[发明专利]一种基于LSTM的冷链监测温湿度数据拟合方法

权利要求书

1.一种基于LSTM的冷链监测温湿度数据拟合方法，其特征在于，包括以下步骤：

数据采集，监测站点获取实时周期性测点数据；

数据预处理，将实时周期性测点数据转化时序数据；

构建模型并训练，将经过预处理的数据作为训练数据集，输入LSTM神经网络模型，对LSTM神经网络模型进行训练，获得训练好的预测模型；

缺失值自动填补，将需要修补的原始数据输入到预测模型，预测模型通过测点时间间隔异常值找到需要缺失值，预测并自动输出修补好的温湿度监测数据。

2.根据权利要求1所述的基于LSTM的冷链监测温湿度数据拟合方法，其特征在于，所述LSTM模型，包括输入层、输出层和隐藏层，其中：

所述输入层用于对原始的温湿度数据进行结构调整以满足训练要求；

所述隐藏层用于使用了LSTM结构用于提取不同层面输入数据的特征；

所述输出层用于提供温湿度预测的结果。

3.根据权利要求2所述的基于LSTM的冷链监测温湿度数据拟合方法，其特征在于，所述LSTM结构，由输入门、遗忘门、输出门，记忆单元组成，其中：

所述输入门用于在产生新记忆之前，判定一下当前看到的信息更新多少；

所述遗忘门用于根据过去记忆单元对当前记忆单元的计算是否有用，并进行信息筛选；

所述记忆单元用于记录到当前时刻为止的所有历史信息；

输出门用于从隐层状态分离最终的记忆。

4.根据权利要求1所述的基于LSTM的冷链监测温湿度数据拟合方法，其特征在于，所述构建模型并训练还包括：

S1、定义初始的温湿度时间序列数据：

a＝(a1，a2，…，an)，

其中a1＝(a11，a12)，a11代表温度数据，a12代表湿度数据，

然后，按照9∶1的比例划分的训练集和测试集，

atr＝(a1，a2，…，am)，

ate＝(am+1，am+2，…，an)，

其中，atr为训练集，ate为测试集，满足约束条件m＜n和m，n∈N；

S2、对训练集中的进行标标准化处理，采用经典的min-max标准化公式，标准化后的训练集a_tr'和测试集a_te'表示为：

a_tr'＝(a₁'，a₂'，…，a_m')

a_te'＝(a_m+1'，a_m+2'，…，a_n')

a_t'＝(a_t－min∑a_t)/(max∑a_t－min∑a_t)

其中：1≤t≤m，t∈N；

S3、构建短时间输入序列使其适应隐藏层的特点，通过固定步长来确定时间序列的长度，并对atr'进行处理，设固定步长取值为L，则模型输入为：

X＝(X1，X2，…，Xm－L)，

Xf＝(af'，af+1'，…，af+L－1')，

满足：1≤f≤m－L，fL∈N；

S4、将X输入隐藏层，隐藏层由m－L个LSTM结构组成，每个LSTM结构内含L个LSTM单元，其工作原理是根据L个输入数据预测第L+1个数据并将其输出，其工作过程如下式所示，

Pf＝LSTMpredict(Xf，Cfl，Hfl)，

P＝(P1，P2，…，Pm－L)，

其中：Pf表示利用第f组温湿度数据中的L个温湿度数据预测的第L+1个数据，也是f+1组温湿度数据中的第一个数据；Cf－1和Hf－1分别为第f个LSTM结构中内含的第L个LSTM细胞的状态和输出；P表示模型的输出；

S5、计算隐藏层的输出，

Y＝(aL+1'，aL+2'，…，am')，

其中，Y表示隐藏层的输出；

S6、确定损失函数，选用均绝对值误差作为误差计算公式，训练过程的损失函数定义为：

其中，loss表示损失函数的损失值。