一种基于改进的GRU粮堆单点温度预测方法技术

本发明专利技术提供了一种基于改进的GRU粮堆单点温度预测方法，涉及粮食安全储存领域，本发明专利技术实时采集粮情数据，而粮情数据包括大气温度T

【技术实现步骤摘要】
一种基于改进的GRU粮堆单点温度预测方法


[0001]本专利技术涉及粮食安全储存领域，尤其涉及一种基于改进的GRU粮堆单点温度预测方法。

技术介绍

[0002]在粮食产后储藏过程中会因虫害、粮食霉变等问题对粮食的质量和数量造成危害，粮堆温度是直接反应是否出现虫害或霉变等问题的重要因素，因此能够及时、有效、准确的实现对粮堆温度的预测对保障粮食安全至关重要。
[0003]当前多为针对粮堆平均温度的预测技术，正如专利公开号CN112819221A，专利名称一种基于IPSO
‑
GRU网络的粮情预测方法，该专利使用两层GRU网络和全连接层构建神经网络模型，使用粒子群算法优化神经网络的初始权重，在粒子群迭代过程中加入非线性惯性因子和自适应学习因子计算粒子的速度与位置，通过Dropout算法和RMSProp优化器训练网络，网络输出粮情预测结果；采用自学习性质的预测模型，利用粮情监测系统实时采集的粮情数据预测即将发生的储粮安全问题，有效弥补对粮情存储安全状态预警的不足，为粮情预测提供一种可靠的方法，但粮堆的平均温度并不能直接反映某一点的粮堆温度情况，由于粮仓的常用管理方式包括通风、空调和充氮控温等，当粮仓内个别点位出现超过阈值的高温趋势时，此时的预测的平均温度无法预知最高温度的实际情况，进而造成粮情误判，造成粮情隐患，且目前多采用支持向量机、BP神经网络等传统机器学习方法，这些方法在短期预测方面准确度较好，但对于长期的预测效果不佳。
[0004]另外现有传统机器学习的方法不能有效的考虑粮堆温度变化的时序性、复杂性，具有一定的局限性，深度学习LSTM网络模型考虑了时序特征，但其存在两方面的问题，一是运算代价较高；二是其网络参数未进行优化，很难自动获取最优模型。
[0005]本专利技术针对粮堆单点粮情预测研究方法缺失和长期预测精度不高等问题，提出一种改进的GRU网络模型用于粮情预测方法，弥补该领域的不足，为储粮单点粮情预测提供了技术支撑。

