CN116582597B - 一种油橄榄育苗环境数据智能监测方法及*** - Google Patents
一种油橄榄育苗环境数据智能监测方法及*** Download PDFInfo
- Publication number
- CN116582597B CN116582597B CN202310854154.6A CN202310854154A CN116582597B CN 116582597 B CN116582597 B CN 116582597B CN 202310854154 A CN202310854154 A CN 202310854154A CN 116582597 B CN116582597 B CN 116582597B
- Authority
- CN
- China
- Prior art keywords
- greenhouse
- sequence
- data
- outside
- historical
- 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.)
- Active
Links
- 240000007817 Olea europaea Species 0.000 title claims abstract description 57
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000012544 monitoring process Methods 0.000 title claims abstract description 36
- 230000007613 environmental effect Effects 0.000 claims abstract description 47
- 238000007906 compression Methods 0.000 claims abstract description 22
- 230000006835 compression Effects 0.000 claims abstract description 22
- 230000005540 biological transmission Effects 0.000 claims abstract description 18
- 238000004364 calculation method Methods 0.000 claims description 18
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 claims description 6
- 238000012545 processing Methods 0.000 abstract description 6
- 230000008569 process Effects 0.000 abstract description 3
- 230000008859 change Effects 0.000 description 20
- 230000006870 function Effects 0.000 description 14
- 238000010606 normalization Methods 0.000 description 5
- 238000005286 illumination Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 241000196324 Embryophyta Species 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013144 data compression Methods 0.000 description 1
- 230000006837 decompression Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L69/00—Network arrangements, protocols or services independent of the application payload and not provided for in the other groups of this subclass
- H04L69/04—Protocols for data compression, e.g. ROHC
-
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04Q—SELECTING
- H04Q9/00—Arrangements in telecontrol or telemetry systems for selectively calling a substation from a main station, in which substation desired apparatus is selected for applying a control signal thereto or for obtaining measured values therefrom
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
- Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture
- Y02A40/25—Greenhouse technology, e.g. cooling systems therefor
