基于EDC-LSTM模型的土壤湿度预测方法、装置及存储介质

基于edc-lstm模型的土壤湿度预测方法、装置及存储介质
技术领域
1.本发明涉及数据处理技术领域，尤其涉及一种基于edc-lstm模型的土 壤湿度预测方法、装置、电子设备及存储介质。


背景技术：

2.土壤湿度是气候、水文和生态系统中的关键状态变量，土壤湿度的时空 变化对许多气象、气候学和水文应用至关重要，有助于提高对水、能源和碳 循环的认识，以及对极端气候的预测，土壤湿度的准确预测可以为许多实际 应用提供很大的帮助，例如生态系统管理和农业管理等。因此，准确的土壤 湿度预测可以为灾害响应、灌溉和其他科学应用提供重要的指导意义。
3.土壤湿度受许多因素的影响，例如，降水、土壤特性及地形等。同时， 土壤湿度的可预测性通常源于其自身的持久性或其他外部强迫因素，因此土 壤湿度预测具有很大的不确定性，且具有复杂的线性行为，使得对其进行精 准的预测变得相当困难。随着计算机技术及硬件的飞速发展，基于数据驱动 的方法为加速和提高土壤湿度预测提供了新的视角，深度学习模型具有较强 的非线性学习能力，使其在地球科学领域中得到了广泛应用，模型可以在不 采用复杂物理过程的基础上，仅从驱动数据捕获内部模式，在没有准确的先 验知识的情况下，提供更低的计算成本，并取得较好的预测性能。
4.人工神经网络模型具有很强的自学习能力，能够适应复杂的预测任务， 可以通过学习复杂的非线性函数将低级信息(原始输入)转化为更高级别的 特征，从而增强原始输入的表示，这对计算机科学和地球科学都具有重要的 意义。
5.土壤湿度预测可以视为时间序列预测的任务，前人的研究大多集中于基 于lstm(lstm，long short-term memory，长短期记忆网络)模型对土壤 湿度进行预测，然而传统的lstm模型通过调整模型参数对模型进行优化，从 而最大限度地减少训练过程中的损失(土壤湿度预测值和观测值之间的差异)。 然而，利用lstm模型进行土壤湿度预测时，lstm模型通常只关注接下来时 间步长的预测精度，忽略输入时间步长和预测时间步长之间的中间时间序列 数据，有可能导致模型出现过拟合，无法对复杂且不确定的时间序列数据进 行建模，且深度学习模型随着层数的增加，只有少量的隐藏单元根据不同的 输入改变它们的激活值，而大部分隐藏单元对不同的输入都是相同的反应， 从而导致模型的准确率会下滑，、进而降低土壤湿度的预测精度。
6.基于此，亟需一种能够有效提升传统的使用lstm模型进行土壤湿度预测 精度的方法。


技术实现要素：

7.本发明提供一种基于edc-lstm模型的土壤湿度预测方法、装置、电子 设备以及存储介质，其主要目的在于解决传统的使用lstm模型进行土壤湿度 预测精度低的问题。
8.为实现上述目的，本发明提供一种基于edc-lstm模型的土壤湿度预测 方法，该方
法包括如下步骤：
9.获取历史样本数据；其中，所述历史样本数据包括各预设历史时刻的土 壤湿度、降水量以及大气温度；
10.通过所述历史样本数据对预设的预测模型进行训练，以使所述预测模型 达到预设精度；其中，所述预测模型包括第一数据处理层和第二任务预测层；
11.通过输入时间步长内的输入数据基于达到预设精度的所述预测模型的第 一数据处理层确定所述输入时间步长与预测时间步长之间的中间时间序列数 据；
12.基于所述输入数据以及所述中间时间序列数据通过所述第二任务预测层 对预测时间步长内的待预测土壤湿度进行预测。
13.优选地，所述预测模型为edc-lstm模型，所述第一数据处理层为编码 器-解码器lstm层，所述第二任务预测层为全连接lstm层。
14.优选地，所述通过输入时间步长内的输入数据基于达到预设精度的所述 预测模型的第一数据处理层确定所述输入时间步长与预测时间步长之间的中 间时间序列数据包括：
15.通过所述编码器-解码器lstm层的编码器模块将所述输入数据转换为相 应的隐藏单元；
16.通过所述编码器-解码器lstm层的解码器模块将所述隐藏单元在预设的 中间时间步长内对待预测数据进行表达以形成所述中间时间序列数据。
17.优选地，所述基于所述输入数据以及所述中间时间序列数据通过所述第 二任务预测层对预测时间步长内的待预测数据进行预测包括：
18.将所述编码器-解码器lstm输出的中间时间序列数据与所述输入时间步 长内的输入数据相结合，以形成第二层输入数据；
19.基于所述第二层输入数据通过所述全连接lstm层对所述预测时间步长 内的待预测数据进行预测。
20.优选地，所述历史样本数据包括训练集、验证集以及测试集；并且，所 述通过所述历史样本数据对预设的预测模型进行训练，以使所述预测模型达 到预设精度包括：
