基于ISSA—LSTM的菇房溫濕度預(yù)測(cè)模型研究

摘要：為提升雙孢蘑菇品質(zhì)與產(chǎn)量，實(shí)現(xiàn)菇房整體環(huán)境提前調(diào)控，精準(zhǔn)預(yù)測(cè)菇房環(huán)境中的溫濕度數(shù)據(jù)是關(guān)鍵。但傳統(tǒng)預(yù)測(cè)模型很多參數(shù)都需要人工手動(dòng)調(diào)節(jié)，例如隱藏層神經(jīng)元節(jié)點(diǎn)數(shù)、學(xué)習(xí)率、迭代次數(shù)等，這一系列參數(shù)的選擇都直接影響預(yù)測(cè)性能的優(yōu)劣。針對(duì)以上問(wèn)題，提出一種基于改進(jìn)麻雀搜索算法ISSA優(yōu)化的長(zhǎng)短期記憶網(wǎng)絡(luò)LSTM菇房環(huán)境預(yù)測(cè)模型，實(shí)現(xiàn)對(duì)菇房?jī)?nèi)的溫濕度環(huán)境的精準(zhǔn)預(yù)測(cè)。驗(yàn)證結(jié)果表明：該預(yù)測(cè)方法對(duì)溫度的預(yù)測(cè)指標(biāo)均方根誤差RSME、平均絕對(duì)誤差MAE分別為0.493、0.263，模型擬合優(yōu)度R2為96.2%；對(duì)濕度的預(yù)測(cè)指標(biāo)均方根誤差RSME、平均絕對(duì)誤差MAE分別為1.105、1.058，模型擬合優(yōu)度R2為95.6%，由此可見(jiàn)，在菇房溫濕度預(yù)測(cè)準(zhǔn)確率方面，所提方法優(yōu)于SSA—LSTM模型，為打造最適宜的菇房溫濕度環(huán)境提供高時(shí)效的決策數(shù)據(jù)。

關(guān)鍵詞：雙孢蘑菇菇房；物聯(lián)網(wǎng)；麻雀搜索算法；長(zhǎng)短期記憶網(wǎng)絡(luò)

中圖分類(lèi)號(hào)：S646""""" 文獻(xiàn)標(biāo)識(shí)碼：A""""" 文章編號(hào)：2095?5553 （2025） 02?0090?08

Research on temperature and humidity prediction model of mushroom house

based on ISSA—LSTM

Zhang Mingzhi1， 2， 3， Liu Pingzeng1， 2， 3， Zhang Yan1， 2， 3， Pan Jigang1， 2， 3， Chen Chao4

（1. School of Information Science and Engineering， Shandong Agricultural University， Tai'an， 271018， China;

2. Huanghuaihai Key Laboratory of Smart Agricultural Technology， Ministry of Agriculture and Rural Affairs， Tai'an， 271018， China; 3. Agricultural Big Data Research Center of Shandong Agricultural University， Tai'an， 271018， China;

4. Shandong Century Intelligent Agricultural Technology Co.， Ltd.， Jining， 273500， China）

Abstract： In order to improve the quality and yield of Agaricus bisporus and realize the early regulation of the overall environment of the mushroom house， it is the key to accurately predict the temperature and humidity data in the mushroom house environment. However， many parameters of the traditional prediction model need to be manually adjusted， such as the number of neurons in the hidden layer， the learning rate and the number of iterations. The selection of these parameters directly affects the prediction performance. In view of the above problems， a long short?term memory （LSTM） mushroom house environment prediction model based on improved sparrow search algorithm （ISSA） optimization is proposed， which realizes the accurate prediction of the temperature and humidity environment in the mushroom house. The verification results show that the root mean square error and mean absolute error of the prediction method for temperature are 0.493 and 0.263， respectively， and the goodness of fit （R2） of the model is 96.2%. The root mean square error and mean absolute error of the humidity prediction index are 1.105 and 1.058， respectively， and the goodness of fit （R2） of the model is 95.6%. It can be seen that the proposed method is superior to the SSA—LSTM model in terms of the accuracy of temperature and humidity prediction in the mushroom house， and provides high?efficiency decision data for creating the most suitable temperature and humidity environment in the mushroom house.

Keywords： Agaricus bisporus room; Internet of Things; sparrow search algorithm; long short?term memory network

收稿日期：2023年6月19日""""""" 修回日期：2023年8月1日

? 基金項(xiàng)目：山東省科技特派員項(xiàng)目（2020KJTPY078）；山東省重點(diǎn)研發(fā)計(jì)劃（2022CXGC010609）

第一作者：張銘志，男，1998年生，山東泰安人，碩士研究生；研究方向?yàn)檗r(nóng)業(yè)物聯(lián)網(wǎng)技術(shù)。E?mail： 17865589332@163.com

通訊作者：柳平增，男，1968年生，山東萊蕪人，博士，教授；研究方向?yàn)檗r(nóng)業(yè)大數(shù)據(jù)、農(nóng)業(yè)物聯(lián)網(wǎng)、食品質(zhì)量溯源等。E?mail： pzliu@sdau.edu.cn