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Computer Security & Cryptography (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及传感器数据处理技术领域,提出了一种油橄榄育苗环境数据智能监测方法及***,包括:采集油橄榄育苗的当前环境数据,获取大棚内外的历史数据;根据历史数据获取当前时刻大棚内外的初始预测数据,以及大棚内差值序列与大棚外差值序列,获取大棚内的第一预测数据;对历史数据均分,根据大棚内两个序列的匹配关系及大棚外两个序列的匹配关系,获取大棚内的第二预测数据;根据油橄榄育苗的当前环境数据,结合第二预测数据进行预测编码,通过预测编码对油橄榄育苗环境数据进行压缩传输,完成油橄榄育苗环境数据的智能监测。本发明旨在解决对环境数据进行预测编码压缩过程中历史数据稳定性影响压缩效率的问题。
Description
技术领域
本发明涉及传感器数据处理技术领域,具体涉及一种油橄榄育苗环境数据智能监测方法及***。
背景技术
油橄榄育苗环境数据智能监测是指在油橄榄育苗区内部署传感器节点,通过无线通信技术将收集到的环境数据上传到云端服务器,进而对数据进行挖掘和分析,实现油橄榄育苗环境的智能管理;然而随着传感器技术的发展,可以采集的数据越来越多,其会导致巨大的存储需求和高昂的存储成本,同时影响数据的传输速度和效率,因此需要对采集到的环境数据进行高效率的压缩处理。
预测编码是一种基于预测模型的无损压缩方法,它利用历史数据可预测下一项数据特点,对数据进行预测并将预测误差进行编码,从而实现数据压缩的目的;当预测结果越准确,预测误差值越小,即能以越少的二进制位编码,来实现高压缩率的目的;而历史数据的质量和稳定性较差时,会导致预测结果不准确,进而使得预测误差较大而影响压缩效率;因此需要通过分析数据变化趋势之间的相关性,来提高预测结果的准确率,进而提高预测编码的压缩效率。
发明内容
本发明提供一种油橄榄育苗环境数据智能监测方法及***,以解决现有的对环境数据进行预测编码压缩过程中历史数据稳定性影响压缩效率的问题,所采用的技术方案具体如下:
第一方面,本发明一个实施例提供了一种油橄榄育苗环境数据智能监测方法,该方法包括以下步骤:
采集油橄榄育苗的当前环境数据,获取大棚内外的历史数据;
根据历史数据获取大棚内的初始预测数据及大棚外的初始预测数据;
根据大棚内外的历史数据,以及大棚内差值序列与大棚外差值序列,获取大棚内的第一预测数据;
根据大棚内历史序列的稳定性特征、大棚外历史序列的参考稳定性特征,以及初始预测数据与第一预测数据,获取大棚内的第二预测数据;
根据油橄榄育苗的当前环境数据,结合第二预测数据进行预测编码,通过预测编码对油橄榄育苗环境数据进行压缩传输,完成油橄榄育苗环境数据的智能监测。
可选的,所述大棚内的初始预测数据及大棚外的初始预测数据,具体的获取方法为:
将大棚内的历史数据按照时序排列得到大棚内历史序列,表示为,将大棚外的历史数据按照时序排列得到大棚外历史序列,表示为,其中/>表示每种历史数据的数量;
将两个历史序列分别输入ARIMA模型,输出得到大棚内外的预测数据,记为初始预测数据,大棚内的初始预测数据表示为,大棚外的初始预测数据表示为/>。
可选的,所述获取大棚内的第一预测数据,包括的具体方法为:
根据大棚外历史序列与大棚外差值序列,获取大棚内差值序列每个历史数据的差值的参考权重,根据参考权重与大棚内历史序列,获取大棚内的第一预测数据的计算方法为:
其中,表示大棚内历史序列中最后一个历史数据,/>表示大棚内差值序列中第/>个历史数据的差值,/>表示大棚内差值序列中第/>个历史数据的差值的参考权重。
可选的,所述大棚内差值序列每个历史数据的差值的参考权重,具体的获取方法为:
根据大棚内历史序列、大棚外历史序列及大棚外的初始预测数据,获取大棚内差值序列与大棚外差值序列,大棚内差值序列中第个历史数据的差值的参考权重的获取方法为:
其中,表示大棚内差值序列中第/>个历史数据的差值的参考程度,/>表示大棚外历史序列中最后一个历史数据,/>表示大棚外历史序列中第/>个历史数据,/>表示大棚外历史序列的数据方差,/>表示大棚外差值序列中最后一个历史数据的差值,/>表示大棚外差值序列中第/>个历史数据的差值,/>表示大棚外差值序列的数据方差,/>表示以自然常数为底的指数函数;
获取大棚内差值序列每个历史数据的差值的参考程度,对所有参考程度进行归一化,得到的结果记为大棚内差值序列每个历史数据的差值的参考权重。
可选的,所述获取大棚内差值序列与大棚外差值序列,包括的具体方法为:
对大棚内历史序列相邻元素求差,求差方法为后一个元素的数值减去前一个元素的数值得到差值,记为相邻元素中前一个元素的差值,将所有差值按照时序排列,记为大棚内差值序列;
对大棚外历史序列相邻元素求差,作为相邻元素中前一个元素的差值,并获取大棚外的初始预测数据减去大棚外历史序列最后一个元素得到的差值,记为最后一个元素的差值,将所有差值按照时序排列,记为大棚外差值序列。
可选的,所述获取大棚内的第二预测数据,包括的具体方法为:
获取大棚内历史序列的稳定性特征及大棚外历史序列的参考稳定性特征,大棚内的第二预测数据的计算方法为:
其中,表示大棚内历史序列的稳定性特征,/>表示大棚外历史序列的参考稳定性特征,/>表示大棚内的初始预测数据,/>表示大棚内的第一预测数据。
可选的,所述大棚内历史序列的稳定性特征及大棚外历史序列的参考稳定性特征,具体的获取方法为:
获取大棚内第一序列与大棚内第二序列,以及大棚外第一序列与大棚外第二序列;对大棚内第一序列与大棚内第二序列进行DTW匹配,得到若干匹配点对,大棚内历史序列的稳定性特征的计算方法为:
