[发明专利]一种基于深度时间序列的粮堆湿度及结露预测方法

说明书

本发明公开了一种基于深度时间序列的粮堆湿度及结露预测方法，包括：S1.采集粮堆的初始数据，并进行归一化处理，获得目标数据；S2.基于连续时间内的所述目标数据构建第一序列样本点，通过贝叶斯优化选择时间序列的深度学习模型；S3.基于所述时间序列的深度学习模型，通过高斯过程获得所述第一序列样本点的期望改进值的极值点；S4.将所述极大值点作为第二序列样本点，重复S2‑S3，基于贝叶斯优化所述时间序列的深度学习模型预测粮堆局部湿度及判断是否结露。本发明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。

技术领域

本发明属于粮食储藏领域，特别是涉及一种基于深度时间序列的粮堆湿度及结露预测方法。

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，当某处的热气流随着粮堆孔隙内空气的流动碰到冷的粮食时，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。而若不能扦取到结露部位的样品，就无法知道发生了结露，而粮食样品的水分含量的测定又需要大量的人力物力，因此，迫切需要。

发明内容

为实现上述目的，本发明提供了如下方案：一种基于深度时间序列的粮堆湿度及结露预测方法，包括以下步骤：

S1.采集粮堆的初始数据，并进行归一化处理，获得目标数据；

S2.基于连续时间内的所述目标数据构建第一序列样本点，通过贝叶斯优化选择时间序列的深度学习模型；

S3.基于所述时间序列的深度学习模型，通过高斯过程获得所述第一序列样本点的期望改进值的极值点；

S4.将所述极值点作为第二序列样本点，重复S2-S3，基于贝叶斯优化所述时间序列的深度学习模型预测粮堆局部湿度及判断是否结露。

优选地，采集所述粮堆的初始数据至少包括粮堆温度数据、粮堆湿度数据、粮堆水分数据。

优选地，所述归一化处理为将每一维数特征进行归一化，所述归一化处理后还包括预测特征值，将所述预测特征值反归一化操作后映射到目标值的有效区间，获得目标数据。

优选地，所述时间序列的深度学习模型包括长短时记忆网络模型和门并发单元模型。

优选地，所述长短时记忆网络模型包括遗忘门和输入门；

优选地，所述遗忘门用于决定从cell单元中扔掉的信息，所述扔掉的信息用sigmoid函数表示；

优选地，所述输入门用于决定需要更新的数据，tanh函数表示所述cell单元中的信息值。

优选地，所述sigmoid函数和tanh函数定义为：

优选地，所述门并发单元模型通过合并遗忘门和输入门得到更新门，所述更新门通过对旧信息和隐藏单元的值进行加权平均得到隐藏单元的目标更新值；

优选地，所述门并发单元模型还包括重置门，所述重置门用于控制隐藏层中需要保留的信息量。

优选地，所述贝叶斯优化的过程为：

构建初始候选解集合，通过所述高斯过程获得预测点处的均值和方差；基于期望改进函数，通过梯度下降和L-BFGS算法获得改进期望函数的极值作为下次采样点。