祖林祿 柳平增 趙妍平 李天華 李 輝

(1.山東農(nóng)業(yè)大學(xué)機(jī)械與電子工程學(xué)院，泰安 271018；2.農(nóng)業(yè)農(nóng)村部黃淮海智慧農(nóng)業(yè)技術(shù)重點(diǎn)實(shí)驗(yàn)室，泰安 271018；3.山東農(nóng)業(yè)大學(xué)信息科學(xué)與工程學(xué)院，泰安 271018)

0 引言

我國是世界上溫室面積最大的國家，其類型主要分為塑料大棚、日光溫室、連棟溫室等[1]。2020年底我國溫室面積為1.873×106hm2，其中日光溫室面積占比約30%[2]。適宜的溫室環(huán)境能促進(jìn)溫室作物的健康高效生長，利用物聯(lián)網(wǎng)精準(zhǔn)采集溫室環(huán)境數(shù)據(jù)、設(shè)計(jì)高精度的環(huán)境預(yù)測模型是實(shí)現(xiàn)溫室環(huán)境精準(zhǔn)調(diào)控的關(guān)鍵和重要前提[3-5]。

溫室環(huán)境模型主要包括機(jī)理模型和數(shù)據(jù)驅(qū)動(dòng)模型兩種[6-7]。其中，機(jī)理模型為根據(jù)能量守恒和質(zhì)量守恒等原理構(gòu)建的溫室動(dòng)力學(xué)模型，如文獻(xiàn)[8]構(gòu)建黃瓜溫室的小氣候模型描述能量和物質(zhì)的傳遞過程，此模型能夠預(yù)測自然通風(fēng)條件下空氣、作物、栽培基質(zhì)及塑料覆蓋層的溫度，但此類模型不能計(jì)算溫室溫度和濕度的分布(空間特征)；文獻(xiàn)[9]通過構(gòu)建溫室建筑計(jì)算流體力學(xué)模型，實(shí)現(xiàn)溫室環(huán)境因子的多目標(biāo)、高效率優(yōu)化，其中溫室的結(jié)構(gòu)、材料和熱環(huán)境組件是主要研究對象。這兩種機(jī)理建模過程存在大量的物理參數(shù)和變量，建模過程較為復(fù)雜。

由于溫室系統(tǒng)存在時(shí)間變化緩慢的特點(diǎn)且溫室環(huán)境的時(shí)間序列數(shù)據(jù)具有特定的變化趨勢和周期特征，溫室時(shí)間序列建?？捎糜谘芯繑?shù)據(jù)變化的具體規(guī)律。文獻(xiàn)[10]利用物聯(lián)網(wǎng)、云服務(wù)和微信平臺(tái)相結(jié)合的方式，設(shè)計(jì)開發(fā)了基于差分時(shí)間序列模型的溫室環(huán)境監(jiān)測與溫度預(yù)測系統(tǒng)；文獻(xiàn)[11]提出基于非線性自回歸動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)模型進(jìn)行日光溫室溫度預(yù)測；文獻(xiàn)[12]分別構(gòu)建人工神經(jīng)網(wǎng)絡(luò)、非線性自回歸模型和長短期記憶網(wǎng)絡(luò)(Long short term memory，LSTM)模型對空氣溫度、濕度和CO2濃度進(jìn)行預(yù)測，基于時(shí)間序列算法的非線性自回歸模型和LSTM模型優(yōu)于傳統(tǒng)的人工神經(jīng)網(wǎng)絡(luò)模型，論證了基于深度學(xué)習(xí)的預(yù)測模型用于溫室調(diào)控的可行性，此研究未詳細(xì)討論LSTM超參數(shù)調(diào)節(jié)過程，對空氣濕度的預(yù)測效果較差。文獻(xiàn)[13]利用LSTM和4個(gè)月的溫度數(shù)據(jù)，提前24 h預(yù)測溫室內(nèi)是否會(huì)出現(xiàn)極端低溫，預(yù)測誤差小于0.8℃，此研究為單變量建模，溫室內(nèi)其它變量也可能對溫度預(yù)測效果產(chǎn)生影響。

