一种基于时间序列的温度预测方法及系统技术方案

本发明专利技术公开了一种基于时间序列的温度预测方法及系统，属于微控制器及机器学习技术领域，该方法基于微控制器设备和微型机器学习实现时间序列预测温度，利用微型机器学习模型在微控制器上部署机器学习，从而通过微控制器设备进行时间序列温度预测；其实现过程包括：在具有高性能计算资源的云上训练模型；将模型转换为精简框架，使模型适应轻量化环境；在特定的微控制器上运行推理。本发明专利技术能够通过低成本、低功耗、近似性能的边缘计算替代方案实现了温室的温度预测，实现温室的有效实施控制，最大限度地减少能源的浪费。最大限度地减少能源的浪费。最大限度地减少能源的浪费。

【技术实现步骤摘要】
一种基于时间序列的温度预测方法及系统


[0001]本专利技术涉及微控制器及机器学习
，具体地说是一种基于时间序列的温度预测方法及系统。

技术介绍

[0002]近年来，在农业领域出现了很多新技术，为农业生产带来很多好处，如温室种植，根据温室气候的变化，温室控制系统要控制执行器进行相应的调整，如果温度过低，就要通过加热系统来增加温度，如果温度过高，就要控制通风、遮阳系统等。大多数温室控制系统通常根据实际温度值对控制器进行控制，从而会产生控制和调整的滞后现象，并不能很好的保证温室始终处于最佳值。
[0003]另外，在温室控制系统中会用到一些智能的小型设备，这些设备能够收集大量的数据，可以使用机器算法进行分析。目前，在机器算法上执行的标准方法是在云中执行它们，然后将结果发送到所需的位置，但这个过程会造成通信延迟。且由于本地数据向中央计算单位公开，这种方法可能会使网络饱和并带来一些隐私问题。