0 引言

我國(guó)是食用菌最早栽培的國(guó)家，食用菌生產(chǎn)具有“不與糧爭(zhēng)地，不與地爭(zhēng)肥”的特點(diǎn)，已經(jīng)成為我國(guó)重要的經(jīng)濟(jì)作物[1]。雙孢蘑菇由于其口感鮮嫩且營(yíng)養(yǎng)物質(zhì)含量高，在全世界范圍內(nèi)被廣泛栽培和消費(fèi)。目前，我國(guó)是雙孢蘑菇的主要生產(chǎn)國(guó)[2]，2023年我國(guó)的雙孢蘑菇工廠化產(chǎn)量已達(dá)1"562.5"kt。雙孢蘑菇的生長(zhǎng)周期短，生長(zhǎng)發(fā)育水平與菇房?jī)?nèi)的溫濕度變化密切相關(guān)[3，"4]。因此，精準(zhǔn)預(yù)測(cè)菇房?jī)?nèi)的環(huán)境溫濕度，根據(jù)預(yù)測(cè)值提前調(diào)控，打造雙孢蘑菇生長(zhǎng)最適宜的溫濕度環(huán)境，有利于提高菌絲的生長(zhǎng)速率，確保子實(shí)體具有足夠的分化條件，大幅提升雙孢蘑菇的產(chǎn)量與質(zhì)量。

研究建立準(zhǔn)確有效的溫濕度預(yù)測(cè)模型是保證雙孢蘑菇生長(zhǎng)在適宜環(huán)境里的關(guān)鍵前提。目前國(guó)內(nèi)外專(zhuān)家學(xué)者關(guān)于溫濕度的預(yù)測(cè)模型以機(jī)理模型與數(shù)據(jù)模型兩種最為廣泛[5]。其中機(jī)理模型可以將溫室內(nèi)的相關(guān)參數(shù)含義進(jìn)行闡述，總結(jié)環(huán)境動(dòng)態(tài)變化規(guī)律。但溫室是一個(gè)涵蓋作物生理作用以及設(shè)備狀態(tài)的復(fù)雜系統(tǒng)，機(jī)理模型在模擬過(guò)程中仍具有一定的缺陷[6]。而數(shù)據(jù)模型在參量動(dòng)態(tài)調(diào)整方面非常出色，能夠有效避免機(jī)理模型出現(xiàn)的問(wèn)題，在溫室溫濕度預(yù)測(cè)領(lǐng)域具有重要的研究?jī)r(jià)值。

目前，杜太行等[7]提出基于非線性自回歸動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)模型進(jìn)行日光溫室溫度預(yù)測(cè)；Jung等[8]分別構(gòu)建人工神經(jīng)網(wǎng)絡(luò)、非線性自回歸模型和LSTM模型對(duì)空氣溫度、濕度和二氧化碳濃度進(jìn)行預(yù)測(cè)，基于時(shí)間序列算法的非線性自回歸模型和LSTM模型優(yōu)于傳統(tǒng)的人工神經(jīng)網(wǎng)絡(luò)模型，論證了基于深度學(xué)習(xí)的預(yù)測(cè)模型用于溫室調(diào)控的可行性。為了進(jìn)一步提高預(yù)測(cè)精度，許多專(zhuān)家學(xué)者利用智能算法對(duì)模型進(jìn)行優(yōu)化。毛曉娟等[9]提出了一種基于GWO—LSTM模型，準(zhǔn)確預(yù)測(cè)溫室內(nèi)的溫度變化數(shù)據(jù)。雖然一些學(xué)者通過(guò)智能算法優(yōu)化模型，一定程度上提高了預(yù)測(cè)精度，但是仍出現(xiàn)預(yù)測(cè)過(guò)程中收斂速度較慢、易陷入局部最優(yōu)等問(wèn)題[10]。

針對(duì)以上問(wèn)題，本文以解決溫室物聯(lián)網(wǎng)數(shù)據(jù)龐大、預(yù)測(cè)精度低、全局搜索能力差等問(wèn)題為目的進(jìn)行研究，為實(shí)現(xiàn)對(duì)雙孢蘑菇菇房溫濕度的精準(zhǔn)預(yù)測(cè)，選取多種預(yù)測(cè)模型作試驗(yàn)對(duì)比，結(jié)合雙孢蘑菇生長(zhǎng)環(huán)境中溫濕度與其他影響因素的相關(guān)性關(guān)系，設(shè)計(jì)菇房中溫濕度的最佳預(yù)測(cè)模型，以促進(jìn)雙孢蘑菇品質(zhì)與產(chǎn)量的提升。

1 材料與方法

1.1 試驗(yàn)地點(diǎn)概況

試驗(yàn)地點(diǎn)位于山東省濟(jì)寧市鄒城市某雙孢蘑菇實(shí)驗(yàn)菇房。雙孢菇菇房整體呈長(zhǎng)方體結(jié)構(gòu)，菇房整體長(zhǎng)為32.9"m，寬為6.4"m，菇房總高4.5"m。每間雙孢菇菇房一共6層菇架，菇架的長(zhǎng)度為29.3"m，最大寬度為1.5"m，每層菇架間隔0.5"m。雙孢蘑菇屬于中溫型菌，以山東地區(qū)物候條件為例，自播種到覆土的發(fā)菌期所需時(shí)間為20天左右，覆土到出菇需要18天，即雙孢蘑菇生長(zhǎng)周期大約共計(jì)40天[11]。選取的試驗(yàn)雙孢蘑菇播種時(shí)間為2023年2月10日，每次潮菇采收的時(shí)間間隔約為5～7天。為確保試驗(yàn)數(shù)據(jù)具有代表性，研究依據(jù)雙孢蘑菇前3次潮菇出菇產(chǎn)量較高、質(zhì)量較好的特點(diǎn)，選取了自播種到第3次潮菇采收結(jié)束，大約兩個(gè)月的時(shí)間周期作為菇房溫濕度預(yù)測(cè)訓(xùn)練數(shù)據(jù)的采集時(shí)間。