以上相關(guān)研究主要是針對溫室內(nèi)空氣溫度和濕度要素的監(jiān)測和預(yù)測，而多維溫室物聯(lián)網(wǎng)數(shù)據(jù)存在體量大、計(jì)算成本高等特點(diǎn)，傳統(tǒng)的LSTM模型在訓(xùn)練過程中依靠人工經(jīng)驗(yàn)手動(dòng)調(diào)節(jié)參數(shù)，通用性差、不確定性高，在處理高維數(shù)據(jù)時(shí)收斂速度較慢且容易陷入局部最優(yōu)[14]。麻雀搜索算法(SSA)是由XUE等[15]提出，模擬了麻雀群覓食并逃避捕食者的行為而提出的群智能優(yōu)化算法，其結(jié)構(gòu)簡單，在收斂速度和尋優(yōu)精度等方面有著明顯優(yōu)勢[16]?？紤]到溫室物聯(lián)網(wǎng)數(shù)據(jù)龐大、人工經(jīng)驗(yàn)手動(dòng)調(diào)節(jié)參數(shù)不確定性高特點(diǎn)，本文提出一種基于SSA-LSTM的溫室環(huán)境預(yù)測模型，通過物聯(lián)網(wǎng)采集溫室不同區(qū)域的環(huán)境數(shù)據(jù)，將室內(nèi)小氣候歷史環(huán)境數(shù)據(jù)按照時(shí)間序列構(gòu)造輸入矩陣，輸入到SSA-LSTM模型進(jìn)行訓(xùn)練，以實(shí)現(xiàn)對日光溫室多維環(huán)境數(shù)據(jù)的精準(zhǔn)預(yù)測。

1 實(shí)驗(yàn)數(shù)據(jù)獲取與處理

1.1 實(shí)驗(yàn)地點(diǎn)

實(shí)驗(yàn)地點(diǎn)位于山東農(nóng)業(yè)大學(xué)(泮河校區(qū))科技產(chǎn)業(yè)園區(qū)番茄日光溫室(36.174°N，117.166°E)，溫室為下挖式新型日光溫室，墻體采用磚加土壘基水泥加固，溫室東西長70.0 m，南北跨度9.8 m，下挖深度0.5 m，后墻高3.8 m，脊高5 m。

1.2 物聯(lián)網(wǎng)數(shù)據(jù)采集系統(tǒng)

構(gòu)建溫室環(huán)境物聯(lián)網(wǎng)數(shù)據(jù)采集系統(tǒng)，實(shí)時(shí)、準(zhǔn)確獲取環(huán)境信息，是實(shí)現(xiàn)溫室環(huán)境預(yù)測的前提和保障。

物聯(lián)網(wǎng)數(shù)據(jù)采集系統(tǒng)主要由CPU、感知模塊和傳輸模塊等構(gòu)成，感知模塊完成對空氣溫度、相對濕度、CO2濃度、光照強(qiáng)度及土壤溫度和濕度的測量，采用傳感器相關(guān)參數(shù)如表1所示；整體系統(tǒng)架構(gòu)如圖1所示。為保證對溫室環(huán)境的有效監(jiān)測，將多組傳感器均勻布設(shè)在溫室內(nèi)，其布設(shè)示意圖如圖2所示：以東西方向14 m、南北方向2.5 m為單位將溫室均勻劃分布設(shè)平面，分別在高度0.6、1.8、3.0 m進(jìn)行傳感器布設(shè)；為保證數(shù)據(jù)及時(shí)有效處理，布置3套物聯(lián)網(wǎng)系統(tǒng)，如圖2a中1#1為第1套系統(tǒng)的第1個(gè)空氣溫濕度傳感器，光1為第1個(gè)光照傳感器，以此類推。傳感器現(xiàn)場布設(shè)及物聯(lián)網(wǎng)數(shù)據(jù)采集系統(tǒng)上位機(jī)界面如圖3所示。

表1 物聯(lián)網(wǎng)傳感器參數(shù)

圖1 物聯(lián)網(wǎng)系統(tǒng)架構(gòu)圖

圖2 傳感器布設(shè)示意圖

圖3 物聯(lián)網(wǎng)數(shù)據(jù)采集系統(tǒng)

1.3 數(shù)據(jù)預(yù)處理

1.3.1實(shí)驗(yàn)數(shù)據(jù)

通過上述物聯(lián)網(wǎng)數(shù)據(jù)采集系統(tǒng)，自動(dòng)采集空氣溫度、空氣相對濕度、土壤溫度、土壤濕度、CO2濃度(體積比)和光照強(qiáng)度6種數(shù)據(jù)，通過GPRS網(wǎng)絡(luò)上傳至服務(wù)器，采樣時(shí)間為2020年8月1日至2021年7月31日，采樣間隔為30 min，部分原始數(shù)據(jù)如圖4所示(以2020年9月空氣溫度為例)。

