Smart Greenhouse IoT Dataset for Reinforcement Learning

该数据集名为Smart Greenhouse IoT Dataset for Reinforcement Learning，文件为iot_plant_rl_dataset.csv，包含6个episode（episode_id 0–5），每个episode有5,000个时间步，总计30,000行和34列。它捕获了植物生长轨迹，包括植物生长指标（如平均叶绿素含量、植物高度率）、RL动作和奖励信号，以及下一时间步状态值，用于智能温室物联网时间序列建模和基于强化学习的作物生长优化。

This dataset is named Smart Greenhouse IoT Dataset for Reinforcement Learning, and is stored in the file iot_plant_rl_dataset.csv. It contains 6 episodes (episode_id 0–5), with 5,000 timesteps per episode, totaling 30,000 rows and 34 columns. This dataset captures plant growth trajectories, including plant growth metrics such as average chlorophyll content and plant height growth rate, RL actions and reward signals, as well as the state values of the next timestep. It is designed for smart greenhouse IoT time series modeling and reinforcement learning-based crop growth optimization.

原始信息汇总

数据集概述

数据集名称：Smart Greenhouse IoT Dataset for Reinforcement Learning

文件：iot_plant_rl_dataset.csv

规模：共30,000行，34列；包含6个回合（episode_id 0–5），每个回合5,000个时间步。

---

数据特征

类别	变量	描述
回合信息	episode_id	回合标识符（0–5）
回合信息	treatment_class	处理条件（SA, SB, SC, TA, TB, TC）
植物生长	ACHP	平均叶绿素含量
植物生长	PHR	植物高度率
植物生长	AWWGV	绿色植被平均鲜重
植物生长	ALAP	平均叶面积
植物生长	ARD	平均根直径
植物生长	ADWR	平均根干重
植物生长	PDMVG	绿色植被干物质百分比
植物生长	ARL	平均根长度
强化学习	action	RL代理执行的数值动作
强化学习	reward	即时奖励信号
强化学习	cumulative_reward	当前步累计奖励
下一状态	next_ACHP …	所有植物变量的下一时间步值

---

数据探索与分析

• 缺失值：无缺失值
• 分布分析：包含直方图、KDE图、箱线图及工程特征分布图
• 处理条件分析：处理类显著影响植物生物量等属性，并通过ANOVA验证
• 奖励分析：展示RL代理在优化作物生长方面的性能

---

统计建模

建模方法

• Track A – 时间序列/统计模型：
  • 经典模型：ARIMA、SARIMA、指数平滑、Holt-Winters
  • 深度学习序列模型：LSTM、GRU
• Track B – 图神经网络模型：
  • 利用生物相关性构建特征图
  • 模型：GCN、GAT、T-GCN

模型性能

• LSTM：R² > 0.85
• GRU：R² > 0.82
• GCN：R² > 0.50
• GAT：R² > 0.55
• T-GCN：R² > 0.70（最佳图模型，融合GCN空间与GRU时序）
• 经典模型：在第0回合测试段可能呈现负R²，因该段为饱和的近恒定生长曲线（标准差≈0.01）

评估指标

所有模型使用相同指标评估：RMSE、MAE、MAPE、R²

---

未来工作方向

1. 扩展为多目标预测，使用多输出GNN联合预测所有植物生长变量
2. 在基于模型的RL循环中将T-GCN作为环境模型
3. 用Transformer编码器替代GRU以增强时序建模
4. 引入动态邻接矩阵，随生长阶段调整相关性
5. 预训练于模拟RL回合，微调于真实温室传感器数据

搜集汇总

数据集介绍

构建方式

该数据集来源于一个为强化学习（RL）智能体设计的模拟环境，旨在优化温室作物生长。智能体通过执行增加剂量、减少剂量或维持剂量等控制动作，影响植物生理指标，并获得即时奖励。数据采集自6个独立的试验回合，每个回合包含5000个连续的时间步长，共生成30000条记录，涵盖34个特征变量。变量类别包括植物生长指标（如叶绿素含量、叶片面积、根长等）、RL控制动作、即时奖励与累积奖励，以及下一时刻的植物状态。数据通过RL模拟器自动生成，完整记录了状态-动作-奖励-下一状态的时序转换过程。

