基于時序數(shù)據(jù)特征識別的溫室小氣候環(huán)境精準(zhǔn)預(yù)測研究一、引言1.1研究背景與意義隨著全球人口的持續(xù)增長以及城市化進(jìn)程的不斷加速，人們對農(nóng)產(chǎn)品的需求日益攀升。在此背景下，設(shè)施農(nóng)業(yè)，尤其是溫室種植，因其能夠創(chuàng)造適宜作物生長的環(huán)境，有效克服自然條件的限制，實現(xiàn)農(nóng)作物的高效、穩(wěn)定生產(chǎn)，在現(xiàn)代農(nóng)業(yè)中占據(jù)著愈發(fā)重要的地位。據(jù)統(tǒng)計，截至2022年，全球溫室面積已超過100萬公頃，且仍在以每年5%的速度增長。溫室小氣候是指在溫室這一相對封閉的空間內(nèi)，由溫度、濕度、光照強(qiáng)度、二氧化碳濃度等氣象要素相互作用而形成的獨特氣候環(huán)境。這些要素對作物的生長發(fā)育起著關(guān)鍵作用。溫度直接影響作物的新陳代謝速率，適宜的溫度能促進(jìn)作物的光合作用、呼吸作用等生理過程，不同作物在不同生長階段對溫度的要求各異。例如，番茄在生長過程中，適宜的溫度范圍為15-33℃，當(dāng)溫度低于15℃時，可能導(dǎo)致其無法正常開花或授粉受精不良。濕度對作物的水分平衡和病蟲害發(fā)生有著重要影響，過高或過低的濕度都可能影響作物的生長。光照是作物進(jìn)行光合作用的能量來源，充足的光照能夠保證作物合成足夠的有機(jī)物質(zhì)，促進(jìn)其生長發(fā)育。二氧化碳作為光合作用的原料，其濃度的高低直接影響作物的光合效率，適當(dāng)提高二氧化碳濃度，能夠增強(qiáng)作物的光合作用，提高產(chǎn)量。然而，溫室小氣候環(huán)境復(fù)雜多變，受到多種因素的綜合影響。外界氣象條件如太陽輻射、氣溫、降水等會通過溫室的圍護(hù)結(jié)構(gòu)傳遞到內(nèi)部，影響小氣候。溫室的結(jié)構(gòu)類型、覆蓋材料、通風(fēng)系統(tǒng)等自身特性也會對小氣候產(chǎn)生顯著影響。不同結(jié)構(gòu)的溫室，其保溫、透光性能存在差異，從而導(dǎo)致內(nèi)部小氣候環(huán)境有所不同。作物的生長階段和種植密度也會改變小氣候，隨著作物的生長，其對光照、溫度、二氧化碳等的需求和影響也會發(fā)生變化。準(zhǔn)確預(yù)測溫室小氣候環(huán)境對于農(nóng)業(yè)生產(chǎn)具有重要的現(xiàn)實意義。一方面，能夠為溫室環(huán)境調(diào)控提供科學(xué)依據(jù)。通過提前預(yù)測小氣候的變化趨勢，種植者可以及時采取相應(yīng)的調(diào)控措施，如通風(fēng)、遮陽、加熱、加濕或除濕等，使溫室環(huán)境始終保持在作物生長的適宜范圍內(nèi)，從而提高作物的產(chǎn)量和品質(zhì)。研究表明，精準(zhǔn)的環(huán)境調(diào)控能夠使作物產(chǎn)量提高20%-30%，品質(zhì)也得到顯著提升。另一方面，有助于降低農(nóng)業(yè)生產(chǎn)成本和風(fēng)險。合理的環(huán)境調(diào)控可以減少能源消耗和資源浪費，降低生產(chǎn)成本。準(zhǔn)確的小氣候預(yù)測還能提前預(yù)警可能出現(xiàn)的氣象災(zāi)害，如高溫、低溫、高濕等，使種植者能夠及時采取防范措施，減少災(zāi)害損失。在面對極端天氣時，提前做好防護(hù)措施可以避免作物減產(chǎn)甚至絕收。1.2國內(nèi)外研究現(xiàn)狀在溫室小氣候環(huán)境預(yù)測方面，國內(nèi)外學(xué)者開展了大量研究并取得了一系列成果。國外研究起步較早，在理論和技術(shù)應(yīng)用上相對成熟。荷蘭、以色列等國家在溫室小氣候模型構(gòu)建方面處于領(lǐng)先地位，他們基于能量和物質(zhì)平衡原理，建立了較為完善的溫室小氣候模型，能夠準(zhǔn)確描述溫室內(nèi)溫度、濕度、二氧化碳濃度等環(huán)境因子的動態(tài)變化。這些模型考慮了溫室結(jié)構(gòu)、覆蓋材料、作物生理特性以及外界氣象條件等多方面因素的影響，為溫室環(huán)境調(diào)控提供了有力的理論支持。例如，荷蘭瓦赫寧根大學(xué)開發(fā)的溫室氣候模型，通過對溫室內(nèi)部的能量流動和物質(zhì)交換進(jìn)行詳細(xì)分析，能夠精確預(yù)測不同天氣條件下溫室內(nèi)的小氣候環(huán)境。近年來，隨著機(jī)器學(xué)習(xí)和深度學(xué)習(xí)技術(shù)的快速發(fā)展，其在溫室小氣候預(yù)測領(lǐng)域得到了廣泛應(yīng)用。一些學(xué)者利用神經(jīng)網(wǎng)絡(luò)算法建立溫室環(huán)境預(yù)測模型，通過對大量歷史數(shù)據(jù)的學(xué)習(xí)和訓(xùn)練，實現(xiàn)對溫室內(nèi)溫度、濕度等參數(shù)的準(zhǔn)確預(yù)測。例如，西班牙的研究團(tuán)隊運用多層感知器神經(jīng)網(wǎng)絡(luò)，結(jié)合溫室內(nèi)外的氣象數(shù)據(jù)和傳感器監(jiān)測數(shù)據(jù)，對溫室小氣候進(jìn)行預(yù)測，取得了較好的效果。此外，支持向量機(jī)、決策樹等機(jī)器學(xué)習(xí)算法也被應(yīng)用于溫室小氣候預(yù)測研究，這些算法在處理復(fù)雜非線性問題時具有一定優(yōu)勢，能夠提高預(yù)測的準(zhǔn)確性和可靠性。國內(nèi)在溫室小氣候環(huán)境預(yù)測方面的研究也取得了顯著進(jìn)展。早期主要集中在對溫室小氣候特征的觀測和分析上，通過長期的實地監(jiān)測，總結(jié)出了溫室內(nèi)溫度、濕度、光照等環(huán)境因子的變化規(guī)律及其與作物生長的關(guān)系。隨著計算機(jī)技術(shù)和信息技術(shù)的不斷發(fā)展，國內(nèi)學(xué)者開始借鑒國外先進(jìn)經(jīng)驗，運用數(shù)學(xué)建模和數(shù)據(jù)分析方法開展溫室小氣候預(yù)測研究。例如，中國農(nóng)業(yè)大學(xué)的研究團(tuán)隊利用時間序列分析方法，對溫室溫度數(shù)據(jù)進(jìn)行建模和預(yù)測，通過對歷史數(shù)據(jù)的分析和處理，建立了溫室溫度的預(yù)測模型，能夠提前預(yù)測溫室溫度的變化趨勢。一些學(xué)者還將智能控制技術(shù)與溫室小氣候預(yù)測相結(jié)合，實現(xiàn)了溫室環(huán)境的自動化調(diào)控。例如，通過建立溫室環(huán)境預(yù)測模型，結(jié)合模糊控制、專家系統(tǒng)等智能控制算法，根據(jù)預(yù)測結(jié)果自動調(diào)節(jié)溫室的通風(fēng)、遮陽、加熱等設(shè)備，使溫室環(huán)境始終保持在適宜作物生長的范圍內(nèi)。在時序數(shù)據(jù)特征識別技術(shù)方面，國外在算法研究和應(yīng)用實踐上較為深入。在金融領(lǐng)域，通過對股票價格、匯率等時序數(shù)據(jù)的特征識別，運用統(tǒng)計分析、機(jī)器學(xué)習(xí)等方法提取數(shù)據(jù)的趨勢、周期等特征，用于風(fēng)險評估和投資決策。在工業(yè)領(lǐng)域，利用時序數(shù)據(jù)特征識別技術(shù)對設(shè)備運行狀態(tài)進(jìn)行監(jiān)測和故障診斷，通過提取設(shè)備運行數(shù)據(jù)的特征，及時發(fā)現(xiàn)設(shè)備的異常狀態(tài)，提前進(jìn)行維護(hù)和維修，提高設(shè)備的可靠性和生產(chǎn)效率。在醫(yī)學(xué)領(lǐng)域，通過對心電、腦電等生理信號的時序數(shù)據(jù)特征識別，輔助疾病的診斷和治療，為醫(yī)生提供更準(zhǔn)確的診斷依據(jù)。國內(nèi)在時序數(shù)據(jù)特征識別技術(shù)方面也取得了不少成果。在氣象領(lǐng)域，通過對氣象數(shù)據(jù)的時序特征識別，運用小波分析、傅里葉變換等方法提取氣象數(shù)據(jù)的周期性、突變性等特征，用于氣象預(yù)測和災(zāi)害預(yù)警。在交通領(lǐng)域，利用時序數(shù)據(jù)特征識別技術(shù)對交通流量、車速等數(shù)據(jù)進(jìn)行分析，提取數(shù)據(jù)的特征，優(yōu)化交通信號控制，緩解交通擁堵。在電力領(lǐng)域，通過對電力負(fù)荷數(shù)據(jù)的時序特征識別，運用深度學(xué)習(xí)算法建立負(fù)荷預(yù)測模型，為電力系統(tǒng)的調(diào)度和規(guī)劃提供依據(jù)?？傮w來看，國內(nèi)外在溫室小氣候環(huán)境預(yù)測和時序數(shù)據(jù)特征識別技術(shù)方面都取得了一定的成果，但仍存在一些不足之處。在溫室小氣候預(yù)測方面，現(xiàn)有模型和算法在準(zhǔn)確性、適應(yīng)性和可解釋性等方面還需要進(jìn)一步提高，對溫室小氣候復(fù)雜系統(tǒng)的認(rèn)識和理解還不夠深入。在時序數(shù)據(jù)特征識別技術(shù)方面，如何提高特征提取的效率和準(zhǔn)確性，如何更好地處理高維、非線性的時序數(shù)據(jù)，以及如何將特征識別技術(shù)與實際應(yīng)用場景更好地結(jié)合，都是需要進(jìn)一步研究和解決的問題。1.3研究目標(biāo)與內(nèi)容本研究旨在通過深入挖掘溫室小氣候環(huán)境數(shù)據(jù)的時序特征，建立高精度的預(yù)測模型，實現(xiàn)對溫室小氣候環(huán)境的精準(zhǔn)預(yù)測，為溫室環(huán)境的智能調(diào)控提供有力支持，具體研究內(nèi)容如下：溫室小氣候環(huán)境數(shù)據(jù)采集與預(yù)處理：在溫室中部署溫度、濕度、光照強(qiáng)度、二氧化碳濃度等多種傳感器，構(gòu)建多源時序數(shù)據(jù)采集系統(tǒng)，實時采集溫室小氣候環(huán)境數(shù)據(jù)。對采集到的原始數(shù)據(jù)進(jìn)行清洗，去除異常值和缺失值，采用插值法、濾波法等方法對缺失數(shù)據(jù)進(jìn)行補(bǔ)充和修復(fù)，確保數(shù)據(jù)的完整性和準(zhǔn)確性。對清洗后的數(shù)據(jù)進(jìn)行歸一化處理，將不同量級的數(shù)據(jù)統(tǒng)一到相同的尺度范圍內(nèi)，消除數(shù)據(jù)量綱的影響，提高模型的訓(xùn)練效率和預(yù)測精度。時序數(shù)據(jù)特征提取與分析：運用時域分析方法，提取溫室小氣候環(huán)境數(shù)據(jù)的均值、方差、最大值、最小值、峰值、偏度、峰度等統(tǒng)計特征，分析數(shù)據(jù)在時間序列上的變化趨勢和波動情況。采用頻域分析方法，通過傅里葉變換、小波變換等將時域數(shù)據(jù)轉(zhuǎn)換為頻域數(shù)據(jù)，提取數(shù)據(jù)的頻率特征，如主頻、諧波等，分析數(shù)據(jù)的周期性和頻率成分。結(jié)合機(jī)器學(xué)習(xí)算法，如主成分分析（PCA）、線性判別分析（LDA）等，對提取的時域和頻域特征進(jìn)行降維處理，去除冗余特征，保留主要特征，提高特征的代表性和模型的運行效率。