历史信息和所述第三信息,按照脐橙产量预测模块的计算策略,得到脐橙园产量的预测值,包括:
根据脐橙园产量的历史信息,按照三角模糊数预测模型的计算策略,得到历史产量数据时间序列;
根据所述第三信息和所述历史产量数据时间序列,按照T-S型模糊神经网络校正模型的计算策略,得到脐橙园产量三角模糊数预测值。
优选的,所述接收脐橙圆多个被检测点的环境信息,包括:
接收温度传感器和湿度传感器实时传输的脐橙圆多个被检测点的环境信息。
优选的,所述接收脐橙圆多个被检测点的环境信息,包括:
接收人工输入的脐橙圆多个被检测点的环境信息。
本发明实施例还提供了一种基于物联网的脐橙产量预测装置,包括:
接收模块,用于在时间序列上,接收脐橙圆多个被检测点的环境信息;
第一计算模块,用于根据多个所述环境信息,按照LSTM长短期记忆神经网络的计算策略,提取得到多个第一信息;
第二计算模块,用于根据多个所述第一信息,按照三角模糊数时间序列神经网络计算策略,得到多个第二信息;
第三计算模块,用于根据多个所述第二信息,按照脐橙园多点环境融合模型计算策略,得到第三信息;
第四计算模块,用于根据脐橙园产量的历史信息和所述第三信息,按照脐橙产量预测模块的计算策略,得到脐橙园产量的预测值。
本发明实施例还提供了一种计算机设备,包括:处理器和用于存储能够在处理器上运行的计算机程序的存储器,其中所述处理器用于运行所述计算机程序时,实现所述的预测方法。
本发明实施例还提供了一种计算机存储介质,存储有可执行程序,所述可执行程序被处理器执行时,实现所述的预测方法。
上述实施例所提供的预测方法,利用多个果园传感器、多个三角模糊数时间序列神经网络、多个LSTM长短期记忆神经网络、脐橙园多点环境融合模型和脐橙产量预测模块五个部分组成。脐橙园多个传感器感知被检测点的温度、湿度等环境数据。该数据作为对应LSTM长短期记忆神经网络的输入,多个 LSTM长短期记忆神经网络的输出作为多个三角模糊数时间序列神经网络的输入,多个三角模糊数时间序列神经网络的输出作为脐橙园多点环境融合模型的输入,融合模型的输出作为脐橙产量预测模块的输入,脐橙产量预测模块预测脐橙园产量,本方法可以替代传统人工抽样采集预测,极大程度上降低人工和时间成本,同时也提高了预测的精度。
附图说明
图1为本发明一实施例所提供的方法的流程示意图;
图2为本发明一实施例所提供的脐橙园数据采集平台和脐橙产量预测***示意图;
图3为本发明一实施例所提供的装置的结构示意图;
图4为本发明一实施例所提供的计算机设备的结构示意图;
具体实施方式
以下结合实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本发明。本文所使用的术语“和/或”包括一个或多个相关的所列项目的任意的和所有的组合。
本发明实施例中提供的一种基于物联网的脐橙产量预测方法,属于农业数据预测技术领域,应用场景可以为:脐橙产量预测。可以理解的是,现有技术中,预测和评估脐橙产量的常用方法是人工抽取部分果树,逐棵数出苹果数量后用抽样调查的方法大致估算。此种方法人工、时间成本高昂且精度不高。
基于此,如何提高预测脐橙产量的成本、精度成为了亟需解决的技术问题。
需要指出的是,该方法由计算机设备执行。需要说明的是,这里的计算机设备是指任何具有计算处理功能的设备,包括但不限于固定终端设备或者移动终端设备。该固定终端设备可以包括但不限于台式电脑或者计算机设备等,该移动终端设备可以包括但不限于手机、平板电脑、穿戴式设备或者笔记本电脑等。
以下结合附图及具体实施例对本发明技术方案做进一步的详细阐述。
参考图1,本发明实施例提供本发明实施例提供了一种基于物联网的脐橙产量预测方法,所述方法包括:
S11:在时间序列上,接收脐橙圆多个被检测点的环境信息,其中,所述环境信息包括温度和湿度;
S12:根据多个所述环境信息,按照LSTM长短期记忆神经网络的计算策略,提取得到多个第一信息,其中,所述第一信息为价值密度大于对应的所述环境信息的温度和湿度数据;
S13:根据多个所述第一信息,按照三角模糊数时间序列神经网络计算策略,得到多个第二信息,所述第二信息为对应的所述第一信息的三角模糊数值;
S14:根据多个所述第二信息,按照脐橙园多点环境融合模型计算策略,得到第三信息,所述第三信息为所有的所述第二信息的融合值;
S15:根据脐橙园产量的历史信息和所述第三信息,按照脐橙产量预测模块的计算策略,得到脐橙园产量的预测值,其中,所述预测值为三角模糊数预测值。
示例性的,参考图2,本实施例的预测方法主要由脐橙园数据采集平台和脐橙产量预测***组成。***实现对脐橙园的环境参数进行采集和检测,最终对产量进行预测。具体的,***由多个果园传感器、多个三角模糊数时间序列神经网络、多个LSTM长短期记忆神经网络、脐橙园多点环境融合模型和脐橙产量预测模块五个部分组成。脐橙园多个传感器感知被检测点的温度、湿度等环境数据。该数据作为对应LSTM长短期记忆神经网络的输入,多个LSTM长短期记忆神经网络的输出作为多个三角模糊数时间序列神经网络的输入,多个三角模糊数时间序列神经网络的输出作为脐橙园多点环境融合模型的输入,融合模型的输出作为脐橙产量预测模块的输入,脐橙产量预测模块预测脐橙园产量。
