田 東，韋鑫化，王 悅，趙安平，穆維松，馮建英

基于MA-ARIMA-GASVR的食用菌溫室溫度預(yù)測(cè)

田 東1，韋鑫化1，王 悅1，趙安平2，穆維松1，馮建英1※

（1. 中國(guó)農(nóng)業(yè)大學(xué)信息與電氣工程學(xué)院，北京 100083； 2. 北京市農(nóng)業(yè)局信息中心，北京 100029）

食用菌溫室溫度具有時(shí)變、非線性、多耦合特性，準(zhǔn)確預(yù)測(cè)對(duì)穩(wěn)定食用菌生產(chǎn)具有重要意義。本研究從挖掘溫室歷史溫度數(shù)據(jù)時(shí)序信息角度出發(fā)，提出一種MA-ARIMA-GASVR組合方法建立溫度預(yù)測(cè)模型，利用移動(dòng)平均方法將歷史溫度序列分解成線性序列和殘差序列，然后采用移動(dòng)平均差分自回歸模預(yù)測(cè)線性序列的趨勢(shì)，再將移動(dòng)平均差分自回歸預(yù)測(cè)值、歷史殘差數(shù)據(jù)、歷史溫度數(shù)據(jù)作為支持向量回歸模型的輸入，并結(jié)合遺傳算法優(yōu)化支持向量回歸模型參數(shù)改善其性能，從而獲得更符合實(shí)際情況的溫度預(yù)測(cè)值。最后選取實(shí)測(cè)溫度數(shù)據(jù)作為訓(xùn)練集，對(duì)未來2 d的溫度進(jìn)行預(yù)測(cè)驗(yàn)證。結(jié)果顯示，MA-ARIMA-GASVR組合方法能更好地?cái)M合原始溫度數(shù)據(jù)，間隔1 h的均方誤差、平均絕對(duì)誤差和平均絕對(duì)百分誤差分別為0.18、0.36和1.34，均顯示本研究方法預(yù)測(cè)精度優(yōu)于支持向量回歸、遺傳算法優(yōu)化的支持向量回歸單一模型，也優(yōu)于未經(jīng)移動(dòng)平均以及未經(jīng)遺傳算法優(yōu)化的組合模型；此外，間隔6 h的均方誤差、平均絕對(duì)誤差和平均絕對(duì)百分誤差為0.29、0.52和1.95，說明本研究方法還能滿足6 h以內(nèi)的多步預(yù)測(cè)，為食用菌生產(chǎn)者預(yù)留更多調(diào)整時(shí)間。

溫室；溫度；模型；時(shí)間序列；支持向量回歸；食用菌

0 引 言

食用菌生產(chǎn)所用的單面半封閉日光溫室是一個(gè)復(fù)雜的小氣候環(huán)境，受內(nèi)外部環(huán)境的影響，溫室內(nèi)部溫度具有時(shí)變、滯后、強(qiáng)干擾、多耦合等特征[1-2]。而溫度在食用菌整個(gè)發(fā)菌時(shí)期和子實(shí)體時(shí)期非常重要，直接影響菌絲的生長(zhǎng)速度以及子實(shí)體的分化數(shù)量和質(zhì)量，不適宜的溫度將導(dǎo)致菌袋污染、病蟲害侵?jǐn)_、菇體畸形或死亡等情況[3-4]。因此，科學(xué)準(zhǔn)確地預(yù)測(cè)食用菌溫室內(nèi)的溫度、并根據(jù)預(yù)測(cè)結(jié)果及時(shí)采取措施、將溫室內(nèi)的溫度控制在適宜區(qū)間是保證食用菌正常生長(zhǎng)的前提，對(duì)于降低食用菌生產(chǎn)風(fēng)險(xiǎn)、維持生產(chǎn)的穩(wěn)定性具有重要作用。

國(guó)內(nèi)外學(xué)者對(duì)溫室內(nèi)溫度預(yù)測(cè)建模主要從2方面展開，一是機(jī)理模型，二是數(shù)據(jù)模型[5-6]。機(jī)理模型是基于流體力學(xué)和能量平衡建立溫度預(yù)測(cè)模型[7-8]，可以為溫室環(huán)境系統(tǒng)提供清晰的物理解釋，但存在建模復(fù)雜、未知參數(shù)眾多、測(cè)量代價(jià)高和模型自適應(yīng)性較差等問題[9-10]。數(shù)據(jù)模型也稱為黑盒模型，以現(xiàn)代計(jì)算理論為基礎(chǔ)，直接根據(jù)輸入輸出數(shù)據(jù)所提供的信息來建立過程模型[11-12]，無需考慮溫室耗散、熱輻射等因素影響。一些學(xué)者將易于測(cè)量的溫室外界環(huán)境參數(shù)同溫室內(nèi)部溫度參數(shù)建立關(guān)聯(lián)映射進(jìn)行求解預(yù)測(cè)，主成分回歸預(yù)測(cè)法、灰色預(yù)測(cè)法、支持向量機(jī)、極限學(xué)習(xí)機(jī)、模糊神經(jīng)網(wǎng)絡(luò)、遞歸神經(jīng)網(wǎng)絡(luò)等模型均在該領(lǐng)域有應(yīng)用研究[13-18]，但此類方法過于依賴外界預(yù)報(bào)參數(shù)的數(shù)量。左志宇等[19]和任延昭等[20]將溫室溫度歷史數(shù)據(jù)看作是溫室結(jié)構(gòu)、天氣影響等各類因素綜合作用下的規(guī)律性表現(xiàn)，建立了基于ARIMA的溫室溫度時(shí)間序列預(yù)測(cè)模型，取得了不錯(cuò)效果。以上方法通過挖掘數(shù)據(jù)內(nèi)在自相關(guān)特性以減少對(duì)外部參數(shù)的依賴，但傳統(tǒng)時(shí)間序列分析法容易受到外部環(huán)境噪聲影響、且需要大量歷史樣本。近年來，在非線性、非平穩(wěn)場(chǎng)景下的短期時(shí)間序列問題研究上，一些學(xué)者提出將移動(dòng)平均差分自回歸（autoregressive integrated moving average model, ARIMA）和非線性模型如人工神經(jīng)網(wǎng)絡(luò)（artificial neural networks, ANN）或支持向量回歸（support vector regression, SVR）進(jìn)行組合[20-23]，強(qiáng)調(diào)捕捉數(shù)據(jù)內(nèi)部的不同模式特征，以改善單一模型的預(yù)測(cè)性能。此類組合方法在風(fēng)速預(yù)測(cè)、室內(nèi)環(huán)境氣體預(yù)測(cè)、氣象水文參數(shù)預(yù)報(bào)等領(lǐng)域研究上均表現(xiàn)出較高的準(zhǔn)確性和適用性[24-27]。