圖4 部分原始數(shù)據(jù)

由圖4可見，實(shí)驗(yàn)數(shù)據(jù)存在缺失，存在溫度跳變至零的現(xiàn)象。分析實(shí)驗(yàn)數(shù)據(jù)可知，數(shù)據(jù)中的缺失部分主要來自兩方面，一是當(dāng)天的數(shù)據(jù)記錄存在缺失，二是某些時(shí)間段的數(shù)據(jù)存在缺失。

1.3.2缺失數(shù)據(jù)處理

考慮到訓(xùn)練數(shù)據(jù)、未來的測試數(shù)據(jù)中都可能存在缺失數(shù)據(jù)，而且它們的記錄方式是相同的，避免預(yù)處理不同導(dǎo)致數(shù)據(jù)分布不一致問題的出現(xiàn)，同時(shí)對它們使用了相同的填充方式。由于存在多種缺失情況，僅使用一種方式填充可能會(huì)導(dǎo)致填充出現(xiàn)缺漏，因此本文同時(shí)使用了forward fill、backward fill與均值填充相結(jié)合的方式以保證填充覆蓋率，填充前后數(shù)據(jù)對比如圖5所示(以2020年9月數(shù)據(jù)為例)。由圖5可見，填充后數(shù)據(jù)變化趨勢保持一致，填充效果較好。

圖5 填充前后數(shù)據(jù)對比

1.3.3數(shù)據(jù)歸一化

為使得不同特征的數(shù)據(jù)規(guī)范到一個(gè)統(tǒng)一的范圍，有利于神經(jīng)網(wǎng)絡(luò)的反向傳播(假如不進(jìn)行規(guī)范化，神經(jīng)網(wǎng)絡(luò)可能會(huì)刻意捕捉不同批次數(shù)據(jù)的變化，而忽視了預(yù)測任務(wù)本身)，采用Min-Max標(biāo)準(zhǔn)化方法對數(shù)據(jù)進(jìn)行歸一化處理[17]。

2 SSA-LSTM環(huán)境預(yù)測模型

2.1 麻雀搜索算法

SSA是模擬麻雀群覓食并逃避捕食者的行為而提出的群智能優(yōu)化算法[15]。在覓食過程中，位置是麻雀的唯一屬性，覓食麻雀分為發(fā)現(xiàn)者和跟隨者，前者搜索并發(fā)現(xiàn)食物，后者跟隨發(fā)現(xiàn)者覓食；發(fā)現(xiàn)者和跟隨者的身份是動(dòng)態(tài)變化的，但所占整個(gè)種群數(shù)量的比重是不變的。同時(shí)，覓食過程還疊加了偵查預(yù)警機(jī)制，當(dāng)意識(shí)到危險(xiǎn)時(shí)，群體邊緣的麻雀會(huì)迅速向安全區(qū)域移動(dòng)，以獲得更好的位置。

在模擬實(shí)驗(yàn)中，使用虛擬麻雀進(jìn)行食物的尋找，假設(shè)有n只麻雀，d維待優(yōu)化問題變量，適應(yīng)度為f，則種群適應(yīng)度可表示為

(1)

式中Xn,d——第n只麻雀d問題變量的位置

在SSA中，發(fā)現(xiàn)者在種群中搜索具有豐富食物的區(qū)域，提供覓食的區(qū)域和方向，發(fā)現(xiàn)者迭代位置更新公式為

(2)

α——(0, 1]中的均勻隨機(jī)數(shù)

nmax——最大迭代次數(shù)

R2——預(yù)警值，取[0, 1]中的均勻隨機(jī)數(shù)

T——警戒閾值，取[0.5, 1]

Q——標(biāo)準(zhǔn)正態(tài)分布隨機(jī)數(shù)

可以看出，當(dāng)R2≥T時(shí)，表示有麻雀發(fā)現(xiàn)了捕食者并發(fā)出了警報(bào)，此時(shí)所有麻雀都需要飛到安全位置進(jìn)行覓食；當(dāng)R2

跟隨者會(huì)時(shí)刻監(jiān)視發(fā)現(xiàn)者，當(dāng)它們察覺到發(fā)現(xiàn)者找到了更好的食物，它們會(huì)立即離開現(xiàn)在的位置去爭奪食物，跟隨者位置更新公式為

(3)

