基于LSTM-GRU的日光溫室環境預測方法研究

喬小丹， 鄭文剛，2， 張 馨， 單飛飛， 王明飛， 梁 棟

(1.北京市農林科學院智能裝備技術研究中心，北京 100097； 2.北京市農林科學院，北京 100097；3.安徽大學電子信息工程學院，安徽合肥 230601)

溫濕度對農作物生長發育具有重要作用，作物長期處于脅迫環境下易產生疾病甚至死亡，會造成嚴重的經濟損失。日光溫室由于保溫效果好、環境易調控，在北方地區得到廣泛應用。然而，溫室小氣候中各環境因子具有強耦合性、大時滯及非線性等特點，不利于開展精準化環境調控。預測控制因可以動態預測系統行為在溫室控制中得到廣泛的應用。預測模型是預測調控的前提條件，構建以溫室環境為輸出變量的預測模型，對實現溫室精準高效調控尤為重要。

近年來，由于深度神經網絡能處理多變量間的冗余交叉及時序性特征，在溫室環境預測領域內逐漸成為研究熱點。劉琦等采用Elman神經網絡預測作物冠層不同位置的溫度、濕度，該預測模型的溫、濕度RMSE分別小于0.8 ℃、1.5%，但該網絡采用梯度下降法求解損失函數，難以達到全局最優。趙全明等提出了基于卷積神經網絡(CNN)與門控循環單元神經網絡(GRU)相結合的溫濕度預測方法，其預測指標RMSE、MAE分別為0.211 ℃、2.731%和0.140 ℃、1.713%，具有較好的預測能力，但在應用中發現CNN網絡在提取特征時易破壞時間序列原有的完整性，降低了模型預測精度。Jung等通過將LSTM與RNN結合，解決了RNN梯度爆炸的問題，并與人工神經網絡(ANN)、非線性自回歸外生模型(NARX)進行比對，測試結果表明，RNN-LSTM為最佳模型，但因LSTM內部結構復雜，RNN-LSTM模型運行效率降低。對于上述預測模型存在的缺點，亟須采取相應措施進行改進。本研究提出適用于日光溫室的基于長短期記憶神經網絡和門控循環單元神經網絡相結合(LSTM-GRU)的溫濕度預測模型。首先通過溫室數據采集系統獲取室內外歷史氣候數據及卷膜開度歷史數據，再利用線性插值法填充缺失數據，卡爾曼濾波算法去除噪聲，數據歸一化處理后，按時間序列輸入LSTM-GRU模型中進行預測。試驗結果表明，該模型可實現日光溫室內溫濕度的高精度預測，為溫室調控系統提供精準決策。

1 材料與方法

1.1 數據獲取

試驗在北京市昌平區國家精準農業示范基地進行，研究對象為以色列國家盛產的羅拉番茄，周期為開花到果實成熟期，試驗收集2020年3—4月、2020年6—7月、2021年3—4月和2021年6—7月共4茬8個月數據。室內環境數據利用國家農業智能裝備技術研究中心(以下簡稱中心)研發的溫室云環境數據采集器對空氣溫度()、空氣相對濕度()、光照強度()進行監測；室外歷史數據采用中心研發的遠程墑情監測站監測室外溫度()、室外濕度()、平均風速()、風向()和有效降水量()；卷膜開度()歷史數據使用中心研發的卷膜控制器進行監測。上述采集到的數據由各設備經GPRS無線模塊傳輸到云端進行存儲和下載，采集間隔為30 min，24 h連續采集，共計收集11 520條實測數據，溫室數據采集系統見圖1。

1.2 數據預處理

1.2.1 缺失數據處理 傳感器在數據采集過程中因網絡傳輸質量和設備故障等問題，易出現數據缺失情況，會對模型預測精度產生較大的影響。本研究利用文獻[13]的處理方案：當缺失時間數據跨度較大時，采用天氣狀況相同的數據進行填補；缺失數據較少時，利用線性插值法進行填充，從而獲得完整的數據集，計算公式如下：

(1)

式中：+表示+時刻的缺失值，和+代表和+時刻的原始數據。

1.2.2 數據去噪處理 由于系統噪聲干擾及高濕環境的影響，數據可能會在極短的時間內產生跳變、峰刺。為此，本研究利用Python語言編寫卡爾曼濾波算法對異常數據進行去噪處理。

卡爾曼濾波主要分為預測階段和更新階段，預測階段利用上一時刻的最優估計來預測當前時刻狀態，更新階段利用當前時刻觀測值來修正預測階段的預測值，以此來獲得當前時刻的最優估計。

本研究基于卡爾曼濾波算法去噪處理前后的數據如圖2所示。圖2-a、圖2-c分別為室內溫濕度的原始數據，并標注了噪聲點。圖2-b、圖2-d為室內溫濕度去噪后的數據，與原始數據相比，平穩性得到增強。

1.2.3 歸一化處理 為消除不同量綱對預測模型產生影響，本研究采用min-max標準化方法對數據進行歸一化，提高模型的收斂速度和預測精度。

(2)

