【技术实现步骤摘要】
本专利技术涉及仓储监控，特别涉及一种粮温预测模型训练方法、装置、终端及介质。
技术介绍
1、在粮食的长期储存中，温度是决定储粮品质的重要因素之一。一旦粮食温度超出安全储藏的临界值，将会引发结露、霉变、虫害等一系列问题。为了确保储粮品质，迫在眉睫的任务就是准确把握粮堆内温度的变化趋势，并及时采取相应措施。因此，全面准确地预测储粮的温度对于粮食的安全储存具有极为重要的现实意义。
2、目前的粮温检测方法主要依赖于在粮仓内部部署大量温度传感器，通过这些传感器监测特定位置的粮堆温度，并将数据至服务器。随后，粮食作业人员会对这些温度数据通过经验判断是否执行相应的操作，以在合适的时机进行通风降温，以确保粮食的安全。然而，这个过程需要大量的人力、物力和财力资源，难以满足实际生产需求。
技术实现思路
1、本专利技术旨在至少解决现有技术中存在的技术问题之一。为此，本专利技术提出一种粮温预测方法，能够在预测粮温时，在兼顾粮温传感器空间中三个方向的结构特征的同时，还融合了时序特征，使其能够及时、有针对性地做出粮库管理方面的决策。提高了工作效率，也降低了人力物力成本。。
2、本专利技术还提出一种具有上述粮温预测方法的装置、终端及存储介质。
3、粮温预测模型训练方法，其特征在于，包括以下步骤：
4、通过传感器测量一段时间内，粮仓内不同空间尺度上的的粮食温度，将其进行整合得到粮温数据；
5、对所述粮温数据进行预处理，将数据集中缺失的数据进行补齐得到补齐
6、基于所述补齐后的粮温数据构建粮温数据编码模块，将粮温数据按仓房、空间位置进行编码，形成三维粮温矩阵；
7、将所述三维粮温矩阵输入3d u-net中提取粮温的空间特征；
8、利用lstm提取粮温特征的时序性，并使用l2范数作为损失函数对模型进行训练，得到训练好的粮温预测模型。
9、根据本专利技术实施例的粮温预测模型训练方法，至少具有如下有益效果：本专利技术针对库内粮食温度的预测，参考现有模型大多只考虑粮温传感器单一空间方向的结构特征，或只考虑时序特征的问题，设计了一种方法使其在预测粮温时，在兼顾粮温传感器空间中三个方向的结构特征的同时融合了时序特征的模型训练方法，能够有效地预测粮堆未来六天的温度趋势，提高了粮库管理方面的决策效率，降低了人力物力成本。
10、根据本专利技术的一些实施例，所述对所述粮温数据进行预处理，将数据集中缺失的数据进行补齐得到补齐后的粮温数据的步骤中，采用了三线性插值的方法，该方法可以通过在已知采样点之间建立一个三维网格，利用相邻点的权重来估计中间位置的数值，从而实现对整个数据集的平滑拟合。
11、根据本专利技术的一些实施例，所述基于所述补齐后的粮温数据构建粮温数据编码模块，将粮温数据按仓房、空间位置进行编码，形成三维粮温矩阵的步骤中，包括：
12、将所述补齐后的粮温数据以时间戳、空间坐标以及相应位置的温度数值，划分成小的立方区域，每个区域被视为一个独立的空间单元，并具有唯一的坐标；
13、根据需求对补齐后的粮温数据进行时间划分，取特定时刻空间坐标为三个维度，构建一个三维数组，形成了三维粮温矩阵；
14、将所述三维粮温矩阵保存在相应的数据结构中。
15、根据本专利技术的一些实施例，所述将所述三维粮温矩阵输入3d u-net中提取粮温的空间特征的步骤中，具体包括：
16、将三维粮温数据输入到3d u-net网络中，通过多层卷积和池化操作，逐步提取高层次的特征表示；所述特征表示在网络的不同层次中获得，从低级别的温度变化到高级别的温度分布；从网络的最后一层或者中间层获取特征图，所述特征图包含了对输入粮温数据的抽象特征表示。
17、根据本专利技术的一些实施例，所述利用lstm提取粮温特征的时序性，并使用l2范数作为损失函数对模型进行训练，得到训练好的粮温预测模型的步骤中，采用l2损失作为损失函数对模型进行训练，公式如下：
18、
19、其中，为预测出的温度值，ym为真实温度。
20、根据本专利技术的第二方面实施例的粮温预测模型训练装置，其特征在于，包括：
21、数据采集模块，能够通过传感器测量一段时间内，粮仓内不同空间尺度上的的粮食温度，将其进行整合得到粮温数据；
22、预处理模块，能够对所述粮温数据进行预处理，将数据集中缺失的数据进行补齐得到补齐后的粮温数据；
23、数据编码模块，能够基于所述补齐后的粮温数据构建粮温数据编码模块，将粮温数据按仓房、空间位置进行编码，形成三维粮温矩阵；
24、三维特征提取模块，能够将所述三维粮温矩阵输入3d u-net中提取粮温的空间特征；
25、模型训练模块，能够利用lstm提取粮温特征的时序性，并使用l2范数作为损失函数对模型进行训练，得到训练好的粮温预测模型。
26、根据本专利技术的一些实施例，所述预处理模块，采用了三线性插值的方法，该方法可以通过在已知采样点之间建立一个三维网格，利用相邻点的权重来估计中间位置的数值，从而实现对整个数据集的平滑拟合。