溫室小氣候環(huán)境預(yù)測模型構(gòu)建與優(yōu)化：基于傳統(tǒng)的時間序列分析方法，如自回歸移動平均模型（ARMA）、自回歸積分滑動平均模型（ARIMA）等，建立溫室小氣候環(huán)境預(yù)測模型，利用歷史數(shù)據(jù)對模型進(jìn)行訓(xùn)練和參數(shù)估計，預(yù)測未來的小氣候環(huán)境變化。引入深度學(xué)習(xí)算法，如循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）、長短期記憶網(wǎng)絡(luò)（LSTM）、門控循環(huán)單元（GRU）等，構(gòu)建溫室小氣候環(huán)境預(yù)測模型，充分挖掘數(shù)據(jù)的時序特征和非線性關(guān)系，提高預(yù)測的準(zhǔn)確性和可靠性。對構(gòu)建的預(yù)測模型進(jìn)行優(yōu)化，采用交叉驗證、網(wǎng)格搜索、隨機(jī)搜索等方法對模型的超參數(shù)進(jìn)行調(diào)整，選擇最優(yōu)的模型參數(shù)，提高模型的性能。引入注意力機(jī)制、遷移學(xué)習(xí)等技術(shù)，增強(qiáng)模型對關(guān)鍵特征的關(guān)注和學(xué)習(xí)能力，進(jìn)一步提升模型的預(yù)測精度。模型評估與驗證：選取合適的評估指標(biāo)，如均方根誤差（RMSE）、平均絕對誤差（MAE）、平均絕對百分比誤差（MAPE）、決定系數(shù)（R2）等，對構(gòu)建的溫室小氣候環(huán)境預(yù)測模型進(jìn)行評估，客觀評價模型的預(yù)測準(zhǔn)確性和可靠性。將預(yù)測模型應(yīng)用于實際溫室環(huán)境中，與實際監(jiān)測數(shù)據(jù)進(jìn)行對比分析，驗證模型的有效性和實用性。根據(jù)驗證結(jié)果，對模型進(jìn)行進(jìn)一步的優(yōu)化和改進(jìn)，使其能夠更好地適應(yīng)實際生產(chǎn)需求。基于預(yù)測結(jié)果的溫室環(huán)境調(diào)控策略研究：根據(jù)溫室小氣候環(huán)境預(yù)測結(jié)果，結(jié)合作物的生長需求和環(huán)境調(diào)控設(shè)備的性能，制定合理的溫室環(huán)境調(diào)控策略。運用智能控制算法，如模糊控制、專家系統(tǒng)、模型預(yù)測控制等，實現(xiàn)溫室環(huán)境的自動化調(diào)控，使溫室內(nèi)的溫度、濕度、光照強(qiáng)度、二氧化碳濃度等環(huán)境因子始終保持在作物生長的適宜范圍內(nèi)。通過模擬和實驗，評估不同調(diào)控策略對溫室小氣候環(huán)境和作物生長的影響，優(yōu)化調(diào)控策略，提高溫室環(huán)境調(diào)控的效果和能源利用效率，降低生產(chǎn)成本。1.4研究方法與技術(shù)路線研究方法：實驗法：在溫室中搭建實驗平臺，部署各類傳感器，采集溫室小氣候環(huán)境數(shù)據(jù)。通過改變實驗條件，如通風(fēng)量、遮陽程度、灌溉量等，研究不同因素對溫室小氣候環(huán)境的影響。在不同天氣條件下，分別設(shè)置不同的通風(fēng)時間和通風(fēng)量，觀察溫室內(nèi)溫度、濕度和二氧化碳濃度的變化情況，分析通風(fēng)對溫室小氣候的調(diào)節(jié)作用。數(shù)據(jù)分析法：運用數(shù)據(jù)挖掘和分析技術(shù)，對采集到的溫室小氣候環(huán)境數(shù)據(jù)進(jìn)行處理和分析。通過數(shù)據(jù)清洗、特征提取、相關(guān)性分析等方法，挖掘數(shù)據(jù)中的潛在信息和規(guī)律，為模型構(gòu)建提供數(shù)據(jù)支持。利用相關(guān)性分析方法，研究溫室內(nèi)溫度與光照強(qiáng)度、二氧化碳濃度之間的相關(guān)性，找出影響溫度變化的主要因素。模型構(gòu)建法：基于傳統(tǒng)的時間序列分析方法和深度學(xué)習(xí)算法，構(gòu)建溫室小氣候環(huán)境預(yù)測模型。通過對歷史數(shù)據(jù)的學(xué)習(xí)和訓(xùn)練，使模型能夠準(zhǔn)確預(yù)測未來的小氣候環(huán)境變化。利用自回歸移動平均模型（ARMA）和長短期記憶網(wǎng)絡(luò)（LSTM）分別建立溫室溫度預(yù)測模型，比較兩種模型的預(yù)測性能。對比分析法：將不同的預(yù)測模型進(jìn)行對比分析，評估模型的預(yù)測準(zhǔn)確性、可靠性和穩(wěn)定性。通過比較不同模型在相同數(shù)據(jù)集上的預(yù)測結(jié)果，選擇最優(yōu)的模型。將基于傳統(tǒng)時間序列分析方法的模型和基于深度學(xué)習(xí)算法的模型進(jìn)行對比，分析它們在預(yù)測溫室小氣候環(huán)境變化時的優(yōu)缺點。技術(shù)路線：本研究的技術(shù)路線如圖1所示。首先，在溫室中部署溫度、濕度、光照強(qiáng)度、二氧化碳濃度等傳感器，構(gòu)建多源時序數(shù)據(jù)采集系統(tǒng)，實時采集溫室小氣候環(huán)境數(shù)據(jù)。對采集到的原始數(shù)據(jù)進(jìn)行清洗、歸一化等預(yù)處理操作，去除異常值和缺失值，將不同量級的數(shù)據(jù)統(tǒng)一到相同的尺度范圍內(nèi)。運用時域分析、頻域分析等方法，提取溫室小氣候環(huán)境數(shù)據(jù)的統(tǒng)計特征和頻率特征，并結(jié)合機(jī)器學(xué)習(xí)算法進(jìn)行降維處理，保留主要特征?；趥鹘y(tǒng)的時間序列分析方法和深度學(xué)習(xí)算法，分別構(gòu)建溫室小氣候環(huán)境預(yù)測模型，利用歷史數(shù)據(jù)對模型進(jìn)行訓(xùn)練和參數(shù)估計。采用交叉驗證、網(wǎng)格搜索等方法對模型的超參數(shù)進(jìn)行調(diào)整，選擇最優(yōu)的模型參數(shù)。引入注意力機(jī)制、遷移學(xué)習(xí)等技術(shù)，對模型進(jìn)行優(yōu)化，提高模型的預(yù)測精度。選取合適的評估指標(biāo)，對構(gòu)建的預(yù)測模型進(jìn)行評估，將模型應(yīng)用于實際溫室環(huán)境中，與實際監(jiān)測數(shù)據(jù)進(jìn)行對比分析，驗證模型的有效性和實用性。根據(jù)驗證結(jié)果，對模型進(jìn)行進(jìn)一步的優(yōu)化和改進(jìn)，使其能夠更好地適應(yīng)實際生產(chǎn)需求。根據(jù)溫室小氣候環(huán)境預(yù)測結(jié)果，結(jié)合作物的生長需求和環(huán)境調(diào)控設(shè)備的性能，制定合理的溫室環(huán)境調(diào)控策略，運用智能控制算法實現(xiàn)溫室環(huán)境的自動化調(diào)控。[此處插入技術(shù)路線圖]圖1技術(shù)路線圖二、溫室小氣候環(huán)境與時序數(shù)據(jù)基礎(chǔ)2.1溫室小氣候環(huán)境要素及影響2.1.1溫度溫度是影響作物生長發(fā)育的關(guān)鍵環(huán)境要素之一，對作物的生理過程有著深遠(yuǎn)影響。在作物的生長過程中，溫度直接參與光合作用、呼吸作用等重要生理活動。適宜的溫度范圍能夠確保作物的酶活性處于最佳狀態(tài)，從而促進(jìn)光合作用的高效進(jìn)行。一般來說，大多數(shù)作物在10-35℃的溫度區(qū)間內(nèi)能夠正常進(jìn)行光合作用。當(dāng)溫度低于10℃時，光合酶的活性會受到抑制，光合作用速率顯著下降；而當(dāng)溫度高于35℃時，作物的氣孔可能會關(guān)閉，限制二氧化碳的進(jìn)入，同樣會對光合作用產(chǎn)生負(fù)面影響。溫度對作物的呼吸作用也有著重要影響。在一定溫度范圍內(nèi)，隨著溫度的升高，作物的呼吸作用增強(qiáng)，這有助于為作物的生長和代謝提供更多的能量。然而，過高的溫度會導(dǎo)致呼吸作用過于旺盛，消耗過多的光合產(chǎn)物，從而影響作物的生長和產(chǎn)量。不同作物在不同生長階段對溫度的要求存在差異。例如，番茄在生長過程中，最適宜的溫度范圍為20-25℃。在這個溫度區(qū)間內(nèi)，番茄的生長速度較快，果實發(fā)育良好。當(dāng)溫度低于15℃時，番茄可能無法正常開花或授粉受精不良，導(dǎo)致落花等生殖生長障礙。當(dāng)溫度降至10℃時，植株會停止生長；長時間在5℃以下的低溫環(huán)境下，還可能引起凍害，致死的最低溫度為-1-2℃。溫度升至30℃時，番茄的同化作用顯著降低；升高至35℃以上時，生殖生長會受到干擾與破壞，即使短時間處于45℃以上的高溫，也會產(chǎn)生生理干擾，導(dǎo)致落花落果或是果實不發(fā)育。溫室內(nèi)的溫度變化具有明顯的日變化和季節(jié)變化規(guī)律。在一天中，溫室內(nèi)的溫度隨著太陽輻射的變化而變化。晴天時，上午隨著太陽輻射的逐漸增強(qiáng)，室內(nèi)氣溫迅速提高，最快每小時可提高5-7℃，直到下午13：00-14：00，室內(nèi)氣溫達(dá)到最高。午后，隨著太陽輻射減弱，室內(nèi)氣溫每小時可降低4-5℃。日落后，氣溫繼續(xù)下降，但速度明顯減慢，室內(nèi)氣溫在日出前后達(dá)到最低。由于受太陽輻射的影響，溫室內(nèi)氣溫日較差明顯大于室外，如在北京早春季節(jié)大棚內(nèi)氣溫日較差晴天可達(dá)30℃以上，陰天可達(dá)15℃。在季節(jié)變化方面，溫室內(nèi)的溫度隨著季節(jié)氣溫的變化而發(fā)生相應(yīng)的變化。室內(nèi)平均氣溫1月最低，6月最高。9-10月，為利于作物緩苗，一般人為控制溫度較低，晝夜溫差大，這種條件利于室內(nèi)作物生長；11月后，室內(nèi)溫度隨著室外溫度的下降而逐漸降低，12月至次年1月是室內(nèi)溫度最低的時期，此期間作物生長緩慢，處于越冬狀態(tài)；2月后，室內(nèi)溫度隨外界溫度變化而逐步回升，此時溫度適宜作物生長，處于生長旺盛時期；5-6月室內(nèi)外溫差逐步減小，溫室內(nèi)應(yīng)晝夜通風(fēng)防止溫室內(nèi)出現(xiàn)高溫或日光灼燒。溫室內(nèi)溫度的變化還受到多種因素的影響。外界氣象條件是影響溫室內(nèi)溫度的重要因素之一，日照時數(shù)、云量、天氣狀況（陰、晴、雨、雪、大風(fēng)）等都會對溫室內(nèi)溫度產(chǎn)生影響。晴朗無云天氣，日照時間長，太陽輻射能大，蓋簾前溫度比較高，溫室內(nèi)儲存的能量較高，次日早掀簾前最低溫度就較陰天高；一般當(dāng)總云量≥7成以上時溫室內(nèi)最高溫度比晴朗無云低15℃左右，次日早最低溫度較晴朗無云溫度低2-3℃；大風(fēng)天氣溫室夜間降溫較快；降雪日溫室內(nèi)溫度上升緩慢，上升幅度小，太陽輻射能少，棚內(nèi)儲存能量少，直接影響蓋簾后溫室內(nèi)溫度，次日溫室內(nèi)最低溫度比晴天低3℃左右。溫室的結(jié)構(gòu)類型、覆蓋材料、通風(fēng)系統(tǒng)等自身特性也會對溫度產(chǎn)生顯著影響。