其中

A+=AT(AAT)-1

式中XP——發(fā)現(xiàn)者占據(jù)的最優(yōu)位置

Xworst——最差位置

A——1行D列的矩陣，其每一維都隨機(jī)從{-1,1}中選取

L——元素均為1的1行D列的矩陣

當(dāng)i>n/2時(shí)，表明第i個(gè)跟隨者沒有獲得食物，此時(shí)需要到其它地方覓食以獲得較多能量；當(dāng)i≤n/2時(shí)，其取值為當(dāng)前最優(yōu)的麻雀的位置加上該麻雀與最優(yōu)位置每一維距離隨機(jī)加減后，將總和均分到每一維上。該過程可以描述為在當(dāng)前最優(yōu)位置附近隨機(jī)找一個(gè)位置，且每一維距最優(yōu)位置的方差將會(huì)變得更小，即不會(huì)出現(xiàn)在某一維上與最優(yōu)位置相差較大，而其他位置相差較小，其值收斂于最優(yōu)位置。

在麻雀覓食過程中，10%～20%的麻雀會(huì)進(jìn)行預(yù)警行為，如果有危險(xiǎn)發(fā)生，它們會(huì)放棄食物而移動(dòng)到一個(gè)新的位置，預(yù)警者位置更新公式為

(4)

式中Xbest——全局最優(yōu)位置

fg、fW——全局最佳和最差適應(yīng)度

fi——當(dāng)前麻雀適應(yīng)度

β——符合標(biāo)準(zhǔn)正態(tài)分布的隨機(jī)數(shù)

K——麻雀移動(dòng)方向，屬于[-1,1]中隨機(jī)數(shù)

ε——一個(gè)較小非零數(shù)(防止分母取值為0)

從式(4)可以看出，fi>fg表示該麻雀不在最優(yōu)位置，容易受到攻擊，它將移動(dòng)到最優(yōu)位置附近；fi=fg表示當(dāng)前麻雀處于最優(yōu)位置，它會(huì)移動(dòng)到自身附近的一個(gè)位置，具體移動(dòng)距離取決于自身位置與最差位置之差和自身適應(yīng)度與最差適應(yīng)度之差的比值。

2.2 長短期記憶人工神經(jīng)網(wǎng)絡(luò)

LSTM來源于遞歸神經(jīng)網(wǎng)絡(luò)(Recursive neural network, RNN)[18]，可以學(xué)習(xí)長期依賴信息，且在一定程度上解決梯度消失和梯度爆炸這兩個(gè)問題。

如圖6a所示，RNN是重復(fù)單一的神經(jīng)網(wǎng)絡(luò)層，在其隱藏塊中只有一個(gè)內(nèi)部操作，例如一個(gè)tanh層，作用在于幫助調(diào)節(jié)流經(jīng)網(wǎng)絡(luò)的值，使得數(shù)值始終限制在-1～1之間。LSTM中的重復(fù)模塊則包含4個(gè)交互的層，3個(gè)Sigmoid 和1個(gè)tanh層，并以一種非常特殊的方式進(jìn)行交互，如圖6b所示。

圖6 RNN和LSTM結(jié)構(gòu)

LSTM擁有遺忘門、輸入門和輸出門3種類型的門結(jié)構(gòu)，來去除或者增加信息到細(xì)胞狀態(tài)，其結(jié)構(gòu)如圖7所示[19]。

圖7 LSTM門結(jié)構(gòu)

遺忘門，決定從細(xì)胞狀態(tài)中丟棄的信息，即

ft=σ(Wf(ht-1,xt)+bf)

(5)

式中ft——遺忘門輸出值Wf——權(quán)值

σ——Sigmoid激活函數(shù)

ht-1——上一個(gè)輸出值

xt——當(dāng)前輸入值bf——偏差

輸入層，用來確定被存放在細(xì)胞狀態(tài)中的新信息，包含兩方面，一是Sigmoid層稱“輸入門層”，決定將要更新的值；二是tanh層，創(chuàng)建一個(gè)新的候選值向量，會(huì)被加入到狀態(tài)中。公式為

it=σ(Wi(ht-1,xt)+bi)

(6)

(7)

式中it——輸入層門輸出值

Wi——輸入層權(quán)值bi——輸入層偏差

Wc——候選值權(quán)值bc——候選值偏差

細(xì)胞狀態(tài)，更新舊細(xì)胞狀態(tài)的時(shí)間，Ct-1更新為Ct，即

(8)

