1、2023.4电脑编程技巧与维护图2风向对应1概述稻米是全球重要的农作物之一，及时并可靠地对大区域的稻米进行估产有利于制订科学合理的粮食安全发展计划，确保粮食安全。同时结合各种气象因素对水稻产量进行预测，不仅有助于了解气象因素对水稻产量产生的影响，还有利于提高产量预测的精度1。LSTM是一种特殊的循环神经网络（RNN），通过在标准RNN中引入门控单元的概念，解决RNN中可能存在的梯度消失问题。LSTM由能够处理输入序列、跨长时间段存储和传播信息及输出处理序列的单元组成2。LSTM已广泛应用于建模和预测各种时间序列数据，包括金融数据、交通数据和天气数据。尽管应用LSTM取得了一定的成功，但仍有一些
2、局限性。例如，它们可能很难被优化，并且可能需要大量数据才能实现良好的性能。此外，它们可能会与来自非常遥远并且需要模型记住的时间步骤信息的长期依赖性进行斗争3。LSTM已被证明是一种具有强大建模功能的数据工具，并在一系列应用中产生了巨大影响。当前的研究集中于开发新的技术和架构，以解决LSTM的局限性问题并进一步提高其性能49。2数据处理2.1划分样本以气象数据为例，部分气象数据如图1所示。（1）把“”和“*”替 换 成“0”，丢 弃 无 关 特征站名ID。（2）按年份和县ID划分出4（年）和81个（县）做样本。（3）在每个样本里截取前360行，用1360的索引替换年/月/日特征。（4）把日照时数
3、等浮点型的特征和（3）中添加的索引归一化。（5）按年份和县ID读取早/晚稻产量做样本的标签，2018年样本无标签。2.2风向特征的处理风向特征使用字符串表示17种风向（含静风），风向对应如图2所示。若使用onehot编码，则4个时刻的风向特征将会产生417长度的向量。一方面，计算量太大；另一方面，风向特征数量远多于其他特征，可能弱化模型对其他特征的学习能力。以“N”方向为0，以逆时针转动为角度正方向，用每个风向对应的角度的正余弦值表示风向。例如，“N”方向：（0，1）。另外，静风：“C”和异常值：作者简介：邓小康，男，硕士在读，研究方向为农业信息化。基于 LSTM 水稻产量预测邓小康（武汉轻工
4、大学电气与电子工程学院，武汉430023）摘要：随着人工智能技术的不断发展，传统的人工经验预测方法已经不能满足现代农业发展的需求。近年来，基于深度学习的产量预测模型成为热门研究领域。针对水稻产量预测问题，基于长短期记忆网络（LSTM）建立一个水稻产量预测模型。该模型将天气特征、地理位置、风向作为输入特征并利用 LSTM 模型进行组合预测，以提高农作物产量预测的准确性。通过实验结果分析，验证了该模型的有效性。关键词：长短期记忆网络；深度学习；水稻产量预测图1部分气象数据截图40DOI:10.16184/prg.2023.04.0262023.4电脑编程技巧与维护图5指数平滑法拟合和预测“”、“*
5、”（在前面已经替换成0）用（0，0）表示。2.3县 ID 的处理地理位置对于作物生长也会产生影响，与地理位置相关联的特征是县ID。一个188的数字（记为C）可以用来表示县ID，但是，这不利于表示模型学习县ID与水稻产量之间的关系，因为产量与C之间不是线性关系，也不是简单的单调递减或者递增的关系。使用onehot编码的方式，编码县ID长度为88的onehot向量。每个样本由年份和县ID确定，因此样本与县之间是一一对应的关系。样本的天气特征维度是36017，县ID特征无法与之拼接成一个数组，因此，把天气特征和县ID作为两个特征数据，分开存储。3模型构建为了评估LSTM在构建水稻产量预测模型中的性能
6、，收集一个数据集。该数据集包括水稻产量数据及多个水稻种植区的相关环境和农业因素。数据处理的每个样本包含两个特征数据：（360，17）和（88）。水稻产量预测模型要综合学习两个特征数据与标签之间的映射关系，LSTM构建过程如图3所示。天气特征是随时间而连续变化的，RNN中使用最广泛的LSTM能很好的从前后关联紧密的数据中学习特征。水稻产量预测模型使用了3层双向LSTM学习特征，连接仅有一个神经元的全连接层输出产量预测值，记为“pre”。县ID与产量之间的关系是地理位置与产量之间的关系。这里用两个全连接层学习其映射，输出层仅有一个神经元，用Sigmoid函数将其激活，得到一个值域是（0，1）的值，
7、记为“c”。（1）定义LSTM学习天气特征与产量之间的关系，然后预测水稻产量，记为“pre”。（2）用Dense模型学习产量与县ID之间的关系，用Sigmoid激活输出，记为“c”。（3）最后用c调节pre，得到最终预测结果：prec。4模型训练对数据进行预处理，并将其分为训练集和测试集，然后训练大量由LSTM构建且具有不同架构和超参数设置的模型，使用各种评估指标比较这些模型的性能。训练时，考虑到2018年产量与2017年产量 相近，与2016年产量相比稍低，与2015年产量相比最低，故设置2015/2016/2017这3年样本的权重分别为1 2 4。为了防止过拟合，设计使用了L2正则化。使用
8、该模型预测水稻产量时，训练过程中训练集和验证集上的损失函数和均方差的变化曲线，如图4所示。最终在训练集和验证集上的误差分别是0.0049和0.0107。5指数平滑法平滑类型为一次平滑，此时均方根误差（RMSE）值为2.009。指数平滑法拟合和预测如图5所示。6结语将LSTM与指数平滑法进行对比，平滑类型为一次平滑，RMSE值为2.009。LSTM在训练集和验证集上的RMSE分别是0.0049和0.0107，得出LSTM预测性能优于指数平滑法的结论。研究结果表明，LSTM模型有可以成为水稻产量预测的有用工具，并可以用于改进农业规划和决策。接下来将在更大、更多样的数据集上验证图3LSTM构建过程图
