CN117272829A - 一种基于mc-gru的冷链温度预测方法 - Google Patents

Abstract

本发明公开了一种基于MC‑GRU的冷链温度预测方法，包括以下步骤：步骤1、获取冷链运输车厢环境的历史温度数据，并对数据进行预处理，然后划分训练集和测试集；步骤2、建立基于多通道门控循环单元的温度预测模型；步骤3、对基于多通道门控循环单元温度预测模型进行训练；步骤4、测试基于多通道门控循环单元温度预测模型效果。本发明将GRU模型作为基础模块，通过定义多个GRU模型作为辅助网络，并逐渐减小每个GRU模型的时间步长，可以同时捕获冷链车厢温度短期模式与较长期模式的特征，避免较长期解释变量由于信息传递增加的预测误差，从而改善冷链车厢温度的预测精度。

Description

一种基于MC-GRU的冷链温度预测方法

技术领域

本发明属于冷链物流技术领域，采用监督算法和基于时间序列预测技术，具体涉及一种基于MC-GRU的冷链温度预测方法。

背景技术

适宜的厢内温度是保证冷藏货物维持良好品质的基础。传统的冷链运输仅仅是在冷藏车到达目的地时测量食物的即时温度，而在冷链运输过程中，无法及时获取食物所处的环境状态，当食品处于高于最适温度的环境中时，会导致细菌等微生物的滋长，以致食品的品质和安全受到严重影响；而处于低于最适温度的环境中，又会增加不必要的能耗。因此需要对冷链运输环境变化进行提前预测。掌握冷链环境变化规律，能有效对冷链运输环境进行管理，通过监测数据分析冷藏环境的状态，预测冷藏车厢内环境的变化趋势，进行及时警报提醒，可以降低发生事故的概率，保证所运货物的品质和减少能源消耗，对提升我国冷链物流水平具有重要意义。

冷链环境变化具有时序性、不稳定性、非线性的特点，且受多种因素影响。传统的靠传感器实时监测数据来决定制冷机组运行状态，其数据采集的反馈与调控措施的生效都存在滞后性，无法对环境因子的变化趋势做出预判，致使冷藏车厢内的环境状态低于临界状态时才进行补救，常造成经济损失。而深度学习具有非线性、自适应、结构简单等特点，能够很好的完善传统预测方式的不足。

公开号为CN114004164A的专利申请公开了一种用于控制的电机转子温度预测方法，以电机实际运行中产生的数据进行建模，将更多不确定因素考虑到时序数据之中，得到的模型具有更强的鲁棒性和适应性。但是长短期记忆网络训练速度慢并且不能并行，模型的预测速度不高，又由于长短期记忆网络的结构限制，无法提取较长时间序列中的特征。

发明内容

本发明的目的在于克服现有技术的不足，提供一种通过定义多个GRU模型作为辅助网络，并逐渐减小每个GRU模型的时间步长，可以同时捕获冷链车厢温度短期模式与较长期模式的特征，避免较长期解释变量由于信息传递增加的预测误差的基于MC-GRU的冷链温度预测方法。

本发明的目的是通过以下技术方案来实现的：一种基于MC-GRU的冷链温度预测方法，包括以下步骤：

步骤1、获取冷链运输车厢环境的历史温度数据，并对数据进行预处理，然后划分训练集和测试集；具体步骤如下：

步骤1.1、使用温度传感器采集冷链运输车厢的第一特征数据TH₁，包括温度传感器编号、采集点位置、环境温度数据、采集的时间序列；

步骤1.2、对第一特征数据进行处理，去除重复数据后获得第二特征数据TH₂，包括采集的时间序列、环境温度数据；若缺失大量连续的传感器数据，无法对数据进行补充，则直接丢弃该段数据；若仅仅单点传感器数据缺失或者单个时间间隔的数据缺失，则采用线性插值的方法对数据进行修复；线性插值的公式为：

其中x_a+i为需填补的a+i时刻缺失的数据，x_a、x_a+j分别为a和a+j时刻的原始传感器数据，皆是a+i相邻时刻的有效数据值；

步骤1.3、将步骤1.2获得的时间序列与温度数据对应起来，时间作为温度数据的标签；分别获取每天、每周和每月的温度数据及其标签，并对温度数据进行归一化处理，得到第三特征数据TH₃，作为训练集；

