基于模型驅(qū)動的田間數(shù)據(jù)壓縮采集方法研究

饒 元，許文俊，趙 剛，Arthur GENIS，李紹穩(wěn)

(1.安徽農(nóng)業(yè)大學(xué) 信息與計算機學(xué)院，安徽 合肥 230036；2.Katif沿海沙漠開發(fā)研究中心，以色列 內(nèi)提沃特 8771002)

農(nóng)業(yè)物聯(lián)網(wǎng)系統(tǒng)已經(jīng)成為農(nóng)業(yè)大數(shù)據(jù)最重要的數(shù)據(jù)源之一。通過部署于田間地頭的傳感器節(jié)點，農(nóng)情數(shù)據(jù)可被實時感知，并發(fā)至數(shù)據(jù)中心，這使得現(xiàn)代農(nóng)業(yè)生產(chǎn)實時遠程監(jiān)控和精準管理成為可能[1-2]。物聯(lián)網(wǎng)農(nóng)情監(jiān)測網(wǎng)絡(luò)通常部署在野外環(huán)境，持續(xù)供電困難。監(jiān)測節(jié)點以無人值守的方式可靠運行，并實現(xiàn)數(shù)據(jù)的持續(xù)高質(zhì)量采集是農(nóng)業(yè)無線傳感器網(wǎng)絡(luò)部署應(yīng)用需要解決的核心問題之一。然而，大量冗余數(shù)據(jù)的無線傳輸不可避免地會引起傳輸沖突和能量浪費[3]。數(shù)據(jù)壓縮傳輸技術(shù)能夠有效降低網(wǎng)絡(luò)數(shù)據(jù)傳輸量，減少節(jié)點的數(shù)據(jù)通信量和能耗，是解決上述問題的有效手段[4-6]。

鑒于節(jié)點感知數(shù)據(jù)通常都具有較高的時間相關(guān)性，基于模型驅(qū)動的數(shù)據(jù)壓縮采集方法引起了廣泛研究興趣[7-9]。文獻[10-11]利用差分自回歸移動平均模型(ARIMA)預(yù)測室內(nèi)光照和溫度，抑制了數(shù)據(jù)傳輸量，提高了能量利用效率，但存在低階模型預(yù)測精度低、高階模型參數(shù)確定難度大的不足。相關(guān)研究利用線性模型具有較低計算開銷的特征，提出基于線性回歸的無線傳感器網(wǎng)絡(luò)分布式數(shù)據(jù)采集優(yōu)化策略[12-13]，如利用線性模型(DBP)實現(xiàn)公路隧道內(nèi)的光照數(shù)據(jù)壓縮采集[14-15]，和基于分段線性回歸的多參數(shù)無線傳感網(wǎng)數(shù)據(jù)融合算法[16]，均能降低網(wǎng)絡(luò)的總能量消耗，延長網(wǎng)絡(luò)的生命周期。機器學(xué)習(xí)預(yù)測方法具有對數(shù)據(jù)非線性和不確定性變化規(guī)律進行精確描述的能力。支持向量回歸模型(SVR)被廣泛用于構(gòu)建病蟲害、旱情等預(yù)測預(yù)報模型[17]。時鐘驅(qū)動循環(huán)神經(jīng)網(wǎng)絡(luò)(CW-RNN)被用于河流的流量預(yù)測等[18]，但存在收斂速度慢、訓(xùn)練數(shù)據(jù)大等缺陷。

以上研究鮮有涉及模型訓(xùn)練參數(shù)設(shè)置、模型適應(yīng)性綜合評價與實際應(yīng)用甄選標準。自動觀測數(shù)據(jù)的質(zhì)量控制是開展農(nóng)業(yè)生產(chǎn)分析以及基礎(chǔ)科研數(shù)據(jù)應(yīng)用的重要前提[1]。鑒于此，本文依托實驗區(qū)域田間數(shù)據(jù)，探索ARIMA、SVR、DBP和CW-RNN等數(shù)據(jù)預(yù)測模型的關(guān)鍵訓(xùn)練參數(shù)設(shè)置，開展模型適用性評價，以期為豐富模型驅(qū)動的田間數(shù)據(jù)收集的理論與實踐提供參考，為實現(xiàn)農(nóng)情數(shù)據(jù)的高質(zhì)量、低代價采集提供指導(dǎo)。

