模型训练方法、信息生成方法、装置、设备和介质与流程

本公开的实施例涉及计算机，具体涉及模型训练方法、信息生成方法、装置、设备和介质。

背景技术：

1、随着现代农业的发展，作物的日常生长情况的预测成为人们日益关注的重点。对于作物的日常生长情况预测，通常采用的方式为：利用预先训练的深度学习神经网络，来预测作物的日常生长情况。其中，深度学习神经网络是基于作物的实际生长情况数据集所训练的。

2、然而，发明人发现，当采用上述方式来预测作物的日常生长情况，经常会存在如下技术问题：

3、作物的生长周期较长，导致作物的实际生长情况数据集收集较为困难，使得训练样本较为匮乏，进而，使得所训练得到的深度学习神经网络，针对作物生长信息的预测能力不够精准。

4、该背景技术部分中所公开的以上信息仅用于增强对本发明构思的背景的理解，并因此，其可包含并不形成本国的本领域普通技术人员已知的现有技术的信息。

技术实现思路

1、本公开的内容部分用于以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。本公开的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。

2、本公开的一些实施例提出了模型训练方法、信息生成方法、装置、设备和介质，来解决以上背景技术部分提到的技术问题。

3、第一方面，本公开的一些实施例提供了一种模型训练方法，包括：获取针对目标作物信息的历史作物场景数据序列和作物实际生长数据序列，其中，上述历史作物场景数据序列中的历史作物场景数据与上述作物实际生长数据序列中的作物实际生长数据存在时间对应关系；确定与上述目标作物信息相关联的至少一个作物生长实验模型；将上述历史作物场景数据序列输入至上述至少一个作物生长实验模型中的每个作物生长实验模型，以生成历史作物生长仿真数据序列，得到历史作物生长仿真数据序列集；对于上述历史作物生长仿真数据序列集中的每个历史作物生长仿真数据序列，将上述历史作物生长仿真数据序列与上述历史作物场景数据序列进行数据对应组合，得到历史作物组合数据序列；根据所得到的历史作物组合数据序列集和上述作物实际生长数据序列，对初始作物生长信息生成模型进行模型训练，得到作物生长信息生成模型。

4、可选地，上述根据所得到的历史作物组合数据序列集和上述作物实际生长数据序列，对初始作物生长信息生成模型进行模型训练，得到作物生长信息生成模型，包括：对于上述作物实际生长数据序列中的每个作物实际生长数据，依据上述作物实际生长数据对应的作物生长时间，从目标历史作物生长仿真数据集中筛选出与上述作物实际生长数据之间关系满足预设条件的目标历史作物生长仿真数据，作为候选历史作物生长仿真数据，其中，上述目标历史作物生长仿真数据集为对应时间与上述作物生长时间相关联的历史作物生长仿真数据；生成所得到的候选历史作物生长仿真数据序列对应的历史作物组合数据序列，作为目标历史作物组合数据序列；根据上述目标历史作物组合数据序列和上述作物实际生长数据序列，对初始作物生长信息生成模型进行模型训练，得到上述作物生长信息生成模型。

5、可选地，上述根据上述目标历史作物组合数据序列和上述作物实际生长数据序列，对初始作物生长信息生成模型进行模型训练，得到上述作物生长信息生成模型，包括：将上述目标历史作物组合数据序列作为一次训练数据序列，对上述初始作物生长信息模型进行一次训练，得到一次训练后的作物生长信息生成模型；将上述作物实际生长数据序列作为二次训练数据序列，对上述一次训练后的作物生长信息生成模型进行二次训练，得到二次训练后的作物生长信息生成模型，作为上述作物生长信息生成模型，其中，上述一次训练后的作物生长信息生成模型包括的至少一个预定位置的子模型的模型参数在二次训练过程中不发生改变。

6、可选地，上述方法还包括：获取针对上述目标作物信息的验证数据和作物生长验证信息，其中，上述验证数据为针对第一时间的上述目标作物信息对应作物所处农场的农场场景数据，上述作物生长验证信息为针对上述第一时间的作物实际生长数据；将上述验证数据输入至上述作物生长信息生成模型，得到作物生长信息；响应于确定上述作物生长信息与上述作物生长验证信息之间的信息差小于等于预设阈值，生成表征上述作物生长信息生成模型验证成功的信息。