9、4损失函数和均方差的变化曲线InputLayerinput:(None,360,17)output:(None,360,17)input:(None,88)(None,88)output:InputLayerBidirectional(LSTM)Bidirectional(LSTM)Bidirectional(LSTM)(None,360,17)input:output:(None,360,64)Denseinput:output:(None,88)(None,32)input:output:(None,360,64)(None,360,64)Denseinput:output:(None,3
10、2)(None,1)input:output:(None,360,64)(None,128)Denseinput:output:(None,128)(None,1)TFOpLambdainput:output:(None,1)(None,1)1.00.80.60.40.20.0lossmean_squared_errorval_lossval_mean_squared_error05010015020025020181614121086真实值拟合值预测值向后1期36912151821242730333639424548412023.4电脑编程技巧与维护系统设计与开发中的一大特色。微信对于现代人
11、来说，是不可或缺的智能工具，将该软件系统与微信有机结合，在一定程度上能提高在外工作的子女对独居老人的关注程度。利用微信开发者工具进行开发能有效解决某些程序的兼容性问题，便于开发使用。另外，该系统功能更贴合老人的需求，尤其是对老人跌倒的判断，采用九轴传感器对老人的姿态进行判断，相较于陀螺仪，该系统具有更高的精度。换言之，该系统具有更高的可信度。参考文献1宋鹏蕾.社区“嵌入式”养老服务模式研究D.石家庄:河北师范大学,2019.2向立群.嵌入式养老设施策划研究D.哈尔滨:哈尔滨工业大学,2018.3刘宇.基于嵌入式系统的视频采集与无线传输系统的设计与实现D.银川:宁夏大学,2014.4李沛哲.面向
12、智能电网的无线通信技术研究D.北京:北京邮电大学,2018.5徐文.基于WiFi与Android的智能家居监控系统设计D.成都:西南交通大学,2017.6蔡远,陈玉霞.红外传感器技术的应用研究J.电子制作,2017(8):14.7曾阳洋.基于嵌入式终端的智能监控识别系统研究及应用D.成都:电子科技大学,2019.8燕丽红,王安斌,陈莲琴.智能居家养老健康助手系统设计J.物联网技术,2019,9(9):47-48.9俞泉瑜.基于嵌入式平台的居家养老服务系统的设计与实现D.北京:中国科学院大学（中国科学院工程管理与信息技术学院）,2017.10王鹏.基于嵌入式的智能养老院监控系统D.长春:长春工程
13、学院,2020.11张群忠.ARM嵌入式系统调试技术研究与实现D.上海:华东师范大学,2006.12赵雪芹,王少春.微信小程序用户持续使用意愿的影响因素探究J.现代情报,2019,39(6):70-80.(上接第30页)这些结果，并探索LSTM在其他作物和农业预测任务中的应用。参考文献1CHEN L,LI J,H SONG,et al.A hybrid deep learningmodel for rice yield prediction,Computers and Elec-tronics in Agriculture,2018(150):45-53.2DU Y,CHENL,ZHANGY,
14、et al.An improved longshort-term memory model for rice yield prediction,Measurement,2018(135):230-237.3GAO J,WANG Y,and Li S.A deep learning methodfor predicting rice yield based on meteorological data,Computers and Electronics in Agriculture,2019(159):121-129.4向昌盛,张林峰.灰色理论和马尔可夫相融合的粮食产量预测模型J.计算机科学,2
15、013,40(2):245-248.5薛利红,曹卫星,罗卫红.基于冠层反射光谱的水稻产量预测模型J.遥感学报,2005,9(1):100-105.6汪小旵,丁为民,罗卫红,等.利用BP神经网络对江淮地区梅雨季节现代化温室小气候的模拟与分析J.农业工程学报,2004,20(2):235-238.7任守纲,刘鑫,顾兴健,等.基于R-BP神经网络的温室小气候多步滚动预测模型J.中国农业气象,2018,39(5):314-324.8宗宸生,郑焕霞,王林山.改进粒子群优化BP神经网络粮食产量预测模型J.计算机系统应用,2018,27(12):204-209.9李灿东.黑龙江省北部大豆主栽品种产量性状主成分分析J.现代化农业,2020(12):4-8.42