輸出門，確定輸出的值，即

ot=σ(Wo(ht-1,xt)+bo)

(9)

ht=ottanhCt

(10)

式中ot——輸出層門輸出值

Wo——輸出層權(quán)值bo——輸出層偏差

ht——輸出層輸出

2.3 SSA優(yōu)化的LSTM溫室環(huán)境預(yù)測模型

在LSTM模型中，神經(jīng)元個(gè)數(shù)、迭代次數(shù)、輸入批量和學(xué)習(xí)率等超參數(shù)選擇對模型擬合能力起著重要作用[20]，而溫室環(huán)境預(yù)測模型中輸入數(shù)據(jù)是多維序的，傳統(tǒng)的LSTM靠人工經(jīng)驗(yàn)進(jìn)行調(diào)參，效率低且準(zhǔn)確性差，為使模型的性能達(dá)到最優(yōu)，采用局部搜索能力極強(qiáng)，收斂速度較快的SSA優(yōu)化算法對模型超參數(shù)進(jìn)行迭代選優(yōu)，算法流程圖如圖8所示，具體步驟如下：

圖8 SSA-LSTM流程圖

(1)SSA參數(shù)設(shè)置。初始化麻雀種群參數(shù)，包括麻雀種群數(shù)量、初始位置、最佳位置、全局最佳適應(yīng)度等。將初始化的麻雀位置根據(jù)適應(yīng)度函數(shù)評估麻雀位置并進(jìn)行排序，選取前20%作為發(fā)現(xiàn)者，其余為跟隨者，隨機(jī)選取10%～20%的麻雀作為警戒者負(fù)責(zé)警戒和偵查。

(2)根據(jù)麻雀數(shù)目與優(yōu)化參數(shù)(神經(jīng)元個(gè)數(shù)、迭代次數(shù)、輸入批量和學(xué)習(xí)率)形成搜索空間矩陣并初始化相關(guān)參數(shù)，設(shè)置最大迭代次數(shù)。

(3)根據(jù)條件式(1)～(3)更新發(fā)現(xiàn)者、參與者、偵察者位置，并以邊界函數(shù)約束對LSTM所需超參數(shù)傳參。

(4)將返回結(jié)果通過適應(yīng)度函數(shù)進(jìn)行位置評估，找出最優(yōu)適應(yīng)度個(gè)體及最劣適應(yīng)度個(gè)體。若本次迭代中麻雀最佳適應(yīng)度優(yōu)于全局最佳適應(yīng)度則用其代替，否則不變。

(5)判斷是否滿足設(shè)定的達(dá)到誤差和最大迭代次數(shù)的停止條件。若符合，則將全局最優(yōu)超參數(shù)組設(shè)為LSTM的參數(shù)；若不符合，則返回步驟(3)。

2.4 模型評價(jià)指標(biāo)

為了直觀地表示SSA優(yōu)化后的模型預(yù)測能力，分別使用均方根誤差(RMSE)、平均絕對百分比誤差(MAPE)以及擬合指數(shù)Rf作為預(yù)測模型性能評價(jià)指標(biāo)[21]。

3 實(shí)驗(yàn)結(jié)果與分析

3.1 實(shí)驗(yàn)平臺(tái)

訓(xùn)練所使用的服務(wù)器環(huán)境如下：處理器為E5-2673V3*2，內(nèi)存32 GB，GPU顯卡為NVIDIA GTX3090 24G*2，操作系統(tǒng)64位Windows 10，編程軟件為Matlab R2021a。

3.2 SSA-LSTM模型優(yōu)化及訓(xùn)練

為更加精準(zhǔn)地建立溫室環(huán)境預(yù)測模型，采用多組傳感器的平均值作為模型訓(xùn)練數(shù)據(jù)，實(shí)驗(yàn)數(shù)據(jù)采樣時(shí)間為2020年8月1日至2021年7月31日，采樣間隔30 min，單環(huán)境參數(shù)數(shù)據(jù)約為17 520條，按9∶1的比例將其劃分為訓(xùn)練集和測試集。構(gòu)建輸入輸出同為6參數(shù)的多維數(shù)據(jù)預(yù)測模型，同時(shí)對溫室內(nèi)6種參數(shù)進(jìn)行訓(xùn)練和預(yù)測。