雙孢蘑菇屬于好氧菌，對(duì)二氧化碳濃度極為敏感[12]。整個(gè)生長(zhǎng)發(fā)育時(shí)期菇房要及時(shí)進(jìn)行通風(fēng)換氣，保證充足的新鮮空氣，但菇房在通風(fēng)、噴淋裝置開(kāi)閉的瞬間，菇房?jī)?nèi)的溫濕度會(huì)發(fā)生較大的波動(dòng)，對(duì)預(yù)測(cè)精度造成一定的影響。根據(jù)相關(guān)研究表明，菇房?jī)?nèi)升溫需要約10"min，風(fēng)機(jī)與噴淋裝置開(kāi)啟后，溫度降低大約要5"min，同樣菌菇進(jìn)行自身能量交換，濕度也會(huì)發(fā)生變化，因此一個(gè)周期的時(shí)間在20"min以上。故將每次采集時(shí)間間隔設(shè)置為30"min，最后共計(jì)得到3"000條的試驗(yàn)數(shù)據(jù)信息。根據(jù)以上的試驗(yàn)數(shù)據(jù)信息，將訓(xùn)練集、測(cè)試集和驗(yàn)證集分別按照8∶1∶1比例進(jìn)行劃分，展開(kāi)了對(duì)溫濕度預(yù)測(cè)模型的相關(guān)研究。

試驗(yàn)材料選取雙孢菇W192。栽培基質(zhì)原料含有45%干牛糞、33%的稻草、9%的棉籽殼、8%的麥草、2%的過(guò)磷酸鈣、2%的石膏粉以及2%的石灰。

1.2 試驗(yàn)數(shù)據(jù)

物聯(lián)網(wǎng)采集系統(tǒng)總體架構(gòu)如圖1所示。

試驗(yàn)選用“神農(nóng)物聯(lián)VI代”智能測(cè)控系統(tǒng)。該系統(tǒng)主要由核心處理器、感知模塊、傳輸模塊和存儲(chǔ)模塊等構(gòu)成，系統(tǒng)感知菇房?jī)?nèi)環(huán)境因子包括環(huán)境空氣中的溫濕度、二氧化碳濃度以及光照強(qiáng)度，雙孢蘑菇生長(zhǎng)菇床內(nèi)的土壤溫度濕度。監(jiān)測(cè)的菇房外環(huán)境因子包括空氣溫濕度以及光照強(qiáng)度。數(shù)據(jù)采集的時(shí)間間隔為30"min，菇房?jī)?nèi)外環(huán)境數(shù)據(jù)采集的頻率一致，采用傳感器相關(guān)參數(shù)如表1所示。

為保證對(duì)環(huán)境的有效監(jiān)測(cè)，研究將傳感器按照中軸線為基準(zhǔn)，向菇房?jī)蓚?cè)分別布設(shè)[13]，雙孢蘑菇菇房的具體結(jié)構(gòu)如圖2所示，菇房?jī)?nèi)空氣溫濕度、二氧化碳傳感器主要布設(shè)在中軸線及中軸線兩側(cè)3.25"m處，土壤溫濕度傳感器可移動(dòng)布設(shè)，布設(shè)結(jié)構(gòu)如圖3所示。

1.3 數(shù)據(jù)預(yù)處理

1.3.1 限幅濾波

由于在采集過(guò)程中傳感器或許會(huì)受到一些隨機(jī)的干擾，導(dǎo)致獲取到的環(huán)境數(shù)據(jù)出現(xiàn)大幅變化，因此需要對(duì)物聯(lián)網(wǎng)系統(tǒng)采集到的數(shù)據(jù)先進(jìn)行濾波處理。研究選用限幅濾波，通過(guò)比較相鄰時(shí)刻的采樣值，并根據(jù)正常值來(lái)確定兩個(gè)時(shí)刻采樣值的最大誤差[14]，每次將采集的數(shù)據(jù)y（n+1）與上一時(shí)刻采集的數(shù)據(jù)y（n）進(jìn)行對(duì)比，如果兩個(gè)時(shí)刻采集數(shù)據(jù)之間的差值一旦超過(guò)最大允許誤差，應(yīng)將后一時(shí)刻采集的數(shù)據(jù)值進(jìn)行刪除。若差值未超過(guò)最大誤差，則此次采集的數(shù)據(jù)判定有效。具體流程如圖4所示。

1.3.2 數(shù)據(jù)填充

考慮到物聯(lián)網(wǎng)系統(tǒng)數(shù)據(jù)采集過(guò)程以及上一環(huán)節(jié)限幅濾波異常值過(guò)濾中可能會(huì)有缺失值產(chǎn)生，故需要填充數(shù)據(jù)缺失數(shù)值。為進(jìn)一步保證試驗(yàn)數(shù)據(jù)完整，考慮到采集時(shí)間間隔，研究通過(guò)線性直插法來(lái)進(jìn)一步完成數(shù)據(jù)的填充，從而得到相對(duì)完整的數(shù)據(jù)集。其計(jì)算如式（1）所示。

1.3.3 數(shù)據(jù)標(biāo)準(zhǔn)化

數(shù)據(jù)類(lèi)型的不同導(dǎo)致量綱也不一致，評(píng)價(jià)指標(biāo)不同往往也存在不同的量綱和量綱范圍。為了消除不同因子數(shù)據(jù)量綱不同產(chǎn)生的不利影響，需要對(duì)其進(jìn)行標(biāo)準(zhǔn)歸一化。選用Min—Max標(biāo)準(zhǔn)化方法，將不同特征的數(shù)據(jù)規(guī)范到一個(gè)統(tǒng)一范圍，為后期的數(shù)據(jù)分析處理奠定基礎(chǔ)。Min—Max標(biāo)準(zhǔn)化方法計(jì)算如式（2）所示。

