崔麗珍 邊澤山

摘? 要：針對溫室大棚中影響溫度預(yù)測的因素以及溫室大棚溫度變化存在的非線性問題，提出基于改進支持向量機的溫度預(yù)測模型。支持向量機選擇性能較好的RBF核函數(shù)，結(jié)合網(wǎng)格搜索算法對支持向量機的核參數(shù)和懲罰因子進行動態(tài)尋優(yōu)，考慮光照強度、濕度、風(fēng)速對溫度的影響。實驗結(jié)果表明，與其他模型相比，改進的支持向量機預(yù)測誤差更小，精度更好。

關(guān)鍵詞：溫度預(yù)測;改進支持向量機;溫室大棚

中圖分類號：TP27文獻標志碼：A? ? ? ? ?文章編號：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

我國是農(nóng)業(yè)生產(chǎn)大國，目前現(xiàn)代農(nóng)業(yè)發(fā)展也已經(jīng)進入全面發(fā)展的新時期。因此，準確的溫室環(huán)境參數(shù)對溫室環(huán)境科學(xué)化管理有著十分重要的經(jīng)濟和現(xiàn)實價值，而溫度作為影響作物生長的重要因素之一，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)問題。支持向量機以風(fēng)險最小化為原則，通過引入核函數(shù)為非線性問題提供高效解決方案，目前已經(jīng)廣泛應(yīng)用到電力負荷預(yù)測、風(fēng)速、混煤灰熔點預(yù)測等方面[1-2]。本文選擇改進SVM方法構(gòu)建溫室大棚溫度預(yù)測模型，模型的輸入因子包括棚內(nèi)光照強度，濕度，風(fēng)速。同時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SVM中的參數(shù)進行動態(tài)尋優(yōu)。根據(jù)實驗預(yù)測結(jié)果可知，采用所提方法可以高效、準確的把控溫室大棚內(nèi)的溫度值，能夠為農(nóng)業(yè)溫室溫度預(yù)測提供參考依據(jù)。

2 大棚溫度預(yù)測

支持向量機建立模型的主要思想是尋找一個分類超平面，使得正面和反面的隔離邊緣最大化，實現(xiàn)結(jié)構(gòu)風(fēng)險的最小化。SVM用于解決回歸問題時，主要目標是尋求一個反映樣本的最優(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)，可以實現(xiàn)低維輸入空間不同類型的非線性決策面學(xué)習(xí)機器。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)測時需要訓(xùn)練的參數(shù)只有懲罰因子和核參數(shù)，參數(shù)個數(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

本實驗選取內(nèi)蒙古包頭市天佑溫室大棚為分析對象，以CC2530射頻芯片為核心的氣象數(shù)據(jù)采集終端，通過Zigbee協(xié)議上傳到網(wǎng)關(guān)，利用NodeMCU通過MQTT協(xié)議進行數(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)集作為測試的數(shù)據(jù)集。同時為解決變量間單位及數(shù)量級不一致的問題，在模型訓(xùn)練時對數(shù)據(jù)進行歸一化處理，完成模型后對其進行反歸一化處理。

實驗通過python語言編寫，首先進行模型訓(xùn)練調(diào)優(yōu)，訓(xùn)練過程中，設(shè)置C的取值范圍為[0，100]，步長為1，gamma的取值范圍為[0，28]，步長為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)化的支持向量機模型進行對比。實驗結(jié)果利用均方根誤差和決定系數(shù)作為模型評估指標：

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

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

4 結(jié)束語

本文考慮大棚內(nèi)光照強度、濕度、風(fēng)速對棚內(nèi)溫度預(yù)測的影響，提出了一種RBF為SVM核函數(shù)，網(wǎng)格搜索算法對其進行參數(shù)優(yōu)化的溫度預(yù)測模型，對輸入的數(shù)據(jù)進行歸一化處理，對溫度預(yù)測模型中的參數(shù)進行動態(tài)尋優(yōu)，并與其他模型進行對比分析，結(jié)果顯示所提改進支持向量機模型對大棚溫度預(yù)測效果更好，性能更優(yōu)，更能滿足實踐生產(chǎn)需要。另外，支持向量機是根據(jù)支持向量構(gòu)建推理模型，對輸入因子的數(shù)量沒有明顯的限制，因此可以通過增加影響因子，對預(yù)測模型進一步完善，使模型更具實用性;同時，本文所建立的模型只適用于特定時間特定環(huán)境的大棚氣候，其他大棚溫度預(yù)測模型要根據(jù)具體采集數(shù)據(jù)調(diào)整模型參數(shù)。

參考文獻：

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

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

[3]朱樹先，李蕓，祝勇俊，等.RBF支持向量機用于多類混疊的人臉識別研究[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)測系統(tǒng)設(shè)計[J].電子技術(shù)應(yīng)用，2018，44（12）：73-76+80.