技术实现思路

[0006]本专利技术所要解决的技术问题是克服现有技术中存在的不足，提供一种基于改进的GRU粮堆单点温度预测方法，其引入果蝇优化算法优化GRU网络模型的网络权值，建立改进的GRU粮堆单点温度预测模型；本专利技术不再面向传统的粮堆平均温度或各层平均温度，而是针对粮堆单点温度预测。
[0007]本专利技术是通过以下技术方案予以实现：
[0008]一种基于改进的GRU粮堆单点温度预测方法，包括以下步骤：
[0009]S1、实时采集粮情数据；粮情数据包括大气温度T
a
、大气湿度M
a
、粮仓温度T
g
、粮仓湿度M
g
以及粮堆单点温度t；
[0010]埋设在粮堆内的温度传感器实时采集埋设点位的粮堆单点温度t，而粮仓内的温
度传感器和湿度传感器实时采集粮仓内的粮仓温度T
g
和粮仓湿度M
g
，同时小型气象站采集大气温度T
a
和大气湿度M
a
；
[0011]S2、对步骤S1采集的粮情数据进行异常值识别以及缺失值弥补；
[0012]S3、将大气温度T
a
、大气湿度M
a
、粮仓温度T
g
和粮仓湿度M
g
分别与粮堆单点温度t进行相关性分析；
[0013]S4、粮情数据进行归一化处理，并划分训练集、验证集和测试集；
[0014]S5、初始化GRU网络模型，引入果蝇优化算法优化GRU网络模型的网络权值，建立改进的GRU粮堆单点温度预测模型；
[0015]S6、利用测试集进行GRU粮堆单点温度预测模型的验证与测试，并输出得到预测粮堆单点温度。
[0016]根据上述技术方案，优选地，步骤S2包括以下步骤：
[0017]S2.1、针对步骤S1采集的大气温度T
a
、大气湿度M
a
、粮仓温度T
g
、粮仓湿度M
g
以及粮堆单点温度t，逐个进行异常值识别并剔除；
[0018]S2.2、对步骤S2.1识别并剔除的缺失值进行弥补。
[0019]根据上述技术方案，优选地，步骤S2.1具体包括以下内容：
[0020]在检测异常中，如果粮情数据在(μ
‑
3σ，μ+3σ)之间区域内，则粮情数据处于正常范围内；反之表示异常，需进行识别并剔除；
[0021]其中μ为粮情数据的平均值，σ为标准差。
[0022]根据上述技术方案，优选地，步骤S2.2包括以下步骤：
[0023]采用样条插值法(spline)对步骤S3.1中缺失的粮情数据进行插补，公式如下；
[0024][0025]采用单点前后各5个的温度值进行插值，即10个时间的温度值，其中x∈{1，2，3，4，5，6，7，8，9，10}，d
i
＝x
i+1
‑
x
i
，φ0(x)＝(2
×
x+1)
×
(x
‑
1)2，φ1(x)＝x
×
(x
‑
1)2，A(x)为插值结果，y
i
表示x
i
所对应的温度值。
[0026]根据上述技术方案，优选地，步骤S3采用皮尔逊相关系数，分别计算采集到的大气温度T
a
、大气湿度M
a
、粮仓温度T
g
以及粮仓湿度M
g
与粮堆单点温度t的相关系数r，计算公式如下：
[0027][0028]其中v在计算过程中分别表示大气温度T
a
、大气湿度M
a
、粮仓温度T
g
以及粮仓湿度M
g
，表示原始温度序列数据的平均值，v
k
根据在计算过程中，分别表示第k天的大气温度T
a
、大气湿度M
a
、粮仓温度T
g
和粮仓湿度M
g
，t
k
表示第k天的粮堆单点温度。
[0029]根据上述技术方案，优选地，步骤S4包括以下步骤：
[0030]对经过步骤S3处理的粮情数据进行标准化处理，公式如下：
[0031][0032]其中，t
*
为标准化后的数据，t
std
表示原始序列数据的标准差，表示原始温度序列数据的平均值。
[0033]根据上述技术方案，优选地，步骤S5包括以下步骤：
[0034]S5.1、设定GRU网络模型参数和初始化网络权值；
[0035]S5.2、划分训练集、验证集和测试集；
[0036]S5.3、初始化果蝇优化算法参数；
[0037]S5.4、利用果蝇的嗅觉，赋予每个果蝇随机的方向本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于改进的GRU粮堆单点温度预测方法，其特征在于，包括以下步骤：S1、实时采集粮情数据；粮情数据包括大气温度T
a
、大气湿度M
a
、粮仓温度T
g
、粮仓湿度M
g
以及粮堆单点温度t；埋设在粮堆内的温度传感器实时采集埋设点位的粮堆单点温度t，而粮仓内的温度传感器和湿度传感器实时采集粮仓内的粮仓温度T
g
和粮仓湿度M
g
，同时小型气象站采集大气温度T
a
和大气湿度M
a
；S2、对步骤S1采集的粮情数据进行异常值识别以及缺失值弥补；S3、将大气温度T
a
、大气湿度M
a
、粮仓温度T
g
和粮仓湿度M
g
分别与粮堆单点温度t进行相关性分析；S4、粮情数据进行归一化处理，并划分训练集、验证集和测试集；S5、初始化GRU网络模型，引入果蝇优化算法优化GRU网络模型的网络权值，建立改进的GRU粮堆单点温度预测模型；S6、利用测试集进行GRU粮堆单点温度预测模型的验证与测试，并输出得到预测粮堆单点温度。2.根据权利要求1所述的一种基于改进的GRU粮堆单点温度预测方法，其特征在于，步骤S2包括以下步骤：S2.1、针对步骤S1采集的大气温度T
a
、大气湿度M
a
、粮仓温度T
g
、粮仓湿度M
g
以及粮堆单点温度t，逐个进行异常值识别并剔除；S2.2、对步骤S3.1识别并剔除的缺失值进行弥补。3.根据权利要求2所述的一种基于改进的GRU粮堆单点温度预测方法，其特征在于，步骤S2.1具体包括以下内容：在检测异常中，如果粮情数据在(μ
‑
3σ，μ+3σ)之间区域内，则粮情数据处于正常范围内；反之表示异常，需进行识别并剔除；其中μ为粮情数据的平均值，σ为标准差。4.根据权利要求3所述的一种基于改进的GRU粮堆单点温度预测方法，其特征在于，步骤S2.2包括以下步骤：采用样条插值法(spline)对步骤S3.1中缺失的粮情数据进行插补，公式如下；采用单点前后各5个的温度值进行插值，即10个时间的温度值，其中x∈{1，2，3，4，5，6，7，8，9，10}，d
i
＝x
i+1
‑
x
i
，φ0(x)＝(2
×
x+1)
×
(x
‑
1)2，φ1(x)＝x
×
(x
‑
1)2，A(x)为插值结果，y...

【专利技术属性】
技术研发人员：苑江浩，汪忠明，
申请(专利权)人：国家粮食和物资储备局科学研究院，
类型：发明
国别省市：