Investigación sobre el modelo de predicción de series temporales para parámetros ambientales multifactoriales en...

Área de la Ciencia:

• Ingeniería agrícola
• Monitoreo del medio ambiente
• Inteligencia artificial

Sus antecedentes:

• Los modelos existentes de predicción del entorno de las instalaciones carecen de precisión y puntualidad, lo que dificulta la regulación ambiental precisa en entornos agrícolas.
• Los desafíos incluyen el acoplamiento no lineal multifactorial y la acumulación de errores en las predicciones a largo plazo.

Objetivo del estudio:

• Desarrollar un nuevo modelo de predicción del entorno de las instalaciones para superar las limitaciones de los métodos existentes.
• Mejorar la precisión y la puntualidad de las predicciones ambientales para las instalaciones agrícolas.

Principales métodos:

• Propuso una red de memoria a corto plazo con atención (LSTM-AT) y un modelo de preprocesamiento de datos (DP).
• El procesamiento previo de los datos incluyó técnicas de desagregación de umbral de ondulación y ventana deslizante.
• Un mecanismo de atención dinámicamente ponderado para mejorar el modelado temporal.

Principales resultados:

• Se han alcanzado altos coeficientes de determinación (R2) para las predicciones de 24 horas: 0,9602 (temperatura), 0,9529 (humedad) y 0,9839 (radiación).
• Se demostraron mejoras significativas con respecto a los modelos LSTM de referencia, con ganancias notables en la predicción de la humedad.
• Se suprime efectivamente la acumulación de errores en las previsiones a largo plazo.

Conclusiones:

• El modelo LSTM-AT-DP mejora significativamente la precisión y la fiabilidad de las predicciones para entornos de instalación.
• El mecanismo de atención es crucial para identificar y ponderar las características temporales críticas.
• Esto proporciona un soporte técnico sólido para la regulación ambiental precisa de las instalaciones agrícolas.