首页分享一种基于模型融合的农作物病虫害指标预测方法及装置

一种基于模型融合的农作物病虫害指标预测方法及装置

来源：花匠小妙招时间：2024-09-17 11:27

发明内容

本发明解决的问题是如何提高对农作物病虫害预测的准确率。

为解决上述问题，本发明提供一种基于模型融合的农作物病虫害预测方法，包括如下步骤：

获取待预测农作物病虫害及相应的历史数据，并根据所述历史数据生成时间序列数据集，所述时间序列数据集包括多组子序列数据；

获取预测模型集合，且所述预测模型集合包括多个预测模型；

根据所述预测模型对待预测的子序列数据进行预测，得到临时预测数据，所述待预测的子序列数据为任一组所述子序列数据；

获取当前检验偏差系数和所述预测模型的当前权重系数；

根据所有所述临时预测数据、所述当前检验偏差系数和所有所述预测模型的当前权重系数，得到最终预测结果。

可选地，所述根据所有所述临时预测数据、所述当前检验偏差系数和所有所述预测模型的当前权重系数，得到最终预测结果，包括：

根据所有所述临时预测数据、所述当前检验偏差系数和所有所述预测模型的当前权重系数，通过式一计算得到所述最终预测结果，所述式一为：

其中，k表示预测时间次数，

是第k次第i个所述预测模型的的临时预测数据，是第k次中第i个所述预测模型的权重系数，且N是所述预测模型的总数，λ(k)是第k次的校验偏差系数。

可选地，所述获取当前检验偏差系数和所述预测模型的当前权重系数，根据所有所述临时预测数据、所述当前检验偏差系数和所有所述预测模型的当前权重系数，得到最终预测结果，包括：

获取所述待预测的子序列数据对应的预测时间次数k；

当k等于1时，获取初始检验偏差系数作为所述当前检验偏差系数，并获取所述预测模型的初始权重系数为所述预测模型的当前权重系数；

根据所述预测模型对所述待预测的子序列数据进行预测，得到所述临时预测数据；

根据所有所述临时预测数据、所述初始检验偏差系数和所有初始权重系数，得到初始预测结果，所述初始预测结果作为所述最终预测结果。

可选地，所述获取当前检验偏差系数和所述预测模型的当前权重系数，根据所有所述临时预测数据、所述当前检验偏差系数和所有所述预测模型的当前权重系数，得到最终预测结果，还包括：

当k大于1时，根据第k-1次的所述最终预测结果和第k次的实测数据对第k-1次的所述检验偏差系数进行调整，得到第k次的所述检验偏差系数；

根据所述预测模型对第k-1次对应的所述子序列数据进行预测，得到第k-1次预测的所述临时预测数据；

根据第k-1次的所述临时预测数据和第k次的所述实测数据对第k次的所述权重系数进行调整，得到第k次的所述权重系数；

根据所述预测模型对第k次对应的所述子序列数据进行预测，得到第k次的所述临时预测数据；

根据所有第k次的所述临时预测数据、第k次的所述检验偏差系数和所有第k次的所述权重系数，得到第k次的所述最终预测结果。

可选地，所述根据第k-1次的所述最终预测结果和第k次的实测数据对第k次的所述检验偏差系数进行调整，得到第k次的所述检验偏差系数，包括：

根据第k次的所述实测数据和第k-1次的所述最终预测结果，通过式二计算得到第k次的所述检验偏差系数，所述式二为：

其中，k表示所述预测时间次数，R(k)是第k-1次的所述实测数据，

是第k-1次的所述最终预测结果。

可选地，所述根据第k-1次的所述临时预测数据和第k次的所述实测数据对第k次的所述权重系数进行调整，得到第k次的所述权重系数，包括：

将所述预测模型根据每个第k-1次的所述临时预测数据和第k次的所述实测数据的差值进行升序排列，并根据所述预测模型总数的中位数将所述预测模型集合进行划分，得到第一组序列和第二组序列；

