基于分解算法与样本熵加权注意力机制的农业污染物混合预测模型

方法

变分模态分解、样本熵加权双层注意力、LSTM，基于空气质量多传感器小时数据。

发现

CO、非甲烷烃和NO2预测MAE降4.8%、MAPE降23.5%、RMSE降29.1%，可边缘部署。

机会点

可探索该轻量模型在移动机器人边缘端的实时部署与多污染物联合预警，及跨场景迁移泛化。

原文标题：基于分解算法与样本熵加权注意力机制的混合预测模型。针对移动机器人农业环境监测中污染物浓度时序非平稳、非线性的难题，作者提出融合变分模态分解、样本熵加权双层注意力机制与长短期记忆神经网络的混合深度学习模型。变分模态分解自适应拆解信号以分离噪声与有用信息，样本熵加权机制使注意力聚焦信息量更高的子序列，双层注意力分别关注通道特征重要性与空间位置重要性。在基于空气质量化学多传感器小时数据的实验上，预测一氧化碳、非甲烷烃和二氧化氮三类污染物时平均绝对误差降低4.8%、平均绝对百分比误差降低23.5%、均方根误差降低29.1%，算法复杂度满足边缘端部署要求，可用于农业环境自动监测与智能预警。