1.本发明涉及到智能虫情预测的技术领域，尤其涉及到一种基于多参数融合的人工智能虫情预测的方法。
背景技术：
2.目前在农业领域，虫情监测系统等很多智能化的信息化系统，也使用了物联网、信息化智能化等先进技术，发展速度也快，发挥了重要作用，实现了门不出户，可以监测虫情。也能实时监测到虫情的数据情况，能及时预警、及时杀虫。但大多收集的数据只是对虫情现状的分布情况，比如区域、量、时间的分布，和现有的虫情趋势，而未对数据进一步分析、计算、挖掘出更科学细致的算法，从而预测未来的虫情变化。
3.病虫害对农作物的影响更是巨大。除了虫灾爆发之后的打药杀灭措施，虫情测报工作更是植保工作中的重中之重，虫情测报信息是否及时、准确有效实施，是保证虫口夺粮效果的关键。我们指导虫情防治一旦错过恰当时机，作物损失就会很大。而虫情监测系统集各种信息化技术于一身，不仅能完成作物病虫害的实时监测和测报，还能够实时传输虫情信息和分析处理虫情信息，让虫情能够准确为用户所知，对作物病虫害及时准确防治起着至关重要的作用。病虫预测预报一直以来都是农业病虫害防治中的重要内容，历来该项工作都受到植保部门的高度重视。而近年来随着科学技术的发展，在虫情监测系统等仪器系统的帮助之下，我国不少地区的虫情监测水平都上了一个新的台阶，有效提高了病虫预测预报的科学性，确保了监控监测数据的准确、可靠及真实有效，也为保障粮食生产安全做出了突出的贡献。
4.近年来，随着现代计算智能技术的发展，利用bp人工神经网络建立农业预测模型已取得了较好的预测效果。已有利用bp人工神经网络建立的农业预测模型存在的不足：(1)在农业数据采集过程中存在大量由于人为、设备、仪器仪表精度限制等原因导致的误差，现有预测方法对这些误差一般都忽略不计，从而极大的影响了预测模型的稳定性和准确性。(2)利用bp人工神经网络进行预测时，存在着输入因子少时，导致其预测准确性低；输入因子多时，bp人工神经网络运算量大、导致其预测结果得不到收敛。目前基于bp 人工神经网络建立的预测方法，很难有效地解决这一矛盾。
技术实现要素：
5.本发明的目的在于提供一种基于多参数融合的人工智能虫情预测的方法用于预测未来一年内任意一天，多种害虫的数量发展趋势的技术问题。
6.一种基于多参数融合的人工智能虫情预测的方法，包括以下步骤：
7.步骤a，采集获得原始建模数据，选定检测到的害虫数量、检测的时间、所在地的经度、所在地的纬度、所在地的温度、所在地的湿度和所在地的大气压强的各项指标作为模型训练阶段的输入值，选定输入量所对应的那天害虫数量值作为模型训练阶段的期望输出值；
8.步骤b，根据所述选定输入量和期望输出量，构建bp神经网络模型，所述bp神经网络模型包括三层前馈神经网络结构，分别为输入层、隐含层和输出层，所述输入层的输入指标是所述选定输入量，所述输出层的输出指标为期望输出量；根据实际预测精度要求，设定期望误差e；
9.步骤c，用当前训练数据训练所述bp神经网络模型；
10.步骤d，根据当前测得的数据，模型应用，使用所述bp神经网络模型对虫情的发展情况进行预测。
11.上述的基于多参数融合的人工智能虫情预测的方法，所述输入层、隐含层和输出层均包括与与虫种类相对应的节点。
12.上述的基于多参数融合的人工智能虫情预测的方法，当所述虫种类有m 种，所述输入层为m+7个节点，所述输出层m个节点，所述隐含层为m+50 个节点。
13.上述的基于多参数融合的人工智能虫情预测的方法，所述隐藏层的激活函数采用relu函数，所述输出层的激活函数采用线性函数。
14.上述的基于多参数融合的人工智能虫情预测的方法，所述步骤c包括步骤c1前向传输阶段和步骤c2后向传输阶段。
15.上述的基于多参数融合的人工智能虫情预测的方法，所述步骤c1包括：
16.步骤c11，从指标中取一个样本p
i
、q
j
,将p
i
输入网络；
17.步骤c12，计算出误差测度e
i
和实际输出o
i
；
18.步骤c13，重复调整权重，直到∑e
i
＜ε。
19.上述的基于多参数融合的人工智能虫情预测的方法，所述步骤c2包括：
20.步骤c21，计算实际输出o
p
与理想输出q
i
的差；
21.步骤c22，通过所述输出层的误差调整所述输出层权矩阵；
22.步骤c23，通过所述输出层的误差估计所述输出层的前导层的误差，以此获得其他各层的误差估计；
23.步骤c24，通过误差估计实现对权值矩阵的修改。
24.上述的基于多参数融合的人工智能虫情预测的方法，其特征在于，所述误差计算公式为
