그라디언트 부스트 결정 트리를 사용한 온실 온도 모델링 방법

정확한 환경 모델은 에너지 소비 효율을 개선하고 농작물 수확량을 증가시키기 위한 온실 제어의 근본적인 문제입니다. 사물인터넷(IoT)에서 생성된 농업 데이터의 증가와 함께 이러한 정보를 완전히 활용하기 위해 더 많은 실행 가능한 모델이 필요합니다. 본 연구에서는 새롭게 개발된 라이트 그라디언트 부스팅 머신 알고리즘(LightGBM 또는 LGBM)을 기반으로 하는 그라디언트 부스트 결정 트리(GBDT) 모델을 제안하여 온실 내부의 온도를 모델링하였습니다. 기후 변수, 제어 변수 및 5년 동안 수집된 추가적인 시간 정보를 포함한 특성을 사용하여 LGBM 모델을 훈련하고 검증하기 위한 적절한 데이터셋을 구성하였습니다. LGBM 모델 성능과 자기 적응 능력을 개선하기 위한 혁신으로 적응형 교차 검증 방법이 개발되었습니다. 예측 정확성 비교를 위해 동일한 프로세스 하에 백프포게이션(BP) 신경망 모델과 순환 신경망(RNN) 모델이 구축되었습니다. 또한, LGBM 모델과의 예측 정확성 비교를 위해 두 개의 GBDT 알고리즘인 극한 그라디언트 부스팅(Xgboost)과 확률적 그라디언트 부스팅(SGB)도 소개되었습니다. 결과는 LGBM이 0.645℃의 RMSE 값으로 온도 곡선에 대해 최상의 적합성을 가지고 있으며, 다른 두 신경망 알고리즘보다 60배 빠른 교육 속도를 가짐을 시사합니다. LGBM은 온실 환경 예측과 실제 시간 예측 제어 모두에서 강력한 응용 가능성을 가지고 있습니다.