【技術實現步驟摘要】
本專利技術涉及人工智能，特別涉及一種基于注意力機制的cnn-bigru模型樹液流量預測方法及系統。
技術介紹
1、樹干液流是指植物體內由于葉片失水，從而引起水分通過木質部運輸到葉片的過程。它承接了龐大的地下根系所吸收、匯集的土壤水，決定了整個樹冠的蒸騰量，可反映植物體內的水分傳輸狀況。分析樹干液流與環境因子間的關系對掌握植物耗水規律，對樹木蒸騰耗水的研究提供基礎。建立樹干液流預測模型為樹木蒸騰耗水研究及農林業的節水灌溉等方向提供數據支撐，為植物水分需求和適應性研究、森林生態系統水分循環過程、森林生態功能評估、林分蒸騰量估算和植物抗逆性研究提供科學依據，有助于合理利用和保護森林資源，提高森林生態系統的功能和穩定性。
2、cn116484624a公開了一種模擬樹干瞬態液流變化的方法及系統，包括以下步驟：根據太陽輻射與樹干液流的變化關系，得到樹干瞬態液流變化原始模型；考慮復雜環境因素，根據樹干瞬態液流變化原始模型構建樹干瞬態液流變化模型；求解樹干瞬態液流變化模型，得到樹干液流速率。
3、cn116450995b公開了一種基于大數據分析的樹干液流流速預測系統，包括樹干液流測量模塊、樹干液流預測系統和樹干液流預測調整系統；所述樹干液流測量模塊用于對樹干液流的流量和流速進行實時檢測，并將檢測結果傳輸至樹干液流預測系統，所述樹干液流預測系統根據天氣信息和樹干液流測量模塊中樹干液流信息對未來的樹干液流信息進行預測，并將預測結果傳輸至樹干液流預測調整系統，所述樹干液流預測系統對樹干液流信息預測完成之后，所述樹干液流測量模塊
4、cn115907204a公開了一種麻雀搜索算法優化bp神經網絡的林木蒸騰耗水預測方法，包括以下步驟：獲取實際時段內的樹干液流數據與對應的環境影響因素和待測時段內環境影響因素，分別得到訓練集和預測集；對所述訓練集和預測集進行預處理；基于所述預處理后的數據，構建麻雀搜索算法優化bp神經網絡模型，使用訓練集對所述模型進行訓練；基于對所述訓練集訓練后的麻雀搜索算法優化bp神經網絡模型，對所述預測集進行模擬，輸出預測的樹干液流值。
5、cn114529102a公開了一種耦合多因素影響的華北落葉松單株液流預測方法及系統，包括以下步驟：步驟s1、采用單木競爭指數ci、相對樹高hr反映空間維度的影響因素，潛在蒸散etref、土壤含水量rew反映時間維度上的影響因素，并假設耦合多因素影響的樹木生長指標對各影響因素的響應彼此獨立，且樹木蒸騰對多因素的響應模型可表達為對單一因素響應函數的連乘，則耦合多因素影響的日尺度單株樹干液流模型為：js＝f(rew)·f(etref)·f(ci)·f(hr)(1)式中，js為樹干液流速率，f(rew)、f(etref)、f(ci)、f(hr)分別表示樹干液流速率響應土壤含水量、潛在蒸散、hegyi指數和相對樹高的函數；步驟s2、獲取預測區域觀測數據，包括樹干液流速率js的時間序列數據、土壤含水量rew的時間序列數據、潛在蒸散etref的時間序列數據以及樣地實測數據；步驟s3、根據得到的時間序列數據計算樹干液流速率js與土壤含水量rew、潛在蒸散etref的時滯時長并調整時間序列數據；步驟s4、構建單株樹干液流速率對林木水平方向的競爭壓力的響應函數，單株樹干液流速率對林木垂直方向的競爭壓力的響應函數，單株樹干液流速率對潛在蒸散的響應函數，以及單株樹干液流速率對土壤含水量的響應函數；步驟s5、將樹干液流速率及其單一因素響應函數f(hegyi)、f(hr)、f(etref)、f(rew)連乘，實現對多因素影響的耦合，得到能反映樹干液流速率受到空間結構上和時間進程上多因素影響的預測模型；步驟s6、利用構建的耦合多因素影響的日尺度單株樹干液流模型對華北落葉松單株液流速率進行預測。
6、現有技術中，直接采用環境因子的數據來計算和預測樹液流量，并通過神經網絡的方式進行預測計算，由于環境因子數量多導致模型復雜，計算量大，這類預測方法的預測精度和準確度都不高。
技術實現思路
1、經過長期實踐發現，由于樹干液流數據和環境數據量大，噪聲數據干擾大，神經網絡模型計算處理量大，計算效率不高且整體的預測精度不高，難以滿足樹液流量預測的精度和準確度的實際需求等技術問題。
2、有鑒于此，本專利技術提供了一種基于注意力機制的cnn-bigru模型樹液流量預測方法，包括，
3、步驟s1，采集樹干液流數據與環境數據，將所述樹干液流數據和所述環境數據分別進行數據預處理，將預處理后的數據按照8：2的比例劃分為訓練集和測試集；所述數據預處理包括樹液流重建過程，數據歸一化過程和特征值提取過程，所述樹液流重建過程包括引入ceemdan模型，將所述樹干液流數據分解為n個本征模型函數，其中n為大于1的正整數；
4、步驟s2，構建cnn-bigru-sa模型，其中，所述cnn-bigru-sa模型中cnn模型的卷積層、激勵層、池化層、全連接層，以及bigru層和attention層依次進行連接；
