基于DFT的频率敏感双分支Transformer多变量长时间序列预测方法

在进行多变量长时间序列预测时,仅利用时域分析通常无法充分捕捉长时间序列依赖,而这会导致信息利用率不足、预测精度不够高。因此,结合频域时域分析,提出一种基于离散傅里叶变换(DFT)的频率敏感双分支多变量长时间序列预测(FSDformer)方法。首先,通过DFT实现时间和频率的相互转换,从而将复杂的时间序列数据分解为结构简单的低频趋势项、中频季节项和高频余项3个分量;其次,采用双分支结构,针对中高频分量预测,应用Encoder-Decoder结构,设计了周期性增强注意力机制;针对低频趋势分量预测,采用多层感知机(MLP)结构;最后将中高频分量与低频分量预测结果相加,得到多变量长时间序列的最终预测结果。在2个数据集上把FSDformer与其他5个经典算法进行了对比分析,在Electricity数据集上,当历史序列长度为96,预测序列长度为336时,相较于Autoformer等对比算法,FSDformer的平均绝对误差(MAE)下降了11.5%~29.1%,均方误差(MSE)下降了20.9%~43.7%,达到了最优预测精度。实验结果表明,FSDformer能有效捕捉长时间序列的相关依赖,在提升预测精度和计算效率的同时,增强了模型预测的稳定性。

基于多传感器融合的牛项圈设计

为监测牛只行为状态和体征信息,设计一种多传感器融合的牛项圈。选择基于蓝牙5.0的控制芯片,外接3种传感器设备,实现牛只行为姿态(加速度和角速度值)、体表温度、室内位置4项基本序列数据以及叫声(正常情况、发情情况)和吞咽声3项音频数据的采集。采用SVM、KNN、RFC对牛只行走、站立、进食和躺卧行为进行分类,其中RFC的准确率最高,达到99.59%,KNN和SVM次之,准确率分别为99.01%、85.23%。使用基于GRU的深度学习算法对牛只叫声与吞咽声进行分类,整体准确率达到90.72%。对采集的体表温度与直肠温度进行拟合校正,拟合度R^(2)均高于0.9。结果表明,基于多传感器融合的牛项圈不仅可以有效采集传统序列数据,还可以同步采集音频数据,为牛只行为学分析提供多维度的数据支持。

基于电学参数的苹果可溶性固形物含量预测

为实现苹果可溶性固形物含量的无损检测,该研究提出了一种长短期记忆编解码和多层感知机(LSTMED-MLP,long short-term memory encoder-decoder-multi-layer perceptron)融合的介电特征预测方法。在0.158~3980 kHz频率范围内的9个频率点下,采用介电谱测量仪获取300个富士苹果的电学参数,其中每个频率点对应15项电学参数,即每个苹果对应135项电学特性参数,之后通过苹果基因组学理化分析方法,获取可溶性固形物含量;根据电学参数与可溶性固形物含量,构建苹果关键基因组学参数的回归预测模型。为简化模型输入,提取样本变量特征,使用主成分分析(principal component analysis,PCA)和LSTMED模型,提取每个样本的40项特征值,作为非线性回归模型多层感知机(MLP)和XGBoost的输入,建立可溶性固形物含量预测模型。试验结果表明,LSTMED具有更好的适用性,且LSTMED-MLP模型的预测效果最好,在校正集和预测集上,决定系数分别为0.95和0.90,均方根误差分别为0.77和0.84,且对不同种植模式下苹果样本的变化差异具有更强鲁棒性,LSTMED-XGBoost模型次之。因此,LSTMED可以作为一种有效的非线性特征降维提取方法,应用于农产品品质参数分级和无损检测方面。