一种基于自回归滑动平均模型的长期土壤温湿度高精度预测方法技术

本发明专利技术公开了一种基于自回归滑动平均模型的长期土壤温湿度高精度预测方法，首先对历史土壤湿度和温度数据进行数据预处理，接着通过AIC准则确定ARMA模型的阶数，然后使用土壤湿度和温度的历史数据对ARMA模型拟合，获得确定的ARMA模型，通过该ARMA模型预测出未来的土壤湿度和温度，结合气象局对未来天气的预测值，从而确定未来长期智能灌溉系统的灌溉水量。本发明专利技术预测土壤湿度和温度的ARMA模型也是在不断调整优化的，保证了ARMA模型的有效性，为长期预测的土壤湿度和温度具备实际指导价值；同时本发明专利技术使用模型预测结果与历史真实数据的均方误差来评价模型的可靠性，从而量化模型的拟合好坏，实现科学调整模型参数。

A high precision prediction method of long-term soil temperature and humidity based on autoregressive moving average model

【技术实现步骤摘要】
一种基于自回归滑动平均模型的长期土壤温湿度高精度预测方法
本专利技术属于概率统计及长期预测
，具体涉及一种基于自回归滑动平均模型的长期土壤湿度与温度的预测方法。
技术介绍
农业是民生之本，而农业现代化是农业供给侧结构性改革不断深化的必经之路。农业智能化作为农业现代化的重要一环，其重要性不言而喻。其中，农业智能灌溉系统发展日趋成熟完善。土壤的湿度和温度作为决定农业智能灌溉系统操作的重要指标，可以直观反映某区域对水量需求的强弱程度，也是用于确定智能灌溉系统对该区域内灌溉水量的主要依据来源，因此预测出特定区域长期的土壤湿度与温度对智能灌溉系统有着实际的指导价值。同时，一个地区的天气状态，也影响着土壤的温度与湿度。在全球气候变暖的背景下，气候极端事件和各种灾害显著增加，尤其是干旱灾害；同时温度逐渐升高使得地表蒸发量增加，干旱将会有进一步发展和加重地表蒸发趋势。另一方面，洪涝灾害也影响着区域的灌溉行为决策。如何有效应对旱涝灾害对土地温湿度的影响，是将来农业智能化不可规避的话题。
技术实现思路
本专利技术利用土壤湿度与温度的历史数据以及当前天气数据，通过运用时间序列预测技术，结合气象局对未来天气的预测值，从而预测出未来长期的土壤湿度与温度，为智能灌溉系统提供灌溉参考。一种基于自回归滑动平均模型的长期土壤温湿度高精度预测方法，包括如下步骤：(1)采集获取大量历史土壤数据，包括土壤的区域坐标、温度、湿度以及历史灌溉频次，保留其中距离当前时间一年以内的历史使用数据加入至数据库中；(2)对数据库中的历史数据进行预处理，包括对缺失值和异常值的处理、数据整理以及周期性分析；(3)对预处理后土壤的历史数据进行平稳性检验和白噪声检验；(4)利用AIC定界准则确定ARMA模型的自回归项阶数p和移动平均项阶数q，进而使用通过检验后的土壤历史数据对ARMA模型进行训练拟合；(5)利用训练拟合完成得到的ARMA模型对未来长期内的土壤湿度和温度进行预测，得到预测数据。(6)最后，将得到的预测数据与气象局预测的数据进行进一步拟合，得到高精度土壤温湿度预测值。所述的步骤(1)中的对历史数据的存储，采用的土壤的湿度和温度数据需具备明显的时序数据特征，土壤的湿度和温度的数据都是截至当天最新的数据，过期数据将被去除避免给预测带来影响。所述的步骤(2)中对缺失值和异常值的处理，包括对于个别时间存在数据缺失的情况，需要对这些日期进行数据填充即将这些时间段对应的土壤湿度(或温度)置为前后时间段平均值，同时对于个别日期存在数据异常的情况，同样将这些日期对应的土壤使用量置为前后时间段平均值。即：所述的步骤(3)中的平稳性检验即采用ADF(AugmentDickey-Fuller)单位根进行平稳性检验，要求统计量对应的概率值P＞0.03时通过检验，否则土壤的历史数据不平稳，需要先进行差分运算后再进行ADF检验，直到土壤的历史湿度和温度数据为平稳的随机时间序列为止。所述的步骤(3)中的白噪声检验即采用Ljung-Box检验，要求统计量对应的概率值P＜0.03，则确定土壤的历史数据为非白噪声数据。所述的步骤(4)中的ARMA模型，是一种时间序列预测技术。时间序列预测技术就是通过对预测目标自身时间序列的处理，来研究其变化趋势的。其中，自回归滑动平均模型(Autoregressivemovingaveragemodel，ARMA)，由自回归模型(Autoregressivemodel，AR)和移动平均模型(Movingaveragemodel，MA)结合而成，是一种经典的时间序列分析方法，也叫ARMA模型。ARMA模型已被广泛应用于数据预测领域。所述的步骤(4)中的AR模型，AR模型可以预测与自身前期相关的经济现象或自然现象，因此，它可以反映土壤湿度和温度的当前值与其过去值的关系。AR模型是仅用它的过去值及随机扰动向所建立起来的模型。p阶AR模型的定义AR(p)可见公式(2)：式中，Xt表示t时刻土壤的湿度(或温度)；Tt表示t时刻大气的温度；Pt表示t时刻该区域的降水量；表示不同时刻的土壤的湿度(或温度)的权重；εt为平稳白噪声；如果则称为中心化AR(p)模型。由公式(2)可知，Xt的取值是前p期X的多元线性回归，意味着当前取值受过去p期序列之的影响，误差项εt代表的是零均值白噪声序列。所述的步骤(4)中的MA模型，MA模型描述的是自回归部分的误差累计，它反映了变量当前值与当前及过去误差项的关系。因此，q阶MA模型的定义MA(q)可见公式(3)：Yt＝C+εt-θ1·εt-1-θ2·εt-2-...-θq·εt-q(3)其中：C是Yt的均值，εt是当期的随机干扰误差项即零均值白噪声序列，θi是模型的参数，εt-i是前i期的扰动项，因此当期的随机干扰是前q期的随机扰动εt-1，εt-2，...，εt-q的多元线性函数。所述的步骤(4)中的ARMA模型，就是AR模型和MA模型的结合，一般适用于均值为0的平稳正态过程，于是可以从公式(2)和公式(3)推导出含有p阶自回归项和q阶移动平均项的ARMA(p，q)模型，表示为公式(4)：其中：θj是模型的参数，Xt-i是前i期滞后值，εi-j是前j期的扰动项，C是p期滞后值的均值与q期扰动值的均值相加，εt是当期的随机干扰误差项即零均值白噪声序列。所述步骤(4)中确定ARMA模型的自回归项阶数p和移动平均项阶数q所采用的AIC准则，AIC准则是信息论和统计学的重要研究成果。就是根据计算ARMA模型对应的AIC值，取AIC最小对应的p和q作为ARMA模型的自回归项阶数p和移动平均项阶数q，从而确立待训练拟合的ARMA模型。其中，AIC定阶准则为：选取p，q，使得：其中，N为样本容量，为的估计，与p和q有关，利用公式(6)即可确定ARMA模型的自回归项阶数p和移动平均项阶数q。关于准则中采用的参数估计的方法，有矩估计、逆函数估计、最小二乘估计、条件最小二乘估计、最大似然估计等方法。可以根据实际情况运用相应方法。所述步骤(4)在训练ARMA模型的过程中，需要计算ARMA模型的预测结果与土壤湿度和温度真实值之间的均方误差，若该均方误差大于设定的阈值，则以土壤湿度和温度记录时间为指标，使记录时间距离当前时间越近的土壤湿度和温度权重越高，发生时间距离当前时间越远的土壤湿度和温度权重越低，通过调节相应的权重再次输入数据对ARMA模型进行训练拟合；若该均方误差小于设定的阈值，则完成对ARMA模型的训练。所述的步骤(6)中的将得到的预测数据与气象局预测的数据进行进一步拟合，得到高精度土壤温湿度预测值，公式如下：X′t＝Xt+λT·Tt+λp·Pt+λT·P·Tt·Pt(6)其中，Tt表示t时；刻大气的温度；Pt表示t时刻该区域的降水量；λT、λP、λP·T表示不同参数的权重。X′i表示处理过后的高精度预测值。本文档来自技高网...