1 材料與方法

1.1 數(shù)據(jù)來源

實驗數(shù)據(jù)來自安徽農(nóng)業(yè)大學(xué)農(nóng)萃園，自2016年3月13日起部署傳感器節(jié)點不間斷監(jiān)測園區(qū)作物育苗溫室大棚內(nèi)外的環(huán)境信息、花卉植株的莖稈微變化等本體信息，采樣間隔為10 min。本文取2017年5月3—10日共8 d(192 h，1 152數(shù)據(jù)點)時間段內(nèi)空氣溫度、風速、果實膨大和土壤濕度觀測數(shù)據(jù)(圖1)。其中，空氣溫度和風速等呈現(xiàn)明顯周期性特征，土壤濕度和果實膨大呈線性變化。具體地，4種數(shù)據(jù)特征分別為周期性、帶振蕩值的周期性、線性和帶振蕩值的線性。以前7 d數(shù)據(jù)作為訓(xùn)練集，第8天數(shù)據(jù)作為測試集。

1.2 模型驅(qū)動的數(shù)據(jù)收集框架

如圖2所示，模型驅(qū)動的數(shù)據(jù)收集框架中，網(wǎng)關(guān)/服務(wù)器、傳感器節(jié)點進行雙端預(yù)測來降低數(shù)據(jù)傳輸量。具體流程：網(wǎng)關(guān)/服務(wù)器基于前期采集到的數(shù)據(jù)進行模型訓(xùn)練，然后將模型/參數(shù)傳輸至執(zhí)行數(shù)據(jù)收集的傳感器節(jié)點。傳感器節(jié)點端定期獲取、同步評估預(yù)測值與實際收集值的誤差。若誤差超過閾值，傳感器節(jié)點將向網(wǎng)關(guān)/服務(wù)器上傳所采集的數(shù)據(jù)，由網(wǎng)關(guān)/服務(wù)器重新訓(xùn)練模型后，再將模型/參數(shù)同步至傳感器節(jié)點。若誤差在閾值以內(nèi)，則傳感器節(jié)點不上報數(shù)據(jù)，服務(wù)器端將在其他時刻自動觸發(fā)模型預(yù)測填充該部分數(shù)據(jù)，從而大幅度減少傳感器節(jié)點的數(shù)據(jù)傳輸量。

1.3 適用性評價標準

逼近最優(yōu)排序法(TOPSIS)是一種基于多目標的評價法，根據(jù)有限個評價模型與理想化指標組合的接近程度進行排序，測量目標模型靠近最優(yōu)指標向量和遠離最劣指標向量的程度，以此評估模型的性能水平[19]。本文運用熵權(quán)TOPSIS評價預(yù)測模型適用性，具體如下。

1)數(shù)據(jù)規(guī)范化。采用向量規(guī)范法對預(yù)測模型的評價指標數(shù)據(jù)進行規(guī)范化處理，向量規(guī)范化后各模型的同一指標平方和為1，計算方法如下：

(1)

圖1 育苗溫室內(nèi)外的監(jiān)測數(shù)據(jù)Fig.1 Monitoring data inside and outside nursery greenhouse

圖2 模型驅(qū)動的數(shù)據(jù)收集框架Fig.2 Framework of model-driven data gathering

式(1)中：Xij表示指標i在第j個預(yù)測模型的初始評價值，n為參與比較的預(yù)測模型總個數(shù)，l為指標個數(shù)，Sij為Xij的規(guī)范化矩陣。

2)熵權(quán)法。熵權(quán)法通過評價預(yù)測模型的各項指標值來確定指標權(quán)重，增強指標的分辨性和差異性，具有操作性和客觀性強的特點。評價模型在某項指標上的值相差越大，則相應(yīng)權(quán)重越大。根據(jù)各項指標的差值程度，客觀計算各項指標權(quán)重，為多指標綜合評價提供依據(jù)。計算方法如下：

(2)

3)構(gòu)建規(guī)范化加權(quán)矩陣。熵權(quán)法所確定的權(quán)重向量wi與規(guī)范化矩陣Sij=(sij)n×l進行向量積運算，得到加權(quán)規(guī)范化矩陣：

(3)

4)定義預(yù)測模型的最優(yōu)、最劣指標向量。令V+、V-分別表示最優(yōu)指標向量和最劣指標向量，則有：

(4)

式(4)中vij為模型i中第j項指標的規(guī)范化加權(quán)值。

(5)

6)計算評價目標與最優(yōu)指標組合方案的貼近度Ci。

(6)