21.通过所述训练集对所述预测模型进行模型训练；
22.通过所述验证集对训练后的所述预测模型进行验证；
23.通过所述测试集对验证后的所述预测模型进行测试，以确保所述预测模 型达到预设精度。
24.另一方面，本发明还提供一种基于edc-lstm模型的土壤湿度预测装置， 包括：
25.初始数据获取单元，用于获取历史样本数据；其中，所述历史样本数据 包括各预设历史时刻的土壤湿度、降水量以及大气温度；
26.模型训练单元，用于通过所述历史样本数据对预设的预测模型进行训练， 以使所述预测模型达到预设精度；其中，所述预测模型包括第一数据处理层 和第二任务预测层；
27.中间数据获取单元，用于通过输入时间步长内的输入数据基于达到预设 精度的所述预测模型的第一数据处理层确定所述输入时间步长与预测时间步 长之间的中间时间序列数据；
28.数据预测单元，用于基于所述输入数据以及所述中间时间序列数据通过 所述第
二任务预测层对预测时间步长内的待预测土壤湿度进行预测。
29.另一方面，本发明还提供一种电子设备，包括存储器和处理器，所述存 储器存储有计算机程序，所述处理器执行所述计算机程序时实现前述基于 edc-lstm模型的土壤湿度预测方法的步骤。
30.另一方面，本发明还提供一种计算机可读存储介质，其上存储有计算机 程序，所述计算机程序被处理器执行时实现前述的基于edc-lstm模型的土 壤湿度预测方法中的步骤。
31.本发明提出的基于edc-lstm模型的土壤湿度预测方法、装置、电子设 备以及可读存储介质，能够利用encoder-decoder(编码器-解码器)lstm层 来获取中间时间序列数据，从而减少输入时间步长内的数据和预测时间步长 内的数据之间的不确定性，从而有效提升待预测土壤湿度的预测精度；另外， 通过全连接lstm层的设置能够有效避免模型过度拟合并纠正 encoder-decoder lstm层的偏差，能够进一步提升待预测土壤湿度的预测精度。 并且，将本发明提出的edc-lstm模型与目前较为流行的深度学习模型 lstm模型以及encoder-decoder lstm模型在真实地区数据集上进行比较， 结果显示本发明所提出edc-lstm模型的预测性能在大多数情况下优于其他 两种模型，可以得到更好的预测结果。
附图说明
32.图1为根据本发明实施例的基于edc-lstm模型的土壤湿度预测方法的 较佳实施例流程图；
33.图2为根据本发明实施例的基于edc-lstm模型的土壤湿度预测装置的 模块示意图；
34.图3为根据本发明实施例的提供的实现基于edc-lstm模型的土壤湿度 预测方法的电子设备的内部结构示意图。
35.本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步 说明。
具体实施方式
36.在下面的描述中，出于说明的目的，为了提供对一个或多个实施例的全 面理解，阐述了许多具体细节。然而，很明显，也可以在没有这些具体细节 的情况下实现这些实施例。
37.以下将结合附图对本技术的具体实施例进行详细描述。
38.实施例1
39.为了说明本发明提供的基于edc-lstm模型的土壤湿度预测方法，图1 示出了根据本发明提供的基于edc-lstm模型的土壤湿度预测方法的流程。
40.如图1所示，本发明提供的基于edc-lstm模型的土壤湿度预测方法， 包括：
41.s110：获取用于训练模型的历史样本数据。
42.需要说明的是，为实现预设的预测模型对土壤湿度相关特征的模拟，所 述历史样本数据可以包括各预设历史时刻的土壤湿度、降水量以及大气温度。 并且，通常情况下，需要预测所选区域的未来时间段内的5cm土壤深度的土 壤湿度。因此，历史样本数据中的各数据均为所选区域的5cm土壤深度的相 关数据。
43.此外，还需要说明的是，在各历史样本数据获取后，需要将各历史样本 数据以半小时为时间变量作为模型训练数据、验证数据以及测试数据。并且， 为保证预测模型的训练效果，历史样本数据通常按照8:1:1的比例划分为训练 集、验证集和测试集，分别用于后期的模型训练、验证以及测试。
44.s120：通过所述历史样本数据对预设的预测模型进行训练，以使所述预 测模型达到预设精度；其中，所述预测模型包括第一数据处理层和第二任务 预测层。
45.具体地，所述历史样本数据包括训练集、验证集以及测试集；并且，所 述通过所述历史样本数据对预设的预测模型进行训练，以使所述预测模型达 到预设精度包括：
46.通过所述训练集对所述预测模型进行模型训练；
47.通过所述验证集对训练后的所述预测模型进行验证；