不同結(jié)構(gòu)的溫室，其保溫、透光性能存在差異，從而導(dǎo)致內(nèi)部溫度有所不同。例如，玻璃溫室對太陽輻射的透射率達(dá)到90%左右，而對地面長波輻射的透射率僅約6%左右，因此玻璃溫室白天能接收大量的太陽輻射短波進(jìn)入室內(nèi)被地面或作物吸收，而地面和作物的長波輻射卻很少能向外透射出去，使得玻璃溫室能將太陽輻射轉(zhuǎn)化為熱能并積蓄在室內(nèi)，使溫室內(nèi)氣溫升高。然而，實際上溫室密閉性才是導(dǎo)致溫室蓄熱升溫的主要原因，其貢獻(xiàn)率約占72%，其次才是覆蓋材料導(dǎo)致的輻射收支差，僅占28%左右。通風(fēng)系統(tǒng)的性能和運行方式會影響溫室內(nèi)外空氣的交換，從而調(diào)節(jié)室內(nèi)溫度。合理的通風(fēng)可以排出溫室內(nèi)的熱空氣，引入冷空氣，降低室內(nèi)溫度；而在寒冷天氣，關(guān)閉通風(fēng)口并采取保溫措施則可以保持室內(nèi)溫度。2.1.2濕度濕度在作物生長過程中扮演著舉足輕重的角色，與作物的多個生理過程密切相關(guān)。在光合作用方面，濕度起著關(guān)鍵的調(diào)節(jié)作用。當(dāng)濕度處于適中水平時，作物葉片的氣孔能夠保持適宜的開放程度，這不僅有利于二氧化碳順利擴(kuò)散進(jìn)入葉內(nèi)，為光合作用提供充足的原料，還能保證氧氣的正常排出，從而維持光合作用的高效進(jìn)行。一旦濕度過高或過低，都會對氣孔的正常開閉產(chǎn)生不利影響，進(jìn)而阻礙光合作用的順利開展。例如，當(dāng)空氣濕度過高時，氣孔周圍的水汽壓增大，導(dǎo)致氣孔開張度減小，二氧化碳進(jìn)入葉片的阻力增加，光合作用速率隨之降低。濕度過低則會使葉片水分散失過快，導(dǎo)致氣孔關(guān)閉，同樣會抑制光合作用。濕度對作物的蒸騰作用也有著重要影響。蒸騰作用是作物水分吸收和運輸?shù)闹饕獎恿?，適度的濕度有助于作物進(jìn)行正常的蒸騰作用，從而調(diào)節(jié)其體溫，保持體內(nèi)水分平衡。當(dāng)濕度過高時，作物周圍的空氣水汽含量接近飽和，蒸騰作用受到抑制，作物無法有效地散熱和吸收水分，可能導(dǎo)致生長發(fā)育受阻。濕度過低則會使作物蒸騰作用過強(qiáng)，水分散失過多，容易引起植株萎蔫，影響作物的正常生長。不同作物對濕度的需求和適應(yīng)能力存在差異，且同一作物在不同生長階段對濕度的要求也不盡相同。一般來說，水稻、蔬菜等作物對濕度要求較高，適宜的空氣濕度通常在70%-90%之間。而小麥、玉米等作物對干燥環(huán)境的適應(yīng)性相對較強(qiáng)，適宜的濕度范圍為50%-70%。在作物的生長階段方面，幼苗期通常需要較高的濕度來保持水分平衡，促進(jìn)幼苗的生長；而在成熟期，相對干燥的環(huán)境更有利于作物的收獲和儲存。例如，在蔬菜的育苗階段，保持較高的空氣濕度（80%-90%）可以減少幼苗水分散失，提高成活率；而在果實成熟期，適當(dāng)降低濕度（60%-70%）可以降低病害發(fā)生的幾率，提高果實的品質(zhì)。溫室內(nèi)的濕度分布和變化呈現(xiàn)出一定的特點。在空間分布上，溫室內(nèi)不同位置的濕度存在差異。由于溫室內(nèi)的空氣流動和熱量分布不均勻，靠近地面和通風(fēng)口處的濕度相對較低，而靠近頂部和角落處的濕度相對較高。在作物生長區(qū)域，由于作物的蒸騰作用，濕度也會相對較高。在日變化方面，溫室內(nèi)空氣相對濕度最高值出現(xiàn)在上午設(shè)施升溫前，不通風(fēng)時相對濕度通常在95%以上。隨著白天溫度的升高，空氣相對濕度逐漸下降，最小值一般出現(xiàn)在14-15時，此時一般在75%左右。白天隨著溫度的升高，空氣相對濕度值減小，到中午時，相對濕度值降到一日中的最低值；而夜間的相對濕度值則由于溫度的下降而增大?？諝獾慕^對濕度變化則和氣溫的變化規(guī)律基本一致，白天隨著氣溫的升高，絕對濕度值也升高，到中午時達(dá)到最大值；夜間則由于氣溫的下降，空氣的容水能力減弱，空氣中大量的水蒸氣凝聚到薄膜、鐵絲、立柱等物體的表面，形成露珠，而使空氣中的含水量減少，一般到日出前，空氣絕對濕度值下降到最低值。土壤濕度的變化相對較為穩(wěn)定，受設(shè)施溫度、作物生長情況、空氣濕度及澆水等因素的影響較大。低溫期土壤濕度容易偏高且變化較小，高溫期的變化較大。設(shè)施內(nèi)各部位的土壤濕度因地溫分布上的不同而異。溫室內(nèi)濕度的變化受到多種因素的影響。首先，溫室內(nèi)的水分來源是影響濕度的重要因素，主要包括作物蒸騰、土壤蒸發(fā)和灌溉等。作物蒸騰作用會向空氣中釋放大量水分，隨著作物生長旺盛期的到來，蒸騰作用增強(qiáng)，溫室內(nèi)濕度相應(yīng)升高。土壤蒸發(fā)也會增加空氣濕度，尤其是在澆水后，土壤水分蒸發(fā)量大，會使溫室內(nèi)濕度迅速上升。灌溉方式和頻率對濕度也有顯著影響，采用漫灌方式會使溫室內(nèi)濕度在短時間內(nèi)大幅升高，而滴灌、噴灌等精準(zhǔn)灌溉方式則可以更好地控制土壤濕度，減少對空氣濕度的影響。溫室的通風(fēng)情況對濕度起著關(guān)鍵的調(diào)節(jié)作用。通風(fēng)可以促進(jìn)溫室內(nèi)外空氣的交換，排出潮濕的空氣，引入干燥的空氣，從而降低溫室內(nèi)的濕度。通風(fēng)量和通風(fēng)時間的控制非常重要，通風(fēng)不足會導(dǎo)致溫室內(nèi)濕度居高不下，容易引發(fā)病蟲害；而通風(fēng)過度則可能使溫室內(nèi)溫度下降過快，影響作物生長。在實際生產(chǎn)中，需要根據(jù)溫室內(nèi)濕度和溫度的變化情況，合理調(diào)節(jié)通風(fēng)系統(tǒng)，以保持適宜的濕度環(huán)境。此外，溫室內(nèi)的溫度對濕度也有重要影響。溫度升高時，空氣的容水能力增強(qiáng)，相對濕度會降低；反之，溫度降低時，空氣的容水能力減弱，相對濕度會升高。因此，在調(diào)節(jié)溫室內(nèi)濕度時，需要同時考慮溫度的變化，采取綜合措施來維持適宜的溫濕度條件。例如，在冬季寒冷天氣，為了保持溫室內(nèi)溫度，通風(fēng)量通常較小，此時容易出現(xiàn)高濕環(huán)境，需要通過其他措施如覆蓋地膜、合理灌溉等方式來降低濕度。2.1.3CO?濃度CO?作為作物進(jìn)行光合作用的關(guān)鍵原料，在作物的生長發(fā)育過程中起著不可或缺的作用。光合作用是作物將光能轉(zhuǎn)化為化學(xué)能，合成有機(jī)物質(zhì)的重要生理過程，而CO?則是構(gòu)建葡萄糖分子所需碳的主要來源。在光合作用的碳固定過程中，CO?被結(jié)合到有機(jī)化合物中，成為植物分子結(jié)構(gòu)不可分割的一部分。當(dāng)外界CO?濃度較低時，光合作用的速度會受到限制，因為CO?供應(yīng)不足會導(dǎo)致碳固定過程受阻，從而影響植物的生長和生產(chǎn)力。隨著CO?濃度的增加，在一定范圍內(nèi)，光合作用速率會隨之提高，這是因為更多的CO?能夠為光合作用提供充足的原料，促進(jìn)光合產(chǎn)物的合成。研究表明，當(dāng)CO?濃度在一定范圍內(nèi)升高時，作物的光合效率可提高20%-50%。然而，當(dāng)CO?濃度超過一定限度后，光合作用速率不再增加，甚至可能會受到抑制。這是因為過高的CO?濃度可能會導(dǎo)致氣孔關(guān)閉，限制氧氣的排出和二氧化碳的進(jìn)一步進(jìn)入，同時還可能對植物的生理代謝產(chǎn)生負(fù)面影響。在溫室內(nèi)，CO?濃度呈現(xiàn)出動態(tài)變化的特點。在白天，隨著作物光合作用的進(jìn)行，CO?被大量消耗，溫室內(nèi)CO?濃度迅速下降。如果不及時補(bǔ)充CO?，CO?濃度可能會降低到影響光合作用的水平。在夜間，作物停止光合作用，但呼吸作用仍在繼續(xù)，會釋放出一定量的CO?，使得溫室內(nèi)CO?濃度有所上升。溫室內(nèi)CO?濃度的變化還受到通風(fēng)、作物生長狀況、溫室結(jié)構(gòu)等多種因素的影響。通風(fēng)可以促進(jìn)溫室內(nèi)外空氣的交換，引入外界富含CO?的空氣，從而提高溫室內(nèi)CO?濃度。通風(fēng)也會導(dǎo)致溫室內(nèi)CO?的散失，如果通風(fēng)量過大或通風(fēng)時間過長，可能會使溫室內(nèi)CO?濃度過低。作物生長狀況對CO?濃度的影響也很大，隨著作物生長旺盛期的到來，光合作用增強(qiáng)，對CO?的需求增加，溫室內(nèi)CO?濃度下降速度加快。溫室結(jié)構(gòu)的密閉性會影響CO?的散失速度，密閉性好的溫室，CO?散失相對較慢，而密閉性差的溫室，CO?容易泄漏到外界，導(dǎo)致溫室內(nèi)CO?濃度難以維持在適宜水平。為了滿足作物生長對CO?的需求，提高溫室作物的產(chǎn)量和品質(zhì)，通常需要對溫室內(nèi)的CO?濃度進(jìn)行調(diào)控。常見的調(diào)控措施包括通風(fēng)換氣、施放CO?氣肥等。通風(fēng)換氣是一種簡單有效的調(diào)控方法，通過開啟通風(fēng)口，引入外界空氣，增加溫室內(nèi)CO?的含量。通風(fēng)換氣也會降低溫室內(nèi)的溫度和濕度，在寒冷天氣或需要保持溫室內(nèi)特定溫濕度條件時，通風(fēng)換氣的效果可能會受到限制。施放CO?氣肥是補(bǔ)充溫室內(nèi)CO?的重要手段，可采用液態(tài)CO?、固態(tài)CO?（干冰）或通過化學(xué)反應(yīng)產(chǎn)生CO?等方式進(jìn)行施放。在施放CO?氣肥時，需要根據(jù)作物的生長階段、溫室的面積和通風(fēng)情況等因素，合理控制施放的量和時間，以確保CO?濃度保持在適宜的范圍內(nèi)。例如，在作物生長旺盛期，可適當(dāng)增加CO?氣肥的施放量；而在通風(fēng)良好的溫室中，可能需要更頻繁地施放CO?氣肥。一些先進(jìn)的溫室還采用智能控制系統(tǒng)，根據(jù)溫室內(nèi)CO?濃度的實時監(jiān)測數(shù)據(jù)，自動調(diào)節(jié)CO?的施放和通風(fēng)系統(tǒng)，實現(xiàn)對CO?濃度的精準(zhǔn)調(diào)控。2.2時序數(shù)據(jù)概述2.2.1定義與特性時序數(shù)據(jù)，指按照時間順序排列的一系列數(shù)據(jù)點集合，這些數(shù)據(jù)點在時間維度上具有先后順序，反映了某個或多個變量隨時間的變化情況。在溫室小氣候環(huán)境監(jiān)測中，通過各類傳感器按一定時間間隔（如每10分鐘）采集的溫度、濕度、光照強(qiáng)度、二氧化碳濃度等數(shù)據(jù)，便構(gòu)成了典型的時序數(shù)據(jù)。時序數(shù)據(jù)具有顯著的時間性，時間順序是其核心特征。每個數(shù)據(jù)點都對應(yīng)著一個特定的時間戳，這種時間上的先后順序蘊(yùn)含著數(shù)據(jù)的發(fā)展趨勢和變化規(guī)律。在溫室溫度的時序數(shù)據(jù)中，時間戳精確記錄了每次溫度測量的時刻，通過分析這些數(shù)據(jù)，能夠清晰地了解到一天內(nèi)溫度隨時間的升高和降低過程，以及不同季節(jié)溫度的變化趨勢。時間性使得時序數(shù)據(jù)能夠反映出系統(tǒng)在不同時刻的狀態(tài)變化，為預(yù)測和決策提供了重要依據(jù)。