【技术保护点】
1.一种基于自回归滑动平均模型的长期土壤温湿度高精度预测方法，包含如下步骤：/n1)通过现场采集或者观测获得所需灌溉土壤的关键采样数据，包括土壤的区域坐标、温度、湿度以及历史灌溉频次，保留其中距离当前时间一年以内的历史使用数据加入至数据库中；/n2)对数据库中的历史数据进行预处理，包括对缺失值和异常值的处理、数据整理以及周期性分析；/n3)对预处理后土壤的历史数据进行平稳性检验和白噪声检验；/n4)利用AIC定界准则确定自回归滑动平均模型的自回归项阶数p和移动平均项阶数q，进而使用通过检验后的土壤历史数据对自回归滑动平均模型进行训练拟合，得出相应的参数；/n5)利用训练拟合完成得到的自回归滑动平均模型对未来长期内的土壤湿度和温度进行初步预测。/n6)最后，将得到的预测数据与气象局预测的数据进行进一步拟合，得到高精度土壤温湿度预测值。/n

【技术特征摘要】
1.一种基于自回归滑动平均模型的长期土壤温湿度高精度预测方法，包含如下步骤：
1)通过现场采集或者观测获得所需灌溉土壤的关键采样数据，包括土壤的区域坐标、温度、湿度以及历史灌溉频次，保留其中距离当前时间一年以内的历史使用数据加入至数据库中；
2)对数据库中的历史数据进行预处理，包括对缺失值和异常值的处理、数据整理以及周期性分析；
3)对预处理后土壤的历史数据进行平稳性检验和白噪声检验；
4)利用AIC定界准则确定自回归滑动平均模型的自回归项阶数p和移动平均项阶数q，进而使用通过检验后的土壤历史数据对自回归滑动平均模型进行训练拟合，得出相应的参数；
5)利用训练拟合完成得到的自回归滑动平均模型对未来长期内的土壤湿度和温度进行初步预测。
6)最后，将得到的预测数据与气象局预测的数据进行进一步拟合，得到高精度土壤温湿度预测值。


2.根据权利要求1所述的对土壤历史数据的缺失值和异常值的处理，包括对于个别时间存在数据缺失的情况，需要对这些日期进行数据填充即将这些时间段对应的土壤湿度(或温度)置为前时间点土壤湿度和后时间点土壤湿度的平均值，同时对于个别日期存在数据异常的情况，同样将这些日期对应的土壤使用量置为前时间点土壤湿度和后时间点土壤湿度的平均值。


3.根据权利要求1所述的平稳性检验，其特征在于采用ADF单位根...

【专利技术属性】
技术研发人员：杨世品，许云辰，李丽娟，
申请(专利权)人：南京工业大学，
类型：发明
国别省市：江苏;32