基于预测模型的异常农情数据在线检测方法的研究
发布时间：2021-01-03 06:00
为保证农业物联网传感器的数据感知质量,构建了基于滑动窗口和预测模型（支持向量回归、K近邻、梯度提升回归和随机森林）的异常农情数据在线检测框架,提出了基于数据特征的滑动窗口尺寸计算方法,运用熵权逼近最优排序法评价预测模型适用性。采用羊圈环境数据（空气温度、相对湿度、CO2和H2S体积分数）进行试验,结果表明,滑动窗口尺寸计算方法优于仅基于采样间隔和特征周期的计算方法;模型预测误差与其异常检测性能负相关,且对误检率影响更大;支持向量回归模型对空气温度和相对湿度异常数据检测适用性最好,贴近度达0.8以上,梯度提升回归和K近邻模型分别对CO2和H2S体积分数异常数据检测适用性较优,两者贴近度均在0.6左右。
【文章来源】：湖南农业大学学报(自然科学版). 2020年04期 北大核心
【文章页数】：6 页
【部分图文】：
添加异常值后羊
2020年8月用SW–SVR方法和笔者建立的方法计算的窗口尺寸预测误差和运行时间。在模型预测误差方面，采用窗口尺寸时各模型的预测误差均小于SW–SVR方法。此外，较小的窗口尺寸降低了模型训练时长，使得各模型具有较短的运行时间。为验证式(1)得出窗口尺寸的合理性，评估滑动窗口尺寸分别为10、15、20、25、30、35和40时SVR模型的预测误差。图4表明，空气温度和相对湿度数据中，窗口尺寸空气温度相对湿度CO2体积分数H2S体积分数数据图3SVR模型的对预测误差和运行时间Fig.3SVRmodelpredictionerrorandcomputationaltime10152025303540窗口尺寸图4不同窗口尺寸下的模型预测误差Fig.4Predictionerrorofthemodelswithdifferentwindowsizes位于[20,25]时预测误差最低，CO2数据在窗口尺寸位于[15,20]时预测误差最小，H2S数据在窗口尺寸为10时具有最小的预测误差，与式(1)得出的窗口尺寸基本吻合。结合KNN、GBR和RF模型，进一步考察提出滑动窗口尺寸计算方法的合理性。对于相同数据，同一预测模型的预测误差较为接近，且采用式(1)的滑动窗口尺寸整体上略优于SW–SVR。KNN模型的评估结果与SVR相似，空气温度和相对湿度数据中滑动窗口尺寸在20左右时预测误差最小，CO2数据在窗口尺寸为15至20之间预测误差最小，H2S数据误差随着窗口尺寸的增大而增大。GBR和RF模型，空气温度和相对湿度数据预测误差随窗口尺寸同步增大。对于波动性较强的CO2与H2S数据最优窗口尺寸与式(1)较好吻合。总之，相比于SW–SVR的窗口尺寸
时各模型的预测误差均小于SW–SVR方法。此外，较小的窗口尺寸降低了模型训练时长，使得各模型具有较短的运行时间。为验证式(1)得出窗口尺寸的合理性，评估滑动窗口尺寸分别为10、15、20、25、30、35和40时SVR模型的预测误差。图4表明，空气温度和相对湿度数据中，窗口尺寸空气温度相对湿度CO2体积分数H2S体积分数数据图3SVR模型的对预测误差和运行时间Fig.3SVRmodelpredictionerrorandcomputationaltime10152025303540窗口尺寸图4不同窗口尺寸下的模型预测误差Fig.4Predictionerrorofthemodelswithdifferentwindowsizes位于[20,25]时预测误差最低，CO2数据在窗口尺寸位于[15,20]时预测误差最小，H2S数据在窗口尺寸为10时具有最小的预测误差，与式(1)得出的窗口尺寸基本吻合。结合KNN、GBR和RF模型，进一步考察提出滑动窗口尺寸计算方法的合理性。对于相同数据，同一预测模型的预测误差较为接近，且采用式(1)的滑动窗口尺寸整体上略优于SW–SVR。KNN模型的评估结果与SVR相似，空气温度和相对湿度数据中滑动窗口尺寸在20左右时预测误差最小，CO2数据在窗口尺寸为15至20之间预测误差最小，H2S数据误差随着窗口尺寸的增大而增大。GBR和RF模型，空气温度和相对湿度数据预测误差随窗口尺寸同步增大。对于波动性较强的CO2与H2S数据最优窗口尺寸与式(1)较好吻合。总之，相比于SW–SVR的窗口尺寸，笔者提出的窗口尺寸计算方法能够有效降低预测误差和运行时间。3.2预测模型的异常检测性能4种预测模型对空气温度、空气相对
【参考文献】：
期刊论文
[1]大数据背景下采用互信息与随机森林算法的空气质量预测[J]. 杨正理,史文,陈海霞,王长鹏. 环境工程. 2019(03)
[2]基于LabVIEW平台的蛋鸡舍环境舒适度实时监测系统设计与实现[J]. 白士宝,滕光辉,杜晓冬,杜欣怡. 农业工程学报. 2017(15)
[3]基于SW-SVR的畜禽养殖物联网异常数据实时检测方法[J]. 段青玲,肖晓琰,刘怡然,张璐. 农业机械学报. 2017(08)
[4]基于无线传感器网络的温室CO2浓度监控系统[J]. 王嘉宁,牛新涛,徐子明,郑传涛,王一丁. 农业机械学报. 2017(07)
