[發明專利]水稻產量預測方法及裝置

在審

• 申請號: 202011052591.9
• 申請日: 2020-09-29
• 公開（公告）號: CN112308289A
• 公開（公告）日: 2021-02-02
• 發明（設計）人: 王聰聰;楊貴軍;徐波;楊小冬;馮海寬;龍慧靈;孟煬
• 申請（專利權）人: 北京農業信息技術研究中心
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/02;G06N3/04;G06N3/08
• 代理公司: 北京路浩知識產權代理有限公司 11002
• 代理人: 郭亮

本發明實施例提供一種水稻產量預測方法及裝置，該方法包括：對水稻原始數據進行特征提取，得到水稻特征數據；將所述水稻特征數據，輸入預設的XGBoost網絡模型，得到水稻的產量預測結果；其中，所述XGBoost網絡模型，根據已知水稻產量的原始數據作為樣本，經特征提取后訓練得到。通過訓練后的XGBoost網絡模型進行預測，XGBoost網絡模型引入正則化項，加入剪枝，控制了模型的復雜度，從而可大大減少預測的計算復雜度，提高預測效率。

技術領域

本發明涉及柔性傳感器薄膜的制備技術領域，尤其涉及一種水稻產量預測方法及裝置。

背景技術

農作物的產量預測對制訂農產品收購計劃具有非常重要的參考價值，農作物預測產量是在農作物收獲前采取一定方法預先測定的產量。

目前，對糧食產量的預測模型總體上分為三大類：時間序列模型、人工神經網絡模型和回歸模型。每個模型都有其優缺點，其中神經網絡綜合性能更優，但是存在計算復雜度大的問題。目前基于神經網絡模型的產量預測方法，由于高計算復雜度導致局限性大，預測速度較慢。

發明內容

本發明實施例提供一種水稻產量預測方法及裝置，用以滿足現有技術中的需求。

本發明實施例提供一種水稻產量預測方法，包括：對水稻原始數據進行特征提取，得到水稻特征數據；將所述水稻特征數據，輸入預設的XGBoost網絡模型，得到水稻的產量預測結果；其中，所述XGBoost網絡模型，根據已知水稻產量的原始數據作為樣本，經特征提取后訓練得到。

根據本發明一個實施例的水稻產量預測方法，所述對水稻原始數據進行特征提取之前，還包括：對模型的超參數，通過網格搜索算法進行尋優。

根據本發明一個實施例的水稻產量預測方法，對模型的超參數，通過網格搜索算法進行尋優，包括：對所有的待優化超參數進行循環遍歷，得到所有可能的組合；對每一種組合，使用相同的訓練集數據進行訓練，并使用相同的驗證集進行驗證，選取準確率最高的超參數組合，作為尋優結果。

根據本發明一個實施例的水稻產量預測方法，所述超參數包括，迭代次數、葉子節點最小樣本數、最大深度、gamma值、采樣比例、colsample_bytree參數、reg_alpha參數、reg_lambda參數和學習速率。

根據本發明一個實施例的水稻產量預測方法，對水稻原始數據進行特征提取之前，還包括：對水稻原始數據進行數據清洗；所述數據清洗包括，異常數據刪除、缺失值以零填充、對非數值數據進行編碼。

根據本發明一個實施例的水稻產量預測方法，對水稻原始數據進行特征提取之前，還包括：刪除影響預測的特征字段和與預測產量無關的特征字段。

根據本發明一個實施例的水稻產量預測方法，所述非數值數據，包括地址、生育期、品種和種類。

本發明實施例還提供一種水稻產量預測裝置，包括：特征提取模塊，用于對水稻原始數據進行特征提取，得到水稻特征數據；預測模塊，用于將所述水稻特征數據，輸入預設的XGBoost網絡模型，得到水稻的產量預測結果；其中，所述XGBoost網絡模型，根據已知水稻產量的原始數據作為樣本，經特征提取后訓練得到。

本發明實施例還提供一種電子設備，包括存儲器、處理器及存儲在存儲器上并可在處理器上運行的計算機程序，所述處理器執行所述程序時實現如上述任一種所述水稻產量預測方法的步驟。

本發明實施例還提供一種非暫態計算機可讀存儲介質，其上存儲有計算機程序，該計算機程序被處理器執行時實現如上述任一種所述水稻產量預測方法的步驟。

本發明實施例提供的水稻產量預測方法及裝置，通過訓練后的XGBoost網絡模型進行預測，XGBoost網絡模型引入正則化項，加入剪枝，控制了模型的復雜度，從而可大大減少預測的計算復雜度，提高預測效率。

附圖說明