Multistep ahead prediction of temperature and humidity in solar greenhouse based on FAM-LSTM model
基于 FAM-LSTM 模型的日光温室温湿度多步提前预测
题目：“Multistep ahead prediction of temperature and humidity in solar greenhouse based on FAM-LSTM model” (Yang 等, 2023, p. 1) (pdf)
“基于 FAM-LSTM 模型的日光温室温湿度多步提前预测” (Yang 等, 2023, p. 1) (pdf)
农林科学1区top论文，2023年9月
Computers and Electronics in Agriculture
摘要
：中国北方日光温室为淡季作物的生产提供了良好的气候环境。温室温度和湿度是影响作物生长的重要环境因子; 因此，对温度和湿度 的预测至关重 要。在本研究中 ，我们建立了 一个前馈注意 机制- 长短期记忆( FA M -LS TM ) 模型，用于多步预测日光温室内的温度和湿度。FA M -LS TM 模型考虑了影响作物生长的内外环境因 素，包括 温 度 、 湿 度 、光 照 、 土 壤 温 度 和 土 壤 湿 度 。利 用 该 模 型 对 12 、24 、36 和 48 h 的 温度 和 湿 度 进 行 了 相 应 的 预 测 实验。与其他模型相比，FA M-L S TM 模型具有较高的精度。该模型在四个预测视域的温度预测误差 主要分别 在 [−0 .5,0 .9] 、 [−2 .1,1 .7] 、 [ −0.9 ,2.7] 和 [ −1.8 ,2.9 ]°C, 范 围 内 。 模 型 在 四 个 预 测 视 域 的 湿 度 预 测 误 差 主 要 分 别 在 [−1.9 ,1.8 ] 、[ −4.4 ,3.6 ] 、[ −6.9 ,2.4] 和 [−5 .8,4 .4] % 范围内。本研究为日光温室的环境精准调控和损害预警提供了一 种有效的温 湿度 预 测 方 法 。
数据集：
“本试验于 2021 年 11 月 1 日至 2022 年 1 月 31 日在陕西省西北农林 科技大学荆 阳蔬菜 试验示范 站大棚” (Yang 等, 2023, p. 2) (pdf)
模型：
“FAM-LSTM 模型包括输入层、LSTM 层、注意层、全连接层和输出 层。模型中各层的功能如下:” (Yang 等, 2023, p. 5) (pdf)
评估指标：RMSE、MAE、
FAM-LSTM 模型的 MAE 和 RMSE 最低。其中，12、24、 36 和 48 h 的 MAE 分别为 0.6°C、0.8°C、1.4°C和 1.7°C，分别比 LSTM 模型降低了 33.3%、42.9%、17.6%和 5.5%。相同预测层的 RMSE 分别 为 0.9°C、1.4°C、1.7°C和 2.3°C，分别比 LSTM 模型降低了 35.7%、 47.6%、26.1%和 17.8%。
对比：“在相同的原始数据集上进行试验，并与 RNN 、LSTM 、GRU 、 FAM-RNN 和 FAM-GRU 模型进行对比，以验证 FAM-LSTM 模型的性 能” (Yang 等, 2023, p. 8) (pdf)
“FAM 可以捕捉当前和历史时间之间的时间相 关性，并自适应地从多变量时间序列中选择关键特征，从而有效地增强 了 LSTM 模型的预测性能” (Yang 等, 2023, p. 8) (pdf)
可以去试试这个FAM注意力机制。
另外的收获
小提琴图是一种用于显示和比较数据分布的方法。它类似于箱形图，但它提供了更多关于数据密度的视觉线索，数据密度在图表的宽度中表示。
图表沿着垂直轴显示了温度(以摄氏度为单位)，沿着水平轴显示了时间(以小时为单位)。每个小提琴图都代表了一个不同时间点的温度分布。图表中的数字可能代表统计度量，如平均值、中位数或特定的数据点。