本研究將食用菌溫室內(nèi)部溫度看做是蘊(yùn)含線性或非線性分量的動(dòng)態(tài)疊加的時(shí)間序列，提出一種MA-ARIMA-GASVR組合方法建立溫度預(yù)測(cè)模型。首先利用移動(dòng)平均（moving averages, MA）將歷史溫度序列分解成線性序列和殘差序列，然后采用ARIMA預(yù)測(cè)線性序列的趨勢(shì)，再將ARIMA預(yù)測(cè)值、歷史殘差數(shù)據(jù)、歷史溫度數(shù)據(jù)作為SVR模型的輸入，并結(jié)合遺傳算法（genetic algorithm, GA）優(yōu)化SVR模型參數(shù)改善其性能，從而獲得更符合實(shí)際情況的溫度預(yù)測(cè)值，提高溫度預(yù)測(cè)的準(zhǔn)確性與有效性。

1 預(yù)測(cè)原理和方法

1.1 MA-ARIMA-GASVR預(yù)測(cè)總體思路

溫室可通過后墻、地面和圍護(hù)等結(jié)構(gòu)，實(shí)現(xiàn)白天的被動(dòng)蓄熱與夜晚的能量釋放[28-29]。相較于一般的溫室作物，大多數(shù)食用菌最適宜的溫度范圍在530 ℃、最適宜的濕度范圍在75%～95%，并對(duì)空氣流通有要求，但不需要進(jìn)行光合作用，多在避光環(huán)境中生長(zhǎng)[4]。在實(shí)際生產(chǎn)中，食用菌生產(chǎn)者通常會(huì)采用通風(fēng)設(shè)備來降低夏季溫室的溫度，采用加濕設(shè)備來維持室內(nèi)較高的濕度，通過預(yù)留通風(fēng)口來保持室內(nèi)空氣流通，采用覆蓋保溫被的方式來避免太陽光的直射。外部溫度、濕度、光照強(qiáng)度、風(fēng)速、風(fēng)向等環(huán)境因素、溫室結(jié)構(gòu)特性、覆蓋材料、通風(fēng)狀態(tài)、加濕設(shè)施狀態(tài)和人為管理操作狀態(tài)等都會(huì)對(duì)食用菌溫室內(nèi)部溫度造成影響[7,30-31]。但整體來看，內(nèi)部溫度是各類因素綜合表現(xiàn)下的結(jié)果，是一個(gè)相對(duì)緩慢和穩(wěn)定的累積過程，并與自身歷史溫度數(shù)據(jù)有較大的關(guān)聯(lián)。因此，本研究將食用菌溫室歷史溫度序列看作由線性部分和非線性部分構(gòu)成的時(shí)間序列，利用ARIMA和SVR組合方法各自在線性關(guān)系特征提取和非線性動(dòng)態(tài)系統(tǒng)辨識(shí)的優(yōu)勢(shì)，對(duì)歷史溫度序列先分解再進(jìn)行預(yù)測(cè)，提高在不同環(huán)境條件影響下的溫度近似模擬能力。

注：MA為移動(dòng)平均，ARIMA為移動(dòng)平均差分自回歸模型，SVR為支持向量回歸模型，GA為遺傳算法，C為懲罰因子、σ為核函數(shù)參數(shù)、rt-a為t時(shí)刻前a個(gè)非線性殘差、yt-b為t時(shí)刻前b個(gè)歷史溫度數(shù)據(jù)。

1.2 移動(dòng)平均（MA）分解序列

本研究使用MA提取溫室歷史溫度序列中具有周期和趨勢(shì)特征的線性分量，以達(dá)到分解序列目的，MA從歷史溫度序列y提取溫度線性序列l的過程由式（1）表示。

式中y是訓(xùn)練集中節(jié)點(diǎn)原始觀測(cè)值，l是移動(dòng)平均后溫度線性序列，為移動(dòng)平均的窗口長(zhǎng)度。MA按照移動(dòng)平均的窗口尺寸對(duì)觀測(cè)值做移動(dòng)平均，隨著增大，輸出的溫度序列平滑度增加，同時(shí)過濾擾動(dòng)噪聲增強(qiáng)。

式中y為訓(xùn)練集中歷史溫度序列，r為非線性殘差序列。通過式（2）求得非線性殘差序列r，在分解的2個(gè)序列中，l序列波動(dòng)穩(wěn)定，r序列波動(dòng)較劇烈且無規(guī)律，波動(dòng)劇烈分量r可看作是因溫室綜合條件影響下的非線性噪聲。分解的溫度線性序列l和非線性殘差序列r，為后續(xù)建模預(yù)測(cè)提供訓(xùn)練數(shù)據(jù)基礎(chǔ)。

1.3 移動(dòng)平均差分自回歸（ARIMA）模型預(yù)測(cè)

