[发明专利]基于深度学习的土壤耕作层水分温度预测方法

权利要求书

1.一种基于深度学习的土壤耕作层水分温度预测方法，其特征在于，包括以下步骤：

步骤1、建立等间隔时间序列数据采集的NB-IoT物联网数据采集系统，用于获得参考点位置上的空气温度、空气湿度、土壤温度与土壤水分数据的等间隔时间观测值序列数据；

步骤2、基于LSTNet网络建立W-MA-LSTNet土壤水分温度预测模型，将W-MA-LSTNet土壤水分温度预测模型部署于本地设备中，本地设备获得等间隔时间观测值序列数据后，利用W-MA-LSTNet土壤水分温度预测模型提供预测服务，其中，W-MA-LSTNet土壤水分温度预测模型使用等间隔时间观测值序列数据提供预测服务进一步包括以下步骤：

步骤201、通过NB-IoT物联网数据采集系统获得的原始等间隔时间观测值序列数据被送入小波降噪模块，由小波降噪模块对采集的数据集进行降噪处理，通过降噪方法来去除数据集中的冗余噪声数据，得到降噪后的多维多步时间序列；

步骤202、小波降噪模块输出的多维多步时间序列分别输入AR自回归模块以及卷积层，其中：卷积层用于提取输入的短期局部信息特征；通过AR自回归模型引入线性成分；

步骤203、卷积层输出的短期局部信息特征输入时间步与维度混合注意力模块；在时间步与维度混合注意力模块中，采用了两个并行的Dense全连接层，分别用于计算时间步注意力权重矩阵W_T与维度注意力权重矩阵W_D；

设输入时间步与维度混合注意力模块的时间步长为m，维度长度为n，则计算W_T的Dense全连接层神经元个数为m个，计算W_D的Dense全连接层神经元个数为n个，且激活函数均使用Sigmoid函数；

时间步与维度混合注意力模块的输入x表示为下式：

式中，表示第i个时间步长的第j个输入维度；

时间步注意力权重矩阵W_T中的子元素计算如下式所示：

式中，w_i为权重系数，b为偏置系数；

维度注意力权重矩阵W_D中的子元素的计算如下式所示：

式中，w′_i为权重系数，b′为偏置系数；

对时间步注意力权重矩阵W_T与维度注意力权重矩阵W_D进行填充得到行数为m、列数为n的两个矩阵下式所示：

通过下式计算得到时间步与维度混合注意力模块的输出

式中，表示哈达玛积；

步骤204、时间步与维度混合注意力模块的输出分别输入循环层以及skip-RNN，其中：循环层采用GRU单元结构，使用ReLU作为激活函数，其输出为每个时间步的隐藏状态；skip-RNN是一种带跳跃步数的RNN，利用了现实时间序列存在的固定周期，来获取时间序列中存在的重复周期模式；

步骤205、循环层以及skip-RNN的输出经过输出Dense层进行组合；

步骤206、将输出Dense层的输出与AR自回归模型的输出融合得到预测结果，其中，利用AR自回归模型将线性成份添加到模型最终的预测结果中。

2.如权利要求1所述的一种基于深度学习的土壤耕作层水分温度预测方法，其特征在于，所述NB-IoT物联网数据采集系统由现场终端节点与云端数据管理平台组成，现场终端节点获得各项监测参数的等间隔时间观测值序列数据，并通过NB-IoT数据通道送往云端数据管理平台。

3.如权利要求2所述的一种基于深度学习的土壤耕作层水分温度预测方法，其特征在于，所述现场终端节点包括MCU、土壤水分温度传感器以及空气温湿度传感器，通过MCU中定时器将对空气温湿度传感器与土壤传感器的数据获取间隔精确设定为5min，到达对应的时间参考点后，MCU从空气温湿度传感器以及土壤传感器读取观测值，MCU获得数据后加以CRC校验，随后将数据加以对应的时间标后封装成帧通过NB-IoT数据通道发出。