毛曉娟，鮑彤，荀廣連，李德翠，王寶佳，任妮

(江蘇省農(nóng)業(yè)科學(xué)院信息中心，南京市，210014)

0 引言

設(shè)施蔬菜生產(chǎn)使用的溫室是典型的小氣候環(huán)境，受內(nèi)外環(huán)境的影響，具有強(qiáng)干擾，多耦合，大滯后等特點(diǎn)[1-2]。溫度作為作物生長過程中重要的環(huán)境影響因素，直接決定作物的生長發(fā)育狀況，不適宜的溫度將導(dǎo)致作物大幅減產(chǎn)甚至絕收。因此，穩(wěn)定精確地預(yù)測溫室溫度，并根據(jù)溫度預(yù)測值提前調(diào)控溫室環(huán)境，對(duì)溫室大棚內(nèi)的作物生產(chǎn)意義重大。

目前國內(nèi)外關(guān)于溫室內(nèi)溫度的預(yù)測模型主要分為兩類，一類是機(jī)理模型，一類是數(shù)據(jù)模型。機(jī)理模型主要基于流體動(dòng)力學(xué)和能量平衡[3-4]，但是其內(nèi)部關(guān)聯(lián)參數(shù)多，建模難度大。數(shù)據(jù)模型主要根據(jù)溫室內(nèi)外環(huán)境數(shù)據(jù)進(jìn)行建模，無需考慮溫室耗散、熱輻射等影響因素。隨著機(jī)器學(xué)習(xí)的快速發(fā)展，數(shù)據(jù)模型在溫室內(nèi)溫度的預(yù)測中得到了廣泛的應(yīng)用[5-9]。Yu等[10]提出一種基于最小二乘支持向量機(jī)(Least Squares Support Vector Machine, LSSVM)的溫度預(yù)測模型，采用改進(jìn)粒子群算法(Improved Particle Swarm Optimization，IPSO)對(duì)LSSVM模型進(jìn)行參數(shù)優(yōu)化，對(duì)未來短時(shí)的預(yù)測效果較好，但在長時(shí)間的溫度預(yù)測方面還需要進(jìn)一步研究。任守綱等[11]利用R-BP神經(jīng)網(wǎng)絡(luò)進(jìn)行多步滾動(dòng)預(yù)測溫室的溫度值，但對(duì)溫室外界環(huán)境因素考慮不全，預(yù)測仍然存在較大誤差。田東等[12]利用移動(dòng)平均、移動(dòng)平均差分自回歸模型和遺傳算法優(yōu)化的支持向量機(jī)三種模型相結(jié)合的方法進(jìn)行食用菌溫室溫度預(yù)測，該組合模型預(yù)測精度比單模型有明顯提高，但其僅基于7月份數(shù)據(jù)進(jìn)行預(yù)測，模型不具有廣泛適應(yīng)性。

由于淺層的機(jī)器學(xué)習(xí)算法在處理長時(shí)間序列信號(hào)上存在不足，數(shù)據(jù)預(yù)測結(jié)果存在較大的誤差。深度學(xué)習(xí)作為機(jī)器學(xué)習(xí)最新的研究成果，它通過學(xué)習(xí)深層非線性網(wǎng)絡(luò)結(jié)構(gòu)，在數(shù)據(jù)特征和模型挖掘上具有顯著優(yōu)勢。循環(huán)神經(jīng)網(wǎng)絡(luò)(Recurrent Neural Network，RNN)[13]作為深度學(xué)習(xí)中處理序列問題的典型網(wǎng)絡(luò)結(jié)構(gòu)，將時(shí)序概念引入到網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)中，使其在時(shí)序建模中具有更強(qiáng)的適應(yīng)性和更高的預(yù)測精度。但是RNN結(jié)構(gòu)隨著序列長度的增加易存在梯度消失或爆炸問題，對(duì)于序列長期依賴關(guān)系的學(xué)習(xí)存在一定的困難。Hochreiter等[14]提出了長短期記憶網(wǎng)絡(luò)(Long short-term memory network，LSTM)，它作為一種特殊的RNN，解決了標(biāo)準(zhǔn)RNN無法建立較長時(shí)間跨度的模型預(yù)測問題，因此被廣泛應(yīng)用于時(shí)間序列的預(yù)測中[15-22]。在溫度預(yù)測方面，DaDhja等[23]對(duì)比RNN-LSTM、人工神經(jīng)網(wǎng)絡(luò)和自回歸神經(jīng)網(wǎng)絡(luò)對(duì)30 min后的溫室溫度等環(huán)境因子進(jìn)行預(yù)測，結(jié)果表明RNN-LSTM預(yù)測效果最好。趙明珠等[24]利用雙向長短期記憶(Bi-directional Long Short-Term Memory，BiLSTM)網(wǎng)絡(luò)模型得到了優(yōu)于LSTM、差分整合移動(dòng)平均自回歸(Autoregressive Integrated Moving Average，ARIMA)模型的地鐵車站溫度預(yù)測結(jié)果。智協(xié)飛等[25]利用長短期記憶網(wǎng)絡(luò)、淺層神經(jīng)網(wǎng)絡(luò)、滑動(dòng)訓(xùn)練期消除偏差集合平均和滑動(dòng)訓(xùn)練期多模式超級(jí)集合方法對(duì)地面氣溫進(jìn)行預(yù)報(bào)，該集成方法的預(yù)報(bào)結(jié)果比所有單個(gè)模式預(yù)報(bào)更為準(zhǔn)確。