其中,表示大棚内第一序列与大棚内第二序列的匹配点对数量,/>表示第个匹配点对中两个元素的差值绝对值,/>表示第/>个匹配点对中大棚内第一序列的元素的数据值在大棚内第一序列的出现频率,/>表示第/>个匹配点对中大棚内第二序列的元素的数据值在大棚内第二序列的出现频率,/>表示以自然常数为底的指数函数;
对大棚外第一序列与大棚外第二序列进行DTW匹配,得到若干匹配点对,大棚外历史序列的参考稳定性特征的计算方法为:
其中,表示大棚外第一序列与大棚外第二序列的匹配点对数量,/>表示第/>个匹配点对中两个元素的差值绝对值,/>表示第/>个匹配点对中大棚外第一序列的元素的数据值在大棚外第一序列的出现频率,/>表示第/>个匹配点对中大棚外第二序列的元素的数据值在大棚外第二序列的出现频率;/>表示大棚内历史序列与大棚外历史序列的相关性,/>表示大棚内历史序列与大棚外历史序列的余弦相似度,/>为避免指数函数过早趋于0的超参数,/>表示以自然常数为底的指数函数。
可选的,所述获取大棚内第一序列与大棚内第二序列,以及大棚外第一序列与大棚外第二序列,包括的具体方法为:
将大棚内历史序列均分为两个序列,记为大棚内第一序列与大棚内第二序列;将大棚外历史序列均分为两个序列,记为大棚外第一序列与大棚外第二序列。
第二方面,本发明另一个实施例提供了一种油橄榄育苗环境数据智能监测***,该***包括:
环境数据采集模块,采集油橄榄育苗的当前环境数据,获取大棚内外的历史数据;
预测数据获取模块:根据历史数据获取大棚内的初始预测数据及大棚外的初始预测数据;
根据大棚内外的历史数据,以及大棚内差值序列与大棚外差值序列,获取大棚内的第一预测数据;
根据大棚内历史序列的稳定性特征、大棚外历史序列的参考稳定性特征,以及初始预测数据与第一预测数据,获取大棚内的第二预测数据;
编码传输监测模块,根据油橄榄育苗的当前环境数据,结合第二预测数据进行预测编码,通过预测编码对油橄榄育苗环境数据进行压缩传输,完成油橄榄育苗环境数据的智能监测。
本发明的有益效果是:本发明旨在通过对油橄榄育苗的大量环境数据进行预测编码压缩并传输,保证环境数据的传输效率进而保证环境数据的智能监测结果的准确性和及时性;其中首先通过大棚内的历史数据获取初始预测数据,初始预测数据根据大棚内的温度变化预测获取;同时通过大棚外历史数据的温度变化趋势与当前时刻温度变化趋势的相近程度,加权预测得到第一预测数据,第一预测数据基于大棚外的温度变化趋势获取;为了保证预测数据的准确性,对大棚内外的历史数据进行稳定性分析,同时结合大棚内外历史数据之间的相关性,使得正相关下,参考稳定性越大的第一预测数据的可信度越大,同时稳定性越大的初始预测数据的可信度也越大,进而得到准确的预测数据,提高预测编码对于环境数据的压缩效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明一个实施例所提供的一种油橄榄育苗环境数据智能监测方法流程示意图;
图2为本发明另一个实施例所提供的一种油橄榄育苗环境数据智能监测***结构框图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
请参阅图1,其示出了本发明一个实施例所提供的一种油橄榄育苗环境数据智能监测方法流程图,该方法包括以下步骤:
步骤S001、采集油橄榄育苗的当前环境数据,获取大棚内外的历史数据。
本实施例的目的是通过对当前时刻的多种环境数据进行预测编码压缩,来提高油橄榄育苗环境数据的传输效率,进而保证油橄榄育苗环境数据的智能监测结果的准确性,因此首先需要获取当前时刻的环境数据;由于油橄榄育苗采用大棚种植育苗,因此通过在大棚内外布置各种环境传感器进行环境数据采集,多种环境数据主要以温度、湿度及光照强度来影响作物生长环境,本实施例以温度数据为例进行叙述;通过温度传感器、湿度传感器及光照传感器获取当前时刻的每种环境数据,并记为当前环境数据;同时获取大棚内外的历史数据,本实施例对于每种环境数据的采样时间间隔设置为5分钟,历史数据由近4个小时的环境数据来构成,由于以温度数据为例,则当前环境数据为大棚内当前时刻的温度数据,历史数据则为大棚内的历史温度数据及大棚外的历史温度数据。
至此,获取到了当前环境数据及当前外部数据,以及大棚内外的历史数据。
步骤S002、根据历史数据获取当前时刻大棚内外的初始预测数据,以及大棚内差值序列与大棚外差值序列,根据大棚外的历史数据及大棚外差值序列,获取大棚内的第一预测数据。
需要说明的是,预测编码是通过以往的历史数据对未来数据进行预测,常用的预测模型为ARIMA,但由于ARIMA模型的预测效果依赖于历史数据的质量和稳定性,当历史数据质量和稳定性较差时,会导致预测结果不准确,从而令压缩效率降低;因此首先根据历史数据获取大棚内外的初始预测数据,并通过大棚外的历史数据中与当前时刻大棚外变化趋势的相近程度,来作为大棚内的历史数据的权重,进而得到基于温度变化趋势获取的第一预测数据。
具体的,本实施例获取的每种历史数据的数量设置为,则将大棚内的历史数据按照时序排列得到大棚内历史序列,表示为/>,同时将大棚外的历史数据按照时序排列得到大棚外历史序列,表示为/>;将两个历史序列分别输入ARIMA模型,输出得到当前时刻大棚内外的预测数据,记为初始预测数据,大棚内的初始预测数据表示为/>,大棚外的初始预测数据表示为/>;对大棚内历史序列相邻元素求差,求差方法为后一个元素的数值减去前一个元素的数值得到差值,记为相邻元素中前一个元素的差值,将所有差值按照时序排列,记为大棚内差值序列,表示为/>;而对于大棚外历史序列,同样对相邻元素求差,并获取大棚外的初始预测数据减去大棚外历史序列最后一个元素得到的差值,则此时大棚外历史序列最后一个元素也有相应的差值,将所有差值按照时序排列,记为大棚外差值序列,表示为/>。