連續(xù)性也是時序數(shù)據(jù)的重要特性。在理想情況下，時序數(shù)據(jù)應(yīng)是連續(xù)不間斷的，能夠完整地描述變量在時間上的變化過程。由于實際采集過程中可能受到各種因素的影響，如傳感器故障、數(shù)據(jù)傳輸問題等，會導(dǎo)致數(shù)據(jù)出現(xiàn)缺失或異常值。在處理溫室小氣候環(huán)境數(shù)據(jù)時，可能會遇到某個時間段內(nèi)濕度傳感器故障，導(dǎo)致該時段的濕度數(shù)據(jù)缺失。盡管存在這些情況，在進(jìn)行數(shù)據(jù)分析和模型構(gòu)建時，仍需盡可能地恢復(fù)數(shù)據(jù)的連續(xù)性，以準(zhǔn)確捕捉數(shù)據(jù)的變化規(guī)律。通過插值法、濾波法等數(shù)據(jù)處理方法，可以對缺失數(shù)據(jù)進(jìn)行補(bǔ)充和修復(fù)，使時序數(shù)據(jù)盡可能接近連續(xù)狀態(tài)。動態(tài)性是時序數(shù)據(jù)的又一重要特性，它反映了數(shù)據(jù)隨時間的動態(tài)變化情況。時序數(shù)據(jù)不是靜態(tài)不變的，而是隨著時間的推移不斷變化，這種變化可能是周期性的、趨勢性的，也可能是隨機(jī)的。溫室小氣候環(huán)境數(shù)據(jù)就呈現(xiàn)出明顯的動態(tài)性，溫度、濕度等變量會隨著晝夜交替、季節(jié)變換以及溫室內(nèi)部環(huán)境調(diào)控等因素發(fā)生動態(tài)變化。在一天中，隨著太陽輻射強(qiáng)度的變化，溫室內(nèi)的溫度和光照強(qiáng)度會呈現(xiàn)出周期性的變化；在不同季節(jié)，由于外界氣候條件的不同，溫室小氣候環(huán)境也會發(fā)生明顯的變化。動態(tài)性使得時序數(shù)據(jù)能夠反映出系統(tǒng)的實時狀態(tài)和變化趨勢，為及時掌握溫室小氣候環(huán)境的變化提供了依據(jù)。2.2.2類型與采集處理時序數(shù)據(jù)可分為離散時間點數(shù)據(jù)和連續(xù)時間序列數(shù)據(jù)。離散時間點數(shù)據(jù)是在離散的時間點上進(jìn)行觀測和記錄的數(shù)據(jù)，其時間間隔通常是固定的。在溫室環(huán)境監(jiān)測中，每隔10分鐘采集一次的溫度、濕度等數(shù)據(jù)就屬于離散時間點數(shù)據(jù)。這種數(shù)據(jù)類型便于進(jìn)行數(shù)據(jù)處理和分析，能夠滿足大多數(shù)實際應(yīng)用的需求。連續(xù)時間序列數(shù)據(jù)則是在連續(xù)的時間區(qū)間內(nèi)進(jìn)行觀測和記錄的數(shù)據(jù)，其時間間隔無限小。在某些高精度的溫室環(huán)境監(jiān)測中，可能會使用連續(xù)監(jiān)測的傳感器，如光譜儀等，獲取連續(xù)的光照強(qiáng)度、二氧化碳濃度等數(shù)據(jù)。這種數(shù)據(jù)類型能夠更精確地描述變量的變化過程，但數(shù)據(jù)量通常較大，對數(shù)據(jù)存儲和處理能力要求較高。采集溫室小氣候環(huán)境時序數(shù)據(jù)時，需要在溫室中部署多種傳感器，構(gòu)建多源時序數(shù)據(jù)采集系統(tǒng)。溫度傳感器可選用熱敏電阻、熱電偶等，通過測量溫度變化引起的電阻或電壓變化來獲取溫度數(shù)據(jù)。濕度傳感器常用的有電容式、電阻式等，利用濕度對傳感器材料電學(xué)特性的影響來測量濕度。光照強(qiáng)度傳感器一般采用光敏二極管、光敏電阻等，根據(jù)光照強(qiáng)度對其電學(xué)性能的影響來檢測光照強(qiáng)度。二氧化碳濃度傳感器可采用紅外吸收式、電化學(xué)等原理，通過檢測二氧化碳對特定波長光線的吸收或化學(xué)反應(yīng)產(chǎn)生的電信號來測量二氧化碳濃度。這些傳感器將物理量轉(zhuǎn)換為電信號，再通過數(shù)據(jù)采集器進(jìn)行采集和數(shù)字化處理，最后將數(shù)據(jù)傳輸?shù)缴衔粰C(jī)進(jìn)行存儲和分析。采集到的原始數(shù)據(jù)往往存在噪聲、異常值和缺失值等問題，需要進(jìn)行預(yù)處理。對于噪聲數(shù)據(jù)，可采用濾波法進(jìn)行處理，如均值濾波、中值濾波、卡爾曼濾波等。均值濾波是將數(shù)據(jù)窗口內(nèi)的所有數(shù)據(jù)進(jìn)行平均，以消除噪聲的影響；中值濾波則是取數(shù)據(jù)窗口內(nèi)的中值作為濾波后的值，能夠有效去除脈沖噪聲。對于異常值，可通過設(shè)定閾值、統(tǒng)計分析等方法進(jìn)行識別和處理。設(shè)定溫度的正常范圍為10-40℃，當(dāng)采集到的溫度數(shù)據(jù)超出這個范圍時，可判斷為異常值，進(jìn)行進(jìn)一步的檢查和處理。對于缺失值，可采用插值法進(jìn)行補(bǔ)充，如線性插值、拉格朗日插值、樣條插值等。線性插值是根據(jù)相鄰兩個數(shù)據(jù)點的數(shù)值和位置關(guān)系，通過線性計算來估計缺失值；拉格朗日插值則是利用多個已知數(shù)據(jù)點構(gòu)建多項式函數(shù)，通過該函數(shù)來計算缺失值。經(jīng)過預(yù)處理后的數(shù)據(jù)，能夠提高后續(xù)數(shù)據(jù)分析和模型構(gòu)建的準(zhǔn)確性和可靠性。三、時序數(shù)據(jù)特征識別技術(shù)3.1特征提取方法3.1.1基于統(tǒng)計方法的特征提取基于統(tǒng)計方法的特征提取是一種基礎(chǔ)且常用的手段，通過計算數(shù)據(jù)的統(tǒng)計量來獲取能夠反映數(shù)據(jù)特性的特征。均值作為最基本的統(tǒng)計特征之一，能夠直觀地體現(xiàn)時序數(shù)據(jù)在一段時間內(nèi)的平均水平。在溫室溫度的時序數(shù)據(jù)中，計算一天內(nèi)溫度的均值，可以讓我們了解當(dāng)天溫室的平均溫度狀況，判斷是否處于作物生長的適宜溫度范圍。方差則用于衡量數(shù)據(jù)的離散程度，它反映了數(shù)據(jù)圍繞均值的波動大小。方差較大意味著數(shù)據(jù)的離散程度高，波動較為劇烈；方差較小則表示數(shù)據(jù)相對集中，波動較小。在溫室濕度數(shù)據(jù)中，方差可以幫助我們了解濕度的穩(wěn)定性，若方差較大，說明濕度變化較大，可能需要加強(qiáng)對濕度的調(diào)控。最大值和最小值能夠明確數(shù)據(jù)在某個時間段內(nèi)的極端情況。在溫室光照強(qiáng)度數(shù)據(jù)中，記錄一天中的最大值和最小值，可以讓我們知曉當(dāng)天光照強(qiáng)度的變化范圍，判斷光照是否充足或是否存在過強(qiáng)的情況，以便采取相應(yīng)的遮陽或補(bǔ)光措施。峰值特征能夠反映數(shù)據(jù)在某一時刻的突變情況，在溫室二氧化碳濃度數(shù)據(jù)中，峰值可能表示通風(fēng)換氣或施放二氧化碳?xì)夥实炔僮鲗?dǎo)致的濃度突然變化。偏度用于描述數(shù)據(jù)分布的不對稱程度，它可以幫助我們了解數(shù)據(jù)分布的形態(tài)。峰度則衡量數(shù)據(jù)分布的陡峭程度，與正態(tài)分布相比，峰度較高表示數(shù)據(jù)分布更加集中在均值附近，而峰度較低則表示數(shù)據(jù)分布更為分散。這些統(tǒng)計特征在反映時序數(shù)據(jù)趨勢和波動性方面具有重要作用。均值和趨勢相關(guān)，通過觀察均值的變化可以初步判斷數(shù)據(jù)是否存在上升或下降的趨勢。方差、最大值、最小值、峰值等特征則與波動性密切相關(guān)，它們能夠直觀地展示數(shù)據(jù)的波動情況，幫助我們分析數(shù)據(jù)的穩(wěn)定性和變化規(guī)律。在溫室小氣候環(huán)境數(shù)據(jù)中，這些統(tǒng)計特征可以為環(huán)境調(diào)控提供重要依據(jù)。當(dāng)溫度均值偏離作物生長的適宜范圍時，需要采取加熱或降溫措施；當(dāng)濕度方差較大時，需要調(diào)整通風(fēng)量或灌溉量來穩(wěn)定濕度。3.1.2基于模型的特征提取基于模型的特征提取方法借助數(shù)學(xué)模型來挖掘時序數(shù)據(jù)中的潛在特征，自回歸模型（AR）是其中較為常用的一種。AR模型假設(shè)當(dāng)前時刻的數(shù)據(jù)值與過去若干時刻的數(shù)據(jù)值存在線性關(guān)系，通過建立這種關(guān)系來預(yù)測未來的數(shù)據(jù)，并提取模型參數(shù)作為特征。對于溫室溫度數(shù)據(jù)，AR模型可以表示為T_t=\varphi_1T_{t-1}+\varphi_2T_{t-2}+\cdots+\varphi_pT_{t-p}+\epsilon_t，其中T_t表示t時刻的溫度，\varphi_i為自回歸系數(shù)，p為模型的階數(shù)，\epsilon_t為白噪聲。通過對歷史溫度數(shù)據(jù)的擬合，可以得到自回歸系數(shù)\varphi_i，這些系數(shù)反映了溫度數(shù)據(jù)的自相關(guān)性和變化規(guī)律，可作為溫度數(shù)據(jù)的特征向量。神經(jīng)網(wǎng)絡(luò)模型在時序數(shù)據(jù)特征提取中也具有強(qiáng)大的能力，尤其是循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）及其變體長短期記憶網(wǎng)絡(luò)（LSTM）和門控循環(huán)單元（GRU）。RNN能夠處理具有時間序列特性的數(shù)據(jù)，它通過隱藏層的循環(huán)結(jié)構(gòu)來保存歷史信息，從而對時序數(shù)據(jù)進(jìn)行建模。在溫室小氣候環(huán)境預(yù)測中，RNN可以輸入多個時刻的溫度、濕度、光照強(qiáng)度等數(shù)據(jù)，通過隱藏層的計算，提取出這些數(shù)據(jù)之間的復(fù)雜關(guān)系和特征。LSTM和GRU則是對RNN的改進(jìn)，它們引入了門控機(jī)制，能夠更好地處理長期依賴問題，避免梯度消失或梯度爆炸的問題。在溫室小氣候環(huán)境數(shù)據(jù)中，存在著不同環(huán)境要素之間的相互影響以及長時間尺度上的變化趨勢，LSTM和GRU能夠有效地捕捉這些信息，提取出更有價值的特征向量。以LSTM為例，它通過輸入門、遺忘門和輸出門來控制信息的流入、保留和輸出，能夠更好地記憶歷史數(shù)據(jù)中的重要信息，從而提取出更準(zhǔn)確的特征。在實際應(yīng)用中，將溫室小氣候環(huán)境數(shù)據(jù)輸入到LSTM模型中，模型可以學(xué)習(xí)到不同環(huán)境要素之間的動態(tài)關(guān)系，如溫度與濕度之間的相互影響、光照強(qiáng)度對二氧化碳濃度的影響等，進(jìn)而提取出能夠反映這些關(guān)系的特征向量。這些特征向量可以用于后續(xù)的預(yù)測模型構(gòu)建，提高預(yù)測的準(zhǔn)確性和可靠性。