期刊论文

Data-driven grain productivity forecasting model

中文

南京信息工程大学学报

1674-7070

2024

16

1

46-55

10.13878/j.cnki.jnuist.20230424001

B2020061:湖北省教育厅科技项目

本校为第一机构

针对长短期记忆网络(LSTM)在粮食产能预测上存在超参数众多、长时序列信息丢失以及难以区分主次特征的问题,提出一种数据驱动的粮食产能组合预测模型.在超参数部分,通过引入动态权重和拉普拉斯变异的秃鹰算法(WLBES)对 LSTM 进行超参数寻优,避免了手动调参的过程.在预测部分,利用岭回归(RR)对预测结果进行残差修正,弥补LSTM 数据丢失的缺陷;同时加入注意力机制,以权重大小区分主次特征,提升粮食产能相关性较大特征的重要性.研究结果表明,WLBES-LSTM-RR 组合模型与LSTM模型和WLBES-LSTM模型相比,均方根误差(RMSE)分别下降了75%、19%,相较于其他优化 LSTM 的组合模型,RMSE大幅下降,该组合模型在粮...

To address the problem of numerous hyperparameters,loss of long time series information and difficulty in distinguishing primary and secondary features in Long Short-Term Memory network(LSTM)for grain yield ca-pacity prediction,this paper proposes a combined data-driven grain capacity forecasting model.In the hyperparameter part,the proposed model performs hyperparameter search optimization for LSTM by introducing Dy-namic Weights and Laplacian variation of Bald Eagle Search Optimization Algorithm(WLBES),to avoid the process of manual parameter adjustment.In the prediction part,the proposed mo...