一种基于时空特性的粮温预测方法

技术领域

本发明涉及机器学习和深度学习的算法领域，具体涉及一种基于时空特性的粮温预测方法。

背景技术

目前的粮温预测方法主要注重在时序的预测上，已经有很多机器学习和深度学习的算法来预测粮温，如RNN循环神经网络、LSTM长短期记忆网络模型等。但对粮堆空间位置的预测较少，而粮温在粮堆传感器的空间位置上也具有一定的相关性。

LSTM长短期记忆网络模型是一种时序预测模型，以输入的一个窗口数据可以预测下一个时序的数据，可以对粮温的时间特性做出预测；而多元线性回归(MLR)模型强调变量之间的线性相关性，而粮仓中传感器的位置之间也存在着这种相关性，因为固体的热传导的线性的，所以可用多元线性回归方程描述粮温空间之间的相关性，利用二者的融合可以有效预测粮仓下一个时间点任意位置的粮温。

发明内容

本发明目的：在于提供一种基于时空特性的粮温预测方法，从时间和空间两个维度预测粮温。

为实现以上功能，本发明设计一种基于时空特性的粮温预测方法，针对目标粮仓，执行如下步骤S1-步骤S4，完成预测日的粮温预测：

步骤S1：在粮仓内预设点位布设温度传感器，采集预测日前预设时长内的历史粮温数据；

步骤S2：针对某一点位的温度传感器，基于该温度传感器所采集的历史粮温数据，采用长短期记忆网络，以该点位的历史粮温数据为输入，以该点位预测日的粮温为输出，建立时间特性粮温预测模型；

步骤S3：针对某一点位的温度传感器，以该点位的温度传感器的区、点、层三个维度分别建立多元线性回归模型，分别用于描述该点位的温度传感器与其左右区、前后点位、上下层的相关性，建立空间特性粮温预测模型；

步骤S4：计算各点位的温度传感器的空间特性粮温预测模型的平均绝对百分比误差，根据平均绝对百分比误差，筛选用于粮温预测的温度传感器，基于所筛选出的温度传感器，采用时间特性粮温预测模型完成预测日的粮温预测。

作为本发明的一种优选技术方案：步骤S1中，以每日9时为中心点，分别向前和向后推移预设时长作为采集时间，获取预测日前6个月内各点位的温度传感器在采集时间内的历史粮温数据，以天为单位存储。

作为本发明的一种优选技术方案：步骤S2的具体步骤如下：

步骤S2.1：将获取到的历史粮温数据组成序列进行归一化处理，归一化公式如下：

式中，X(t)为待归一化的序列，X

步骤S2.2：将序列X

f

其中σ为Sigmoid激活函数，x

然后将遗忘门的激活值f

c′

计算输入门的激活值i

i

式中,W

创建候选值向量

式中，W

更新细胞状态，将上一时刻的细胞状态c

最后是输出门的计算，将输入的t时刻的历史粮温数据x

o

式中，W

根据当前时刻的细胞状态c

h

步骤S2.3：对步骤S2.2中长短期记忆网络的输出进行反归一化，得到预测日的粮温，反归一化的公式如下：

其中X为反归一化后的原始数据的实际值，

作为本发明的一种优选技术方案：步骤S3的具体步骤如下：

步骤S3.1：针对某一点位的温度传感器O，对该点位及其相邻点位的温度传感器划分区、点、层三个维度，以温度传感器O所在点位为原点建立xyz三维坐标系，在x轴上与温度传感器O相邻的两温度传感器分别作为温度传感器O的前后点，在y轴上与温度传感器O相邻的两温度传感器分别作为温度传感器O的左右区，在z轴上与温度传感器O相邻的两温度传感器分别作为温度传感器O的上下层；

步骤S3.2：分别以温度传感器O以其前后点、左右区、上下层，建立多元线性回归模型如下式：

Y＝β

式中，Y表示温度传感器O的历史粮温数据构成的粮温序列，X

作为本发明的一种优选技术方案：步骤S4的具体方法如下：

对于位于粮仓墙角的温度传感器，它在点、区和层上都只有一侧相邻点，因此采用基于长短期记忆网络的时间特性粮温预测模型，对于其他点位的温度传感器，分别计算区、点、层三个维度空间特性粮温预测模型的平均绝对百分比误差，并相应分别预设误差阈值，若某点位的温度传感器空间特性粮温预测模型在某维度上的误差小于预设误差阈值，则采用该点位的温度传感器在某维度上相邻两侧的温度传感器预测，去除该点位的温度传感器，反之则保留，采用时间特性粮温预测模型进行粮温预测。

作为本发明的一种优选技术方案：步骤S1中将所采集的历史粮温数据进行数据集划分，其中以历史粮温数据的80％构成训练集，用于对时间特性粮温预测模型进行训练，以历史粮温数据的20％构成测试集，用于对时间特性粮温预测模型进行测试。

有益效果：相对于现有技术，本发明的优点包括：

本发明设计了一种基于时空特性的粮温预测方法，由LSTM和多元线性回归根据训练样本分别得到时间和空间特性预测模型，将二者融合从两个维度预测粮温。且具有以下有点：(1)同时考虑了时间和空间的粮温特性；(2)通过传感器之间的空间相关性可以减少传感器的空间布置，节省成本；(3)当某些传感器损坏的情况下，可以根据空间相邻粮温预测该传感器位置的粮温。

附图说明

图1是根据本发明实施例提供的一种基于时空特性的粮温预测方法的流程图；

图2是根据本发明实施例提供的粮仓第1区第1层第1点的预测结果；

图3是根据本发明实施例提供的粮仓第1区第1层第2点的预测结果；

图4是根据本发明实施例提供的粮仓第1区第1层第3点的预测结果；

图5是根据本发明实施例提供的粮仓第1区第1层第4点的预测结果。

具体实施方式

下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。

参照图1，本发明实施例提供的一种基于时空特性的粮温预测方法，针对目标粮仓，执行如下步骤S1-步骤S4，完成预测日的粮温预测：

步骤S1：在粮仓内预设点位布设温度传感器，以每日9时为中心点，分别向前和向后推移预设时长作为采集时间，获取预测日前6个月内各点位的温度传感器在采集时间内的历史粮温数据，以天为单位存储。

步骤S1中将所采集的历史粮温数据进行数据集划分，其中以历史粮温数据的80％构成训练集，用于对时间特性粮温预测模型进行训练，以历史粮温数据的20％构成测试集，用于对时间特性粮温预测模型进行测试。

步骤S2：针对某一点位的温度传感器，基于该温度传感器所采集的历史粮温数据，采用长短期记忆网络(LSTM)，以该点位的历史粮温数据为输入，以该点位预测日的粮温为输出，建立时间特性粮温预测模型；

步骤S2的具体步骤如下：

步骤S2.1：将获取到的历史粮温数据组成序列进行归一化处理，采用最小值为-1，最大值为1的min/max缩放器进行归一化处理，避免各特征与目标值的量纲不同对预测性能造成影响，同时加快梯度下降的速度。归一化公式如下：

式中，X(t)为待归一化的序列，X

步骤S2.2：将序列X

f

其中σ为Sigmoid激活函数，x

然后将遗忘门的激活值f

c′

下一步是确定什么样的新信息被存放在细胞状态中，计算输入门的激活值i

i

式中,W

更新细胞状态，将上一时刻的细胞状态c

最后是输出门的计算，将输入的t时刻的历史粮温数据x

o

式中，W

根据当前时刻的细胞状态c

h

步骤S2.3：对步骤S2.2中长短期记忆网络的输出进行反归一化，得到预测日的粮温，反归一化的公式如下：

其中X为反归一化后的原始数据的实际值，

确定时间特性粮温预测模型即为确定长短期记忆网络中学习的参数值，即长短期记忆网络训练的过程。

步骤S3：针对某一点位的温度传感器，以该点位的温度传感器的区、点、层三个维度分别建立多元线性回归模型，分别用于描述该点位的温度传感器与其左右区、前后点位、上下层的相关性，建立空间特性粮温预测模型；

步骤S3的具体步骤如下：

步骤S3.1：针对某一点位的温度传感器O，对该点位及其相邻点位的温度传感器划分区、点、层三个维度，以温度传感器O所在点位为原点建立xyz三维坐标系，在x轴上与温度传感器O相邻的两温度传感器分别作为温度传感器O的前后点，在y轴上与温度传感器O相邻的两温度传感器分别作为温度传感器O的左右区，在z轴上与温度传感器O相邻的两温度传感器分别作为温度传感器O的上下层；

步骤S3.2：分别以温度传感器O以其前后点、左右区、上下层，建立多元线性回归模型，以描述温度传感器O与其前后、左右或上下温度传感器之间的线性关系，多元线性回归模型如下式：

Y＝β

式中，Y表示温度传感器O的历史粮温数据构成的粮温序列，X

用最小二乘法求回归系数β公式如下：

S＝(Y-Xβ)

β＝(X

β＝[β

其中S为最小二乘法目标函数，Y是因变量的观测值向量，X是自变量的设计矩阵，β是回归系数向量。

步骤S4：计算各点位的温度传感器的空间特性粮温预测模型的平均绝对百分比误差(MAPE)，根据平均绝对百分比误差，筛选用于粮温预测的温度传感器，基于所筛选出的温度传感器，采用时间特性粮温预测模型完成预测日的粮温预测。

