CN116663388A - 粮堆温度预测方法、装置、设备及存储介质 - Google Patents
粮堆温度预测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN116663388A CN116663388A CN202310375006.6A CN202310375006A CN116663388A CN 116663388 A CN116663388 A CN 116663388A CN 202310375006 A CN202310375006 A CN 202310375006A CN 116663388 A CN116663388 A CN 116663388A
- Authority
- CN
- China
- Prior art keywords
- grain pile
- data
- temperature prediction
- target
- target grain
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 58
- 238000012545 processing Methods 0.000 claims abstract description 29
- 238000012549 training Methods 0.000 claims abstract description 21
- 230000002159 abnormal effect Effects 0.000 claims abstract description 16
- 238000003062 neural network model Methods 0.000 claims description 45
- 230000002457 bidirectional effect Effects 0.000 claims description 33
- 239000011159 matrix material Substances 0.000 claims description 16
- 239000013598 vector Substances 0.000 claims description 5
- 235000013339 cereals Nutrition 0.000 description 238
- 238000013528 artificial neural network Methods 0.000 description 12
- 238000004891 communication Methods 0.000 description 6
- 238000010183 spectrum analysis Methods 0.000 description 6
- 238000012360 testing method Methods 0.000 description 6
- 238000000354 decomposition reaction Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 240000007594 Oryza sativa Species 0.000 description 1
- 235000007164 Oryza sativa Nutrition 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 235000009566 rice Nutrition 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- General Health & Medical Sciences (AREA)
- Pure & Applied Mathematics (AREA)
- Evolutionary Biology (AREA)
- Databases & Information Systems (AREA)
- Algebra (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Medical Informatics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及温度预测领域,尤其涉及一种粮堆温度预测方法、装置、设备及存储介质,该方法包括:获取目标粮堆的历史初始数据并进行缺失值处理,得到目标粮堆的历史完整数据;对所述目标粮堆的历史完整数据中异常数据进行剔除和重构,得到目标粮堆的重构后的数据;将所述目标粮堆的重构后的数据输入至粮堆温度预测模型,对粮堆温度预测模型进行训练,得到目标粮堆温度预测模型;获取目标粮堆的当前数据,并输入至所述目标粮堆温度预测模型,得到粮堆温度预测结果,从而快速精确对目标粮堆温度进行预测。
Description
技术领域
本发明涉及温度预测领域,尤其涉及一种粮堆温度预测方法、装置、设备及存储介质。
背景技术
对于粮堆温度预测的问题来说,如何保证在粮食贮藏的过程中,温度预测的精确性,对粮食质量的影响不言而喻,其中温度预测成为粮食贮藏中的必要考虑因素,但目前很少有良好的深度学习预测模型对粮堆温度进行精准的预测。因此,如何快速精确对目标粮堆温度进行预测成为当前亟待解决的技术问题。
