本申请涉及烟草虫害防治，更具体地，涉及一种烟虫数量预测方法及装置。
背景技术：
1、卷烟是一种可吸食性的食品，影响其产品质量的决定性因素就是卷烟原料的品质。如果原料品质无法达标，则会导致卷烟的品质大幅度下降。然而，在原料的生产加工环节，为保障机器的运行性能，生产车间需常年保持恒温恒湿的环境，同时，卷烟生产过程中会产生大量的烟丝、烟末等，为烟虫的生长繁殖提供了适宜的环境和食物来源。在卷烟生产阶段当卷烟原料受到烟虫的侵害，卷烟原料的品质会造成很大的影响，不仅影响卷烟产品内在品质，而且将导致消费者满意度和市场率的降低。此外，卷烟的包装材料被虫蛀孔后，也会影响卷烟产品的外观质量。因此，为了降低经济方面损失，掌握虫情规律，建立虫情管控机制，对烟虫的虫情监控和有效治理显得十分重要。然而，目前的虫情监控方法主要是通过人工肉眼识别计数，不仅效率低，也存在严重的滞后性。面对可能存在的烟虫活动范围迁移、数量短时间内增多等情况，人工识别方法无法捕捉烟虫分布的动态变化规律，因而难以预先采取应对措施以减少经济损失。
2、随着近年来人工智能和大数据技术的兴起，基于数据驱动的多变量时序预测方法，如自回归移动平均(autoregressive integratedmoving average,arima)、支持向量回归(support vector machinesregression,svr)、深度神经网络(deep neural network,dnn)等，逐渐在交通流量预测、销量预测、股票走势预测等时间序列预测任务中崭露头角。其中，基于深度神经网络的多变量时序预测方法通过多层非线性映射对输入信号进行深层特征提取，无需对于时序数据来源的模型机理有深层次的认识，也能够做到高准确率的时序预测，在近年来得到了广泛的应用，代表方法有循环神经网络(recurrent neuralnetwork,rnn)，长短期记忆网路(longshort-term memory,lstm)等。
3、然而，这些时序预测方法在烟虫分布预测的任务场景中存在着难以解决的两个挑战。首先，不同测点的烟虫数量分布数据存在着显著的空间层面关联，传统的时序预测方法难以对数据中蕴含的空间相关性进行捕捉并建模。
4、其次，烟虫的繁殖和迁移速度较慢，且卷烟工厂会定期进行烟虫消杀工作，因此在以测点为变量、以天为样本单位的烟虫统计数据中，烟虫分布是非常稀疏的，传统的时序预测方法难以达到较高的预测准确率。
技术实现思路
1、本申请提供一种烟虫数量预测方法及装置，将采集的烟虫数量分布历史数据进行变量分级，用于表征不同粒度下烟虫分布的空间特性，并基于该分级输入数据，利用多层级知识继承图网络模型获得测点级、区域级以及车间级烟虫数量预测值，能够更有针对性地应对烟虫数量分布数据的强空间性特性，有效提高烟虫分布预测准确率。
2、本申请提供了一种烟虫数量预测方法，包括：
3、对最近的预设时间内采集的烟虫数量分布历史数据进行变量分级，形成分级输入数据，分级输入数据包括测点级输入数据、区域级输入数据和车间级输入数据；
4、将分级输入数据输入多层级知识继承图网络模型，获得未来预设时间内的多层级烟虫数量预测值，多层级烟虫数量预测值包括测点级烟虫数量预测值、区域级烟虫数量预测值以及车间级烟虫数量预测值。
5、优选地，多层级知识继承图网络模型包括车间级图网络模型、车间+区域级图网络模型、车间+区域+测点级图网络模型。
6、优选地，对多层级知识继承图网络模型进行训练包括：
7、对烟虫数量分布数据进行变量分级，获得车间级虚拟变量数据集、区域级虚拟变量数据集以及测点级变量数据集，车间级虚拟变量数据集由该车间内所有区域的烟虫数量分布数据构成，区域级虚拟变量数据集由该区域内所有测点的烟虫数量分布数据构成，测点级变量数据集由所有测点的烟虫数量分布数据构成；
8、利用车间级虚拟变量数据集、区域级虚拟变量数据集以及测点级变量数据集依次对车间级图网络模型、车间+区域级图网络模型和车间+区域+测点级图网络模型进行迭代训练。
9、优选地，对每个层级的图网络模型进行迭代训练时，同时更新该层级的图网络模型中图结构学习模块的邻接矩阵和该层级的图网络模型中的数量预测模块，邻接矩阵与该层级的图节点嵌入矩阵的乘积为数量预测模块的输入数据。
10、优选地，每个层级的图网络模型的图结构学习模块中，图结构的每个节点的信息是由该层级的数据集中每个样本数据的每个变量映射得到的特征。
11、本申请还提供一种烟虫数量预测装置，包括第一分级模块和预测模块；
12、第一分级模块用于对最近的预设时间内采集的烟虫数量分布历史数据进行变量分级，形成分级输入数据，分级输入数据包括测点级输入数据、区域级输入数据和车间级输入数据；
13、预测模块用于将分级输入数据输入多层级知识继承图网络模型，获得未来预设时间内的多层级烟虫数量预测值，多层级烟虫数量预测值包括测点级烟虫数量预测值、区域级烟虫数量预测值以及车间级烟虫数量预测值。
14、优选地，多层级知识继承图网络模型包括车间级图网络模型、车间+区域级图网络模型、车间+区域+测点级图网络模型。
15、优选地，烟虫数量预测装置还包括训练模块，训练模块包括第二分级模块、迭代训练模块；
16、第二分级模块用于对烟虫数量分布数据进行变量分级，获得车间级虚拟变量数据集、区域级虚拟变量数据集以及测点级变量数据集，车间级虚拟变量数据集由该车间内所有区域的烟虫数量分布数据构成，区域级虚拟变量数据集由该区域内所有测点的烟虫数量分布数据构成，测点级变量数据集由所有测点的烟虫数量分布数据构成；
17、迭代训练模块用于利用车间级虚拟变量数据集、区域级虚拟变量数据集以及测点级变量数据集依次对车间级图网络模型、车间+区域级图网络模型和车间+区域+测点级图网络模型进行迭代训练。
18、优选地，迭代训练模块用于对每个层级的图网络模型进行迭代训练时，同时更新该层级的图网络模型中图结构学习模块的邻接矩阵和该层级的图网络模型中的数量预测模块，邻接矩阵与该层级的图节点嵌入矩阵的乘积为数量预测模块的输入数据。
19、优选地，每个层级的图网络模型的图结构学习模块中，图结构的每个节点的信息是由该层级的数据集中每个样本数据的每个变量映射得到的特征。
20、通过以下参照附图对本申请的示例性实施例的详细描述，本申请的其它特征及其优点将会变得清楚。
1.一种烟虫数量预测方法，其特征在于，包括：
2.根据权利要求1所述的烟虫数量预测方法，其特征在于，所述多层级知识继承图网络模型包括车间级图网络模型、车间+区域级图网络模型、车间+区域+测点级图网络模型。
3.根据权利要求2所述的烟虫数量预测方法，其特征在于，对所述多层级知识继承图网络模型进行训练包括：
4.根据权利要求3所述的烟虫数量预测方法，其特征在于，对每个层级的图网络模型进行迭代训练时，同时更新该层级的图网络模型中图结构学习模块的邻接矩阵和该层级的图网络模型中的数量预测模块，所述邻接矩阵与该层级的图节点嵌入矩阵的乘积为所述数量预测模块的输入数据。
5.根据权利要求4所述的烟虫数量预测方法，其特征在于，每个层级的图网络模型的图结构学习模块中，图结构的每个节点的信息是由该层级的数据集中每个样本数据的每个变量映射得到的特征。
6.一种烟虫数量预测装置，其特征在于，包括第一分级模块和预测模块；
7.根据权利要求6所述的烟虫数量预测装置，其特征在于，所述多层级知识继承图网络模型包括车间级图网络模型、车间+区域级图网络模型、车间+区域+测点级图网络模型。
8.根据权利要求7所述的烟虫数量预测装置，其特征在于，还包括训练模块，所述训练模块包括第二分级模块、迭代训练模块；
9.根据权利要求8所述的烟虫数量预测装置，其特征在于，所述迭代训练模块用于对每个层级的图网络模型进行迭代训练时，同时更新该层级的图网络模型中图结构学习模块的邻接矩阵和该层级的图网络模型中的数量预测模块，所述邻接矩阵与该层级的图节点嵌入矩阵的乘积为所述数量预测模块的输入数据。
10.根据权利要求9所述的烟虫数量预测装置，其特征在于，每个层级的图网络模型的图结构学习模块中，图结构的每个节点的信息是由该层级的数据集中每个样本数据的每个变量映射得到的特征。