對(duì)分解的溫度線性序列l，使用ARIMA對(duì)其進(jìn)行建模預(yù)測(cè)，以獲得最新溫室溫度規(guī)律性變化信息。ARIMA是由Box等[32]提出的時(shí)間序列預(yù)測(cè)方法，是一種根據(jù)動(dòng)態(tài)數(shù)據(jù)揭示系統(tǒng)內(nèi)部動(dòng)態(tài)結(jié)構(gòu)和發(fā)展規(guī)律的統(tǒng)計(jì)方法。若溫度線性序列l經(jīng)過次差分后變?yōu)槠椒€(wěn)序列z，則ARIMA模型可近似表示為

式中z為差分后的平穩(wěn)序列，c為常數(shù)，ε為隨機(jī)游走的白噪聲序列，φ為自回歸模型參數(shù)，θ為移動(dòng)平均模型的參數(shù)，為自回歸模型的階數(shù)，為移動(dòng)平均階數(shù)。ARIMA()可以看做是由一個(gè)階的自回歸AR()模型，一個(gè)階的移動(dòng)平均MA()模型以及經(jīng)過階差分步驟構(gòu)成的平穩(wěn)序列。實(shí)際的溫度線性序列l的ARIMA建模預(yù)測(cè)過程通過4個(gè)步驟完成：

1）序列平穩(wěn)化和差分處理。使用單位根檢驗(yàn)（augmented Dickey-Fuller, ADF）判斷溫度線性序列l的平穩(wěn)性，非平穩(wěn)則需差分處理，ADF定義為

式中β為趨勢(shì)項(xiàng)，a0為常數(shù)項(xiàng)，l-i為溫度線性序列的后個(gè)值。原假設(shè)0:=0。檢驗(yàn)從最后一個(gè)式子開始，向上逐個(gè)檢驗(yàn)。若拒絕原假設(shè)，則說明原序列不存在單位根，為平穩(wěn)序列。

2）模式識(shí)別與參數(shù)估計(jì)。計(jì)算自相關(guān)系數(shù)（autocorrelation function, ACF）和偏相關(guān)系數(shù)（partial autocorrelation function, PACF）進(jìn)行初步定階，平穩(wěn)序列的ACF與PACF定義如式（5）及式（6）所示。

式中為自相關(guān)系數(shù)，Cov(·)為自協(xié)方差函數(shù)，Var(·)為方差系數(shù)。

式中α為偏相關(guān)系數(shù)。根據(jù)ρ和α的截尾性來確定模型的階數(shù)。對(duì)不同的，，參數(shù)進(jìn)行組合，通過最小信息準(zhǔn)則（Akaike information criterion, AIC）得到最優(yōu)的ARIMA模型，AIC如式（7）所示。

式中為不同模型下的極大似然，為模型變量個(gè)數(shù)。

3）模式檢驗(yàn)：判定估計(jì)模型殘差是符合平均值為0且方差為常數(shù)的正態(tài)分布。若是，則認(rèn)為估計(jì)模型合理。

1.4 遺傳算法優(yōu)化的支持向量機(jī)（GASVR）組合預(yù)測(cè)

式中為自變函數(shù)系數(shù)，為偏置量。根據(jù)結(jié)構(gòu)風(fēng)險(xiǎn)最小化一致性原則來求取和，因此支持向量回歸優(yōu)化問題轉(zhuǎn)化為

式中為核函數(shù)參數(shù)，x和x為核矩陣中第個(gè)和第個(gè)數(shù)據(jù)。在實(shí)際應(yīng)用中，SVR模型性能優(yōu)劣與懲罰因子和RBF核函數(shù)參數(shù)的數(shù)值有直接關(guān)系，懲罰因子調(diào)節(jié)算法復(fù)雜度和經(jīng)驗(yàn)風(fēng)險(xiǎn)的平衡，直接影響SVR的泛化推廣能力，核函數(shù)參數(shù)則關(guān)系樣本映射特征空間的復(fù)雜程度[34-35]，對(duì)核函數(shù)參數(shù)和懲罰因子的選擇，是SVR建模的關(guān)鍵。

GA是一種適合于復(fù)雜系統(tǒng)優(yōu)化的隨機(jī)全局搜索和優(yōu)化算法[36]，優(yōu)點(diǎn)是基于群體的并行隨機(jī)搜索，能夠避免陷入局部最優(yōu)，并對(duì)目標(biāo)函數(shù)適應(yīng)性強(qiáng)。因此，本研究使用GA對(duì)懲罰因子和核函數(shù)參數(shù)進(jìn)行優(yōu)化，具體優(yōu)化的過程為：