上述内容仅用于辅助理解本发明的技术方案,并不代表承认上述内容是现有技术。
发明内容
本发明的主要目的在于提供一种粮堆温度预测方法、装置、设备及存储介质,旨在解决现有技术中难以快速精确对目标粮堆温度进行预测的技术问题。
为实现上述目的,本发明提供一种粮堆温度预测方法,所述粮堆温度预测方法包括以下步骤:
获取目标粮堆的历史初始数据并进行缺失值处理,得到目标粮堆的历史完整数据;
对所述目标粮堆的历史完整数据中异常数据进行剔除和重构,得到目标粮堆的重构后的数据;
将所述目标粮堆的重构后的数据输入至粮堆温度预测模型,对粮堆温度预测模型进行训练,得到目标粮堆温度预测模型;
获取目标粮堆的当前数据,并输入至所述目标粮堆温度预测模型,得到粮堆温度预测结果。
可选地,所述获取目标粮堆的历史初始数据并进行缺失值处理,得到目标粮堆的历史完整数据,包括:
识别所述目标粮堆的历史初始数据中的缺失值,并获取所述缺失值的k个邻近数据,其中k为大于等于1的整数;
计算所述k个最邻近的数据的二维空间的欧式距离并拓展到高维空间,得到高维空间的欧式距离;
根据所述高维空间的欧式距离,对目标粮堆的历史初始数据进行缺失值填补,得到目标粮堆的历史完整数据。
可选地,所述对所述目标粮堆的历史完整数据中异常数据进行剔除和重构,得到目标粮堆的重构后的数据,包括:
采集所述目标粮堆的历史完整数据中一维的温度时序数据,并根据预设的窗口长度构建得到轨迹矩阵;
对所述轨迹矩阵进行奇异值进行分解,得到对应的n个特征向量;
将所述n个特征向量分解为m个不相交组,其中,所述m个不相交组代表不同的趋势数据;
选择所述趋势数据中所需要的趋势数据进行重构,得到目标粮堆的重构后的数据。
可选地,所述将所述目标粮堆的重构后的数据输入至粮堆温度预测模型,对粮堆温度预测模型进行训练,得到目标粮堆温度预测模型,其中所述粮堆温度预测模型为一种神经网络模型,包括:
将所述目标粮堆的重构后的数据输入至粮堆温度预测模型中的更新门和重置门进行操作,得到当前时刻的隐层状态;
根据所述当前时刻的隐层状态通过蚁群方法,对所述粮堆温度预测模型进行调节得到最优参数,并根据所述最优参数得到目标粮堆温度预测模型。
可选地,所述将所述目标粮堆的重构后的数据输入至粮堆温度预测模型,对粮堆温度预测模型进行训练,得到目标粮堆温度预测模型,还包括:
分别将所述目标粮堆的重构后的数据输入至的LSTM-MLP、双向LSTM-MLP、GRU-MLP以及双向GRU-MLP神经网络模型进行训练,得到训练好的LSTM-MLP、双向LSTM-MLP、GRU-MLP以及双向GRU-MLP神经网络模型;
将当前目标粮堆的当前数据输入所述训练好的LSTM-MLP、双向LSTM-MLP、GRU-MLP以及双向GRU-MLP神经网络模型,得到不同神经网络模型对应预测的结果集;
将所述不同神经网络模型对应预测的结果集与真实的结果集进行对比,并根据所述对比结果选择目标粮堆温度预测模型。
可选地,所述将所述不同神经网络模型对应预测的结果集与真实的结果集进行对比,并根据所述对比结果选择目标粮堆温度预测模型,包括:
将所述不同神经网络模型对应预测的数值与真实数据的数值进行对比,得到数值预测误差;
将所述不同神经网络模型对应预测的图形与真实数据的图形进行对比,得到图形预测误差;
根据所述数值预测误差和图形预测误差选择目标粮堆温度预测模型。
可选地,所述将所述不同神经网络模型对应预测的结果集与真实的结果集进行对比,并根据所述对比结果选择目标粮堆温度预测模型,包括:
将所述不同神经网络模型对应预测的数值与真实数据的数值进行对比,得到数值预测误差;
将所述不同神经网络模型对应预测的图形与真实数据的图形进行对比,得到图形预测误差;
根据所述数值预测误差和图形预测误差选择目标粮堆温度预测模型。
此外,为实现上述目的,本发明还提出一种粮堆温度预测装置,所述粮堆温度预测装置包括:
获取模块,用于获取目标粮堆的历史初始数据并进行缺失值处理,得到目标粮堆的历史完整数据;
处理模块,用于对所述目标粮堆的历史完整数据中异常数据进行剔除和重构,得到目标粮堆的重构后的数据;
建模模块,用于将所述目标粮堆的重构后的数据输入至粮堆温度预测模型,对粮堆温度预测模型进行训练,得到目标粮堆温度预测模型,其中所述粮堆温度预测模型为一种神经网络模型;
所述获取模块,还用于获取目标粮堆的当前数据,并输入至所述目标粮堆温度预测模型,得到粮堆温度预测结果。
此外,为实现上述目的,本发明还提出一种粮堆温度预测设备,所述设备包括:存储器、处理器及存储在所述存储器上并在所述处理器上运行的粮堆温度预测程序,所述粮堆温度预测程序配置为实现如上文所述的粮堆温度预测方法。
此外,为实现上述目的,本发明还提出一种存储介质,所述存储介质上存储有粮堆温度预测程序,所述粮堆温度预测程序被处理器执行时实现如上文所述的粮堆温度预测方法。
本发明其公开了一种粮堆温度预测方法、装置、设备及存储介质,该方法包括:获取目标粮堆的历史初始数据并进行缺失值处理,得到目标粮堆的历史完整数据;对所述目标粮堆的历史完整数据中异常数据进行剔除和重构,得到目标粮堆的重构后的数据;将所述目标粮堆的重构后的数据输入至粮堆温度预测模型,对粮堆温度预测模型进行训练,得到目标粮堆温度预测模型;获取目标粮堆的当前数据,并输入至所述目标粮堆温度预测模型,得到粮堆温度预测结果。从而基于蚁群算法的SSA-BiGRU-MLP组合神经网络对粮堆温度预测,实现快速精确对目标粮堆温度进行预测。
