【技术实现步骤摘要】
本专利技术涉及农业信息，具体而言，涉及一种基于模型融合的农作物病虫害指标预测方法及装置。
技术介绍
1、农作物病虫害是主要农业灾害之一，特点是种类多、影响大、并时常暴发成灾，农作物病虫害会引起营养供给受阻，生长发育受缓，进而导致产量降低，品质下降。
2、而现有技术中对农作物病虫害的预测，往往采用单一模型拟合预测，但由于各个模型的适用性不同会导致较大误差，使预测结果准确率低，进而当农作物病虫害达到预警值，无法及时有针对性的防治各类病虫害。
技术实现思路
1、本专利技术解决的问题是如何提高对农作物病虫害预测的准确率。
2、为解决上述问题，本专利技术提供一种基于模型融合的农作物病虫害预测方法，包括如下步骤：
3、获取待预测农作物病虫害及相应的历史数据，并根据所述历史数据生成时间序列数据集，所述时间序列数据集包括多组子序列数据；
4、获取预测模型集合，且所述预测模型集合包括多个预测模型；
5、根据所述预测模型对待预测的子序列数据进行预测，得到临时预测数据，所述待预测的子序列数据为任一组所述子序列数据；
6、获取当前检验偏差系数和所述预测模型的当前权重系数；
7、根据所有所述临时预测数据、所述当前检验偏差系数和所有所述预测模型的当前权重系数，得到最终预测结果。
8、可选地，所述根据所有所述临时预测数据、所述当前检验偏差系数和所有所述预测模型的当前权重系数，得到最终预测结果，包括：
9、
10、
11、其中，k表示预测时间次数，是第k次第i个所述预测模型的的临时预测数据，是第k次中第i个所述预测模型的权重系数，且n是所述预测模型的总数，λ(k)是第k次的校验偏差系数。
12、可选地，所述获取当前检验偏差系数和所述预测模型的当前权重系数，根据所有所述临时预测数据、所述当前检验偏差系数和所有所述预测模型的当前权重系数，得到最终预测结果，包括：
13、获取所述待预测的子序列数据对应的预测时间次数k；
14、当k等于1时，获取初始检验偏差系数作为所述当前检验偏差系数，并获取所述预测模型的初始权重系数为所述预测模型的当前权重系数；
15、根据所述预测模型对所述待预测的子序列数据进行预测，得到所述临时预测数据；
16、根据所有所述临时预测数据、所述初始检验偏差系数和所有初始权重系数，得到初始预测结果，所述初始预测结果作为所述最终预测结果。
17、可选地，所述获取当前检验偏差系数和所述预测模型的当前权重系数，根据所有所述临时预测数据、所述当前检验偏差系数和所有所述预测模型的当前权重系数，得到最终预测结果，还包括：
18、当k大于1时，根据第k-1次的所述最终预测结果和第k次的实测数据对第k-1次的所述检验偏差系数进行调整，得到第k次的所述检验偏差系数；
19、根据所述预测模型对第k-1次对应的所述子序列数据进行预测，得到第k-1次预测的所述临时预测数据；
20、根据第k-1次的所述临时预测数据和第k次的所述实测数据对第k次的所述权重系数进行调整，得到第k次的所述权重系数；
21、根据所述预测模型对第k次对应的所述子序列数据进行预测，得到第k次的所述临时预测数据；
22、根据所有第k次的所述临时预测数据、第k次的所述检验偏差系数和所有第k次的所述权重系数，得到第k次的所述最终预测结果。
23、可选地，所述根据第k-1次的所述最终预测结果和第k次的实测数据对第k次的所述检验偏差系数进行调整，得到第k次的所述检验偏差系数，包括：
24、根据第k次的所述实测数据和第k-1次的所述最终预测结果，通过式二计算得到第k次的所述检验偏差系数，所述式二为：
25、
26、其中，k表示所述预测时间次数，r(k)是第k-1次的所述实测数据，是第k-1次的所述最终预测结果。
27、可选地，所述根据第k-1次的所述临时预测数据和第k次的所述实测数据对第k次的所述权重系数进行调整，得到第k次的所述权重系数，包括：
28、将所述预测模型根据每个第k-1次的所述临时预测数据和第k次的所述实测数据的差值进行升序排列，并根据所述预测模型总数的中位数将所述预测模型集合进行划分，得到第一组序列和第二组序列；
29、将所述第二组序列中的权重系数调整至原来的一半作为调整后的所述第二组序列的权重系数，并根据调整后的所述第二组序列的权重系数调整所述第一组序列的权重系数。
30、可选地，所述根据调整后的所述第二组序列的权重系数调整所述第一组序列的权重系数，包括：
31、将所述第二组序列根据调整后的所述第二组序列的权重系数进行降序排序；
32、根据调整后的所述第二组序列的权重系数按顺序依次增加至与所述第二组序列位置对应的所述第一组序列的权重系数上。
33、可选地，所述基于模型融合的农作物病虫害预测方法还包括：
