[发明专利]一种粮食库健康状况预测方法，存储设备及服务器

权利要求书

1.一种粮食库健康状况预测方法，其特征在于，包括以下步骤，

S1定时采集粮库传感器的数据，将需要采集的参数定义为特征，所述特征包括，储粮大气温度、储粮仓房内温度、储粮粮堆平均温度、空气湿度、粮食含水量，建立特征元素子集F＝[X₁,X₂,X₃,......,X_n]，其中n代表编入的特征的数量，对应特征子集的维度；

S2对特征元素子集导入时间参数，组成时刻对应特征子集并以一定时间段内的特征子集组成学习样本X＝[f₁,f₂,f₃,......,F_t]^T,t表示时刻，T表示时间段；

S3对建立的样本打标签，每个特征子集对应一个分值标签y，其中y∈[0,100],分数越高，表示粮食库健康分越高，建立粮食库健康状况数据集；

S4建立基于卷积神经网络和递归神经网络的混合深度学习预测模型；

S5将数据集分为训练集和测试集，利用训练集集训练预测模型，预测实验为，隐去测试集样本的最后几个时刻的Ft，利用模型进行预测；

S6采用强化学习算法对预测模型进行优化。

2.如权利要求1所述的一种粮食库健康状况预测方法，其特征在于，预测模型的训练采用时间递步特征提取方法。

3.如权利要求1所述的一种粮食库健康状况预测方法，其特征在于，预测模型读取一次提取四个时刻和四个时刻的特征，并对时间方向进行扩充，将数据自动向下复制一个时刻，其特征选取第四个时刻的特征数据，对应标签取下一个时刻的标签。

4.如权利要求1所述的一种利用深度强化学习对粮食库健康状况进行预测的方法，其特征在于，所述强化学习算法包括设置奖励函数，首先建立能够判断预测水平的价值函数，以预测数值与真实输出的差异大小，作为衡量预测结果的好坏标准，设置基于差异大小的范围，所述基于差异大小的范围定义为可信范围，在可信范围内的给予奖励，反之给予处罚，在前期训练中，将输入与预测周期设置较短，提高反馈次数，加速优化模型，后续延长输入更新周期。

5.一种存储设备，其中存储有多条指令，所述指令适于由处理器加载并执行：

S1定时采集粮库传感器的数据，将需要采集的参数定义为特征，所述特征包括，储粮大气温度、储粮仓房内温度、储粮粮堆平均温度、空气湿度、粮食含水量，建立特征元素子集F＝[X₁,X₂,X₃,......,X_n]，其中n代表编入的特征的数量，对应特征子集的维度；

S2对特征元素子集导入时间参数，组成时刻对应特征子集并以一定时间段内的特征子集组成学习样本X＝[F₁,F₂,F₃,......,F_t]^T,t表示时刻，T表示时间段；

S3对建立的样本打标签，每个特征子集对应一个分值标签y，其中y∈[0,100],分数越高，表示粮食库健康分越高，建立粮食库健康状况数据集；

S4建立基于卷积神经网络和递归神经网络的混合深度学习预测模型；

S5将数据集分为训练集和测试集，利用训练集集训练预测模型，预测实验为，隐去测试集样本的最后几个时刻的Ft，利用模型进行预测；

S6采用强化学习算法对预测模型进行优化。