总的来说本预测方法应用于脐橙果园产量预测可以替代传统人工抽样采集预测,极大程度上降低人工和时间成本,同时也提高了预测的精度。
在一些实施例中,所述根据多个所述第一信息,按照三角模糊数时间序列神经网络计算策略,得到多个第二信息,包括;
根据多个所述第一信息,按照径向基神经网络模型的计算策略,得到优化后的多个所述第一信息;
根据优化后的多个所述第一信息,按照NARX神经网络模型的计算策略,得到多个所述第二信息,所述第二信息为对应的所述第一信息的三角模糊数值,且,表示被检测点的温度和湿度的下限值、最大可能值和上限值。
具体的,在上述实施例中,脐橙园的每个传感器对应一个三角模糊数时间序列神经网络和一个LSTM长短期记忆神经网络。LSTM长短期记忆神经网络使用GRU结构组成。包含两个单元,每个单元包含遗忘、更新和输出三个门。该网络根据温度和湿度的时间序列提取有效信息输出一个新的价值密度更高的序列。其中,三角模糊数时间序列神经网络由径向基神经网络模型和NARX神经网络模型组成,LSTM长短期记忆网络输出的一段常规时间序列值作为径向基神经网络模型的输入,径向基神经网络模型的三个输出(三个优化后包含环境信息的时间序列)分别对应作为NARX神经网络模型的输入,NARX神经网络模型输出的三角模糊数值分别表示被检测点的温度和湿度的下限值、最大可能值和上限值;总的来说,时间序列三角模糊数神经网络根据被检测点的温度和湿度动态变化特征把被检测点的温度和湿度的一段常规时间序列值转换为被检测点的温度和湿度的三角模糊数值来表示。
在一些实施例中,所述根据多个所述第二信息,按照脐橙园多点环境融合模型计算策略,得到第三信息,包括:
在指定时间间隔内,各被检测点的温度和湿度的三角模糊数构成温度和湿度时间序列三角模糊数阵列,再分别计算各检测点的温度和湿度时间序列三角模糊数值与正负理想值之间的距离;
通过与负理想值的距离的平方除以与正理想值的距离得到每个被检测点温度和湿度时间序列三角模糊数值与正负理想值的相对贴进度再通过,每个检测点的相对贴进度的平方除以所有检测点的相对贴进度的总和得到每个检测点的融合权重;
根据每个被检测点的时间序列三角模糊数的值与该检测点的融合权重的积的和为所有时间序列三角模糊数的融合值,即为所述第三信息。
具体的,在上述实施例中,脐橙园多点环境融合模型由温度时间序列三角模糊数阵列、湿度时间序列三角模糊数阵列、计算时间序列三角模糊数值与正负理想值的相对贴进度、计算环境值三角模糊数融合值组成。具体过程为:在指定时间间隔内,各检测点的温度和湿度的三角模糊数构成温度和湿度时间序列三角模糊数阵列,分别计算各检测点的温度和湿度时间序列三角模糊数值与正负理想值之间的距离,通过与负理想值的距离的平方除以与正理想值的距离得到每个点温度和湿度时间序列三角模糊数值与正负理想值的相对贴进度,每个检测点的相对贴进度的平方除以所有检测点的相对贴进度的总和得到每个检测点的融合权重,每个检测点的时间序列三角模糊数的值与该检测点的融合权重的积的和为所有时间序列三角模糊数的融合值。
在一些实施例中,所述根据脐橙园产量的历史信息和所述第三信息,按照脐橙产量预测模块的计算策略,得到脐橙园产量的预测值,包括:
根据脐橙园产量的历史信息,按照三角模糊数预测模型的计算策略,得到历史产量数据时间序列;
根据所述第三信息和所述历史产量数据时间序列,按照T-S型模糊神经网络校正模型的计算策略,得到脐橙园产量三角模糊数预测值。
具体的,在上述实施例中,脐橙产量预测模块包括脐橙园三角模糊数 GM(1,1)预测模型、脐橙园产量T-S型模糊神经网络校正模型组成,脐橙园产量的历史数据作为GM(1,1)模型的输入,GM(1,1)模型的输出(历史产量数据时间序列)结合脐橙园多点环境融合模型的输出作为T-S型模糊神经网络校正模型的输入,T-S型模糊神经网络校正模型的输出为苹果园产量的三角模糊数预测值。
在一些实施例中,所述接收脐橙圆多个被检测点的环境信息,包括:
接收温度传感器和湿度传感器实时传输的脐橙圆多个被检测点的环境信息。
需要说明的是,本实施例利用布置在脐橙圆的温度传感器和湿度传感器,自动采集环境信息,不用人工进行收集,方便了环境信息的采集
在一些实施例中,所述接收脐橙圆多个被检测点的环境信息,包括:
接收人工输入的脐橙圆多个被检测点的环境信息。
需要说明的是,当脐橙圆的面积较小时,也可以使用人工进行收集,并输入脐橙圆的环境信息,进而减少使用传感器设备的成本。
如图3所示,本发明实施例还提供了一种基于物联网的脐橙产量预测装置,包括:
接收模块31,用于在时间序列上,接收脐橙圆多个被检测点的环境信息;
第一计算模块32,用于根据多个所述环境信息,按照LSTM长短期记忆神经网络的计算策略,提取得到多个第一信息;
