基于LSTM 神經(jīng)網(wǎng)絡(luò)的溫室氣候環(huán)境因子預(yù)測

梁志超，宋華魯，樊陽陽，齊康康，徐浩，王帥

（山東省農(nóng)業(yè)科學(xué)院農(nóng)業(yè)信息與經(jīng)濟(jì)研究所，山東 濟(jì)南 250100）

溫室氣候環(huán)境因子調(diào)控在我國農(nóng)業(yè)生產(chǎn)中扮演重要的角色，其中溫室氣候環(huán)境因子預(yù)測是當(dāng)前溫室氣候環(huán)境控制的核心[1]。良好的溫室氣候環(huán)境因子預(yù)測模型不僅可以提高溫室大棚的作物產(chǎn)量，同時也能夠節(jié)省能源消耗。然而，目前很多溫室只能采集當(dāng)前傳感器的數(shù)據(jù)，并不能對溫室氣候環(huán)境的變化趨勢進(jìn)行預(yù)測，容易產(chǎn)生溫室氣候環(huán)境調(diào)控效果較差的問題[2]。為解決溫室氣候環(huán)境因子調(diào)控滯后以及模型建立問題，許多國內(nèi)外學(xué)者進(jìn)行了大量研究，并且已經(jīng)有實際應(yīng)用的案例[3]。如余朝剛等[4]、汪小旵等[5]基于BP 神經(jīng)網(wǎng)絡(luò)構(gòu)建的溫室氣候環(huán)境預(yù)測建模，現(xiàn)有的BP 神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)速度慢、網(wǎng)絡(luò)推廣能力有限、容易陷入局部極小值等缺點[6]，使得其在小氣候建模中的應(yīng)用受到限制。為此張建超等[7]、張園園等[8]提出了基于Elman 神經(jīng)網(wǎng)絡(luò)的氣候環(huán)境因子預(yù)測方法，對比傳統(tǒng)的BP 神經(jīng)網(wǎng)絡(luò)構(gòu)建的預(yù)測模型具有更好的預(yù)測效果。長短期記憶網(wǎng)絡(luò)（Long short term memory,LSTM）是一種特殊的循環(huán)神經(jīng)網(wǎng)絡(luò)（Recurrent neural network, RNN），能夠解決循環(huán)神經(jīng)網(wǎng)絡(luò)訓(xùn)練時出現(xiàn)的梯度爆炸和梯度消失等問題，有效提高了循環(huán)神經(jīng)網(wǎng)絡(luò)的準(zhǔn)確性，因而大量應(yīng)用到不同領(lǐng)域的預(yù)測模型中。MOON 等[9]通過建立的LSTM 預(yù)測模型有效地預(yù)測了在閉環(huán)無土栽培條件下作物根區(qū)營養(yǎng)液的電導(dǎo)率；JIMENEZ 等[10]在獲取的土壤基質(zhì)勢數(shù)據(jù)基礎(chǔ)上建立了LSTM 模型，有效地預(yù)測了土壤水分吸收情況，更好地節(jié)省了灌溉投入；周瑞等[11]在溫室氣候環(huán)境數(shù)據(jù)的基礎(chǔ)上建立了番茄目標(biāo)產(chǎn)量的LSTM 預(yù)測模型，該模型具有較高的準(zhǔn)確性；謝家興等[12]在氣象數(shù)據(jù)集基礎(chǔ)上，建立了柑橘果園蒸散量LSTM 預(yù)測模型，該模型具有較高的精度；謝秋菊等[13]采集了豬舍室內(nèi)的氣候環(huán)境數(shù)據(jù)，在此基礎(chǔ)上建立了豬舍室內(nèi)的LSTM 環(huán)境預(yù)測模型，能夠比較精確地預(yù)測豬舍內(nèi)氣候環(huán)境因子變化趨勢。