25.上述的基于多参数融合的人工智能虫情预测的方法，所述步骤c24包括形成将所述输出端的误差沿着与输出信号相反的方向逐级向所述输出端传递。
26.一种电子设备，包括：存储器以及一个或多个处理器；
27.其中，所述存储器与所述一个或多个处理器通信连接，所述存储器中存储有可被所述一个或多个处理器执行的指令，所述指令被所述一个或多个处理器执行时，所述电子设备用于实现以上任一项实施例所述的方法。
28.一种计算机可读存储介质，其上存储有计算机可执行指令，当所述计算机可执行指令被计算装置执行时，可用来实现以上任一项实施例所述的方法。
29.一种计算机程序产品，所述计算机程序产品包括存储在计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，可用来实现以上任一项实施例所述的方法。
30.上述技术方案具有如下优点或有益效果：
31.本发明这种基于多参数融合的人工智能虫情预测的方法采用人工智能中的bp神经网络用于预测未来一年内任意一天，多种害虫的数量发展趋势，实现虫情的实时监测分析，实时计算虫情状态数据，并提供数据不同维度的分析数据以及预警，提前预防虫害，减少虫害损失，并且在采集数据量较大时依然保持高效、准确的预测；同时利用定时采集的外部参数对虫情预测模型进行迭代修正，进一步提高了预测的准确性，提升了病虫害防治水平，服务于绿色农业和有机农业，前景广阔。
具体实施方式
32.为使本发明的上述目的、特征和优点能够更为明显易懂，下面结合对本发明的具体实施例做详细的说明。
33.一种基于多参数融合的人工智能虫情预测的方法，包括以下步骤：
34.步骤a，采集获得原始建模数据，选定检测到的害虫数量、检测的时间、所在地的经度、所在地的纬度、所在地的温度、所在地的湿度和所在地的大气压强的各项指标作为模型训练阶段的输入值，选定输入量所对应的那天害虫数量值作为模型训练阶段的期望输出值；
35.步骤b，根据所述选定输入量和期望输出量，构建bp神经网络模型，所述bp神经网络模型包括三层前馈神经网络结构，分别为输入层、隐含层和输出层，所述输入层的输入指标是所述选定输入量，所述输出层的输出指标为期望输出量；根据实际预测精度要求，设定期望误差e；
36.步骤c，用当前训练数据训练所述bp神经网络模型，训练的时候训练数据使用历史上第x天检测到的该害虫的数量、时间、空间经度、空间纬度、温度、湿度、大气压强作为输入，第x+n天该虫子的数量作为输出，n表示未来第n天；
37.步骤d，根据当前测得的数据，模型应用，使用所述bp神经网络模型对虫情的发展情况进行预测。
38.当模型训练好之后，便可以使用该模型对虫情的发展情况进行预测。将当前的害虫的数量、检测到该害虫的时间、害虫所在地的空间经度、纬度、该地温度、湿度、大气压强信息输入到bp神经网络的输入层之中，便可以得到未来第n天的该害虫的数量。在实际使用中可以将n设定为1、7、30或者 365，训练四个bp神经网络，分别用来预测次日、下周、下个月或者下一年的该害虫数量发展情况。
39.人工智能虫情预测算法采用人工智能中的bp神经网络。本项目采用的 bp网络是由输入层，输出层以及多个隐层节点互连而成的一种多层网,这种结构使多层前馈网络可在输入和输出间建立合适的线性或非线性关系。
40.进一步地，本发明一种基于多参数融合的人工智能虫情预测的方法的较佳的实施例中，所述输入层、隐含层和输出层均包括与与虫种类相对应的节点。
41.进一步地，本发明一种基于多参数融合的人工智能虫情预测的方法的较佳的实施例中，当所述虫种类有m种，所述输入层为m+7个节点，所述输出层m个节点，所述隐含层为m+50个节点。
42.具体实施例1，虫情预测方面可以构建一个输入层为7个节点，输出层 1个节点，中
间隐含层为15个节点的bp神经网络。将输入层的p1到p7替换为以下其方面的数值：
43.p1:检测到的该害虫的数量；
44.p2:检测到该害虫的时间；
45.p3:害虫所在地的空间经度；
46.p4:害虫所在地的空间纬度；
47.p5:害虫所在地温度；
48.p6:害虫所在地湿度；
49.p7:害虫所在地大气压强；
50.而输出o1则可以替换为预测的第n天的该害虫的数量，该模型中隐藏层的激活函数采用relu函数，输出层的激活函数采用线性函数。
51.具体实施例2，用于预测未来某天，多种害虫的数量趋势。当假设需要预测的害虫种类有m种，可以构建一个输入层为m+6个节点，输出层m个节点，中间隐含层为m+15个节点的bp神经网络。将输入层的p1到p
