基于TCN-BiGRU結(jié)合自注意力機(jī)制的儲糧溫度預(yù)測研究

摘要：糧食倉儲管理對于國家具有重要意義，儲糧溫度是判斷糧食倉儲安全的重要指標(biāo)之一。準(zhǔn)確地預(yù)測儲糧溫度并及時做出相應(yīng)的防護(hù)措施能夠有效降低糧食倉儲損耗。針對傳統(tǒng)儲糧溫度預(yù)測模型預(yù)測準(zhǔn)確度較低的問題，提出一種融合時域卷積網(wǎng)絡(luò)（TCN）、自注意力機(jī)制（Self-Attention）和雙向門控循環(huán)單元（BiGRU）的網(wǎng)絡(luò)模型。首先通過TCN提取儲糧溫度數(shù)據(jù)的局部特征，并根據(jù)儲糧溫度數(shù)據(jù)的時序特征將自注意力機(jī)制加入網(wǎng)絡(luò)為不同糧情特征分配權(quán)重，突出對儲糧溫度預(yù)測影響更大的特征，之后利用BiGRU網(wǎng)絡(luò)學(xué)習(xí)糧情序列的雙向依賴關(guān)系來獲取序列中的更多信息，實(shí)現(xiàn)對儲糧溫度的預(yù)測。結(jié)果表明，所提出的模型均方根誤差RMSE為0.389 5，平均絕對誤差MAE為0.328 1，確定系數(shù)R²為0.991 2，與其他模型相比誤差小，預(yù)測精度高，能夠?yàn)榧Z倉的溫度管控提供決策依據(jù)。

關(guān)鍵詞：儲糧溫度預(yù)測；時域卷積網(wǎng)絡(luò)；自注意力機(jī)制；門控循環(huán)單元網(wǎng)絡(luò)

中圖分類號：S379; TP183

文獻(xiàn)標(biāo)識碼：A

文章編號：2095-5553（2024）12-0133-07收稿日期：2024年6月18日

修回日期：2024年8月15日

*基金項(xiàng)目：國家重點(diǎn)研發(fā)計劃（2022YFD2100202）；河南省高等學(xué)校重點(diǎn)科研項(xiàng)目計劃（24A520013）

第一作者：祝玉華，女，1964年生，山東菏澤人，博士，教授；研究方向?yàn)榧Z食信息化等。E-mail：yhzhu@haut.edu.cn

Research on temperature prediction of grain storage based on TCN-BiGRU combined with self-attention mechanism

Zhu Yuhua^{1， 2}， Zhang Yuhan^{1， 2}， Li Zhihui^{1， 2}， Zhen Tong^{1， 2}

（1. College of Information Science and Engineering， Henan University of Technology， Zhengzhou， 450001， China;2. Key Laboratory of Ministry of Education Grain Information Processing and Control， Henan University of Technology， Zhengzhou， 450001， China）

Abstract： Efficient grain storage management is of great significance to the country， and grain storage temperature is one of the key indicators to judge grain storage security. Accurately predicting the temperature of stored grain and making timely and appropriate protective measures can effectively reduce grain storage losses. In order to address the limitations of traditional prediction models， this paper introduces a novel network model integrating a time-domain convolutional network （TCN）， a self-attention mechanism， and a bi-directional gated recursive unit （BiGRU）. First of all， the local features of grain storage temperature data are obtained by TCN， and the Self-Attention mechanism is incorporated into the network according to the temporal characteristics of grain storage temperature to assign weights to different grain features， highlighting the features that have a greater impact on the prediction of grain storage temperature. In addition， BiGRU network is used to learn the bi-directional dependency of grain condition sequences to obtain more information in the sequences and achieve the prediction of grain storage temperature. The experimental results show that the RMSE of the model is 0.389 5， the MAE is 0.328 1， and the R² is 0.991 2. Compared with other models， the proposed method reduces the error and improves the prediction accuracy， thus providing a solid foundation for decision-making in grain storage temperature control.