步骤1.4、将第三特征数据TH₃划分训练集和测试集；

步骤2、建立基于多通道门控循环单元温度的预测模型；

步骤3、对基于多通道门控循环单元温度预测模型进行训练。

步骤4、测试基于多通道门控循环单元温度预测模型效果；具体步骤如下：

步骤4.1、验证模型的性能，将步骤1中的测试集作为输入数据，输入模型得到预测结果；

步骤4.2、将模型预测的结果与真实的温度进行比较，采用以下四个指标来评价模型的性能：均方根误差，平均绝对误差，均方误差，决定系数，若四个指标满足预设的要求则结束训练，得到最终的预测模型，否则调整预测模型的参数重新进行训练。

所述步骤2具体方法如下：基于多通道门控循环单元的温度预测模型包括多个门控循环单元和全连接层；定义多个门控循环单元作为辅助网络，并逐渐减小每个门控循环单元的时间步长；将所有门控循环单元的预测值作为全连接层的输入，将全连接层的输出作为最终预测结果；

门控循环单元的结构如下：

重置门r_t控制前一时刻多少信息能够被保留到当前时刻的候选状态中，将当前时刻的输入和前一个时刻的隐藏状态传给sigmoid函数，计算公式为：

r_t＝σ(W_r·[h_t-1,x_t]+b_r)

其中，σ()代表sigmoid激活函数，W_r为重置门对应的权值参数，x_t表示t时刻的输入，h_t-1表示t-1时刻的隐藏状态，b_r为偏置项；

更新门z_t的作用是过滤一部分上一时刻隐藏状态的信息，保留有用信息，计算公式为：

z_t＝σ(W_z·[h_t-1,x_t]+b_r)

其中，W_z表示更新门对应的权值参数，x_t表示t时刻的输入，h_t-1表示t-1时刻的隐藏状态；

当前时刻的候选状态h_t是由上一时刻的隐藏状态h_t-1与重置门r_t进行矩阵逐点相乘，并与当前时刻输入x_t经过tanh激活函数转化而来，计算公式为：

h_t＝tanh(W_h·[r_t*h_t-1,x_t]+b_h)

其中，tanh()代表tanh激活函数，W_h表示候选隐藏层的的权值参数，b_h为偏置项；

当前时刻的隐藏状态h_t是由上一时刻的隐藏状态h_t-1和当前时刻的候选状态h_t分别经过更新门z_t作用后，计算公式为：

h_t＝(1-z_t)*h_t-1+z_t*h_t

将h_t作为温度预测值，输入全连接层。

所述步骤3具体步骤如下：

步骤3.1、根据步骤1中的训练集的大小与结构，初步设定模型训练次数、批次数和学习率等模型训练参数；

步骤3.2、将训练集作为输入数据，对基于多通道门控循环单元温度预测模型进行训练。

本发明的有益效果是：本发明使用深度神经网络模型可以大规模提取特征间的关联关系，将GRU模型作为基础模块，通过定义多个GRU模型作为辅助网络，并逐渐减小每个GRU模型的时间步长，可以同时捕获冷链车厢温度短期模式与较长期模式的特征，避免较长期解释变量由于信息传递增加的预测误差，从而改善冷链车厢温度的预测精度。本发明对扩展深度学习在冷链温度预测的应用具有技术支撑作用。

附图说明

图1为本发明的基于MC-GRU的冷链温度预测方法的流程图；

图2为本发明的基于多通道门控循环单元的温度预测模型结构示意图；

图3为本发明的门控循环单元的结构图。

具体实施方式

下面结合附图进一步说明本发明的技术方案。

如图1所示，本发明的一种基于MC-GRU的冷链温度预测方法，包括以下步骤：

步骤1、获取冷链运输车厢环境的历史温度数据，并对数据进行预处理，然后划分训练集和测试集；具体步骤如下：

步骤1.1、使用温度传感器采集冷链运输车厢的第一特征数据TH₁，包括温度传感器编号、采集点位置、环境温度数据、采集的时间序列；

步骤1.2、对第一特征数据进行处理，去除重复数据后获得第二特征数据TH₂，包括采集的时间序列、环境温度数据；若缺失大量连续的传感器数据，无法对数据进行补充，则直接丢弃该段数据；若仅仅单点传感器数据缺失或者单个时间间隔的数据缺失，则采用线性插值的方法对数据进行修复；线性插值的公式为：

