基于改进损失函数的温室极端温度预测方法
人工智能
2021-11-03 v1
摘要
对作物易感的温室极端温度进行预测在温室种植领域至关重要。它有助于避免高温或冻害及经济损失。因此，开发能够准确预测它们的模型十分重要。由于数据集中极端温度数据匮乏，模型难以准确预测。本文提出一种适用于多种机器学习模型的改进损失函数。通过增加极端温度样本的权重并降低将极端温度误判为正常温度的可能性，所提损失函数可提升极端情形下的预测结果。为验证方法有效性，我们在 LightGBM、长短期记忆网络（LSTM）和人工神经网络中实现了该改进损失函数，并在真实温室数据集上开展实验。结果表明，在极端情况下，带有改进损失函数的模型性能较原始模型有所提升。改进后的模型可用于保障农业温室中极端温度的及时判断，从而避免由错误预测引发的不必要损失。
引用
@article{arxiv.2111.01366,
title = {Improved Loss Function-Based Prediction Method of Extreme Temperatures in Greenhouses},
author = {Liao Qu and Shuaiqi Huang and Yunsong Jia and Xiang Li},
journal= {arXiv preprint arXiv:2111.01366},
year = {2021}
}