特点

该数据集具有鲜明的时序性和多维度特点。所有植物生长指标均按时间顺序记录，展现出强烈的自相关性和跨变量协同变化模式。数据集无缺失值，结构完整，适合用于时间序列预测和图神经网络建模。通过探索性数据分析发现，不同处理类别显著影响植物生物量，且奖励信号反映了RL策略的优化进程。特别地，数据集天然支持图结构建模，基于变量间的生物学相关性可构建特征图，用于捕获植物生长过程中各指标间的深层关联。

使用方法

数据集支持两条核心研究路径。其一为时间序列与统计建模，研究者可使用ARIMA、指数平滑等经典方法或LSTM、GRU等深度学习模型，对植物生长指标进行单步或多步预测。其二为图神经网络建模，基于特征变量间的相关性矩阵构建图结构，应用GCN、GAT或时间图卷积网络（T-GCN）进行融合时空信息的预测。所有模型均可通过RMSE、MAE、MAPE和R²等统一指标进行公平比较。此外，该数据集还可用于开发模型辅助的强化学习环境，或拓展至多目标预测与动态图结构学习等前沿方向。

背景与挑战

背景概述

智能温室系统作为精准农业的前沿阵地，借助物联网传感器持续监测植物生理指标与环境参数，为作物生长优化提供海量高维时序数据。该数据集创建于2024年，由某机构研究团队在《数据科学统计学》课程框架下开发，聚焦于强化学习驱动的作物生长调控问题。核心研究目标包含双重路径：其一，利用ARIMA、LSTM等时序模型预测植物关键生长指标；其二，通过图卷积网络与时间图卷积网络捕获生物指标间的关联结构。该数据集因其独特的时序-图结构双重特性，为比较统计建模与深度图学习在温室动力学建模中的效能提供了标准化基准，在农业人工智能领域具有显著的示范价值。

当前挑战

本数据集面临双重挑战。在解决领域问题层面，首要挑战在于精准建模复杂非线性植物生长动态——传统时序模型难以捕捉多变量间非平稳关联，而图神经网络需克服静态图结构无法反映生长阶段相关性演变的缺陷。其次，强化学习策略与预测模型的耦合面临样本效率与泛化性矛盾，模拟环境迁移至真实温室时存在分布偏移。在构建过程中，挑战集中于：传感器噪声与异常值虽经清洗但可能掩盖生物信号的细微波动；六次模拟试验（共3万步）的有限样本量限制了深度模型训练稳定性；治疗处理效应（SA至TC六类）与植物生长变量间的混杂影响需通过方差分析等方法谨慎解耦，以避免虚假关联误导建模假设。

常用场景

经典使用场景

在智能农业与强化学习交叉领域，该数据集为作物生长动态建模与调控策略优化提供了标准化的仿真基准。其核心场景在于构建时序预测模型以刻画植物生理指标（如叶绿素含量、叶面积、根系生物量）的演化规律，同时利用图神经网络捕捉多变量之间的生物学关联结构，进而支持强化学习代理学习最优施肥或灌溉动作策略。数据集包含6个情节共30,000个时间步，每个时间步记录34维特征，涵盖环境状态、控制动作与即时奖励，非常适合开展端到端的生长优化实验。

解决学术问题

该数据集系统地解决了智能温室环境下作物生长建模面临的两大学术难题：一是高维时序数据的精准预测问题，传统统计模型（如ARIMA）难以捕捉非线性动态，而数据集通过对比LSTM、GRU等深度模型，揭示了循环结构在拟合饱和生长曲线时相较于经典方法的显著优势；二是多变量间隐式依赖关系的表征问题，通过引入T-GCN等时序图网络，利用生物学先验构建特征图，有效融合了空间关联与时间演化，将预测R²提升至0.70以上，为因果推断与策略学习提供了可靠的代理模型。

衍生相关工作

该数据集催生了多条经典研究脉络。在时序预测方向，后续工作扩展了多目标Transformer与可解释注意力机制，用于同时预报多个生长指标并识别关键驱动变量。在图学习领域，衍生出动态图卷积网络，使邻接矩阵随生长阶段自适应演化，更精确地反映变量耦合关系的变化。在强化学习方面，基于该数据集的模型辅助强化学习框架被提出，将T-GCN嵌入策略梯度算法中，显著提升了样本效率。此外，迁移学习范式借助该数据集模拟与真实传感器数据的微调，验证了仿真到现实的可行路径，推动了农业数字孪生技术的落地。