第二计算模块33,用于根据多个所述第一信息,按照三角模糊数时间序列神经网络计算策略,得到多个第二信息;
第三计算模块34,用于根据多个所述第二信息,按照脐橙园多点环境融合模型计算策略,得到第三信息;
第四计算模块35,用于根据脐橙园产量的历史信息和所述第三信息,按照脐橙产量预测模块的计算策略,得到脐橙园产量的预测值。
在一个具体实施例中,所述第二计算模块33,还用于:
根据多个所述第一信息,按照径向基神经网络模型的计算策略,得到优化后的多个所述第一信息;
根据优化后的多个所述第一信息,按照NARX神经网络模型的计算策略,得到多个所述第二信息,所述第二信息为对应的所述第一信息的三角模糊数值,且,表示被检测点的温度和湿度的下限值、最大可能值和上限值。
在一个具体实施例中,所述第三计算模块34,还用于:
在指定时间间隔内,各被检测点的温度和湿度的三角模糊数构成温度和湿度时间序列三角模糊数阵列,再分别计算各检测点的温度和湿度时间序列三角模糊数值与正负理想值之间的距离;
通过与负理想值的距离的平方除以与正理想值的距离得到每个被检测点温度和湿度时间序列三角模糊数值与正负理想值的相对贴进度再通过,每个检测点的相对贴进度的平方除以所有检测点的相对贴进度的总和得到每个检测点的融合权重;
根据每个被检测点的时间序列三角模糊数的值与该检测点的融合权重的积的和为所有时间序列三角模糊数的融合值,即为所述第三信息。
在一个具体实施例中,所述第四计算模块35,还用于:
根据脐橙园产量的历史信息,按照三角模糊数预测模型的计算策略,得到历史产量数据时间序列;
根据所述第三信息和所述历史产量数据时间序列,按照T-S型模糊神经网络校正模型的计算策略,得到脐橙园产量三角模糊数预测值
这里需要指出的是:以上装置项的描述,与上述方法项描述是类似的,同方法的有益效果描述,不做赘述。对于本发明装置实施例中未披露的技术细节,请参照本发明方法实施例的描述。
如图4所示,本发明实施例还提供了一种计算机设备,包括处理器41和用于存储能够在处理器上运行的计算机程序的存储器42,其中所述处理器用于运行所述计算机程序时,实现应用于所述的方法。
在一些实施例中,本发明实施例中的存储器42可以是易失性存储器或非易失性存储器,或可包括易失性和非易失性存储器两者。其中,非易失性存储器可以是只读存储器(Read-Only Memory,ROM)、可编程只读存储器 (Programmable ROM,PROM)、可擦除可编程只读存储器(Erasable PROM, EPROM)、电可擦除可编程只读存储器(Electrically EPROM,EEPROM)或闪存。易失性存储器可以是随机存取存储器(Random Access Memory,RAM),其用作外部高速缓存。通过示例性但不是限制性说明,许多形式的RAM可用,例如静态随机存取存储器(Static RAM,SRAM)、动态随机存取存储器 (Dynamic RAM,DRAM)、同步动态随机存取存储器(Synchronous DRAM, SDRAM)、双倍数据速率同步动态随机存取存储器(DoubleData Rate SDRAM, DDRSDRAM)、增强型同步动态随机存取存储器(Enhanced SDRAM,ESDRAM)、同步连接动态随机存取存储器(Synchlink DRAM,SLDRAM)和直接内存总线随机存取存储器(Direct Rambus RAM,DRRAM)。本文描述的***和方法的存储器42旨在包括但不限于这些和任意其它适合类型的存储器。
而处理器41可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器41中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器41可以是通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit, ASIC)、现成可编程门阵列(Field Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器42,处理器41读取存储器42中的信息,结合其硬件完成上述方法的步骤。
在一些实施例中,本文描述的这些实施例可以用硬件、软件、固件、中间件、微码或其组合来实现。对于硬件实现,处理单元可以实现在一个或多个专用集成电路(Application Specific Integrated Circuits,ASIC)、数字信号处理器 (DigitalSignal Processing,DSP)、数字信号处理设备(DSP Device,DSPD)、可编程逻辑设备(Programmable Logic Device,PLD)、现场可编程门阵列 (Field-Programmable GateArray,FPGA)、通用处理器、控制器、微控制器、微处理器、用于执行本申请所述功能的其它电子单元或其组合中。