进一步需要说明的是,由于大棚内部和外部之间存在一定的热传导和对流,大棚内的温度通常会随着大棚外的温度变化而发生相应的变化,虽然大棚内会通过一定的措施令温度变化波动平缓,从而保护稳定的环境条件,但当大棚外温度升高时,大棚内的温度依然会存在一定的升温,反之亦然;则可以通过大棚外历史序列与大棚外差值序列,量化历史数据与当前时刻温度变化趋势的相近程度,进而作为权重对大棚内差值序列进行加权,得到基于温度变化趋势获取的第一预测数据。
具体的,大棚内差值序列中第个历史数据的差值的参考权重的获取方法为:
其中,表示大棚内差值序列中第/>个历史数据的差值的参考程度,/>表示大棚外历史序列中最后一个历史数据,即当前时刻前一时刻的大棚外的环境数据,/>表示大棚外历史序列中第/>个历史数据,/>表示大棚外历史序列的数据方差,/>表示大棚外差值序列中最后一个历史数据的差值,/>表示大棚外差值序列中第/>个历史数据的差值,/>表示大棚外差值序列的数据方差,/>表示以自然常数为底的指数函数,本实施例以/>来呈现反比例关系,实施者可根据实际情况设置反比例函数;通过类似高斯核函数的计算方法,历史数据与最后一个历史数据的差异越小,同时对应差值的差异越小,则表明大棚外该历史数据与最后一个历史数据的温度变化趋势相近,其对应大棚内历史数据的差值对于当前时刻预测数据的参考程度就越大;按照上述方法获取大棚内差值序列每个历史数据的差值的参考程度,对所有参考程度进行softmax归一化,得到的结果记为大棚内差值序列每个历史数据的差值的参考权重。
进一步的,根据大棚内的历史数据,结合大棚内差值序列与每个历史数据的差值的参考权重,获取大棚内的第一预测数据的计算方法为:
其中,表示大棚内历史序列中最后一个历史数据,/>表示大棚内差值序列中第/>个历史数据的差值,/>表示大棚内差值序列中第/>个历史数据的差值的参考权重;通过对大棚内差值序列每个元素进行加权,温度变化趋势越相近的元素的参考权重越大,对当前时刻前一时刻的大棚内的环境数据进行预测得到第一预测数据。
至此,获取到了基于大棚内的历史数据得到的初始预测数据,以及基于大棚外温度变化趋势对当前时刻前一时刻的大棚内的环境数据进行预测得到的第一预测数据。
步骤S003、对历史数据均分获取大棚内第一序列与大棚内第二序列,以及大棚外第一序列与大棚外第二序列,根据大棚内两个序列的匹配关系及大棚外两个序列的匹配关系,结合初始预测数据与第一预测数据,获取大棚内的第二预测数据。
需要说明的是,ARIMA模型要求时间序列的历史数据具有较好的质量和稳定性,才能保障预测数据的准确性,因此需要进一步分析大棚内外的历史数据之间的相关性及各自的稳定性,相关性通过两个历史序列的余弦相似度可以量化,而稳定性则表示时序数据的统计特征不随时间变化而变化,一个平稳的时序数据曲线应表现为围绕时序数据均值不断波动的过程,因此可通过均分历史序列,再分析两个序列之间的匹配关系,从而得到稳定性特征。
具体的,对于大棚内历史序列,将其均分为两个序列,记为大棚内第一序列与大棚内第二序列,大棚内第一序列表示为/>,大棚内第二序列表示为/>;同样将大棚外历史序列均分为两个序列,记为大棚外第一序列与大棚外第二序列,大棚外第一序列表示为/>,大棚外第二序列表示为/>,其中/>表示向下取整。
进一步的,对大棚内第一序列与大棚内第二序列进行DTW匹配,得到若干匹配点对,大棚内历史序列的稳定性特征的计算方法为:
其中,表示大棚内第一序列与大棚内第二序列的匹配点对数量,/>表示第个匹配点对中两个元素的差值绝对值,/>表示第/>个匹配点对中大棚内第一序列的元素的数据值在大棚内第一序列的出现频率,/>表示第/>个匹配点对中大棚内第二序列的元素的数据值在大棚内第二序列的出现频率,/>表示以自然常数为底的指数函数,本实施例以/>来呈现反比例关系及归一化处理,实施者可根据实际情况设置反比例函数及归一化函数;匹配点对中两个元素的差异越小,表明匹配到的数据变化越小,稳定性越好,稳定性特征越大;同时通过匹配点对中元素在对应序列的出现频率进行限制,出现频率越大的匹配点对,匹配点对的重要性越大,匹配点对的元素差异应占有更多比例。
进一步的,对大棚外第一序列与大棚外第二序列进行DTW匹配,得到若干匹配点对,同时结合大棚内历史序列与大棚外历史序列的相关性,大棚外历史序列的参考稳定性特征的计算方法为:
其中,表示大棚外第一序列与大棚外第二序列的匹配点对数量,/>表示第/>个匹配点对中两个元素的差值绝对值,/>表示第/>个匹配点对中大棚外第一序列的元素的数据值在大棚外第一序列的出现频率,/>表示第/>个匹配点对中大棚外第二序列的元素的数据值在大棚外第二序列的出现频率;/>表示大棚内历史序列与大棚外历史序列的相关性,/>表示大棚内历史序列与大棚外历史序列的余弦相似度,/>为避免指数函数过早趋于0的超参数,本实施例采用/>进行计算,/>表示以自然常数为底的指数函数,本实施例以/>来呈现反比例关系及归一化处理,实施者可根据实际情况设置反比例函数及归一化函数;大棚外历史序列的稳定性与大棚内历史序列的稳定性计算方法相同,同时引入两个历史序列之间的相关性,正相关性越大,大棚外与大棚内温度变化趋势相近,相应的第一预测数据的可信度越高;而如果呈现负相关,则大棚内外温度变化趋势相反,则第一预测数据的可信度就会变小。
进一步的,根据初始预测数据与第一预测数据,结合大棚内历史序列的稳定性特征与大棚外历史序列的参考稳定性特征,获取大棚内的第二预测数据的计算方法为:
其中,表示大棚内历史序列的稳定性特征,/>表示大棚外历史序列的参考稳定性特征,/>表示大棚内的初始预测数据,/>表示大棚内的第一预测数据;大棚内历史数据的稳定性越大,则初始预测数据的可信度越高,大棚外历史数据的参考稳定性越大,则第一预测数据的可信度越高,则得到了第二预测数据。