48.通过所述测试集对验证后的所述预测模型进行测试，以确保所述预测模 型达到预设精度。
49.s130：通过输入时间步长内的输入数据基于达到预设精度的所述预测模 型的第一数据处理层确定所述输入时间步长与预测时间步长之间的中间时间 序列数据。
50.更为具体地，所述预测模型为edc-lstm模型(基于长短期记忆网络和 编码器-解码器可循环学习模型)，所述第一数据处理层为编码器-解码器lstm层，所述第二任务预测层为全连接lstm层。
51.需要说明的是，在介绍本发明提供的edc-lstm模型，需要先对lstm 模型在土壤湿度预测方面进行简单介绍。
52.土壤湿度预测可以被视为时间序列预测任务，而lstm模型特殊的架构 可以很好地学习时间序列数据的模式，通过模型中的记忆细胞进一步提高土 壤湿度和气象数据的学习能力，其气象参数到土壤湿度的映射公式如下：
53.i(t)＝σ(w
ih
h(t-1) w
ix
x(t) w
ix
c(t-1) bi),
ꢀꢀ
(1)
54.f(t)＝σ(w
fh
h(t-1) w
fx
x(t) w
fx
c(t-1) bf),
ꢀꢀ
(2)
[0055][0056]
o(t)＝σ(w
oh
h(t-1) w
ox
x(t) w
ox
c(t) bo),
ꢀꢀꢀꢀ
(4)
[0057][0058][0059]
其中，w是t时刻隐藏状态的权值矩阵，b是偏置，σ(.)为非线性激活函数， tanh(.)为双曲正切函数，表示两个向量相乘，x(t)和分别代表t时刻模型 的输入和输出。
[0060]
通过上述一系列公式则可以清楚地理解lstm的核心过程。
[0061]
然而，对未来不同天数的土壤湿度进行预测时，lstm模型通常只关注 接下来时间步长的预测精度，忽略输入时间步长和预测时间步长之间的中间 时间序列数据，有可能导致预测模型出现过拟合，无法对复杂且不确定的时 间序列数据进行建模。为了减少预测时间数据和输入时间数据之间的不确定 性，提高对未来不同天数土壤湿度的预测性能，本发明提出了encoder-decoderlstm层用于处理提前多个时间步长的土壤湿度。
[0062]
需要说明的是，基于编码器-解码器模型已经在许多不同的领域中被广泛 应用，例如图像分割和污染物预测等。本发明提供的edc-lstm模型的第一 数据处理层由编码器
和解码器组成，用于将所有的lstm单元都经过编码器 和解码器；编码器将输入变量转换为隐藏单元，然后由解码器将隐藏单元在 多个时间步长表达土壤湿度，从而形成中间时间序列数据。
[0063]
具体地，所述通过输入时间步长内的输入数据基于达到预设精度的所述 预测模型的第一数据处理层确定所述输入时间步长与预测时间步长之间的中 间时间序列数据包括：
[0064]
通过所述编码器-解码器lstm层的编码器模块将所述输入数据转换为相 应的隐藏单元；
[0065]
通过所述编码器-解码器lstm层的解码器模块将所述隐藏单元在预设的 中间时间步长内对待预测数据进行表达以形成所述中间时间序列数据。
[0066]
需要说明的是，如果仅仅将编码器-解码器lstm层充当整个土壤湿度预 测模型，则解码器生成的所有输出通过损失函数计算即可得到土壤湿度预测 值，这种预测方式虽然相比于传统的使用lstm模型进行土壤湿度的方法的 精度有一定的提升，但提升效果不明显。因此，为进一步提升土壤湿度的预 测精度，本发明中编码器-解码器lstm层仅作为预测模型的第一层网络，其 输出作为第二层网络输入的一部分进行训练模型(如下所述)。
[0067]
s140：基于所述输入数据以及所述中间时间序列数据通过所述第二任务 预测层对预测时间步长内的待预测土壤湿度进行预测。
[0068]
具体地，所述基于所述输入数据以及所述中间时间序列数据通过所述第 二任务预测层对预测时间步长内的待预测数据进行预测包括：
[0069]
将所述编码器-解码器lstm输出的中间时间序列数据与所述输入时间步 长内的输入数据相结合，以形成第二层输入数据；
[0070]
基于所述第二层输入数据通过所述全连接lstm层对所述预测时间步长 内的待预测数据进行预测。
[0071]
需要说明的是，由于lstm模型存在拟合能力不足的问题，并且，深度 学习模型随着层数的增加，只有少量的隐藏单元对不同的输入改变它们的激 活值，而大部分隐藏单元对不同的输入都是相同的反应，模型的准确率会下 滑，然而模型的退化决定了训练性能。为了解决这个技术问题。受残差学习 的启发，本发明在单个encoder-decoder lstm层的顶部添加了一个全连接 lstm层，通过消除编码器-解码器lstm模型中的预测误差来提高模型的预 测性能。将编码器-解码器lstm的输出与原始土壤湿度变量相结合作为第二 层网络的输入数据。