对于软件实现,可通过执行本文所述功能的模块(例如过程、函数等)来实现本文所述的技术。软件代码可存储在存储器中并通过处理器执行。存储器可以在处理器中或在处理器外部实现。
本发明又一实施例提供了一种计算机存储介质,该计算机可读存储介质存储有可执行程序,所述可执行程序被处理器41执行时,可实现应用于所述方法的步骤。例如,如图1所示的预测方法中的一个或多个。
在一些实施例中,所述计算机存储介质可以包括:U盘、移动硬盘、只读存储器(ROM,Read Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
需要说明的是:本发明实施例所记载的技术方案之间,在不冲突的情况下,可以任意组合。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
Claims (9)
1.一种基于物联网的脐橙产量预测方法,其特征在于,所述方法包括:
在时间序列上,接收脐橙圆多个被检测点的环境信息,其中,所述环境信息包括温度和湿度;
根据多个所述环境信息,按照LSTM长短期记忆神经网络的计算策略,提取得到多个第一信息,其中,所述第一信息为价值密度大于对应的所述环境信息的温度和湿度数据;
根据多个所述第一信息,按照三角模糊数时间序列神经网络计算策略,得到多个第二信息,所述第二信息为对应的所述第一信息的三角模糊数值;
根据多个所述第二信息,按照脐橙园多点环境融合模型计算策略,得到第三信息,所述第三信息为所有的所述第二信息的融合值;
根据脐橙园产量的历史信息和所述第三信息,按照脐橙产量预测模块的计算策略,得到脐橙园产量的预测值,其中,所述预测值为三角模糊数预测值。
2.根据权利要求1所述的方法,其特征在于,所述根据多个所述第一信息,按照三角模糊数时间序列神经网络计算策略,得到多个第二信息,包括;
根据多个所述第一信息,按照径向基神经网络模型的计算策略,得到优化后的多个所述第一信息;
根据优化后的多个所述第一信息,按照NARX神经网络模型的计算策略,得到多个所述第二信息,所述第二信息为对应的所述第一信息的三角模糊数值,且,表示被检测点的温度和湿度的下限值、最大可能值和上限值。
3.根据权利要求1所述的方法,其特征在于,所述根据多个所述第二信息,按照脐橙园多点环境融合模型计算策略,得到第三信息,包括:
在指定时间间隔内,各被检测点的温度和湿度的三角模糊数构成温度和湿度时间序列三角模糊数阵列,再分别计算各检测点的温度和湿度时间序列三角模糊数值与正负理想值之间的距离;
通过与负理想值的距离的平方除以与正理想值的距离得到每个被检测点温度和湿度时间序列三角模糊数值与正负理想值的相对贴进度再通过,每个检测点的相对贴进度的平方除以所有检测点的相对贴进度的总和得到每个检测点的融合权重;
根据每个被检测点的时间序列三角模糊数的值与该检测点的融合权重的积的和为所有时间序列三角模糊数的融合值,即为所述第三信息。
4.根据权利要求3所述的方法,其特征在于,所述根据脐橙园产量的历史信息和所述第三信息,按照脐橙产量预测模块的计算策略,得到脐橙园产量的预测值,包括:
根据脐橙园产量的历史信息,按照三角模糊数预测模型的计算策略,得到历史产量数据时间序列;
根据所述第三信息和所述历史产量数据时间序列,按照T-S型模糊神经网络校正模型的计算策略,得到脐橙园产量三角模糊数预测值。
5.根据权利要求1所述的方法,其特征在于,所述接收脐橙圆多个被检测点的环境信息,包括:
接收温度传感器和湿度传感器实时传输的脐橙圆多个被检测点的环境信息。
6.根据权利要求1所述的方法,其特征在于,所述接收脐橙圆多个被检测点的环境信息,包括:
接收人工输入的脐橙圆多个被检测点的环境信息。
7.一种基于物联网的脐橙产量预测装置,包括:
接收模块,用于在时间序列上,接收脐橙圆多个被检测点的环境信息;
第一计算模块,用于根据多个所述环境信息,按照LSTM长短期记忆神经网络的计算策略,提取得到多个第一信息;
第二计算模块,用于根据多个所述第一信息,按照三角模糊数时间序列神经网络计算策略,得到多个第二信息;
第三计算模块,用于根据多个所述第二信息,按照脐橙园多点环境融合模型计算策略,得到第三信息;
第四计算模块,用于根据脐橙园产量的历史信息和所述第三信息,按照脐橙产量预测模块的计算策略,得到脐橙园产量的预测值。
8.一种计算机设备,其特征在于,包括:处理器和用于存储能够在处理器上运行的计算机程序的存储器,其中所述处理器用于运行所述计算机程序时,实现权利要求1至6任一项所述的方法。