[5]基于无线传感器网络的农村供水厂水质监测节点的设计[J]. 李亮斌,姜晟,王卫星,陈华强,焦国辉. 湖南农业大学学报(自然科学版). 2016(02)
[6]基于高斯过程建模的物联网数据不确定性度量与预测[J]. 苑进,胡敏,Kesheng Wang,刘雪美,侯加林,米庆华. 农业机械学报. 2015(05)
本文编号：2954450
【文章来源】：湖南农业大学学报(自然科学版). 2020年04期 北大核心
【文章页数】：6 页
【部分图文】：
添加异常值后羊
2020年8月用SW–SVR方法和笔者建立的方法计算的窗口尺寸预测误差和运行时间。在模型预测误差方面，采用窗口尺寸时各模型的预测误差均小于SW–SVR方法。此外，较小的窗口尺寸降低了模型训练时长，使得各模型具有较短的运行时间。为验证式(1)得出窗口尺寸的合理性，评估滑动窗口尺寸分别为10、15、20、25、30、35和40时SVR模型的预测误差。图4表明，空气温度和相对湿度数据中，窗口尺寸空气温度相对湿度CO2体积分数H2S体积分数数据图3SVR模型的对预测误差和运行时间Fig.3SVRmodelpredictionerrorandcomputationaltime10152025303540窗口尺寸图4不同窗口尺寸下的模型预测误差Fig.4Predictionerrorofthemodelswithdifferentwindowsizes位于[20,25]时预测误差最低，CO2数据在窗口尺寸位于[15,20]时预测误差最小，H2S数据在窗口尺寸为10时具有最小的预测误差，与式(1)得出的窗口尺寸基本吻合。结合KNN、GBR和RF模型，进一步考察提出滑动窗口尺寸计算方法的合理性。对于相同数据，同一预测模型的预测误差较为接近，且采用式(1)的滑动窗口尺寸整体上略优于SW–SVR。KNN模型的评估结果与SVR相似，空气温度和相对湿度数据中滑动窗口尺寸在20左右时预测误差最小，CO2数据在窗口尺寸为15至20之间预测误差最小，H2S数据误差随着窗口尺寸的增大而增大。GBR和RF模型，空气温度和相对湿度数据预测误差随窗口尺寸同步增大。对于波动性较强的CO2与H2S数据最优窗口尺寸与式(1)较好吻合。总之，相比于SW–SVR的窗口尺寸
时各模型的预测误差均小于SW–SVR方法。此外，较小的窗口尺寸降低了模型训练时长，使得各模型具有较短的运行时间。为验证式(1)得出窗口尺寸的合理性，评估滑动窗口尺寸分别为10、15、20、25、30、35和40时SVR模型的预测误差。图4表明，空气温度和相对湿度数据中，窗口尺寸空气温度相对湿度CO2体积分数H2S体积分数数据图3SVR模型的对预测误差和运行时间Fig.3SVRmodelpredictionerrorandcomputationaltime10152025303540窗口尺寸图4不同窗口尺寸下的模型预测误差Fig.4Predictionerrorofthemodelswithdifferentwindowsizes位于[20,25]时预测误差最低，CO2数据在窗口尺寸位于[15,20]时预测误差最小，H2S数据在窗口尺寸为10时具有最小的预测误差，与式(1)得出的窗口尺寸基本吻合。结合KNN、GBR和RF模型，进一步考察提出滑动窗口尺寸计算方法的合理性。对于相同数据，同一预测模型的预测误差较为接近，且采用式(1)的滑动窗口尺寸整体上略优于SW–SVR。KNN模型的评估结果与SVR相似，空气温度和相对湿度数据中滑动窗口尺寸在20左右时预测误差最小，CO2数据在窗口尺寸为15至20之间预测误差最小，H2S数据误差随着窗口尺寸的增大而增大。GBR和RF模型，空气温度和相对湿度数据预测误差随窗口尺寸同步增大。对于波动性较强的CO2与H2S数据最优窗口尺寸与式(1)较好吻合。总之，相比于SW–SVR的窗口尺寸，笔者提出的窗口尺寸计算方法能够有效降低预测误差和运行时间。3.2预测模型的异常检测性能4种预测模型对空气温度、空气相对
【参考文献】：
期刊论文
[1]大数据背景下采用互信息与随机森林算法的空气质量预测[J]. 杨正理,史文,陈海霞,王长鹏. 环境工程. 2019(03)
[2]基于LabVIEW平台的蛋鸡舍环境舒适度实时监测系统设计与实现[J]. 白士宝,滕光辉,杜晓冬,杜欣怡. 农业工程学报. 2017(15)
[3]基于SW-SVR的畜禽养殖物联网异常数据实时检测方法[J]. 段青玲,肖晓琰,刘怡然,张璐. 农业机械学报. 2017(08)
[4]基于无线传感器网络的温室CO2浓度监控系统[J]. 王嘉宁,牛新涛,徐子明,郑传涛,王一丁. 农业机械学报. 2017(07)
[5]基于无线传感器网络的农村供水厂水质监测节点的设计[J]. 李亮斌,姜晟,王卫星,陈华强,焦国辉. 湖南农业大学学报(自然科学版). 2016(02)
[6]基于高斯过程建模的物联网数据不确定性度量与预测[J]. 苑进,胡敏,Kesheng Wang,刘雪美,侯加林,米庆华. 农业机械学报. 2015(05)
本文编号：2954450
本文链接：https://www.wllwen.com/kejilunwen/xinxigongchenglunwen/2954450.html