34、获取新的预测模型；
35、将所述新的预测模型增至所述预测模型集合中，并根据当前所述预测模型集合中所述预测模型的总数调整所述预测模型的当前权重系数。
36、可选地，所述基于模型融合的农作物病虫害预测方法还包括：
37、获取所述预测模型的总数和预设条件；
38、当所述预测模型的总数不满足所述预设条件，将所述新的预测模型增至所述预测模型集合中；
39、当所述预测模型的总数满足所述预设条件，获取预设权重阈值；
40、当所述当前权重系数小于所述预设权重阈值，将对应的所述预测模型剔除，并将剔除的所述预测模型的当前权重系数累加至所述预测模型集合中当前权重系数最大的所述预测模型上。
41、本专利技术所述的基于模型融合的农作物病虫害预测方法相对于现有技术的优势在于：首先通过确定待预测农作物病虫害，即预测对象，例如小麦的百株蚜，麦蜘蛛的尺单行虫，小麦白粉病，玉米螟百株低龄虫等，将获取农作物病虫害的历史数据转化为时间序列数据集，历史数据为预测对象对应的历史数据，例如选取连续5天小麦的百株蚜的每日均量为历史数据，将历史数据转化为以预设时间段为单位的子序列数据，根据选取的多个不同预测模型对一组子序列数据进行预测得到不同的临时预测数据，基于模型融合，将临时预测数据根据当前检验偏差系数和所述预测模型的当前权重系数进行数据融合，得到最终预测结果；基于多个预测模型的融合，使得最终预测结果更接近实测数据，提高了预测准确度，通过预测农作物病虫害的数量，当达到预警值，及时有针对性的防治各类病虫害，确保把即将爆发的病虫害扼杀在摇篮中，并减少乱用农药、滥用农药的问题。
42、为解决上述技术问题，本专利技术还提供一种基于本文档来自技高网...
【技术保护点】
1.一种基于模型融合的农作物病虫害指标预测方法，其特征在于，包括：
2.根据权利要求1所述的基于模型融合的农作物病虫害指标预测方法，其特征在于，所述根据所有所述临时预测数据、所述当前检验偏差系数和所有所述预测模型的当前权重系数，得到最终预测结果，包括：
3.根据权利要求2所述的基于模型融合的农作物病虫害指标预测方法，其特征在于，所述获取当前检验偏差系数和所述预测模型的当前权重系数，根据所有所述临时预测数据、所述当前检验偏差系数和所有所述预测模型的当前权重系数，得到最终预测结果，包括：
4.根据权利要求3所述的基于模型融合的农作物病虫害指标预测方法，其特征在于，所述获取当前检验偏差系数和所述预测模型的当前权重系数，根据所有所述临时预测数据、所述当前检验偏差系数和所有所述预测模型的当前权重系数，得到最终预测结果，还包括：
5.根据权利要求4所述的基于模型融合的农作物病虫害指标预测方法，其特征在于，所述根据第k-1次的所述最终预测结果和第k次的实测数据对第k次的所述检验偏差系数进行调整，得到第k次的所述检验偏差系数，包括：
6
7.根据权利要求6所述的基于模型融合的农作物病虫害指标预测方法，其特征在于，所述根据调整后的所述第二组序列的权重系数调整所述第一组序列的权重系数，包括：
8.根据权利要求1所述的基于模型融合的农作物病虫害指标预测方法，其特征在于，所述基于模型融合的农作物病虫害预测方法还包括：
9.根据权利要求8所述的基于模型融合的农作物病虫害指标预测方法，其特征在于，所述基于模型融合的农作物病虫害指标预测方法还包括：
10.一种基于模型融合的农作物病虫害指标预测装置，其特征在于，包括：
...【技术特征摘要】
1.一种基于模型融合的农作物病虫害指标预测方法，其特征在于，包括：
2.根据权利要求1所述的基于模型融合的农作物病虫害指标预测方法，其特征在于，所述根据所有所述临时预测数据、所述当前检验偏差系数和所有所述预测模型的当前权重系数，得到最终预测结果，包括：
3.根据权利要求2所述的基于模型融合的农作物病虫害指标预测方法，其特征在于，所述获取当前检验偏差系数和所述预测模型的当前权重系数，根据所有所述临时预测数据、所述当前检验偏差系数和所有所述预测模型的当前权重系数，得到最终预测结果，包括：
4.根据权利要求3所述的基于模型融合的农作物病虫害指标预测方法，其特征在于，所述获取当前检验偏差系数和所述预测模型的当前权重系数，根据所有所述临时预测数据、所述当前检验偏差系数和所有所述预测模型的当前权重系数，得到最终预测结果，还包括：
5.根据权利要求4所述的基于模型融合的农作物病虫害指标预测方法，其特征在于，所述根...
【专利技术属性】
技术研发人员：易小林，杨红兵，蔡青，
申请(专利权)人：湖北泰跃卫星技术发展股份有限公司，
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。