3.1.3基于變換的特征提取基于變換的特征提取技術(shù)通過對時序數(shù)據(jù)進(jìn)行數(shù)學(xué)變換，將其從時域轉(zhuǎn)換到頻域或其他域，從而挖掘出數(shù)據(jù)在不同域中的特征。傅里葉變換是一種經(jīng)典的頻域分析方法，它基于傅里葉級數(shù)的原理，將任何周期函數(shù)都可以表示為不同頻率的正弦和余弦函數(shù)的線性組合。對于非周期函數(shù)，通過傅里葉變換可以將其轉(zhuǎn)換為連續(xù)的頻譜表示。在溫室小氣候環(huán)境數(shù)據(jù)處理中，傅里葉變換可以將時域的溫度、濕度等數(shù)據(jù)轉(zhuǎn)換為頻域數(shù)據(jù)。假設(shè)溫室溫度的時域數(shù)據(jù)為T(t)，經(jīng)過傅里葉變換后得到頻域數(shù)據(jù)F(\omega)，其中\(zhòng)omega為頻率。頻域數(shù)據(jù)中的不同頻率成分對應(yīng)著溫度變化的不同周期。低頻成分通常反映了溫度的長期趨勢，如季節(jié)變化對溫度的影響；高頻成分則對應(yīng)著溫度的短期波動，如晝夜溫差等。通過分析頻域數(shù)據(jù)，我們可以提取出溫度數(shù)據(jù)的主頻、諧波等頻率特征，這些特征能夠幫助我們深入了解溫度變化的周期性和頻率特性。小波變換是一種時頻分析方法，它能夠在時間和頻率兩個維度上對信號進(jìn)行局部分析。小波變換的基本思想是通過伸縮和平移小波函數(shù)來對信號進(jìn)行分解。與傅里葉變換相比，小波變換的基函數(shù)不是固定的正弦和余弦函數(shù)，而是具有不同形狀和尺度的小波函數(shù)。在處理溫室小氣候環(huán)境數(shù)據(jù)時，小波變換具有獨特的優(yōu)勢。對于溫度數(shù)據(jù)中存在的突變情況，如突然的降溫或升溫，傅里葉變換可能無法準(zhǔn)確捕捉到這些局部特征，因為它關(guān)注的是信號的整體頻譜。而小波變換可以通過選擇合適的小波基函數(shù)和尺度，對溫度數(shù)據(jù)進(jìn)行多尺度分析。在高頻部分采用小尺度的小波函數(shù)，能夠更精確地捕捉到溫度的快速變化；在低頻部分采用大尺度的小波函數(shù)，能夠更好地反映溫度的長期趨勢。通過小波變換，我們可以得到不同尺度下的小波系數(shù)，這些系數(shù)包含了溫度數(shù)據(jù)在不同時間和頻率上的局部特征。例如，在分析溫室溫度數(shù)據(jù)時，通過小波變換得到的小波系數(shù)可以幫助我們識別出溫度的周期性變化、短期波動以及突變點等信息，從而更全面地了解溫度數(shù)據(jù)的特征。3.1.4基于分形理論的特征提取基于分形理論的特征提取是一種從數(shù)據(jù)的復(fù)雜性和自相似性角度出發(fā)的方法。分形理論認(rèn)為，許多自然現(xiàn)象和復(fù)雜系統(tǒng)都具有分形特征，即它們在不同尺度下具有相似的結(jié)構(gòu)和形態(tài)。在溫室小氣候環(huán)境數(shù)據(jù)中，溫度、濕度等時序數(shù)據(jù)也可能呈現(xiàn)出分形特性?；诜中卫碚摰奶卣魈崛≡硎峭ㄟ^計算分形維數(shù)等指標(biāo)來描述時序數(shù)據(jù)的復(fù)雜性和自相似性。分形維數(shù)是衡量分形對象復(fù)雜程度的一個重要參數(shù)，它反映了分形對象在空間填充能力和細(xì)節(jié)豐富程度。對于溫室小氣候環(huán)境數(shù)據(jù)，常用的分形維數(shù)計算方法有盒維數(shù)、豪斯多夫維數(shù)等。以盒維數(shù)為例，計算溫室溫度時序數(shù)據(jù)的盒維數(shù)時，首先將溫度數(shù)據(jù)看作是一個在二維平面上的點集（橫坐標(biāo)為時間，縱坐標(biāo)為溫度），然后用大小不同的盒子去覆蓋這些點集。隨著盒子尺寸\epsilon的變化，統(tǒng)計覆蓋點集所需的最少盒子數(shù)N(\epsilon)，盒維數(shù)D可以通過公式D=\lim_{\epsilon\to0}\frac{\lnN(\epsilon)}{\ln(1/\epsilon)}計算得到。分形維數(shù)能夠反映溫室小氣候環(huán)境數(shù)據(jù)的復(fù)雜性。當(dāng)分形維數(shù)較高時，說明數(shù)據(jù)的變化較為復(fù)雜，存在著豐富的細(xì)節(jié)和不規(guī)則性；當(dāng)分形維數(shù)較低時，表明數(shù)據(jù)的變化相對簡單，具有較強(qiáng)的規(guī)律性。在溫室小氣候環(huán)境中，溫度、濕度等環(huán)境要素受到多種因素的綜合影響，其變化往往呈現(xiàn)出復(fù)雜的非線性特征。通過計算分形維數(shù)，我們可以定量地描述這些環(huán)境要素變化的復(fù)雜程度，從而更好地理解溫室小氣候系統(tǒng)的特性。分形理論還強(qiáng)調(diào)數(shù)據(jù)的自相似性。在溫室小氣候環(huán)境數(shù)據(jù)中，自相似性表現(xiàn)為在不同時間尺度上，數(shù)據(jù)的變化模式具有一定的相似性。在較短的時間尺度上，如一天內(nèi)的溫度變化，和在較長的時間尺度上，如一個季節(jié)內(nèi)的溫度變化，可能存在著相似的波動特征。這種自相似性為我們分析和預(yù)測溫室小氣候環(huán)境提供了新的視角。通過研究數(shù)據(jù)的自相似性，我們可以利用已知時間尺度上的數(shù)據(jù)特征來推斷未知時間尺度上的數(shù)據(jù)變化趨勢，提高預(yù)測的準(zhǔn)確性。3.2特征提取工具3.2.1PythontsfreshPythontsfresh是一款功能強(qiáng)大的時序數(shù)據(jù)特征提取庫，在數(shù)據(jù)科學(xué)和機(jī)器學(xué)習(xí)領(lǐng)域有著廣泛的應(yīng)用。其設(shè)計初衷是為了解決時序數(shù)據(jù)特征提取過程中的復(fù)雜性問題，為用戶提供一種高效、便捷的特征提取解決方案。它的核心功能是能夠從原始時序數(shù)據(jù)中自動提取出大量豐富多樣的特征，涵蓋了多個方面的特征工程需求。目前，tsfresh提供了63種方法來識別時序數(shù)據(jù)特點，能夠識別提取794種時序特征。這些特征類型豐富，包括描述性統(tǒng)計特征，如通過統(tǒng)計學(xué)方法提取的時序數(shù)據(jù)特征，像AugmentedDickey–Fullertestvalue、AR(k)coefficient、autocorrelationforalag(k)等；物理原理啟發(fā)式特征，即物理啟發(fā)的非線性和復(fù)雜性特征指標(biāo)，例如c3()函數(shù)，用于衡量時序數(shù)據(jù)非線性特性，通過滯后運算符L通過公式計算量化值；cid_ce()函數(shù)，衡量時序復(fù)雜性的特征指標(biāo)，通過計算從0到的平方根獲得量化值；friedrich_coefficients()函數(shù)，用來衡量復(fù)雜非線性運動的模型擬合系數(shù)，作為特征提取度量。它還包括歷史數(shù)據(jù)壓縮計數(shù)特征，如在指定時間窗口序列中出現(xiàn)多次的數(shù)據(jù)值求和、在時序數(shù)據(jù)中連續(xù)出現(xiàn)大于/小于平均值的最長序列長度、時序中最先出現(xiàn)最大值或最小值。tsfresh的一大顯著特點是能夠無縫對接機(jī)器學(xué)習(xí)算法，它實現(xiàn)了python機(jī)器學(xué)習(xí)算法包pandas和scikit-learn的API接口。這一特性使得在時序數(shù)據(jù)機(jī)器學(xué)習(xí)探索式分析或生產(chǎn)系統(tǒng)分析過程中，tsfresh能夠極大地降低通用算法開發(fā)定制工作量。用戶可以方便地將提取的特征直接應(yīng)用于后續(xù)的機(jī)器學(xué)習(xí)模型訓(xùn)練，如分類、回歸和異常檢測等任務(wù)。在溫室小氣候環(huán)境數(shù)據(jù)的分析中，tsfresh可以從大量的溫度、濕度、光照強(qiáng)度、二氧化碳濃度等時序數(shù)據(jù)中提取出有價值的特征。通過計算溫度數(shù)據(jù)的均值、方差、自相關(guān)性等特征，來反映溫度的變化趨勢和穩(wěn)定性；通過提取濕度數(shù)據(jù)的峰值、偏度等特征，來了解濕度的波動情況。這些特征可以作為機(jī)器學(xué)習(xí)模型的輸入，用于預(yù)測溫室小氣候環(huán)境的變化。以預(yù)測溫室溫度為例，將tsfresh提取的溫度特征輸入到隨機(jī)森林回歸模型中，通過對歷史數(shù)據(jù)的學(xué)習(xí)和訓(xùn)練，模型可以根據(jù)這些特征來預(yù)測未來的溫度變化。3.2.2TimeSeriesFeatureExtractionLibrary(TSFEL)TimeSeriesFeatureExtractionLibrary(TSFEL)是基于Numpy和Scipy包，針對Python3進(jìn)行擴(kuò)展開發(fā)的一款時序數(shù)據(jù)特征提取軟件包。它的功能十分強(qiáng)大，在特征提取方面，支持涵蓋時域和頻域統(tǒng)計的60種特征提取。在時域統(tǒng)計特征提取中，它可以計算均值、方差、標(biāo)準(zhǔn)差、偏度、峰度等常見的統(tǒng)計量，這些統(tǒng)計量能夠直觀地反映時序數(shù)據(jù)在時間維度上的基本特征。計算溫室溫度數(shù)據(jù)的均值，可以了解溫室在一段時間內(nèi)的平均溫度水平；計算方差則能知道溫度數(shù)據(jù)的離散程度，反映其波動情況。在頻域統(tǒng)計特征提取方面，TSFEL能夠?qū)?shù)據(jù)進(jìn)行傅里葉變換、小波變換等頻域分析，從而提取出數(shù)據(jù)的頻率特征。通過傅里葉變換，將溫室光照強(qiáng)度的時域數(shù)據(jù)轉(zhuǎn)換為頻域數(shù)據(jù)，提取出光照強(qiáng)度的主頻、諧波等頻率特征，這些特征可以幫助我們深入了解光照強(qiáng)度的周期性變化規(guī)律。TSFEL還具有支持?jǐn)U展訂制開發(fā)的優(yōu)勢。用戶可以根據(jù)自己的特定需求，對其進(jìn)行定制化開發(fā)，以滿足不同場景下的特征提取要求。在溫室小氣候環(huán)境預(yù)測中，研究人員可能需要提取一些特定的特征來反映溫室環(huán)境與作物生長之間的關(guān)系。通過TSFEL的擴(kuò)展訂制功能，可以開發(fā)出專門用于計算這些特定特征的算法，并集成到TSFEL中，從而實現(xiàn)對溫室小氣候環(huán)境數(shù)據(jù)的更深入分析。除了軟件包本身，TSFEL還提供了基于GoogleSheetsAPI開發(fā)的電子表單界面。這個界面為用戶提供了一種直觀的方式來配置特征提取參數(shù)。用戶無需編寫復(fù)雜的代碼，只需在電子表單界面中進(jìn)行簡單的設(shè)置，就可以選擇需要提取的特征、設(shè)置特征提取的參數(shù)等。在溫室小氣候環(huán)境數(shù)據(jù)的處理中，種植者或研究人員可以通過這個界面，輕松地配置溫度、濕度、光照強(qiáng)度等數(shù)據(jù)的特征提取參數(shù)，快速提取出所需的特征，為后續(xù)的數(shù)據(jù)分析和決策提供支持。