m
替换为输入的第m种害虫数量，p
m+1
到p
m+6
替换为以下其方面的数值：
52.p
m+1
此次检测到害虫的时间、
53.p
m+2
此次检测所在地的空间经度、
54.p
m+3
此次检测所在地的空间纬度、
55.p
m+4
此次检测所在地的温度、
56.p
m+5
此次检测所在地的湿度、
57.p
m+6
此次检测所在地的大气压强。
58.而输出o1到o
m
则可以替换为预测的第n天的该害虫的数量。该模型中隐藏层的激活函数采用relu函数，输出层的激活函数采用线性函数。训练的时候训练数据使用历史上第x天检测到的所有害虫的数量、时间、空间经度、空间纬度、温度、湿度、大气压强作为输入，第x+n天所有虫子的数量作为输出。n表示未来第n天。
59.具体实施例3，用于预测未来一年内任意一天，多种害虫的数量发展趋势，并且可以预测任一一天的害虫数量趋势。当假设需要预测的害虫种类有 m种，可以构建一个输入层为m+7个节点，输出层m个节点，中间隐含层为 m+50个节点的bp神经网络。将输入层的p1到pm替换为输入的第m种害虫数量，pm+1到pm+7替换为以下其方面的数值：
60.pm+1此次检测到害虫的时间、
61.pm+2此次检测所在地的空间经度、
62.pm+3此次检测所在地的空间纬度、
63.pm+4此次检测所在地的温度、
64.pm+5此次检测所在地的湿度、
65.pm+6此次检测所在地的大气压强。
66.pm+7预测未来第n天的天数(n可以取1—365之间的任意整数)
67.而输出o1到o
m
则可以替换为预测的第n天的该害虫的数量。该模型中隐藏层的激活函数采用relu函数，输出层的激活函数采用线性函数。训练的时候训练数据使用历史上第x天检测到的所有害虫的数量、时间、空间经度、空间纬度、温度、湿度、大气压强、未来的天数n作为输入，第x+n天所有虫子的数量作为输出。n表示未来第n天。
68.进一步地，本发明一种基于多参数融合的人工智能虫情预测的方法的较佳的实施例中，所述隐藏层的激活函数采用relu函数，所述输出层的激活函数采用线性函数。
69.进一步地，本发明一种基于多参数融合的人工智能虫情预测的方法的较佳的实施例中，所述步骤c包括步骤c1前向传输阶段和步骤c2后向传输阶段。本项目采用的bp神经网络通过“训练”这一事件来得到输入和输出之间合适的线性或者非线性关系。“训练”过程可以分为前向传输和后向传输两个阶段。
70.进一步地，本发明一种基于多参数融合的人工智能虫情预测的方法的较佳的实施例中，所述步骤c1包括：
71.步骤c11，从指标中取一个样本p
i
、q
j
,将p
i
输入网络；
72.步骤c12，计算出误差测度e
i
和实际输出o
i
；
73.步骤c13，重复调整权重，直到∑e
i
＜ε。
74.进一步地，本发明一种基于多参数融合的人工智能虫情预测的方法的较佳的实施例中，所述步骤c2包括：
75.步骤c21，计算实际输出o
p
与理想输出q
i
的差；
76.步骤c22，通过所述输出层的误差调整所述输出层权矩阵；
77.步骤c23，通过所述输出层的误差估计所述输出层的前导层的误差，以此获得其他各层的误差估计；
78.步骤c24，通过误差估计实现对权值矩阵的修改。
79.进一步地，本发明一种基于多参数融合的人工智能虫情预测的方法的较佳的实施例中，所述误差计算公式为
80.进一步地，本发明一种基于多参数融合的人工智能虫情预测的方法的较佳的实施例中，所述步骤c24包括形成将所述输出端的误差沿着与输出信号相反的方向逐级向所述输出端传递。
81.一种电子设备，包括：存储器以及一个或多个处理器；
82.其中，所述存储器与所述一个或多个处理器通信连接，所述存储器中存储有可被所述一个或多个处理器执行的指令，所述指令被所述一个或多个处理器执行时，所述电子设备用于实现如以上任一项所述的方法。
83.具体地，处理器和存储器可以通过总线或者其他方式连接，以通过总线连接为例。处理器可以为中央处理器(central processing unit，cpu)。处理器还可以为其他通用处理器、数字信号处理器(digital signalprocessor，dsp)、专用集成电路(application specific integratedcircuit，asic)、现场可编程门阵列(field
‑