2）計(jì)算各種群個(gè)體適應(yīng)度，適應(yīng)度函數(shù)使用均方誤差MSE定義，如式（14），以評(píng)價(jià)種群。

3）根據(jù)適應(yīng)度選擇個(gè)體，進(jìn)行交叉變異操作，生成新種群，再重新計(jì)算新種群適應(yīng)度。

4）判斷終止條件，若不滿足則重復(fù)上述步驟3），直至獲得適應(yīng)度最大個(gè)體即最優(yōu)參數(shù)。

2 試驗(yàn)條件及數(shù)據(jù)采集

以北京市大興區(qū)采興食用菌種植基地中的秀珍菇溫室溫度作為試驗(yàn)對(duì)象。溫室（39°6′N，116°6′E）長(zhǎng)57 m，寬10 m，后墻高3 m，脊高1.5 m，后墻為水泥墻面，頂部為鋼骨架，鋼架上方覆蓋聚乙烯棚膜，棚膜上方覆蓋保溫被，溫室配備卷簾機(jī)、濕簾以及風(fēng)機(jī)等設(shè)備。溫室內(nèi)部種植秀珍菇，試驗(yàn)期間溫室內(nèi)擺放約3萬秀珍菇菌棒，且正處于秀珍菇的子實(shí)體生長(zhǎng)階段，該階段具體時(shí)間為2019年6月中旬至2019年10月上旬，菌棒以縱向交錯(cuò)堆疊排放形成棒垛的方式進(jìn)行出菇，棒垛高約0.7 m。試驗(yàn)數(shù)據(jù)采集裝置使用威海精訊暢通電子科技有限公司所提供的JXBS-7001型溫度監(jiān)測(cè)傳感器自動(dòng)采集記錄，試驗(yàn)在秀珍菇溫室內(nèi)部布設(shè)3組該類型傳感器，考慮到后墻夜間散熱、白天蓄熱的效應(yīng)以及鋼架面長(zhǎng)期揭起保溫被保持通風(fēng)，溫室中部受外界干擾相對(duì)較小，為使傳感器更好監(jiān)測(cè)棒垛附近溫度，因此試驗(yàn)將傳感器放置于溫室跨中位置以及兩棒垛之間靠出菇一側(cè)，離地面高約0.5 m處，各傳感器之間相互間隔15 m。試驗(yàn)溫室結(jié)構(gòu)及傳感器布局示意圖見圖2。

圖2 日光溫室結(jié)構(gòu)示意圖及測(cè)點(diǎn)布置

生產(chǎn)中食用菌的環(huán)境需要達(dá)到保濕、散熱、光照和空氣流通的平衡，因此在試驗(yàn)過程中，溫室長(zhǎng)期保持半封閉通風(fēng)的狀態(tài)，僅在出現(xiàn)大風(fēng)天氣會(huì)使用卷簾機(jī)將溫室封閉，濕簾則長(zhǎng)期保持開啟，風(fēng)機(jī)大多情況在夏季白天開啟運(yùn)行。試驗(yàn)期間，各設(shè)備都由生產(chǎn)人員手動(dòng)開啟關(guān)閉，保證實(shí)驗(yàn)處于實(shí)際生產(chǎn)的狀態(tài)。取3個(gè)監(jiān)測(cè)點(diǎn)的平均值作為溫室溫度的試驗(yàn)值。試驗(yàn)共采集到2019年7月1日至2019年9月30日的共2 208條實(shí)測(cè)溫室溫度數(shù)據(jù)，采樣間隔為1 h，對(duì)于缺失值使用線性差值法進(jìn)行插值補(bǔ)缺。

考慮到不同月份溫度的差異，在模型訓(xùn)練部分，可以根據(jù)本研究提出的方法、分別對(duì)不同月份的溫度訓(xùn)練相應(yīng)的模型。該文僅以7月份數(shù)據(jù)為例，用2019年7月3日至7月16日的溫度數(shù)據(jù)作為訓(xùn)練集，7月17日至7月18日的溫室溫度作為驗(yàn)證集進(jìn)行模型驗(yàn)證。

3 結(jié)果與討論

3.1 移動(dòng)平均（MA）分解結(jié)果

通過MA將溫度序列y分解出溫度線性序列l和非線性殘差序列r。移動(dòng)平均窗口長(zhǎng)度的取值影響輸出l序列平滑程度，本研究將設(shè)為3、6、9、12等值對(duì)歷史溫度序列進(jìn)行移動(dòng)平均實(shí)驗(yàn)。結(jié)果如圖3所示，可以看出，隨著取值增大，輸出的l序列平滑度增加的同時(shí)，滯后和鈍化加重，為最大程度保留歷史溫度序列的特征信息且避免序列滯后，本研究選擇移動(dòng)平均窗口=6的MA分解歷史溫度序列。圖4為歷史溫度y以及MA分解后的l序列和r序列。分解后溫室溫度的變化規(guī)律更為清晰，l序列呈現(xiàn)明顯的日周期和短期趨勢(shì)特征，殘差r序列則波動(dòng)劇烈且規(guī)律性不強(qiáng)。

圖3 不同窗口長(zhǎng)度m值下移動(dòng)平均曲線

3.2 MA-ARIMA-GASVR方法有效性驗(yàn)證

3.2.1 MA-ARIMA-GASVR模型的參數(shù)調(diào)優(yōu)

對(duì)分解后的溫度線性序列l分別進(jìn)行ARIMA分析建模。利用ADF檢驗(yàn)其平穩(wěn)性，l通過了ADF的5%顯著性檢驗(yàn)，經(jīng)過一次差分，l序列通過了ADF的1%顯著性檢驗(yàn)，滿足平穩(wěn)性要求。通過ACF和PACF對(duì)差分序列定階，根據(jù)AIC的最小值-1 657.6，確定最優(yōu)的ARIMA模型為ARIMA (2,1,2)。對(duì)該模型進(jìn)行Ljung-Box 檢驗(yàn)，prob值均大于0.05，認(rèn)為所建模型合理。

圖4 溫度序列及移動(dòng)平均分解的兩條子序列

3.2.2 模型的擬合結(jié)果及分析

為驗(yàn)證本研究提出的MA-ARIMA-GASVR組合模型的溫室溫度預(yù)測(cè)性能，還分別建立了SVR、GASVR單一模型以及ARIMA-SVR（組合模型1）、MA-ARIMA-SVR（組合模型2）進(jìn)行參照對(duì)比。SVR、GASVR模型均采用前5個(gè)原始溫室溫度值作為輸入，ARIMA-SVR建模方法與本研究方法類似，該模型直接用ARIMA分離線性序列和殘差序列，最后采用前4個(gè)ARIMA模型預(yù)測(cè)殘差值，前3個(gè)原始食用菌溫室溫度值及ARIMA模型預(yù)測(cè)結(jié)果值作為SVR輸入。將以上5種模型分別對(duì)3組實(shí)驗(yàn)數(shù)據(jù)進(jìn)行預(yù)測(cè)，圖5為預(yù)測(cè)結(jié)果。

