[发明专利]一种基于LSTM的冷链监测温湿度数据拟合方法

说明书

本发明公开了一种基于LSTM的冷链监测温湿度数据拟合方法，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缺失值，预测并自动输出修补好的温湿度监测数据。本发明的有益之处在于：充分利用了时间序列数据的周期性特点，基于周期信息通过谱峰值加权填补时间序列缺失值，具有时间序列的个性化特点，并融合了时域技术和频域技术，能够较全面地反映时间序列的缺失值信息。

技术领域

本发明涉及了温湿度监测系统，具体的是一种基于LSTM的冷链监测温湿度数据拟合方法。

背景技术

温湿度监测系统是为了维护仓储商品的质量完好，创造适宜于商品储存的环境，当库内温湿度适宜商品储存时，就要设法防止库外气候对库内的不利影响；当监控到库内温湿度不适宜商品储存时，就要及时采取有效措施调节库内的温湿度。因此，建立实时的温湿度监控系统，保存完整的历史温度数据都已经进入了行业规范。然而，目前的监测仪器普遍存在记录值丢失的现象，完整的监测数据对于分析研究是必不可少的，因此对于监测缺失记录补全的研究也就提上了日程。

缺失值的填补方法众多，概括有：删除法(Deletion)、加权调整法(Weighting)、填补法。删除法与加权调整法都比较简单易行，但是代价是这两种方法给出的填补值信息量较少，偏离真值。填补法是对各种填补措施的概括，常见的填补方法有替代法和建模估计法。回归填补法、热平台填补法和冷平台填补法以及多重填充法。研究的比较多的多重填充法有以下几种：PMM法(Predictive Mean Matching，PMM)、趋势得分法(Propensity Score，PS)、马尔科夫链蒙特卡罗法(Markov Chain Monte Carlo，MCMC)。目前应用于时间序列的新插值方法主要有：抛物线法、牛顿法、分段法等。这些方法直接应用于时间序列数据时存在以下的问题：①多数缺失值填补方法并不是针对时间序列数据设计的，很多方法在应用于时间序列数据研究时受到限制，难以进行。②缺失值的填补方法一般通过简单的替代和删除获得新的样本，但是由于时间的不可逆性导致每个时间点的测量值的不可重现性，致使这种思路在时间序列中是行不通的。③各种缺失值的填补方法对连续型缺失的耐受性比较差；随机型缺失在达到30％以上时一般的填补方法效果不佳。

发明内容

为了克服现有技术中的至少部分缺陷，本发明实施例提供了一种基于LSTM的冷链监测温湿度数据拟合方法，能够对缺失的数据进行预测，并将预测的数据填补到原始数据中。

本申请实施例公开了：一种基于LSTM的冷链监测温湿度数据拟合方法，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。

进一步地，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。

进一步地，所述LSTM结构，由输入门、遗忘门、输出门，记忆单元组成，其中：