3.2.3CesiumCesium是加州大學(xué)伯克利分校勞倫斯伯克利國家實驗室的BrettNaul等人用Python語言開發(fā)的一款端到端時序數(shù)據(jù)分析框架。它的出現(xiàn)旨在補(bǔ)充現(xiàn)有機(jī)器學(xué)習(xí)算法只處理特征提取后的數(shù)據(jù)集的不足，為時序數(shù)據(jù)分析提供了更全面的解決方案。Cesium的一大特點是提供了圖形化界面，這使得機(jī)器學(xué)習(xí)背景知識不多的業(yè)務(wù)數(shù)據(jù)分析人員也能夠方便地使用它。在Cesium的web前端操作界面中，用戶可以通過圖形化的方式對時序原始數(shù)據(jù)進(jìn)行標(biāo)記。在處理溫室小氣候環(huán)境數(shù)據(jù)時，用戶可以在界面上直觀地標(biāo)注出溫度異常升高或降低的時間段、濕度變化劇烈的區(qū)域等。用戶還可以圍繞特定機(jī)器學(xué)習(xí)算法進(jìn)行特征匹配。在選擇使用支持向量機(jī)算法進(jìn)行溫室溫度預(yù)測時，用戶可以在界面上選擇與溫度相關(guān)的特征，如光照強(qiáng)度、二氧化碳濃度等，Cesium會自動進(jìn)行特征匹配和篩選，為后續(xù)的模型訓(xùn)練提供合適的特征。Cesium還支持多通道數(shù)據(jù)，這對于處理溫室小氣候環(huán)境中的多源數(shù)據(jù)非常重要。溫室小氣候環(huán)境數(shù)據(jù)通常包含溫度、濕度、光照強(qiáng)度、二氧化碳濃度等多個通道的數(shù)據(jù)。Cesium能夠?qū)斎霐?shù)據(jù)的每一個維度的數(shù)據(jù)都單獨計算特征。對于溫度通道的數(shù)據(jù)，它可以計算均值、方差、趨勢等特征；對于濕度通道的數(shù)據(jù)，它可以提取峰值、變化率等特征。通過對多通道數(shù)據(jù)的特征提取和分析，能夠更全面地了解溫室小氣候環(huán)境的變化規(guī)律。在溫室小氣候數(shù)據(jù)分析中，Cesium可以根據(jù)Lomb-Scargle周期圖分析自動生成多種特征。對于溫室光照強(qiáng)度數(shù)據(jù)，通過Lomb-Scargle周期圖分析，可以確定光照強(qiáng)度的周期性變化特征，Cesium會根據(jù)這些分析結(jié)果自動生成相關(guān)的特征，如周期長度、峰值出現(xiàn)的時間等。這些特征可以為溫室環(huán)境調(diào)控提供重要依據(jù)，幫助種植者更好地管理溫室環(huán)境。3.2.4FATSFATS(FEATUREANALYSISFORTIMESERIES)是哈佛大學(xué)工程與應(yīng)用科學(xué)學(xué)院的IsadoraNu等人在2015年專門針對天文學(xué)光曲線時序數(shù)據(jù)特征提取而設(shè)計的工具。天文學(xué)望遠(yuǎn)鏡采集的時序數(shù)據(jù)通常為分布在時間序列范圍內(nèi)的特定天體明暗變化數(shù)據(jù)，具有周期性，常被稱為亮度曲線（light-curve）。FATS在處理這類周期性數(shù)據(jù)方面具有獨特的優(yōu)勢。它能夠提取多種與周期性相關(guān)的特征，如周期長度、振幅、相位等。通過計算周期長度，可以確定天體亮度變化的周期；通過分析振幅，可以了解天體亮度變化的幅度大?。煌ㄟ^研究相位，可以掌握天體亮度變化在時間上的相對位置。這些特征對于研究天體的物理性質(zhì)和演化過程具有重要意義。雖然FATS最初是為天文學(xué)數(shù)據(jù)設(shè)計的，但它在溫室小氣候環(huán)境預(yù)測中也具有潛在的應(yīng)用價值。溫室小氣候環(huán)境中的一些數(shù)據(jù)，如溫度、光照強(qiáng)度等，也具有一定的周期性變化規(guī)律。在一天中，溫度會隨著太陽輻射的變化呈現(xiàn)出周期性的升高和降低；光照強(qiáng)度也會隨著晝夜交替而呈現(xiàn)出周期性的變化。FATS可以借鑒其在處理天文學(xué)周期性數(shù)據(jù)時的方法和技術(shù)，對溫室小氣候環(huán)境數(shù)據(jù)進(jìn)行特征提取。通過提取溫度數(shù)據(jù)的周期特征，可以更好地預(yù)測未來溫度的變化趨勢；通過分析光照強(qiáng)度數(shù)據(jù)的振幅和相位特征，可以為溫室的光照調(diào)控提供更準(zhǔn)確的依據(jù)。在溫室溫度預(yù)測中，利用FATS提取的周期特征，結(jié)合其他相關(guān)特征，可以提高預(yù)測模型的準(zhǔn)確性，為溫室環(huán)境的精準(zhǔn)調(diào)控提供有力支持。四、基于時序數(shù)據(jù)特征識別的溫室小氣候環(huán)境預(yù)測模型構(gòu)建4.1數(shù)據(jù)收集與預(yù)處理4.1.1數(shù)據(jù)來源本研究選擇位于[具體地點]的現(xiàn)代化溫室作為數(shù)據(jù)采集地點，該溫室配備了先進(jìn)的環(huán)境調(diào)控設(shè)備，種植作物為[具體作物名稱]，其生長周期為[生長周期時長]。在溫室內(nèi)部均勻分布著多個監(jiān)測點，通過部署各類傳感器，構(gòu)建多源時序數(shù)據(jù)采集系統(tǒng)，實現(xiàn)對溫室小氣候環(huán)境數(shù)據(jù)的實時采集。數(shù)據(jù)采集時間跨度為[開始時間]至[結(jié)束時間]，涵蓋了作物的整個生長周期。采集頻率設(shè)置為每10分鐘一次，這樣的時間間隔既能保證捕捉到溫室小氣候環(huán)境的動態(tài)變化，又不會產(chǎn)生過多的數(shù)據(jù)量，便于后續(xù)的數(shù)據(jù)處理和分析。選擇該時間段和采集頻率，是因為在作物的生長過程中，小氣候環(huán)境的變化較為頻繁，尤其是在白天，溫度、光照強(qiáng)度等要素會隨著太陽輻射的變化而迅速改變。通過每10分鐘采集一次數(shù)據(jù)，可以更準(zhǔn)確地反映這些變化，為后續(xù)的分析和模型構(gòu)建提供更豐富的數(shù)據(jù)支持。溫度數(shù)據(jù)通過熱敏電阻傳感器進(jìn)行采集，熱敏電阻的電阻值會隨著溫度的變化而發(fā)生改變，通過測量電阻值的變化，并根據(jù)其溫度-電阻特性曲線，即可準(zhǔn)確計算出當(dāng)前的溫度值。濕度數(shù)據(jù)利用電容式濕度傳感器獲取，電容式濕度傳感器的電容值會隨著環(huán)境濕度的變化而改變，通過檢測電容值的變化，結(jié)合傳感器的校準(zhǔn)參數(shù)，能夠精確測量出濕度。光照強(qiáng)度數(shù)據(jù)采用光敏二極管傳感器進(jìn)行采集，光敏二極管在光照下會產(chǎn)生光電流，光電流的大小與光照強(qiáng)度成正比，通過測量光電流的大小，經(jīng)過換算即可得到光照強(qiáng)度。二氧化碳濃度數(shù)據(jù)由紅外吸收式二氧化碳傳感器進(jìn)行監(jiān)測，該傳感器利用二氧化碳對特定波長紅外線的吸收特性，通過檢測紅外線的吸收程度，計算出二氧化碳的濃度。為確保數(shù)據(jù)的完整性和準(zhǔn)確性，采集到的數(shù)據(jù)通過有線或無線傳輸方式，實時傳輸至數(shù)據(jù)采集器，再由數(shù)據(jù)采集器將數(shù)據(jù)發(fā)送至上位機(jī)進(jìn)行存儲和初步處理。數(shù)據(jù)采集器具備數(shù)據(jù)緩存和糾錯功能，能夠在數(shù)據(jù)傳輸出現(xiàn)短暫中斷時，暫時存儲數(shù)據(jù)，待傳輸恢復(fù)正常后，將緩存的數(shù)據(jù)一并發(fā)送至上位機(jī)。上位機(jī)采用高性能服務(wù)器，配備大容量硬盤，用于存儲大量的溫室小氣候環(huán)境數(shù)據(jù)。同時，上位機(jī)還安裝了專業(yè)的數(shù)據(jù)采集和管理軟件，能夠?qū)Σ杉降臄?shù)據(jù)進(jìn)行實時監(jiān)控、記錄和分析。4.1.2數(shù)據(jù)清洗與歸一化在數(shù)據(jù)采集過程中，由于傳感器故障、環(huán)境干擾、數(shù)據(jù)傳輸錯誤等原因，采集到的原始數(shù)據(jù)中往往包含噪聲、異常值和缺失值等問題，這些問題會影響數(shù)據(jù)的質(zhì)量和可用性，因此需要對數(shù)據(jù)進(jìn)行清洗。對于噪聲數(shù)據(jù)，采用中值濾波法進(jìn)行處理。中值濾波是一種非線性濾波方法，它將數(shù)據(jù)窗口內(nèi)的所有數(shù)據(jù)按照大小進(jìn)行排序，然后取中間值作為濾波后的數(shù)據(jù)。在處理溫室溫度數(shù)據(jù)時，設(shè)置數(shù)據(jù)窗口大小為5，即取連續(xù)5個時間點的溫度數(shù)據(jù)進(jìn)行排序，將中間值作為該時間點的濾波后溫度。中值濾波能夠有效去除脈沖噪聲和椒鹽噪聲，保留數(shù)據(jù)的真實變化趨勢。異常值的識別和處理是數(shù)據(jù)清洗的重要環(huán)節(jié)。通過設(shè)定閾值法來識別異常值，根據(jù)溫室小氣候環(huán)境的實際情況和歷史數(shù)據(jù)，為溫度、濕度、光照強(qiáng)度、二氧化碳濃度等數(shù)據(jù)分別設(shè)定合理的閾值范圍。對于溫度數(shù)據(jù)，設(shè)定正常范圍為10-40℃，當(dāng)采集到的溫度數(shù)據(jù)超出這個范圍時，判斷為異常值。對于異常值，采用拉依達(dá)準(zhǔn)則進(jìn)行處理。拉依達(dá)準(zhǔn)則是基于正態(tài)分布的原理，認(rèn)為在正常情況下，數(shù)據(jù)應(yīng)服從正態(tài)分布，當(dāng)數(shù)據(jù)偏離均值超過3倍標(biāo)準(zhǔn)差時，可判定為異常值。在處理溫室溫度異常值時，計算該時間段內(nèi)溫度數(shù)據(jù)的均值和標(biāo)準(zhǔn)差，若某個數(shù)據(jù)點偏離均值超過3倍標(biāo)準(zhǔn)差，則將其視為異常值，用該時間段內(nèi)的均值代替。對于缺失值，采用線性插值法進(jìn)行補(bǔ)充。線性插值是根據(jù)相鄰兩個數(shù)據(jù)點的數(shù)值和位置關(guān)系，通過線性計算來估計缺失值。在處理溫室濕度數(shù)據(jù)缺失值時，假設(shè)第i個時間點的濕度數(shù)據(jù)缺失，其相鄰的兩個時間點分別為i-1和i+1，對應(yīng)的濕度值分別為y_{i-1}和y_{i+1}，則第i個時間點的缺失濕度值y_i可通過公式y(tǒng)_i=y_{i-1}+\frac{(y_{i+1}-y_{i-1})(i-(i-1))}{(i+1)-(i-1)}計算得到。經(jīng)過清洗后的數(shù)據(jù)，雖然去除了噪聲、異常值和缺失值，但不同特征的數(shù)據(jù)量綱和取值范圍可能存在較大差異，這會影響模型的訓(xùn)練效果和收斂速度。為了消除數(shù)據(jù)量綱的影響，提高模型的訓(xùn)練效率和預(yù)測精度，需要對數(shù)據(jù)進(jìn)行歸一化處理。本研究采用最小-最大歸一化方法，將數(shù)據(jù)映射到[0,1]范圍內(nèi)。對于原始數(shù)據(jù)x，其歸一化后的結(jié)果x'可通過公式x'=\frac{x-\min}{\max-\min}計算得到，其中\(zhòng)min和\max分別為數(shù)據(jù)集中的最小值和最大值。