Keywords： grain storage temperature prediction; time-domain convolutional network （TCN）; self-attention mechanism; gated recursive unit （ GRU）

0 引言

糧食事關(guān)民生國計，我國糧食產(chǎn)量每年都在不斷增長，但糧食在儲存過程中的損耗問題也一直存在，如何降低糧食的損耗量是亟待解決的問題^［1］。影響糧食儲藏過程的糧情信息主要包括溫度、濕度、水分、霉菌、二氧化碳以及儲糧害蟲等，儲糧溫度是其中最重要的影響因素。溫度的升高會引起糧堆內(nèi)出現(xiàn)蟲害和霉變，并且會加速糧食呼吸作用等生命活動過程，從而導(dǎo)致糧食品質(zhì)劣化和損失，影響儲糧安全工作^{［2， 3］}。因此，如果能提前發(fā)現(xiàn)問題，就能夠及時采取措施減少損失。儲糧溫度是判斷儲糧環(huán)境安全的重要指標(biāo)，預(yù)測儲糧溫度的變化對于儲糧安全的監(jiān)測和預(yù)警至關(guān)重要^［4］。通過預(yù)測能夠提前得知儲糧溫度，當(dāng)溫度出現(xiàn)異常值時，糧倉作業(yè)人員能夠及時采取通風(fēng)、熏蒸等防護(hù)措施，控制蟲害和霉變的發(fā)生從而減少糧食倉儲損耗。然而，糧倉傳統(tǒng)的糧食信息化監(jiān)測系統(tǒng)主要靠傳感器或光纖進(jìn)行倉內(nèi)溫度、濕度數(shù)據(jù)的實(shí)時采集和監(jiān)測，缺乏對儲糧溫度變化趨勢的精準(zhǔn)預(yù)測^［5］。并且，傳統(tǒng)的儲糧溫度預(yù)測通常采用數(shù)值模擬或建立數(shù)學(xué)模型的方法，但由于糧堆溫度受到多個影響因素的耦合作用，預(yù)測糧堆溫度時難以精確獲得與其他各因素間復(fù)雜的非線性關(guān)系。

近年來，隨著人工智能技術(shù)的不斷發(fā)展，神經(jīng)網(wǎng)絡(luò)在儲糧溫度預(yù)測方面得到了廣泛的應(yīng)用^［6］。高松等^［7］結(jié)合主成分分析和BP神經(jīng)網(wǎng)絡(luò)進(jìn)行糧溫預(yù)測，但BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)簡單，不能有效提取數(shù)據(jù)的時序特征，預(yù)測結(jié)果存在較大差異。馮鴻超^［8］提出基于長短期記憶網(wǎng)絡(luò)（Long Short-term Memory， LSTM）的儲糧溫度預(yù)測模型解決了傳統(tǒng)方法中網(wǎng)絡(luò)模型提取糧情特征困難的問題，但該模型具有收斂速度較慢的缺點(diǎn)，并且當(dāng)輸入數(shù)據(jù)變多和輸出數(shù)據(jù)變長時，容易出現(xiàn)梯度消失和梯度爆炸等問題。蔣思瑋等^［9］提出改進(jìn)粒子群優(yōu)化門控循環(huán)單元（Gated Recurrent Unit， GRU）網(wǎng)絡(luò)的儲糧溫度預(yù)測方法具有更快的收斂速度，但未能充分考慮數(shù)據(jù)的所有信息，具有一定的局限性。雙向門控循環(huán)單元網(wǎng)絡(luò)（Bi-directional Gated Recurrent， BiGRU）在GRU的基礎(chǔ)上進(jìn)行改進(jìn)從而在時間序列的預(yù)測方面具有一定的優(yōu)勢，但對于糧情多維數(shù)據(jù)的預(yù)測存在局限性。自注意力機(jī)制（Self-Attention）被引入儲糧溫度多維數(shù)據(jù)預(yù)測任務(wù)中以解決時間序列信息未被充分挖掘的問題^［10］。時域卷積網(wǎng)絡(luò)（Temporal Convolutional Network， TCN）具有良好的特征提取和時間建模能力，但特征提取能力有限^［11］。為了克服這些單獨(dú)模型的局限性，越來越多的混合模型被應(yīng)用到各個領(lǐng)域。