至此,通过分析大棚内外历史数据之间的相关性及各自的稳定性,得到了大棚内的第二预测数据。
步骤S004、根据油橄榄育苗的当前环境数据,结合第二预测数据进行预测编码,通过预测编码对油橄榄育苗环境数据进行压缩传输,完成油橄榄育苗环境数据的智能监测。
需要说明的是,大棚内的第二预测数据即是对于油橄榄育苗的当前环境数据的较为准确的预测结果,根据第二预测数据及当前环境数据得到预测误差,即可得到对于当前时刻的环境数据的预测编码,进而可以对各种环境数据获取预测编码,通过传输预测编码可以提高传输效率,进而云端服务器根据接收到的数据进行油橄榄育苗环境数据的智能监测。
具体的,本实施例以温度数据为例进行叙述,则此时得到的当前环境数据及第二预测数据均是对当前时刻温度数据的处理结果,根据当前环境数据及第二预测数据获取当前时刻的预测误差,获取当前时刻每种环境数据的预测误差,通过预测编码对多种环境数据的预测误差进行压缩,并传输至云端服务器,则完成了对于当前环境数据的预测编码压缩及传输。
进一步的,云端服务器接收到数据后,通过解压得到当前时刻的多种环境数据,结合已经接收到的多种环境数据的大量历史数据,即每种环境数据的历史数据,这些历史数据同样按照上述预测编码的方法传输至云端服务器并存储;利用机器学习方法对多种环境数据进行分析和挖掘,识别出不同环境因素之间的关系,并建立相应的预测模型和规则库,进而根据建立的模型和规则库,对当前时刻接收到的环境数据进行实时分析和预测,当检测到环境参数异常或超出预警阈值时,自动向决策者发送预警信息,并将当前时刻接收到的环境数据和预警信息以可视化的形式展示出来,方便决策者进行实时监控和管理;例如,随着大棚外光照和温度的变化,控制大棚内安装的遮阳网来改变大棚内的光照强度和温度,从而改善油橄榄幼苗生长环境;由此实现油橄榄育苗环境数据的智能监测。
至此,通过优化的预测编码方法来对当前时刻的多种环境数据进行压缩并传输,提高了压缩效率并保证了传输效率,进而根据接收到的环境数据完成当前时刻的环境数据的智能监测,实现对多种环境数据的智能监测,保证了监测结果的及时性与准确性。
请参阅图2,其示出了本发明另一个实施例所提供的一种油橄榄育苗环境数据智能监测***结构框图,该***包括:
环境数据采集模块S101,采集油橄榄育苗的当前环境数据,获取大棚内外的历史数据。
预测数据获取模块S102:
(1)根据历史数据获取当前时刻大棚内外的初始预测数据,以及大棚内差值序列与大棚外差值序列,根据大棚外的历史数据及大棚外差值序列,获取大棚内的第一预测数据;
(2)对历史数据均分获取大棚内第一序列与大棚内第二序列,以及大棚外第一序列与大棚外第二序列,根据大棚内两个序列的匹配关系及大棚外两个序列的匹配关系,结合初始预测数据与第一预测数据,获取大棚内的第二预测数据。
编码传输监测模块S103,根据油橄榄育苗的当前环境数据,结合第二预测数据进行预测编码,通过预测编码对油橄榄育苗环境数据进行压缩传输,完成油橄榄育苗环境数据的智能监测。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种油橄榄育苗环境数据智能监测方法,其特征在于,该方法包括以下步骤:
采集油橄榄育苗的当前环境数据,获取大棚内外的历史数据;
根据历史数据获取大棚内的初始预测数据及大棚外的初始预测数据;
根据大棚内外的历史数据,以及大棚内差值序列与大棚外差值序列,获取大棚内的第一预测数据;
根据大棚内历史序列的稳定性特征、大棚外历史序列的参考稳定性特征,以及初始预测数据与第一预测数据,获取大棚内的第二预测数据;
根据油橄榄育苗的当前环境数据,结合第二预测数据进行预测编码,通过预测编码对油橄榄育苗环境数据进行压缩传输,完成油橄榄育苗环境数据的智能监测;
所述获取大棚内的第二预测数据,包括的具体方法为:
获取大棚内历史序列的稳定性特征及大棚外历史序列的参考稳定性特征,大棚内的第二预测数据的计算方法为:
其中,表示大棚内历史序列的稳定性特征,/>表示大棚外历史序列的参考稳定性特征,/>表示大棚内的初始预测数据,/>表示大棚内的第一预测数据;
所述大棚内历史序列的稳定性特征及大棚外历史序列的参考稳定性特征,具体的获取方法为:
获取大棚内第一序列与大棚内第二序列,以及大棚外第一序列与大棚外第二序列;对大棚内第一序列与大棚内第二序列进行DTW匹配,得到若干匹配点对,大棚内历史序列的稳定性特征的计算方法为:
其中,表示大棚内第一序列与大棚内第二序列的匹配点对数量,/>表示第/>个匹配点对中两个元素的差值绝对值,/>表示第/>个匹配点对中大棚内第一序列的元素的数据值在大棚内第一序列的出现频率,/>表示第/>个匹配点对中大棚内第二序列的元素的数据值在大棚内第二序列的出现频率,/>表示以自然常数为底的指数函数;
对大棚外第一序列与大棚外第二序列进行DTW匹配,得到若干匹配点对,大棚外历史序列的参考稳定性特征的计算方法为:
其中,表示大棚外第一序列与大棚外第二序列的匹配点对数量,/>表示第/>个匹配点对中两个元素的差值绝对值,/>表示第/>个匹配点对中大棚外第一序列的元素的数据值在大棚外第一序列的出现频率,/>表示第/>个匹配点对中大棚外第二序列的元素的数据值在大棚外第二序列的出现频率;/>表示大棚内历史序列与大棚外历史序列的相关性,/>表示大棚内历史序列与大棚外历史序列的余弦相似度,/>为避免指数函数过早趋于0的超参数,/>表示以自然常数为底的指数函数。
2.根据权利要求1所述的一种油橄榄育苗环境数据智能监测方法,其特征在于,所述大棚内的初始预测数据及大棚外的初始预测数据,具体的获取方法为:
