神經網絡在溫室小氣候預測中的應用*

楊承磊，蘭玉彬，王慶雨，別曉婷，單常峰，王國賓

(1. 山東理工大學農業工程與食品科學學院,山東淄博,255000;2. 國家精準農業航空施藥技術國際聯合研究中心山東理工大學分中心,山東淄博,255000)

0 引言

溫室小氣候控制是實現溫室氣候穩定、促進作物產量提升的重要手段。小氣候條件在很大程度上決定著作物的產量和品質,而溫室農業擁有相對獨立且可控的小氣候,保證了溫室系統可以在任意地點進行作物種植而不受當地氣候條件的限制[1],保持溫室氣候獨立、改善作物生長條件、延長作物生長時間、提高產量和果實的質量[2]。要建立適宜作物生長的溫室小氣候系統,需要參考作物生長的最優環境條件[3]。但溫室系統具有非線性、時變、大滯后、多輸入多輸出的特點,其狀態取決于一系列外部和內部因素,這些復雜因素交雜使得人們難以對溫室環境進行建模。

目前常用來模擬溫室小氣候系統的模型分為機理模型[4]和辨識模型兩類。機理模型是一類基于能量與質量守恒原則來描述系統與外界能量和物質交換過程的模型,可以從原理上解釋系統的內部發展規律,從而實現對系統變化趨勢的預測[5]。但是這種模型在建立時往往需要采集大量的參數,而這些參數如果不能很好地獲取,將會直接影響模型的模擬效果。辨識模型是基于現代計算機技術建立的,又被稱為“黑盒”模型,是一種根據模型輸入和輸出自動進行參數優化的模型,這種模型不需要研究者掌握研究對象的內部運行規律而能直接根據系統輸入與輸出的關系建模,實現對未來的預測。這使得辨識模型非常適合反映無法編程或無法解釋的知識,以及非線性系統的表示。

在農業進入4.0發展時代以及智能控制設備進入普通溫室的大背景下,如何通過現代計算機技術來模擬溫室動態系統以實現對溫室環境因子的精準預測,減少因為僅僅依靠人工經驗進行控制所造成的控制滯后和隨之帶來的作物損傷和減產,是目前溫室產業尤其是智能溫室亟需解決的一大難題[6-7]。神經網絡作為典型的辨識模型,極大降低了溫室小氣候預測模型的建模難度和研究門檻。并且近年來隨著計算機科學與人工智能的興起,深度學習成為了一種更好的解決方案,與人工神經網絡相比,深度學習擁有“更深層的”網絡,它通過各種處理方法來自動提取溫室環境數據中更深層的特征進行學習,使其具有強大的學習能力,提高了模型的精度。本文綜述了不同類型的神經網絡在溫室小氣候預測中的應用,總結了現有模型存在的缺陷與不足,并對存在的問題提出了建議,希望為后續研究者在溫室小氣候預測及溫室智能控制領域的研究提供參考。

1 溫室小氣候預測

溫室小氣候系統是由外部天氣條件、溫室控制機制(通風口、排氣扇、加熱器、蒸發冷卻系統等)、作物和其他內部因素構成的復雜動態系統[8],用于創造比外界更理想的作物生長條件即淡季作物條件,保護作物免受惡劣天氣的影響,提高農民的經濟收益。溫室小氣候系統建模對于實現溫室小氣候控制至關重要,溫度[9-10]、濕度[11]、二氧化碳濃度[12-13]和光照強度等環境因素會影響作物的生長進而影響產量[14]。圖1展示了溫室小氣候模型的原理[15]。

圖1 溫室小氣候模型原理圖

1.1 溫室小氣候預測必要性

建立溫室小氣候模型可以準確預測溫室能量和物質變化的過程[16],有助于農民提前預測極端氣候并采取應對措施[17]。如果未采用適宜的溫室控制措施會損害作物生長,甚至可能會導致大面積的作物死亡,給農民帶來巨大的經濟損失。