[x*=（x-xmin）/（xmax-xmin）] （2）

式中： x——測(cè)量值；

x*——數(shù)據(jù)標(biāo)準(zhǔn)值。

xmin、xmax——樣本數(shù)據(jù)的最小值和最大值。

對(duì)物聯(lián)網(wǎng)系統(tǒng)采集到的數(shù)據(jù)進(jìn)行了歸一化處理后的數(shù)據(jù)如表2所示。

1.3.4 相關(guān)性分析

在統(tǒng)計(jì)學(xué)中，皮爾遜相關(guān)系數(shù)（Pearson correlation coefficient），該方法能夠度量?jī)蓚€(gè)變量X和Y之間的相關(guān)性（線性相關(guān)），其值介于-1～1[15]。

皮爾遜相關(guān)系數(shù)的定義如式（3）所示。

P——皮爾遜相關(guān)系數(shù)，取值范圍為-1～1，P值越大，相關(guān)性越強(qiáng)；當(dāng)P為負(fù)值時(shí)，表示X和Y成負(fù)相關(guān)性。

皮爾遜系數(shù)的具體關(guān)聯(lián)程度劃分如表3所示。

基于物聯(lián)網(wǎng)的雙孢蘑菇信息采集系統(tǒng)獲取的數(shù)據(jù)先進(jìn)行預(yù)處理，預(yù)處理之后采用皮爾遜相關(guān)系數(shù)對(duì)菇房?jī)?nèi)外的多種環(huán)境因子進(jìn)行相關(guān)性分析。利用皮爾遜相關(guān)性分析的兩個(gè)變量分別為：當(dāng)前菇房?jī)?nèi)空氣溫濕度（Y1、Y2）、半小時(shí)前的菇房?jī)?nèi)外各個(gè)環(huán)境變量（X1～X10）。菇房外環(huán)境因子主要包括菇房外空氣溫度（X7）、菇房外空氣濕度（X8）。菇房?jī)?nèi)環(huán)境因子主要包括菇房?jī)?nèi)空氣溫度（X1）、菇房?jī)?nèi)空氣濕度（X2）、光照強(qiáng)度（X3）、二氧化碳濃度（X4）、土壤濕度（X5）、土壤溫度（X6）。菇房?jī)?nèi)控制因子包括噴淋狀態(tài)（X9）及風(fēng)機(jī)狀態(tài)（X10）。結(jié)果表明，其相關(guān)性均通過(guò)了Plt;0.01水平的顯著性檢驗(yàn)，菇房?jī)?nèi)溫濕度與其他環(huán)境變量之間的相關(guān)性分析結(jié)果如表4所示。

根據(jù)皮爾遜相關(guān)系數(shù)的關(guān)聯(lián)程度，研究考慮到預(yù)測(cè)模型的復(fù)雜度，篩選出相關(guān)性系數(shù)絕對(duì)值大于0.4的自變量因素作為模型的輸入變量。故確定出菇房?jī)?nèi)空氣溫度的影響因子有7個(gè)，分別為菇房?jī)?nèi)空氣溫度、菇房?jī)?nèi)空氣濕度、菇房?jī)?nèi)光照強(qiáng)度、菇房?jī)?nèi)二氧化碳濃度、菇床土壤溫度以及菇房外空氣溫濕度。菇房?jī)?nèi)空氣濕度的影響因子有7個(gè)，分別為菇房?jī)?nèi)空氣溫度、菇房?jī)?nèi)空氣濕度、菇房?jī)?nèi)光照強(qiáng)度、菇房?jī)?nèi)二氧化碳濃度、菇房外空氣溫度、菇房外空氣濕度以及菇房噴淋裝置開(kāi)關(guān)狀態(tài)。

1.4 菇房溫濕度預(yù)測(cè)模型構(gòu)建

1.4.1 長(zhǎng)短期記憶網(wǎng)絡(luò)

對(duì)于時(shí)間序列預(yù)測(cè)問(wèn)題，第一個(gè)想到的就是循環(huán)神經(jīng)網(wǎng)絡(luò)（Recurrent"Neural"Network，RNN）類(lèi)模型。由于時(shí)間序列預(yù)測(cè)問(wèn)題的本質(zhì)就是序列數(shù)據(jù)的建模，RNN因其迭代建模的方式通常被認(rèn)為是解決時(shí)序建模的首選方法。每一個(gè)時(shí)間步的輸入均為上一個(gè)時(shí)間步的輸出，因此處理起順序數(shù)據(jù)性能相對(duì)比較好[16]。為解決因時(shí)間序列的增加而出現(xiàn)梯度爆炸或消失的問(wèn)題[17]，基于門(mén)結(jié)構(gòu)的長(zhǎng)短期記憶網(wǎng)絡(luò)（Long Short?term Memory Networks，LSTM）應(yīng)運(yùn)而生[18]。LSTM與傳統(tǒng)神經(jīng)網(wǎng)絡(luò)一樣都具有輸入層、隱藏層和輸出層。但相比于RNN來(lái)說(shuō)，LSTM的核心就是其門(mén)控邏輯，隱藏層的每個(gè)神經(jīng)元都添加有三個(gè)“門(mén)”，分別稱(chēng)為忘記門(mén)[ft]、輸入門(mén)[it]和輸出門(mén)[ot]。LSTM的單個(gè)模塊結(jié)構(gòu)如圖5所示，具體步驟如下。

1）"通過(guò)對(duì)上一單元的外部[ht-1]和當(dāng)前單元的[xt]的計(jì)算，分別得到三個(gè)門(mén)的狀態(tài)以及候選狀態(tài)[ct]。