綜上，LSTM在諸多時(shí)間序列預(yù)測上具有很大的優(yōu)勢，溫室溫度預(yù)測作為典型的時(shí)間序列問題，使用LSTM方法尤其合適，但LSTM的模型參數(shù)依靠人工經(jīng)驗(yàn)確定，隨機(jī)性較大，易陷入局部最優(yōu)解?；依莾?yōu)化算法(Grey Wolf Optimization，GWO)[26]是近年來提出的一種通過模擬灰狼捕食行為的群體智能優(yōu)化算法，具有收斂性強(qiáng)、參數(shù)少、易實(shí)現(xiàn)等優(yōu)點(diǎn)，比較粒子群算法、蝙蝠算法等有更強(qiáng)的收斂速度與搜索能力，因此被廣泛用于模型參數(shù)的調(diào)整優(yōu)化[27-28]。

本文將灰狼優(yōu)化算法和長短期記憶網(wǎng)絡(luò)模型相結(jié)合，提出基于GWO-LSTM的設(shè)施蔬菜溫室溫度預(yù)測模型。將LSTM網(wǎng)絡(luò)中隱藏層單元數(shù)、學(xué)習(xí)率和迭代次數(shù)等模型參數(shù)作為GWO算法中狼群的位置坐標(biāo)，通過計(jì)算適應(yīng)度值更新狼群位置以獲取模型參數(shù)的最優(yōu)解。利用最優(yōu)參數(shù)搭建LSTM網(wǎng)絡(luò)模型對(duì)溫室內(nèi)溫度進(jìn)行預(yù)測。

1 材料與方法

1.1 試驗(yàn)區(qū)概況

本文試驗(yàn)區(qū)域?yàn)榻K省農(nóng)業(yè)科學(xué)院科研基地陽光板溫室。溫室屋脊為南北走向，跨度棟寬8 m，開間4 m，肩高5.0 m，頂高5.8 m，外遮陽高6.5 m。屋面形狀為一跨二尖頂文洛式，頂部及四周側(cè)墻采用8 mm陽光板。溫室配備外遮陽系統(tǒng)、內(nèi)遮陽系統(tǒng)、保溫系統(tǒng)、交錯(cuò)頂開窗系統(tǒng)、濕簾風(fēng)機(jī)降溫系統(tǒng)、自動(dòng)升降式補(bǔ)光系統(tǒng)、控制系統(tǒng)等。溫室內(nèi)部采用椰糠基質(zhì)栽培種植櫻桃番茄，試驗(yàn)期間番茄分別經(jīng)歷幼苗期、開花期和坐果期生長階段，時(shí)間為2020年9月中旬—12月下旬。試驗(yàn)初期天氣炎熱，溫室通過濕簾、風(fēng)機(jī)和天窗等設(shè)備進(jìn)行降溫，后期天氣變冷采用內(nèi)保溫、遮陽網(wǎng)等設(shè)備進(jìn)行保溫。試驗(yàn)期間利用團(tuán)隊(duì)自主開發(fā)的設(shè)施蔬菜智慧管控平臺(tái)對(duì)溫室環(huán)境實(shí)施自動(dòng)調(diào)控，全程保證番茄處于適宜的生長環(huán)境中。

