一种基于Transformer模型的智能灌溉预测方法及系统与流程

本发明涉及智能灌溉预测，尤其涉及一种基于transformer模型的智能灌溉预测方法及系统。

背景技术：

1、灌溉作为植物生长的必需措施，是农业、城市绿化养护等领域的重要手段。而如何实现按需灌溉是当前灌溉面临的最大问题，也是尽可能实现节水问题的核心。随着劳动力成本逐渐提高和淡水资源的日益短缺，智能灌溉技术成为农业、林业和园林园艺等行业的迫切需求。智能灌溉技术利用智能设备进行农田、花园、园林地块、温室大棚等场地的灌溉，不仅可以降低灌溉的工作量，还可大量节约水资源，从整体上降低灌溉成本。高架绿植作为改善城市高架一种措施，成为城市中不可缺少的风景线。由于高架绿植环境不仅所在高度各不相同，而且还存在管道老化和高架沉降引起的漏水问题。因此，实现高架绿植的智能灌溉不仅可以有效实现节水的目标，还可以解决由于漏水带来的系列问题。

2、现有技术中，高架绿植灌溉一般采用定时集中灌溉方式实现。一方面，减少灌溉时间，降低管道漏水引起的水资源损耗；另一方面，通过减少高架灌溉时间实现减少漏水时间，从而减少高架滴水可能引起的路人投诉和交通事故等事件的产生。但是随着城市高架日益边长，这种集中灌溉同样带来很大的水资源浪费、高架漏水带来的路人投诉和交通事故。

3、由于高架遍布范围大，每个区域由于湿度变化和降雨量各不相同，采用集中统一灌溉存在很大的水资源浪费。城市高架所涉及区域越来越大，采用统一灌溉技术会对刚刚下过暴雨区域内花箱进行灌溉。而随着人工智能、互联网技术逐渐成熟，实现高架绿植智能灌溉成为可能。绿植水文模型可以有效刻画复杂的水文过程及其相互作用，模拟不同情景下的状态响应，得到较优的灌溉管理策略。近二十年来，诸多模型(如swap、swat、drainmod和simdualkc)己被广泛应用于灌溉制度与技术优化及灌排系统设计的研究中，但是这些研究大多局限于绿植种植的尺度，不适合对于整个灌区的研究，并且利用模型模拟往往只能得到假定条件下的较优方案，即灌溉管理决策是基于若干预设情景下的模拟结果，并从中选择相对较优的方案，而该方案通常并非整个系统的最优化方案，尤其是对于复杂的区域尺度研究。

技术实现思路

1、本发明的目的在于提供一种基于transformer模型的智能灌溉预测方法及系统通过天气预报和历史花箱环境数据对每个区段花箱的需水量进行预测，从而实现对每个区段花箱的按需灌溉解决当前高架智能灌溉中的上述缺陷。

2、一种基于transformer模型的智能灌溉预测方法，包括环境控制终端和服务器，所述环境控制终与所述服务器无线连接，包括以下步骤：

3、所述环境控制终端采集绿植周边的环境数据，并发送至所述服务器；

4、所述服务器接收并预处理所述环境数据；

5、构建灌溉预测模型，所述服务器将预处理后的数据输入至所述灌溉预测模型并训练；

6、检验训练后的灌溉预测模型对预测绿植灌溉的准确度。

7、在其中一个实施例中，所述采集绿植周边的环境数据包括影响绿植湿度变化的现场环境数据和天气预报数据。

8、在其中一个实施例中，预处理所述环境数据包括：

9、将所述环境数据标准化；

10、提取主要因素；

11、将所述主要因素生成相互独立的三元组，作为每个小时的特征数据。

12、在其中一个实施例中，将所述环境数据标准化包括将所述环境数据进行规范化处理，对所述环境数据的每个数据去中心化，得到y＝{y1，y2，...，yn}＝{x1-v1，x2-v2，...，xn-vn}，其中x＝{x1，x2，...，xn}；

13、在其中一个实施例中，提取主要因素包括比较去中心化后的数据在第一主轴μ1方向上分布特征，得到目标函数即所述目标函数就是最大特征值所对应的特征向量的最大数，主因素方向即为最大特征值对应的特征向量方向。

14、在其中一个实施例中，所述transformer模型训练包括：

15、编码器输入为历史现场环境数据为输入数据；

16、解码器输入为72个元素组成的时间序列；

17、输出为当前灌溉完成后到下次灌溉开始前的下降湿度，得出最优模型。

18、在其中一个实施例中，所述最优模型时参数设置为：

19、编码器和解码器的层数为6层；

20、嵌入词向量的维度为512；

21、学习率为1e-4；

22、随机失活的概率为0.15；

23、前馈层的维度为2048；

24、多头注意力机制的头数为8；

25、预热的步数为3500；

26、迭代次数为200k steps。

27、在其中一个实施例中，将测试集输入所述最优模型进行测试，查看预测的湿度变化值的准确性，检验模型训练的效果。

28、一种基于transformer模型的智能灌溉预测系统，包括上述任意一项所述的一种基于transformer模型的智能灌溉预测方法，所述环境控制终端包括环境信息采集模块、控制模块、被控设备和通信模块，所述控制模块内存储有所述被控设备的智能控制策略，所述控制模块分别信号连接所述环境信息采集模块和所述被控设备，所述控制模块与所述服务器通过所述通信模块无线连接，所述服务器内部存储有transformer预测模型，所述transformer预测模型包括编码器模块、注意力模块和解码输出模块，所述服务器将环境数据输入至所述编码器模块，所述编码器模块的输出结果传输至所述注意力模块，通过所述注意力模块提取连续时间段内环境数据之间的相关性信息，所述注意力模块的输出结果输入至解码输出模块，通过所述解码输出模块输出下一时间段需要灌溉数据的预测结果。

29、一种电子设备，包括上述的一种基于transformer模型的智能灌溉预测方法，还包括：存储器以及一个或多个处理器；

30、其中，所述存储器与所述一个或多个处理器通信连接，所述存储器中存储有可被所述一个或多个处理器执行的指令，所述指令被所述一个或多个处理器执行时，所述电子设备用于实现以上任一项实施例所述的方法。

31、一种计算机可读存储介质，包括上述的一种基于transformer模型的智能灌溉预测方法，其上存储有计算机可执行指令，当所述计算机可执行指令被计算装置执行时，可用来实现以上任一项实施例所述的方法。

32、一种计算机程序产品，包括上述的一种基于transformer模型的智能灌溉预测方法，所述计算机程序产品包括存储在计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，可用来实现以上任一项实施例所述的方法。

33、上述技术方案具有如下优点或有益效果：

34、本发明这种基于transformer模型的智能灌溉预测方法及系统通过所在的环境因素预测植物是否需要进行灌溉，以便在最佳灌溉时机开始对植物进行灌溉，利用收集的温湿度、灌溉时湿度变化、光照、天气气候、位置等多个维度的相关历史信息，结合深度学习框架，构建基于transformer模型的智能灌溉系统；利用机器学习方法取代人工判断是否需要灌溉，可大大改善确定灌溉时机的科学性和准确性，确保高架绿植保持良好的生长状态。