27、根据本专利技术的一些实施例，所述数据编码模块，包括：
28、空间维度构建元件，能够将所述补齐后的粮温数据以时间戳、空间坐标以及相应位置的温度数值，划分成小的立方区域，每个区域被视为一个独立的空间单元，并具有唯一的坐标；
29、时间维度构建元件，能够根据需求对补齐后的粮温数据进行时间划分，取特定时刻空间坐标为三个维度，构建一个三维数组，形成了三维粮温矩阵；
30、矩阵存储元件，将所述三维粮温矩阵保存在相应的数据结构中。
31、根据本专利技术的一些实施例，所述三维特征提取模块，具体包括：
32、将三维粮温数据输入到3d u-net网络中，通过多层卷积和池化操作，逐步提取高层次的特征表示；所述特征表示在网络的不同层次中获得，从低级别的温度变化到高级别的温度分布；从网络的最后一层或者中间层获取特征图，所述特征图包含了对输入粮温数据的抽象特征表示。
33、根据本专利技术的一些实施例，所述模型训练模块，采用l2损失作为损失函数对模型进行训练，公式如下：
34、
35、其中，为预测出的温度值，ym为真实温度。
36、根据本专利技术的第三方面实施例的终端，该终端包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时以实现上述粮温预测模型训练方法。
37、根据本专利技术的第四方面实施例计算机可读存储介质，该介质存储有计算机可执行指令，该计算机可执行指令用于以执行上述粮温预测模型训练方法。
38、本专利技术的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本专利技术的实践了解到。
本文档来自技高网...【技术保护点】
1.一种粮温预测模型训练方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的方法，其特征在于，所述对所述粮温数据进行预处理，将数据集中缺失的数据进行补齐得到补齐后的粮温数据的步骤中，采用了三线性插值的方法，该方法可以通过在已知采样点之间建立一个三维网格，利用相邻点的权重来估计中间位置的数值，从而实现对整个数据集的平滑拟合。
3.根据权利要求1所述的方法，其特征在于，所述基于所述补齐后的粮温数据构建粮温数据编码模块，将粮温数据按仓房、空间位置进行编码，形成三维粮温矩阵的步骤中，包括：
4.根据权利要求1所述的方法，其特征在于，所述将所述三维粮温矩阵输入3D U-Net中提取粮温的空间特征的步骤中，具体包括：
5.根据权利要求1所述的方法，其特征在于，所述利用LSTM提取粮温特征的时序性，并使用L2范数作为损失函数对模型进行训练，得到训练好的粮温预测模型的步骤中，采用L2损失作为损失函数对模型进行训练，公式如下：
6.一种粮温预测模型训练装置，其特征在于，包括：
7.根据权利要求6所述的装置，其特征在于，所
8.根据权利要求6所述的装置，其特征在于，所述数据编码模块，包括：
9.根据权利要求6所述的装置，其特征在于，所述三维特征提取模块，具体包括：
10.根据权利要求6所述的装置，其特征在于，所述模型训练模块，采用L2损失作为损失函数对模型进行训练，公式如下：
11.一种终端，包括：存储器、处理器及存储在该存储器上并可在该处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序以实现权利要求1至5中任一项所述的方法。
12.一种计算机可读存储介质，存储有计算机可执行指令，所述计算机可执行指令用于执行权利要求1至5中任一项所述的方法。
...【技术特征摘要】
1.一种粮温预测模型训练方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的方法，其特征在于，所述对所述粮温数据进行预处理，将数据集中缺失的数据进行补齐得到补齐后的粮温数据的步骤中，采用了三线性插值的方法，该方法可以通过在已知采样点之间建立一个三维网格，利用相邻点的权重来估计中间位置的数值，从而实现对整个数据集的平滑拟合。
3.根据权利要求1所述的方法，其特征在于，所述基于所述补齐后的粮温数据构建粮温数据编码模块，将粮温数据按仓房、空间位置进行编码，形成三维粮温矩阵的步骤中，包括：
4.根据权利要求1所述的方法，其特征在于，所述将所述三维粮温矩阵输入3d u-net中提取粮温的空间特征的步骤中，具体包括：
5.根据权利要求1所述的方法，其特征在于，所述利用lstm提取粮温特征的时序性，并使用l2范数作为损失函数对模型进行训练，得到训练好的粮温预测模型的步骤中，采用l2损失作为损失函数对模型进行训练，公式如下：
【专利技术属性】
技术研发人员：张泽洋，陈召安，张燕，彭远，王博实，张虎成，
申请(专利权)人：航天信息股份有限公司，
类型：发明
国别省市：
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。