附图说明
图1是本发明实施例方案涉及的硬件运行环境的粮堆温度预测设备结构示意图;
图2为本发明粮堆温度预测方法第一实施例的流程示意图;
图3为本发明粮堆温度预测方法一实施例的测试集和测试集的实验处理流程图;
图4为本发明粮堆温度预测方法一实施例的基于蚁群算法的LSTM-MLP和双向LSTM-MLP,GRU-MLP,双向GRU-MLP神经网络模型的粮堆温度预测的折线图;
图5为本发明粮堆温度预测方法第二实施例的流程示意图;
图6为本发明粮堆温度预测方法第三实施例的流程示意图;
图7为本发明粮堆温度预测方法一实施例的卷积层框架图;
图8为本发明粮堆温度预测装置第一实施例的功能模块示意图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明的一部分实施例,而不是全部的实施例。基于本发明中的实施例,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,都属于本发明保护的范围。
参照图1,图1为本发明实施例方案涉及的硬件运行环境的粮堆温度预测设备结构示意图。
如图1所示,该粮堆温度预测设备可以包括:处理器1001,例如中央处理器(Central Processing Unit,CPU),通信总线1002、用户接口1003,网络接口1004,存储器1005。其中,通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display),可选用户接口1003还可以包括标准的有线接口、无线接口,对于用户接口1003的有线接口在本发明中可为USB接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如无线保真(Wireless-Fidelity,Wi-Fi)接口)。存储器1005可以是高速的随机存取存储器(Random Access Memory,RAM)存储器,也可以是稳定的存储器(Non-volatileMemory,NVM),例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解,图1中示出的结构并不构成对粮堆温度预测设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
如图1所示,认定为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及粮堆温度预测程序。
在图1所示的粮堆温度预测设备4中,网络接口1004主要用于连接后台服务器,与所述后台服务器进行数据通信;用户接口1003主要用于连接用户设备;所述粮堆温度预测设备通过处理器1001调用存储器1005中存储的粮堆温度预测程序,并执行本发明实施例提供的粮堆温度预测方法。
基于上述硬件结构,提出本发明粮堆温度预测方法的实施例。
参照图2,图2为本发明粮堆温度预测方法第一实施例的流程示意图,提出本发明粮堆温度预测方法第一实施例。
在第一实施例中,所述粮堆温度预测方法包括以下步骤:
步骤S10:获取目标粮堆的历史初始数据并进行缺失值处理,得到目标粮堆的历史完整数据。
应该理解的是,本实施例的执行主体是为粮堆温度预测设备,该粮堆温度预测设备具有数据处理、数据通信及程序运行等功能。
在具体实现中,识别所述目标粮堆的历史初始数据中的缺失值,并获取所述缺失值的k个邻近数据,其中k为大于等于1的整数;计算所述k个最邻近的数据的二维空间的欧式距离并拓展到高维空间,得到高维空间的欧式距离;根据所述高维空间的欧式距离,对目标粮堆的历史初始数据进行缺失值填补,得到目标粮堆的历史完整数据。
需要说明的是,具体做法是首先采用KNN算法对获取的原始数据进行缺失值处理从而获得完整的数据,其原理主要在对应的缺失值附近选择k个最邻近的数据给进行预测,从而进行填补,knn算法采用欧式距离,二维空间的欧式距离计算公式:如果拓展到高维空间则计算公式:填补完之后就获得完整数据。
步骤S20:对所述目标粮堆的历史完整数据中异常数据进行剔除和重构,得到目标粮堆的重构后的数据。
应该理解的是,采集所述目标粮堆的历史完整数据中一维的温度时序数据,并根据预设的窗口长度构建得到轨迹矩阵;对所述轨迹矩阵进行奇异值进行分解,得到对应的n个特征向量;将所述n个特征向量分解为m个不相交组,其中,所述m个不相交组代表不同的趋势数据;选择所述趋势数据中所需要的趋势数据进行重构,得到目标粮堆的重构后的数据。