5、步驟s3，將所述訓練集輸入cnn-bigru-sa模型對模型進行訓練，采用所述測試集對cnn-bigru-sa模型進行測試，若cnn-bigru-sa模型得預測精度達到預設閾值，則輸出cnn-bigru-sa模型。
6、在一個實施例中，在步驟s1中，將n個本征模型函數依次與所述樹干液流數據計算得到n個hce值，構成一個向量hce＝[hce1，hce2，…，hcen]；依次將n個本征模型函數的振幅進行平方，再分別進行時間積分，得到向量eimf＝[e1，e2，…，en]，將向量hce與向量eimf進行點乘運算，得到向量m＝[m1，m2，…，mn]。
7、在一個實施例中，所述數據歸一化過程包括max-min歸一化或z-score歸一化。
8、在一個實施例中，所述特征值提取過程包括計算所述樹干液流數據和所述環境數據之間的hce值，根據hce值選擇特征因子，
9、u＝fx()
10、v＝fy(y)
11、fx,y(x,y)＝(fx(x),y(y))＝(u,v)
12、hce(u,v)＝-∫∫c(u,v)logc(u,v)dudv
13、x為樹干液流數據集，x為樹干液流數據，y為環境數據集，y為環境數據，fx()、fy(y)為邊緣分布函數，fx,y(x,y)為聯合分布函數，c為copula函數，hce(u,v)為所述樹干液流數據和所述環境數據之間的hce值。
14、在一個實施例中，所述激勵層采用relu函數對輸入數據進行非線性映射，包括，
15、
16、其中，f(x)為relu函數，x為輸入數據。
17、在一個實施例中，所述bigru層包括更新門和重置門。
1本文檔來自技高網...
【技術保護點】
1.一種基于注意力機制的CNN-BiGRU模型樹液流量預測方法，其特征在于，所述基于注意力機制的CNN-BiGRU模型樹液流量預測方法包括，
2.根據權利要求1所述的基于注意力機制的CNN-BiGRU模型樹液流量預測方法，其特征在于，在步驟S1中，將N個本征模型函數依次與所述樹干液流數據計算得到N個Hce值，構成一個向量HCE＝[Hce1，Hce2，…，Hcen]；依次將N個本征模型函數的振幅進行平方，再分別進行時間積分，得到向量EIMF＝[E1，E2，…，En]，將向量HCE與向量EIMF進行點乘運算，得到向量M＝[M1，M2，…，Mn]。
3.根據權利要求2所述的基于注意力機制的CNN-BiGRU模型樹液流量預測方法，其特征在于，所述數據歸一化過程包括Max-Min歸一化或Z-score歸一化。
4.根據權利要求3所述的基于注意力機制的CNN-BiGRU模型樹液流量預測方法，其特征在于，所述特征值提取過程包括計算所述樹干液流數據和所述環境數據之間的Hce值，根據Hce值選擇特征因子，
5.根據權利要求1所述的基于注意力機制的CN
6.根據權利要求1所述的基于注意力機制的CNN-BiGRU模型樹液流量預測方法，其特征在于，所述BiGRU層包括更新門和重置門。
7.根據權利要求1-6任意一項中所述的基于注意力機制的CNN-BiGRU模型樹液流量預測方法，其特征在于，將實時采集樹干液流數據與環境數據，傳輸至云服務器中訓練好的CNN-BiGRU-SA模型，計算得到樹干液流量的預測值。
8.一種用于執行權利要求1-7任意一項中所述的基于注意力機制的CNN-BiGRU模型樹液流量預測方法的系統，其特征在于，所述系統包括，
9.一種電子設備，其特征在于，至少一個處理器；以及
10.一種機器可讀存儲介質，其特征在于，該機器可讀存儲介質上存儲有指令，該指令用于使得機器執行如權利要求1-7中任意一項所述的基于注意力機制的CNN-BiGRU模型樹液流量預測方法。
...【技術特征摘要】
1.一種基于注意力機制的cnn-bigru模型樹液流量預測方法，其特征在于，所述基于注意力機制的cnn-bigru模型樹液流量預測方法包括，
2.根據權利要求1所述的基于注意力機制的cnn-bigru模型樹液流量預測方法，其特征在于，在步驟s1中，將n個本征模型函數依次與所述樹干液流數據計算得到n個hce值，構成一個向量hce＝[hce1，hce2，…，hcen]；依次將n個本征模型函數的振幅進行平方，再分別進行時間積分，得到向量eimf＝[e1，e2，…，en]，將向量hce與向量eimf進行點乘運算，得到向量m＝[m1，m2，…，mn]。
3.根據權利要求2所述的基于注意力機制的cnn-bigru模型樹液流量預測方法，其特征在于，所述數據歸一化過程包括max-min歸一化或z-score歸一化。
4.根據權利要求3所述的基于注意力機制的cnn-bigru模型樹液流量預測方法，其特征在于，所述特征值提取過程包括計算所述樹干液流數據和所述環境數據之間的hce值，根據hce值選擇特征因子，
...【專利技術屬性】
技術研發人員：馮海林，李顏娥，王偉博，胡云昊，郭禮俊，任楨，朱強，
申請(專利權)人：浙江農林大學，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。