[0072]
此处需要说明是，预测模型的第二任务预测层的输入数据也是一个时间 序列数据，由第1个时刻的土壤湿度观测值到第t个时刻的观测值(即输入时 间步长内的输入数据)以及通过编码器-解码器lstm模型第t n时刻到t 144 时刻的土壤湿度预测值(即通过encoder-decoder lstm层得到的中间时间序 列数据)组成。第一层网络不同数量的输出单元对应不同的时间尺度，n的值 是根据第一层网络的输出单元决定的，例如，当第一层的输出单元数为24时， n为6(144/24＝6)。并且，由于本发明中所有的数据都是半小时(0.5小时) 尺度的，因此土壤湿度预测的时间尺度为3小时(6*0.5)。
[0073]
下面结合实际数据对本发明提供的edc-lstm模型的土壤湿度预测效果 进行进一步验证。
[0074]
为了验证所提出的edc-lstm模型是否可以有效地改善土壤湿度预测， 首先下载了自1996年至2014年半小时尺度的7个典型站点的通量塔数据对 模型进行性能分析，将历史时刻的土壤湿度、降水、5cm土壤深度的大气温 度和时间变量作为5cm深度土壤湿度预测的输入，预测未来3、5和10天的 土壤湿度，将半小时的变量作为输入数据对模型进行训练，数据集按照8:1:1 的比例划分为训练集、验证集和测试集。
[0075]
7个不同的fluxnet气象站点对未来第3、5和10天土壤湿度的预测性 能如下表1-3所示。实验结果表明，本发明所提出的方法几乎在所有情况下都 比其他两种模型具有更好的预测性能。同时encoder-decoder lstm模型的预 测性能要优于lstm模型。
[0076]
具体地，对未来3天的土壤湿度预测结果如表1所示，edc-lstm模型 的r2值范围为0.601到0.986，mae值范围为0.306到1.674，r2大约提升 了0.036，mae(平均绝对百分比误差(mean absolute percentage error,mape)) 大约降低了0.318，由此表明通过考虑输入时间步长和预测时间步长的中间时 间序列数据可以帮助对复杂和不确定性的数据进行建模，并提高预测精度； edc-lstm模型的平均r2和mae分别为0.825(与lstm相比增加了5.9％) 和1.124(与lstm相比减少了23.3％)，而encoder-decoder lstm模型的平 均r2和mae分别为0.815(与lstm相比增加了4.6％)和1.147(与lstm 相比减少了11.7％)，由此表明将encoder-decoder lstm模块引入到 edc-lstm模型的第二层网络后，模型的性能得到了提升，可以在一定程度 上解决模型预测性能退化问题。
[0077]
表1不同模型对未来3天土壤湿度预测性能比较
[0078][0079]
对未来5天土壤湿度的预测结果如表2所示，edc-lstm模型的r2值 范围为0.486到0.965，mae值范围为0.358到2.191，edc-lstm模型与其 他两种模型相比(encoder-decoder lstm模型和lstm模型)r2分别增加了 约0.011和0.032，mae分别降低了0.02和0.285。
[0080]
表2不同模型对未来5天土壤湿度预测性能比较
[0081][0082]
对未来10天土壤湿度的预测结果如表3所示，edc-lstm模型的r2值 范围为0.354到0.909，mae值范围为0.607到2.941，edc-lstm模型的平 均r2为0.652，encoder-decoder lstm模型和lstm模型的r2分别为平均0.638和0.616，同时mae相对减少了3.16％(encoder-decoder lstm模型) 和20.19％(lstm模型)。
[0083]
表3不同模型对未来10天土壤湿度预测性能比较
[0084][0085]
又上述三个表格可知，所有的预测模型性能随着预测时间的增加而明显 下降，但是与其他先进模型相比，edc-lstm模型的性能提升较为明显，尤 其是对土壤湿度进行长期预测时(10天)。尽管在某些情况下edc-lstm模 型性能略低于encoder-decoder lstm模型或lstm模型，例如在it-col和 au-dry站点，但是大多数情况下edc-lstm模型通常具有最低的mae值和 最高的r2值，并且edc-lstm模型与其他模型相比土壤湿度的观测值和预 测值之间的线性关系更接近于理想线(y＝x)。此外，encoder-decoder lstm模 型通常比lstm模型的性能优异，这表明encoder-decode方法在提高土壤湿 度预测方面是有效的，并且本文提出的循环学习方法相对于encoder-decode 又具有一定程度的改进。
