Based on improved long-term and short-term memory neural network, the temperature and humidity early warning system of chain pharmacies includes temperature and humidity monitor, cloud computing platform, data analysis system and mobile APP. It can display temperature and humidity data in real time and upload it to cloud computing platform for storage, and also can display forecast data and alarm through mobile APP. The invention has the following good effects: effect 1: The system uses 2000 mAh polymer lithium ion battery to supply power, solves the field wiring problem, is convenient to install, cooperates with the low power consumption process of the whole machine, and can be used for more than four months when it is full of primary power. Effectiveness 2: Compared with the existing time series prediction technology, the improved LSTM has good time series modeling ability, fast training speed and high prediction fitting efficiency 3: The invention can effectively use a large number of historical temperature and humidity data to predict, thereby early warning, so that stores can take timely corresponding treatment measures to ensure drug safety.
【技术实现步骤摘要】
基于改进长短时记忆神经网络的连锁药店温湿度预警系统
本专利技术涉及GSP(《药品经营质量管理规范》)温湿度预测、深度学习技术等领域,具体是设计一种基于改进长短时记忆神经网络的连锁药店温湿度预警系统对药店内存储药品的环境温湿度进行预测的技术。
技术介绍
近年来,随着社会的进步和经济的不断发展,用药安全逐渐成了社会关注的热点和焦点。储存和运输环节是药品在流通过程中所涉及的重要一环。如何利用信息化手段做好药品仓储、运输环节的风险防范,成为了企业和监管部门着重需要解决的重要工作之一。
技术实现思路
专利技术目的:本专利技术的目的是提供一个连锁药店温湿度预警系统,以便门店及时采取相应的处理措施,确保药品安全。技术方案:本专利技术所采用的的技术方案是:一种基于改进长短时记忆神经(LSTM)网络的连锁药店温湿度预警系统,由硬件和软件两部分组成;硬件部分包括温湿度监测仪、云计算平台、数据分析系统和手机APP,可以实时显示温湿度数据并上传到云计算平台进行存储,也可以通过手机APP显示预测数据并报警。所述软件部分包括数据处理、训练模型和预测模型。所述数据处理为数据归一化和均值插补,用于将 ...
【技术保护点】
1.一种基于改进长短时记忆神经(LSTM)网络的连锁药店温湿度预警系统,其特征在于:该系统包括包括温湿度监测仪(2)、云计算平台(3)、数据分析系统(4)和手机APP(8),温湿度监测仪(2)连接云计算平台(3),云计算平台(3)连接数据分析系统(4),数据分析系统(4)连接手机APP(8)。
【技术特征摘要】
1.一种基于改进长短时记忆神经(LSTM)网络的连锁药店温湿度预警系统,其特征在于:该系统包括包括温湿度监测仪(2)、云计算平台(3)、数据分析系统(4)和手机APP(8),温湿度监测仪(2)连接云计算平台(3),云计算平台(3)连接数据分析系统(4),数据分析系统(4)连接手机APP(8)。2.利用权利要求1所述的基于改进长短时记忆神经(LSTM)网络的连锁药店温湿度预警系统所实施的预警方法,其特征在于:该方法包括数据处理、训练模型和预测模型;数据处理采取归一化方法和均值填补方法;训练模型和预测模型都是利用改进LSTM搭建;数据处理是将从云计算平台读取的数据进行预处理;训练模型是利用预处理后的数据样本训练搭建的网络模型,使模型能达到预期的精度;预测模型是用来预测温湿度并报警;该方法为改进长短时记忆神经网络的连锁药店温湿度预警方法,该方法包括下述步骤:1)温湿度监测仪采集药店(1)冷藏柜的温湿度数据;2)将温湿度监测仪采集到的数据通过无线网络上传到云计算平台和手机APP;3)将云计算平台的温湿度数据上传到数据分析系统进行分析与预测;4)将数据分析系统的预测结果上传到手机APP,通过手机APP查看预测结果。3.根据权利要求2所述的预警方法,其特征在于:步骤3)具体包括如下步骤:3.1)改进长短期记忆神经网络的结构;3.2)对读取的温湿度数据集进行预处理,并将数据集分为训练集和测试集;3.3)以固定步长构建短时间输入序列;3.4)利用改进长短时记忆神经网络搭建训练模型,并进行模型训练和性能验证;3.5)利用改进长短时记忆神经网络搭建预测模型,将历史温湿度数据输入到预测模型中进行预测;步骤3.1)具体为:改进长短期记忆神经网络是在隐藏层构建内含多个LSTM细胞元的LSTM结构,代替传统的迭代预测。步骤3.2)具体为:数据预处理包括归一化和均值填补处理,归一化的目的是将温湿度数据映射到0-1之间,使得温度和湿度数据可以同时输入到模型中;均值填补数据的目的是为了缩短相邻湿度数据之间的差值,使得LSTM能更好的预测湿度数据中的顶端和底部,并将温湿度数据集按照9:1的比例分为训练集和测试集。步骤3.3)具体为:短时间输入序列构建是通过固定步长来确定时间序列的长度,例如,输入固定步长step=288,表示利用一天的温湿度数据作为输入序列X=(x1,x2…xn),n=288,其中xn=(an1,an2),an1代表第n个温度数据,an2代表第n个湿度数据。4.根据权利要求3所述的预警方法,其特征在于:湿度数据是每隔五分钟记录一次,相邻数据之间相差很大,所以在数据之间采用均值方法填补数据,均值填补数据的方法具体介绍如下:41)根据下列公式计算插补的数据其中是插补的数据,xi,xi+1是数据集中相邻第i和i+1两个数据;42)将数据插补到合适的位置,完成数据插补;原始湿度数据集a=(a12,a22,a32…an2),根据均值公式(是插补的第i湿度数据,ai、ai+1是相邻的第i和i+1个湿度数据),得到插补数据将序列插入到原始湿度数据集a中,获得新的湿度数据集5.根据权利要求2所述的预警方法,其特征在于:步骤4)中改进长短时记忆神经网络训练模型由一个输入层、两个改进的LSTM层、一个输出层组成;所述温湿度数据作为输入层的输入;第一输入层、第一改进LSTM层、第二改进LSTM层依次级联后的输出来完成温湿度数据的训练模型。6.根据权利要求5所述的预警方法,其特征在于:所述的LSTM结构由输入门it、遗忘门ft、输出门ot、记忆单元...
【专利技术属性】
技术研发人员:刘韵婷,陈亮,齐宏伟,饶兵,张媛媛,
申请(专利权)人:沈阳理工大学,
类型:发明
国别省市:辽宁,21
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。