[发明专利]光照精准预测的苗床调度方法、系统及介质

权利要求书

1.一种光照精准预测的苗床调度方法，其特征在于，包括：

光照预测模型建立步骤：采集并处理历史天气数据及历史光照数据，建立光照强度预测模型；

光照强度预测步骤：采集实时的天气数据，并根据获得的光照强度预测模型，预测光照强度，输出光照预测数据；

调度决策获取步骤：根据获得的光照预测数据，对苗床进行调度；

所述光照预测模型建立步骤包括：

数据采集步骤：采集历史第一区域天气数据及历史第二区域天气数据，输出第一及第二区域数据集；

数据处理步骤：剔除第一及第二区域数据集中的大于预设时长的连续空白数据段，并将连续空白数据段用时间尺度相邻的两个值的平均值进行填充，将填充后的第一及第二区域数据集以小时为单位进行平均操作，将第一及第二区域数据集中的数据以时间相同为标准合并组成样本数据，根据获得的样本数据构造并输出模型训练特征；

模型建立步骤：根据获得的模型训练数据，以光照强度为预测目标，采用集成学习模型进行训练，选择误差函数，交叉验证进行参数调整，获得光照强度预测模型。

2.根据权利要求1所述的光照精准预测的苗床调度方法，其特征在于，所述历史第一区域天气数据包括以下所述任一种或任多种：

温度、相对湿度、降雨量、天气、风速、风向；

所述历史第二区域天气数据包括：传感器获取的光照强度；

所述模型训练特征包括：所有样本数据；对应于样本数据的时间；对应于样本数据的时间当日的预报温度、湿度的最大值和最小值；对应于样本数据的时间当日的前一日相同时刻的所有天气要素，包括：温度、相对湿度、降雨量、天气、风速、风向、本地光照强度；

所述模型建立步骤：

所述集成学习模型为渐进梯度回归树算法，包括：

训练一个基础回归树，用它对训练集进行预测，计算出决策树的预测残差，接着使用这个残差对第二个回归树进行训练，然后再次计算残差，继续训练第三个回归树，并不断循环向前，最后将所有树的预测残差相加，从而对新实例进行预测；

所述误差函数为均方根误差，公式如下：

RMSE表示均方根误差，即Root Mean Squared Error；

m表示样本总数；

表示模型预测值；

y_i表示真实值；

所述交叉验证方法为K-fold验证方法：将训练集随机分割成K个不同的子集，每个子集称为一个折叠，然后对决策树模型进行K次训练和评估，即每次挑选一个折叠进行评估，使用另外的K-1个折叠进行训练，产出的结果是一个包含K次评估分数的数组；

所述参数调整包括：将模型学习速率设置为第一预设值，每次训练时选择输入特征随机子集的比例设置为第二预设值，每个回归树的叶节点数量设置为第三预设值，训练迭代次数设置为第四预设值。

3.根据权利要求2所述的光照精准预测的苗床调度方法，其特征在于，所述光照强度预测步骤包括：

采集实时的天气数据，使用获得的光照强度预测模型，预测以一小时为时间粒度的光照强度值l_pred(t)，并输出光照预测数据。