[0086]
此外，还需要说明的是，不同的气候地区会对土壤湿度动态产生不同的 影响，根
据站点数据统计，au-dry和nl-loo站点的土壤湿度平均值较低 (6.91和8.89)，而it-col和fr-gri站点的土壤湿度平均值较高(40.72和 28.04)。因此，将au-dry和nl-loo站点作为干燥地区，而it-col和fr-gri 站点作为潮湿地区。
[0087]
根据实验结果如表1-3所示，所有预测模型对于这四个地区未来3、5和 10天的预测性能趋势几乎相似，因此仅选择对未来三天的预测结果作为评估 不同气候区域对预测性能的影响进行分析。edc-lstm模型的性能并不是总 是最好的，au-dry和it-col偶尔会出现较高的预测性能，除了it-col站点在 夏季和冬季edc-lstm模型的性能(r2＝0.892和r2＝0.349)略低于encoder
‑ꢀ
decoder lstm模型(r2＝0.903和r2＝0.351)外，本发明提出的edc-lstm 模型对于性能最好，其次是encoder-decoder lstm模型和lstm模型。同时， edc-lstm模型在潮湿区域(r2的取值范围从0.349到0.986)的性能明显优 于干燥区域(r2的取值范围从0.071到0.551)。此外，与其他预测模型相比， edc-lstm模型性能在夏季有很大的改进，而在冬季也有一定的改进。例如， 在干燥的冬季，edc-lstm模型的r2分别为0.224和0.071，与encoder
‑ꢀ
decoder lstm的r2(0.219和0.069)相近。但对于干燥的夏季，edc-lstm 的r2为0.551和0.322，高于encoder-decoder lstm(0.501和0.299)。
[0088]
另外，根据表1-3实验结果可知，预测模型在不同站点的预测性能不同， 所有的预测模型都可以在fr-gri站点实现最佳预测性能，这可能是由于该站 点的土壤湿度范围和标准偏差最小，与前人研究的结论相同。为了进一步探 究预测性能不同的具体原因，针对预测性能较好的cn-din站点和预测性能较 差的nl-loo站点对未来3天日尺度的土壤湿度预测进行研究。结果表明，对 于nl-loo站点，1月、4月、6月至8月和12月的土壤湿度呈现多处高峰和 低谷，同时这些高峰点通常伴随着大量降水，而相似的降水可能具有不同的 土壤湿度，所有的预测模型都无法很好的捕获这些特征。然而，对于cn-din 站点通过edc-lstm模型可以很好的捕捉三月份相对潮湿的土壤湿度以及10 月至12月相对干燥的土壤湿度，在这段时期训练阶段的平均土壤湿度和测试 阶段的平均土壤湿度有相似的趋势。edc-lstm模型与其他模型相比，同样 取得了最佳预测性能(r2＝0.890和r2＝0.355)。并且，cn-din站点训练阶段 和测试阶段之间的土壤湿度相关性(0.73)高于nl-loo站点(0.34)，这一统 计结果能够解释为什么cn-din站点的预测性能优于nl-loo站点。
[0089]
以上结果表明，在大多数情况下edc-lstm模型通常比其他土壤湿度预 测模型具有更高的预测性能和鲁棒性，但是当训练阶段和测试阶段土壤湿度 变化存在较大差异时，预测性能的改善是有限的。综上所述，将edc-lstm 模型与目前较为先进的深度学习模型lstm模型和encoder-decoder lstm模 型在7个真实地区数据集上进行比较，并对不同影响因素对模型性能的影响 进行分析，实验结果表明，本发明提出的方法在大多数情况下优于其他两种 模型，可以得到更好的预测结果。
[0090]
本发明提供的基于edc-lstm模型的土壤湿度预测方法，能够利用 encoder-decoder(编码器-解码器)lstm层来获取中间时间序列数据，从而 减少输入时间步长内的数据和预测时间步长内的数据之间的不确定性，从而 有效提升待预测土壤湿度的预测精度；另外，通过全连接lstm层的设置能 够有效避免模型过度拟合并纠正encoder-decoder lstm层的偏差，能够进一 步提升待预测土壤湿度的预测精度。并且，将本发明提出的edc-lstm模型 与目前较为流行的深度学习模型lstm模型以及encoder-decoder lstm模型 在真实地区数据集上进行比较，结果显示本发明所提出edc-lstm模型的预 测性能在大多数
情况下优于其他两种模型，可以得到更好的预测结果。
[0091]
