一种基于循环神经网络的水稻产量预测方法技术

本发明专利技术公开了一种基于循环神经网络的水稻产量预测方法，该方法先收集目标城市预设固定时间内的历史气象监测数据和水稻产量数据；再对历史气象监测数据进行预处理，包括对连续特征数据进行数据归一化处理，对离散特征数据进行独热编码等；然后使用循环神经网络LSTM构建特征网络结构，并采用改进后的三层双向LSTM建立水稻产量预测模型；最后通过水稻产量预测模型，得到下一年的水稻产量预测结果。该方法提高了水稻产量预测的准确率，提升了模型的泛化能力，让模型更具有鲁棒性，且模型具有更高效的学习能力。

【技术实现步骤摘要】
一种基于循环神经网络的水稻产量预测方法
本专利技术属于农业生产
，具体涉及一种基于循环神经网络的水稻产量预测方法。
技术介绍
水稻是世界三大粮食作物之一，是我国最主要的粮食作物，全国65％以上的人口以稻米为主食。我国水稻播种面积占全国粮食播种面积的27％左右，产量占全国粮食总产量的37％左右。同时水稻产量的预测是精准农业中的一部分，当今世界农业发展的新趋势就是精准农业，世界各国普遍关注水稻产量的预测，因此，水稻产量的准确预测对我国农业政策调整和保障我国粮食安全问题具有重要意义。目前，国内学者在粮食产量的预测上做了大量的研究工作。国内学者大多数采用指数平滑、灰色预测等时间序列方法，通常是建立在数学模型的基础上进行的，它的不足在于无法消除长期趋势，最终造成相邻年份影响当期产量的现象。剩余法是利用某种方法如移动平均、直线滑动平均模拟法等，将趋势与波动进行分离，着重考察其绝对波动产量。之前的研究往往关注历史波动情况，对长期变动预测趋势方面的模拟工作做的不够。还有一类是用指数平滑法，这种方法对系数的要求比较高，采用不一样的平滑系数往往会得到相差很大的不同结果，最终预测的结果与实际结果相差很远。上述这些方法均实现了依据历史气象监测数据对未来水稻产量进行预测，但是他们的共有的问题是：预测方法较为复杂，对历史数据的利用、整合有待加强，泛化能力以及水稻产量预测准确率都有待提高。
技术实现思路
针对现有技术中的上述不足，本专利技术提供的一种基于循环神经网络的水稻产量预测方法解决现有的水稻产量预测准确度差、效率低的问题。为了达到以上目的，本专利技术采用的技术方案为：本方案提供一种基于循环神经网络的水稻产量预测方法，包括以下步骤：S1、收集目标城市预设固定时间内的历史气象监测数据和水稻产量数据；S2、对所述历史气象监测数据进行预处理，并将预处理后的历史气象监测数据划分为训练集数据、测试集数据和验证集数据；S3、利用三层双向LSTM循环神经网络构建特征网络结构；S4、利用所述训练集数据对特征网络结构进行训练，并利用所述验证集数据对特征网络结构进行验证，得到水稻产量预测模型；S5、利用所述水稻产量预测模型对水稻产量数据和测试集数据进行预测，得到下一年的水稻产量预测结果，完成对水稻产量的预测。本专利技术的有益效果是：本专利技术在构造循环神经网络的过程中，改进了LSTM网络模型，建立了三层双向LSTM模型结构，该模型结构在利用到过去信息的同时，还能捕捉到后续的特征信息，会使得预测结果更加准确，改进的三层双向LSTM网络模型提高了水稻产量预测的准确率，提升了模型的泛化能力，让模型更具有鲁棒性，且模型具有更高效的学习能力。进一步地，所述步骤S1中历史气象数据包括每日日照时间、每隔6小时的风向、平均风速、降水量、平均温度、相对湿度以及平均气压。上述进一步方案的有益效果是：本专利技术获取了详细的历史气象数据，数据量大，特征多，可使模型精度更高。