将所述第二组序列中的权重系数调整至原来的一半作为调整后的所述第二组序列的权重系数，并根据调整后的所述第二组序列的权重系数调整所述第一组序列的权重系数。

可选地，所述根据调整后的所述第二组序列的权重系数调整所述第一组序列的权重系数，包括：

将所述第二组序列根据调整后的所述第二组序列的权重系数进行降序排序；

根据调整后的所述第二组序列的权重系数按顺序依次增加至与所述第二组序列位置对应的所述第一组序列的权重系数上。

可选地，所述基于模型融合的农作物病虫害预测方法还包括：

获取新的预测模型；

将所述新的预测模型增至所述预测模型集合中，并根据当前所述预测模型集合中所述预测模型的总数调整所述预测模型的当前权重系数。

可选地，所述基于模型融合的农作物病虫害预测方法还包括：

获取所述预测模型的总数和预设条件；

当所述预测模型的总数不满足所述预设条件，将所述新的预测模型增至所述预测模型集合中；

当所述预测模型的总数满足所述预设条件，获取预设权重阈值；

当所述当前权重系数小于所述预设权重阈值，将对应的所述预测模型剔除，并将剔除的所述预测模型的当前权重系数累加至所述预测模型集合中当前权重系数最大的所述预测模型上。

本发明所述的基于模型融合的农作物病虫害预测方法相对于现有技术的优势在于：首先通过确定待预测农作物病虫害，即预测对象，例如小麦的百株蚜，麦蜘蛛的尺单行虫，小麦白粉病，玉米螟百株低龄虫等，将获取农作物病虫害的历史数据转化为时间序列数据集，历史数据为预测对象对应的历史数据，例如选取连续5天小麦的百株蚜的每日均量为历史数据，将历史数据转化为以预设时间段为单位的子序列数据，根据选取的多个不同预测模型对一组子序列数据进行预测得到不同的临时预测数据，基于模型融合，将临时预测数据根据当前检验偏差系数和所述预测模型的当前权重系数进行数据融合，得到最终预测结果；基于多个预测模型的融合，使得最终预测结果更接近实测数据，提高了预测准确度，通过预测农作物病虫害的数量，当达到预警值，及时有针对性的防治各类病虫害，确保把即将爆发的病虫害扼杀在摇篮中，并减少乱用农药、滥用农药的问题。

为解决上述技术问题，本发明还提供一种基于模型融合的农作物病虫害预测装置，包括：

获取单元，用于获取待预测农作物病虫害及相应的历史数据，并根据所述历史数据生成时间序列数据集，所述时间序列数据集包括多组子序列数据；

所述获取单元还用于获取预测模型集合，且所述预测模型集合包括多个预测模型；

所述获取单元还用于获取当前检验偏差系数和所述预测模型的当前权重系数；

处理单元，用于根据所述预测模型对待预测的子序列数据进行预测，得到临时预测数据，所述待预测的子序列数据为任一组所述子序列数据；

所述处理单元还用于根据所有所述临时预测数据、所述当前检验偏差系数和所有所述预测模型的当前权重系数，得到最终预测结果。

本发明所述的基于模型融合的农作物病虫害预测装置与所述基于模型融合的农作物病虫害预测方法相对于现有技术的优势相同，在此不再赘述。

具体实施方式

为使本发明的上述目的、特征和优点能够更为明显易懂，下面结合附图对本发明的具体实施例做详细的说明。

图1为本申请实施例中基于模型融合的农作物病虫害预测方法的应用环境图。参照图1，该基于模型融合的农作物病虫害预测方法应用于基于模型融合的预测系统。该基于模型融合的预测系统包括终端110和服务器120。终端110和服务器120通过网络连接。终端110具体可以是台式终端或移动终端，移动终端具体可以手机、平板电脑、笔记本电脑等中的至少一种。服务器120可以用独立的服务器或者是多个服务器组成的服务器集群来实现。