通過國外內(nèi)預(yù)測模型的研究分析，筆者發(fā)現(xiàn)LSTM 神經(jīng)網(wǎng)絡(luò)模型因其較好的訓(xùn)練性能以及預(yù)測精度，可以廣泛應(yīng)用到各個領(lǐng)域中，然而利用LSTM神經(jīng)網(wǎng)絡(luò)對溫室氣候環(huán)境因子預(yù)測的實際應(yīng)用案例相對較少。為此，本研究基于深度學(xué)習(xí)算法，結(jié)合傳感器監(jiān)測的大量歷史數(shù)據(jù)，建立具有多層結(jié)構(gòu)的LSTM 溫室氣候環(huán)境因子變化預(yù)測模型，以期通過建立的預(yù)測模型，能夠為溫室環(huán)境調(diào)控提供一定的決策支持，更好地指導(dǎo)實際的生產(chǎn)實踐。

1 材料與方法

1.1 長短時記憶神經(jīng)網(wǎng)絡(luò)

LSTM 由Hochreiter 等[14]發(fā)表于1997 年，2012年Alex Graves[15]對其進(jìn)行了改良，并得以廣泛推廣。因其獨特的設(shè)計結(jié)構(gòu)，在處理延遲和時間間隔非常長的事件預(yù)測中，LSTM 具有較大的優(yōu)勢。

LSTM 模型由輸入門、遺忘門、輸出門組成。輸入門將新的信息選擇性地記錄到細(xì)胞狀態(tài)中，遺忘門將細(xì)胞狀態(tài)中的信息選擇性地遺忘，輸出門控制需要輸出的信息并且更新細(xì)胞狀態(tài)，LSTM 細(xì)胞模型結(jié)構(gòu)見圖1。

圖1 LSTM 細(xì)胞內(nèi)部模型

LSTM 細(xì)胞更新計算方法如下：

式中，I表示LSTM 細(xì)胞中的輸入門；f表示遺忘門；c表示當(dāng)前細(xì)胞狀態(tài)；o表示輸出門；h表示當(dāng)時間為t時LSTM 單元的輸出；W為權(quán)重系數(shù)矩陣；b為偏置項；t代表時間序列；σ 為sigmoid 激活函數(shù)；tanh為雙曲正切激活函數(shù)。

1.2 基于LSTM 的溫室氣候環(huán)境因子預(yù)測模型

基于LSTM 模型算法，構(gòu)建溫室氣候環(huán)境因子預(yù)測模型（圖2），構(gòu)建流程主要包括獲取模型數(shù)據(jù)、數(shù)據(jù)預(yù)處理、模型網(wǎng)絡(luò)訓(xùn)練、氣候因子預(yù)測。

圖2 LSTM 預(yù)測模型構(gòu)建流程

（1）通過傳感器采集溫室中的溫度、濕度、二氧化碳濃度，組成原始數(shù)據(jù)集，對數(shù)據(jù)進(jìn)行缺失補(bǔ)充以及歸一化處理，將原始數(shù)據(jù)劃分為預(yù)測模型的訓(xùn)練集及測試集。

（2）對LSTM 模型設(shè)置初始化參數(shù)，將訓(xùn)練數(shù)據(jù)集輸入到模型中，不斷調(diào)整學(xué)習(xí)率、隱藏層節(jié)點數(shù)等模型參數(shù)，直到獲取最優(yōu)的模型參數(shù)設(shè)置。

（3）將最優(yōu)網(wǎng)絡(luò)參數(shù)設(shè)置組合代入到LSTM 預(yù)測模型中，得到最終的溫室氣候環(huán)境因子預(yù)測模型。

1.3 數(shù)據(jù)預(yù)處理

試驗數(shù)據(jù)的預(yù)處理包括對異常值和缺失值處理、數(shù)據(jù)標(biāo)準(zhǔn)化處理。因為數(shù)據(jù)每5 s 獲取1 次，前后數(shù)據(jù)差異較小，所以對于缺失值和異常值均選取該值前后2 個時刻的平均值代替該時刻的值。為提高模型訓(xùn)練的準(zhǔn)確性、加快網(wǎng)絡(luò)訓(xùn)練收斂速度，將數(shù)據(jù)進(jìn)行了標(biāo)準(zhǔn)化處理。標(biāo)準(zhǔn)化處理所用公示如下：

式中，Xnorm為標(biāo)準(zhǔn)化處理之后的數(shù)據(jù)；X代表原始的數(shù)據(jù)；Xmax是原始數(shù)據(jù)集合中的最大值；Xmin為原始數(shù)據(jù)集合中的最小值。

