(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210513503.3 (22)申请日 2022.05.12 (71)申请人 大连大学 地址 116622 辽宁省大连市经济技 术开发 区学府大街10号 (72)发明人 汪祖民　王恺锋　 (74)专利代理 机构 大连智高专利事务所(特殊 普通合伙) 2123 5 专利代理师 毕进 (51)Int.Cl. G06F 16/2455(2019.01) G06F 16/27(2019.01) G06F 16/28(2019.01) G06N 3/04(2006.01) G06N 3/08(2006.01)G08B 31/00(2006.01) (54)发明名称 一种基于 Flink流式计算和深度学习的农业 实时预警方法及系统 (57)摘要 本发明公开了一种基于Flink流式计算和深 度学习的农业实时预警方法及系统， 其方法包括 从时序数据库中获取环境因子数据， 并对所述环 境因子数据进行预处理； 通过改进的麻雀搜索算 法SSA确定双向长短期记忆神经网络Bi ‑LSTM的 超参数， 构建时序预测模型； 将所述时序预测模 型部署到 Flink运行环境中， 进行异常检测。 本发 明使用温室大棚内环境因子的时序数据， 利用双 向长短期记忆神经网络模型进行学习， 相比传统 机器学习的ARIMA模型， 大大提高了准确率， 预测 效果好。 权利要求书3页 说明书8页 附图3页 CN 114911831 A 2022.08.16 CN 114911831 A 1.一种基于Fl ink流式计算和深度学习的农业实时预警方法， 其特 征在于， 包括： 从时序数据库中获取环境因子数据， 并对所述环境因子数据进行 预处理； 通过改进的麻雀搜索算法SSA确定双向长短期记忆神经网络Bi ‑LSTM的超参数， 构 建时 序预测模型； 将所述时序预测模型部署到Fl ink运行环境中， 进行异常检测。 2.根据权利要求1所述一种基于Flink流式计算和 深度学习的农业实时预警方法， 其特 征在于， 从时序数据库中获取环境因子数据， 并对所述环境因子数据进行 预处理， 具体为： 从时序数据库中抽取一段时间内的历史环境因子数据， 所述历史环境因子数据包括温 度、 湿度、 光照度、 二氧化 碳浓度； 使用噪声滤波器对历史环境因子数据的噪声 进行过滤； 对过滤后的历史环境因子数据进行归一 化处理， 其归一 化公式为: 式中xtn是归一化后的环境因子数据， xt是历史环境因子数据， xavg,xsd分别是历史环境 因子数据的平均值和标准差 。 3.根据权利要求1所述一种基于Flink流式计算和 深度学习的农业实时预警方法， 其特 征在于， 通过改进的麻雀搜索算法SSA确 定双向长短期记忆神经网络Bi ‑LSTM的超参数， 构 建时序预测模型， 具体为： 选用Sin混沌方式初始化环境因子数据， 其 一维映射公式为： 其中xn为环境因子数据； 麻雀搜索算法将麻雀觅食的过程抽象为发现者模型与加入者模型， 其发现者模型中位 置更新公式为： 其中t为当前迭代次数， xi,j表示第i只 麻雀在第j维度的位置信息； V2为预警值， ST为安 全阈值； Q为服从正态分布的随机数， L为多维得到一行全1矩阵， randn(0,1)表示均值为0， 标准差为1的高斯分布； 在加入者模型中引进一定几率的发现者， 其 位置更新公式为： 其中k为发现者， FL∈[0,1]表示加入者跟从发现者的几率；权　利　要　求　书 1/3 页 2 CN 114911831 A 2双向长短期记 忆神经网络的输入层中温室大棚环境因子数据 序列为： Tn＝(a1,a2,…,at,…,an) at＝(tempt,Humt,Luxt,Cdct) 其中tempt,Humt,Luxt,Cdct分别代表t时刻的温度、 湿度、 光照度、 二氧化 碳浓度； 双向长短期记忆神经网络 的隐藏层为H＝(h1,h2,…,hn)， 隐藏层中每个记忆单元更新 后的状态为C(t)， 输出层为t+1时刻的预测值y^； 输入层与隐藏层的权重表示为Wih， 隐藏层 本身的权重表示为Whh， 隐藏层与输出层的权重表示为Who； 选择Sigmoid函数作为激活函数 σ， 使用bh表示隐藏层偏置， by表示输出层偏置， 则双向长短期记 忆神经网络 输出为： H(t)＝σ(WihTi(t)+WhhTi(t‑1)+bh)⊙tanhC(t) y^＝σ(WhoH(t)+by)。 4.根据权利要求3所述一种基于Flink流式计算和 深度学习的农业实时预警方法， 其特 征在于， 所述隐藏层分为前向隐藏层和反向隐藏层， 分别为： n为环境因子数据量， w 为时间窗口 的长度。 5.根据权利要求3所述一种基于Flink流式计算和 深度学习的农业实时预警方法， 其特 征在于， 通过注意力机制对历史时刻携带 的时序信息分配注意力权重， 用以区分不同时刻 对当前t时刻预测的影响： 时序注意力机制的输入为t时刻隐藏层的输出状态Ht＝(h1,t, h2,t,…,hl,t),其中L为输入序列的时间窗口； 设置Wd为训练权重矩阵， bd为偏置向量， 使用 ReLU激活函数用以增加差异， 则t时刻所对应各历史时刻的注意力权重向量Et＝(e1,t, e2,t,…,el,t)为： Et＝ReLU(WdHt+bd) 通过Softmax函数对时序注意力权重归一化处理获得Bt＝( β1,t, β2,t,…, βl,t)后， 与对应 历史时刻的隐藏层状态进行相乘再累积， 得到经时序注意力加权后的预测Ht′， 即： 使用TensorFlow深度学习框架训练并测试所述双向长短期记忆神经网络， 得到时序预 测模型。 6.根据权利要求1所述一种基于Flink流式计算和 深度学习的农业实时预警方法， 其特 征在于， 将所述时序预测模型部署到Fl ink运行环境中， 具体为： 在Flink运行环境中提供了窗口机制， 通过滑动时间窗结合时序预测模型进行预测， 获 取t时刻预测值； 定义待预测点为at、 滑动邻居窗口为Lt， 采用预测点at前L个点作为滑动时 间窗口大小输入至时序预测模型； 其中滑动时间窗口定义如下： Lxt＝(at‑L,at‑L+1,…,at‑1)。 7.根据权利要求6所述一种基于Flink流式计算和 深度学习的农业实时预警方法， 其特权　利　要　求　书 2/3 页 3 CN 114911831 A 3