為準(zhǔn)確預(yù)測儲糧溫度進(jìn)而減少糧食損耗，本文構(gòu)建一種基于TCN-BiGRU結(jié)合自注意力機(jī)制（Self-Attention）的模型融合算法來實(shí)現(xiàn)對儲糧溫度的預(yù)測。通過TCN提取儲糧溫度數(shù)據(jù)的局部特征，并根據(jù)儲糧溫度數(shù)據(jù)的時序特征將自注意力機(jī)制加入網(wǎng)絡(luò)為不同糧情特征分配權(quán)重，利用BiGRU網(wǎng)絡(luò)學(xué)習(xí)糧情序列的雙向依賴關(guān)系來獲取序列中的更多信息，實(shí)現(xiàn)對儲糧溫度的預(yù)測。

1 模型基本原理

1.1 TCN網(wǎng)絡(luò)

時域卷積網(wǎng)絡(luò)（TCN）是一種全新的深度學(xué)習(xí)結(jié)構(gòu)，不同于傳統(tǒng)的循環(huán)神經(jīng)網(wǎng)絡(luò)。其結(jié)構(gòu)以一維卷積神經(jīng)網(wǎng)絡(luò)為基礎(chǔ)，通過融合膨脹卷積、因果卷積以及殘差模塊等多種機(jī)制，有效地提取出數(shù)據(jù)之間的關(guān)聯(lián)性，能夠更好地處理時間序列預(yù)測問題^［12］。

TCN的核心為膨脹因果卷積。因果卷積是一種單向的結(jié)構(gòu)，即上一個層次的某個時間點(diǎn)的輸出只和下一個層次該時間點(diǎn)和前面的輸入相關(guān)。因果卷積的感受野與網(wǎng)絡(luò)深度線性相關(guān)，當(dāng)處理長歷史信息時需要更深的網(wǎng)絡(luò)結(jié)構(gòu)和需要更長的時間來訓(xùn)練，從而導(dǎo)致因果卷積無法有效地捕獲長時間序列的信息。因此，TCN采用膨脹卷積對輸入數(shù)據(jù)進(jìn)行間隔采樣，計算如式（1）所示。

式中：t——時間步；

F（t）——時間點(diǎn)t的輸出值；

k——卷積核大小；

i——求和索引，i=0，1，2，…，k-1；

f（i）——卷積核中的第i個元素；

d——膨脹系數(shù)，d=1，2，…，2^l；

x——輸入序列；

x_t-d·i ——從t時刻向過去平移d·i時刻對應(yīng)的輸入值。

膨脹因果卷積結(jié)構(gòu)如圖1所示，本文設(shè)置參數(shù)為d=1，2，4，k=3。膨脹系數(shù)隨著層數(shù)的增加進(jìn)行指數(shù)級增長，進(jìn)而擴(kuò)大感受野，使得模型能夠捕捉不同時間尺度上的局部特征，從而提高對時序數(shù)據(jù)的建模能力。而局部特征是指在這些有限的感受野內(nèi)捕捉到的模式和規(guī)律。但相比于普通卷積網(wǎng)絡(luò)，TCN網(wǎng)絡(luò)在層數(shù)上有所減少，但卻能夠獲得更大的感受野，從而避免信息的重復(fù)提取，能夠充分分析糧情數(shù)據(jù)的特征。

此外，為了解決傳統(tǒng)神經(jīng)網(wǎng)絡(luò)在層數(shù)逐漸加深時容易出現(xiàn)梯度爆炸和網(wǎng)絡(luò)退化的問題，TCN的輸出層中應(yīng)用了殘差連接模塊^［13］，結(jié)構(gòu)如圖2所示。該模塊由兩個相同的內(nèi)部單元和一個一維卷積網(wǎng)絡(luò)組成，其中內(nèi)部單元包括膨脹因果卷積層、歸一化層、激活函數(shù)、Dropout層。對TCN殘差模塊進(jìn)行微小改進(jìn)，歸一化層采用批歸一化，激活函數(shù)采用指數(shù)線性單元ELU。使用這一殘差結(jié)構(gòu)可以減少網(wǎng)絡(luò)在特征提取過程中信息的大量損失，進(jìn)而提高模型的性能。

1.2 自注意力機(jī)制（Self-Attention）

考慮到糧溫數(shù)據(jù)具有時序和趨勢性的特征，本文使用針對時間的注意力機(jī)制的變體即自注意力機(jī)制（Self-Attention）^［14］。自注意力機(jī)制可以在訓(xùn)練過程中自動學(xué)習(xí)不同糧情特征對糧溫預(yù)測的貢獻(xiàn)程度，進(jìn)而為不同的特征賦予不同的權(quán)重，降低對外界信息的依賴性，有效提高模型特征提取的能力。此外，自注意力機(jī)制不僅能捕獲數(shù)據(jù)的全局特征信息，還能捕獲同一組數(shù)據(jù)向量之間的特征信息，識別儲糧溫度變化中的重要趨勢^［15］。具體而言，這種注意力機(jī)制層的引入能夠?qū)斎霐?shù)據(jù)自身的信息進(jìn)行訓(xùn)練并不斷更新參數(shù)，從而得到注意力的權(quán)重，突出重要特征信息的影響力，其結(jié)構(gòu)如圖3所示。

在圖3中， x_i 為輸入序列； v_i 是生成的值向量； x_ti 是輸入序列與各自的查詢向量和鍵向量做運(yùn)算并經(jīng)過Softmax激活函數(shù)后得到的結(jié)果； y_i 則是輸入序列第i個位置信息與其他所有位置信息進(jìn)行注意力機(jī)制運(yùn)算后的結(jié)果。其中，i =1，2，3，…，t。

將經(jīng)過TCN網(wǎng)絡(luò)處理后的序列輸入到自注意力模塊中，就得到具有權(quán)重的特征序列，計算如式（2）所示。

式中：Attention——得到的注意力權(quán)重；

Q——查詢矩陣長度；

K——鍵矩陣長度；

V——鍵向量長度；

d_k ——鍵的維度。

1.3 門控循環(huán)單元網(wǎng)絡(luò)

門控循環(huán)單元網(wǎng)絡(luò)（GRU）作為LSTM網(wǎng)絡(luò)的一種改進(jìn)形式，其設(shè)計旨在簡化網(wǎng)絡(luò)結(jié)構(gòu)并提高訓(xùn)練效率。與LSTM相比，GRU采用了一個集成式的更新門機(jī)制，該機(jī)制有效整合了LSTM中遺忘門和輸出門的功能。同時網(wǎng)絡(luò)還解決了循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）存在不能長期記憶以及容易出現(xiàn)梯度消失的問題^［16］。GRU網(wǎng)絡(luò)結(jié)構(gòu)中具有重置門和更新門兩個關(guān)鍵的門控機(jī)制^［17］。重置門決定了前一刻被遺失信息量的大小，更新門控制前一刻到當(dāng)前時刻的狀態(tài)信息傳輸量。通過這兩個門控機(jī)制可以保留重要的特征，并有效地捕捉序列長短期的依賴關(guān)系。GRU神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖4所示。

GRU網(wǎng)絡(luò)從前向后進(jìn)行預(yù)測，這就導(dǎo)致模型在處理數(shù)據(jù)時通常只能考慮前向方向的信息，忽略了后向序列數(shù)據(jù)的相關(guān)重要信息。但是在糧情數(shù)據(jù)的變化過程中前后的信息是具有一定相關(guān)性的。因此，為了提高儲糧溫度預(yù)測精度，構(gòu)建了雙向門控循環(huán)單元網(wǎng)絡(luò)（BiGRU）^{［18， 19］}，如圖5所示。BiGRU由兩個相反方向的GRU組成，一個按照時間序列正向處理數(shù)據(jù)，另一個從相反方向處理數(shù)據(jù)。通過這種雙向結(jié)構(gòu)，BiGRU模型能夠同時捕獲前向和后向信息，從而獲得更全面的時間序列信息來進(jìn)行預(yù)測。具體計算如式（3）～式（5）所示。

式中： h_t ——正向門控循環(huán)單元網(wǎng)絡(luò)的隱藏狀態(tài)；

h_t ——反向門控循環(huán)單元網(wǎng)絡(luò)的隱藏狀態(tài)；

h_t ——拼接兩個方向的隱藏狀態(tài)得到的當(dāng)前時刻的隱藏狀態(tài)。

因此，通過上述處理方式，BiGRU能夠捕捉序列數(shù)據(jù)的雙向依賴關(guān)系，從而更好地提取時間序列的全局信息。

1.4 TCN-SA-BiGRU模型

儲糧溫度預(yù)測可以采用多種方法，而本文是利用糧倉歷史糧情數(shù)據(jù)來進(jìn)行預(yù)測。數(shù)據(jù)信息主要包括糧堆各層的平均溫度、糧倉內(nèi)溫度、糧倉內(nèi)濕度、大氣溫度、大氣濕度等。這些數(shù)據(jù)對預(yù)測儲糧溫度起著至關(guān)重要的作用。然而，傳統(tǒng)的儲糧溫度預(yù)測往往采用單一的網(wǎng)絡(luò)模型，未能充分挖掘糧情數(shù)據(jù)內(nèi)部的潛在關(guān)系。因此，結(jié)合上述模塊的結(jié)構(gòu)分析，本文提出一種融合TCN、自注意力機(jī)制和BiGRU的模型，即TCN-SA-BiGRU模型，用于儲糧溫度預(yù)測。圖6為模型結(jié)構(gòu)。

首先，由TCN對序列數(shù)據(jù)進(jìn)行初步提取，有效捕獲時間序列數(shù)據(jù)中的局部特征，如由于糧倉通風(fēng)操作、外界氣溫變化或通風(fēng)系統(tǒng)故障等引起的短時間內(nèi)的溫度波動。此外，TCN可以通過靈活地增加層數(shù)和改變膨脹因子的大小來改變感受野的大小，從而更有利于處理序列問題。然后，通過自注意力機(jī)制對TCN網(wǎng)絡(luò)的輸出進(jìn)行處理，生成帶有權(quán)重的向量，提高重要特征的影響力。接著，將數(shù)據(jù)輸入到BiGRU模型，利用BiGRU挖掘糧情特征的全局依賴關(guān)系來對糧堆溫度進(jìn)行預(yù)測，同時在BiGRU層后加入Dropout層，有效地減少過擬合。最后，經(jīng)過全連接層輸出預(yù)測溫度值。因此，通過構(gòu)建TCN-SA-BiGRU模型結(jié)構(gòu)能夠更好地利用數(shù)據(jù)的時序和多維特征，提高對儲糧溫度的預(yù)測精準(zhǔn)度。

2 試驗(yàn)結(jié)果及分析

2.1 試驗(yàn)數(shù)據(jù)來源

試驗(yàn)使用的糧倉數(shù)據(jù)來自吉林省的一個高大平房倉。為了充分考慮到糧倉內(nèi)各層溫度的差異，該糧倉按照國家標(biāo)準(zhǔn)采用分布式測溫技術(shù)來進(jìn)行檢測，測溫點(diǎn)水平距離5 m，垂直距離1.8 m，距糧面、地面和墻壁0.5 m。在進(jìn)行測量時將糧堆分為5層，其分布如圖7所示。同時，為了得到準(zhǔn)確的溫度預(yù)測值，在預(yù)測時也采用分層預(yù)測的方法。此外，還采用溫濕度傳感器測量糧倉內(nèi)的溫濕度和大氣溫濕度。倉內(nèi)溫濕度所用傳感器布置于糧面上空間的中心位置；大氣溫濕度傳感器布置于庫區(qū)內(nèi)空曠處，距地面1.5 m處。由于糧堆內(nèi)溫度變化緩慢，故采用每小時采集一次糧倉溫濕度數(shù)據(jù)的策略，由分機(jī)接收指令，通過傳輸接口將傳感器所采集的溫濕度數(shù)據(jù)及控制設(shè)備狀態(tài)信息返回給已安裝測控系統(tǒng)軟件的上位機(jī)，并將數(shù)據(jù)保存到數(shù)據(jù)庫中，其系統(tǒng)結(jié)構(gòu)如圖8所示。

2.2 數(shù)據(jù)預(yù)處理

數(shù)據(jù)來自吉林省某糧庫數(shù)據(jù)集。糧庫每隔1 h采集糧堆各層平均溫度、倉溫、倉濕、外溫、外濕、糧堆最高溫、糧堆最低溫等共2 700組。對數(shù)據(jù)進(jìn)行歸一化處理，計算如式（6）所示。

x′=x-x_min/x_max-x_min （6）

式中： x′ ——標(biāo)準(zhǔn)化后的輸入糧情數(shù)據(jù)；

x——原始數(shù)據(jù)值；

x_max ——最大的原始數(shù)據(jù)值；

x_min ——最小的原始數(shù)據(jù)值。

通過對輸入的影響糧溫的數(shù)據(jù)進(jìn)行歸一化處理，可以保證輸入原始數(shù)據(jù)的取值范圍均在［0，1］內(nèi)，消除數(shù)據(jù)不一致對試驗(yàn)的影響。