1.4 模型評價

采用平均絕對誤差（MAE）、均方根誤差（RMSE）、決定系數(shù)（R2）作為模型評價指標(biāo)。

式中，yi表示真實值；y表示預(yù)測值；為平均值。

1.5 數(shù)據(jù)來源

本研究所有數(shù)據(jù)來自山東省農(nóng)業(yè)科學(xué)院在濟(jì)陽基地建立的西紅柿溫室大棚中的環(huán)境監(jiān)測數(shù)據(jù)，數(shù)據(jù)每5 min 更新1 次，數(shù)據(jù)采集類型包含溫室大棚中的濕度、溫度、二氧化碳濃度。本研究采集了2023年3 月17 日至5 月19 日共27 351 份數(shù)據(jù)，將試驗數(shù)據(jù)劃分為2 個部分：訓(xùn)練集、測試集，考慮數(shù)據(jù)規(guī)模以及測試集繪圖分析效果參照陳亮等[16]的方法，筆者將訓(xùn)練集以及測試集數(shù)量比例劃分為90%與10%。濕度、溫度、二氧化碳訓(xùn)練集、測試集的數(shù)據(jù)特征如表1 所示。溫室大棚中的數(shù)據(jù)采集裝置（中國深圳，矽遞，SenseCAP）如圖3 所示。

表1 訓(xùn)練集與測試集的數(shù)據(jù)特征

圖3 溫室大棚數(shù)據(jù)采集器

1.6 模型參數(shù)改進(jìn)

在試驗仿真過程中，添加了dropout 正則化，用于減少過度擬合對LSTM 預(yù)測模型的影響，將丟棄率設(shè)置為0.2。本研究采用Adam 算法進(jìn)行優(yōu)化，使用RMSE 以及MAE 來計算誤差。學(xué)習(xí)速率是LSTM模型的一個重要參數(shù)，參數(shù)設(shè)置的過大或過小都會直接影響模型的訓(xùn)練速度以及模型的穩(wěn)定性，隱含層節(jié)點數(shù)的大小設(shè)置則是導(dǎo)致過擬合的直接原因，其他參數(shù)設(shè)置則不會對模型構(gòu)建產(chǎn)生較大的影響。為此，本研究在不同學(xué)習(xí)率以及隱含層不同節(jié)點數(shù)的組合中尋找最優(yōu)的組合參數(shù)，來獲取最優(yōu)的模型性能。將學(xué)習(xí)率設(shè)置為0.001、0.003、0.005、0.008、0.010，隱含層節(jié)點數(shù)的設(shè)置目前暫無較好的測算公式，結(jié)合本次試驗?zāi)Ｐ偷膹?fù)雜度、訓(xùn)練樣本數(shù)量，將隱含層節(jié)點數(shù)設(shè)置為150、250、500、600、650，將其兩兩組合，計算不同組合下的模型損失，RSME、MAE具體數(shù)值見表2、表3。

表2 不同參數(shù)組合下RSME 數(shù)值

表3 不同參數(shù)組合下MAE 數(shù)值

通過分析模型損失值可以看出，當(dāng)學(xué)習(xí)速率設(shè)置為0.005，隱含層節(jié)點數(shù)設(shè)置為500 時，模型的RSME與MAE值均為最小，模型性能最優(yōu)。

2 結(jié)果與分析

2.1 試驗結(jié)果

使用本文1.6 模型參數(shù)改進(jìn)中確定的模型最優(yōu)性能參數(shù)，對試驗數(shù)據(jù)中的濕度、溫度、二氧化碳訓(xùn)練集依次進(jìn)行訓(xùn)練，然后用測試集進(jìn)行測試，依次計算模型的RMSE、MAE、R2誤差。濕度、溫度、二氧化碳的模型測試結(jié)果如圖4、圖5、圖6 所示。