如图2所示，在一个实施例中，提供了一种基于模型融合的农作物病虫害预测方法，包括如下步骤：

步骤S1，获取待预测农作物病虫害及相应的历史数据，并根据所述历史数据生成时间序列数据集，所述时间序列数据集包括多组子序列数据；

具体地，确定数字乡村中的待预测农作物病虫害，即预测对象，农作物病虫害指标包括小麦的百株蚜量、麦蜘蛛的尺单行虫量、小麦白粉病的病情指数和玉米螟百株低龄虫量等；例如小麦的百株蚜作为预测对象，并预测当前时间(今天)的小麦的百株蚜量，获取连续前5天的小麦的百株蚜的每日均量作为历史数据，并将小麦的百株蚜的历史数据转化为以一天为单位的多个子序列数据，需要说明的是，对历史数据转进行划分时，根据实际预测对象进行划分，例如对A虫害选取以2天时间段作为划分条件；而B虫害选取5天时间段作为划分条件。

步骤S2，获取预测模型集合，所述预测集合包括多个预测模型；

具体地，对于预测模型的选取时，因历史数据划分为时间序列数据集，时间序列是按照一定的时间间隔排列的一组连续数据，其时间间隔可以是任意的时间单位，如小时、日、周月等，比如，每天某产品的用户数量，每个月的销售额，这些数据形成了以一定时间间隔的数据。通过对这些时间序列的分析，从中发现和揭示现象发展变化的规律。所以预测模型大多数采用时间序列模型以提高预测精度，例如GM模型、ARMA模型和指数平滑(ES)模型等预测模型。预测模型也可根据预测数据量(子序列数据)的多少，可进行选择，当预测数据量小时，可选取基于基于小数据量的预测模型，例如，有线性回归模型；当预测数据量大时，可选取基于大数据量的预测模型，例如，BP神经网络预测模型；而在本实施例中，因时间序列数据集是以预设时间段为划分条件，数据量比较小，所以选取的预测模型包括有线性回归模型、GM模型、ARMA模型和指数平滑(ES)模型等预测模型。每类预测模型通过参数不同可衍生多个预测模型。如GM模型GM(1,N)，即可衍生为N个模型。例如，GM(1,1)和GM(1,2)，虽然都是用GM模型的理论，但是对模型融合来说，都是不同的预测模型，一般预测模型总数要超过3个，初始预测模型的总数不同，对后期预测过程是有影响的。如果初始预测模型数量较少，那么后期可能需要不断地增加新的预测模型来提高预测准确性，如果初始预测模型数量较多，那么后期可能需要进行预测模型筛选和优化，以提高预测的效率和准确性。其中，GM模型它通过在分析少数据、少信息的表面特征，了解少数据、少信息的实际行为表现，探讨少数据、少信息的潜在机制,归纳少数据的、少信息外部现象，探究少数掘、少信息的内在特性，揭示少数掘、少信息背景下事物的演化规律。总而言之，灰色系统理论的核心内容就是要在少数据、少信息的不确定性背景下，通过基于数据的处理、现象的分析，达到预测模型的建立、针对发展趋势的预测、事物的决策、系统的控制与状态的进行有效合理的评估。

步骤S3，根据所述预测模型对待预测所述子序列数据进行预测，得到临时预测数据，所述待预测的子序列数据为任一组所述子序列数据；

具体地，将待预测所述子序列数据分别输入所有预测模型中，得到每个预测模型的输出，即临时预测数据，例如待预测所述子序列数据为4月6日的的百株蚜量(均值)，将4月5日的百株蚜量(均值)的数据分别输入到所有预测模型中，得到对应的临时预测数据。

步骤S4，获取当前检验偏差系数和所述预测模型的当前权重系数；

具体地，获取待预测的子序列数据对应的当前检验偏差系数和所有所述预测模型的当前权重系数，其中，检验偏差系数是用于校验实测数据和对应的最终预测结果的偏差情况。

步骤S5，根据所述当前预测结果、对应的实测数据和每个所述临时预测数据调整检验偏差系数和所述预测模型的权重系数，得到调整后的权重系数和检验偏差系数；

具体地，根据所有所述临时预测数据，即基于所有预测模型的融合，根据所述当前检验偏差系数和所有所述预测模型的当前权重系数把不同的预测模型的预测结果，即临时预测数据融合为最总预测结果。