2.3 模型評價指標(biāo)

選取均方根誤差（RMSE）、平均絕對誤差（MAE）以及確定系數(shù)（R²）三個參數(shù)作為評價模型效果的指標(biāo)。MAE反映預(yù)測值與實(shí)際值之間的誤差，RMSE則反映兩者之間的偏差情況。確定系數(shù)R²作為衡量模型擬合度的指標(biāo)，其取值范圍為0～1，數(shù)值越接近1表示模型擬合的越好。計算如式（7）～式（9）所示。

式中： Y_i ——真實(shí)值；

Y^_i ——預(yù)測值；

Y- ——所有樣本真實(shí)值的平均值；

m——測試集樣本的總數(shù)。

通過計算這些評價指標(biāo)，可以量化模型的預(yù)測準(zhǔn)確性和擬合程度，從而對模型的性能進(jìn)行評估和比較。

2.4 預(yù)測結(jié)果分析

按照8∶2的比例將數(shù)據(jù)集劃分為訓(xùn)練集和測試集。影響糧溫的特征選取糧堆最高溫、糧堆最低溫、倉內(nèi)溫濕度、大氣溫濕度。輸入特征矩陣的大小為2 700×7。通過將本文提出的儲糧溫度預(yù)測模型TCN-SA-BiGRU與BP神經(jīng)網(wǎng)絡(luò)、TCN網(wǎng)絡(luò)、BiGRU網(wǎng)絡(luò)、TCN-BiGRU網(wǎng)絡(luò)模型進(jìn)行比較，得到各模型的評價結(jié)果，從而驗(yàn)證本文模型的性能。各個模型使用相同的訓(xùn)練集和測試集，然后計算各個模型反歸一化后的RMSE、MAE和R²值，具體結(jié)果如表1所示。

根據(jù)預(yù)測結(jié)果進(jìn)行分析，得出以下結(jié)論：在試驗(yàn)中，BP神經(jīng)網(wǎng)絡(luò)的預(yù)測效果最差，其RMSE為2.533 8，MAE值為2.398 9，R²為0.861 2。相比BP神經(jīng)網(wǎng)絡(luò)模型，TCN和BiGRU單一模型的預(yù)測效果有一定提升，但由于模型存在一定的局限性，其擬合效果仍存在較大誤差，均未達(dá)到較好的預(yù)測效果。在BiGRU模型前加入TCN網(wǎng)絡(luò)對時序特征進(jìn)行初步提取后，得到的融合模型TCN-BiGRU的預(yù)測效果提升，其RMSE指標(biāo)降低為0.587 5，MAE降低為0.436 8，R²提升至0.976 9。這表明將兩者結(jié)合，TCN能夠?qū)崿F(xiàn)儲糧溫度數(shù)據(jù)局部特征的初步提取，而BiGRU可以充分考慮糧情的雙向信息進(jìn)行預(yù)測。因此該融合模型的整體預(yù)測效果相比單一模型更加優(yōu)越。最后，結(jié)合自注意力機(jī)制對TCN網(wǎng)絡(luò)處理后的數(shù)據(jù)特征進(jìn)行權(quán)重分配，突出糧情的重要特征進(jìn)行預(yù)測。得到的預(yù)測模型TCN-SA-BiGRU在處理多維度數(shù)據(jù)上效果優(yōu)異。試驗(yàn)結(jié)果顯示，其RMSE降低為0.389 5，MAE降低為0.328 1，R²提升至0.991 2，這表明引入自注意力機(jī)制能夠解決時間序列信息未被充分挖掘的問題。綜上所述，所提出的TCN-SA-BiGRU儲糧溫度預(yù)測模型相較于其他網(wǎng)絡(luò)模型具有更好的預(yù)測效果。

在儲糧溫度預(yù)測的對比試驗(yàn)中，各個模型部分預(yù)測結(jié)果及實(shí)際值見表2。通過對比分析可知，模型TCN-SA-BiGRU的預(yù)測結(jié)果與真實(shí)值相差不大，并且與其他模型的預(yù)測結(jié)果相比誤差小，預(yù)測準(zhǔn)確度更高。

圖9表明BP神經(jīng)網(wǎng)絡(luò)在預(yù)測過程中存在波動，并且預(yù)測結(jié)果與真實(shí)值的誤差較大。圖10和圖11表明TCN網(wǎng)絡(luò)模型和BiGRU模型在處理和預(yù)測儲糧溫度數(shù)據(jù)方面相比BP神經(jīng)網(wǎng)絡(luò)具有一定的優(yōu)勢，但兩者都未達(dá)到最好的效果。由圖12可以看出，在BiGRU模型預(yù)測前結(jié)合TCN網(wǎng)絡(luò)對數(shù)據(jù)進(jìn)行初步特征處理，能夠更好地捕獲序列特征，提升預(yù)測效果。由圖13可以得出，本文模型得到的預(yù)測結(jié)果與實(shí)際所測的溫度值基本吻合，預(yù)測精度更高。這表明本文在TCN和BiGRU模型融合的基礎(chǔ)上結(jié)合自注意力機(jī)制，能夠?yàn)椴煌卣鞣峙洳煌臋?quán)重，從而突出關(guān)鍵特征，進(jìn)一步提升預(yù)測效果。由圖14可以看出，TCN-SA-BiGRU融合模型的預(yù)測結(jié)果與真實(shí)值基本一致，擬合效果最佳。

綜上所述，基于TCN-BiGRU結(jié)合自注意力機(jī)制的儲糧溫度預(yù)測方法具有較高的準(zhǔn)確性，并且預(yù)測性能優(yōu)于其他預(yù)測方法。儲糧溫度的預(yù)測對于減少糧食損耗，確保糧倉工作安全具有重要意義。提出的模型能夠滿足儲糧工作的一定需求，通過精準(zhǔn)預(yù)測儲糧溫度能夠保障倉儲通風(fēng)工作的及時進(jìn)行，并且可以進(jìn)一步地將溫度預(yù)測功能應(yīng)用到糧情監(jiān)測系統(tǒng)中，加快糧食信息化建設(shè)，具有廣泛的應(yīng)用價值。

3 結(jié)論

針對糧溫數(shù)據(jù)的時序性特征以及傳統(tǒng)儲糧溫度預(yù)測模型預(yù)測精度較低的問題，提出一種新的儲糧溫度預(yù)測方法，即基于TCN-BiGRU結(jié)合自注意力機(jī)制的儲糧溫度預(yù)測模型。

1）首先采用TCN對序列數(shù)據(jù)進(jìn)行特征提取，捕捉序列的局部信息，接著進(jìn)一步結(jié)合自注意力機(jī)制突出糧情重要特征，最后通過BiGRU模型捕捉時序數(shù)據(jù)雙向信息進(jìn)行溫度預(yù)測。結(jié)果表明，本試驗(yàn)研究的網(wǎng)絡(luò)模型RMSE為0.389 5，MAE為0.328 1，R²為0.991 2，能夠準(zhǔn)確預(yù)測儲糧溫度。

2）在與其他模型的比較中，本文所提出的模型性能指標(biāo)更優(yōu)，具有更高的預(yù)測精度，與BP神經(jīng)網(wǎng)絡(luò)模型相比，RMSE低2.144 3，MAE低2.070 8；與TCN模型相比，RMSE低1.304 5，MAE低1.266 0；與BiGRU模型相比，RMSE低1.081 9，MAE低0.877 9；

與TCN-BiGRU模型相比，RMSE低0.198 0，MAE低0.108 7。能夠提高糧倉管理作業(yè)的可靠性，并為儲糧溫度預(yù)測提供新的方法。

參 考 文 獻(xiàn)

［1］ 李雯雯. 國家糧食和物資儲備局：“十四五”統(tǒng)籌推進(jìn)糧食安全治理體系和治理能力現(xiàn)代化［J］. 中國糧食經(jīng)濟(jì)， 2021（5）： 30-33.

