基于ARIMA的冷库温湿度数据预测方法及相关产品技术

本公开提供一种基于ARIMA的冷库温湿度数据预测方法及相关产品，所述方法包括如下步骤：接收传感器发送的实时数据；对传感器接收到的实时数据进行异常值检测和缺失值填补得到预处理后的数据；对预处理后的数据运用时间序列法建立时序求和自回归滑动平均模型；利用建立的自回归移动平均模型进行下一时间段的温湿度值预测，根据预测值验证预测步长，并进行预警分析。本申请提供的技术方案具有预警准确的优点。

【技术实现步骤摘要】
基于ARIMA的冷库温湿度数据预测方法及相关产品
本专利技术涉及物联网
，具体涉及一种基于ARIMA的冷库温湿度数据预测方法及相关产品。
技术介绍
温湿度传感器在农业等众多领域发挥着重要的作用，尤其在实时记录温湿度变化的工作中应用最为广泛。无线温湿度传感器可以实时记录环境温湿度的变化，其网络拓扑有多种结构，太原科技大学高文华等针对簇状网络结构设计实现了温湿度监测系统，能够在PC终端读取到由coordinator节点汇集的来自路由器和终端设备的温湿度数据。但是并没有针对设备之间数据传输的丢失问题所导致的异常值进行检测。在农业温湿度环境监测领域，国内外已有较多相对成熟的无线传感器技术的应用，中国农业大学刘卉和清华大学王跃宣等设计开发的基于无线传感器网络的农田土壤温湿度监测系统，能够监测温湿度环境数据的实时变化。但是仍然没有检测由于设备间传输不成功导致的数据丢失。商用酒店厨房冷库环境复杂，一般都是双温冷库，具有保鲜冷冻等功能。为了保证食材充足，酒店会经常补充新鲜食材，酒店每天需要消耗大量的食材，因此冷库货物存取频繁，对环境的人为干扰因素较大。另外，商用酒店厨房冷库墙壁结构复杂，通常影响设备信号的穿透，导致数据采集设备的信号接收不稳定。尤其是五星级酒店高端冷库对温湿度控制要求高，目前尚未发现一整套成熟的流程来对高端冷库温湿度进行实时监控。因此，对温湿度传感器数据传输过程中的异常值进行实时监测，保证传输的温湿度数据的准确有效是非常有必要和意义的。
技术实现思路
本专利技术实施例提供了一种基于ARIMA的冷库温湿度数据预测方法及相关产品，可以实现对冷库温湿度数据的准确预测。第一方面，本专利技术实施例提供一种基于ARIMA的冷库温湿度数据预测方法，所述方法包括如下步骤：接收传感器发送的实时数据；对传感器接收到的实时数据进行异常值检测和缺失值填补得到预处理后的数据；对预处理后的数据运用时间序列法建立时序求和自回归滑动平均模型；利用建立的自回归移动平均模型进行下一时间段的温湿度值预测，根据预测值验证预测步长，并进行预警分析。第二方面，提供一种基于ARIMA的冷库温湿度数据预测系统，所述系统包括：接收单元，用于接收传感器发送的实时数据；处理单元，用于对传感器接收到的实时数据进行异常值检测和缺失值填补得到预处理后的数据；处理单元，还用于对预处理后的数据运用时间序列法建立时序求和自回归滑动平均模型；利用建立的自回归移动平均模型进行下一时间段的温湿度值预测，根据预测值验证预测步长，并进行预警分析。第三方面，提供一种计算机可读存储介质，其存储用于电子数据交换的计算机程序，其中，所述计算机程序使得计算机执行第一方面所述的方法。第四方面，提供一种计算机程序产品，所述计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质，所述计算机程序可操作来使计算机执行第一方面所述的方法。实施本专利技术实施例，具有如下有益效果：可以看出，本专利技术所述基于ARIMA的冷库温湿度数据预测方法建模简单，可以获得预测显式方程并且预测准确度较高。附图说明为了更清楚地说明本专利技术实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1是本申请提供的数据处理流程图。图2是本申请提供的数据采集流程图。图3是本申请提供的不同模型的残差白噪声性检测图。图4是本申请提供的温度数据ARMA(2,2)模型拟合图(整体)。图5是本申请提供的温度数据ARMA(2,2)模型拟合图(部分)。图6是本申请提供的湿度数据ARMA(2,2)模型拟合图。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。本专利技术的说明书和权利要求书及所述附图中的术语“第一”、“第二”、“第三”和“第四”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。在本文中提及“实施例”意味着，结合实施例描述的特定特征、结果或特性可以包含在本专利技术的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。在第一方面提供的方法中，所述对传感器接收到的实时数据进行异常值检测和缺失值填补得到预处理后的数据具体包括：对传感器接收到的实施数据采用均值、中位数、众数或随机数填补法进行缺失值填补得到预处理后的数据。在第一方面提供的方法中，所述对预处理后的数据运用时间序列法建立时序求和自回归滑动平均模型具体包括：建立自回归移动平均模型并预测温湿度值，ARIMA(p,q,d)模型定义如下：其中p为自回归的阶数；d为差分阶数；q为滑动平均阶数，Xt是时间序列在t时刻的观察值，εt是时间序列模型在t时刻的误差或偏差。按照如下的6个步骤，选择合适的模型，使用最大似然参数估计计算出参数和θq的值。在第一方面提供的方法中，所述根据预测值验证预测步长，并进行预警分析具体包括：将该预测值以及预测步长与预设的冷库温度阈值进行遍历搜索，大于温度高线或低于温度低限的异常温度值，进行预警。在第二方面提供的系统中，所述处理单元，具体用于对传感器接收到的实施数据采用均值、中位数、众数或随机数填补法进行缺失值填补得到预处理后的数据。在第二方面提供的系统中，所述处理单元，用于建立自回归移动平均模型并预测温湿度值，ARIMA(p,q,d)模型定义如下：其中p为自回归的阶数；d为差分阶数；q为滑动平均阶数，Xt是时间序列在t时刻的观察值，εt是时间序列模型在t时刻的误差或偏差。按照如下的6个步骤，选择合适的模型，使用最大似然参数估计计算出参数和θq的值。在第二方面提供的系统中，所述处理单元，具体用于将该预测值以及预测步长与预设的冷库温度阈值进行遍历搜索，大于温度高线或低于温度低限的异常温度值，进行预警。本方案主要分为四部分：(1)对传感器接收到的实时数据进行异常值检测和缺失值填补；(2)对预处理后的数据运用时间序列法建立时序求和自回归滑动平均模型；(3)利用建立的自回归移动平均模型进行下一时间段的温湿度值预测；(4)根据预测值验证预测步长，并进行预警分析。如附图1所示为物联网传感器时间序列预测数据处理流程，一共分为4步，首先对数据中心传输过来的数据进行预处理，包括异常值检测和缺失值填补两个部分，然后进行模型预测，包括趋势性和季节性诊断，平稳性和白噪声检验，模型识别，参数估计，诊断检验和预测及评估6步，最后针对多步预测步长进行验证，并进行预警分析。如附图2所示为数据采集流程图，首先从温湿度传感器获取实时检测数本文档来自技高网...