在具体实施中,如图3所述为测试集和测试集的实验处理流程图,由于数据之中含有空值,所以先进行数据预处理,这里采用KNN算法,将处理后的数据经过SSA奇异谱分析,从而得到去噪之后的数据,其将分解出来的低频序列当作温度数据序列变化的长期趋势,实现原温度数据序列的重构得到重构数据,将重构的数据序列分为神经网络的训练集和测试集,首先将基于蚁群算法的LSTM-MLP和双向LSTM-MLP,GRU-MLP,双向GRU-MLP神经网络模型对训练集中的数据进行训练。随后将测试集输入到已经训练好的基于蚁群算法的LSTM-MLP,双向LSTM-MLP,GRU-MLP,双向GRU-MLP神经网络模型中,从而对其进行预测,将这些神经网络模型预测的结果集和真实的结果集进行对比,然后将这些神经网络模型预测的图形和真实数据的图形进行对比,通过预测的数值的对比和预测的数值误差的对比和预测图形的趋势对比,从而得出基于蚁群算法的LSTM-MLP和双向LSTM-MLP,GRU-MLP,双向GRU-MLP神经网络模型究竟哪一个模型的预测效果更好。
步骤S30:将所述目标粮堆的重构后的数据输入至粮堆温度预测模型,对粮堆温度预测模型进行训练,得到目标粮堆温度预测模型。
在具体实施中,分别将所述目标粮堆的重构后的数据输入至的LSTM-MLP、双向LSTM-MLP、GRU-MLP以及双向GRU-MLP神经网络模型进行训练,得到训练好的LSTM-MLP、双向LSTM-MLP、GRU-MLP以及双向GRU-MLP神经网络模型;将当前目标粮堆的当前数据输入所述训练好的LSTM-MLP、双向LSTM-MLP、GRU-MLP以及双向GRU-MLP神经网络模型,得到不同神经网络模型对应预测的结果集;将所述不同神经网络模型对应预测的结果集与真实的结果集进行对比,并根据所述对比结果选择目标粮堆温度预测模型。
需要说明的是,进行建立基于蚁群算法的BiGRU-MLP,BiLSTM-MLP,LSTM-MLP,GRU-MLP神经网络组合模型,最后将处理后的数据通过基于蚁群算法的BiGRU-MLP,BiLSTM-MLP,LSTM-MLP,GRU-MLP神经网络组合模型分别进行训练和预测,基于蚁群算法的SSA-LSTM-MLP和SSA-BiLSTM-MLP,SSA-GRU-MLP,SSA-BiGRU-MLP神经网络模型的训练和误差对比分析,如下表1所示,为基于蚁群算法的SSA-LSTM-MLP和SSA-BiLSTM-MLP,SSA-GRU-MLP,SSA-BiGRU-MLP神经网络模型的粮堆温度预测结果。
表1
从以上6个结果可以看出基于蚁群算法的SSA-BiGRU-MLP组合神经网络对粮堆温度的预测值比基于蚁群算法的SSA-LSTM-MLP,SSA-BiLSTM-MLP,SSA-GRU-MLP对粮堆温度的预测值更加地精准。
应当清楚的是,图4为基于蚁群算法的LSTM-MLP和双向LSTM-MLP,GRU-MLP,双向GRU-MLP神经网络模型的粮堆温度预测的折线图,其中的横坐标表示时间趋势,纵坐标表示粮堆温度,其中红色折线表示真实粮堆温度趋势线,绿色折线表示基于蚁群算法的SSA-BiGRU-MLP组合网络的粮堆温度预测趋势线,蓝色折线表示基于蚁群算法的SSA-BiLSTM-MLP组合网络的粮堆温度预测趋势线,黑色折线表示基于蚁群算法的SSA-GRU-MLP组合网络的粮堆温度预测趋势线,灰色折线表示基于蚁群算法的SSA-LSTM-MLP组合网络的粮堆温度预测趋势线。从图4可以直观地看出:基于蚁群算法的SSA-BiGRU-MLP组合网络在粮堆温度中的预测值比基于蚁群算法的SSA-BiLSTM-MLP,SSA-GRU-MLP,SSA-LSTM-MLP在粮堆温度中的预测值更加接近在粮堆温度的实际值。因此基于蚁群算法的SSA-BiGRU-MLP组合网络与实际值的误差更小,在粮堆温度中具有更好的应用前景。
步骤S40:获取目标粮堆的当前数据,并输入至所述目标粮堆温度预测模型,得到粮堆温度预测结果。
应理解的是,表2为基于蚁群算法的SSA-LSTM-MLP和SSA-BiLSTM-MLP,SSA-GRU-MLP,SSA-BiGRU-MLP神经网络模型的性能指标对比分析,MSE为均方误差,公式为:其指预测值与真实值之差平方的期望值,其可以评价数据的变化程度,MSE的值越小,说明预测模型描述实验数据具有更好的精确度。RMSE为均方根误差,公式为:/>是均方误差的算术平方根,其值越小表示预测的温度值与真实值之间的偏差越小。MAE为平均绝对误差,其公式为平均绝对误差能更好地反映预测值误差的实际情况。
表2
从表2可以看出,SSA-BiGRU-MLP组合网络对粮堆温度预测的MAE,MSE,RMSE均小于基于蚁群算法的SSA-GRU-MLP,SSA-BiLSTM-MLP,SSA-LSTM-MLP组合网络,因此说明基于蚁群算法的SSA-BiGRU-MLP组合网络对粮堆温度预测的精度更高,误差更小,更能反映粮堆真实温度真趋势。
在本实施例中,获取目标粮堆的历史初始数据并进行缺失值处理,得到目标粮堆的历史完整数据;对所述目标粮堆的历史完整数据中异常数据进行剔除和重构,得到目标粮堆的重构后的数据;将所述目标粮堆的重构后的数据输入至粮堆温度预测模型,对粮堆温度预测模型进行训练,得到目标粮堆温度预测模型;获取目标粮堆的当前数据,并输入至所述目标粮堆温度预测模型,得到粮堆温度预测结果。从而基于蚁群算法的SSA-BiGRU-MLP组合神经网络对粮堆温度预测,实现快速精确对目标粮堆温度进行预测。
参照图5,图5为本发明粮堆温度预测方法第二实施例的流程示意图,基于上述图2所示的第一实施例,提出本发明粮堆温度预测方法的第二实施例。
在第二实施例中,所述步骤S20,包括:
步骤S201:采集所述目标粮堆的历史完整数据中一维的温度时序数据,并根据预设的窗口长度构建得到轨迹矩阵。