再进一步地，所述步骤S2包括以下步骤：S201、删除历史气象监测数据中的异常值，将“\”和“*”替换成“0”，并采用前N个和后N个缺失数据取平均值的方法对缺失数据进行填补；S202、对连续特征数据进行数据归一化处理，将连续特征数据转换到0-1的范围区间；S203、针对离散特征数据中的区县ID特征，对所述区县ID特征进行独热编码，并使用N个特征记录N个区县的ID特征；以及针对离散特征数据中的风向特征，将所述风向特征由字符转换成二维的向量，其中，所述二维向量的第一个维度代表水平方向，所述二维向量的第二个维度代表竖直方向；S204、将经步骤S202与步骤S203处理后的气象特征数据和区县ID特征分开存储，并设某年·某县的气象特征数据为(360，17)，完成对所述历史气象监测数据的预处理；S205、将预处理后的历史气象监测数据划分为训练集数据、验证集数据以及测试集数据。上述进一步方案的有益效果是：本专利技术对历史气象数据进行数据预处理，其中处理了噪声，并将数据数值化，使之符合循环神经网络模型输入标准。再进一步地，所述步骤S3中特征网络结构包括依次连接的第一输入层、第一双向LSTM循环神经网络层、第二双向LSTM循环神经网络层、第三双向LSTM循环神经网络层、第一全连接层和输出层，以及依次连接的第二输入层、第二全连接层和第三全连接层；所述第三全连接层与输出层连接。再进一步地，所述第一输入层输入端和输出端的气象特征数据均为(360，17)；所述第二输入层输入端和输出端的区县ID特征数据均为(88，)；所述输出层输入端包括经第一全连接层输出的水稻产量预测值(1，)以及经第三全连接层输出的区县ID特征数据(1，)，所述输出层输出最终的水稻产量预测值；所述第一双向LSTM循环神经网络层输入端的气象特征数据为(360，17)，所述第一双向LSTM循环神经网络层输出端的气象特征数据为(360，64)；所述第二双向LSTM循环神经网络层输入端和输出端的气象特征数据均为(360，64)；所述第三双向LSTM循环神经网络层输入端的气象特征数据为(360，64)，所述第三双向LSTM循环神经网络层输出端的气象特征数据为(128，)；所述第一全连接层输入端的气象特征数据为(128，)，所述第一全连接层输出端输出水稻产量预测值(1，)；所述第二全连接层输入端的区县ID特征数据为(88，)，所述第二全连接层输出端的区县ID特征数据为(32，)；所述第三全连接层输入端的区县ID特征数据为(32，)，所述第三全连接层输出端的区县ID特征数据为(1，)。上述进一步方案的有益效果是：气象特征是随着时间连续变化的，LSTM循环神经网络能很好的从前后关联紧密的数据中学习特征。而区县ID与产量之间的关系是，地理位置与产量之间的关系，可以使用两个全连接层学习其映射，可以提升模型预测的准确率。再进一步地，所述步骤S3包括以下步骤：S301、获取气象特征数据(360，17)和区县ID特征数据(88，)与标签之间的映射关系；S302、构建三层双向LSTM循环神经网络；S303、设置L2正则化参数、Adam优化器参数以及损失函数Huber；S304、根据所述气象特征数据(360，17)，利用第一全连接层输出得到水稻产量预测值p；S305、根据所述区县ID特征数据(88，)与水稻产量之间的映射关系，利用激活函数得到值域为(0，1)的门限控制器值c；S306、利用所述门限控制器值c调节水稻产量预测值p，得到最终的水稻产量预测值c*p；S307、根据所述三层双向LSTM循环神经网络，并利用所述最终的水稻产量预测值c*p与步骤S301中的映射关系，构建特征网络结构。上述进一步方案的有益效果是：本专利技术使用Huber损失函数，使得模型更具有鲁棒性，使用L2正则化，防止模型过拟合，使用Adam优化器，可以使模型更快更好地收敛，模型预测的效果会更好。同时使用本文档来自技高网...