1.2 數(shù)據(jù)采集與預(yù)處理

溫室內(nèi)環(huán)控設(shè)備(風(fēng)機(jī)、濕簾、天窗、補(bǔ)光燈、內(nèi)保溫、內(nèi)遮陽、外遮陽)操作歷史狀態(tài)通過設(shè)施蔬菜智慧管控平臺(tái)進(jìn)行實(shí)時(shí)自動(dòng)采集，采集內(nèi)容包括設(shè)備名稱、設(shè)備操作類型(開啟、關(guān)閉、展開、合攏)和操作時(shí)間等。溫室內(nèi)環(huán)境因子通過無線傳感器采集，主要采集室內(nèi)空氣溫度、空氣相對(duì)濕度、光合有效輻射和二氧化碳濃度等環(huán)境數(shù)據(jù)。溫室外通過小型氣象站采集室外空氣溫度、空氣相對(duì)濕度、風(fēng)速和光合有效輻射等環(huán)境數(shù)據(jù)。

由于溫室內(nèi)環(huán)境復(fù)雜多變，為了準(zhǔn)確地獲取溫室中環(huán)境數(shù)據(jù)的空間分布變化，分別取溫室中4個(gè)地塊的中心點(diǎn)(A、B、C、D)作為監(jiān)測點(diǎn)。在點(diǎn)A、B、C、D處于垂直方向依次布設(shè)空氣溫濕度傳感器、二氧化碳濃度傳感器和光合有效輻射傳感器，分別距地面1.5 m、1.6 m、1.8 m。溫室外點(diǎn)E位置布設(shè)小型氣象站，溫室內(nèi)外傳感器布設(shè)的俯視圖和剖面圖如圖1所示，溫室內(nèi)外傳感器設(shè)備的型號(hào)、量程范圍等參數(shù)說明如表1所示。

(a) 俯視圖

表1 傳感器設(shè)備說明Tab. 1 Description of the sensor device

本文選取2020年9月23日—12月21日期間試驗(yàn)數(shù)據(jù)，采樣間隔為10 min，總共采集12 819條樣本數(shù)據(jù)。其中設(shè)備開啟、展開狀態(tài)記錄為1，設(shè)備關(guān)閉、合攏狀態(tài)記錄為0，多個(gè)監(jiān)測點(diǎn)采集的同類環(huán)境數(shù)據(jù)取平均值。對(duì)于缺值采用線性插值法進(jìn)行填充，異常值采用均值法進(jìn)行替換。由于各類數(shù)據(jù)單位、量綱的差異，本文對(duì)數(shù)據(jù)采用歸一化處理，歸一化后按照7∶3劃分?jǐn)?shù)據(jù)集，前8 967條數(shù)據(jù)作為訓(xùn)練樣本集，后3 852條數(shù)據(jù)作為測試樣本集。數(shù)據(jù)歸一化公式如式(1)所示。

(1)

式中：y′——?dú)w一化后的轉(zhuǎn)換值；

y——真實(shí)值；

ymax——樣本最大值；

ymin——樣本最小值。

影響溫室內(nèi)空氣溫度的主要因素包括室內(nèi)空氣溫度、室內(nèi)空氣相對(duì)濕度、室內(nèi)光合有效輻射、室外空氣溫度、室外空氣相對(duì)濕度、室外光合有效輻射、室外風(fēng)速和室內(nèi)環(huán)控設(shè)備(風(fēng)機(jī)、濕簾、天窗、補(bǔ)光燈、內(nèi)保溫、內(nèi)遮陽、外遮陽)運(yùn)行狀態(tài)。本文選取上述14個(gè)因子作為模型輸入?yún)?shù)，下一時(shí)刻溫室內(nèi)空氣溫度作為模型輸出參數(shù)。

1.3 溫室溫度預(yù)測模型構(gòu)建

1.3.1 長短期記憶網(wǎng)絡(luò)(LSTM)

LSTM網(wǎng)絡(luò)通過精心設(shè)計(jì)的“門”結(jié)構(gòu)，使模型具有長時(shí)間的“記憶功能”，避免了標(biāo)準(zhǔn)循環(huán)神經(jīng)網(wǎng)絡(luò)產(chǎn)生的梯度消失與梯度爆炸問題。該網(wǎng)絡(luò)在結(jié)構(gòu)設(shè)計(jì)中有遺忘門ft、輸入門it、輸出門ot和一個(gè)記憶單元。其內(nèi)部基本結(jié)構(gòu)如圖2所示。