需要说明的是，在进行预测时，需要针对不同的预测对象使用不同的预测模型，并进行模型融合。虽然模型融合方法相同，但不同预测对象的时间范围和预测反馈需要根据数据变化进行调整，以保证预测结果的准确性和可靠性，即需要在预测时间范围和预测反馈之间进行平衡，以便在预测范围内准确预测病虫害的发生，并在预测反馈方面实现及时响应，以应对突发情况。

本实施例所述的基于模型融合的农作物病虫害预测方法首先通过确定待预测农作物病虫害，即预测对象，例如小麦的百株蚜，麦蜘蛛的尺单行虫，小麦白粉病，玉米螟百株低龄虫等，将获取农作物病虫害的历史数据转化为时间序列数据集，历史数据为预测对象对应的历史数据，例如选取连续5天小麦的百株蚜的每日均量为历史数据，将历史数据转化为以预设时间段为单位的子序列数据，根据选取的多个不同预测模型对一组子序列数据进行预测得到不同的临时预测数据，基于模型融合，将临时预测数据根据当前检验偏差系数和所述预测模型的当前权重系数进行数据融合，得到最终预测结果；基于多个预测模型的融合，使得最终预测结果更接近实测数据，提高了预测准确度，通过预测农作物病虫害的数量，当达到预警值，及时有针对性的防治各类病虫害，确保把即将爆发的病虫害扼杀在摇篮中，并减少乱用农药、滥用农药的问题。

在一些实施例中，步骤S5中，所述根据所有所述临时预测数据、所述当前检验偏差系数和所有所述预测模型的当前权重系数，得到最终预测结果，包括：

根据所有所述临时预测数据、所述当前检验偏差系数和所有所述预测模型的当前权重系数，通过式一计算得到所述最终预测结果，所述式一为：

其中，k表示预测时间次数，

是第k次第i个所述预测模型的的临时预测数据，是第k次中第i个所述预测模型的权重系数，且N是所述预测模型的总数，λ(k)是第k次的校验偏差系数。

具体地，将待预测的子序列数据分别输入每个预测模型中，得到每个预测模型的输出，即临时预测数据

基于所有预测模型的融合，根据所述当前检验偏差系数λ(k)和所有所述预测模型的当前权重系数把不同的预测模型的预测结果(临时预测数据)进行融合，得到最终预测结果，其中，k为大于等于1的整数，且k与时间序列数据集相对应，例如，时间序列数据集包括4月1日-4月30日的子序列数据，当选取4月1日的子序列数据为首次预测的数据时，即k等于1，通过4月1日的子序列数据对4月2日的预测对象进行预测；此时k等于2，通过4月1日的子序列数据对4月2日的预测对象进行预测，在通过4月2日的子序列数据对4月3日进行预测，依次类推，当根据4月15日年的子序列数据进行预测时得到是4月16日的最终预测结果，此时k等于15。

在一些实施例中，步骤S4和S5中，获取当前检验偏差系数和所述预测模型的当前权重系数，根据所有所述临时预测数据、所述当前检验偏差系数和所有所述预测模型的当前权重系数，得到最终预测结果，包括：

步骤A1，获取所述待预测的子序列数据对应的预测时间次数k；

步骤A2，当k等于1时，获取初始检验偏差系数作为所述当前检验偏差系数，并获取所述预测模型的初始权重系数为所述预测模型的当前权重系数；

步骤A3，根据所述预测模型对所述待预测的子序列数据进行预测，得到所述临时预测数据；

步骤A4，根据所有所述临时预测数据、所述初始检验偏差系数和所有初始权重系数，得到初始预测结果，所述初始预测结果作为所述最终预测结果。

具体地，当待预测的子序列数据是首次进行预测，即预测时间次数k等于1时，初始检验偏差系数设定为1，即设定为无偏差情况；初始权重系数与预测模型的总数有关，对于首次预测，无法判定每个预测模型的预测准确情况，所以对于预测模型的分配比相同，即初始权重系数均相同，即其值皆为预测模型的总数的倒数；并根据所有所述临时预测数据、所述初始检验偏差系数和所有初始权重系数，通过所述式一计算得到初始预测结果，即首次预测的最终预测结果。