2）"記憶單元進(jìn)行更新。根據(jù)[ft]和[it]來(lái)更新[ct]。

3）"更新[ht]。[ht]利用[ot]以及內(nèi)部信息來(lái)進(jìn)行更新。

1.4.2 麻雀搜索算法

選取LSTM模型作為菇房溫濕度預(yù)測(cè)的基礎(chǔ)模型。但由于傳統(tǒng)LSTM模型很多參數(shù)都需要人工手動(dòng)調(diào)節(jié)，這也導(dǎo)致在調(diào)參過(guò)程中效率低且準(zhǔn)確性差。麻雀搜索算法（SSA）是在2020年提出的一種新型群智能優(yōu)化算法，該算法受自然界中麻雀的尋覓食物和躲避天敵行為啟發(fā)[19]。SSA算法以原理簡(jiǎn)單，較快收斂速度的優(yōu)勢(shì)[20]，能夠更好地幫助模型參數(shù)選優(yōu)，提升預(yù)測(cè)性能。

在麻雀搜索算法中，帶頭雀的適應(yīng)度值較高，能尋找到充足的食物，進(jìn)而提供給適應(yīng)度值低的跟隨雀食物資源區(qū)域和方位，帶頭雀因食物發(fā)現(xiàn)早故先覓食。帶頭雀位置也會(huì)不斷變化，位置更新如式（4）所示。

1.4.3 改進(jìn)麻雀搜索算法

麻雀搜索算法對(duì)模型的超參數(shù)進(jìn)行迭代選優(yōu)時(shí)，種群初始化位置是隨機(jī)的，并且在各維度空間分布不均勻，導(dǎo)致算法收斂速度變慢，容易得到局部最優(yōu)解。而混沌序列憑借著隨機(jī)性、規(guī)律性的優(yōu)點(diǎn)能夠?qū)⒙槿傅某跏蓟恢梅植季鶆颍岣咚惴ǖ娜炙阉髂芰Α，F(xiàn)如今應(yīng)用的混沌映射主要有兩種，分別是Logistic映射和Tent映射。但研究表明，Logistic映射在遍歷均勻性與收斂速度均不如Tent映射[21]。Tent映射能夠進(jìn)一步優(yōu)化參數(shù)，使各個(gè)維度分布均勻，提高遍歷均勻性。研究通過(guò)Tent映射初始化麻雀種群的位置，如式（5）所示。

1.4.4 基于ISSA—LSTM的菇房溫濕度預(yù)測(cè)模型

ISSA—LSTM模型具體流程步驟如圖6所示。

1）"數(shù)據(jù)預(yù)處理。確定模型輸入的統(tǒng)一數(shù)據(jù)集。

2）"設(shè)置麻雀搜索算法參數(shù)。初始化麻雀種群參數(shù)以及相關(guān)參數(shù)，再通過(guò)適應(yīng)度函數(shù)評(píng)估，根據(jù)個(gè)體能量值對(duì)麻雀排序，選取前20%作為帶頭雀，其余為跟隨雀，隨機(jī)選取種群中的10%～20%為警報(bào)雀。

3）"對(duì)最大迭代次數(shù)進(jìn)行設(shè)置，初始化相關(guān)參數(shù)，結(jié)合麻雀數(shù)目與相關(guān)參數(shù)形成搜索空間矩陣。

4）"對(duì)帶頭雀、跟隨雀以及警報(bào)雀的個(gè)體位置進(jìn)行更新。再通過(guò)適應(yīng)度函數(shù)值、預(yù)警值及麻雀?jìng)€(gè)體行為的變化，更新個(gè)體的最優(yōu)位置。

5）"通過(guò)適應(yīng)度函數(shù)將返回結(jié)果進(jìn)行判斷，確定最佳和最差適應(yīng)度個(gè)體。如果本次迭代中麻雀最佳適應(yīng)度優(yōu)于全局最佳適應(yīng)度則更新，否則不變。

6）"判斷是否滿(mǎn)足結(jié)果達(dá)到預(yù)測(cè)精度和到達(dá)迭代次數(shù)上限的停止條件。如果條件符合，運(yùn)算結(jié)果直接確定LSTM模型的超參數(shù)，構(gòu)建ISSA—LSTM模型。如果不符合條件，則返回步驟4，繼續(xù)迭代更新位置。

1.5 預(yù)測(cè)模型評(píng)價(jià)指標(biāo)

為了評(píng)價(jià)不同模型預(yù)測(cè)效果，采用平均絕對(duì)誤差MAE、均方根誤差RMSE和決定系數(shù)R2進(jìn)行模型評(píng)價(jià)，計(jì)算如式（7）～式（9）所示。

式中： [fi]——實(shí)際真值；

[yi]——預(yù)測(cè)反饋值；

[y]——實(shí)際真值的平均值。

當(dāng)R2值越大，RMSE和MAE越小，表明預(yù)測(cè)模型預(yù)測(cè)結(jié)果更加精確。

2 試驗(yàn)結(jié)果與分析

2.1 模型的參數(shù)選擇

1）"數(shù)據(jù)集劃分。研究數(shù)據(jù)源為雙孢蘑菇菇房環(huán)境數(shù)據(jù)，根據(jù)1.1節(jié)可知，菇房溫濕度變化周期時(shí)間約在20"min以上。因此研究以未來(lái)半小時(shí)的菇房?jī)?nèi)溫濕度作為研究對(duì)象，選取2023年2月10日0時(shí)—4月20日0時(shí)的數(shù)據(jù)，以30"min為時(shí)間間隔進(jìn)行篩選，篩選出共3"000條數(shù)據(jù)來(lái)作為預(yù)測(cè)模型研究的數(shù)據(jù)集，其中，確定訓(xùn)練集、驗(yàn)證集和測(cè)試集劃分的比例為8∶1∶1。