優(yōu)化訓(xùn)練參數(shù)設(shè)置如下：SSA中麻雀總數(shù)為30，發(fā)現(xiàn)者占比20%，警戒者占比15%；隱含層神經(jīng)元數(shù)m搜索范圍[100, 500]，迭代次數(shù)搜索范圍[10, 200]，輸入批量搜索范圍[128, 1 024]，學(xué)習(xí)率搜索范圍[10-5, 10-2]；最大訓(xùn)練輪數(shù)設(shè)為100。

訓(xùn)練過程中，利用SSA優(yōu)化算法不斷地調(diào)整LSTM中神經(jīng)元個(gè)數(shù)、迭代次數(shù)、輸入批量和學(xué)習(xí)率4個(gè)模型參數(shù)，預(yù)測結(jié)果的平均絕對百分比誤差作為麻雀適應(yīng)度，當(dāng)適應(yīng)度連續(xù)3輪沒有變化時(shí)訓(xùn)練停止。優(yōu)化結(jié)果如表2所示，訓(xùn)練16輪時(shí)達(dá)到最優(yōu)適應(yīng)度。

表2 SSA-LSTM優(yōu)化結(jié)果

3.3 預(yù)測結(jié)果及對比分析

根據(jù)SSA優(yōu)化結(jié)果設(shè)置LSTM模型參數(shù)，對日光溫室空氣溫濕度、光照強(qiáng)度、CO2濃度及土壤溫濕度分別進(jìn)行未來21 d預(yù)測，預(yù)測結(jié)果如圖9所示。

圖9 基于SSA-LSTM的溫室環(huán)境預(yù)測結(jié)果

為了更好地驗(yàn)證SSA-LSTM模型在多維溫室環(huán)境數(shù)據(jù)預(yù)測中的優(yōu)越性，同時(shí)利用BP神經(jīng)網(wǎng)絡(luò)、LSTM及 GRU模型對溫室環(huán)境預(yù)測并對比分析。在相同運(yùn)算環(huán)境的輸入?yún)?shù)條件下，4種模型環(huán)境預(yù)測性能的對比如表3所示。

由表3可知，采用SSA-LSTM模型對溫室空氣溫濕度、土壤溫濕度、CO2濃度和光照強(qiáng)度6種參數(shù)進(jìn)行預(yù)測，對空氣溫度預(yù)測擬合指數(shù)最高，為98.2%，平均絕對百分比誤差為2.5%，均方根誤差為0.6℃；受人工灌溉等因素影響，對土壤相對濕度預(yù)測擬合指數(shù)相對偏低，為96.8%，其MAPE為3%，RMSE為0.7%。

表3 4種模型預(yù)測性能對比

采用了SSA自動(dòng)進(jìn)行參數(shù)選優(yōu)方式的SSA-LSTM，使模型預(yù)測性能發(fā)揮到極致，SSA-LSTM的平均MAPE降低至2.7%，相比BP、GRU、LSTM分別降低6.3、3.2、3.4個(gè)百分點(diǎn)；BP、GRU、LSTM和SSA-LSTM擬合指數(shù)分別為89.5%、93.5%、93.3%和97.6%，對比其它3種模型，SSA-LSTM預(yù)測擬合指數(shù)分別提升8.1、4.1、4.3個(gè)百分點(diǎn)，模型預(yù)測性能最佳。

4 結(jié)論

(1)針對農(nóng)業(yè)物聯(lián)網(wǎng)數(shù)據(jù)體量大、維數(shù)爆炸、計(jì)算成本高，傳統(tǒng)的LSTM在訓(xùn)練過程中依靠人工經(jīng)驗(yàn)手動(dòng)調(diào)節(jié)參數(shù)，處理高維數(shù)據(jù)時(shí)收斂速度慢且容易陷入局部最優(yōu)等問題，本文提出一種基于SSA優(yōu)化的LSTM溫室環(huán)境預(yù)測模型，實(shí)現(xiàn)了溫室空氣溫濕度、土壤溫濕度、CO2濃度及光照強(qiáng)度6種環(huán)境數(shù)據(jù)的精準(zhǔn)預(yù)測。

(2)與BP神經(jīng)網(wǎng)絡(luò)、GRU及LSTM模型進(jìn)行溫室環(huán)境預(yù)測對比分析。實(shí)驗(yàn)結(jié)果表明：BP、GRU、LSTM和SSA-LSTM擬合指數(shù)分別為89.5%、93.5%、93.3%和97.6%，SSA-LSTM的擬合效果明顯提升。證明本研究提出的SSA-LSTM模型在溫室環(huán)境數(shù)據(jù)預(yù)測中具有較高的優(yōu)越性。