【技术保护点】
1.一种基于循环神经网络的水稻产量预测方法，其特征在于，包括以下步骤：/nS1、收集目标城市预设固定时间内的历史气象监测数据和水稻产量数据；/nS2、对所述历史气象监测数据进行预处理，并将预处理后的历史气象监测数据划分为训练集数据、测试集数据和验证集数据；/nS3、利用三层双向LSTM循环神经网络构建特征网络结构；/nS4、利用所述训练集数据对特征网络结构进行训练，并利用所述验证集数据对特征网络结构进行验证，得到水稻产量预测模型；/nS5、利用所述水稻产量预测模型对水稻产量数据和测试集数据进行预测，得到下一年的水稻产量预测结果，完成对水稻产量的预测。/n

【技术特征摘要】
1.一种基于循环神经网络的水稻产量预测方法，其特征在于，包括以下步骤：
S1、收集目标城市预设固定时间内的历史气象监测数据和水稻产量数据；
S2、对所述历史气象监测数据进行预处理，并将预处理后的历史气象监测数据划分为训练集数据、测试集数据和验证集数据；
S3、利用三层双向LSTM循环神经网络构建特征网络结构；
S4、利用所述训练集数据对特征网络结构进行训练，并利用所述验证集数据对特征网络结构进行验证，得到水稻产量预测模型；
S5、利用所述水稻产量预测模型对水稻产量数据和测试集数据进行预测，得到下一年的水稻产量预测结果，完成对水稻产量的预测。


2.根据权利要求1所述的基于循环神经网络的水稻产量预测方法，其特征在于，所述步骤S1中历史气象数据包括每日日照时间、每隔6小时的风向、平均风速、降水量、平均温度、相对湿度以及平均气压。


3.根据权利要求1所述的基于循环神经网络的水稻产量预测方法，其特征在于，所述步骤S2包括以下步骤：
S201、删除历史气象监测数据中的异常值，将“\”和“*”替换成“0”，并采用前N个和后N个缺失数据取平均值的方法对缺失数据进行填补；
S202、对连续特征数据进行数据归一化处理，将连续特征数据转换到0-1的范围区间；
S203、针对离散特征数据中的区县ID特征，对所述区县ID特征进行独热编码，并使用N个特征记录N个区县的ID特征；以及
针对离散特征数据中的风向特征，将所述风向特征由字符转换成二维的向量，其中，所述二维向量的第一个维度代表水平方向，所述二维向量的第二个维度代表竖直方向；
S204、将经步骤S202与步骤S203处理后的气象特征数据和区县ID特征分开存储，并设某年·某县的气象特征数据为(360，17)，完成对所述历史气象监测数据的预处理；
S205、将预处理后的历史气象监测数据划分为训练集数据、验证集数据以及测试集数据。


4.根据权利要求3所述的基于循环神经网络的水稻产量预测方法，其特征在于，所述步骤S3中特征网络结构包括依次连接的第一输入层、第一双向LSTM循环神经网络层、第二双向LSTM循环神经网络层、第三双向LSTM循环神经网络层、第一全连接层和输出层，以及依次连接的第二输入层、第二全连接层和第三全连接层；所述第三全连接层与输出层连接。


5.根据权利要求4所述的基于循环神经网络的水稻产量预测方法，其特征在于，所述第一输入层输入端和输出端的气象特征数据均为(360，17)；所述第二输入层输入端和输出端的区县ID特征数据均为(88，)；所述输出层输入端包括经第一全连接层输出的水稻产量预测值(1，)以及经第三全连接层输出的区县ID特征数据(1，)...

【专利技术属性】
技术研发人员：李潇，熊洋，
申请(专利权)人：空间信息产业发展股份有限公司，
类型：发明
国别省市：四川;51