2）"輸入層、輸出層的神經(jīng)元節(jié)點(diǎn)數(shù)確定。通過(guò)對(duì)環(huán)境數(shù)據(jù)之間的相關(guān)性分析以及模型的需求，經(jīng)相關(guān)性分析篩選得到，影響溫度的環(huán)境因子有7個(gè)，故7個(gè)溫度預(yù)測(cè)模型輸入節(jié)點(diǎn)；同理可知濕度預(yù)測(cè)模型的輸入節(jié)點(diǎn)數(shù)也為7個(gè)，保證環(huán)境因子數(shù)與節(jié)點(diǎn)數(shù)相同。

3）"隱含層層數(shù)及神經(jīng)元節(jié)點(diǎn)數(shù)確定。對(duì)LSTM超參數(shù)設(shè)置，首先根據(jù)以往預(yù)測(cè)模型的經(jīng)驗(yàn)選擇隱含層層數(shù)范圍。隱含層層數(shù)設(shè)置為4個(gè)，分別對(duì)比溫度、濕度預(yù)測(cè)模型的訓(xùn)練集和測(cè)試集的均方根誤差。經(jīng)過(guò)多次試驗(yàn)調(diào)試，發(fā)現(xiàn)隱含層層數(shù)為2時(shí)，均方根誤差最小，故將預(yù)測(cè)模型隱含層設(shè)置為兩層。針對(duì)不同的模型，隱含層神經(jīng)元節(jié)點(diǎn)數(shù)不是一成不變的。為避免降低模型的訓(xùn)練速度與預(yù)測(cè)精度，既要考慮訓(xùn)練時(shí)間還需兼顧網(wǎng)絡(luò)的復(fù)雜程度，才能確定隱含層神經(jīng)元節(jié)點(diǎn)數(shù)目最優(yōu)值。隱含節(jié)點(diǎn)沒(méi)有固定的計(jì)算公式，均根據(jù)以往經(jīng)驗(yàn)來(lái)進(jìn)行試驗(yàn)確定。設(shè)置不同隱含節(jié)點(diǎn)數(shù)進(jìn)行試驗(yàn)，通過(guò)比較得到的均方根誤差進(jìn)行選擇。如表5所示，當(dāng)隱含層神經(jīng)元節(jié)點(diǎn)數(shù)為50個(gè)時(shí)，均方根誤差最小，代表預(yù)測(cè)性能最佳確定預(yù)測(cè)模型隱含層神經(jīng)元節(jié)點(diǎn)數(shù)為50個(gè)。

4）"優(yōu)化算法的確定。Adam算法計(jì)算效率較高，在大規(guī)模數(shù)據(jù)計(jì)算優(yōu)化上具有一定的優(yōu)勢(shì)，該算法能夠根據(jù)計(jì)算值對(duì)模型的學(xué)習(xí)率進(jìn)行自動(dòng)調(diào)整，完成學(xué)習(xí)率的自動(dòng)更新[22]。因此采用Adam算法對(duì)模型進(jìn)行優(yōu)化。

5）"學(xué)習(xí)率的確定。學(xué)習(xí)率的初始值的設(shè)定對(duì)于預(yù)測(cè)模型的性能有著必然影響。經(jīng)過(guò)多次試驗(yàn)調(diào)試，設(shè)置學(xué)習(xí)率初始值為0.001，Adam算法會(huì)自動(dòng)調(diào)整學(xué)習(xí)率的大小。

6）"激活函數(shù)與訓(xùn)練次數(shù)的確定。校正線性單元（Rectified"Linear"Unit，ReLU）函數(shù)[23]與sigmoid函數(shù)、tanh函數(shù)相比，計(jì)算更加簡(jiǎn)單、效率更高、速度較快，不僅能夠抑制梯度消失，還可以解決多個(gè)參數(shù)之間相互依賴(lài)的問(wèn)題，故選用ReLU函數(shù)作為激活函數(shù)。在網(wǎng)絡(luò)參數(shù)配置中，將訓(xùn)練次數(shù)設(shè)置為500，并進(jìn)行訓(xùn)練。

由圖7可知，優(yōu)化后的麻雀搜索算法不易陷入局部最優(yōu)，且具有更快的收斂速度，ISSA算法的尋優(yōu)能力強(qiáng)。

2.2 預(yù)測(cè)結(jié)果及對(duì)比分析

根據(jù)ISSA優(yōu)化結(jié)果設(shè)置LSTM模型參數(shù)，通過(guò)MATLAB對(duì)雙孢蘑菇菇房空氣溫度、空氣濕度分別進(jìn)行預(yù)測(cè)，預(yù)測(cè)結(jié)果如圖8所示。

為進(jìn)一步驗(yàn)證ISSA—LSTM模型在溫室環(huán)境數(shù)據(jù)預(yù)測(cè)中的優(yōu)越性，消除不同因子數(shù)據(jù)量綱不同產(chǎn)生的不利影響，同時(shí)利用RNN、BP神經(jīng)網(wǎng)絡(luò)、LSTM及SSA—LSTM模型對(duì)菇房?jī)?nèi)的環(huán)境溫濕度預(yù)測(cè)并對(duì)比分析。在相同運(yùn)算環(huán)境下輸入歸一化處理后的各項(xiàng)數(shù)據(jù)，5種模型溫濕度環(huán)境預(yù)測(cè)性能的對(duì)比如表6所示。