7、可选地，上述方法还包括：响应于确定上述作物生长信息与上述作物生长验证信息之间的信息差大于预设阈值，对上述作物生长信息生成模型的模型结构进行调整，得到调整后的作物生长信息生成模型；根据上述目标历史作物组合数据序列和上述作物实际生长数据序列，对调整后的作物生长信息生成模型进行模型训练，得到上述作物生长信息生成模型。

8、可选地，上述作物实际生长数据序列中的作物实际生长数据包括：作物场景数据；以及上述从目标历史作物生长仿真数据集中筛选出与上述作物实际生长数据之间关系满足预设条件的目标历史作物生长仿真数据，作为候选历史作物生长仿真数据，包括：对上述作物场景数据进行编码，得到实际场景数据向量；对上述目标历史作物生长仿真数据集中的每个历史作物生长仿真数据进行编码，以生成仿真数据向量，得到仿真数据向量集；从上述仿真数据向量集中筛选出与上述实际场景数据向量之间距离满足预设距离条件的仿真数据向量，作为候选仿真数据向量；将上述候选仿真数据向量对应的目标历史作物生长仿真数据确定为候选历史作物生长仿真数据。

9、第二方面，本公开的一些实施例提供了一种模型训练装置，包括：第一获取单元，被配置成获取针对目标作物信息的历史作物场景数据序列和作物实际生长数据序列，其中，上述历史作物场景数据序列中的历史作物场景数据与上述作物实际生长数据序列中的作物实际生长数据存在时间对应关系；确定单元，被配置成确定与上述目标作物信息相关联的至少一个作物生长实验模型；第一输入单元，被配置成将上述历史作物场景数据序列输入至上述至少一个作物生长实验模型中的每个作物生长实验模型，以生成历史作物生长仿真数据序列，得到历史作物生长仿真数据序列集；组合单元，被配置成对于上述历史作物生长仿真数据序列集中的每个历史作物生长仿真数据序列，将上述历史作物生长仿真数据序列与上述历史作物场景数据序列进行数据对应组合，得到历史作物组合数据序列；训练单元，被配置成根据所得到的历史作物组合数据序列集和上述作物实际生长数据序列，对初始作物生长信息生成模型进行模型训练，得到作物生长信息生成模型。

10、可选地，训练单元可以被配置成：对于上述作物实际生长数据序列中的每个作物实际生长数据，依据上述作物实际生长数据对应的作物生长时间，从目标历史作物生长仿真数据集中筛选出与上述作物实际生长数据之间关系满足预设条件的目标历史作物生长仿真数据，作为候选历史作物生长仿真数据，其中，上述目标历史作物生长仿真数据集为对应时间与上述作物生长时间相关联的历史作物生长仿真数据；生成所得到的候选历史作物生长仿真数据序列对应的历史作物组合数据序列，作为目标历史作物组合数据序列；根据上述目标历史作物组合数据序列和上述作物实际生长数据序列，对初始作物生长信息生成模型进行模型训练，得到上述作物生长信息生成模型。

11、可选地，训练单元可以被配置成：将上述目标历史作物组合数据序列作为一次训练数据序列，对上述初始作物生长信息模型进行一次训练，得到一次训练后的作物生长信息生成模型；将上述作物实际生长数据序列作为二次训练数据序列，对上述一次训练后的作物生长信息生成模型进行二次训练，得到二次训练后的作物生长信息生成模型，作为上述作物生长信息生成模型，其中，上述一次训练后的作物生长信息生成模型包括的至少一个预定位置的子模型的模型参数在二次训练过程中不发生改变。

12、可选地，训练单元可以被配置成：获取针对上述目标作物信息的验证数据和作物生长验证信息，其中，上述验证数据为针对第一时间的上述目标作物信息对应作物所处农场的农场场景数据，上述作物生长验证信息为针对上述第一时间的作物实际生长数据；将上述验证数据输入至上述作物生长信息生成模型，得到作物生长信息；响应于确定上述作物生长信息与上述作物生长验证信息之间的信息差小于等于预设阈值，生成表征上述作物生长信息生成模型验证成功的信息。