需要说明的是,填补完之后就获得完整数据,但是这完整数据中有的数据可能是异常数据也即噪声数据,因此使用SSA奇异谱分析对这完整的温度时序数据中的噪声数据进行剔除,其原理主要是先采集一维的温度时序数据[X1,X2,......,Xn],根据选择的窗口长度t构建出轨迹矩阵然后对这轨迹矩阵进行奇异值分解。
步骤S202:对所述轨迹矩阵进行奇异值进行分解,得到对应的n个特征向量。
需要说明的是,对这轨迹矩阵进行奇异值分解,具体做法就是将构建的轨迹矩阵分解为的形式,X=UΣVk其中Σ就是对应的奇异值,进行奇异值分解后就会获得n个特征值及其对应的n个特征向量,根据这n个不同的特征值分成m个不相交组,也就代表着不同的趋势数据,然后选择需要的趋势数据进行重构得到重构数据,将重构数据代替原始数据。
步骤S203:将所述n个特征向量分解为m个不相交组,其中,所述m个不相交组代表不同的趋势数据。
需要说明的是,采用双向GRU结合MLP神经网络对SSA奇异谱分析所处理出的趋势数据进行预测防止了出现过拟合,收敛速度慢等等问题,采用双向GRU结合MLP神经网络对SSA奇异谱分析所处理出的趋势数据进行预测防止了出现过拟合,收敛速度慢等等问题;设计的SSA-BiGRU-MLP神经网络既关注于历史数据对此时此刻的温度的影响,也包含了未来数据对此时此刻温度的影响,从而使得预测精度更高。
步骤S204:选择所述趋势数据中所需要的趋势数据进行重构,得到目标粮堆的重构后的数据。
在具体实施中,采集武汉国家稻米交易中心有限公司的6月29号至9月3号的8点,14点,20点的粮堆温度数据,首先对采集到的数据进行数据预处理,填补其中缺失值等等,这里选择KNN算法进行缺失值的处理通过KNN算法对缺失值进行处理后,再进行奇异谱分析,经过嵌入,奇异值分解,分组,重构后就完成了原温度时序数据的去噪处理和趋势数据的提取。
在本实施例中,识别所述目标粮堆的历史初始数据中的缺失值,并获取所述缺失值的k个邻近数据,其中k为大于等于1的整数;计算所述k个最邻近的数据的二维空间的欧式距离并拓展到高维空间,得到高维空间的欧式距离;根据所述高维空间的欧式距离,对目标粮堆的历史初始数据进行缺失值填补,得到目标粮堆的历史完整数据。对所述目标粮堆的历史完整数据中异常数据进行剔除和重构,得到目标粮堆的重构后的数据;将所述目标粮堆的重构后的数据输入至粮堆温度预测模型,对粮堆温度预测模型进行训练,得到目标粮堆温度预测模型;获取目标粮堆的当前数据,并输入至所述目标粮堆温度预测模型,得到粮堆温度预测结果,从而对采集到的温度时序数据构建出轨迹矩阵,然后对轨迹矩阵进行奇异值分解,分组,重构,其目的主要在于去除原始数据中的噪声数据和保留原始数据中的趋势数据,然后将趋势数据重构在一起,从而使得预测精度更高。
参照图6,图6为本发明粮堆温度预测方法第三实施例的流程示意图,基于上述图2所示的第一实施例,提出本发明粮堆温度预测方法的第三实施例。
在第三实施例中,所述步骤S30,包括:
步骤S301:将所述目标粮堆的重构后的数据输入至粮堆温度预测模型中的更新门和重置门进行操作,得到当前时刻的隐层状态。
在具体实施中,如图7所示为SSA-BiGRU-MLP组合神经网络预测模型图,粮堆温度预测输入到双向GRU-MLP模型中之中进行训练,其中GRU具有两个门控,一个是更新门,公式为zt=σ(U(z)Xt+W(z)ht-1+b(z)),其中的σ为sigmoid激活函数,其公式为用来处理非线性数据,U和W是全值矩阵,X是输入值,h是前一时刻的隐层状态,b为偏置项,其主要是用来选择哪些信息需要保留。
步骤S202:根据所述当前时刻的隐层状态通过蚁群方法,对所述粮堆温度预测模型进行调节得到最优参数,并根据所述最优参数得到目标粮堆温度预测模型。
需要说明的是,一个是重置门,公式为rt=σ(U(r)Xt+W(r)ht-1+b(r)),U和W是全值矩阵,X是输入值,h是前一时刻的隐层状态,b为偏置项,它是用来负责哪些信息需要被遗忘,经过更新门和重置门的操作后就得到当前时刻的隐层状态ht=(1-zt)·tanh{U(h)Xt+W(h)(ht-1·rt)+b(h)}+zt·ht-1,其中的z就是更新门,r为重置门,tanh为激活函数,其公式为U和W是全值矩阵,X是输入值,h是前一时刻的隐层状态,b为偏置项,经过公式的计算,最终得到当前时刻的隐层状态,由于为了进一步增强预测的精准性,防止过拟合,因此将其与多层感知机进行结合构成混合型的人工神经网络,其中多层感知机MLP为全连接的神经网络,里面的隐藏层和输出层的每一个节点都含有一个激活函数,然后使用蚁群算法对混合型神经网络的参数进行调节,其目的在于寻找最优的参数,数据经过最优的参数的混合型神经网络之后再输出最终的预测值。
在本实施例中,获取目标粮堆的历史初始数据并进行缺失值处理,得到目标粮堆的历史完整数据;对所述目标粮堆的历史完整数据中异常数据进行剔除和重构,得到目标粮堆的重构后的数据;将所述目标粮堆的重构后的数据输入至粮堆温度预测模型中的更新门和重置门进行操作,得到当前时刻的隐层状态;根据所述当前时刻的隐层状态通过蚁群方法,对所述粮堆温度预测模型进行调节得到最优参数,并根据所述最优参数得到目标粮堆温度预测模型。获取目标粮堆的当前数据,并输入至所述目标粮堆温度预测模型,得到粮堆温度预测结果,从而采用双向GRU结合MLP神经网络对SSA奇异谱分析所处理出的趋势数据进行预测防止了出现过拟合,收敛速度慢等等问题。