在處理溫室光照強(qiáng)度數(shù)據(jù)時，假設(shè)數(shù)據(jù)集中的最小值為0，最大值為1000，當(dāng)某一時刻的光照強(qiáng)度為500時，經(jīng)過歸一化處理后，其值為(500-0)/(1000-0)=0.5。通過最小-最大歸一化方法，將不同量級的溫室小氣候環(huán)境數(shù)據(jù)統(tǒng)一到相同的尺度范圍內(nèi)，使得數(shù)據(jù)在同一標(biāo)準(zhǔn)下進(jìn)行比較和處理，為后續(xù)的數(shù)據(jù)分析和模型構(gòu)建奠定了良好的基礎(chǔ)。4.2模型選擇與構(gòu)建4.2.1傳統(tǒng)預(yù)測模型自回歸移動平均模型（ARMA）是一種常用的傳統(tǒng)時序預(yù)測模型，它由自回歸（AR）和移動平均（MA）兩部分組成。AR部分用于描述當(dāng)前值與過去值之間的線性關(guān)系，MA部分則用于處理預(yù)測誤差的相關(guān)性。ARMA(p,q)模型的表達(dá)式為y_t=\\mu+\\sum_{i=1}^{p}\\varphi_iy_{t-i}+\\epsilon_t+\\sum_{j=1}^{q}\\theta_j\\epsilon_{t-j}，其中y_t表示t時刻的觀測值，\\mu為常數(shù)項，\\varphi_i為自回歸系數(shù)，\\theta_j為移動平均系數(shù)，\\epsilon_t為白噪聲。在溫室小氣候環(huán)境預(yù)測中，ARMA模型可用于預(yù)測溫度、濕度等環(huán)境參數(shù)。通過對歷史溫度數(shù)據(jù)的分析，確定合適的p和q值，建立ARMA模型，從而預(yù)測未來的溫度變化。自回歸積分滑動平均模型（ARIMA）是在ARMA模型的基礎(chǔ)上發(fā)展而來，它主要用于處理非平穩(wěn)時間序列數(shù)據(jù)。ARIMA(p,d,q)模型中的d表示對原始數(shù)據(jù)進(jìn)行差分的階數(shù)，通過差分將非平穩(wěn)序列轉(zhuǎn)化為平穩(wěn)序列，然后再使用ARMA模型進(jìn)行建模。在處理溫室小氣候環(huán)境數(shù)據(jù)時，若發(fā)現(xiàn)溫度、濕度等數(shù)據(jù)存在趨勢性或季節(jié)性變化，導(dǎo)致序列非平穩(wěn)，可先對數(shù)據(jù)進(jìn)行差分處理。對溫室溫度數(shù)據(jù)進(jìn)行一階差分，使其滿足平穩(wěn)性要求，然后建立ARIMA模型進(jìn)行預(yù)測。傳統(tǒng)時序預(yù)測模型在溫室小氣候環(huán)境預(yù)測中具有一定的優(yōu)勢。它們的原理相對簡單，計算量較小，易于理解和實現(xiàn)。對于一些變化規(guī)律較為穩(wěn)定、數(shù)據(jù)量較小的溫室小氣候環(huán)境數(shù)據(jù)，傳統(tǒng)模型能夠快速建立并提供較為準(zhǔn)確的預(yù)測結(jié)果。在溫室溫度變化較為平穩(wěn)的時期，ARMA或ARIMA模型能夠較好地捕捉溫度的變化趨勢，進(jìn)行有效的預(yù)測。這些模型也存在一些局限性。傳統(tǒng)模型通常假設(shè)數(shù)據(jù)具有線性關(guān)系，而溫室小氣候環(huán)境是一個復(fù)雜的非線性系統(tǒng)，溫度、濕度、光照強(qiáng)度等環(huán)境參數(shù)之間存在著復(fù)雜的非線性相互作用。傳統(tǒng)模型難以準(zhǔn)確描述這些非線性關(guān)系，導(dǎo)致預(yù)測精度受限。傳統(tǒng)模型對數(shù)據(jù)的平穩(wěn)性要求較高，若數(shù)據(jù)存在明顯的非平穩(wěn)特征，需要進(jìn)行復(fù)雜的差分處理，且差分階數(shù)的選擇較為困難，不合適的差分階數(shù)可能會影響模型的性能。在面對溫室小氣候環(huán)境中突然變化的情況，如突發(fā)的天氣變化導(dǎo)致溫室內(nèi)環(huán)境參數(shù)急劇改變，傳統(tǒng)模型的適應(yīng)性較差，難以快速準(zhǔn)確地進(jìn)行預(yù)測。4.2.2機(jī)器學(xué)習(xí)模型神經(jīng)網(wǎng)絡(luò)模型在溫室小氣候環(huán)境預(yù)測中展現(xiàn)出強(qiáng)大的能力，其中長短期記憶網(wǎng)絡(luò)（LSTM）和門控循環(huán)單元（GRU）是兩種常用的循環(huán)神經(jīng)網(wǎng)絡(luò)變體。LSTM通過引入記憶單元和門控機(jī)制，能夠有效解決傳統(tǒng)循環(huán)神經(jīng)網(wǎng)絡(luò)在處理長序列數(shù)據(jù)時的梯度消失和梯度爆炸問題，從而更好地捕捉數(shù)據(jù)中的長期依賴關(guān)系。LSTM的核心組件包括記憶單元、輸入門、遺忘門和輸出門。輸入門控制新信息的輸入，遺忘門決定記憶單元中哪些信息需要保留或丟棄，輸出門控制記憶單元中信息的輸出。在溫室小氣候環(huán)境預(yù)測中，LSTM可以輸入多個時刻的溫度、濕度、光照強(qiáng)度等數(shù)據(jù)，通過記憶單元保存歷史信息，學(xué)習(xí)到不同環(huán)境參數(shù)之間的復(fù)雜關(guān)系和變化規(guī)律，從而對未來的環(huán)境參數(shù)進(jìn)行準(zhǔn)確預(yù)測。在預(yù)測溫室溫度時，LSTM可以根據(jù)之前多個時刻的溫度、濕度以及光照強(qiáng)度等數(shù)據(jù)，準(zhǔn)確預(yù)測未來幾個小時的溫度變化。GRU是一種簡化的LSTM結(jié)構(gòu)，它合并了輸入門和遺忘門，形成更新門，同時將輸出門和隱藏狀態(tài)合并為候選隱藏狀態(tài)。GRU的結(jié)構(gòu)相對簡單，計算量較小，但在處理序列數(shù)據(jù)時同樣能夠有效地捕捉長期依賴關(guān)系。在溫室小氣候環(huán)境預(yù)測中，GRU可以快速處理大量的時序數(shù)據(jù)，根據(jù)歷史環(huán)境參數(shù)的變化預(yù)測未來的環(huán)境狀態(tài)。與LSTM相比，GRU在訓(xùn)練過程中收斂速度更快，對于一些計算資源有限的場景更為適用。在溫室小氣候環(huán)境監(jiān)測系統(tǒng)中，使用GRU模型可以實時快速地預(yù)測環(huán)境參數(shù)的變化，為及時調(diào)整溫室環(huán)境提供依據(jù)。支持向量機(jī)（SVM）也是一種常用的機(jī)器學(xué)習(xí)模型，它通過尋找一個最優(yōu)的分類超平面，將不同類別的數(shù)據(jù)分開。在溫室小氣候環(huán)境預(yù)測中，SVM可以將歷史環(huán)境參數(shù)數(shù)據(jù)作為輸入，通過訓(xùn)練得到一個預(yù)測模型，用于預(yù)測未來的環(huán)境參數(shù)。SVM具有較強(qiáng)的泛化能力，能夠處理非線性問題，對于小樣本數(shù)據(jù)也有較好的表現(xiàn)。在溫室小氣候環(huán)境數(shù)據(jù)量有限的情況下，SVM可以通過核函數(shù)將低維數(shù)據(jù)映射到高維空間，從而找到最優(yōu)的分類超平面，實現(xiàn)對環(huán)境參數(shù)的準(zhǔn)確預(yù)測。機(jī)器學(xué)習(xí)模型在溫室小氣候環(huán)境預(yù)測中具有顯著的優(yōu)勢。它們能夠處理復(fù)雜的非線性關(guān)系，通過對大量歷史數(shù)據(jù)的學(xué)習(xí)，自動提取數(shù)據(jù)中的特征和規(guī)律，從而實現(xiàn)對溫室小氣候環(huán)境的準(zhǔn)確預(yù)測。這些模型具有較強(qiáng)的適應(yīng)性和泛化能力，能夠應(yīng)對不同的溫室環(huán)境和作物生長需求。在不同結(jié)構(gòu)類型的溫室中，機(jī)器學(xué)習(xí)模型都能夠根據(jù)實際采集的數(shù)據(jù)進(jìn)行訓(xùn)練和預(yù)測，提供個性化的環(huán)境調(diào)控建議。機(jī)器學(xué)習(xí)模型也存在一些局限性。它們對數(shù)據(jù)的質(zhì)量和數(shù)量要求較高，需要大量的歷史數(shù)據(jù)進(jìn)行訓(xùn)練，才能獲得較好的預(yù)測性能。在實際應(yīng)用中，獲取大量高質(zhì)量的溫室小氣候環(huán)境數(shù)據(jù)可能存在困難，數(shù)據(jù)的缺失、噪聲等問題也會影響模型的訓(xùn)練效果。機(jī)器學(xué)習(xí)模型的可解釋性較差，模型內(nèi)部的決策過程難以直觀理解，這在一些對決策過程有嚴(yán)格要求的場景中可能會受到限制。在溫室環(huán)境調(diào)控中，種植者可能需要了解模型預(yù)測結(jié)果的依據(jù)，以便做出合理的決策，而機(jī)器學(xué)習(xí)模型的可解釋性不足可能會給決策帶來一定的困難。4.2.3融合模型將不同模型進(jìn)行融合是提高溫室小氣候環(huán)境預(yù)測精度的一種有效方法。通過結(jié)合不同模型的優(yōu)勢，可以更好地捕捉數(shù)據(jù)中的各種特征和規(guī)律，從而提升預(yù)測性能。將卷積神經(jīng)網(wǎng)絡(luò)（CNN）與GRU相結(jié)合的模型，能夠充分發(fā)揮CNN在提取數(shù)據(jù)局部特征方面的優(yōu)勢，以及GRU在處理時序數(shù)據(jù)長期依賴關(guān)系方面的特長。CNN具有強(qiáng)大的特征提取能力，能夠自動學(xué)習(xí)數(shù)據(jù)的局部特征。在溫室小氣候環(huán)境數(shù)據(jù)中，CNN可以通過卷積層和池化層，提取溫度、濕度、光照強(qiáng)度等數(shù)據(jù)在空間和時間上的局部特征。對于溫度數(shù)據(jù)，CNN可以提取不同時刻溫度的變化趨勢、局部波動等特征。GRU則專注于處理時序數(shù)據(jù)的長期依賴關(guān)系，能夠記憶歷史信息，對未來的變化趨勢進(jìn)行預(yù)測。將CNN提取的局部特征作為GRU的輸入，GRU可以在此基礎(chǔ)上進(jìn)一步學(xué)習(xí)數(shù)據(jù)的長期依賴關(guān)系，從而實現(xiàn)對溫室小氣候環(huán)境的準(zhǔn)確預(yù)測。在預(yù)測溫室溫度時，CNN先對溫度數(shù)據(jù)進(jìn)行局部特征提取，然后將提取的特征輸入到GRU中，GRU根據(jù)這些特征和歷史數(shù)據(jù)預(yù)測未來的溫度變化。融合模型的優(yōu)勢在于能夠綜合利用不同模型的優(yōu)點，提高預(yù)測的準(zhǔn)確性和可靠性。不同模型對數(shù)據(jù)的理解和處理方式不同，通過融合可以從多個角度挖掘數(shù)據(jù)的特征和規(guī)律，減少單一模型的局限性。在面對復(fù)雜多變的溫室小氣候環(huán)境時，融合模型能夠更好地適應(yīng)數(shù)據(jù)的變化，提供更穩(wěn)定、更準(zhǔn)確的預(yù)測結(jié)果。在天氣突然變化導(dǎo)致溫室小氣候環(huán)境急劇改變時，融合模型能夠快速響應(yīng)，準(zhǔn)確預(yù)測環(huán)境參數(shù)的變化，為溫室環(huán)境調(diào)控提供及時有效的支持。