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后， 各过程的执行顺序应以其功能和内在逻辑确定，而不应对本技术实施例的实 施过程构成任何限定。
[0092]
如图2所示，本发明还提供一种基于edc-lstm模型的土壤湿度预测装 置100，该装置可以安装于电子设备中。根据实现的功能，该基于edc-lstm 模型的土壤湿度预测装置100可以包括初始数据获取单元101、模型训练单元 102、中间数据获取单元103以及数据预测单元104。本发明提供的上述单元， 是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计 算机程序段，其存储在电子设备的存储器中。
[0093]
在本实施例中，关于各模块/单元的功能如下：
[0094]
初始数据获取单元101，用于获取历史样本数据；其中，所述历史样本数 据包括各预设历史时刻的土壤湿度、降水量以及大气温度；
[0095]
模型训练单元102，用于通过所述历史样本数据对预设的预测模型进行训 练，以使所述预测模型达到预设精度；其中，所述预测模型包括第一数据处 理层和第二任务预测层；
[0096]
中间数据获取单元103，用于通过输入时间步长内的输入数据基于达到预 设精度的所述预测模型的第一数据处理层确定所述输入时间步长与预测时间 步长之间的中间时间序列数据。
[0097]
数据预测单元104，用于基于所述输入数据以及所述中间时间序列数据通 过所述第二任务预测层对预测时间步长内的待预测土壤湿度进行预测。
[0098]
其中，所述历史样本数据包括训练集、验证集以及测试集，模型训练单 元102进一步包括训练单元、验证单元以及测试单元，其中，训练单元用于 通过所述训练集对所述预测模型进行模型训练；验证单元，用于通过所述验 证集对训练后的所述预测模型进行验证；测试单元，用于通过所述测试集对 验证后的所述预测模型进行测试，以确保所述预测模型达到预设精度。
[0099]
进一步地，所述预测模型为edc-lstm模型，所述第一数据处理层为编 码器-解码器lstm层，所述第二任务预测层为全连接lstm层，中间数据获 取单元103包括编码单元和解码单元，其中，编码单元用于通过所述编码器
‑ꢀ
解码器lstm层的编码器模块将所述输入数据转换为相应的隐藏单元；解码 单元用于通过所述编码器-解码器lstm层的解码器模块将所述隐藏单元在预 设的中间时间步长内对待预测数据进行表达以形成所述中间时间序列数据。
[0100]
此外，数据预测单元104包括数据结合单元以及预测单元，其中，数据 结合单元用于将所述编码器-解码器lstm输出的中间时间序列数据与所述输 入时间步长内的输入数据相结合，以形成第二层输入数据；预测单元用于基 于所述第二层输入数据通过所述全连接lstm层对所述预测时间步长内的待 预测数据进行预测。
[0101]
如图3所示，本发明还提供一种基于edc-lstm模型的土壤湿度预测方 法的电子设备1。
[0102]
该电子设备1可以包括处理器10、存储器11和总线，还可以包括存储在 存储器11中并可在所述处理器10上运行的计算机程序，如基于edc-lstm 模型的土壤湿度预测程序
12。
[0103]
其中，所述存储器11至少包括一种类型的可读存储介质，所述可读存储 介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如：sd或dx存储器 等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电 子设备1的内部存储单元，例如该电子设备1的移动硬盘。所述存储器11在 另一些实施例中也可以是电子设备1的外部存储设备，例如电子设备1上配 备的插接式移动硬盘、智能存储卡(smart media card，smc)、安全数字 (secure digital，sd)卡、闪存卡(flash card)等。进一步地，所述存储器 11还可以既包括电子设备1的内部存储单元也包括外部存储设备。所述存储 器11不仅可以用于存储安装于电子设备1的应用软件及各类数据，例如基于 edc-lstm模型的土壤湿度预测程序的代码等，还可以用于暂时地存储已经 输出或者将要输出的数据。
[0104]