圖4 LSTM 模型預(yù)測濕度結(jié)果（A）及真實值（B）

圖5 LSTM 模型預(yù)測溫度結(jié)果（A）及真實值（B）

圖6 LSTM 模型預(yù)測二氧化碳結(jié)果（A）及真實值（B）

濕度、溫度、二氧化碳的LSTM 模型損失數(shù)據(jù)如表4 所示。

表4 不同數(shù)據(jù)維度下的誤差值

從模型擬合結(jié)果以及模型損失數(shù)據(jù)來看，本研究LSTM 模型預(yù)測結(jié)果均較為準(zhǔn)確，誤差較小。

2.2 不同預(yù)測模型對比

為了更好地說明本文建立的LSTM 模型在溫室氣候環(huán)境因子預(yù)測中的優(yōu)越性，本研究同時建立了GRU、BP 神經(jīng)網(wǎng)絡(luò)模型，在相同輸入?yún)?shù)條件下進(jìn)行了試驗并做了對比分析。

3 個算法在相同的運(yùn)算環(huán)境的輸入?yún)?shù)條件下，濕度、溫度、二氧化碳濃度的擬合曲線如圖7、圖8、圖9 所示，3 個算法的模型誤差值如表5 所示。

表5 不同模型誤差值

圖7 不同網(wǎng)絡(luò)模型預(yù)測濕度結(jié)果對比

圖8 不同模型預(yù)測溫度結(jié)果對比

圖9 不同模型預(yù)測二氧化碳濃度結(jié)果對比

為了更好地說明模型擬合效果，在決定系數(shù)（R2）指標(biāo)上，分別計算了不同數(shù)據(jù)維度下，LSTM 預(yù)測模型與BP 神經(jīng)網(wǎng)絡(luò)模型以及GRU 預(yù)測模型的數(shù)據(jù)對比如表6 所示。

表6 R2 對比分析

從圖7 至圖9 中可以看出，LSTM 和GRU 模型預(yù)測的變化趨勢一致，并且預(yù)測值更加接近真實值，而BP 神經(jīng)網(wǎng)絡(luò)模型預(yù)測結(jié)果偏差較大。在決定系數(shù)R2指標(biāo)上，濕度、溫度、二氧化碳濃度3 個數(shù)據(jù)維度，LSTM 模型比BP 神經(jīng)網(wǎng)絡(luò)分別提升了4.55%、6.74%、6.10%，平均提升了5.80%；LSTM 模型比GRU 預(yù)測模型分別提升了2.22%、4.40%、4.82%，平均提升了3.81%。從模型擬合效果上看，LSTM 神經(jīng)網(wǎng)絡(luò)模型效果最好，模型最優(yōu)。

3 討論與結(jié)論

針對溫室中存在氣候環(huán)境因子無法預(yù)測變化趨勢的問題，本研究建立了基于LSTM 的神經(jīng)網(wǎng)絡(luò)預(yù)測模型。仿真試驗結(jié)果表明，LSTM 神經(jīng)網(wǎng)絡(luò)預(yù)測模型能充分地分析溫室內(nèi)溫度、濕度、二氧化碳濃度的變化規(guī)律，并較好地預(yù)測了溫室內(nèi)氣候環(huán)境因子的變化趨勢。

通過LSTM 的神經(jīng)網(wǎng)絡(luò)與GRU、BP 神經(jīng)網(wǎng)絡(luò)模型進(jìn)行對比分析，結(jié)果表明，基于LSTM 的神經(jīng)網(wǎng)絡(luò)預(yù)測模型具有更高的預(yù)測精度和更好的擬合能力，該模型能夠為溫室環(huán)境調(diào)控提供一定的決策支持，具有較大的實際應(yīng)用價值。

通過與國外內(nèi)預(yù)測模型的研究分析，本研究基于LSTM 神經(jīng)網(wǎng)絡(luò)建立的溫室氣候環(huán)境因子預(yù)測模型，能夠較為準(zhǔn)確地預(yù)測溫室內(nèi)濕度、溫度、二氧化碳濃度的變化趨勢，且具有較高的準(zhǔn)確度，能夠為溫室內(nèi)氣候環(huán)境因子預(yù)測提供具體應(yīng)用案例。對比前人的研究結(jié)果[11-12]，本研究的應(yīng)用場景相對簡單，后續(xù)可以基于該模型，考慮更為復(fù)雜、更為精細(xì)的實際應(yīng)用場景。

后續(xù)可以將LSTM 模型與溫室智能控制系統(tǒng)進(jìn)行軟硬件融合，并將預(yù)測結(jié)果以語音播報、圖像等形式展現(xiàn)給用戶，更好地指導(dǎo)實際生產(chǎn)工作。