試驗(yàn)結(jié)果表明，BP、RNN、LSTM、SSA—LSTM和ISSA—LSTM溫度預(yù)測(cè)擬合指數(shù)分別為89.8%、90.2%、91.1%、94.5%和96.2%，濕度預(yù)測(cè)擬合指數(shù)分別為88.9%、89.4%、90.6%、93.2%和95.6%，對(duì)比其他4種模型，ISSA—LSTM溫度預(yù)測(cè)擬合指數(shù)分別提升6.4%、6%、5.1%和1.7%，濕度預(yù)測(cè)擬合指數(shù)分別提升6.7%、6.2%、5%和2.4%，模型預(yù)測(cè)性能效果最佳。綜上所述，ISSA—LSTM模型有效彌補(bǔ)了算法收斂速度慢，容易陷入局部最優(yōu)等劣勢(shì)，完成對(duì)菇房未來(lái)一段時(shí)間內(nèi)溫濕度變化的預(yù)測(cè)。

3 結(jié)論

1）"針對(duì)菇房環(huán)境物聯(lián)網(wǎng)數(shù)據(jù)體量大、維數(shù)多、計(jì)算成本高，傳統(tǒng)的LSTM在訓(xùn)練過(guò)程中依靠人工經(jīng)驗(yàn)手動(dòng)選取調(diào)節(jié)模型參數(shù)，導(dǎo)致模型預(yù)測(cè)精度低和模型調(diào)節(jié)參數(shù)時(shí)間較長(zhǎng)等問(wèn)題，并且處理高維數(shù)據(jù)時(shí)收斂速度慢且容易陷入局部最優(yōu)，提出一種基于改進(jìn)麻雀搜索算法優(yōu)化長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)參數(shù)的雙孢蘑菇菇房溫濕度預(yù)測(cè)模型。試驗(yàn)結(jié)果表明，BP、RNN、LSTM、SSA—LSTM和ISSA—LSTM溫度預(yù)測(cè)擬合指數(shù)分別為89.8%、90.2%、91.1%、94.5%和96.2%，濕度預(yù)測(cè)擬合指數(shù)分別為88.9%、89.4%、90.6%、93.2%和95.6%，對(duì)比其他4種模型，ISSA—LSTM溫度預(yù)測(cè)擬合指數(shù)分別提升6.4%、6%、5.1%和1.7%，濕度預(yù)測(cè)擬合指數(shù)分別提升6.7%、6.2%、5%和2.4%，模型預(yù)測(cè)性能效果最佳。

2）"進(jìn)一步證明ISSA—LSTM模型在雙孢蘑菇菇房環(huán)境數(shù)據(jù)預(yù)測(cè)中具有較高的準(zhǔn)確性，精確反映菇房?jī)?nèi)溫濕度的動(dòng)態(tài)變化趨勢(shì)，提前掌握30 min菇房?jī)?nèi)的溫濕度環(huán)境狀況，及時(shí)調(diào)整并制定控制策略，為雙孢蘑菇營(yíng)造良好的生長(zhǎng)環(huán)境，促進(jìn)雙孢蘑菇品質(zhì)與產(chǎn)量的提升。

參 考 文 獻(xiàn)

[ 1 ]""""" 李超， 張敏， 李紅. 信息技術(shù)在食用菌工廠化生產(chǎn)中的研究與應(yīng)用[J]. 園藝與種苗， 2016（12）： 3-5.

Li Chao， Zhang Min， Li Hong. Research and application of information technology in edible fungus industrial production [J]. Horticulture amp; Seed， 2016（12）： 3-5.

[ 2 ]""""" 孔雷， 張良， 胡文洪， 等. 中國(guó)食用菌產(chǎn)業(yè)現(xiàn)狀及預(yù)測(cè)[J]. 食用菌學(xué)報(bào)， 2016， 23（2）： 104-109.

Kong Lei， Zhang Liang， Hu Wenhong， et al. The Chinese edible fungi industry?current status and future prediction [J]. Acta Edulis Fungi， 2016， 23（2）： 104-109.

[ 3 ]""""" 陳璁. 雙孢蘑菇酸奶溶豆的制備及食用品質(zhì)研究[D]. 武漢： 武漢輕工大學(xué)， 2022.

Chen Cong. A study on the preparation technique and eating quality of yogurt melts added with Agaricus bisporus [D]. Wuhan： Wuhan Polytechnic University， 2022.

[ 4 ]""""" Zhao K， Zhu X， Ma H， et al. Design and experiment of the environment control system for the industrialized production of Agaricus bisporus [J]. International Journal of Agricultural and Biological Engineering， 2021， 14（1）： 97-107.

[ 5 ]""""" 楊學(xué)坤， 韓柏和， 蔣曉. 日光溫室系統(tǒng)模型的研究現(xiàn)狀與對(duì)策[J]. 中國(guó)農(nóng)機(jī)化學(xué)報(bào)， 2017， 38（4）： 42-48.

Yang Xuekun， Han Baihe， Jiang Xiao. Research status and countermeasures of solar greenhouse system model [J]. Journal of Chinese Agricultural Mechanization， 2017， 38（4）： 42-48.

[ 6 ]""""" 鄭昊南. 平菇溫室溫濕度物聯(lián)網(wǎng)智能測(cè)控系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[D]. 泰安： 山東農(nóng)業(yè)大學(xué)， 2022.

[ 7 ]""""" 杜太行， 劉德， 孫曙光， 等. 基于模型預(yù)測(cè)的日光溫室溫度優(yōu)化控制[J]. 中國(guó)測(cè)試， 2022， 48（1）： 85-91， 167.

Du Taihang， Liu De， Sun Shuguang， et al. Optimal temperature control of solar greenhouse based on MPC method [J]. China Measurement amp; Test， 2022， 48（1）： 85-91， 167.