式(6)中Ci值越大，表明預(yù)測模型j的性能越接近最優(yōu)水平，反之對象性能差，甚至無法達到使用水平。

1.4 數(shù)據(jù)預(yù)測模型

本文擬評價的預(yù)測模型有ARIMA、SVR、DBP、CW-RNN和常量模型Constant。先從數(shù)學(xué)和統(tǒng)計學(xué)角度簡述各預(yù)測模型的運行機制。

1.4.1 ARIMA

ARIMA是一種常用的時間序列預(yù)測模型，系一種有效的動態(tài)數(shù)據(jù)處理參數(shù)化時域分析方法。建立ARIMA模型要求時間序列是平穩(wěn)隨機過程，因此在建模之前必須檢驗時間序列數(shù)據(jù)的平穩(wěn)性。若數(shù)據(jù)序列具有非平穩(wěn)性特點，則須對其進行差分處理，使之成為平穩(wěn)時間序列。設(shè)有時間序列X={x1，x2，…，xt}，則 ARIMA模型預(yù)測方程[10-11]可表示為

(7)

1.4.2 SVR

SVR模型通過非線性映射函數(shù)Ф將數(shù)據(jù)xi映射到高維特征空間，再進行線性回歸。對于給定樣本數(shù)據(jù)集{(xi，yi)，i=1，2，...，k}，SVR具有如下形式[17]：

y=wФ(x)+b，

(8)

式(8)中：w為權(quán)值向量，b為偏置量。

為提高模型的泛化能力，既要考慮經(jīng)驗風險的最小化，也要降低模型復(fù)雜度，故常利用帶松弛因子的拉格朗日函數(shù)解出最優(yōu)參數(shù)。在時間序列預(yù)測中，高斯核函數(shù)通常具有較好的效果[17]。

1.4.3 DBP

給定樣本數(shù)據(jù)集{(xi，yi)，i=1，2，…，k}，DBP基于短中期內(nèi)的數(shù)據(jù)大多可近似為線性的思想，從前期收集的m個數(shù)據(jù)點中前后各截取u個數(shù)據(jù)點，以前后h個數(shù)據(jù)點的平均值建立線性模型[14-15]：

y=αx+β。

(9)

通過設(shè)置誤差閾值ε、異常時間閾值εT調(diào)控預(yù)測精度和模型更新。若預(yù)測誤差連續(xù)偏離誤差閾值ε的次數(shù)超過εT時，傳感器節(jié)點將開始向Sink端發(fā)送數(shù)據(jù)，隨后Sink端啟動模型更新。由于模型是線性的，網(wǎng)關(guān)/服務(wù)器、傳感器節(jié)點兩端進行模型更新時僅需傳輸斜率α和截距β。

1.4.4 CW-RNN

CW-RNN結(jié)構(gòu)與標準人工神經(jīng)網(wǎng)絡(luò)類似。它將隱含層節(jié)點分成若干模塊，各模塊均分配獨立時鐘周期Ti，獨立學(xué)習(xí)某特定波長，橫向聯(lián)結(jié)模塊學(xué)習(xí)長短波間的相互影響。運算時進行分塊管理，選擇部分模塊參與運算，不參與運算的模塊置0。CW-RNN中隱含層的各模塊內(nèi)部節(jié)點是全連接，模塊之間均從高時鐘頻率模塊指向低時鐘頻率模塊。

通常，Ti=2i-1。經(jīng)典CW-RNN的前反饋計算公式[18]為

ht=σ(Wx*Xt+Wh*ht-1)，

(10)

式(10)中：t時刻的隱藏狀態(tài)ht由輸入訓(xùn)練樣本Xt和ht-1共同得到；σ為CW-RNN激活函數(shù)，序列預(yù)測時多采用tanh，分類模型時通常選擇Softmax；Wx和Wh2個矩陣是CW-RNN模型的線性關(guān)系參數(shù)。CW-RNN通過強制性地把Wh參數(shù)矩陣設(shè)置成上三角陣，控制模塊之間連接的方向。

1.4.5 常量模型Constant

Constant將當前收集數(shù)據(jù)作為下一時刻的預(yù)測值，其本質(zhì)是通過直線y=yi近似表示一段時間內(nèi)數(shù)據(jù)的變化情況。對于給定的最新收集數(shù)據(jù)yi，則下一時刻收集數(shù)據(jù)預(yù)測值為yi+1=yi。因此，若滿足誤差閾值ε，未來一段時間的數(shù)據(jù)預(yù)測都等于yi。Constant模型不需要訓(xùn)練數(shù)據(jù)，預(yù)測值超出誤差閾值時，傳感器節(jié)點將最新數(shù)據(jù)上傳至網(wǎng)關(guān)/服務(wù)器端，不會傳遞模型/參數(shù)。該模型運行代價低，易于在資源有限的傳感器節(jié)點上實現(xiàn)[8]。