圖2 長短期記憶網(wǎng)絡(luò)內(nèi)部結(jié)構(gòu)圖

遺忘門主要是控制舊信息的遺忘，計(jì)算公式如式(2)所示。

(2)

輸入門主要是控制新的信息輸入，計(jì)算公式如式(3)所示。

(3)

記憶單元臨時(shí)狀態(tài)，計(jì)算公式如式(4)所示。

(4)

更新記憶單元，計(jì)算公式如式(5)所示。

(5)

輸出門公式如式(6)所示。

(6)

整個(gè)隱藏層的計(jì)算公式如式(7)所示。

ht=ot×tanh (ct)

(7)

輸出層的計(jì)算公式如式(8)所示。

(8)

式中：bf——遺忘門的偏置；

bi——輸入門的偏置；

bc——記憶單元的偏置；

bo——輸出門的偏置；

1.3.2 灰狼優(yōu)化算法(GWO)

灰狼優(yōu)化算法是一種受到了灰狼狩獵的啟發(fā)而開發(fā)的優(yōu)化搜索方法，灰狼具有嚴(yán)格的社會(huì)等級(jí)層次制度，從高到低分別為α、β、δ和ω，捕食的過程在α的帶領(lǐng)下完成?；依堑尼鳙C包括跟蹤獵物、包圍獵物和攻擊獵物。

灰狼包圍獵物行為的數(shù)學(xué)模型定義如下。

D=|C·Xp(t)-X(t)|

(9)

X(t+1)=Xp(t)-A·D

(10)

A=2a·r1-a

(11)

C=2·r2

(12)

式中：Xp(t)——當(dāng)前獵物的位置矢量；

X(t)——當(dāng)前灰狼的位置矢量；

X(t+1)——下一次迭代后的灰狼的位置矢量；

D——灰狼和獵物之間的距離；

a——收斂因子，隨著迭代次數(shù)從2線性遞減到0；

r1、r2——[0, 1]區(qū)間上的隨機(jī)數(shù)。

當(dāng)灰狼識(shí)別出獵物的位置后，α引導(dǎo)β和δ對(duì)獵物進(jìn)行攻擊。選取前三個(gè)最優(yōu)解，其余灰狼根據(jù)α、β、δ更新自己的位置。

(13)

(14)

(15)

式中：Dα——α與其他灰狼之間的距離；

Dβ——β與其他灰狼之間的距離；

Dδ——δ與其他灰狼之間的距離；

Xα(t)——α當(dāng)前迭代次數(shù)下的位置矢量；

Xβ(t)——β當(dāng)前迭代次數(shù)下的位置矢量；

Xδ(t)——δ當(dāng)前迭代次數(shù)下的位置矢量；

X1——狼群中某個(gè)灰狼向α移動(dòng)的矢量；

X2——狼群中某個(gè)灰狼向β移動(dòng)的矢量；

X3——狼群中某個(gè)灰狼向δ移動(dòng)的矢量。

1.3.3 GWO優(yōu)化LSTM模型參數(shù)流程

LSTM模型參數(shù)的確定大多是基于人工經(jīng)驗(yàn)，存在模型調(diào)節(jié)參數(shù)時(shí)間長、易收斂于局部最優(yōu)解等問題。GWO作為一種群體智能優(yōu)化算法，具有全局搜索能力強(qiáng)、收斂快、易實(shí)現(xiàn)等優(yōu)點(diǎn)，近年來廣泛用于參數(shù)優(yōu)化等領(lǐng)域。

為提高溫室溫度預(yù)測模型的預(yù)測精度，本文利用GWO對(duì)LSTM模型參數(shù)進(jìn)行優(yōu)化調(diào)整，以LSTM網(wǎng)絡(luò)中隱藏層單元數(shù)、學(xué)習(xí)率和迭代次數(shù)作為狼群位置，通過計(jì)算適應(yīng)度函數(shù)，更新狼群位置，獲得LSTM網(wǎng)絡(luò)模型參數(shù)最優(yōu)解，利用最優(yōu)模型參數(shù)構(gòu)建設(shè)施蔬菜溫室溫度預(yù)測模型。本文提出的基于GWO-LSTM的設(shè)施蔬菜溫室溫度預(yù)測模型流程如圖3所示。