将大棚内的历史数据按照时序排列得到大棚内历史序列,表示为,将大棚外的历史数据按照时序排列得到大棚外历史序列,表示为/>,其中/>表示每种历史数据的数量;
将两个历史序列分别输入ARIMA模型,输出得到大棚内外的预测数据,记为初始预测数据,大棚内的初始预测数据表示为,大棚外的初始预测数据表示为/>。
3.根据权利要求2所述的一种油橄榄育苗环境数据智能监测方法,其特征在于,所述获取大棚内的第一预测数据,包括的具体方法为:
根据大棚外历史序列与大棚外差值序列,获取大棚内差值序列每个历史数据的差值的参考权重,根据参考权重与大棚内历史序列,获取大棚内的第一预测数据的计算方法为:
其中,表示大棚内历史序列中最后一个历史数据,/>表示大棚内差值序列中第/>个历史数据的差值,/>表示大棚内差值序列中第/>个历史数据的差值的参考权重。
4.根据权利要求3所述的一种油橄榄育苗环境数据智能监测方法,其特征在于,所述大棚内差值序列每个历史数据的差值的参考权重,具体的获取方法为:
根据大棚内历史序列、大棚外历史序列及大棚外的初始预测数据,获取大棚内差值序列与大棚外差值序列,大棚内差值序列中第个历史数据的差值的参考权重的获取方法为:
其中,表示大棚内差值序列中第/>个历史数据的差值的参考程度,/>表示大棚外历史序列中最后一个历史数据,/>表示大棚外历史序列中第/>个历史数据,/>表示大棚外历史序列的数据方差,/>表示大棚外差值序列中最后一个历史数据的差值,/>表示大棚外差值序列中第/>个历史数据的差值,/>表示大棚外差值序列的数据方差,/>表示以自然常数为底的指数函数;
获取大棚内差值序列每个历史数据的差值的参考程度,对所有参考程度进行归一化,得到的结果记为大棚内差值序列每个历史数据的差值的参考权重。
5.根据权利要求4所述的一种油橄榄育苗环境数据智能监测方法,其特征在于,所述获取大棚内差值序列与大棚外差值序列,包括的具体方法为:
对大棚内历史序列相邻元素求差,求差方法为后一个元素的数值减去前一个元素的数值得到差值,记为相邻元素中前一个元素的差值,将所有差值按照时序排列,记为大棚内差值序列;
对大棚外历史序列相邻元素求差,作为相邻元素中前一个元素的差值,并获取大棚外的初始预测数据减去大棚外历史序列最后一个元素得到的差值,记为最后一个元素的差值,将所有差值按照时序排列,记为大棚外差值序列。
6.根据权利要求5所述的一种油橄榄育苗环境数据智能监测方法,其特征在于,所述获取大棚内第一序列与大棚内第二序列,以及大棚外第一序列与大棚外第二序列,包括的具体方法为:
将大棚内历史序列均分为两个序列,记为大棚内第一序列与大棚内第二序列;将大棚外历史序列均分为两个序列,记为大棚外第一序列与大棚外第二序列。
7.一种油橄榄育苗环境数据智能监测***,其特征在于,该***包括:
环境数据采集模块,采集油橄榄育苗的当前环境数据,获取大棚内外的历史数据;
预测数据获取模块:根据历史数据获取大棚内的初始预测数据及大棚外的初始预测数据;
根据大棚内外的历史数据,以及大棚内差值序列与大棚外差值序列,获取大棚内的第一预测数据;
根据大棚内历史序列的稳定性特征、大棚外历史序列的参考稳定性特征,以及初始预测数据与第一预测数据,获取大棚内的第二预测数据;
编码传输监测模块,根据油橄榄育苗的当前环境数据,结合第二预测数据进行预测编码,通过预测编码对油橄榄育苗环境数据进行压缩传输,完成油橄榄育苗环境数据的智能监测;
所述获取大棚内的第二预测数据,包括的具体方法为:
获取大棚内历史序列的稳定性特征及大棚外历史序列的参考稳定性特征,大棚内的第二预测数据的计算方法为:
其中,表示大棚内历史序列的稳定性特征,/>表示大棚外历史序列的参考稳定性特征,/>表示大棚内的初始预测数据,/>表示大棚内的第一预测数据;
所述大棚内历史序列的稳定性特征及大棚外历史序列的参考稳定性特征,具体的获取方法为:
获取大棚内第一序列与大棚内第二序列,以及大棚外第一序列与大棚外第二序列;对大棚内第一序列与大棚内第二序列进行DTW匹配,得到若干匹配点对,大棚内历史序列的稳定性特征的计算方法为:
其中,表示大棚内第一序列与大棚内第二序列的匹配点对数量,/>表示第/>个匹配点对中两个元素的差值绝对值,/>表示第/>个匹配点对中大棚内第一序列的元素的数据值在大棚内第一序列的出现频率,/>表示第/>个匹配点对中大棚内第二序列的元素的数据值在大棚内第二序列的出现频率,/>表示以自然常数为底的指数函数;
对大棚外第一序列与大棚外第二序列进行DTW匹配,得到若干匹配点对,大棚外历史序列的参考稳定性特征的计算方法为:
其中,表示大棚外第一序列与大棚外第二序列的匹配点对数量,/>表示第/>个匹配点对中两个元素的差值绝对值,/>表示第/>个匹配点对中大棚外第一序列的元素的数据值在大棚外第一序列的出现频率,/>表示第/>个匹配点对中大棚外第二序列的元素的数据值在大棚外第二序列的出现频率;/>表示大棚内历史序列与大棚外历史序列的相关性,/>表示大棚内历史序列与大棚外历史序列的余弦相似度,/>为避免指数函数过早趋于0的超参数,/>表示以自然常数为底的指数函数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310854154.6A CN116582597B (zh) | 2023-07-13 | 2023-07-13 | 一种油橄榄育苗环境数据智能监测方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310854154.6A CN116582597B (zh) | 2023-07-13 | 2023-07-13 | 一种油橄榄育苗环境数据智能监测方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116582597A CN116582597A (zh) | 2023-08-11 |