式中：表示第個測量值；代表測量值的最大值；代表測量值的最小值；′代表標準化后的測量值。

1.2.4 相關性分析 為驗證溫室環境各特征向量間相關性對模型預測精度的影響，利用origin軟件得出變量間的皮爾遜相關性系數，并使用Microsoft Excel 2010畫出相關性熱力圖，如圖3所示。參考文獻[16]的相關系數與相關程度定義形式，如表1所示。室內空氣溫度與室外空氣溫度為強相關，與室內光照強度、室外空氣相對濕度及卷膜開度為中等程度相關，與風向、有效降水量及室外平均風速為極弱相關；室內空氣相對濕度與室內光照強度、室外空氣溫濕度及卷膜開度為中等程度相關，與風向、有效降水量及室外平均風速為極弱相關。

表1 相關系數與相關程度

2 模型構建

2.1 試驗平臺

試驗計算機處理器為Inter? Corei3-4130 CPU @3.40 GHz 3.40 GHz，4.00 GB內存，Windows10(64-bit)操作系統。試驗以Tensorflow1.5深度學習框架(CPU)作為后端支持，集成開發環境為Pycharm 2019a，編程語言為Python3.6，建立溫濕度預測模型。

2.2 長短期記憶神經網絡

LSTM作為RNN網絡的特殊變體，內部通過引入自循環設計來產生長梯度路徑，自循環的權重會隨著每次迭代而改變；加入遺忘門、輸入門及輸出門，使得誤差在傳播過程中無需逐層歸因，部分誤差還可直接傳遞給下一層網絡，有效地解決了RNN長期依賴、梯度消失及梯度爆炸等問題；也可有效利用現有時間序列數據來預測未來特定時間長度內的數據。但LSTM模型存在對室內溫濕度的非線性變化及時序性關系難以有效處理、運行時間長等問題。典型LSTM網絡結構見圖4。

2.3 門控循環單元神經網絡

GRU是在LSTM基礎上改進的循環神經網絡，不僅解決了傳統RNN長期依賴、梯度爆炸和梯度消失等問題，同時通過簡化LSTM網絡內部結構減少了其訓練所需參數，提高了模型的訓練速度。但在應用中發現，因內部參數變少導致模型難以達到理想的訓練效果。GRU網絡結構如圖5所示。

2.4 LSTM-GRU神經網絡模型

本研究提出將LSTM和GRU網絡相結合的算法，整體提高了深度學習模型預測精度。LSTM-GRU模型主要包括以下4個部分。

2.4.1 數據預處理及數據集劃分 將室內空氣溫濕度、室內光照強度、室外空氣溫濕度、室外平均風速、室外風向、有效降水量及卷膜開度歷史數據按時間序列保存在csv格式的文件中，再對數據集進行歸一化處理，并按9 ∶1比例將數據集隨機劃分為訓練集和測試集進行訓練和測試。

2.4.2 網絡結構和參數設置 設置LSTM網絡為1層，神經元數目為16，激活函數選取Relu；GRU網絡選取2層，神經元數目均為16，激活函數采用Relu；LSTM-GRU時間步長設置為16；Dense神經元個數為8，LSTM-GRU網絡結構如圖6所示。

2.4.3 建模過程 模型不僅要學習溫濕度深層次的時域特征表達，而且要整體把握溫濕度變化趨勢。輸入時序數據首先流入以一對一形式展開的LSTM層，輸出為每個時間步記憶狀態更新的序列，再流入同樣以一對一形式展開的第1層GRU中，輸出長度不變且每個時間步記憶狀態更新的序列，實現模型準確記憶每個時段內溫濕度的目標；同時，為整體把握溫濕度變化趨勢，將第1層GRU輸出序列流入以多對一形式展開的第2層GRU中，輸出最后一個時間步的更新記憶狀態；為防止網絡層堆疊不穩定，再利用全連接神經網絡(Dense)層進行調節，最后將全連接層的輸出經反歸一化后得到下一個預測周期(30 min)的溫濕度預測值。

2.4.4 模型評估 為評估模型的預測能力和精確度，本研究使用決定系數()、均方根誤差(RMSE)和平均絕對誤差(MAE)對預測模型進行分析，值越大， RMSE和MAE越小， 表明預測模型預測結果更加精確，計算公式如下：

(3)

(4)

(5)

3 結果與分析

3.1 去噪處理對預測結果的影響

為驗證去噪處理對預測結果的影響，本研究利用卡爾曼濾波進行數據去噪處理。將原始數據和去噪數據分別代入LSTM-GRU模型中進行訓練，結果如表2所示。溫濕度預測模型在去噪后提高了3.2%、5.5%，RMSE降低了68.2%、49.0%，較大地提高了整個模型的溫濕度預測性能。

表2 去噪前后預測結果對比

3.2 不同訓練樣本量預測結果

為驗證訓練樣本量對預測結果的影響，將數據樣本劃分為2020年3—4月數據、2020年全部數據、2020年度全部數據和2021年3—4月數據、2020—2021年度全部數據共4個數據集(以下簡稱A、B、C、D數據集)，將每個數據集按照9 ∶1比例隨機劃分為訓練集和測試集，并依次導入模型進行訓練和測試，結果如圖7所示，其中柱狀圖對應左軸坐標，點線圖對應右軸坐標。由圖7可知，從數據集到數據集的溫濕度預測指標和僅下降了6.3%、9.9%和6.2%、7.2%，而模型訓練時間卻分別增加327.99、332.06 s，與和下降程度相比，訓練效率降低更為明顯。這是由于訓練樣本量增加雖然可充分挖掘序列間關系特征，但當添加2021年3—4月數據樣本后，整個樣本中包含了過多相似特征導致序列間冗余性大幅度增加，降低了模型運行效率，模型預測精度提升卻不明顯。因此，本研究選用數據集為代表進行預測模型訓練，有效地提高了運行效率。

3.3 不同輸入特征向量預測結果

為驗證溫室環境各特征向量間相關性對模型預測精度的影響，分別添加相關性強、中、極弱特征向量開展測試試驗。針對空氣溫度預測，首先選取強相關的室外溫度進行訓練，再添加中等程度相關的光照度、室外濕度及卷膜開度，最后添加有效降水量、室外平均風速及風向等極弱相關量。通過定量分析模型預測指標，結果(表3)發現，添加極弱相關特征向量后溫度預測指標、僅降低了11.1%、12.0%，而模型訓練時間卻增加64.64 s。針對空氣濕度預測，首先選取中等程度相關的光照度、室外溫濕度及卷膜開度進行訓練，而后添加極弱相關的有效降水量、室外平均風速及風向。通過定量分析模型預測指標，結果如表4所示，添加極弱相關特征向量后濕度預測指標、僅降低了10.8%、9.6%，而模型訓練時間卻增加53.55 s。

綜上所述，由于極弱相關性輸入特征向量添加，提高了特征向量間冗余和耦合，模型在捕捉數據間高層次特征的同時，降低了模型的運行效率。因此，本研究選取中等程度相關以上的特征向量進行溫濕度模型訓練，不僅有效降低了模型運行時間，而且能較好地反映室內溫濕度變化趨勢。

表3 不同輸入特征向量下空氣溫度預測指標

表4 不同輸入特征向量下空氣濕度預測指標

3.4 各模型預測效果對比

為驗證不同模型對溫濕度的預測效果，分別將BP神經網絡、LSTM神經網絡、GRU神經網絡和LSTM-GRU模型預測結果進行對比分析，結果如圖8所示。圖8-a、圖8-b顯示上述各模型在 ±0.5 ℃ 內的溫度預測誤差占總誤差的比例分別為87.8%、91.3%、92.4%和93.9%；在±5%內的濕度預測誤差占總誤差的比例分別為86.6%、89.7%、91.4%和92.0%，圖中實線為零基準線，虛線為誤差區間。圖8-c、圖8-d表示室內溫度預測指標的和達到0.431、0.352 ℃，較BP神經網絡下降了49.1%、47.6%，較LSTM下降了20.4%、21.2%，較GRU下降了18.0%、18.8%；室內相對濕度預測指標和達到4.794%、3.579%，較BP神經網絡下降了20.9%、23.2%，較LSTM下降了15.3%、12.5%，較GRU下降了14.3%、9.9%。結果表明，本研究提出的LSTM-GRU模型具有較高的擬合精度，能夠準確得到下一個預測周期(30 min)后的溫濕度變化趨勢，為溫室調控系統提供準確的決策依據。

4 結論

針對已有溫室環境預測模型存在運行時間長、預測精度低等不足，本研究提出了基于LSTM-GRU的日光溫室溫濕度預測模型。首先通過溫室數據采集系統獲取室內外歷史氣候數據及卷膜開度歷史數據，再利用線性插值法填充缺失數據，卡爾曼濾波算法去除噪聲，數據歸一化處理后，將數據輸入預測模型中進行訓練和測試。結果表明，溫濕度預測模型在去噪后，分別降低了68.1%、48.9%；預測模型的最佳輸入樣本量包含溫室環境特征多少及相關性程度制約，樣本中存在過多相似特征及相關性弱的特征向量都可能導致模型運行效率降低，預測精度提升卻不明顯。本研究以2020年度數據代表2020—2021年2年度數據進行預測，溫濕度模型僅上升16.9%、20.4%，時間卻減少327.99、332.06 s；以中等程度相關以上的特征向量代替全部特征向量預測，溫濕度模型僅上升12.5%、13.6%，時間卻減少64.64、53.55 s；將LSTM-GRU模型與BP神經網絡、LSTM模型、GRU模型進行對比，其溫度評價指標、分別下降了49.1%、 20.4%、18.0%和47.6%、21.2%、18.8%，濕度評價指標、分別下降了20.9%、15.3%、14.3%和23.2%、12.5%、9.9%，表明LSTM-GRU模型優于上述3個模型，具有較好的預測能力，可作為溫室環境控制系統的決策手段。