步骤S4的具体方法如下：

对于位于粮仓墙角的温度传感器，它在点、区和层上都只有一侧相邻点，使用线性回归效果不好，因此采用基于长短期记忆网络的时间特性粮温预测模型，对于其他点位的温度传感器，分别计算区、点、层三个维度空间特性粮温预测模型的平均绝对百分比误差，并相应分别预设误差阈值，若某点位的温度传感器空间特性粮温预测模型在某维度上的误差小于预设误差阈值，表明该点的温度可以被两侧温度传感器较为精准的预测，则采用该点位的温度传感器在某维度上相邻两侧的温度传感器预测，去除该点位的温度传感器，反之则保留，采用时间特性粮温预测模型进行粮温预测；

当所有温度传感器的预测误差比较完毕后，可以将之前可保留/可去除做进一步操作，决定保留或去除某个温度传感器，这是因为某些温度传感器可以去除但是其作为了另一些温度传感器预测的输入。

以下是本发明的一个具体实施例：

采用本发明对某粮仓的粮温数据做具体实施：

(1)获取预测日前6个月内(2023年1月4日～2023年7月4日)每日9时左右的粮温数据。

(2)将每个传感器的数据80％作为训练集，20％作为测试集，窗口设定为7天，并以此预测下一天的粮温数据。图2显示了粮仓第1区第1层第1点靠仓库角的传感器数据的LSTM预测结果，其中实线为(1)中的粮温数据，虚线为后20％的测试集的预测结果，测试集预测的平均绝对百分比误差为1.05％。

下面以第1区第1层1～4点的其它3个点传感器数据为例，展示对时序LSTM模型的表现。

图3为第1区第1层第2点的预测结果，平均绝对百分比误差为0.8％；

图4为第1区第1层第3点的预测结果，平均绝对百分比误差为1.12％；

图5为第1区第1层第4点的预测结果，平均绝对百分比误差为1.06％。

(3)同样对第1区第1层1～4点的粮温使用MLR多元线性回归模型进行预测并计算平均绝对百分比误差：

对于第1区第1层第4点的粮温数据，其在区和层上都只有一侧相邻点，所以在点的维度上进行空间预测，将该点的前一点，即第1区第3点第1层的温度向量和该点的后一点即第1区第5点第1层的温度向量带入多元线性回归模型，可得如下MLR回归方程：

Y＝0.0108+0.5923X

并计算平均绝对百分比误差为14.08％。

由于只有点这一个维度，因此其空间上的最佳模型即为MLR回归方程。

按以上同样可得到其它传感器在空间特性上的MLR回归方程和平均绝对百分比误差，同样选取误差最小的维度，记录第1区第1层第1～3点的预测结果：

第1区第1层第1点没有空间特性误差最小的维度；

第1区第1层第2点空间特性中误差最小的维度是点，即用第1区第1层第1点和第1区第1层第3点的温度带入多元线性回归模型，平均绝对百分比误差为2.33％；

第1区第1层第3点空间特性中误差最小的维度也是点，即用第1区第1层第2点和第1区第1层第4点的温度带入多元线性回归模型，平均绝对百分比误差为2.46％；

(4)对以上4个点的时空特性预测模型融合，根据(2)和(3)中的数据，结合本领域对平均绝对百分比误差的界定，可以将可接受误差阈值定在5％：

对于第1区第1层第1点的预测结果，LSTM预测效果准确，且没有任何一个维度同时有两侧相邻点，因此该点采用时序的LSTM模型进行预测。

对于第1区第1层第2点的预测结果，时间和空间预测模型误差分别为0.8％和2.33％，虽然其时间特性的模型误差较小于空间模型的误差，但二者都在可接受阈值范围内，因此该传感器可以设置为可去除/可保留的状态；

对于第1区第1层第3点的预测结果，时间和空间预测模型误差分别为1.12％和2.46％，同第2点结果，该传感器也可以设置为可去除/可保留的状态；

对于第1区第1层第4点的预测结果，时间和空间预测模型误差分别为1.06％和14.08％，时间上明显小于空间上的误差，切空间上的误差大于可接受误差阈值，因此该点确定采用时间序列预测模型LSTM；

设置可去除/可保留而没有直接去除是因为该传感器可能作为其他传感器的输入，例如以上实施例的第1区第1层的第2点和第3点的传感器数据，虽然二者的空间特性预测结果可以接受，但它们互为多元线性回归模型的输入变量之一，因此二者最多只有一个可以去除，另一个则保留，保留则代表应采用时间特性上的LSTM预测模型。

上面结合附图对本发明的实施方式作了详细说明，但是本发明并不限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下做出各种变化。