在一些实施例中，步骤S4和S5中，获取当前检验偏差系数和所述预测模型的当前权重系数，根据所有所述临时预测数据、所述当前检验偏差系数和所有所述预测模型的当前权重系数，得到最终预测结果还包括：

步骤A5，当k大于1时，根据第k-1次的最终预测结果和所述第k次的实测数据对第k次的检验偏差系数进行调整，得到第k次的所述检验偏差系数；

步骤A6，根据所述预测模型对第k-1次对应的所述子序列数据进行预测，得到第k-1次的所述临时预测数据；

步骤A7，根据第k-1次的所述临时预测数据和第k次的实测数据对第k次的所述权重系数进行调整，得到第k次的所述权重系数；

步骤A8，根据所述预测模型对第k次对应的所述子序列数据进行预测，得到第k次的所述临时预测数据；

步骤A9，根据所有第k次的所述临时预测数据、第k次的所述检验偏差系数和所有第k次的所述权重系数，得到第k次的所述最终预测结果。

具体地，当k大于1时，根据第k-1次预测时所得到的数据对第k次的检验偏差系数和权重系数进行调整，进而求得第k次的最终预测结果。例如，当k等于2时，根据所述初始预测结果和第二次的所述实测数据对所述初始检验偏差系数进行调整，得到第二次的所述检验偏差系数；根据每个首次预测的所述临时预测数据和第二次的所述实测数据对每个所述初始权重系数进行调整，得到第二次的所述权重系数；根据所述预测模型对第二次预测的所述子序列数据进行预测，得到第二次预测的所述临时预测数据；根据所有第二次预测的所述临时预测数据、第二次的所述检验偏差系数和所有第二次的所述权重系数，得到第二次的所述预测结果；当k等于3时，根据第二次的所述预测结果和第三次的所述实测数据对第二次的所述检验偏差系数进行调整，得到第三次检验偏差系数；根据每个第二次的所述临时预测数据和第三次的所述实测数据对每个第二次的所述权重系数进行调整，得到第三次的所述权重系数；根据所述预测模型对第三次预测的所述子序列数据进行预测，得到第三次预测的所述临时预测数据；根据所有第三次预测的所述临时预测数据、第三次的所述检验偏差系数和所有第三次预测的所述临时预测数据，得到第三次的所述预测结果。

在一些实施例中，步骤A5中，根据第k-1次的所述最终预测结果和第k次的实测数据对第k次的所述检验偏差系数进行调整，得到第k次的所述检验偏差系数，包括：

根据第k次的所述实测数据和第k-1次的所述最终预测结果，通过式二计算得到第k次的所述检验偏差系数，所述式二为：

其中，k表示所述预测时间次数，R(k)是第k-1次的所述实测数据，

是第k-1次的所述最终预测结果。

在一些实施例中，步骤A7中，根据第k-1次的所述临时预测数据和第k次的所述实测数据对第k次的所述权重系数进行调整，得到第k次的所述权重系数，包括：

步骤A71，将所述预测模型根据每个第k-1次的所述临时预测数据和第k次的所述实测数据的差值进行升序排列，并根据所述预测模型总数的中位数将所述预测模型集合进行划分，得到第一组序列和第二组序列；

步骤A72，将所述第二组序列中的权重系数调整至原来的一半作为调整后的所述第二组序列的权重系数，并根据调整后的所述第二组序列的权重系数调整所述第一组序列的权重系数。