[ 8 ]""""" Jung D H， Kim H S， Jhin C， et al. Time?serial analysis of deep neural network models for prediction of climatic conditions inside a greenhouse [J]. Computers and Electronics in Agriculture， 2020， 173： 105402.

[ 9 ]""""" 毛曉娟， 鮑彤， 荀廣連， 等. 基于GWO—LSTM的設(shè)施蔬菜溫室溫度預(yù)測(cè)[J]. 中國(guó)農(nóng)機(jī)化學(xué)報(bào)， 2023， 44（1）： 116-123.

Mao Xiaojuan， Bao Tong， Xun Guanglian， et al. Prediction of temperature in the greenhouse of vegetable growing based on GWO—LSTM [J]. Journal of Chinese Agricultural Mechanization， 2023， 44（1）： 116-123.

[10]""""" 陳俐均， 杜尚豐， 李嘉鵬， 等. 溫室環(huán)境溫度預(yù)測(cè)自適應(yīng)機(jī)理模型參數(shù)在線識(shí)別方法[J]. 農(nóng)業(yè)工程學(xué)報(bào)， 2017， 33（S1）： 315-321.

Chen Lijun， Du Shangfeng， Li Jiapeng， et al. Online identification method of parameters for greenhouse temperature prediction self?adapting mechanism model [J]. Transactions of the Chinese Society of Agricultural Engineering， 2017， 33（S1）： 315-321.

[11]""""" 劉持勇. 農(nóng)村雙孢菇栽培技術(shù)關(guān)鍵要點(diǎn)分析[J]. 南方農(nóng)機(jī)， 2018， 49（20）： 92-93.

[12]""""" 張暉. 菇房二氧化碳降幅對(duì)雙孢蘑菇的產(chǎn)量及品質(zhì)影響初探[J]. 食用菌， 2022， 44（1）： 57-58.

[13]""""" 于玉婷. 設(shè)施番茄溫室風(fēng)口智能測(cè)控系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)[D]. 泰安： 山東農(nóng)業(yè)大學(xué)， 2021.

[14]""""" 吳江昊， 鄭鵬， 尹浩田. 基于STM32的嵌入式磨加工主動(dòng)量?jī)x的研究[J]. 機(jī)床與液壓， 2021， 49（2）： 49-54.

Wu Jianghao， Zheng Peng， Yin Haotian. Research on embedded grinding active measuring instrument based on STM32 [J]. Machine Tool amp; Hydraulics， 2021， 49（2）： 49-54.

[15]""""" 紀(jì)德洋， 金鋒， 冬雷， 等. 基于皮爾遜相關(guān)系數(shù)的光伏電站數(shù)據(jù)修復(fù)[J]. 中國(guó)電機(jī)工程學(xué)報(bào)， 2022， 42（4）： 1514-1522.

Ji Deyang， Jin Feng， Dong Lei， et al. Data repairing of photovoltaic power plant based on Pearson correlation coefficient [J]. Proceedings of the CSEE， 2022， 42（4）： 1514-1522.

[16]""""" 王甘楠， 田昕， 魏國(guó)亮， 等. 基于RNN的多傳感器融合室內(nèi)定位方法[J]. 計(jì)算機(jī)應(yīng)用研究， 2021， 38（12）： 3725-3729.

Wang Gannan， Tian Xin， Wei Guoliang， et al. Multi?sensor fusion indoor localization method based on RNN [J]. Application Research of Computer， 2021， 38（12）： 3725-3729.

[17]""""" 邸世麟. 基于LSTM模型的日光溫室溫濕度預(yù)測(cè)技術(shù)研究[D]. 銀川： 寧夏大學(xué)， 2022.

[18]""""" Wang Yan， Liu Pingzeng， Zhu Ke， et al. A garlic?price?prediction approach based on combined LSTM and GARCH—family model [J]. Applied Sciences， 2022， 12（22）： 11366.

[19]""""" 王海粟. 麻雀搜索算法在農(nóng)業(yè)監(jiān)測(cè)網(wǎng)絡(luò)中的應(yīng)用[D]. 合肥： 安徽農(nóng)業(yè)大學(xué)， 2022.

[20]""""" 張永芳， 王芳. 基于SSA—RBF網(wǎng)絡(luò)的日光溫室溫濕度預(yù)測(cè)模型研究[J]. 河北農(nóng)業(yè)大學(xué)學(xué)報(bào)， 2021， 44（3）： 115-121.

Zhang Yongfang， Wang Fang. Study on temperature and humidity prediction model of solar greenhouse based on SSA—RBF network [J]. Journal of Hebei Agricultural University， 2021， 44（3）： 115-121.

[21]""""" Demidova L A， Gorchakov A V. A study of chaotic maps producing symmetric distributions in the fish school search optimization algorithm with exponential step decay [J]. Symmetry， 2020， 12（5）： 784.

[22]""""" 楊觀賜， 韓海峰， 劉賽賽， 等. 基于全局注意力機(jī)制和LSTM的連續(xù)手語(yǔ)識(shí)別算法[J]. 包裝工程， 2022， 43（8）： 28-34.

Yang Guanci， Han Haifeng， Liu Saisai， et al. Continuous sign language recognition algorithm based on global attention mechanism and LSTM [J]. Packing Engineering， 2022， 43（8）： 28-34.

[23]""""" 蔣昂波， 王維維. ReLU激活函數(shù)優(yōu)化研究[J]. 傳感器與微系統(tǒng)， 2018， 37（2）： 50-52.

Jiang Angbo， Wang Weiwei. Research on optimization of ReLU activation function [J]. Transducer and Microsystem Technologies， 2018， 37（2）： 50-52.

DOI： 10.13733/j.jcam.issn.2095?5553.2025.02.015