所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封 装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路 所组成，包括一个或者多个中央处理器(central processing unit，cpu)、微处 理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10 是所述电子设备的控制核心(control unit)，利用各种接口和线路连接整个电 子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块 (例如基于edc-lstm模型的土壤湿度预测程序等)，以及调用存储在所述 存储器11内的数据，以执行电子设备1的各种功能和处理数据。
[0105]
所述总线可以是外设部件互连标准(peripheral component interconnect， 简称pci)总线或扩展工业标准结构(extended industry standard architecture， 简称eisa)总线等。该总线可以分为地址总线、数据总线、控制总线等。所 述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通 信。
[0106]
图3仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图3 示出的结构并不构成对所述电子设备1的限定，可以包括比图示更少或者更 多的部件，或者组合某些部件，或者不同的部件布置。
[0107]
例如，尽管未示出，所述电子设备1还可以包括给各个部件供电的电源 (比如电池)，优选地，电源可以通过电源管理装置与所述至少一个处理器10 逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理 等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、 电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。 所述电子设备1还可以包括多种传感器、蓝牙模块、wi-fi模块等，在此不再 赘述。
[0108]
进一步地，所述电子设备1还可以包括网络接口，可选地，所述网络接 口可以包括有线接口和/或无线接口(如wi-fi接口、蓝牙接口等)，通常用于 在该电子设备1与其他电子设备之间建立通信连接。
[0109]
可选地，该电子设备1还可以包括用户接口，用户接口可以是显示器 (display)、输入单元(比如键盘(keyboard))，可选地，用户接口还可以是 标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是led 显示器、液晶显示器、触控式液晶显示器以及oled(organic light-emittingdiode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏 或显示单元，用于显示在电子设备1中处理的信息以及用于显示可视化的用 户界面。
[0110]
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构 的限制。
[0111]
所述电子设备1中的所述存储器11存储的基于edc-lstm模型的土壤 湿度预测程序12是多个指令的组合，在所述处理器10中运行时，可以实现：
[0112]
获取历史样本数据；其中，所述历史样本数据包括各预设历史时刻的土 壤湿度、降水量以及大气温度；
[0113]
通过所述历史样本数据对预设的预测模型进行训练，以使所述预测模型 达到预设精度；其中，所述预测模型包括第一数据处理层和第二任务预测层；
[0114]
通过输入时间步长内的输入数据基于达到预设精度的所述预测模型的第 一数据处理层确定所述输入时间步长与预测时间步长之间的中间时间序列数 据；
[0115]
基于所述输入数据以及所述中间时间序列数据通过所述第二任务预测层 对预测时间步长内的待预测土壤湿度进行预测。
[0116]
具体地，所述处理器10对上述指令的具体实现方法可参考图1对应实施 例中相关步骤的描述，在此不赘述。需要强调的是，为进一步保证上述基于 edc-lstm模型的土壤湿度预测的私密和安全性，上述基于edc-lstm模型 的土壤湿度预测数据存储于本服务器集群所处区块链的节点中。
[0117]
进一步地，所述电子设备1集成的模块/单元如果以软件功能单元的形式 实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介 质中。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何 实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只 读存储器(rom，read-only memory)。