圖3 基于GWO-LSTM的設(shè)施蔬菜溫室溫度預(yù)測模型流程圖

根據(jù)流程圖，基于GWO-LSTM的設(shè)施蔬菜溫室溫度預(yù)測模型構(gòu)建具體步驟如下。

步驟1：將設(shè)施蔬菜智慧管控平臺(tái)采集的溫室內(nèi)外環(huán)境因子和設(shè)備操作狀態(tài)原始時(shí)間序列樣本數(shù)據(jù)進(jìn)行異常值剔除、缺值補(bǔ)充和數(shù)據(jù)歸一化處理后，按照7:3比例將已處理樣本集劃分為訓(xùn)練集和測試集。

步驟2：確定GWO的初始數(shù)據(jù)，包括灰狼種群個(gè)數(shù)、初始坐標(biāo)和迭代次數(shù)等。將LSTM網(wǎng)絡(luò)的隱藏層單元數(shù)、學(xué)習(xí)率和迭代次數(shù)轉(zhuǎn)換為狼群的位置坐標(biāo)，選擇訓(xùn)練樣本集對(duì)LSTM進(jìn)行模型訓(xùn)練。

步驟4：選擇測試樣本集，對(duì)上述優(yōu)化參數(shù)的LSTM網(wǎng)絡(luò)進(jìn)行測試，得到最優(yōu)的LSTM網(wǎng)絡(luò)模型，基于最優(yōu)的LSTM網(wǎng)絡(luò)模型預(yù)測溫室內(nèi)空氣溫度值。

1.3.4 模型評(píng)價(jià)指標(biāo)

為了驗(yàn)證本文提出的基于GWO-LSTM模型的預(yù)測性能，使用4種性能評(píng)價(jià)指標(biāo)，包括均方根誤差(Root Mean Squared Error，RMSE)、平均絕對(duì)誤差(Mean Absolute Error，MAE)、平均絕對(duì)百分比誤差(Mean Absolute Percentage Error，MAPE)和決定系數(shù)R2。其中，RMSE、MAE和MAPE數(shù)值越小，模型預(yù)測結(jié)果越準(zhǔn)確。R2接近1，代表擬合優(yōu)度越大，模型預(yù)測效果越好。

(16)

(17)

(18)

(19)

式中：N——預(yù)測樣本數(shù)；

yi′——溫室內(nèi)溫度預(yù)測值；

yi——溫室內(nèi)溫度真實(shí)值；

y——真實(shí)值的平均值。

2 結(jié)果與分析

2.1 模型參數(shù)選擇

本試驗(yàn)基于編程語言python3.7，利用Anaconda 3環(huán)境下的Keras2.4深度學(xué)習(xí)庫進(jìn)行模型構(gòu)建。GWO-LSTM網(wǎng)絡(luò)模型由輸入層、隱藏層和輸出層三層網(wǎng)絡(luò)組成，采用Adam算法訓(xùn)練LSTM內(nèi)部網(wǎng)絡(luò)參數(shù)，隱藏層中的激活函數(shù)設(shè)為Relu函數(shù)。將LSTM的隱藏層單元數(shù)、學(xué)習(xí)率和迭代次數(shù)作為狼群的位置坐標(biāo)，其中隱藏層單元數(shù)取值范圍為[2,100]，學(xué)習(xí)率取值范圍為[0.000 1, 0.01]，迭代次數(shù)取值范圍為[20, 300]，預(yù)測時(shí)間步長為30 min?；依莾?yōu)化算法參數(shù)設(shè)置為：狼群總數(shù)為20，最大迭代次數(shù)為10，灰狼α，β和δ的初始坐標(biāo)均為[0，0，0]。

為了驗(yàn)證本文提出的GWO-LSTM的模型性能，選擇標(biāo)準(zhǔn)LSTM、BP-ANN進(jìn)行試驗(yàn)對(duì)照。標(biāo)準(zhǔn)LSTM、BP-ANN均采用和GWO-LSTM網(wǎng)絡(luò)模型相同的輸入?yún)?shù)、輸出參數(shù)和預(yù)測時(shí)間步長。其中，標(biāo)準(zhǔn)LSTM網(wǎng)絡(luò)和BP-ANN均為三層網(wǎng)絡(luò)，隱藏層單元數(shù)均設(shè)為14，學(xué)習(xí)率均設(shè)為0.01，迭代次數(shù)均設(shè)為100。

2.2 基于GWO-LSTM的溫室溫度預(yù)測

利用GWO對(duì)LSTM模型進(jìn)行訓(xùn)練，獲得最優(yōu)模型參數(shù)，即隱藏層單元數(shù)為33，學(xué)習(xí)率為0.01，迭代次數(shù)為94。利用最優(yōu)模型參數(shù)，將標(biāo)準(zhǔn)LSTM、BP-ANN 和GWO-LSTM三種模型對(duì)溫室內(nèi)空氣溫度進(jìn)行預(yù)測，各模型在測試集上的預(yù)測曲線如圖4所示，依次為BP-ANN 預(yù)測曲線、LSTM預(yù)測曲線和GWO-LSTM預(yù)測曲線。圖4顯示，標(biāo)準(zhǔn)LSTM、BP-ANN 預(yù)測誤差相對(duì)較大，尤其在波峰、波谷和鋸齒波動(dòng)較為劇烈的附近誤差較大。而本文提出的GWO-LSTM模型預(yù)測曲線更接近溫室內(nèi)空氣溫度的實(shí)測值，特別是在曲線波動(dòng)劇烈處的預(yù)測效果更優(yōu)于其他模型。

(a) BP-ANN預(yù)測曲線

為進(jìn)一步驗(yàn)證模型的預(yù)測精度和模型多步預(yù)測能力，選擇RMSE、MAE、MAPE和R2這4個(gè)模型評(píng)價(jià)指標(biāo)來衡量三種模型預(yù)測性能，表2給出在不同預(yù)測時(shí)間步長下三種模型的溫度預(yù)測結(jié)果精度分析值。

表2 三種模型不同預(yù)測時(shí)間步長的溫度預(yù)測結(jié)果精度分析Tab. 2 Precision analysis of temperature prediction results with different prediction time steps for three models

在預(yù)測時(shí)間步長為10 min條件下，GWO-LSTM模型的RMSE為0.386 9，MAE為0.164 1，MAPE為0.104 7，R2為0.987 1。與標(biāo)準(zhǔn)LSTM相比，評(píng)價(jià)指標(biāo)RMSE、MAE、MAPE分別降低了24.98%、57.02%、37.34%，R2增加了1.02%；與BP-ANN相比，評(píng)價(jià)指標(biāo)RMSE、MAE、MAPE分別降低32.63%、62.59%、41.41%，R2增加了1.59%。

在預(yù)測時(shí)間步長為30 min條件下，GWO-LSTM模型的RMSE為0.677 6，MAE為0.411 4，MAPE為0.168 7，R2為0.960 4。與標(biāo)準(zhǔn)LSTM相比，評(píng)價(jià)指標(biāo)RMSE、MAE、MAPE分別降低了3.60%、8.86%、11.64%，R2增加了0.31%；與BP-ANN相比，評(píng)價(jià)指標(biāo)RMSE、MAE、MAPE分別降低了30.29%、35.29%、18.62%，R2增加了4.57%。

在預(yù)測時(shí)間步長為60 min條件下，GWO-LSTM模型RMSE為1.030 2，MAE為0.594 3，MAPE為0.196 3，R2為0.910 8。與標(biāo)準(zhǔn)LSTM相比，評(píng)價(jià)指標(biāo)RMSE、MAE、MAPE分別降低了3.85%、11.80%、7.32%，R2增加了1.13%；與BP-ANN相比，評(píng)價(jià)指標(biāo)RMSE、MAE、MAPE分別降低了35.33%、46.12%、29.29%，R2增加了16.75%。

從模型評(píng)價(jià)指標(biāo)橫向比較結(jié)果看出，本文提出的GWO-LSTM模型無論在步長10 min、30 min或60 min 情況下，預(yù)測精度都比標(biāo)準(zhǔn)LSTM和BP-ANN 更高。

從預(yù)測步長縱向比較來看，針對(duì)GWO-LSTM模型，時(shí)間步長60 min相較于時(shí)間步長30 min，評(píng)價(jià)指標(biāo)RMSE、MAE、MAPE分別增加了0.352 6、0.182 9、0.027 6，R2減少了0.049 6；時(shí)間步長30 min相較于時(shí)間步長10 min，評(píng)價(jià)指標(biāo)RMSE、MAE、MAPE分別增加了0.290 7、0.247 3、0.064，R2減少了0.021 3。說明GWO-LSTM在預(yù)測未來30 min內(nèi)的溫度變化相對(duì)更精確，在預(yù)測未來60 min內(nèi)的溫度變化方面準(zhǔn)確度稍有下降。