其中x_a+i为需填补的a+i时刻缺失的数据，x_a、x_a+j分别为a和a+j时刻的原始传感器数据，皆是a+i相邻时刻的有效数据值；

步骤1.3、将步骤1.2获得的时间序列与温度数据对应起来，时间作为温度数据的标签；分别获取每天、每周和每月的温度数据及其标签，并对温度数据进行归一化处理，得到第三特征数据TH₃，作为训练集；

为了保证神经网络训练过程中的快速收敛与精度，需要对每个时间序列特征进行标准化处理。在预处理过程中，具体地是采用最小值-最大值归一化方法，将时间序列归一化到[0,1]。最小值-最大值归一化的计算公式如下所示：

其中x_norm指归一化后的数据，x指当前需要归一化的特征序列，x_min和x_max表示当前特征序列中的最大值和最小值。

归一化后的数据值还需要在进行训练后得出预测值时，进行反归一化操作，反归一化的公式如下所示：

x_real＝(x_max-x_min)·x_pnorm+x_min

其中x_real指预测值经过反归一化后的真实量纲数据，x_pnorm为归一化的评估值，x_min和x_max表示当前特征序列中的最大值和最小值。

步骤1.4、将第三特征数据TH3按一定的比例划分训练集和测试集，具体划分比例可由用户自行确定；

步骤2、建立基于多通道门控循环单元(Multichannel Gated Recurrent Units，MC-GRU)的温度预测模型；具体方法如下：基于多通道门控循环单元的温度预测模型包括多个门控循环单元和全连接层，如图2所示；传统的GRU模型在建立每个时间步长的单元与车厢温度的变化关系时，较长期时间步长的单元随着信息的不断传递，使更多表征较短期时间步长的单元无法确准表征与冷链车厢温度的变化关系，导致预测模型捕获解释变量的自相关性逐渐降低，从而增加了预测结果的不确定性。因此，定义多个门控循环单元作为辅助网络，并逐渐减小每个门控循环单元的时间步长(图2中带圆的方框中的圆逐渐减少代表逐渐减小GRU模型时间步长，可以在GRU里直接设置时间步长)；将所有门控循环单元的预测值作为全连接层的输入，能够增强预测值和不同历史时刻温度的相关性，避免较长期解释变量由于信息传递导致预测模型误差的增加，从而改善冷链车厢温度的预测精度；将全连接层的输出作为最终预测结果；

门控循环单元(Gated Recurrent Unit，GRU)作为LSTM的一个变种网络，同样可以增强长时间序列信息之间的长期依赖关系，GRU与LSTM相比减少了一个门控，具有更简单的网络结构，包含重置门和更新门，通过隐藏状态进行信息传递，模型网络参数较少，降低了模型的计算复杂度。图3为门控循环单元(Gated Recurrent Unit,GRU)的一个计算单元的结构图，其结构如下：

重置门r_t控制前一时刻多少信息能够被保留到当前时刻的候选状态中，将当前时刻的输入和前一个时刻的隐藏状态传给sigmoid函数，计算公式为：

r_t＝σ(W_r·[h_t-1,x_t]+b_r)

其中，σ()代表sigmoid激活函数，W_r为重置门对应的权值参数，x_t表示t时刻的输入，h_t-1表示t-1时刻的隐藏状态，b_r为偏置项；

更新门z_t的作用是过滤一部分上一时刻隐藏状态的信息，保留有用信息，计算公式为：

z_t＝σ(W_z·[h_t-1,x_t]+b_r)