[0118]
本发明实施例还提供一种计算机可读存储介质，所述存储介质可以是非 易失性的，也可以是易失性的，所述存储介质存储有计算机程序，所述计算 机程序被处理器执行时实现：
[0119]
获取历史样本数据；其中，所述历史样本数据包括各预设历史时刻的土 壤湿度、降水量以及大气温度；
[0120]
通过所述历史样本数据对预设的预测模型进行训练，以使所述预测模型 达到预设精度；其中，所述预测模型包括第一数据处理层和第二任务预测层；
[0121]
通过输入时间步长内的输入数据基于达到预设精度的所述预测模型的第 一数据处理层确定所述输入时间步长与预测时间步长之间的中间时间序列数 据；
[0122]
基于所述输入数据以及所述中间时间序列数据通过所述第二任务预测层 对预测时间步长内的待预测土壤湿度进行预测。
[0123]
具体地，所述计算机程序被处理器执行时具体实现方法可参考实施例基 于edc-lstm模型的土壤湿度预测方法中相关步骤的描述，在此不赘述。
[0124]
在本发明所提供的几个实施例中，应该理解到，所揭露的设备，装置和 方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示 意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可 以有另外的划分方式。
[0125]
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作 为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方， 或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或 者全部模块来实现本实施例方案的目的。
[0126]
另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中， 也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单 元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件 功能模块的形式实现。
[0127]
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节， 而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实 现本发明。
[0128]
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限 制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落 在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将 权利要求中的任何附关联图标记视为限制所涉及的权利要求。
[0129]
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算 法等计算机技术的新型应用模式。区块链(blockchain)，本质上是一个去中心 化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中 包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个 区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
[0130]
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系 统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者 硬件来实现。第二等词语用来表示名称，而并不表示任何特定的顺序。
[0131]
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制， 尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当 理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术 方案的精神和范围。