温室温湿度预测：扩展Kalman滤波新方法

引用格式：蔡玉琴, 刘大铭, 徐琴, 李波洋, 刘博杰. 基于自适应Kalman滤波与GWO-LSTM-Attention的温室温湿度预测方法. 智慧农业(中英文), 2026, 8(1): 148-155.

DOI： 10.12133/j.smartag.SA202506033

CAI Yuqin, LIU Daming, XU Qin, LI Boyang, LIU Bojie. Greenhouse Temperature and Humidity Prediction Method Based on Adaptive Kalman Filter and GWO-LSTM-Attention. Smart Agriculture, 2026, 8(1): 148-155.

DOI： 10.12133/j.smartag.SA202506033

基于自适应Kalman滤波与GWO-LSTM-Attention的温室温湿度预测方法

蔡玉琴， 刘大铭*， 徐琴， 李波洋， 刘博杰

（宁夏大学 电子与电气工程学院，宁夏银川 750000，中国）

摘要：

［目的/意义］针对温室温湿度预测中多传感器数据融合可靠性低、传统模型忽略温湿度动态耦合，以及参数调优依赖人工经验等问题。

［方法］首先，对传统卡尔曼（Kalman）滤波算法实施改进，通过动态调整过程噪声协方差和观测噪声协方差，结合新息方差动态分配多传感器权重。其次，针对温湿度的强耦合性及其协同控制的需求，构建多输出长短期记忆-注意力机制（Long Short-Term Memory -Attention, LSTM-Attention）模型，以温湿度协同预测为目标，引入注意力机制自适应加权关键环境因子，并采用灰狼优化算法（Grey Wolf Optimizer, GWO）自动对超参数进行寻优。

［结果和讨论］提出的自适应卡尔曼滤波算法在多点温湿度融合中的平均绝对偏差分别为1.59 ℃和8.64%，比传统卡尔曼滤波算法分别降低1.24%、8.57%。以该算法融合结果作为模型训练集，模型在温湿度预测中决定系数R2分别达到98.2%和99.3%，比传统Kalman提升4.7%和4.3%。GWO-LSTM-Attention模型的温湿度预测均方根误差分别为0.776 8 ℃和2.056 4%，比LSTM、LSTM-Attention时间序列预测模型分别降低15.6%、6.6%，湿度分别降低29.2%、5.7%。

［结论］提出的自适应卡尔曼融合算法能够有效抑制异常值影响，可在非平稳环境变化下实现多传感器数据可靠融合。在温室多环境因子预测中，GWO-LSTM-Attention模型温湿度预测值在未来可作为控制温室环境的重要参考，进而实现对温室环境的实时调控。

关键词：日光温室；卡尔曼滤波；灰狼优化算法；长短期记忆神经网络；注意力机制

文章图片

图1　LSTM-attention模型结构图

Fig. 1 The structure of the LSTM-attention

图2　GWO优化流程示意图

Fig. 2 The flowchart of GWO optimization

图3　不同融合方法温湿度融合效果可视化

Fig. 3 Visualization of the integration effect of temperature and humidity using different fusion methods

图4　各模型测试集预测残差对比

Fig. 4 Comparison of prediction residuals of each model's test set

作者介绍

刘大铭 教授

刘大铭，硕士，教授，硕士生导师。现任宁夏大学电子与电气工程学院教师，宁夏“泛在网络与智能信息技术应用”科技创新团队骨干。研究方向为嵌入式系统、物联网技术、机器视觉。主持或参与多项省部级科研项目，在核心期刊发表论文多篇，获授权专利及软著十余项。主讲《单片机技术》《微机原理》《现代控制理论》等课程，曾获研究生电子设计竞赛先进工作者、电子设计大赛宁夏赛区优秀指导教师等荣誉。

来源：《智慧农业（中英文）》2026年第1期