一种基于支持向量回归SVR的粮堆结露预测方法

技术领域

本发明属于粮食储藏技术领域，特别是涉及一种基于支持向量回归SVR的粮堆结露预测方法。

背景技术

粮堆结露是由于粮堆不同位置的温度差异导致了粮堆孔隙内空气的微循环，随着粮堆孔隙内空气的流动，当某处的热气流碰到冷的粮食时，就会使局部湿度增大，若温差较大时会发生结露，从而导致粮堆局部水分增加，进而产生霉变，造成储粮损失。在季节交替时，仓房外及粮堆上部空间的温度骤高骤低，由于粮食是热的不良导体，粮堆的表层与内部、粮堆的向阳面与背阳面都会存在温差，形成温度梯度，使粮食孔隙间进行空气流动。温差越大，储粮结露越严重。

粮堆若内部发生结露，其具体位置难以用肉眼看到，必须定期扦样检测水分，若不能扦取到结露部位的样品，则无法知道粮食是否发生结露现象，并且粮食样品的水分含量的测定又需要大量的人力物力。

发明内容

为了解决上述技术问题，本发明提供一种基于支持向量回归SVR的粮堆结露预测方法，采用树结构化估计器优化非线性SVR模型中超参数，预测粮堆中不同位置的湿度，可实现预测不同储藏时间粮堆不同位置的湿度，这对于发现粮堆局部高湿度位置，以及判断粮堆局部是否已经发生结露，从而采取通风散湿等措施提供了新的思路。

为实现上述目的，本发明提出一种基于支持向量回归SVR的粮堆结露预测方法，具体包括以下步骤：

S1、提取影响粮堆湿度的因素作为特征；

S2、将所述特征进行数据预处理；

S3、将预处理后的特征输入到SVR模型中进行优化；

S4、利用优化后的SVR模型对粮堆局部湿度及结露情况进行预测。

优选地，所述步骤S1具体为：

S1.1、在粮堆不同位置布置温湿度传感器，并在储藏过程中定时读取影响粮堆湿度的数据因素；

S1.2、将所述数据进行预处理和分类编辑；

S1.3、将处理后的数据因素作为特征并进行提取，得到多个一维特征。

优选地，所述数据因素包括：粮堆各位置的粮温、粮食水分、粮堆内湿度。

优选地，所述温湿度传感器的布置点位置和数量是根据易结露位置及仓房的大小进行调整。

优选地，所述步骤S2中的数据预处理是将每个一维特征线性归一化到[0,1]之间。

优选地，所述步骤S3中的优化是采用树结构化Parzen估计器优化算法对SVR模型进行优化，寻找最优的正则化参数和核函数宽度，并估计所述正则化参数和核函数宽度的性能。

优选地，所述树结构化Parzen估计器优化算法对SVR模型进行优化的具体步骤为：

S3.1、将归一化特征数据输入到SVR模型中，在已有数据中选择一个损失阈值y*，对于大于该阈值和小于该阈值的数据分别估计两个条件概率密度函数l(x)和g(x)；

S3.2、根据Expectation Improvement的计算公式寻找使得g(x)/l(x)最小化的值x；

S3.3、将x再放回特征值中，再重新拟合g(x)和l(x)；

S3.4、不断极小化比值，直至算法收敛，进而估计超参数的性能。

优选地，所述步骤S4具体为：

用寻优得出的最优正则化参数和核函数宽度来设置SVR参数并预测粮堆局部湿度及是否结露；并分析SVR模型分析因子特征的重要性。

优选地，分析所述SVR模型分析因子特征的重要性的方法为：特征的权重是线性模型中特征的权重系数，如果系数为正，表示该特征与目标正线性相关，否则该特征与目标负线性相关，并且该系数的绝对值越大，则该特征对目标值的影响越大。

与现有技术相比，本发明的有益效果在于：

本发明利用SVR构建对噪声鲁棒的预测模型，可实现预测不同储藏时间粮堆不同位置的湿度，这对于发现粮堆局部高湿度位置，以及判断粮堆局部是否已经发生结露，从而采取通风散湿等措施提供了新的思路；本发明基于树结构化Parzen估计器模型选择方法实现了参数的随机搜索，相比于通常的网格搜索参数，它搜索的范围更广，不像网格搜索受限于特定的参数范围，另外，它的搜索更有针对性，它会聚焦于超参数的极小化区域，而网格搜索对所有的网格区域实行无差别的搜索，使得本发明能极大地提高SVR预测模型的性能，有效地提高粮堆局部湿度和结露预测的准确性。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明方法流程图；