CN116582597B true CN116582597B (zh) | 2023-09-08 |
Family
ID=87534498
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310854154.6A Active CN116582597B (zh) | 2023-07-13 | 2023-07-13 | 一种油橄榄育苗环境数据智能监测方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116582597B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118072929B (zh) * | 2024-04-22 | 2024-06-21 | 中国人民解放军总医院第七医学中心 | 便携式无菌手术器械包储存设备实时数据智能管理方法 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7132249B1 (en) * | 2003-05-12 | 2006-11-07 | Charm Sciences, Inc. | Method of determining allergenic food on surfaces |
US7587330B1 (en) * | 2003-01-31 | 2009-09-08 | Hewlett-Packard Development Company, L.P. | Method and system for constructing prediction interval based on historical forecast errors |
CN103092179A (zh) * | 2013-01-25 | 2013-05-08 | 黑龙江省致格科技开发有限公司 | 基于物联网技术的温室大棚智能监控*** |
CN206024728U (zh) * | 2016-08-30 | 2017-03-22 | 四川聚峰谷农业科技开发有限公司 | 一种油橄榄插扦育苗灌溉*** |
US9888337B1 (en) * | 2015-07-25 | 2018-02-06 | Gary M. Zalewski | Wireless coded communication (WCC) devices with power harvesting power sources for WiFi communication |
CN110837926A (zh) * | 2019-11-04 | 2020-02-25 | 四川省烟草公司广元市公司 | 一种基于大数据的烟草主要病虫害预测方法 |
JP2021056573A (ja) * | 2019-09-27 | 2021-04-08 | 富士通株式会社 | 作物成長予測プログラム、作物成長予測方法および作物成長予測装置 |
CN112668394A (zh) * | 2020-11-30 | 2021-04-16 | 山东大学 | 一种农业大棚生产的在线预测方法及*** |
CN114946600A (zh) * | 2022-07-14 | 2022-08-30 | 广西壮族自治区亚热带作物研究所(广西亚热带农产品加工研究所) | 一种蔬菜育苗基质及其制备方法 |
CN115604301A (zh) * | 2022-08-31 | 2023-01-13 | 沧州幼儿师范高等专科学校(Cn) | 一种基于人工智能的种植环境监测*** |
CN116167951A (zh) * | 2023-02-17 | 2023-05-26 | 黑龙江大学 | 一种智能食用菌种植云平台*** |
CN116184891A (zh) * | 2023-01-15 | 2023-05-30 | 湖北大学 | 一种物联网环境预测和监控方法及*** |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9667710B2 (en) * | 2015-04-20 | 2017-05-30 | Agverdict, Inc. | Systems and methods for cloud-based agricultural data processing and management |
US11587180B2 (en) * | 2020-05-14 | 2023-02-21 | Ccc Information Services Inc. | Image processing system |
-
2023
- 2023-07-13 CN CN202310854154.6A patent/CN116582597B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7587330B1 (en) * | 2003-01-31 | 2009-09-08 | Hewlett-Packard Development Company, L.P. | Method and system for constructing prediction interval based on historical forecast errors |
US7132249B1 (en) * | 2003-05-12 | 2006-11-07 | Charm Sciences, Inc. | Method of determining allergenic food on surfaces |