由圖5可知，單獨(dú)使用SVR、GASVR的預(yù)測(cè)結(jié)果誤差相對(duì)較大，尤其在溫度最低拐點(diǎn)、最高拐點(diǎn)以及溫度變化波動(dòng)較為劇烈附近誤差較大，并且預(yù)測(cè)結(jié)果表現(xiàn)出一定的滯后。組合模型預(yù)測(cè)的準(zhǔn)確性和精度不同程度提高，未經(jīng)濾波的ARIMA-SVR模型預(yù)測(cè)值在溫度變化較為劇烈處偏離實(shí)際值很大，主要因?yàn)锳RIMA直接預(yù)測(cè)會(huì)受到原始數(shù)據(jù)噪聲影響而導(dǎo)致組合預(yù)測(cè)精度下降，而經(jīng)濾波后的MA-ARIMA-SVR、MA-ARIMA-GASVR組合模型提高了ARIMA線性預(yù)測(cè)能力，因此預(yù)測(cè)值與實(shí)際值之間的波動(dòng)更小。MA-ARIMA-SVR、MA-ARIMA- GASVR模型趨勢(shì)更相近，而MA-ARIMA-GASVR模型由于采用GA優(yōu)化算法，在波動(dòng)點(diǎn)處的預(yù)測(cè)誤差小于未經(jīng)GA優(yōu)化的MA-ARIMA-SVR組合模型。從圖5中可發(fā)現(xiàn)，幾組預(yù)測(cè)模型在每日溫度最高時(shí)段、最低時(shí)段以及溫度變化波動(dòng)較為劇烈附近均有不同程度的偏差。經(jīng)分析認(rèn)為該時(shí)段溫度變化的耦合性和突變性較強(qiáng)，本研究?jī)H考慮歷史溫度數(shù)據(jù)對(duì)未來溫度的影響，溫度殘差擬合依靠歷史信息，缺乏外界環(huán)境參數(shù)的修正，因此在該時(shí)段的預(yù)測(cè)準(zhǔn)確度相對(duì)較低。

圖5 2019年7月17－18日間不同模型的溫度預(yù)測(cè)曲線

3.2.3預(yù)測(cè)模型的性能評(píng)價(jià)

使用3種誤差評(píng)價(jià)指標(biāo)來衡量所涉及的預(yù)測(cè)模型性能，包括均方誤差（mean squared error，MSE）、平均絕對(duì)誤差（mean absolute error，MAE）以及平均絕對(duì)百分誤差（mean absolute percentage error，MAPE），評(píng)價(jià)指標(biāo)越小，模型性能越高，各個(gè)模型在預(yù)測(cè)誤差如表1所示。本研究提出的MA-ARIMA-GASVR組合模型均方誤差為0.18、平均絕對(duì)誤差為0.36、平均絕對(duì)百分誤差為1.34，相較未經(jīng)GA優(yōu)化的MA-ARIMA-SVR組合模型的3項(xiàng)誤差分別減少0.04、0.02和0.07，與未經(jīng)MA處理的ARIMA-SVR組合模型相比誤差減少了0.06、0.06和0.24，3種組合模型預(yù)測(cè)結(jié)果均優(yōu)于SVR、GASVR的單一模型。另外使用GA優(yōu)化的單一模型或組合模型，預(yù)測(cè)誤差均小于未經(jīng)優(yōu)化模型。誤差結(jié)果顯示，本研究方法相較傳統(tǒng)SVR、ARIMA-SVR組合方法預(yù)測(cè)精有明顯提高，并且避免了繁瑣耗時(shí)的手動(dòng)調(diào)參，具有更好的參數(shù)調(diào)優(yōu)效率。

表1 不同模型的溫度預(yù)測(cè)誤差

Note: MSE (mean squared error), MAE (mean absolute error), MAPE (mean absolute percentage error). Same below.

3.3 基于MA-ARIMA-GASVR的多步預(yù)測(cè)

為了給溫室管理人員留出更多的調(diào)整應(yīng)對(duì)時(shí)間，以及驗(yàn)證本研究MA-ARIMA-GASVR組合模型的多步預(yù)測(cè)能力，分別對(duì)不同時(shí)間步長(zhǎng)的溫度數(shù)據(jù)進(jìn)行了預(yù)測(cè)。當(dāng)間隔為6 h時(shí)，在溫度曲線波峰和波谷處的誤差已經(jīng)較大，因此最大時(shí)間步長(zhǎng)確定為6 h。步長(zhǎng)為2、4、6 h的溫度預(yù)測(cè)結(jié)果見圖6，平均預(yù)測(cè)誤差見表2。可以看出，雖然預(yù)測(cè)精度隨時(shí)間步長(zhǎng)的增加而下降，但總體趨勢(shì)仍與真實(shí)溫度變化趨勢(shì)保持一致，夏季食用菌溫室溫度通常在2:00－5:00之間達(dá)到最低，在12:00－15:00之間達(dá)到最高，預(yù)測(cè)時(shí)間步長(zhǎng)在4、6 h均能夠描述此時(shí)段內(nèi)的溫室溫度走勢(shì)，能幫助生產(chǎn)者及時(shí)掌握溫室內(nèi)極端溫度發(fā)生的時(shí)間，并采取相應(yīng)措施調(diào)整溫室狀態(tài)，因此認(rèn)為本研究方法在時(shí)間步長(zhǎng)為6 h以內(nèi)的溫室溫度預(yù)測(cè)中均是有效的。

圖6 2019年7月17－18日間不同時(shí)間步長(zhǎng)下溫度預(yù)測(cè)曲線

表2 不同時(shí)間步長(zhǎng)下溫度預(yù)測(cè)誤差

4 結(jié) 論

1）本研究提出了MA-ARIMA-GASVR組合方法預(yù)測(cè)食用菌溫室內(nèi)部溫度，通過MA將溫室內(nèi)歷史溫度序列分解成線性序列和殘差序列，更符合食用菌溫室內(nèi)溫度數(shù)據(jù)的特點(diǎn)；采用ARIMA對(duì)MA提取的線性序列進(jìn)行預(yù)測(cè)建模，改進(jìn)了ARIMA因溫度噪聲影響強(qiáng)烈而導(dǎo)致的擬合效果不佳問題；采用GA對(duì)SVR的懲罰因子和核函數(shù)參數(shù)進(jìn)行優(yōu)化，有效提高了組合方法的調(diào)參效率和預(yù)測(cè)精度。