技术实现思路

[0004]本专利技术的技术任务是针对以上不足之处，提供一种基于时间序列的温度预测方法及系统，能够通过低成本、低功耗、近似性能的边缘计算替代方案实现了温室的温度预测，实现温室的有效实施控制，最大限度地减少能源的浪费。
[0005]本专利技术解决其技术问题所采用的技术方案是：
[0006]一种基于时间序列的温度预测方法，基于微控制器设备和微型机器学习实现时间序列预测温度，利用微型机器学习模型在微控制器上部署机器学习，从而通过微控制器设备进行时间序列温度预测；其实现过程包括：
>[0007]在具有高性能计算资源的云上训练模型；
[0008]将模型转换为精简框架，使模型适应轻量化环境；
[0009]在特定的微控制器上运行推理。
[0010]本方法主要针对机器学习(ML)方法在温度预测中的应用，自动化温室主要目标是通过自动化温室和监控室内环境状态，最大限度地减少能源的浪费。通过本方法的应用，可以通过预测温度来改进温室内温室环境控制延后的现象，控制系统就可以提前对温室环境即将发生的变化做出相应的调整，保证温室内始终处于最佳环境。
[0011]在边缘设备上直接运行机器学习(ML)方法，能够有效解决目前机器算法在云中执行，本地数据向中央计算单位公开，可能会使网络饱和并带来的隐私问题。
[0012]优选的，利用某一场景的时间序列的温度数据，进行训练、验证和转化，最后部署到微型控制器上面进行场景的温度预测。
[0013]优选的，所述在具有高性能计算资源的云上训练模型，以时间序列为基础进行温度数据的收集，然后进行数据的预处理和转换，再进行机器学习模型的开发和使用训练集
的训练，完成模型训练。
[0014]在这个阶段之后，已经可以在测试集中测试模型，以了解性能。
[0015]进一步的，针对所述完成训练的模型，可根据需要，采用不同的参数重复训练模型。
[0016]优选的，将模型转换为精简框架包括从TensorFlow转换到TensorFlow Lite，即tflite模型。此步骤是微型机器学习TinyML过程的关键部分，因为将模型转换为Tensorflow lite(tflite)等精简框架允许对微控制器进行推理。
[0017]进一步的，所述模型在Arduino设备上运行时，再进行另一次从tflite模型到C字节数组的转换。
[0018]进一步的，在特定的微控制器上运行推理，通过Arduino IDE进行部署，使训练好的模型在微控制器上运行推理，
[0019]将得到的C字节数组嵌入到推理的应用程序里面，然后运行温度的预测和下一步的决策。
[0020]本专利技术还要求保护一种基于时间序列的温度预测系统，基于微控制器设备和微型机器学习实现时间序列预测温度，利用微型机器学习模型在微控制器上部署机器学习；所述微控制器设备通过传感器获取新数据，并直接运行将实时预测温度的模型。
[0021]该系统通过上述的基于时间序列的温度预测方法实现通过微控制器设备进行时间序列温度预测。
[0022]优选的，该系统进行微型机器学习模型训练并通过微控制器设备实现时间序列预测温度，其实现依次通过数据收集、数据预处理、模型训练、模型转换、C字节转换和MCU模型部署，利用某一场景的时间序列的温度数据，进行训练、验证和转化，最后部署到微型控制器上进行场景的温度预测。
[0023]本专利技术还要求保护一种基于时间序列的温度预测装置，包括微控制器设备及高性能计算设备，该装置实现上述的基于时间序列的温度预测方法。
[0024]本专利技术的一种基于时间序列的温度预测方法及系统与现有技术相比，具有以下有益效果：
[0025]本方法利用TinyML的轻量化模型在价格便宜和低功耗的微控制器上面部署机器学习，达到跟高算力高性能的设备近似的功能和效果，利用某一场景的时间序列的温度数据，进行训练，验证，转化，最后部署到微型控制器上面进行场景的温度预测，是一种低成本、低功耗、近似性能的边缘解决方案。
[0026]自动化温室主要目标是通过自动化温室和监控室内环境状态，最大限度地减少能源的浪费。通过本方法的应用，可以通过预测温度来改进温室内温室环境控制延后的现象，控制系统就可以提前对温室环境即将发生的变化做出相应的调整，保证温室内始终处于最佳环境。
[0027]在边缘设备上直接运行机器学习(ML)方法，能够有效解决目前机器算法在云中执行，本地数据向中央计算单位公开，可能会使网络饱和并带来的隐私问题。本方法中的微控制器设备与边缘计算方法进行比较，由于使用的设备是低功耗的微控制器，放弃了高性能的边缘设备，在预测的场景下，其性能将在功耗、能量、执行时间和预测的准确性方面都是不错的替代方法。
附图说明
[0028]图1是本专利技术实施例提供的基于时间序列的温度预测实现过程框图。
具体实施方式
[0029]下面结合具体实施例对本专利技术作进一步说明。
[0030]本专利技术实施例提供了一种基于时间序列的温度预测方法，基于微控制器(MCU)设备和微型机器学习(TinyML)实现时间序列预测温度，利用微型机器学习模型在微控制器上部署机器学习，从而通过微控制器设备进行时间序列温度预测。
[0031]该方法的核心模块为TinyML项目的建立，其实现过程如下：
[0032]步骤1：在有高性能计算资源的云上训练模型。
[0033]在某一场景里面，以时间序列为基础进行温度数据的收集，然后进行数据的预处理和转换，并进行机器学习模型的开发和使用训练集的训练。
[0034]在这个阶段之后，已经可以在测试集中测试模型，以了解性能，如果有必要的话，可以使用不同的参数重新训练模型。
[0035]步骤2：使模型适应轻量化环境。
[0036]例如，从TensorFlow转换到TensorFlow Lite。此步骤是TinyML过程的关键部分，因为将模型转换为Tensorflow lite(tflite)等精简框架本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于时间序列的温度预测方法，其特征在于，基于微控制器设备和微型机器学习实现时间序列预测温度，利用微型机器学习模型在微控制器上部署机器学习，从而通过微控制器设备进行时间序列温度预测；其实现过程包括：在具有高性能计算资源的云上训练模型；将模型转换为精简框架，使模型适应轻量化环境；在特定的微控制器上运行推理。2.根据权利要求1所述的一种基于时间序列的温度预测方法，其特征在于，利用某一场景的时间序列的温度数据，进行训练、验证和转化，最后部署到微型控制器上面进行场景的温度预测。3.根据权利要求1或2所述的一种基于时间序列的温度预测方法，其特征在于，所述在具有高性能计算资源的云上训练模型，以时间序列为基础进行温度数据的收集，然后进行数据的预处理和转换，再进行机器学习模型的开发和使用训练集的训练，完成模型训练。4.根据权利要求3所述的一种基于时间序列的温度预测方法，其特征在于，对所述模型采用不同的参数重复训练。5.根据权利要求1或2所述的一种基于时间序列的温度预测方法，其特征在于，将模型转换为精简框架包括从TensorFlow转换到TensorFlow Lite，即tflite模型。6.根据权利要求5所述的一种基于时间序列的温度预测方法，其特征在于，所述模型在Arduino设备上运行时，再进行另...

【专利技术属性】
技术研发人员：朱翔宇，李锐，张晖，张立勇，
申请(专利权)人：山东浪潮科学研究院有限公司，
类型：发明
国别省市：