CN103092179A (zh) * | 2013-01-25 | 2013-05-08 | 黑龙江省致格科技开发有限公司 | 基于物联网技术的温室大棚智能监控*** |
US9888337B1 (en) * | 2015-07-25 | 2018-02-06 | Gary M. Zalewski | Wireless coded communication (WCC) devices with power harvesting power sources for WiFi communication |
CN206024728U (zh) * | 2016-08-30 | 2017-03-22 | 四川聚峰谷农业科技开发有限公司 | 一种油橄榄插扦育苗灌溉*** |
JP2021056573A (ja) * | 2019-09-27 | 2021-04-08 | 富士通株式会社 | 作物成長予測プログラム、作物成長予測方法および作物成長予測装置 |
CN110837926A (zh) * | 2019-11-04 | 2020-02-25 | 四川省烟草公司广元市公司 | 一种基于大数据的烟草主要病虫害预测方法 |
CN112668394A (zh) * | 2020-11-30 | 2021-04-16 | 山东大学 | 一种农业大棚生产的在线预测方法及*** |
CN114946600A (zh) * | 2022-07-14 | 2022-08-30 | 广西壮族自治区亚热带作物研究所(广西亚热带农产品加工研究所) | 一种蔬菜育苗基质及其制备方法 |
CN115604301A (zh) * | 2022-08-31 | 2023-01-13 | 沧州幼儿师范高等专科学校(Cn) | 一种基于人工智能的种植环境监测*** |
CN116184891A (zh) * | 2023-01-15 | 2023-05-30 | 湖北大学 | 一种物联网环境预测和监控方法及*** |
CN116167951A (zh) * | 2023-02-17 | 2023-05-26 | 黑龙江大学 | 一种智能食用菌种植云平台*** |
Non-Patent Citations (1)
Title |
---|
农业大棚光伏发电预测的研究;高华兴;李建军;张乐;杨宇昕;任永强;;湖北农机化(第12期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116582597A (zh) | 2023-08-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110084367B (zh) | 一种基于lstm深度学习模型的土壤墒情预测方法 | |
CN116582597B (zh) | 一种油橄榄育苗环境数据智能监测方法及*** | |
CN115987295B (zh) | 基于物联网的农作物监控数据高效处理方法 | |
KR102369167B1 (ko) | 머신러닝을 이용한 지능형 스마트팜 운영 시스템 | |
CN111401553A (zh) | 一种基于神经网络的缺失数据填充方法及*** | |
CN111882128B (zh) | 基于tcn的汛期气候趋势预测方法 | |
CN115495991A (zh) | 一种基于时间卷积网络的降水区间预测方法 | |
CN117113159A (zh) | 基于深度学习的电力用户侧负荷分类方法及*** | |
CN117473351B (zh) | 基于物联网的电源信息远程传输*** | |
CN117278073B (zh) | 一种超宽带天线信号自动调整方法 | |
Pathan et al. | Efficient forecasting of precipitation using LSTM | |
CN113936219B (zh) | 一种基于强化学习的高光谱图像波段选择方法 | |
CN117350897A (zh) | 一种考虑空气湿度的转换功率预测的方法和*** | |
CN112464172A (zh) | 生长参数主被动遥感反演方法及装置 | |
CN113098640B (zh) | 一种基于频道占用度预测的频谱异常检测方法 | |
CN117933946B (zh) | 一种基于大数据的乡村业务管理方法 | |
CN113962248B (zh) | 一种确定草原地上生物量的方法、装置以及存储介质 | |
CN117784290B (zh) | 一种基于贝叶斯神经网络的骤旱预警方法及*** | |
CN117394306B (zh) | 基于新能源并网的风电功率预测模型建立方法及其应用 | |
CN118014519A (zh) | 基于物联网的数字乡村应用***及方法 | |
CN117990187B (zh) | 基于人工智能的地下水水位动态监测方法 | |
KR102398986B1 (ko) | 고로쇠 수액 출수량 예측 시스템 | |
CN117235445B (zh) | 一种基于多模型及时间序列的气象预测***及其方法 | |
CN117236666B (zh) | 应急物资需求分析方法及*** | |
Hidalgo et al. | Edge Computing in Smart Agriculture Scenario Based on TinyML for Irrigation Control |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |