基于改進(jìn)支持向量機(jī)的溫室大棚溫度預(yù)測(cè)

崔麗珍 邊澤山

摘? 要：針對(duì)溫室大棚中影響溫度預(yù)測(cè)的因素以及溫室大棚溫度變化存在的非線性問(wèn)題，提出基于改進(jìn)支持向量機(jī)的溫度預(yù)測(cè)模型。支持向量機(jī)選擇性能較好的RBF核函數(shù)，結(jié)合網(wǎng)格搜索算法對(duì)支持向量機(jī)的核參數(shù)和懲罰因子進(jìn)行動(dòng)態(tài)尋優(yōu)，考慮光照強(qiáng)度、濕度、風(fēng)速對(duì)溫度的影響。實(shí)驗(yàn)結(jié)果表明，與其他模型相比，改進(jìn)的支持向量機(jī)預(yù)測(cè)誤差更小，精度更好。

關(guān)鍵詞：溫度預(yù)測(cè);改進(jìn)支持向量機(jī);溫室大棚

中圖分類號(hào)：TP27文獻(xiàn)標(biāo)志碼：A? ? ? ? ?文章編號(hào)：2095-2945（2020）10-0101-02

Abstract： Aiming at the factors affecting the temperature prediction in greenhouse and the nonlinear problem of greenhouse temperature change， a temperature prediction model based on improved support vector machine （SVM） is proposed. The support vector machine selects the RBF kernel function with better performance， and combines the grid search algorithm to dynamically optimize the kernel parameters and penalty factors of support vector machine， considering the effect of light intensity， humidity， wind level on temperature. The experimental results show that the improved support vector machine has smaller prediction error and better accuracy compared with other models.

Keywords： temperature prediction; improved support vector machine; greenhouse

1 概述

我國(guó)是農(nóng)業(yè)生產(chǎn)大國(guó)，目前現(xiàn)代農(nóng)業(yè)發(fā)展也已經(jīng)進(jìn)入全面發(fā)展的新時(shí)期。因此，準(zhǔn)確的溫室環(huán)境參數(shù)對(duì)溫室環(huán)境科學(xué)化管理有著十分重要的經(jīng)濟(jì)和現(xiàn)實(shí)價(jià)值，而溫度作為影響作物生長(zhǎng)的重要因素之一，探尋有效的分析方法，最大限度的調(diào)控溫度降低災(zāi)害成為急需解決的技術(shù)問(wèn)題。支持向量機(jī)以風(fēng)險(xiǎn)最小化為原則，通過(guò)引入核函數(shù)為非線性問(wèn)題提供高效解決方案，目前已經(jīng)廣泛應(yīng)用到電力負(fù)荷預(yù)測(cè)、風(fēng)速、混煤灰熔點(diǎn)預(yù)測(cè)等方面[1-2]。本文選擇改進(jìn)SVM方法構(gòu)建溫室大棚溫度預(yù)測(cè)模型，模型的輸入因子包括棚內(nèi)光照強(qiáng)度，濕度，風(fēng)速。同時(shí)為了獲得更高的精確度，在SVM中引入RBF核函數(shù)，及網(wǎng)格搜索方法對(duì)SVM中的參數(shù)進(jìn)行動(dòng)態(tài)尋優(yōu)。根據(jù)實(shí)驗(yàn)預(yù)測(cè)結(jié)果可知，采用所提方法可以高效、準(zhǔn)確的把控溫室大棚內(nèi)的溫度值，能夠?yàn)檗r(nóng)業(yè)溫室溫度預(yù)測(cè)提供參考依據(jù)。

2 大棚溫度預(yù)測(cè)

支持向量機(jī)建立模型的主要思想是尋找一個(gè)分類超平面，使得正面和反面的隔離邊緣最大化，實(shí)現(xiàn)結(jié)構(gòu)風(fēng)險(xiǎn)的最小化。SVM用于解決回歸問(wèn)題時(shí)，主要目標(biāo)是尋求一個(gè)反映樣本的最優(yōu)函數(shù)關(guān)系，即

K（xi，x）是核函數(shù)，可實(shí)現(xiàn)輸入樣本數(shù)據(jù)非線性到線性的映射。核函數(shù)主要有多項(xiàng)式核函數(shù)（Polynomial kernel function）、徑向基核函數(shù)（Radial Basis Function，RBF）等，采用不同函數(shù)作為SVM的核函數(shù)，可以實(shí)現(xiàn)低維輸入空間不同類型的非線性決策面學(xué)習(xí)機(jī)器。在眾多不同領(lǐng)域的研究中，RBF核函數(shù)都變現(xiàn)出比其他核函數(shù)的建模效果更好，因此本文選用常用且效果較好的RBF函數(shù)作為SVM的核函數(shù)[3]。

網(wǎng)格搜索（Grid Search，GS）算法是一種窮盡式的搜索算法，遍歷所有參數(shù)組合。且適用于參數(shù)個(gè)數(shù)較少，樣本量不是很大的模型建立。本文中SVM算法預(yù)測(cè)時(shí)需要訓(xùn)練的參數(shù)只有懲罰因子和核參數(shù)，參數(shù)個(gè)數(shù)較少，所以選用網(wǎng)格搜索優(yōu)化SVM模型參數(shù)。

