我国设施农业规模已居世界前列，但现代化的设施农业起步比较晚，大部分的温室缺乏科学有效的管理和控制方法。农产品价格和温室环境分别是农业社会物理信息系统（Cyber-Physics-Social-System，CPSS）中温室管理与控制的社会信息和物理信息。通过对设施蔬菜价格趋势的预测，农户可以科学地安排作物的种植和采收。而通过对温室内环境的精确控制，设施蔬菜的生长过程和状态可以被较为精确地控制。两相结合可以使得温室种植获得更高的经济效益，降低风险。因此，本文以提高温室生产管理质量和环境控制精度为目的，对设施蔬菜价格预测和温室内部环境控制进行研究。

  本文的工作主要包括以下几个方面：

      (1) 利用网络爬虫技术采集北京地区设施蔬菜的价格数据，提出了一种基于循环神经网络的设施蔬菜价格预测方法，并与传统时间序列方法ARIMA模型和经典机器学习算法BP神经网络进行了对比。本文采用上述三种方法对北京地区设施蔬菜价格进行月平均、周平均和日平均价格预测。结果表明，该方法具有更高的精度。网络爬虫技术扩展了数据规模，使得价格预测结果更有效，对温室的生产管理有很重要的指导意义。

      (2) 针对实际温室中实验成本高、建模困难的问题，本文提出了一种基于lightGBM算法的温室环境预测方法，基于第二届“Autonomous Greenhouses International Challenge”挑战赛上获取的温室环境及相关控制设备开关状态数据，建立了温室内部温度和二氧化碳浓度预测模型，并通过模型收敛性实验验证了该方法的收敛周期和程度。结果表明，该方法可有效拟合温室环境模型，且具有良好的收敛性，可以应用于实际温室的环境控制。该方法实验成本较低、实验周期较短。

      (3) 基于构建的数据驱动的温室环境模型，结合平行控制理论，提出了一种基于ACP理论的温室控制方法，并以通风口控制为例进行了温室环境控制计算实验，在不同条件下验证该方法的可行性。结果表明，该方法可以有效优化温室通风口的控制策略，实现温度控制的目的，并具有一定的泛化能力。

  最后，对本文进行了总结，并指出了需要进一步开展的研究工作。