9.一种计算机存储介质,其特征在于,存储有可执行程序,所述可执行程序被处理器执行时,实现如权利要求1至6中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210329107.5A CN114792157A (zh) | 2022-03-30 | 2022-03-30 | 基于物联网的脐橙产量预测方法、装置、计算机设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210329107.5A CN114792157A (zh) | 2022-03-30 | 2022-03-30 | 基于物联网的脐橙产量预测方法、装置、计算机设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114792157A true CN114792157A (zh) | 2022-07-26 |
Family
ID=82461291
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210329107.5A Pending CN114792157A (zh) | 2022-03-30 | 2022-03-30 | 基于物联网的脐橙产量预测方法、装置、计算机设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114792157A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116596141A (zh) * | 2023-05-18 | 2023-08-15 | 淮阴工学院 | 一种基于物联网与多模型耦合的板蓝根产量预测*** |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180211156A1 (en) * | 2017-01-26 | 2018-07-26 | The Climate Corporation | Crop yield estimation using agronomic neural network |
CN110705757A (zh) * | 2019-09-10 | 2020-01-17 | 淮阴工学院 | 一种基于现场总线网络的多点温度传感器智能监测*** |
CN110766132A (zh) * | 2019-09-10 | 2020-02-07 | 淮阴工学院 | 一种基于物联网的果园产量智能预测*** |
CN111754045A (zh) * | 2020-06-30 | 2020-10-09 | 四川生态诚品农业开发有限公司 | 一种基于果树生长的预测*** |
-
2022
- 2022-03-30 CN CN202210329107.5A patent/CN114792157A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180211156A1 (en) * | 2017-01-26 | 2018-07-26 | The Climate Corporation | Crop yield estimation using agronomic neural network |
CN110705757A (zh) * | 2019-09-10 | 2020-01-17 | 淮阴工学院 | 一种基于现场总线网络的多点温度传感器智能监测*** |
CN110766132A (zh) * | 2019-09-10 | 2020-02-07 | 淮阴工学院 | 一种基于物联网的果园产量智能预测*** |
CN111754045A (zh) * | 2020-06-30 | 2020-10-09 | 四川生态诚品农业开发有限公司 | 一种基于果树生长的预测*** |
Non-Patent Citations (1)
Title |
---|
李勇等: "《复杂情感分析方法及其应用》", 29 February 2020, 北京:冶金工业出版社, pages: 54 - 55 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116596141A (zh) * | 2023-05-18 | 2023-08-15 | 淮阴工学院 | 一种基于物联网与多模型耦合的板蓝根产量预测*** |
CN116596141B (zh) * | 2023-05-18 | 2024-01-19 | 淮阴工学院 | 一种基于物联网与多模型耦合的板蓝根产量预测*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Oikonomidis et al. | Hybrid deep learning-based models for crop yield prediction | |
Fernandes et al. | Sugarcane yield prediction in Brazil using NDVI time series and neural networks ensemble | |