2 結(jié)果與分析

采用參數(shù)平均絕對百分數(shù)誤差(MAPE)評估預(yù)測模型的精度。MAPE是相對值，很適合于相同目標數(shù)據(jù)不同預(yù)測模型的預(yù)測精度評估，值越小表示預(yù)測精度越高。其計算公式如下[8]：

(11)

為直觀展現(xiàn)數(shù)據(jù)壓縮采集性能，采用數(shù)據(jù)傳輸率TR評估模型的數(shù)據(jù)壓縮傳輸效果，計算公式如下：

(12)

式(12)中：Tran表示實際傳輸數(shù)據(jù)量，Amount為總待傳數(shù)據(jù)量。

2.1 模型訓(xùn)練參數(shù)設(shè)置方法

為探索訓(xùn)練長度等參數(shù)的設(shè)置，系統(tǒng)分析ARIMA、SVR、DBP、CW-RNN和Constant等5種模型在用于預(yù)測4類數(shù)據(jù)場景時，訓(xùn)練長度與預(yù)測長度間的耦合關(guān)系。訓(xùn)練長度指訓(xùn)練模型過程中所使用的數(shù)據(jù)點的數(shù)量。預(yù)測長度是模型不設(shè)置誤差閾值時，一次預(yù)測輸出的數(shù)據(jù)點總數(shù)。取多個不同預(yù)測起點預(yù)測誤差的平均值作為最終評價MAPE。結(jié)合算法運行機制，針對ARIMA模型，將1 008個(7 d)訓(xùn)練數(shù)據(jù)分為9(1/16 d)、18(1/8 d)、36(1/4 d)、72(1/2 d)、144(1 d)、288(2 d)、504(3.5 d)和1 008(7 d)。SVR和DBP算法的訓(xùn)練數(shù)據(jù)均分為2、3、4、5、10、15、20、25個數(shù)據(jù)點。由于CW-RNN需要保持時鐘記憶長度，訓(xùn)練長度需要大于36(1/4 d)，故在ARIMA訓(xùn)練數(shù)據(jù)劃分基礎(chǔ)上剔除長度9和18，增加訓(xùn)練長度432(3 d)和720(5 d)。Constant只需1個最近歷史數(shù)據(jù)即可。

如圖3所示，各模型的預(yù)測誤差MAPE均隨著預(yù)測長度的增加而上升，尤其當預(yù)測長度大于36后MAPE顯著上升。在某些預(yù)測起點，模型的長期預(yù)測甚至難以跟蹤實際數(shù)據(jù)的動態(tài)軌跡，表明模型長期預(yù)測存在較大的困難。不同于預(yù)測長度，預(yù)測模型(Constant除外)的最佳訓(xùn)練長度取決于其自身特征和所預(yù)測的數(shù)據(jù)對象。具體地，仔細分析5種模型在(振蕩)線性、(振蕩)周期性數(shù)據(jù)下不同預(yù)測起始點的預(yù)測效果，可得出：ARIMA采用較短的訓(xùn)練長度(9個數(shù)據(jù)點)或1 d的長度(144個數(shù)據(jù)點)均能夠取得較好的效果。SVR對訓(xùn)練長度不敏感，過長的訓(xùn)練長度(大于10個數(shù)據(jù)點)反而導(dǎo)致性能下降。DBP的訓(xùn)練長度為6，邊界數(shù)據(jù)點個數(shù)為2，異常數(shù)據(jù)點個數(shù)閾值εT為2時效果最佳。對振蕩型數(shù)據(jù)(風速、土壤溫度)，5種模型的MAPE明顯高于其他數(shù)據(jù)類型。CW-RNN模型至少需要72個訓(xùn)練數(shù)據(jù)點，且預(yù)測效果劣于其他模型。Constant模型的誤差與其他模型較為接近，因無須訓(xùn)練，不存在訓(xùn)練長度。

2.2 誤差閾值設(shè)置方法

誤差閾值是決定業(yè)務(wù)數(shù)據(jù)傳輸率、保證數(shù)據(jù)采集質(zhì)量的關(guān)鍵因素之一。本文采用前期采樣數(shù)據(jù)值來定義誤差閾值，形式如下：

η=(Smax-Smin)*To，

(13)