3 結(jié)果與分析

本實(shí)驗(yàn)選取內(nèi)蒙古包頭市天佑溫室大棚為分析對(duì)象，以CC2530射頻芯片為核心的氣象數(shù)據(jù)采集終端，通過(guò)Zigbee協(xié)議上傳到網(wǎng)關(guān)，利用NodeMCU通過(guò)MQTT協(xié)議進(jìn)行數(shù)據(jù)發(fā)送和接收，并將數(shù)據(jù)保存于MySQL中[4]。采集的因子有光照強(qiáng)度、濕度、風(fēng)速。選取2019年6月20日到2019年7月20日作為模型的訓(xùn)練集，2019年7月21日到2019年7月29日的數(shù)據(jù)集作為測(cè)試的數(shù)據(jù)集。同時(shí)為解決變量間單位及數(shù)量級(jí)不一致的問(wèn)題，在模型訓(xùn)練時(shí)對(duì)數(shù)據(jù)進(jìn)行歸一化處理，完成模型后對(duì)其進(jìn)行反歸一化處理。

實(shí)驗(yàn)通過(guò)python語(yǔ)言編寫，首先進(jìn)行模型訓(xùn)練調(diào)優(yōu)，訓(xùn)練過(guò)程中，設(shè)置C的取值范圍為[0，100]，步長(zhǎng)為1，gamma的取值范圍為[0，28]，步長(zhǎng)為0.01。訓(xùn)練出的參數(shù)C=15，gamma=0.41。并與線性回歸模型、未優(yōu)化的支持向量機(jī)模型進(jìn)行對(duì)比。實(shí)驗(yàn)結(jié)果利用均方根誤差和決定系數(shù)作為模型評(píng)估指標(biāo)：

式中，Yi為真實(shí)溫度值，f（xi）模型預(yù)測(cè)的溫度值。均方根誤差是用來(lái)衡量觀測(cè)值與真實(shí)值直接的偏差，決定系數(shù)用來(lái)說(shuō)明因變量變化的可靠程度。RMSE越小，R2越大，表明模型預(yù)測(cè)精度越高。不同模型的評(píng)估結(jié)果如表1所示，算法模型預(yù)測(cè)的溫度值如圖2所示。

由圖2和表1可知，本文所提的改進(jìn)的支持向量機(jī)算法對(duì)溫室大棚的溫度預(yù)測(cè)效果更好，精度更高。

4 結(jié)束語(yǔ)

本文考慮大棚內(nèi)光照強(qiáng)度、濕度、風(fēng)速對(duì)棚內(nèi)溫度預(yù)測(cè)的影響，提出了一種RBF為SVM核函數(shù)，網(wǎng)格搜索算法對(duì)其進(jìn)行參數(shù)優(yōu)化的溫度預(yù)測(cè)模型，對(duì)輸入的數(shù)據(jù)進(jìn)行歸一化處理，對(duì)溫度預(yù)測(cè)模型中的參數(shù)進(jìn)行動(dòng)態(tài)尋優(yōu)，并與其他模型進(jìn)行對(duì)比分析，結(jié)果顯示所提改進(jìn)支持向量機(jī)模型對(duì)大棚溫度預(yù)測(cè)效果更好，性能更優(yōu)，更能滿足實(shí)踐生產(chǎn)需要。另外，支持向量機(jī)是根據(jù)支持向量構(gòu)建推理模型，對(duì)輸入因子的數(shù)量沒(méi)有明顯的限制，因此可以通過(guò)增加影響因子，對(duì)預(yù)測(cè)模型進(jìn)一步完善，使模型更具實(shí)用性;同時(shí)，本文所建立的模型只適用于特定時(shí)間特定環(huán)境的大棚氣候，其他大棚溫度預(yù)測(cè)模型要根據(jù)具體采集數(shù)據(jù)調(diào)整模型參數(shù)。

參考文獻(xiàn)：

[1]周新志，邵倫，李榮昆，等.基于小波去噪和改進(jìn)型PSO-SVM的微波加熱溫度預(yù)測(cè)模型研究[J].化工學(xué)報(bào)，2018，69（S2）：291-299.

[2]王紅娜.基于支持向量機(jī)的混煤灰熔點(diǎn)預(yù)測(cè)[D].華北電力大學(xué)，2017.

[3]朱樹先，李蕓，祝勇俊，等.RBF支持向量機(jī)用于多類混疊的人臉識(shí)別研究[J].控制工程，2019，26（04）：773-776.

[4]崔麗珍，徐錦濤，丁福星，等.基于物聯(lián)網(wǎng)的農(nóng)業(yè)大棚氣象數(shù)據(jù)監(jiān)測(cè)系統(tǒng)設(shè)計(jì)[J].電子技術(shù)應(yīng)用，2018，44（12）：73-76+80.