programmable gate array， fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等芯片，或者上述各类芯片的组合。
84.存储器作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序、非暂态计算机可执行程序以及模块，如本技术实施例中的级联渐进网络等。处理器通过运行存储在存储器中的非暂态软件程序/指令以及功能模块，从而执行处理器的各种功能应用以及数据处理。
85.存储器可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至
少一个功能所需要的应用程序；存储数据区可存储处理器所创建的数据等。此外，存储器可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中，存储器可选包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络(比如通过通信接口)连接至处理器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
86.一种计算机可读存储介质，其上存储有计算机可执行指令，当所述计算机可执行指令被计算装置执行时，可用来实现如以上任一项所述的方法。
87.前述的计算机可读取存储介质包括以存储如计算机可读指令、数据结构、程序模块或其他数据等信息的任何方式或技术来实现的物理易失性和非易失性、可移动和不可移动介质。计算机可读取存储介质具体包括，但不限于，u 盘、移动硬盘、只读存储器(rom，read
‑
only memory)、随机存取存储器(ram， random access memory)、可擦除可编程只读存储器(eprom)、电可擦可编程只读存储器(eeprom)、闪存或其他固态存储器技术、cd
‑
rom、数字多功能盘(dvd)、hd
‑
dvd、蓝光(blue
‑
ray)或其他光存储设备、磁带、磁盘存储或其他磁性存储设备、或能用于存储所需信息且可以由计算机访问的任何其他介质。
88.尽管此处所述的主题是在结合操作系统和应用程序在计算机系统上的执行而执行的一般上下文中提供的，但本领域技术人员可以认识到，还可结合其他类型的程序模块来执行其他实现。一般而言，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、组件、数据结构和其他类型的结构。本领域技术人员可以理解，此处所述的本主题可以使用其他计算机系统配置来实践，包括手持式设备、多处理器系统、基于微处理器或可编程消费电子产品、小型计算机、大型计算机等，也可使用在其中任务由通过通信网络连接的远程处理设备执行的分布式计算环境中。在分布式计算环境中，程序模块可位于本地和远程存储器存储设备的两者中。
89.本领域普通技术人员可以意识到，结合本文中所本技术的实施例描述的各示例的单元及方法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本技术的范围。
90.所述功能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。基于这样的理解，本技术的技术方案本质上或者说对原有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本技术各个实施例所述方法的全部或部分步骤。
91.综上所述，本发明这种基于多参数融合的人工智能虫情预测的方法采用人工智能中的bp神经网络用于预测未来一年内任意一天，多种害虫的数量发展趋势，实现虫情的实时监测分析，实时计算虫情状态数据，并提供数据不同维度的分析数据以及预警，提前预防虫害，减少虫害损失，并且在采集数据量较大时依然保持高效、准确的预测；同时利用定时采集的外部参数对虫情预测模型进行迭代修正，进一步提高了预测的准确性，提升了病虫害防治水平，服务于绿色农业和有机农业，前景广阔。
92.以上仅为本发明较佳的实施例，并非因此限制本发明的实施方式及保护范围，对
于本领域技术人员而言，应当能够意识到凡运用本发明说明书所作出的等同替换和显而易见的变化所得到的方案，均应当包含在本发明的保护范围内。
93.在本发明的描述中，需要理解的是，术语“上”、“下”、“前”“后”等指示的方位或位置关系为方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。