式(13)中：Smax、Smin分別為前期(半天)采集數(shù)據(jù)的最大、最小值。To為誤差容忍度，其值越大則誤差閾值越高，采集到的數(shù)據(jù)精度越低。圖4表示的是To與數(shù)據(jù)采集誤差MAPE、業(yè)務(wù)數(shù)據(jù)傳輸率間的耦合關(guān)系。隨著To的變化，MAPE與業(yè)務(wù)數(shù)據(jù)傳輸率間呈相反的變化趨勢。選擇使業(yè)務(wù)數(shù)據(jù)傳輸率和MAPE達到平衡的點所對應(yīng)的To值作為誤差容忍度最優(yōu)值。

具體的平衡點因預(yù)測模型和數(shù)據(jù)類型的不同而有所差異。以空氣溫度數(shù)據(jù)為例，CW-RNN模型的平衡點約為2%，DBP模型的平衡點約為5%，其他模型的平衡點介于兩者之間，故收集空氣溫度數(shù)據(jù)時To的最優(yōu)取值區(qū)間為[2%，5%]。同理可得，風速、果實膨大和土壤濕度的To取值區(qū)間分別為[4%，15%]、[4%，10%]和[4%，8%]。

2.3 模型適用性評估

a, 空氣溫度; b, 風速；c, 果實膨大；d, 土壤溫度。a, Air temperature; b, Wind speed; C, Fruit growth; d, Soil moisture.圖3 模型訓(xùn)練長度與預(yù)測長度耦合關(guān)系Fig.3 Coupled relationship among model training and prediction lengths

圖4 不同誤差容忍度下MAPE和業(yè)務(wù)數(shù)據(jù)傳輸率Fig.4 MAPE and data transmission ratio with different error tolerance

評價指標包括數(shù)據(jù)采集誤差、業(yè)務(wù)數(shù)據(jù)傳輸代價、模型訓(xùn)練、模型更新和模型預(yù)測代價。如圖2所示，網(wǎng)關(guān)/服務(wù)器端承擔模型訓(xùn)練任務(wù)，將訓(xùn)練后的模型/參數(shù)發(fā)送至各傳感器節(jié)點，故適用性評估過程中排除模型訓(xùn)練代價。適用性評估過程中數(shù)據(jù)預(yù)測誤差采用前文所述的MAPE，業(yè)務(wù)數(shù)據(jù)傳輸代價定義為實際業(yè)務(wù)數(shù)據(jù)傳輸率。特別地，模型更新代價由模型更新所引起的數(shù)據(jù)傳輸量決定，而模型預(yù)測代價取決于算法執(zhí)行數(shù)據(jù)預(yù)測的時間復(fù)雜度。如式(14)所示，綜合一天數(shù)據(jù)采集過程中模型更新與預(yù)測代價定義模型運行代價(Fc)：

(14)

式(14)中：Ma為模型更新次數(shù)，Mu為模型更新所需傳輸?shù)臄?shù)據(jù)量，Bw為網(wǎng)絡(luò)帶寬，Dc為模型預(yù)測所消耗的平均時長。

如表1所示，模型間的更新內(nèi)容及數(shù)據(jù)量存在較大的差異。ARIMA模型中，模型更新需要傳輸自回歸系數(shù)φi和移動平均系數(shù)θj。DBP模型更新需要傳輸斜率α和截距β。機器學(xué)習(xí)模型SVR和CW-RNN需要傳輸完整的訓(xùn)練模型。Constant不需要傳輸任何模型/參數(shù)。

表1 模型更新內(nèi)容及數(shù)據(jù)量

模型采用Python 2.7語言編寫，硬件平臺為具有1.2 GHz四核ARMv8處理器、1 GB內(nèi)存的樹莓派3代B型。預(yù)測長度為1，各模型的誤差容忍度取其處理4類數(shù)據(jù)時的誤差容忍度區(qū)間中值?？紤]7、50、250 Kb·s-1和1 Mb·s-1等4種帶寬，分別對應(yīng)于低速率廣覆蓋物聯(lián)網(wǎng)技術(shù)SigFox、LoRa、NB-IoT和LTEeMTC標準[20]的典型服務(wù)帶寬。表2給出了空氣溫度數(shù)據(jù)的誤差MAPE、業(yè)務(wù)數(shù)據(jù)傳輸率TR和模型運行代價F等3項指標值。

