[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

权利要求书

1.一种基于深度时间序列的粮堆湿度及结露预测方法,其特征在于，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。

2.根据权利要求1所述的一种基于深度时间序列的粮堆湿度及结露预测方法，其特征在于，

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。

3.根据权利要求1所述的一种基于深度时间序列的粮堆湿度及结露预测方法，其特征在于，

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。

4.根据权利要求1所述的一种基于深度时间序列的粮堆湿度及结露预测方法，其特征在于，

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。

5.根据权利要求4所述的一种基于深度时间序列的粮堆湿度及结露预测方法，其特征在于，

所述长短时记忆网络模型包括遗忘门和输入门；

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；

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。

6.根据权利要求5所述的一种基于深度时间序列的粮堆湿度及结露预测方法，其特征在于，

所述sigmoid函数和tanh函数定义为：

7.根据权利要求4所述的一种基于深度时间序列的粮堆湿度及结露预测方法，其特征在于，

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；

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。

8.根据权利要求1所述的一种基于深度时间序列的粮堆湿度及结露预测方法，其特征在于，

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。

9.根据权利要求8所述的一种基于深度时间序列的粮堆湿度及结露预测方法，其特征在于，

所述期望改进函数为：其中，表示到目前为止采集的n个点处的极大值，如果下一个点处的值大于目前的最大值，则更新为f(x)。