此外,本发明实施例还提出一种存储介质,所述存储介质上存储有粮堆温度预测程序,所述粮堆温度预测程序被处理器执行时实现如上文所述的粮堆温度预测方法的步骤。
由于本存储介质可以采用上述所有实施例的技术方案,因此至少具有上述实施例的技术方案所带来的有益效果,在此不再一一赘述。
参照图8,图8为本发明粮堆温度预测装置第一实施例的功能模块示意图。
本发明粮堆温度预测装置第一实施例中,该粮堆温度预测装置包括:
获取模块10,用于获取目标粮堆的历史初始数据并进行缺失值处理,得到目标粮堆的历史完整数据;
处理模块20,用于对所述目标粮堆的历史完整数据中异常数据进行剔除和重构,得到目标粮堆的重构后的数据;
建模模块30,用于将所述目标粮堆的重构后的数据输入至粮堆温度预测模型,对粮堆温度预测模型进行训练,得到目标粮堆温度预测模型,其中所述粮堆温度预测模型为一种神经网络模型;
所述获取模块10,还用于获取目标粮堆的当前数据,并输入至所述目标粮堆温度预测模型,得到粮堆温度预测结果。
在本实施例中,获取目标粮堆的历史初始数据并进行缺失值处理,得到目标粮堆的历史完整数据;对所述目标粮堆的历史完整数据中异常数据进行剔除和重构,得到目标粮堆的重构后的数据;将所述目标粮堆的重构后的数据输入至粮堆温度预测模型,对粮堆温度预测模型进行训练,得到目标粮堆温度预测模型;获取目标粮堆的当前数据,并输入至所述目标粮堆温度预测模型,得到粮堆温度预测结果。从而基于蚁群算法的SSA-BiGRU-MLP组合神经网络对粮堆温度预测,实现快速精确对目标粮堆温度进行预测。
在一实施例中,所述处理模块20,还用于获取目标粮堆的历史初始数据并进行缺失值处理,得到目标粮堆的历史完整数据,包括:
识别所述目标粮堆的历史初始数据中的缺失值,并获取所述缺失值的k个邻近数据,其中k为大于等于1的整数;
计算所述k个最邻近的数据的二维空间的欧式距离并拓展到高维空间,得到高维空间的欧式距离;
根据所述高维空间的欧式距离,对目标粮堆的历史初始数据进行缺失值填补,得到目标粮堆的历史完整数据。
在一实施例中,所述处理模块20,还用于对所述目标粮堆的历史完整数据中异常数据进行剔除和重构,得到目标粮堆的重构后的数据,包括:
采集所述目标粮堆的历史完整数据中一维的温度时序数据,并根据预设的窗口长度构建得到轨迹矩阵;
对所述轨迹矩阵进行奇异值进行分解,得到对应的n个特征向量;
将所述n个特征向量分解为m个不相交组,其中,所述m个不相交组代表不同的趋势数据;
选择所述趋势数据中所需要的趋势数据进行重构,得到目标粮堆的重构后的数据。
在一实施例中,所述处理模块20,还用于将所述目标粮堆的重构后的数据输入至粮堆温度预测模型,对粮堆温度预测模型进行训练,得到目标粮堆温度预测模型,其中所述粮堆温度预测模型为一种神经网络模型,包括:
将所述目标粮堆的重构后的数据输入至粮堆温度预测模型中的更新门和重置门进行操作,得到当前时刻的隐层状态;
根据所述当前时刻的隐层状态通过蚁群方法,对所述粮堆温度预测模型进行调节得到最优参数,并根据所述最优参数得到目标粮堆温度预测模型。
在一实施例中,所述处理模块20,还用于将所述目标粮堆的重构后的数据输入至粮堆温度预测模型,对粮堆温度预测模型进行训练,得到目标粮堆温度预测模型,还包括:
分别将所述目标粮堆的重构后的数据输入至的LSTM-MLP、双向LSTM-MLP、GRU-MLP以及双向GRU-MLP神经网络模型进行训练,得到训练好的LSTM-MLP、双向LSTM-MLP、GRU-MLP以及双向GRU-MLP神经网络模型;
将当前目标粮堆的当前数据输入所述训练好的LSTM-MLP、双向LSTM-MLP、GRU-MLP以及双向GRU-MLP神经网络模型,得到不同神经网络模型对应预测的结果集;
将所述不同神经网络模型对应预测的结果集与真实的结果集进行对比,并根据所述对比结果选择目标粮堆温度预测模型。
在一实施例中,所述建模模块30,还用于将所述不同神经网络模型对应预测的结果集与真实的结果集进行对比,并根据所述对比结果选择目标粮堆温度预测模型,包括:
将所述不同神经网络模型对应预测的数值与真实数据的数值进行对比,得到数值预测误差;
将所述不同神经网络模型对应预测的图形与真实数据的图形进行对比,得到图形预测误差;
根据所述数值预测误差和图形预测误差选择目标粮堆温度预测模型。
在一实施例中,所述建模模块30,还用于根据所述数值预测误差和图形预测误差选择目标粮堆温度预测模型,包括:
根据所述数值预测误差和图形预测误差与真实值之差平方的期望值,得到均方误差;
将所述均方误差开跟方得到均方根误差,并根据所述均方根误差选择目标粮堆温度预测模型。
本发明所述粮堆温度预测装置的其他实施例或具体实现方式可参照上述各方法实施例,因此至少具有上述实施例的技术方案所带来的所有有益效果,此处不再赘述。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。在列举了若干装置的单元权利要求中,这些装置中的若干个可以是通过同一个硬件项来具体体现。词语第一、第二、以及第三等的使用不表示任何顺序,可将这些词语解释为名称。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如只读存储器镜像(Read Only Memory image,ROM)/随机存取存储器(Random AccessMemory,RAM)、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种粮堆温度预测方法,其特征在于,所述方法包括以下步骤:
获取目标粮堆的历史初始数据并进行缺失值处理,得到目标粮堆的历史完整数据;
对所述目标粮堆的历史完整数据中异常数据进行剔除和重构,得到目标粮堆的重构后的数据;
将所述目标粮堆的重构后的数据输入至粮堆温度预测模型,对粮堆温度预测模型进行训练,得到目标粮堆温度预测模型;
获取目标粮堆的当前数据,并输入至所述目标粮堆温度预测模型,得到粮堆温度预测结果。
2.如权利要求1所述的方法,其特征在于,所述获取目标粮堆的历史初始数据并进行缺失值处理,得到目标粮堆的历史完整数据,包括:
识别所述目标粮堆的历史初始数据中的缺失值,并获取所述缺失值的k个邻近数据,其中k为大于等于1的整数;
计算所述k个最邻近的数据的二维空间的欧式距离并拓展到高维空间,得到高维空间的欧式距离;
根据所述高维空间的欧式距离,对目标粮堆的历史初始数据进行缺失值填补,得到目标粮堆的历史完整数据。
3.如权利要求1所述的方法,其特征在于,所述对所述目标粮堆的历史完整数据中异常数据进行剔除和重构,得到目标粮堆的重构后的数据,包括:
采集所述目标粮堆的历史完整数据中一维的温度时序数据,并根据预设的窗口长度构建得到轨迹矩阵;
对所述轨迹矩阵进行奇异值进行分解,得到对应的n个特征向量;
将所述n个特征向量分解为m个不相交组,其中,所述m个不相交组代表不同的趋势数据;
选择所述趋势数据中所需要的趋势数据进行重构,得到目标粮堆的重构后的数据。
4.如权利要求1所述的方法,其特征在于,所述将所述目标粮堆的重构后的数据输入至粮堆温度预测模型,对粮堆温度预测模型进行训练,得到目标粮堆温度预测模型,其中所述粮堆温度预测模型为一种神经网络模型,包括:
将所述目标粮堆的重构后的数据输入至粮堆温度预测模型中的更新门和重置门进行操作,得到当前时刻的隐层状态;
根据所述当前时刻的隐层状态通过蚁群方法,对所述粮堆温度预测模型进行调节得到最优参数,并根据所述最优参数得到目标粮堆温度预测模型。
5.如权利要求1所述的方法,其特征在于,所述将所述目标粮堆的重构后的数据输入至粮堆温度预测模型,对粮堆温度预测模型进行训练,得到目标粮堆温度预测模型之前,还包括:
分别将所述目标粮堆的重构后的数据输入至的LSTM-MLP、双向LSTM-MLP、GRU-MLP以及双向GRU-MLP神经网络模型进行训练,得到训练好的LSTM-MLP、双向LSTM-MLP、GRU-MLP以及双向GRU-MLP神经网络模型;
将当前目标粮堆的当前数据输入所述训练好的LSTM-MLP、双向LSTM-MLP、GRU-MLP以及双向GRU-MLP神经网络模型,得到不同神经网络模型对应预测的结果集;
将所述不同神经网络模型对应预测的结果集与真实的结果集进行对比,并根据所述对比结果选择粮堆温度预测模型。
6.如权利要求5所述的方法,其特征在于,所述将所述不同神经网络模型对应预测的结果集与真实的结果集进行对比,并根据所述对比结果选择目标粮堆温度预测模型,包括:
将所述不同神经网络模型对应预测的数值与真实数据的数值进行对比,得到数值预测误差;
将所述不同神经网络模型对应预测的图形与真实数据的图形进行对比,得到图形预测误差;
根据所述数值预测误差和图形预测误差选择目标粮堆温度预测模型。
7.如权利要求6中所述的方法,其特征在于,所述根据所述数值预测误差和图形预测误差选择目标粮堆温度预测模型,包括:
根据所述数值预测误差和图形预测误差与真实值之差平方的期望值,得到均方误差;
将所述均方误差开跟方得到均方根误差,并根据所述均方根误差选择目标粮堆温度预测模型。
8.一种粮堆温度预测装置,其特征在于,所述粮堆温度预测装置包括:
获取模块,用于获取目标粮堆的历史初始数据并进行缺失值处理,得到目标粮堆的历史完整数据;
处理模块,用于对所述目标粮堆的历史完整数据中异常数据进行剔除和重构,得到目标粮堆的重构后的数据;
建模模块,用于将所述目标粮堆的重构后的数据输入至粮堆温度预测模型,对粮堆温度预测模型进行训练,得到目标粮堆温度预测模型;
所述获取模块,还用于获取目标粮堆的当前数据,并输入至所述目标粮堆温度预测模型,得到粮堆温度预测结果。
9.一种粮堆温度预测设备,其特征在于,所述粮堆温度预测设备包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的粮堆温度预测程序,所述粮堆温度预测程序被所述处理器执行时实现如权利要求1至7中任一项所述的粮堆温度预测方法。