為進(jìn)一步驗(yàn)證GWO-LSTM模型的連續(xù)性預(yù)測能力，表3給出2020年11月25日預(yù)測時(shí)間步長為60 min 時(shí)溫室內(nèi)空氣溫度實(shí)際值與各模型預(yù)測值的部分?jǐn)?shù)據(jù)對(duì)比分析，可以看出GWO-LSTM模型在連續(xù)6個(gè)時(shí)間點(diǎn)的最大絕對(duì)誤差和平均絕對(duì)誤差分別是0.185 3和0.120 9，均小于LSTM和BP-ANN模型的最大絕對(duì)誤差和平均絕對(duì)誤差。

表3 預(yù)測時(shí)間步長為60 min的溫度真實(shí)值與預(yù)測值對(duì)比分析Tab. 3 Comparison and analysis between actual value and predicted value in 60 min predicted time step

綜上所述，本文提出的GWO-LSTM能夠較準(zhǔn)確地預(yù)測溫室內(nèi)未來60 min的空氣溫度變化，同時(shí)避免了人工調(diào)參，提高了模型參數(shù)調(diào)優(yōu)效率，能夠?yàn)橹悄軠厥揖珳?zhǔn)調(diào)控提供有效的技術(shù)支撐。

3 結(jié)論

1) 目前對(duì)設(shè)施蔬菜溫室內(nèi)空氣溫度預(yù)測的研究大多僅采用溫室內(nèi)外部的環(huán)境因子數(shù)據(jù)，未考慮溫室內(nèi)控制設(shè)備的影響，而實(shí)際生產(chǎn)中控制設(shè)備的調(diào)控對(duì)溫室氣候的形成起著較大的作用，因此這類僅利用溫室內(nèi)外部環(huán)境因子數(shù)據(jù)建立的模型無法用于自控型溫室空氣溫度預(yù)測。本文基于實(shí)際生產(chǎn)中的狀況，實(shí)時(shí)采集溫室內(nèi)控制設(shè)備的運(yùn)行狀態(tài)，并把設(shè)備狀態(tài)作為模型輸入的一部分，這種建模方式更符合實(shí)際生產(chǎn)中自控型溫室的工作狀態(tài)。

2) 本文采用GWO優(yōu)化算法對(duì)LSTM的模型參數(shù)進(jìn)行尋優(yōu)，解決了根據(jù)人工經(jīng)驗(yàn)選取模型參數(shù)而導(dǎo)致的模型擬合度不夠，模型預(yù)測精度低和模型調(diào)節(jié)參數(shù)時(shí)間過長等問題。同時(shí)本文還對(duì)多個(gè)時(shí)間步長進(jìn)行預(yù)測對(duì)照，在未來10 min和30 min預(yù)測步長中，GWO-LSTM 預(yù)測精度均優(yōu)于標(biāo)準(zhǔn)LSTM和BP-ANN模型。在未來60 min預(yù)測步長中，GWO-LSTM的預(yù)測均方根誤差、平均絕對(duì)誤差、平均絕對(duì)百分比誤差分別為1.030 2、0.594 3、0.196 3，相比標(biāo)準(zhǔn)LSTM降低了3.85%、11.80%、7.32%，說明GWO-LSTM模型在未來60 min預(yù)測中仍具有較高的準(zhǔn)確性。

3) 目前本文所述實(shí)例僅采集到秋季和初冬的溫室氣候環(huán)境和設(shè)備運(yùn)行數(shù)據(jù)，缺乏整個(gè)冬季和春季的采集數(shù)據(jù)。后續(xù)將補(bǔ)充采集冬季和春季的溫室氣候環(huán)境和設(shè)備運(yùn)行數(shù)據(jù)，按照季節(jié)劃分?jǐn)?shù)據(jù)集，進(jìn)而構(gòu)建針對(duì)不同季節(jié)的預(yù)測模型，使模型具有普適性，同時(shí)將模型應(yīng)用到實(shí)際生產(chǎn)中。