基于Attention-GRU模型的酿酒葡萄蒸腾量预测OA北大核心CSTPCD

针对酿酒葡萄蒸腾量影响因素的复杂性、各影响因子间的非线性等问题,提出主成分分析、注意力机制(Attention)以及门控循环单元(gated recurrent unit,GRU)相结合的模型来预测酿酒葡萄蒸腾量,采用宁夏立兰酒庄连续时间段内传感器监测数据作为样本进行分析,同时建立长短时记忆神经网络(LSTM)和未引入Attention机制的GRU神经网络进行对比分析.结果表明,Attention-GRU模型的均方根误差、均方误差和平均绝对误差分别为0.423 mm,0.179和0.355 mm,与LSTM模型相比,其各项误差分别降低了0.122 mm,0.118和0.083 mm;与未引入Attention机制的GRU模型相比,其各项误差分别降低了0.259 mm,0.286和0.161 mm.该模型具有较高的预测精度和泛化能力,可以为酿酒葡萄需水量研究提供依据.