2）通過對(duì)食用菌溫室內(nèi)部溫度實(shí)測(cè)數(shù)據(jù)的模擬和預(yù)測(cè)，結(jié)果表明本研究方法能充分挖掘溫室歷史溫度的特征信息，實(shí)現(xiàn)準(zhǔn)確有效的預(yù)測(cè)。進(jìn)一步應(yīng)用顯示，本研究方法能夠?qū)崿F(xiàn)對(duì)食用菌溫室內(nèi)溫度在不同步長(zhǎng)下的有效預(yù)測(cè)，為食用菌生產(chǎn)者預(yù)先獲知溫室內(nèi)溫度的變化、及時(shí)采取調(diào)整措施提供決策建議。

3）目前僅采集到夏秋季秀珍菇的溫室溫度數(shù)據(jù)，缺乏相應(yīng)冬春季秀珍菇的溫室溫度的數(shù)據(jù)，本研究已對(duì)夏秋季秀珍菇不同月份的溫室溫度數(shù)據(jù)進(jìn)行了試驗(yàn)驗(yàn)證，預(yù)測(cè)精度較高，考慮到預(yù)測(cè)過程類似，本研究?jī)H展示7月份的預(yù)測(cè)結(jié)果。若針對(duì)冬春季秀珍菇和季節(jié)交替的溫室溫度，可以利用本研究提出的預(yù)測(cè)方法分別訓(xùn)練不同的模型，以達(dá)到預(yù)期的效果。

[1]Wang Dingcheng, Wang Maohua, QiaoXiaojun. Support vector machines regression and modeling of greenhouse environment[J]. Computers and Electronics in Agriculture, 2009, 66(1): 46―52.

[2]Taki M, Ajabshirchi Y, Ranjbar S F, et al. Heat transfer and MLP neural network models to predict inside environment variables and energy lost in a semi-solar greenhouse[J]. Energy and Buildings, 2016, 110(1): 314―329.

[3]于海龍，郭倩，楊娟，等.環(huán)境因子對(duì)食用菌生長(zhǎng)發(fā)育影響的研究進(jìn)展[J].上海農(nóng)業(yè)學(xué)報(bào)，2009，25(3)：100―104.

Yu Hailong, Guo Qian, Yang Juan, et al. Advance in researching the effects of environmental factors on growth and development of edible fungi[J]. Acta Agriculturae Shanghai, 2009, 25(3): 100―104. (in Chinese with English abstract)

[4]馬瑞霞. 食用菌栽培學(xué)[M]. 北京：中國(guó)輕工業(yè)出版社，2017.

[5]Taki M, Abdanan M S, Rohani A, et al. Applied machine learning in greenhouse simulation: New application and analysis[J]. Information Processing in Agriculture, 2018, 5(2): 253―268.

[6]陳俐均，杜尚豐，李嘉鵬，等. 溫室環(huán)境溫度預(yù)測(cè)自適應(yīng)機(jī)理模型參數(shù)在線識(shí)別方法[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2017，33(增刊1)：315―321.

Chen Lijun, Du Shangfeng, Li Jiapeng, et al. Online identification method of parameters for greenhouse temperature prediction self-adapting mechanism model[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2017, 33(Supp.1): 315―321. (in Chinese with English abstract)

[7]周偉，李永博，汪小旵.基于CFD非穩(wěn)態(tài)模型的溫室溫度預(yù)測(cè)控制[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2014，45(12)：335―340.

Zhou Wei, Li Yongbo, Wang Xiaochan. Model predictive control of air temperature in greenhouse based on CFD unsteady model[J]. Transactions of the Chinese Society for Agricultural Machinery, 2014, 45(12): 335―340. (in Chinese with English abstract)

[8]Saberian A, Sajadiye S M. The effect of dynamic solar heat load on the greenhouse microclimate using CFD simulation[J]. Renewable Energy, 2019, 138: 722―737.

[9]He Fen, Ma Chengwei. Modeling greenhouse air humidity by means of artificial neural network and principal component analysis[J]. Computers and Electronics in Agriculture, 2010, 71(Supp-S1): 19―23.

[10]Linker R, Seginer I. Greenhouse temperature modeling: A comparison between sigmoid neural networks and hybrid models[J]. Mathematics and Computers in Simulation, 2004, 65(1/2): 19―29.

[11]Deltour J M, Pieters J G, Frausto H U. Modelling greenhouse temperature by means of auto regressive models[J]. Biosystems Engineering, 2003, 84(2): 147―157.

[12]Patil S L, Tantau H J, Salokhe V M. Modelling of tropical greenhouse temperature by auto regressive and neural network models[J]. Biosystems Engineering, 2008, 99(3): 423―431.

[13]李寧，申雙和，黎貞發(fā)，等. 基于主成分回歸的日光溫室內(nèi)低溫預(yù)測(cè)模型[J]. 中國(guó)農(nóng)業(yè)氣象，2013，34(3)：306―311.

Li Ning, Shen Shuanghe, Li Zhenfa, et al. Forecast model of minimum temperature inside greenhouse based on principal component regression[J]. Chinese Journal of Agrometeorology, 2013, 34(3): 306―311. (in Chinese with English abstract)

[14]秦琳琳，馬國(guó)旗，儲(chǔ)著東，等. 基于灰色預(yù)測(cè)模型的溫室溫濕度系統(tǒng)建模與控制[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2016，32(增刊1)：233―241.

Qin Linlin, Ma Guoqi, Chu Zhudong, et al. Modeling and control of greenhouse temperature-humidity system based on grey prediction model[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016, 32(Supp.1): 233―241. (in Chinese with English abstract)

[15]Yu Huihui, Chen Yingyi, Hassan S G, et al. Prediction of the temperature in a Chinese solar greenhouse based on LSSVM optimized by improved PSO[J]. Computers and Electronics in Agriculture, 2016, 122(3): 94―102.

[16]鄒秋瀅，紀(jì)建偉，李征明. 基于ANFIS的溫室小氣候環(huán)境因子預(yù)測(cè)模型辨識(shí)[J]. 沈陽農(nóng)業(yè)大學(xué)學(xué)報(bào)，2014，45(4)：503―507.

Zou Qiuying, Ji Jianwei, Li Zhengming. Identification of greenhouse microclimate environmental factors prediction model based on ANFIS[J]. Journal of Shenyang Agricultural University, 2014, 45(4): 503―507. (in Chinese with English abstract)

[17]Kumar S, Pal S K, Singh R. A novel hybrid model based on particle swarm optimisation and extreme learning machine for short-term temperature prediction using ambient sensors[J]. Sustainable Cities and Society, 2019, 49(6): 101―601.

[18]Wang Hongkang, Li Li, Wu Yong, et al. Recurrent neural network model for prediction of microclimate in solar greenhouse[J]. IFAC-PapersOnLine, 2018, 51(17): 790―795.

[19]左志宇，毛罕平，張曉東，等. 基于時(shí)序分析法的溫室溫度預(yù)測(cè)模型[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2010，41(11)：173―177，182.

Zuo Zhiyu, Mao Hanping, Zhang Xiaodong, et al. Forecast model of greenhouse temperature based on time series method[J]. Transactions of the Chinese Society for Agricultural Machinery, 2010, 41(11): 173―177. (in Chinese with English abstract)

[20]任延昭，陳雪瑞，賈敬敦，等. 基于微信平臺(tái)的溫室環(huán)境監(jiān)測(cè)與溫度預(yù)測(cè)系統(tǒng)[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2017，48(增刊1)：302―307.

Ren Yanzhao, Chen Xuerui, Jia Jingdun, et al. Environment monitoring and temperature prediction in greenhouse based on Wechat platform[J]. Transactions of the Chinese Society for Agricultural Machinery, 2017, 48(Supp.1): 302―307. (in Chinese with English abstract)

[21]?mer Faruk D. A hybrid neural network and ARIMA model for water quality time series prediction[J]. Engineering Applications of Artificial Intelligence, 2010, 23(4): 586―594.

[22]de O, Santos Júnior D S, de Oliveira J F L, et al. An intelligent hybridization of ARIMA with machine learning models for time series forecasting[J]. Knowledge-Based Systems, 2019, 175(13): 72―86.

[23]宋國(guó)君，國(guó)瀟丹，楊嘯，等. 沈陽市PM2.5濃度ARIMA-SVM組合預(yù)測(cè)研究[J]. 中國(guó)環(huán)境科學(xué)，2018，38(11)：4031―4039.

Song Guojun, Guo Xiaodan, Yang Xiao, et al. ARIMA-SVM combination prediction of PM2.5concentration in Shenyang[J]. China Environmental Science, 2018, 38(11): 4031―4039. (in Chinese with English abstract)

[24]Henrique D N C, Lucio Paulo Sérgio, Leal J J B V, et al. A hybrid model based on time series models and neural network for forecasting wind speed in the Brazilian northeast region[J]. Sustainable Energy Technologies and Assessments, 2018, 28(4): 65―72.

[25]劉春紅，楊亮，鄧河，等. 基于ARIMA和BP神經(jīng)網(wǎng)絡(luò)的豬舍氨氣濃度預(yù)測(cè)[J]. 中國(guó)環(huán)境科學(xué)，2019，39(6)：2320―2327.

Liu Chunhong, Yang Liang, Deng He, et al. Prediction of ammonia concentration in piggery based on ARIMA and BP neural network[J]. China Environmental Science, 2019, 39(6): 2320―2327. (in Chinese with English abstract)

[26]Wang Ping, Zhang Hong, Qin Zuodong, et al. A novel hybrid-garch model based on ARIMA and SVM for PM2.5 concentrations forecasting[J]. Atmospheric Pollution Research, 2017, 8(5): 850―860.

[27]吳靜，李振波，朱玲，等. 融合ARIMA模型和GAWNN的溶解氧含量預(yù)測(cè)方法[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2017，48(S1)：205―210，204.

Wu Jing, Li Zhenbo, Zhu Lin, et al. Hybrid model of ARIMA model and GAWNN for dissolved oxygen content prediction[J]. Transactions of the Chinese Society for Agricultural Machinery, 2017, 48(S1): 205―210, 204. (in Chinese with English abstract)

[28]張勇，高文波，鄒志榮. 日光溫室主動(dòng)蓄熱后墻傳熱CFD模擬及性能試驗(yàn)[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2015，31(5)：203―211.

Zhang Yong, Gao Wenbo, Zou Zhirong. Performance experiment and CFD simulation of heat exchange in solar greenhouse with active thermal storage back-wall[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2015, 31(5): 203―211. (in Chinese with English abstract)

[29]Yang Q. Energy efficient heating technologies and models in lean-to Chinese solar greenhouses: A review[J]. Acta Horticulturae, 2012, 957(ISHS): 83－89.

[30]徐立鴻，蘇遠(yuǎn)平，梁毓明. 面向控制的溫室系統(tǒng)小氣候環(huán)境模型要求與現(xiàn)狀[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2013，29(19)：1－15.

Xu Lihong, Su Yuanping, Liang Yuming. Requirement and current situation of control-oriented microclimate environmental model in greenhouse system[J].Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2013, 29(19): 1－15. (in Chinese with English abstract)

[31]胥芳，蔡彥文，陳教料，等. 濕簾-風(fēng)機(jī)降溫下的溫室熱/流場(chǎng)模擬及降溫系統(tǒng)參數(shù)優(yōu)化[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2015，31(9)：201－208.