10.一种存储介质,其特征在于,所述存储介质上存储有粮堆温度预测程序,所述粮堆温度预测程序被处理器执行时实现如权利要求1至7中任一项所述的粮堆温度预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310375006.6A CN116663388A (zh) | 2023-04-10 | 2023-04-10 | 粮堆温度预测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310375006.6A CN116663388A (zh) | 2023-04-10 | 2023-04-10 | 粮堆温度预测方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116663388A true CN116663388A (zh) | 2023-08-29 |
Family
ID=87719604
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310375006.6A Pending CN116663388A (zh) | 2023-04-10 | 2023-04-10 | 粮堆温度预测方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116663388A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116995276A (zh) * | 2023-09-27 | 2023-11-03 | 爱德曼氢能源装备有限公司 | 燃料电池发电系统冷却方法及系统 |
-
2023
- 2023-04-10 CN CN202310375006.6A patent/CN116663388A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116995276A (zh) * | 2023-09-27 | 2023-11-03 | 爱德曼氢能源装备有限公司 | 燃料电池发电系统冷却方法及系统 |
CN116995276B (zh) * | 2023-09-27 | 2023-12-29 | 爱德曼氢能源装备有限公司 | 燃料电池发电系统冷却方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113076215B (zh) | 一种独立于数据类型的无监督异常检测方法 | |
CN111369442B (zh) | 基于模糊核分类与注意力机制的遥感图像超分辨重建方法 | |
CN112418292B (zh) | 一种图像质量评价的方法、装置、计算机设备及存储介质 | |
CN112883227B (zh) | 一种基于多尺度时序特征的视频摘要生成方法和装置 | |
CN112560966B (zh) | 基于散射图卷积网络的极化sar图像分类方法、介质及设备 | |
CN109002794B (zh) | 一种非线性非负矩阵分解人脸识别构建方法、系统及存储介质 | |
CN111598460B (zh) | 土壤重金属含量的监测方法、装置、设备及存储介质 | |
CN111476138A (zh) | 建筑图纸构件识别模型构建方法、识别方法及相关设备 | |
CN116663388A (zh) | 粮堆温度预测方法、装置、设备及存储介质 | |
KR20220099409A (ko) | 딥러닝 모델을 사용한 분류 방법 | |
CN115496144A (zh) | 配电网运行场景确定方法、装置、计算机设备和存储介质 | |
CN115439708A (zh) | 一种图像数据处理方法和装置 | |
CN116403019A (zh) | 遥感图像量子识别方法、装置、存储介质及电子装置 | |
CN111242228A (zh) | 高光谱图像分类方法、装置、设备及存储介质 | |
US20220343116A1 (en) | Methods and systems for generating synthetic microstructure images of material with desired features | |
CN117609905A (zh) | 一种监测数据预测方法、系统、设备以及可读存储介质 | |
CN115426671B (zh) | 图神经网络训练、无线小区故障预测方法、系统及设备 | |
CN115131646A (zh) | 基于离散系数的深度网络模型压缩方法 | |
CN113971737A (zh) | 用于机器人的物体识别方法、电子设备、介质和程序产品 | |
CN116341396B (zh) | 一种基于多源数据融合的复杂装备数字孪生建模方法 | |
CN111783711B (zh) | 基于身体部件层面的骨架行为识别方法及装置 | |
CN116030347B (zh) | 一种基于注意力网络的高分辨率遥感影像建筑物提取方法 | |
US20240054346A1 (en) | Systems and methods for simultaneous network pruning and parameter optimization | |
CN113627556B (zh) | 一种图像分类的实现方法、装置、电子设备和存储介质 | |
CN116700213B (zh) | 基于门控循环单元的工业设备异常检测方法及相关装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |