[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

说明书

本发明采用深度强化学习技术，将粮食库的状况检测与健康情况预测前一周期的预测结果与采集到真实结果进行比较，以差距的大小区间设置奖励或者惩罚，模型为了得到奖励，会修正自身以保持预测结果在设置好的奖励区间内，实现对粮食库数据的可靠预测。本发明具备一般非线性模型的预测能力强的优点，结合了强化学习的环境反馈能力，将这种能力应用在对未来一定周期的数据预测反馈上，提高了一定周期的粮食库状况检测与健康情况预测数据的高度可靠度。

技术领域

本发明涉及粮食库存领域，具体涉及一种粮食库健康状况预测方法，存储设备及服务器。

背景技术

粮食是国民赖以生存的必需品，做好粮食的储藏，对于促进社会的和谐与稳定，有着积极的推动作用。而到目前为止，我国存在的大部分粮食储备仓都存在粮食变质的问题，现有技术中对粮食库健康状况只能动态监测但预测能力不足，对粮食库的内部状态不能进行健康分析和风险报警，不能做到防患于未然。

目前对粮食库的状况检测与健康情况预测，能实现检测，但对未来的健康情况预测能力有限。对于一般的预测模型，能使用以往真实数据建立模型，然后应用在数据预测上。这种模型的主要缺点为：不具备与真实环境交汇，接受反馈与学习的能力。对未来数据因为某个原因做出了误判，在真实状况得到数据，修正预测结果之后，在未来仍然可能因为同样原因产生错误，不具备学习能力。

发明内容

本发明要解决的技术问题是，现有技术中对粮食库健康状况只能动态监测但预测能力不足。

本发明提供一种粮食库健康状况预测方法，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。

进一步的，预测模型的训练采用时间递步特征提取方法。

进一步的，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。

进一步的，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。

本发明还提供一种存储设备，其中存储有多条指令，所述指令适于由处理器加载并执行：