13、可选地，训练单元可以被配置成：响应于确定上述作物生长信息与上述作物生长验证信息之间的信息差大于预设阈值，对上述作物生长信息生成模型的模型结构进行调整，得到调整后的作物生长信息生成模型；根据上述目标历史作物组合数据序列和上述作物实际生长数据序列，对调整后的作物生长信息生成模型进行模型训练，得到上述作物生长信息生成模型。

14、可选地，上述作物实际生长数据序列中的作物实际生长数据包括：作物场景数据；以及训练单元可以被配置成：对上述作物场景数据进行编码，得到实际场景数据向量；对上述目标历史作物生长仿真数据集中的每个历史作物生长仿真数据进行编码，以生成仿真数据向量，得到仿真数据向量集；从上述仿真数据向量集中筛选出与上述实际场景数据向量之间距离满足预设距离条件的仿真数据向量，作为候选仿真数据向量；将上述候选仿真数据向量对应的目标历史作物生长仿真数据确定为候选历史作物生长仿真数据。

15、第三方面，本公开的一些实施例提供了一种信息生成方法，包括：获取目标作物信息对应目标农场的、针对第二时间的作物场景数据；将上述作物场景数据输入至作物生长信息生成模型，以生成作物生长预测信息，其中，上述作物生长信息生成模型是通过如上述第一方面中任一实现方式描述的方法生成的。

16、第四方面，本公开的一些实施例提供了一种信息生成装置，包括：第二获取单元，被配置成获取目标作物信息对应目标农场的、针对第二时间的作物场景数据；第二输入单元，被配置成将上述作物场景数据输入至作物生长信息生成模型，以生成作物生长预测信息，其中，上述作物生长信息生成模型是通过如上述第一方面中任一实现方式描述的方法生成的。

17、第五方面，本公开的一些实施例提供了一种电子设备，包括：一个或多个处理器；存储装置，其上存储有一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如第一方面和第三方面中任一实现方式描述的方法。

18、第六方面，本公开的一些实施例提供了一种计算机可读介质，其上存储有计算机程序，其中，程序被处理器执行时实现如第一方面和第三方面中任一实现方式描述的方法。

19、第七方面，本公开的一些实施例提供了一种计算机程序产品，包括计算机程序，计算机程序在被处理器执行时实现上述第一方面和第三方面中任一实现方式所描述的方法。

20、本公开的上述各个实施例具有如下有益效果：通过本公开的一些实施例的模型训练方法提高了训练得到的作物生长信息生成模型，针对作物生长信息的预测精准度。具体来说，造成作物生长信息生成模型预测不够精准的原因在于：作物的生长周期较长，导致作物的实际生长情况数据集收集较为困难，使得训练样本较为匮乏。进而，使得所训练得到的深度学习神经网络，针对作物生成信息的预测能力不够精准。基于此，本公开的一些实施例的模型训练方法，首先，获取针对目标作物信息的历史作物场景数据序列和作物实际生长数据序列。在这里，历史作物场景数据序列用于后续历史作物生长仿真数据序列集的生成。作物实际生长数据序列用于后续初始作物生长信息生成模型的训练。然后，确定与上述目标作物信息相关联的至少一个作物生长实验模型。通过确定针对目标作物信息的至少一个作物生长实验模型，后续用于生成更为准确的、贴合目标作物特征的仿真数据。接着，将上述历史作物场景数据序列输入至上述至少一个作物生长实验模型中的每个作物生长实验模型，以生成历史作物生长仿真数据序列，得到历史作物生长仿真数据序列集。这里所得到的历史作物生长仿真数据序列集用于后续生成针对初始作物生长信息生成模型的训练数据集。以此，在作物的生长周期较长，导致作物的实际生长情况数据集收集较为困难，数据较少的情况下，利用历史作物生长仿真数据序列集而生成的训练数据集，可以解决训练样本匮乏的问题。进而，对于上述历史作物生长仿真数据序列集中的每个历史作物生长仿真数据序列，将上述历史作物生长仿真数据序列与上述历史作物场景数据序列进行数据对应组合，以得到后续用于初始作物生长信息生成模型训练的历史作物组合数据序列。最后，通过历史作物组合数据序列集和上述作物实际生长数据序列，对初始作物生长信息生成模型进行模型训练。通过此种训练方式，可以有效地解决由于数据集较少，而导致训练得到的深度学习神经网络，针对作物生长信息的预测能力不够精准的问题。