其中，W_z表示更新门对应的权值参数，x_t表示t时刻的输入，h_t-1表示t-1时刻的隐藏状态；

当前时刻的候选状态h_t是由上一时刻的隐藏状态h_t-1与重置门r_t进行矩阵逐点相乘，并与当前时刻输入x_t经过tanh激活函数转化而来，计算公式为：

h_t＝tanh(W_h·[r_t*h_t-1,x_t]+b_h)

其中，tanh()代表tanh激活函数，W_h表示候选隐藏层的的权值参数，b_h为偏置项；

当前时刻的隐藏状态h_t是由上一时刻的隐藏状态h_t-1和当前时刻的候选状态h_t分别经过更新门z_t作用后，计算公式为：

h_t＝(1-z_t)*h_t-1+z_t*h_t

将h_t作为温度预测值，输入全连接层。

步骤3、对基于多通道门控循环单元温度预测模型进行训练；具体步骤如下：

步骤3.1、根据步骤1中的训练集的大小与结构，初步设定模型训练次数、批次数和学习率等模型训练参数；

具体地，MC-GRU模型采用自适应矩估计(Adaptive moment estimation,Adam)优化器。Adam优化器的优势在于它使用梯度的二阶矩阵信息，可以更快地收敛到局部最优，并且根据预测模型的参数自适应地调整学习率。同时，当参数收敛到最优值时，可以帮助预测模型以微小的梯度更新参数。对于MC-GRU预测模型的最优目标函数，应用均方误差函数定义MC-GRU模型的最优目标函数：

其中N表示样本数，y(t)表示冷链车厢温度的实际值，y_MC-GRU(t)是MC-GRU模型在时间步长t的输出。

同时，学习率是温度预测模型中的一个重要参数，会影响模型的预测性能。大量的实验证明，较大的学习率会导致模型在训练过程中容易陷入局部最优解；相反，较小的学习率会影响模型收敛速度，难以达到全局最优。为了解决这个问题，对Adam应用指数衰减学习率的方法来提高其收敛速度，如下：

learn_i＝learn₀×decay^i/step

其中，learn₀表示初始学习率，i是迭代次数，learn_i为迭代i次的学习率，decay是衰减速度。当step设置为100，decay设置为0.96时，即模型每迭代100次，初始学习率降低0.96倍。

步骤3.2、将训练集作为输入数据，对基于多通道门控循环单元温度预测模型进行训练。

步骤4、测试基于多通道门控循环单元温度预测模型效果；具体步骤如下：

步骤4.1、验证模型的性能，将步骤1中的测试集作为输入数据，输入模型得到预测结果。

步骤4.2、将模型预测的结果与真实的温度进行比较，采用以下四个指标来评价模型的性能：均方根误差(Root Mean Square Error,RMSE)，平均绝对误差(Mean AbsoluteError,MAE)，均方误差(Mean Square Error,MSE)，决定系数(R-Square,R²)，若四个指标满足预设的要求则结束训练，得到最终的预测模型，否则调整预测模型的参数重新进行训练。

具体地，四个指标的计算公式如下：

其中，和y_i分别表示温度的预测值和真实值；N表示测试样本的总数；/>表示温度真实值的平均值。RMSE，MAE和MSE的值越接近于0，R²的值越接近于1，表示模型的性能越好。

本发明建立了一种基于MC-GRU的冷链温度预测方法，通过传统的GRU网络作为基础网络提取冷链温度短期模式的特征，辅助网络由不同时间步长的GRU模型组成以捕获冷链温度较长期模式的特征，并将冷链温度不同时期模式的特征融合作为整个网络模型的特征。将历史时刻的冷链温度数据输入到MC-GRU的模型中学习冷链温度周期性变化的模式，增强过去解释变量之间的相关性，从而提高预测模型的准确性。本模型既发挥了GRU网络参数较少，计算复杂度低的优点，同时解决了模型捕获解释变量的自相关性逐渐降低的问题，进而提高了冷链车厢温度预测的准确性。本发明提出的模型为冷链温度预测提供了一种新的思路，可满足实际应用的需要。

本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。

Claims (3)