Xu Fang, Cai Yanwen, Chen Jiaoliao, et al. Temperature/flow field simulation and parameter optimal design for greenhouses with fan-pad evaporative cooling system[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2015, 31(9): 201－208.(in Chinese with English abstract)

[32]Box G E P, Jenkins G M. Time series analysis, forecasting and control[J]. Journal of the American Statistical Association, 1971, 134(3): 709－711.

[33]Vapnik V. The Nature of Statistical Learning Theory[M]. New York: Springer-Verlag, 1995.

[34]Huang C M, Lee Y J, Lin D K J, et al. Model selection for support vector machines via uniform design[J]. Computational Statistics & Data Analysis, 2007, 52(1): 335－346.

[35]Chapelle O, Vapnik V, Bousquet O. Choosing multiple parameters for support vector machines[J]. Machine Learning, 2002, 46(1): 131－159.

[36]顏曉娟，龔仁喜，張千鋒. 優(yōu)化遺傳算法尋優(yōu)的SVM在短期風(fēng)速預(yù)測(cè)中的應(yīng)用[J]. 電力系統(tǒng)保護(hù)與控制，2016，44(9)：38－42.

Yan Xiaojuan, Gong Renxi, Zhang Qianfeng. Application of optimization SVM based on improved genetic algorithm in short-term wind speed prediction[J]. Power System Protection and Control, 2016, 44(9): 38－42. (in Chinese with English abstract)

Prediction of temperature in edible fungi greenhouse based on MA-ARIMA-GASVR

Tian Dong1, Wei Xinhua1, Wang Yue1, Zhao Anping2, Mu Weisong1, Feng Jianying1※

(1.,,100083,; 2.,100029,)

The temperature in edible fungi greenhouse has the characteristics of time-variant, nonlinear and multi-coupling, so accurate and effective temperature predictions can effectively help growers adjust the greenhouse environment and prevent edible fungus production and quality decline. Based on the perspective of mining the time-series information in historical temperature data. This paper described the specific steps to realize the MA-ARIMA-GASVR-based hybrid combination method to predict the temperature in the edible fungus greenhouse. Firstly, we assumed that the historical temperature series data of edible fungus greenhouse was a dynamic combination of linear and non-linear components, the historical temperature sequences were decomposed into linear sequences and residual sequences using the moving averages (MA) method. Then, time series analysis was conducted to established the model of the autoregressive integrated moving average (ARIMA) by using linear sequence after the decomposition of the moving averages, and the future trend of linear sequences was predicted by the established model. Afterward, to better fit the relationship between temperature trends and various noises in the environment, the autoregressive integrated moving average model prediction value, the historical residual data and the historical temperature data were employed as the input of the support vector regression (SVR) model, and the genetic algorithm (GA) was used to optimize the parameters of the support vector regression model to improve its performance, the parameters being optimized are penalty parameter and radial basis function kernel parameters in the support vector regression model. Finally, the hybrid model output was the temperature prediction value which was more in line with the actual situation. Moreover, the hybrid method was verified using the experimental data from the edible fungus greenhouse in Beijing. In this paper, a representative edible fungus greenhouse was selected as the experimental object according to the observation time requirements and the time-varying needs of edible fungus greenhouse temperature, which was located in the Daxing District of Beijing. A total of 2 208 measured edible fungus greenhouse temperature data were collected from July 1st, 2019 to September 30th, 2019 during the experiment. The experimental data acquisition device used the JXBS-7001 temperature monitoring sensor was used to automatically collect and record the experimental data. Three sets of sensors were deployed in the edible fungus greenhouse to record the experimental data set which included the average temperature data. We trained the proposed model by using data from July 3rd, 2019 to July 16th, 2019 and forecasted the temperature of the next two daysand compared temperature prediction experiments with different models and different time intervals. The results indicated that the MA-ARIMA-GASVR-based hybrid model could better fit the original temperature data, the mean squared error, the mean absolute error and mean absolute percentage error of an hour interval temperature were 0.18, 0.36, 1.34, and three error evaluation indexes all showed that the prediction accuracy of the hybrid method in this paper was better than the single models of support vector regression and support vector regression optimized by genetic algorithm, and it was also superior to the hybrid methods which were not processed by moving averages method or optimized by genetic algorithm. Besides, the mean squared error, the mean absolute error and mean absolute percentage error of 6hours interval temperature were 0.29, 0.52, 1.95. the hybrid method in this paper can satisfy the multi-step prediction within 6 hours, which could provide more time for edible fungus producers to adjust the temperature in the greenhouse.

greenhouse; temperatures; model; time series; support vector regression; edible fungus

田 東，韋鑫化，王 悅，趙安平，穆維松，馮建英. 基于MA-ARIMA-GASVR的食用菌溫室溫度預(yù)測(cè)[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2020，36(3)：190－197.doi：10.11975/j.issn.1002-6819.2020.03.023 http://www.tcsae.org

Tian Dong, Wei Xinhua, Wang Yue, Zhao Anping, Mu Weisong, Feng Jianying. Prediction of temperature in edible fungi greenhouse based on MA-ARIMA-GASVR[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2020, 36(3): 190－197. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2020.03.023 http://www.tcsae.org

2019-12-17

2020-01-16

北京市食用菌產(chǎn)業(yè)創(chuàng)新團(tuán)隊(duì)（BAIC05-2019）

田 東，副研究員，博士，主要從事農(nóng)業(yè)信息智能處理研究。Email：td_tiandong@cau.edu.cn

馮建英，副教授，博士，主要從事農(nóng)業(yè)信息智能處理研究。Email：fjying@ cau.edu.cn

10.11975/j.issn.1002-6819.2020.03.023

S625.5; TP301.6

A

1002-6819(2020)-03-0190-08