為了實現(xiàn)不同模型的有效融合，需要合理選擇融合策略。常見的融合策略包括加權(quán)平均、堆疊法等。加權(quán)平均是根據(jù)不同模型在訓(xùn)練集上的表現(xiàn)，為每個模型分配一個權(quán)重，然后將各個模型的預(yù)測結(jié)果按照權(quán)重進(jìn)行加權(quán)求和，得到最終的預(yù)測結(jié)果。堆疊法是將一個模型的輸出作為另一個模型的輸入，通過多層模型的堆疊來提高預(yù)測性能。在實際應(yīng)用中，需要根據(jù)具體情況選擇合適的融合策略，以達(dá)到最佳的預(yù)測效果。4.3模型訓(xùn)練與優(yōu)化4.3.1訓(xùn)練過程在模型訓(xùn)練過程中，合理設(shè)置參數(shù)是確保模型性能的關(guān)鍵。對于傳統(tǒng)的ARIMA模型，需要確定自回歸階數(shù)p、差分階數(shù)d和移動平均階數(shù)q。通過對溫室小氣候環(huán)境數(shù)據(jù)的自相關(guān)函數(shù)（ACF）和偏自相關(guān)函數(shù)（PACF）進(jìn)行分析，結(jié)合赤池信息準(zhǔn)則（AIC）和貝葉斯信息準(zhǔn)則（BIC），最終確定ARIMA(2,1,1)為合適的模型階數(shù)。在訓(xùn)練過程中，設(shè)置迭代次數(shù)為100，學(xué)習(xí)率為0.01，以保證模型能夠充分收斂。對于LSTM模型，隱藏層單元數(shù)量設(shè)置為64，這一數(shù)量能夠較好地捕捉數(shù)據(jù)中的復(fù)雜特征和長期依賴關(guān)系。設(shè)置批處理大小為32，即每次訓(xùn)練時使用32個樣本進(jìn)行參數(shù)更新，這樣既能保證模型的訓(xùn)練效率，又能充分利用計算資源。迭代次數(shù)設(shè)置為200，學(xué)習(xí)率為0.001，通過多次試驗發(fā)現(xiàn)，在該參數(shù)設(shè)置下，模型能夠在訓(xùn)練集上取得較好的擬合效果。為了評估模型的性能，將收集到的溫室小氣候環(huán)境數(shù)據(jù)按照70%訓(xùn)練集、20%驗證集和10%測試集的比例進(jìn)行劃分。訓(xùn)練集用于模型的參數(shù)學(xué)習(xí)和訓(xùn)練，驗證集用于調(diào)整模型的超參數(shù)和評估模型的泛化能力，測試集用于評估模型在未見過的數(shù)據(jù)上的預(yù)測性能。在劃分?jǐn)?shù)據(jù)時，采用分層抽樣的方法，確保每個子集的數(shù)據(jù)分布與原始數(shù)據(jù)相似，以保證模型評估的準(zhǔn)確性。在訓(xùn)練算法的選擇上，對于ARIMA模型，采用條件最小二乘法進(jìn)行參數(shù)估計。條件最小二乘法通過最小化預(yù)測值與實際觀測值之間的誤差平方和，來確定模型的參數(shù)。這種方法計算簡單，收斂速度較快，能夠有效地估計ARIMA模型的參數(shù)。對于LSTM模型，使用Adam優(yōu)化器進(jìn)行訓(xùn)練。Adam優(yōu)化器結(jié)合了Adagrad和RMSProp優(yōu)化器的優(yōu)點，能夠自適應(yīng)地調(diào)整學(xué)習(xí)率，在訓(xùn)練過程中表現(xiàn)出較好的收斂速度和穩(wěn)定性。在訓(xùn)練過程中，Adam優(yōu)化器根據(jù)每個參數(shù)的梯度歷史信息，動態(tài)地調(diào)整學(xué)習(xí)率，使得模型能夠更快地收斂到最優(yōu)解。通過訓(xùn)練，模型能夠?qū)W習(xí)到溫室小氣候環(huán)境數(shù)據(jù)中的特征和規(guī)律。ARIMA模型通過對歷史數(shù)據(jù)的自回歸和移動平均運算，捕捉到數(shù)據(jù)的趨勢性和季節(jié)性變化規(guī)律。在訓(xùn)練過程中，模型學(xué)習(xí)到溫室溫度在一天內(nèi)的周期性變化以及在不同季節(jié)的趨勢變化，從而能夠根據(jù)這些規(guī)律對未來的溫度進(jìn)行預(yù)測。LSTM模型則通過記憶單元和門控機(jī)制，學(xué)習(xí)到不同環(huán)境參數(shù)之間的復(fù)雜非線性關(guān)系以及數(shù)據(jù)的長期依賴關(guān)系。在訓(xùn)練過程中，LSTM模型能夠?qū)W習(xí)到溫度、濕度、光照強(qiáng)度等環(huán)境參數(shù)之間的相互影響，以及這些參數(shù)在長時間尺度上的變化趨勢，從而能夠更準(zhǔn)確地預(yù)測未來的溫室小氣候環(huán)境變化。4.3.2優(yōu)化策略為了提高模型的泛化能力和預(yù)測性能，采用了多種優(yōu)化策略。交叉驗證是一種有效的模型評估和優(yōu)化方法，通過將數(shù)據(jù)集劃分為多個子集，進(jìn)行多次訓(xùn)練和驗證，能夠更準(zhǔn)確地評估模型的性能。在本研究中，采用五折交叉驗證對ARIMA和LSTM模型進(jìn)行優(yōu)化。將數(shù)據(jù)集隨機(jī)劃分為五個子集，每次訓(xùn)練時，選取其中四個子集作為訓(xùn)練集，剩余一個子集作為驗證集。重復(fù)這個過程五次，每次使用不同的子集作為驗證集，最后將五次驗證的結(jié)果進(jìn)行平均，得到模型的平均性能指標(biāo)。通過五折交叉驗證，能夠減少模型在訓(xùn)練過程中出現(xiàn)過擬合的風(fēng)險，提高模型的泛化能力。調(diào)整超參數(shù)是優(yōu)化模型性能的重要手段。對于ARIMA模型，通過調(diào)整自回歸階數(shù)p、差分階數(shù)d和移動平均階數(shù)q，觀察模型在驗證集上的性能指標(biāo)變化，選擇最優(yōu)的超參數(shù)組合。在調(diào)整過程中，發(fā)現(xiàn)當(dāng)p=2、d=1、q=1時，模型在驗證集上的均方根誤差（RMSE）最小，預(yù)測性能最佳。對于LSTM模型，通過網(wǎng)格搜索法對隱藏層單元數(shù)量、批處理大小、迭代次數(shù)和學(xué)習(xí)率等超參數(shù)進(jìn)行調(diào)整。在網(wǎng)格搜索過程中，設(shè)置隱藏層單元數(shù)量為[32,64,128]，批處理大小為[16,32,64]，迭代次數(shù)為[100,200,300]，學(xué)習(xí)率為[0.001,0.0001,0.01]，通過組合這些超參數(shù)進(jìn)行訓(xùn)練和驗證，最終確定隱藏層單元數(shù)量為64、批處理大小為32、迭代次數(shù)為200、學(xué)習(xí)率為0.001時，模型在驗證集上的性能最佳。正則化是防止模型過擬合的有效方法，它通過在損失函數(shù)中添加正則化項，對模型的參數(shù)進(jìn)行約束，使模型更加泛化。在LSTM模型中，采用L2正則化（權(quán)重衰減）來防止過擬合。在損失函數(shù)中添加L2正則化項，即對模型的權(quán)重參數(shù)進(jìn)行平方和懲罰，使得模型在訓(xùn)練過程中更加關(guān)注數(shù)據(jù)的整體特征，而不是過度擬合訓(xùn)練數(shù)據(jù)中的噪聲和細(xì)節(jié)。通過設(shè)置正則化系數(shù)為0.001，有效地減少了模型的過擬合現(xiàn)象，提高了模型的泛化能力和預(yù)測性能。五、案例分析與結(jié)果驗證5.1實驗設(shè)計5.1.1實驗場景設(shè)置本次實驗選擇位于[具體地點]的現(xiàn)代化連棟溫室作為研究對象，該溫室占地面積為[X]平方米，采用雙層中空玻璃作為覆蓋材料，具有良好的保溫和透光性能。溫室配備了先進(jìn)的環(huán)境調(diào)控設(shè)備，包括遮陽系統(tǒng)、通風(fēng)系統(tǒng)、加熱系統(tǒng)、加濕系統(tǒng)和二氧化碳施肥系統(tǒng)等，能夠?qū)崿F(xiàn)對溫室內(nèi)小氣候環(huán)境的精準(zhǔn)調(diào)控。溫室內(nèi)種植作物為[具體作物名稱]，該作物生長周期為[生長周期時長]，在不同生長階段對小氣候環(huán)境的要求有所不同。實驗時間跨度為[開始時間]至[結(jié)束時間]，涵蓋了作物的整個生長周期。在實驗期間，經(jīng)歷了不同的季節(jié)和天氣條件，包括晴天、陰天、雨天等，為研究溫室小氣候環(huán)境在不同條件下的變化規(guī)律提供了豐富的數(shù)據(jù)。選擇該時間段進(jìn)行實驗，是因為這段時間內(nèi)的氣候條件具有代表性，能夠全面反映溫室小氣候環(huán)境在不同季節(jié)和天氣下的變化情況。在溫室內(nèi)均勻分布了[X]個監(jiān)測點，每個監(jiān)測點部署了溫度、濕度、光照強(qiáng)度、二氧化碳濃度等傳感器，用于實時采集溫室小氣候環(huán)境數(shù)據(jù)。通過構(gòu)建多源時序數(shù)據(jù)采集系統(tǒng)，確保能夠獲取到溫室內(nèi)不同位置的環(huán)境信息，從而更全面地了解溫室小氣候環(huán)境的分布和變化情況。這些傳感器的精度和穩(wěn)定性經(jīng)過嚴(yán)格校準(zhǔn)和測試，能夠準(zhǔn)確地測量環(huán)境參數(shù)。溫度傳感器的精度為±0.5℃，濕度傳感器的精度為±3%RH，光照強(qiáng)度傳感器的精度為±50lx，二氧化碳濃度傳感器的精度為±50ppm。5.1.2數(shù)據(jù)采集與指標(biāo)設(shè)定數(shù)據(jù)采集頻率設(shè)置為每10分鐘一次，這樣的時間間隔既能保證捕捉到溫室小氣候環(huán)境的動態(tài)變化，又不會產(chǎn)生過多的數(shù)據(jù)量，便于后續(xù)的數(shù)據(jù)處理和分析。在數(shù)據(jù)采集過程中，嚴(yán)格按照傳感器的操作規(guī)程進(jìn)行操作，確保數(shù)據(jù)的準(zhǔn)確性和可靠性。每天對傳感器進(jìn)行檢查和校準(zhǔn)，及時發(fā)現(xiàn)并處理傳感器故障和數(shù)據(jù)異常情況。采集的溫室小氣候環(huán)境數(shù)據(jù)指標(biāo)包括溫度、濕度、光照強(qiáng)度、二氧化碳濃度等。溫度數(shù)據(jù)反映了溫室內(nèi)的熱量狀況，對作物的生長發(fā)育有著重要影響。濕度數(shù)據(jù)影響著作物的水分平衡和病蟲害發(fā)生情況。光照強(qiáng)度數(shù)據(jù)是作物進(jìn)行光合作用的重要能源，直接關(guān)系到作物的光合效率和生長速度。二氧化碳濃度數(shù)據(jù)作為光合作用的原料，其含量的高低直接影響作物的光合產(chǎn)物合成。為了評估模型的性能，設(shè)定了均方根誤差（RMSE）、平均絕對誤差（MAE）、平均絕對百分比誤差（MAPE）和決定系數(shù)（R2）等指標(biāo)。RMSE能夠衡量預(yù)測值與實際值之間的平均誤差程度，其計算公式為RMSE=\sqrt{\frac{1}{n}\sum_{i=1}^{n}(y_i-\hat{y}_i)^2}，其中y_i為實際值，\hat{y}_i為預(yù)測值，n為樣本數(shù)量。MAE用于計算預(yù)測值與實際值之間的平均絕對誤差，公式為MAE=\frac{1}{n}\sum_{