在一些实施例中，步骤A72中，根据调整后的所述第二组序列的权重系数调整所述第一组序列的权重系数，包括：

将所述第二组序列根据调整后的所述第二组序列的权重系数进行降序排序；

根据调整后的所述第二组序列的权重系数按顺序依次增加至与所述第二组序列位置对应的所述第一组序列的权重系数上。

具体地，通过每个预测模型的临时预测数据与对应的实测数据的偏差的绝对值由低到高排序。把预测的偏差按照其值由小到大排序，排序靠前的说明其预测的临时预测数据与实测数据接近，排名靠后的说明预测模型的的临时预测数据与实测数据差距较大。以预测模型总数的中位数分为2组，第一组是排在中位数前面的(包括中位数)，第二组是排在中位数后面(不包括中位数)。第二组的的权重系数调整至原来的一半作为调整后的所述第二组序列的权重系数，而第一组的权重系数，其权重系数在原来的权重系数基础上增加第二组缩减的权重系数，具体来说预测模型排名第一的增量为后面一组缩减值最大的权重系数，排名第二名的增量为缩减值次高的，依次类推，直到后面一组所有缩减都用尽为止。例如，第一组的权重系数：第一位是0.1，第二位0.11，第二组中第一位是0.2，第二位0.21，首先将第二组的权重系数调整为原来的一半，即0.2*0.5，0.21*0.5，再对第二组的权重系数由大到小排序，排序后第二组中第一位是0.21*0.5，第二位0.2*0.5，则调整后第一组的权重系数为0.1+0.21*0.5，0.11+0.2*0.5。对于偏差越大的预测模型权重越小，偏差越小的预测模型在下一次预测时权重越大，进而会提高预测准确度。

在一些实施例中，所述基于模型融合的农作物病虫害预测方法还包括：

步骤T1，获取新的预测模型；

步骤T2，将所述新的预测模型增至所述预测模型集合中，并根据当前所述预测模型集合中所述预测模型的总数调整所述预测模型的当前权重系数。

具体地，选取新的预测模型，即新的预测模型可用，首先完成了预测模型的算法编写，能进行时间序列的预测，并判断新的预测模型是否与原有预测模型相同，即与现有所有预测模型进行比对，判断是否存在与某个预测模型的所有预测值(临时预测数据)是否相同，若每次都相同，说明该预测模型是已有的原有预测模型，不把该新的预测模型增加到该预测对象的预测模型集合中。当新的预测模型与原有预测模型都不相同，则把该预测模型增加到该预测对象的预测模型集合中，并将新的预测模型的权重系数设定为当前预测模型集合中预测模型总数的倒数，而原有预测模型的权重系数调等比例缩小，例如原有预测模型的总数为W个，现将新的预测模型增至预测模型集合中后，当前预测模型的总数为N，则原有预测模型的权重系数缩小比例为W/N。

需要说明的是，对于需要不断地增加新的预测模型来提高预测准确性，所以增加新的预测模型不一定在发生预测模型数量少的预警后才增加，任何时候都可以增加新模型，具体根据实际情况而定。

在一些实施例中，所述基于模型融合的农作物病虫害预测方法还包括：

步骤T3，获取所述预测模型的总数和预设条件；

步骤T4，当所述预测模型的总数不满足所述预设条件，将所述新的预测模型增至所述预测模型集合中；

步骤T5，当所述预测模型的总数满足所述预设条件，获取预设权重阈值；

步骤T6，当所述当前权重系数小于所述预设权重阈值，将对应的所述预测模型剔除，并将剔除的所述预测模型的当前权重系数累加至所述预测模型集合中当前权重系数最大的所述预测模型上。