表2 空氣溫度評價指標

圖5表示的是4種模型適用性評估結(jié)果對比。不同帶寬條件下，模型優(yōu)劣有差異。如空氣溫度指標，低帶寬時模型優(yōu)先級由高到低為ARIMA>DBP>Constant>SVR>CW-RNN，高帶寬時模型優(yōu)先級由高到低則為Constant>DBP>SVR>ARIMA>CW-RNN。這是因為優(yōu)先級由數(shù)據(jù)收集誤差、業(yè)務(wù)數(shù)據(jù)傳輸代價、模型更新和模型預(yù)測代價等因素共同決定：在小于250 Kb·s-1的低速帶寬環(huán)境下SVR和CW-RNN遠劣于ARIMA、DBP和Constant；當帶寬為1 Mb·s-1時，ARIMA優(yōu)勢明顯下降，僅優(yōu)于CW-RNN。究其原因：ARIMA的優(yōu)勢在于較高的預(yù)測精度、低業(yè)務(wù)數(shù)據(jù)傳輸率和模型更新次數(shù)。如表2所示，ARIMA模型的數(shù)據(jù)采集誤差MAPE和業(yè)務(wù)數(shù)據(jù)傳輸比分別為1.2571和13.89%，明顯低于SVR的1.4229和20.14%。然而，ARIMA的預(yù)測代價約為SVR的9倍，模型更新次數(shù)及數(shù)據(jù)量少的優(yōu)勢隨著帶寬的增加被削弱，而模型預(yù)測計算時間對模型貼近度值影響程度增加，故ARIMA的貼近度甚至低于SVR。

總之，受制于較高的模型更新傳輸代價，SVR和CW-RNN不太適合于傳感器節(jié)點數(shù)據(jù)收集預(yù)測模型。特別地，由于高昂的計算代價，CW-RNN難以在硬件資源受限的傳感器節(jié)點運行。盡管SVR計算復(fù)雜度低，但高模型更新代價是制約其應(yīng)用的關(guān)鍵因素。相比之下，ARIMA、DBP和Constant更適合用于傳感器節(jié)點的數(shù)據(jù)預(yù)測。值得注意的是，得益于其較高的預(yù)測精度，ARIMA模型能在滿足低傳輸率時實現(xiàn)較低的數(shù)據(jù)收集誤差。然而，受到其高計算代價的影響，傳感器節(jié)點運行ARIMA算法需要消耗更多的資源，且隨著帶寬的增加，優(yōu)勢逐步下降。進一步橫向比較，可得出風速、土壤濕度等振蕩型數(shù)據(jù)，Constant模型始終最優(yōu)，DBP模型次之。對于光滑度較好的空氣溫度和果實膨大數(shù)據(jù)，DBP、Constant也有著較高的性能，且隨著帶寬的增加優(yōu)勢越發(fā)明顯。故可得出：若節(jié)點同時具有較高的運算能力與通信帶寬，除CW-RNN外的算法都可以考慮，具體優(yōu)先級與實際運算和通信能力有關(guān)。若節(jié)點運算能力受限，DBP、Constant均較為合適，但考慮到模型同步的時滯性，采用Constant模型是較優(yōu)的折中方案。

圖5 不同預(yù)測模型的適用性評估結(jié)果對比Fig.5 Suitability comparison among different prediction models

3 結(jié)論與展望

如何甄選與應(yīng)用數(shù)據(jù)預(yù)測模型，實現(xiàn)田間數(shù)據(jù)的高效壓縮采集是農(nóng)業(yè)物聯(lián)網(wǎng)研究中一項非常有意義的工作。本文研究表明：對于空氣溫度、土壤濕度、果實膨大和風速等數(shù)據(jù)，ARIMA、SVR、DBP和CW-RNN等模型的最佳訓(xùn)練參數(shù)取決于模型機制和數(shù)據(jù)對象，各模型的適宜訓(xùn)練長度依次為9、5、6和72，誤差閾值可設(shè)置為前期獲取數(shù)據(jù)最大與最小值之差的2%～15%。綜合考慮模型適用性與同步的時滯性，模型的適用性依次為Constant、DBP、ARIMA和SVR。受制于高計算復(fù)雜度和模型更新代價，CW-RNN不適合用于數(shù)據(jù)壓縮采集。未來工作中，將進一步優(yōu)化模型訓(xùn)練參數(shù)和誤差閾值設(shè)置方法，探索壓縮感知與模型驅(qū)動的融合策略以降低節(jié)點采樣頻率，為實現(xiàn)農(nóng)情數(shù)據(jù)的高質(zhì)量、低代價采集提供參考。