图2为本发明粮堆内部温湿度数据采集示意图；

图3为本发明优化支持向量回归SVR的学习示意图；其中，左图为SVR回归学习示意图；右图为SVR优化软margin损失函数。

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做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。

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

实施例1

参照图1所示，本发明提出一种基于支持向量回归SVR的粮堆结露预测方法，具体包括以下步骤：

1、特征提取：

首先，在粮堆不同的位置布置温湿度传感器，用于在储藏过程中定时读取影响粮堆湿度的数据因素；参照图2所示，图中黑色的点即为测温测湿传感器布置点，布置点的位置和数量可根据仓房易结露位置及仓房大小进行调整；然后将测湿传感器与数据采集模块相连，可定时读取并记录温湿度的数据。所述数据，包括：粮堆各位置的粮温、粮食水分、粮堆内湿度；然后将这些数据进行预处理和分类编辑，并将处理后的数据因素作为特性进行提取，得到多个一维特征；

2、数据预处理：

由于每一维度特征的取值范围差异很大，因而通过采集得到的特征值进行反归一化操作，将特征值映射到目标值的有效区间，即将每一维度特征线性归一化到[0,1]之间。

3、模型选择及优化：

由于支持向量回归(SVR)方法是机器学习中一种重要的回归学习方法，其基本思想是：给定特定的数据集，存在拟合该数据的多个超平面，寻找最优超平面使得所有的点到超平面的距离最大。具体如图3右图所示，为SVR模型优化后的软margin损失函数，其表达式为：

其中l(y,y’)表示当模型的预测值为y’和样本的真实值为y的时候所导致的损失值，此时预测模型并不关心在决策函数附近的∈区域中的样本，使得样本拟合性能良好，进而这些样本所导致的损失定义为0，只有∈区域外的数据样本会引起损失。如图3左图所示，∈是鲁棒性系数，ξ是松弛变量,即表示每个样本到∈区域边界的距离，由于只有∈区域外的数据样本会引起损失，这两个参数∈、ξ的引入使得模型对样本中的噪声更加鲁棒，从而达到更好的预测性能。

基于此，本发明通过对检测粮情所得大数据进行建模，则有助于储粮工作人员储粮工作中提前预测关于粮食结露的问题，对不良储粮环境做出人工干预。

其次，采用树结构化Parzen估计器优化算法进行优化SVR模型，即采用树结构化估计器优化非线性SVR模型中超参数，找到最优的正则化参数和核函数宽度，进而预测粮堆中不同位置的湿度。

树结构化Parzen估计器优化算法主要是基于历史的结果序列地重建模型，从而近似地估计超参数的性能，具体步骤为：

a)、将归一化特征数据输入到SVR模型中，在已有数据中选择一个损失阈值y*，对于大于该阈值和小于该阈值的数据分别估计两个条件概率密度函数l(x)和g(x)；

b)、根据Expectation Improvement的计算公式寻找使得g(x)/l(x)最小化的值x；

c)、将x再放回特征值中，再重新拟合g(x)和l(x)；

d)、不断极小化比值，直至算法收敛，进而近似地估计超参数的性能。

本发明基于树结构化Parzen估计器模型选择方法实现了参数的随机搜索，相比于通常的网格搜索参数，它的优点在于：它搜索的范围更广，不像网格搜索受限于特定的参数范围，另外，它的搜索更有针对性，它会聚焦于超参数的极小化区域，而网格搜索对所有的网格区域实行无差别的搜索。

4、模型预测：

用寻优得出的最优正则化参数和核函数宽度来设置SVR参数并预测粮堆局部湿度及是否结露。

5、模型分析：

在线性模型中，特征的权重是线性模型中特征的权重系数，如果系数为正，它表示该特征与目标正线性相关，否则该特征与目标负线性相关，并且该系数的绝对值越大，则它对目标值的影响越大。

为验证我们所提出模型的性能，本发明使用现有的数据进行预测，并和真实数据进行比对；本发明的数据集包含粮食初始水分、27个测温测湿点每隔5分钟自动记录的温度和湿度、储藏过程中不同位置粮食的水分含量等特征；表1显示本发明的树结构化Parzen估计器优化SVR算法与SVR算法，线性回归算法之间的比较；

表1

从表1可以看出，在相同的搜索空间中，我们的算法能得到更优的模型参数，性能从0.68提高到0.88，该方法能极大地提高SVR预测模型的性能，有效地提高粮堆局部湿度和结露预测的准确性。

以上所述的实施例仅是对本发明的优选方式进行描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案做出的各种变形和改进，均应落入本发明权利要求书确定的保护范围内。