近年來,溫室小氣候控制因其對提高作物產量的巨大貢獻而受到廣泛關注[18-19],是溫室系統成功運行的關鍵,但以往溫室中使用的常規控制方案,很難保證滿足更高的性能需求[20],在這種情況下,基于溫室小氣候預測的控制技術可以提供更好的控制精度,如廣義預測控制[21]、最優控制[22]、模型預測控制[23-24]、神經網絡控制[25]、模糊控制[26]、魯棒控制[27]和自適應線性二次控制[28]等。

1.2 溫室系統建模方法

1.2.1 機理模型

在過去的幾十年中,由于機理模型的可解釋性和計算機發展水平的限制,大量研究者專注研究機理模型。機理模型又可以分為靜態模型和動態模型。靜態模型[29]又被稱為穩態模型,是描述系統在處于相對平衡狀態時系統各變量相互作用的模型,而動態模型則是揭示系統內變量隨時間變化規律的。靜態模型雖然容易實現,但精度較低?；谶@個原因,Takakura等[30]建立了第一個相對完整的溫室動態模型,該模型全面描述了溫室內的熱濕傳遞過程。近年來,溫室動態模型得到了改進和發展,有研究者開發了無土介質黃瓜種植的溫室小氣候模型[31],該模型能夠預測自然通風條件下的溫室中空氣、植物、生長介質和塑料覆蓋物的溫度。另外,一種新的溫室模擬方法——計算流體力學[32-33](Computational Fluid Dynamics, CFD),彌補了以往模型無法計算溫室中溫濕度分布的缺陷。

機理模型雖然可以從原理上解釋溫室系統的運行規律和變化趨勢,但是其存在參數獲取難度大的問題以及隨著時間推移,溫室內材料、結構等發生老化變形也會影響模型精度的問題,為機理模型的推廣帶來了挑戰。

1.2.2 辨識模型

溫室系統具有控制滯后和氣候隨時間變化的特點,因此溫室環境因子數據具有特定的序列變化趨勢和周期特征。對于這種時間序列問題,可以使用常規統計模型或神經網絡模型建模。

1) 常規統計模型。傳統的時間序列分析方法通過統計方法中的自相關函數和偏自相關函數建立線性序列模型:帶外部輸入的自回歸模型[34](Autoregressive Model with Exogenous Input, ARX)、帶外部輸入的自回歸滑動平均模型[35](Auto Regression and Moving Average Model with Exogenous Input, ARMAX)和非線性序列模型(帶外部輸入的非線性自回歸神經網絡[36](Nonlinear Autoregressive Exogenous Model, NARX)等來預測目標環境因子。

2) 神經網絡建模。常規統計模型只關注時間序列本身的變化,對于非線性或復雜系統的模擬能力并不優秀,因此神經網絡模型[37]作為一種更加先進、更適合復雜溫室系統的技術應用到溫室小氣候建模中。

除了上述兩種模型外,模糊理論[38]、Petri Nets[39]等技術也被一些研究者應用于溫室系統建模中,以下將詳細介紹神經網絡在溫室小氣候預測中的應用。

2 神經網絡在溫室小氣候預測中的應用

神經網絡技術是一種并行非線性的大型動態系統,能根據預先提供的輸入數據集和輸出數據集建立關系模型,然后輸入新的數據經過規律推算得到輸出結果,且具有自學習和自適應的能力。應用在溫室小氣候預測中的神經網絡技術主要有以下四種,前饋神經網絡、循環神經網絡、深度神經網絡和混合神經網絡。

2.1 前饋神經網絡在溫室小氣候預測中的應用

2.1.1 多層感知器(MLP)網絡

多層感知器(Multi-Layer Perceptron,MLP)是一種常見的前饋型神經網絡,最典型的MLP包括3層:輸入層、隱藏層和輸出層,MLP不同層之間是全連接的。一般MLP網絡使用誤差反向傳播(Back Propagation,BP)算法對模型進行訓練,也被稱為BP神經網絡,其學習過程包括信息正向傳播和誤差反向傳播過程,在誤差反向傳播過程中,輸出值與期望值的偏差通過隱藏層逐層反向傳遞,傳遞給各層的每一個神經元,然后各層根據誤差來修改自己的權重,直至誤差控制在一個可以接受的范圍內。

溫室小氣候預測中最常見的是對于溫度和濕度的預測,最典型的三層BP神經網絡可以實現精準的預測效果。例如使用三層BP神經網絡[40]來提前一天預測溫室的平均氣溫和相對濕度,通過改變隱藏層節點的數量來尋找最佳的網絡結構,最優模型對于溫度和濕度的預測誤差僅為0.711 ℃和2.514%,其他研究者還通過不同的優化算法和激活函數對模型進行了優化,例如使用只有一個隱藏層的BP神經網絡預測溫室內的溫度和相對濕度[41],根據采集的環境因子和要被預測的環境因子確定神經網絡輸入、輸出層的節點數量,分別使用Levenberg-Marquardt(LM)算法、貝葉斯正則化反向傳播算法、擬牛頓反向傳播算法(Broyden-Fletcher-Goldfarb-Shanno, BFGS)對模型的訓練方法進行優化,在訓練時不斷調整激活函數和隱藏層的節點數量尋找最優的網絡結構,最優模型預測溫度和相對濕度的最大誤差為0.877 ℃和2.838%,能夠滿足溫室決策系統的要求。以上兩個模型雖然訓練方法不同,但都是使用預測值的誤差進行反向傳播來更新權值的,而通過對模型輸入策略的創新:在訓練中使用真實值對模型的預測數據進行校正,然后重新輸入模型,在后續預測中獲得了更好的預測效果[42],使用此方法對番茄溫室的溫濕度進行預測時,最優模型在溫度和濕度測試集上的R2值分別達到了0.972和0.989,相比于多元線性回歸(MLR)模型取得了更好的預測效果。雖然只是最簡單的三層網絡結構,但在訓練方式和模型輸入等方面的不斷創新,使其在溫室溫濕度預測方面取得了良好的效果。

隨著對模型算法研究的深入,有不少研究者將模型優化的重點放在了最優化算法上,最優化算法可以加快模型學習和收斂的速度,使用LM算法訓練的MLP神經網絡用于預測溫室內溫度[43],通過季節分割數據集,模型在冬季和夏季數據集上的決定系數分別是0.954 9和0.959 0。使用LM和梯度下降動量法(Gradient Descent with Momentum,GDM)對四種MLP架構的神經網絡模型進行優化[44],模型在預測溫室屋頂溫度、室內空氣濕度和土壤濕度時,預測誤差僅為多元線性回歸模型的二分之一。另外隨著計算更高效、內存占用更少的Adam算法的提出,使用了Adam算法優化的擁有兩個隱藏層的MLP網絡預測溫室內二氧化碳濃度[45]時,通過改變隱藏層神經元的數量使模型達到最佳性能,最優模型的決定系數達到了0.97,不僅取得了良好的預測效果,同時減少了模型訓練的時間。

除了改進優化算法提高模型收斂速度外,利用主成分分析技術(Principal Components Analysis, PCA)優化模型的輸入項的方法同樣達到了這樣的目標,PCA簡化了數據樣本,使模型具有更快的學習收斂速度。He等[46]將PCA處理后的數據作為BP神經網絡的輸入來預測溫室內的濕度,在試驗中,PCA-BP神經網絡相比于逐步回歸方法不僅在預測精度方面有更好的表現,同時大大降低了模型訓練的運行時間和內存占用。除此之外,遺傳算法由于可以進行全局優化,同樣可以提高權值優化的速度、降低訓練時間,Wang等[47]在溫室作物的蒸騰模型中使用遺傳算法,優化了輸入向量的權重并減少了長時間訓練產生的累積誤差。表1展示了多層感知器網絡在溫室小氣候預測中的部分應用。

表1 多層感知器(MLP)網絡在溫室小氣候預測中的應用(部分)Tab. 1 Application of Multi-layer Perceptron (MLP) network in greenhouse microclimate prediction(part)

2.1.2 徑向基函數(RBF)神經網絡

與BP神經網絡不同的是,徑向基函數神經網絡(Radial Basis Function Neural Network, RBF)使用徑向基函數作為激活函數。自20世紀80年代末提出后,因其相比于BP神經網絡更快的收斂速度、更強的逼近能力和泛化能力,在分類和多輸入多輸出系統建模中均獲得廣泛應用。例如Ferreira等[25]搭建了RBF神經網絡模型對水培溫室的室內濕度進行預測,選擇外部光照強度、空氣溫度和室內相對濕度作為模型的輸入,采用了三種離線訓練模式和三種在線訓練模式,并分別使用三種不同的優化算法對訓練方法進行優化,試驗結果表明,每一種模型的預測精度都達到了進行溫室控制的要求。

基于RBF神經網絡對于溫室系統良好的模擬能力,將RBF神經網絡與比例、積分和微分控制(Proportional-integral-derivative Control, PID)等控制技術結合的方案在溫室小氣候控制方面取得了不錯的效果。申超群等[48]使用RBF神經網絡與PID控制結合,設計自適應控制器用于溫室小氣候控制,RBF神經網絡在線調整PID控制器參數。其設計的控制器在溫室內溫度控制中與傳統PID控制相比,在響應速度、平穩性和適應性方面表現更好,能夠滿足對溫室小氣候系統的精準控制。而Hu等[19]通過將自適應比例和微分控制器(Proportional-derivative Control, PD)的輸出限制在執行器的執行范圍之內的方法,進一步提高了RBF-PD控制器在溫室氣候控制方面的性能表現。Zeng等[49]則將研究重點放在了在線訓練模型和離線訓練模型控制性能的比較上。其在離線訓練時使用遺傳算法根據誤差標準尋找最佳增益參數,在線訓練時采用一種新的學習率更新算法進行訓練。經過試驗驗證,自適應在線訓練方案擁有更好的設定點監控性能,更平滑的閉環響應,在整個控制期間環境因子振蕩幅度更小,控制滯后時間更短,控制方案可以很好地適應外部氣候的波動。

前饋神經網絡結構簡單、建模難度低,但是面對更加復雜的系統環境時,由于大量環境因素存在復雜的非線性關系,簡單的模型難以很好地模擬復雜環境,并且還存在著模型預測精度隨預測時間步長增加而下降[50]等問題。且隨著深度學習的發展,研究者發現溫室環境因子之間存在復雜的時間依賴性,即相鄰時刻甚至是相當長時間之前的環境變化會影響現在的環境變化,這被稱為本地時間依賴性。前饋神經網絡在面對溫室數據這種時間序列數據時,也無法有效捕捉其中長期的時間依賴性,因此對于溫室小氣候預測問題,后來的研究者對其他類型的神經網絡進行了研究。

2.2 循環神經網絡在溫室小氣候預測中的應用

為了捕捉環境因子的時間相關性和變化的周期性,研究人員通常使用循環神經網絡(Recurrent Neural Network, RNN)來處理這類問題,RNN是一種基于序列建模的人工神經網絡,可以在神經元之間橫向傳輸數據信息,并且部分表達數據之間的相關性[51],提取數據的時間特征。RNN由一系列循環神經元組成,在訓練中它會將前一個神經元的輸出按照權重選擇作為下一個神經元的輸入,這使得RNN網絡可以捕捉數據的長期依賴性,這有助于它依靠歷史數據對未來的時間步做出預測。相比于上文中的前饋神經網絡,循環神經網絡在溫室小氣候控制中的應用相對還較少,然而循環神經網絡依靠其輸入層中更少的神經元數量和獨特的內部循環結構,獲得了更快的計算速度,展示了良好的性能,根據其設計的多種變種網絡逐漸避免了梯度消失的問題,而在近年的溫室小氣候預測中應用廣泛。

2.2.1 Elman型循環神經網絡

Elman型循環神經網絡是一種典型的動態循環神經網絡,又被稱為簡單循環網絡(Simple Recurrent Network,SRN),是在BP神經網絡的基礎上,在全連接層中加入了時序反饋連接即加入了一個承接層,將上一時刻的輸出狀態保存到承接層中,作為下一個時刻的輸入,達到了“記憶”的目的。因此相比于BP神經網絡,它在具有時變特點的數據集上表現更好,穩定性更強,擁有更強的快速尋優能力。

溫室系統中的環境數據是隨時間變化的,因此Elman型循環神經網絡相比于前饋神經網絡更適用于溫室系統建模。Hongkang等[52]建立Elman循環神經網絡模型來預測溫室內的溫度和濕度,模型使用動量BP算法來修改連接權重,以減少預測誤差并提高學習能力。相比于BP網絡和未經訓練的RNN網絡,模型在評價函數RMSE和MAE上都有更好的表現,能夠實現短期內對于溫度和濕度的準確預測,張建超等[53]同樣設計了基于Elman型神經網絡的溫室環境因子預測模型,以采集的溫室內溫度、濕度和CO2濃度的歷史數據作為模型的輸入,并將模型預測效果與RBF網絡和BP網絡進行對比,結果顯示Elman模型的預測精度要優于另外兩種神經網絡模型。以上研究都顯示,循環神經網絡在溫室系統模擬上更具有優勢。而有研究者將這兩種網絡級聯來模擬溫室動態系統[54],獲得了更低的控制誤差。后續又對Elman神經網絡先進行離線訓練,再通過在線學習不斷調整權重來適應溫室環境中的新的環境變化,并針對溫室的環境條件做出相應的控制動作[55],也獲得了良好的控制效果。

2.2.2 RNN網絡的優秀變種

雖然RNN網絡的結構決定了它非常適用于溫室系統建模,但當輸入序列過長時,傳統的RNN模型會出現梯度爆炸或梯度消失的問題,即在處理存在長期依賴性的數據時會存在精度大幅下降的現象。針對這些問題,研究者提出了長短期記憶(Long Short Term Memory, LSTM)模型和門控循環單元(Gated Recurrent Unit,GRU)模型等改進方案,通過增加門控機制來避免梯度爆炸和梯度消失的問題。在實際應用中,以溫室外部天氣數據為輸入,使用LSTM網絡預測溫室內的溫度和相對濕度[56],LSTM網絡在預測能力和精度上均比BP神經網絡更強,如果結合物聯網系統設計基于LSTM神經網絡的溫室自適應控制系統可以提高控制精度,獲得更好的經濟效益。在模型預測的時間步數方面,基于LSTM的預測模型在預測未來7天、30天和90天的溫室環境變化時,均取得了很好的預測精度,體現出相比于傳統模型的優勢[57]。

LSTM網絡的優勢不僅體現在溫室中溫濕度預測方面,在溫室其他相關因素預測方面同樣表現良好,在番茄溫室蒸騰量預測模型中[58],以溫室內空氣溫度、相對濕度、光照強度和冠層相對葉面積指數作為神經網絡的輸入,將LSTM與非線性自回歸神經網絡(Nonlinear Auto-Regressive Model with Exogenous Inputs,NARX)、Elman神經網絡以及RNN網絡的性能進行了對比分析,LSTM預測模型的決定系數和平均絕對誤差分別達到了0.992 5和4.53 g,相比于其它模型具有更高的預測精度和泛化性能。另外為解決短期氣候變化對相鄰時間段氣候變化趨勢的影響,有研究者通過設置滑動時間窗口[59]的方案,不僅提高了預測精度,同時也降低了傳感器收集的異常數據對預測精度的影響,提高了模型的魯棒性。

表2展示了循環神經網絡在溫室小氣候預測中的部分應用。

表2 循環神經網絡在溫室小氣候預測中的應用(部分)Tab. 2 Application of recurrent Neural network in Greenhouse microclimate prediction (part)

不論是前饋神經網絡還是循環神經網絡,在模型訓練時都需要提供大量的數據,有研究者指出在農業生產中有時會難以提供足夠的數據量用于模型訓練。因此Moon等[60]將基于五種常用的深度學習模型的遷移學習技術應用到溫室小氣候預測中。在遷移學習測試中,根據訓練目標和遷移目標之間的相似性,將預訓練模型的某些層替換為新層,這些層在考慮測試數據集的情況下進行重新訓練[61],在模型訓練之后,BiLSTM模型精度最高,模型的決定系數為0.69,雖然相比于一般的深度神經網絡模型的精度有差距,但為在小規模數據情況下的溫室小氣候預測進行了有益的嘗試。

2.3 深度神經網絡模型在溫室小氣候預測中的應用

Vaswani等[62]在2017年提出了一種基于自注意力機制的Sequence to Sequence (Seq2Seq)模型Transformer,該模型可以并行處理序列中的所有單詞,并將上下文與遠距離的單詞結合起來,在該步驟中,每個符號的信息可以通過自注意機制與所有其他符號進行通信。自然語言處理(Natural Language Processing, NLP)領域一直是序列數據處理的先驅,農業領域的時間序列問題同樣適用于Transformer模型[63],溫室小氣候預測問題同樣符合時間序列輸入的特點。

Transformer模型[63]的關鍵結構是編碼-解碼器框架和自注意機制,圖2展示了基于Transformer模型的Encoder-Decoder模型示意圖,這使得它不僅突破了傳統的固定大小輸入框架、減少了因為長期依賴性而導致的性能下降,而且大大提高了訓練效率,降低了計算時間。

圖2 Transformer模型結構圖

針對復雜溫室環境數據給模型預測帶來的挑戰,研究者也對Transformer模型進行了改進,如面對溫室環境數據強非線性和高噪聲的特點,Jin等[64]提出了一種基于雙向自關注編碼-解碼器框架(BEDA)的用于預測多個溫室環境因子的神經網絡預測模型,圖3展示了該模型的網絡結構。其將編碼-解碼器框架用于溫室小氣候預測,并引入多頭自注意機制,提高了模型處理數據長距離依賴方面的能力,使用小波閾值去噪降低了傳感器數據異常值對于模型的干擾,與其他的神經網絡模型相比,他們提出的預測器具有更好的準確性、魯棒性和泛化性能。而為了解決溫室數據特征之間的強相關性導致的多重線性問題,減少原始數據中包含的信息丟失,Zhang等[65]提出了一種基于Transformer的溫室溫度預測模型(TGTP),通過皮爾遜相關系數在眾多溫室環境數據中篩選出對溫度變化影響最大的環境因子,將其構建為數據集。將數據集標準化后輸入Transformer模型進行訓練,通過試驗驗證,TGTP模型比LSTM、MLP等模型擁有更高的預測精度。

圖3 雙向自關注編碼-解碼器框架(BEDA)結構圖

目前Transformer模型還存在著一些例如內存在占用大,難以在農業環境中部署的問題,但針對這些問題部分研究者已經給出了解決方案[66]?？傮w來說,基于多頭注意力機制對不同特征數據及同一數據不同時期依賴關系的有效捕捉這一優勢,Transformer模型及其變種在溫室小氣候預測領域必然會有更大的發展。

2.4 混合(Hybrid)神經網絡模型在溫室小氣候預測中的應用

單一神經網絡在溫室小氣候預測方向的研究方興未艾,結合兩種甚至多種神經網絡技術的混合(Hybrid)神經網絡模型的出現,成為近年來溫室小氣候預測的新方向。例如Rodríguez等[67]將NARX模型與MLP網絡結合組成的神經網絡模型,將可測量信號的滯后值作為輸入向量,分別進行一步預測與三十步預測,證明模型在短期預測時能夠達到很高的精度,雖然在進行長步數預測時精度下降較多,難以滿足精度要求,但還是為混合模型設計做出了有益的探索。近些年的一些混合模型在精度上有了大幅提高,如多元卷積長短期記憶網絡(CNN-LSTM)模型,利用CNN網絡[68]進行特征提取后輸入LSTM網絡,最早應用于圖像文字標注,當研究者將其應用到溫室小氣候預測中時[54],表現出較高的預測精度和效率。再比如李莉等[69]將隨機森林(Random Forest, RF)與GRU、LSTM、RNN網絡分別組合建立溫室番茄結果前期蒸騰量預測模型,選取作物相對葉面積指數、溫室內空氣溫度、相對濕度、光照強度、光合有效輻射、基質含水率和基質溫度作為模型的輸入項,試驗結果表明,在模型性能對比中,RF-GRU模型展現出超越其他混合模型和單一模型的精度和穩定性。根據實際任務將所需要的模型進行混合組合,往往可以獲得更高的預測精度和穩定性。

神經網絡通過對溫室小氣候的預測來改善作物生長狀況的潛力已經展露,基于神經網絡來設計溫室自適應控制器,對控制參數實現在線調整以創造作物理想的生長條件,將為溫室作物生產提產增效提供巨大支持。

3 總結與展望

本文綜述了不同類型的神經網絡模型在溫室小氣候預測方面的應用,神經網絡模型作為一種辨識模型,將溫室系統看做一個多輸入多輸出的系統,用系統目前可測的輸入輸出去預測未來一段時間的變化趨勢。在模型類型上,前饋神經網絡發展最早,在簡單環境建?？梢匀〉梅浅２诲e的模擬效果,但由于其網絡結構本身存在局限性,難以捕捉數據中存在的時間依賴性,因此循環神經網絡逐漸得到發展,成為目前時間序列建模中應用最為廣泛的一類模型,其變種模型的發展也讓其擺脫了梯度消失和梯度爆炸的問題。近年來,在圖像識別和自然語言處理領域取得成功的深度學習技術開始應用到時間序列建模中,并有研究者將其應用到了溫室小氣候預測中,取得了成功。深度神經網絡模型以及混合模型在解決時間序列數據的長期依賴問題以及預測的準確性方面相比于傳統模型存在優勢。

神經網絡模型在溫室小氣候預測中展現出了機理模型難以取代的優點,但發展到目前為止,仍然存在一些問題需要解決。

1) 目前溫室小氣候預測模型大多只關注單一變量的預測,而溫室作為一個復雜時變的系統,各種環境因子相互冗雜、影響。例如在同一時間改變通風口的開角,會同時引起溫度、濕度、CO2濃度等因素不同程度的變化,并且溫室內種植作物的不同,各環境因子間相互影響的程度也不同,溫室系統面對環境變化的穩定程度也不相同,因此只是考慮單一變量的預測,難以建立精準的溫室小氣候預測系統。

2) 神經網絡模型本身的不可解釋性對于實際的生產實踐帶來了很大的不穩定因素,另外相比于機理模型,其受溫室地理位置、結構、溫室內作物種植模式的影響比較大,在訓練時需要的數據量更大,訓練學習的時間也更長。然而當前模型計算的速度、預測模型的精度和同時對不同變量進行控制的難度也使得其難以在實時系統中使用,這些都對神經網絡模型的普及帶來了阻礙。

3) 在模型可靠性檢驗方面,目前的檢驗方法一般是將實際觀測到的輸入輸出提供給模型,通過評價函數驗證模型的輸出對溫室實際數值的逼近程度,但是這種方法只能檢驗特定情況下模型的精度,而無法驗證模型在不同條件下的可靠性和魯棒性。

4) 深度神經網絡擁有其它模型無法相比的優勢,但其對于計算機等邊緣設備的要求過高,難以在生產實際中進行部署。

針對上述問題,本文對現有模型未來發展的方向提出如下建議。

1) 在模型的輸入參數方面,在現有神經網絡模型的基礎上,加入機理模型(即溫室系統熱力學、生物學等),綜合溫室內更多的影響因素,以提高模型的預測精度。

2) 在模型的結構方面,結合當前模型發展的趨勢,將單一模型轉變為混合模型,結合多種模型的優勢,提高模型的魯棒性,實現面向智能控制的精準預測。

3) 在模型性能檢驗方面,采用更加嚴謹的可靠性檢驗方法,如采用概率統計的方法進行驗證,提高模型的可靠性。

4) 在模型優化方面,在深度神經網絡中進一步簡化網絡結構,優化算法以降低內存占用,降低模型的部署難度。