Bao et al. | Detection and identification of tea leaf diseases based on AX-RetinaNet | |
Shamshirband et al. | RETRACTED ARTICLE: A hybrid SVM-FFA method for prediction of monthly mean global solar radiation | |
CN110686633B (zh) | 一种滑坡位移预测方法、装置及电子设备 | |
Shiri et al. | Local vs. external training of neuro-fuzzy and neural networks models for estimating reference evapotranspiration assessed through k-fold testing | |
Sannakki et al. | A neural network approach for disease forecasting in grapes using weather parameters | |
Albahar | A survey on deep learning and its impact on agriculture: Challenges and opportunities | |
CN114792157A (zh) | 基于物联网的脐橙产量预测方法、装置、计算机设备 | |
Codeluppi et al. | Forecasting air temperature on edge devices with embedded AI | |
Widianto et al. | A systematic review of current trends in artificial intelligence for smart farming to enhance crop yield | |
Ghodsi et al. | Vector and recurrent singular spectrum analysis: which is better at forecasting? | |
CN111754045A (zh) | 一种基于果树生长的预测*** | |
CN115034430A (zh) | 碳排放量预测方法、装置、终端及存储介质 | |
Giang et al. | Fast detection of tomato sucker using semantic segmentation neural networks based on RGB-d images | |
Cai et al. | Banana pseudostem visual detection method based on improved YOLOV7 detection algorithm | |
Uoc et al. | A novel automatic detecting system for cucumber disease based on the convolution neural network algorithm | |
CN110852149A (zh) | 基于分类和回归树算法的植被指数预测方法、***及设备 | |
CN114781720A (zh) | 地区碳排放量预测方法、装置及终端设备 | |
Pringle | Robust prediction of time-integrated NDVI | |
YILDIZ et al. | Classification of Diseases in Tomato Leaves Using Deep Learning Methods | |
Kumar et al. | Weather Monitoring and Prediction System based on Machine Learning and IoT | |
Díaz-Pérez et al. | Logistic Regression to evaluate the marketability of pepper cultivars | |
Thomas | A review of crop yield prediction based on Indian agriculture sector using machine learning | |
Patel et al. | Automated Irrigation Scheduling for Different Crop using IoT |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |