本发明专利技术实施例公开了基于物联网的脐橙产量预测方法，利用多个果园传感器、多个三角模糊数时间序列神经网络、多个LSTM长短期记忆神经网络、脐橙园多点环境融合模型和脐橙产量预测模块五个部分组成。脐橙园多个传感器感知被检测点的温度、湿度等环境数据。该数据作为对应LSTM长短期记忆神经网络的输入，多个LSTM长短期记忆神经网络的输出作为多个三角模糊数时间序列神经网络的输入，多个三角模糊数时间序列神经网络的输出作为脐橙园多点环境融合模型的输入，融合模型的输出作为脐橙产量预测模块的输入，脐橙产量预测模块预测脐橙园产量，本方法可以替代传统人工抽样采集预测，极大程度上降低人工和时间成本，同时也提高了预测的精度。测的精度。测的精度。
【技术实现步骤摘要】
基于物联网的脐橙产量预测方法、装置、计算机设备
[0001]本专利技术涉及农业数据预测
，尤其涉及基于物联网的脐橙产量预测方法、装置、计算机设备。
技术介绍
[0002]脐橙是世界食用广泛的水果之一，中国是世界上脐橙的生产和消费大国，在世界脐橙产业中占有重要地位。目前预测和评估脐橙产量的常用方法是人工抽取部分果树，逐棵数出苹果数量后用抽样调查的方法大致估算。此种方法人工、时间成本高昂且精度不高。
技术实现思路
[0003]本专利技术实施例提供了基于物联网的脐橙产量预测方法、装置、计算机设备，以解决传统预测脐橙产量人工成本高、耗时久的问题。
[0004]为达到上述目的，本专利技术实施例的技术方案是这样实现的：
[0005]本专利技术实施例提供了一种基于物联网的脐橙产量预测方法，所述方法包括：
[0006]在时间序列上，接收脐橙圆多个被检测点的环境信息，其中，所述环境信息包括温度和湿度；
[0007]根据多个所述环境信息，按照LSTM长短期记忆神经网络的计算策略，提取得到多个第一信息，其中，所述第一信息为价值密度大于对应的所述环境信息的温度和湿度数据；
[0008]根据多个所述第一信息，按照三角模糊数时间序列神经网络计算策略，得到多个第二信息，所述第二信息为对应的所述第一信息的三角模糊数值；
[0009]根据多个所述第二信息，按照脐橙园多点环境融合模型计算策略，得到第三信息，所述第三信息为所有的所述第二信息的融合值；
[0010]根据脐橙园产量的历史信息和所述第三信息，按照脐橙产量预测模块的计算策略，得到脐橙园产量的预测值，其中，所述预测值为三角模糊数预测值。
[0011]优选的，所述根据多个所述第一信息，按照三角模糊数时间序列神经网络计算策略，得到多个第二信息，包括；
[0012]根据多个所述第一信息，按照径向基神经网络模型的计算策略，得到优化后的多个所述第一信息；
[0013]根据优化后的多个所述第一信息，按照NARX神经网络模型的计算策略，得到多个所述第二信息，所述第二信息为对应的所述第一信息的三角模糊数值，且，表示被检测点的温度和湿度的下限值、最大可能值和上限值。
[0014]优选的，所述根据多个所述第二信息，按照脐橙园多点环境融合模型计算策略，得到第三信息，包括：
[0015]在指定时间间隔内，各被检测点的温度和湿度的三角模糊数构成温度和湿度时间序列三角模糊数阵列，再分别计算各检测点的温度和湿度时间序列三角模糊数值与正负理想值之间的距离；
[0016]通过与负理想值的距离的平方除以与正理想值的距离得到每个被检测点温度和湿度时间序列三角模糊数值与正负理想值的相对贴进度再通过，每个检测点的相对贴进度的平方除以所有检测点的相对贴进度的总和得到每个检测点的融合权重；
[0017]根据每个被检测点的时间序列三角模糊数的值与该检测点的融合权重的积的和为所有时间序列三角模糊数的融合值，即为所述第三信息。
[0018]优选的，所述根据脐橙园产量的历史信息和所述第三信息，按照脐橙产量预测模块的计算策略，得到脐橙园产量的预测值，包括：
[0019]根据脐橙园产量的历史信息，按照三角模糊数预测模型的计算策略，得到历史产量数据时间序列；
[0020]根据所述第三信息和所述历史产量数据时间序列，按照T
‑
S型模糊神经网络校正模型的计算策略，得到脐橙园产量三角模糊数预测值。
[0021]优选的，所述接收脐橙圆多个被检测点的环境信息，包括：
[0022]接收温度传感器和湿度传感器实时传输的脐橙圆多个被检测点的环境信息。
[0023]优选的，所述接收脐橙圆多个被检测点的环境信息，包括：
[0024]接收人工输入的脐橙圆多个被检测点的环境信息。
[0025]本专利技术实施例还提供了一种基于物联网的脐橙产量预测装置，包括：
[0026]接收模块，用于在时间序列上，接收脐橙圆多个被检测点的环境信息；
[0027]第一计算模块，用于根据多个所述环境信息，按照LSTM长短期记忆神经网络的计算策略，提取得到多个第一信息；
[0028]第二计算模块，用于根据多个所述第一信息，按照三角模糊数时间序列神经网络计算策略，得到多个第二信息；
[0029]第三计算模块，用于根据多个所述第二信息，按照脐橙园多点环境融合模型计算策略，得到第三信息；
[0030]第四计算模块，用于根据脐橙园产量的历史信息和所述第三信息，按照脐橙产量预测模块的计算策略，得到脐橙园产量的预测值。
[0031]本专利技术实施例还提供了一种计算机设备，包括：处理器和用于存储能够在处理器上运行的计算机程序的存储器，其中所述处理器用于运行所述计算机程序时，实现所述的预测方法。
[0032]本专利技术实施例还提供了一种计算机存储介质，存储有可执行程序，所述可执行程序被处理器执行时，实现所述的预测方法。
[0033]上述实施例所提供的预测方法，利用多个果园传感器、多个三角模糊数时间序列神经网络、多个LSTM长短期记忆神经网络、脐橙园多点环境融合模型和脐橙产量预测模块五个部分组成。脐橙园多个传感器感知被检测点的温度、湿度等环境数据。该数据作为对应LSTM长短期记忆神经网络的输入，多个 LSTM长短期记忆神经网络的输出作为多个三角模糊数时间序列神经网络的输入，多个三角模糊数时间序列神经网络的输出作为脐橙园多点环境融合模型的输入，融合模型的输出作为脐橙产量预测模块的输入，脐橙产量预测模块预测脐橙园产量，本方法可以替代传统人工抽样采集预测，极大程度上降低人工和时间成本，同时也提高了预测的精度。
附图说明
[0034]图1为本专利技术一实施例所提供的方法的流程示意图；
[0035]图2为本专利技术一实施例所提供的脐橙园数据采集平台和脐橙产量预测系统示意图；
[0036]图3为本专利技术一实施例所提供的装置的结构示意图；
[0037]图4为本专利技术一实施例所提供的计算机设备的结构示意图；
具体实施方式
[0038]以下结合实施例，对本专利技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本专利技术，并不用于限定本专利技术。
[0039]除非另有定义，本文所使用的所有的技术和科学术语与属于本专利技术的
的技术人员通常理解的含义相同。本文中在本专利技术的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本专利技术。本文所使用的术语“和/或”包括一个或多个相关的所列项目的任意的和所有的组合。
[0040]本专利技术实施例中提供的一种基于物联网的脐橙产量预测方法，属于农业数据预测
，应用场景可以为：脐橙产量预测。可以理解的是，现有技术中，预测和评估脐橙产量的常用方法是人工抽取部分果树，逐棵数出苹果数量后用抽样调查的方法大致估算。此种方法人工、时间成本高昂且精度不高。
[0041]基于此，如何提高预测脐橙产量的成本、精度成为了本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于物联网的脐橙产量预测方法，其特征在于，所述方法包括：在时间序列上，接收脐橙圆多个被检测点的环境信息，其中，所述环境信息包括温度和湿度；根据多个所述环境信息，按照LSTM长短期记忆神经网络的计算策略，提取得到多个第一信息，其中，所述第一信息为价值密度大于对应的所述环境信息的温度和湿度数据；根据多个所述第一信息，按照三角模糊数时间序列神经网络计算策略，得到多个第二信息，所述第二信息为对应的所述第一信息的三角模糊数值；根据多个所述第二信息，按照脐橙园多点环境融合模型计算策略，得到第三信息，所述第三信息为所有的所述第二信息的融合值；根据脐橙园产量的历史信息和所述第三信息，按照脐橙产量预测模块的计算策略，得到脐橙园产量的预测值，其中，所述预测值为三角模糊数预测值。2.根据权利要求1所述的方法，其特征在于，所述根据多个所述第一信息，按照三角模糊数时间序列神经网络计算策略，得到多个第二信息，包括；根据多个所述第一信息，按照径向基神经网络模型的计算策略，得到优化后的多个所述第一信息；根据优化后的多个所述第一信息，按照NARX神经网络模型的计算策略，得到多个所述第二信息，所述第二信息为对应的所述第一信息的三角模糊数值，且，表示被检测点的温度和湿度的下限值、最大可能值和上限值。3.根据权利要求1所述的方法，其特征在于，所述根据多个所述第二信息，按照脐橙园多点环境融合模型计算策略，得到第三信息，包括：在指定时间间隔内，各被检测点的温度和湿度的三角模糊数构成温度和湿度时间序列三角模糊数阵列，再分别计算各检测点的温度和湿度时间序列三角模糊数值与正负理想值之间的距离；通过与负理想值的距离的平方除以与正理想值的距离得到每个被检测点温度和湿度时间序列三角模糊数值与正负理想值的相对贴进度再通过，每个检测点的相对贴进度的平方除以所有检测点的相对贴进度的总和得到每个检测点的融合权重；根据每个被检测点...
【专利技术属性】
技术研发人员：张秋谦，李麟，张继生，张家林，
申请(专利权)人：江西裕丰智能农业科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。