【技术保护点】
1.一种基于ARIMA的冷库温湿度数据预测方法，其特征在于，所述方法包括如下步骤：接收传感器发送的实时数据；对传感器接收到的实时数据进行异常值检测和缺失值填补得到预处理后的数据；对预处理后的数据运用时间序列法建立时序求和自回归滑动平均模型；利用建立的自回归移动平均模型进行下一时间段的温湿度值预测，根据预测值验证预测步长，并进行预警分析。

【技术特征摘要】
1.一种基于ARIMA的冷库温湿度数据预测方法，其特征在于，所述方法包括如下步骤：接收传感器发送的实时数据；对传感器接收到的实时数据进行异常值检测和缺失值填补得到预处理后的数据；对预处理后的数据运用时间序列法建立时序求和自回归滑动平均模型；利用建立的自回归移动平均模型进行下一时间段的温湿度值预测，根据预测值验证预测步长，并进行预警分析。2.根据权利要求1所述的方法，其特征在于，所述对传感器接收到的实时数据进行异常值检测和缺失值填补得到预处理后的数据具体包括：对传感器接收到的实时数据采用均值、中位数、众数或随机数填补法进行缺失值填补得到预处理后的数据。3.根据权利要求1所述的方法，其特征在于，所述对预处理后的数据运用时间序列法建立时序求和自回归滑动平均模型具体包括：建立自回归移动平均模型并预测温湿度值，ARIMA(p,q,d)模型定义如下：其中p为自回归的阶数，d为差分阶数，q为滑动平均阶数，Xt是时间序列在t时刻的观察值，εt是时间序列模型在t时刻的误差或偏差，选择合适的模型，使用最大似然参数估计计算出参数和θq的值。4.根据权利要求1所述的方法，其特征在于，所述根据预测值验证预测步长，并进行预警分析具体包括：将该预测值以及预测步长与预设的冷库温度阈值进行遍历搜索，大于温度高线或低于温度低限的异常温度值，进行预警。5.一种基于ARIMA的冷库温湿度数据预测系统，其特征在于，所述系统包括：接收单元，用于接收传感器发送的实时数据...

【专利技术属性】
技术研发人员：车丹丹，马强，温美钰，姜青山，
申请(专利权)人：中国科学院深圳先进技术研究院，前海世纪晟达深圳科技有限公司，
类型：发明
国别省市：广东,44