具体地，预设条件根据时间情况而定，例如，预设条件为3，即当预测模型的总数小于等于3时，就会出发预警，并判断此时需要增加新的预测模型。当预测模型的总数大于3时，在每次对权重系数进行调整后，会对当前权重系数进行判定，当前权重系数小于预设权重阈值，那将对应的预测模型进行剔除操作，也就是当权重系数过小时，说明该预测模型不适合模型融合，可以减少模型融合的复杂度，同时提高预测的稳定性和可靠性；在剔除该预测模型后，因各个预测模型的权重系数的和为1，所以把该预测模型的权重系数累加到权重系数最大的预测模型上，且对于预测过程中，会有增新的预测模型情况，在选取新的预测模型时，也需要将新的预测模型与剔除的预测模型进行比较，确保新的预测模型与剔除的预测模型不相同。对于提高权重系数最大的预测模型的权重系数在下一次预测的重要性，让预测模型融合后的最终预测结果越来越贴合实测数据，提高预测准确率。

需要说明的是，当剔除的预测模型时，只针对不适用此时的预测对象，对于预测对象不同，即农作物病虫害不同时，预测模型的预测结果是不同的，也就说明基于预测模型融合后的最终结果不同，例如，当预测对象为4月的小麦的百株蚜量，当预测过程中，判定预测模型GM(1,1)不适合此时的模型融合，并剔除，当预测对象为4月的麦蜘蛛的尺单行虫量，当预测过程中，判定预测模型GM(1,1)适合此时的模型融合。

本实施例所述的基于模型融合的农作物病虫害预测方法例如小麦的百株蚜，麦蜘蛛的尺单行虫，小麦白粉病，玉米螟百株低龄虫等，将获取农作物病虫害的历史数据转化为时间序列数据集，历史数据为预测对象对应的历史数据，例如选取连续5天小麦的百株蚜的每日均量为历史数据，将历史数据转化为以预设时间段为单位的子序列数据，根据选取的多个不同预测模型对一组子序列数据进行预测得到不同的临时预测数据，基于模型融合，将临时预测数据根据当前检验偏差系数和所述预测模型的当前权重系数进行数据融合，得到最终预测结果；基于多个预测模型的融合，使得最终预测结果更接近实测数据，提高了预测准确度，通过预测农作物病虫害的数量，当达到预警值，及时有针对性的防治各类病虫害，确保把即将爆发的病虫害扼杀在摇篮中，并减少乱用农药、滥用农药的问题。

如图3所示，本发明的又一个实施例还提供一种基于模型融合的农作物病虫害预测装置，包括：

获取单元，用于获取待预测农作物病虫害及相应的历史数据，并根据所述历史数据生成时间序列数据集，所述时间序列数据集包括多组子序列数据；

所述获取单元还用于获取预测模型集合，且所述预测模型集合包括多个预测模型；

所述获取单元还用于获取当前检验偏差系数和所述预测模型的当前权重系数；

处理单元，用于根据所述预测模型对待预测的子序列数据进行预测，得到临时预测数据，所述待预测的子序列数据为任一组所述子序列数据；

所述处理单元还用于根据所有所述临时预测数据、所述当前检验偏差系数和所有所述预测模型的当前权重系数，得到最终预测结果。

本发明的又一个实施例还提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述基于模型融合的农作物病虫害预测方法的步骤。

需要注意的是，该设备可以为服务器、移动终端等计算机设备。

图4示出了一个实施例中计算机设备的内部结构图。该计算机设备包括该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、输入装置和显示屏。其中，存储器包括非易失性存储介质和内存储器。该计算机设备的非易失性存储介质存储有操作系统，还可存储有计算机程序，该计算机程序被处理器执行时，可使得处理器实现基于模型融合的农作物病虫害预测方法。该内存储器中也可储存有计算机程序，该计算机程序被处理器执行时，可使得处理器执行的基于模型融合的农作物病虫害预测方法。计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。

在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述基于模型融合的农作物病虫害预测方法的步骤。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一非易失性计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。

需要说明的是，在本文中，诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

以上所述仅是本发明的具体实施方式，使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所发明的原理和新颖特点相一致的最宽的范围。

虽然本发明披露如上，但本发明的保护范围并非仅限于此。本领域技术人员在不脱离本发明的精神和范围的前提下，可进行各种变更与修改，这些变更与修改均将落入本发明的保护范围。