1.一种基于MC-GRU的冷链温度预测方法，其特征在于，包括以下步骤：

步骤1、获取冷链运输车厢环境的历史温度数据，并对数据进行预处理，然后划分训练集和测试集；具体步骤如下：

步骤1.1、使用温度传感器采集冷链运输车厢的第一特征数据TH₁，包括温度传感器编号、采集点位置、环境温度数据、采集的时间序列；

步骤1.2、对第一特征数据进行处理，去除重复数据后获得第二特征数据TH₂，包括采集的时间序列、环境温度数据；若缺失大量连续的传感器数据，无法对数据进行补充，则直接丢弃该段数据；若仅仅单点传感器数据缺失或者单个时间间隔的数据缺失，则采用线性插值的方法对数据进行修复；线性插值的公式为：

其中x_a+i为需填补的a+i时刻缺失的数据，x_a、x_a+j分别为a和a+j时刻的原始传感器数据，皆是a+i相邻时刻的有效数据值；

步骤1.3、将步骤1.2获得的时间序列与温度数据对应起来，时间作为温度数据的标签；分别获取每天、每周和每月的温度数据及其标签，并对温度数据进行归一化处理，得到第三特征数据TH₃，作为训练集；

步骤1.4、将第三特征数据TH₃划分训练集和测试集；

步骤2、建立基于多通道门控循环单元的温度预测模型；

步骤3、对基于多通道门控循环单元温度预测模型进行训练；

步骤4、测试基于多通道门控循环单元温度预测模型效果；具体步骤如下：

步骤4.1、验证模型的性能，将步骤1中的测试集作为输入数据，输入模型得到预测结果；

步骤4.2、将模型预测的结果与真实的温度进行比较，采用以下四个指标来评价模型的性能：均方根误差，平均绝对误差，均方误差，决定系数，若四个指标满足预设的要求则结束训练，得到最终的预测模型，否则调整预测模型的参数重新进行训练。

2.根据权利要求1所述的基于MC-GRU的冷链温度预测方法，其特征在于，所述步骤2具体方法如下：基于多通道门控循环单元的温度预测模型包括多个门控循环单元和全连接层；定义多个门控循环单元作为辅助网络，并逐渐减小每个门控循环单元的时间步长；将所有门控循环单元的预测值作为全连接层的输入，将全连接层的输出作为最终预测结果；

门控循环单元的结构如下：

重置门r_t控制前一时刻多少信息能够被保留到当前时刻的候选状态中，将当前时刻的输入和前一个时刻的隐藏状态传给sigmoid函数，计算公式为：

r_t＝σ(W_r·[h_t-1,x_t]+b_r)

其中，σ()代表sigmoid激活函数，W_r为重置门对应的权值参数，x_t表示t时刻的输入，h_t-1表示t-1时刻的隐藏状态，b_r为偏置项；

更新门z_t的作用是过滤一部分上一时刻隐藏状态的信息，保留有用信息，计算公式为：

z_t＝σ(W_z•[h_t-1,x_t]+b_r)

其中，W_z表示更新门对应的权值参数，x_t表示t时刻的输入，h_t-1表示t-1时刻的隐藏状态；

当前时刻的候选状态h_t是由上一时刻的隐藏状态h_t-1与重置门r_t进行矩阵逐点相乘，并与当前时刻输入x_t经过tanh激活函数转化而来，计算公式为：

h_t＝tanh(W_h·[r_t*h_t-1,x_t]+b_h)

其中，tanh()代表tanh激活函数，W_h表示候选隐藏层的的权值参数，b_h为偏置项；

当前时刻的隐藏状态h_t是由上一时刻的隐藏状态h_t-1和当前时刻的候选状态h_t分别经过更新门z_t作用后，计算公式为：

h_t＝(1-z_t)*h_t-1+z_t*h_t

将h_t作为温度预测值，输入全连接层。

3.根据权利要求1所述的基于MC-GRU的冷链温度预测方法，其特征在于，所述步骤3具体步骤如下：

步骤3.1、根据步骤1中的训练集的大小与结构，初步设定模型训练次数、批次数和学习率；

步骤3.2、将训练集作为输入数据，对基于多通道门控循环单元温度预测模型进行训练。