［2］ 郭利進(jìn)， 王永旭. 基于XGBoost優(yōu)化算法的儲糧溫度預(yù)測研究［J］. 糧食與油脂， 2022， 35（11）： 78-82.

Guo Lijin， Wang Yongxu. Research on prediction of stored grain temperature based on XGBoost optimization algorithm ［J］. Cereals amp; Oils， 2022， 35（11）： 78-82.

［3］ 黃琦蘭， 王濤. 基于智能算法的儲糧通風(fēng)過程中溫度場預(yù)測［J］. 保鮮與加工， 2022， 22 （3）： 30-34.

Huang Qilan， Wang Tao. Temperature field prediction of grain storage ventilation process based on intelligent algorithm ［J］. Storage and Process， 2022， 22（3）： 30-34.

［4］ 王赫， 曹毅， 李玉， 等. 基于改進(jìn)粒子群算法的平房倉糧溫BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型建立［J］. 中國糧油學(xué)報， 2023， 38（6）： 113-118.

Wang He， Cao Yi， Li Yu， et al. Prediction model of grain temperature in warehouse based on improved particle swarm optimization BP neural network ［J］. Journal of the Chinese Cereals and Oils Association， 2023， 38（6）： 113-118.

［5］ 苑江浩， 鄭丹， 孟祥雪， 等. 糧情監(jiān)測預(yù)警技術(shù)研究進(jìn)展［J］. 中國糧油學(xué)報， 2022， 37（11）： 19-26.

Yuan Jianghao， Zheng Dan， Meng Xiangxue， et al. Research progress of grain monitoring and early warning technology ［J］.Journal of the Chinese Cereals and Oils Association， 2022， 37（11）： 19-26.

［6］ 苑江浩， 常青， 李燕羽， 等. 神經(jīng)網(wǎng)絡(luò)在糧食儲藏領(lǐng)域中的應(yīng)用概述［J］. 中國糧油學(xué)報， 2021， 36（2）： 155-161.

Yuan Jianghao， Chang Qing， Li Yanyu， et al. Application of neural network in the field of grain storage ［J］. Journal of the Chinese Cereals and Oils Association， 2021， 36（2）： 155-161.

［7］ 高松， 宋輝. 基于BP神經(jīng)網(wǎng)絡(luò)方法的高大平房倉溫度場預(yù)測研究［J］. 糧油食品科技， 2015， 23（1）： 94-97.

Gao Song， Song Hui. Prediction of the temperature field of high amp; large warehouse based on BP neural network ［J］. Science and Technology of Cereals， Oils and Foods， 2015， 23（1）： 94-97.

［8］ 馮鴻超. 基于溫濕度糧情的儲糧安全風(fēng)險預(yù)警模型及應(yīng)用［D］. 鄭州： 河南工業(yè)大學(xué)， 2019.

Feng Hongchao. Pre-warning model of stored grain safety risk based on temperature and humidity and its application ［D］. Zhengzhou： Henan University of Technology， 2019.

［9］ 蔣思瑋， 孫妍， 陳靜， 等. 改進(jìn)粒子群優(yōu)化GRU網(wǎng)絡(luò)的儲糧溫度預(yù)測方法［J］. 計算機(jī)與數(shù)字工程， 2023， 51（5）： 1036-1041， 1156.

Jiang Siwei， Sun Yan， Chen Jing， et al. Grain storage temperature prediction method based on GRU network optimized by improved particle swarm optimization ［J］. Computer amp; Digital Engineering， 2023， 51（5）： 1036-1041， 1156.

［10］ Xie Y， Zeng P， Chen J. Hybrid attention-based improved temporal convolutional BiGRU approach for short-term load forecasting ［C］. Journal of Physics： Conference Series. IOP Publishing， 2024， 2703（1）： 012052.

［11］ Song Y， Luktarhan N， Shi Z， et al. TGA： A novel network intrusion detection method based on TCN， BiGRU and attention mechanism ［J］. Electronics， 2023， 12（13）： 2849.

［12］ Limouni T， Yaagoubi R， Bouziane K， et al. Accurate one step and multistep forecasting of very short-term PV power using LSTM-TCN model ［J］. Renewable Energy， 2023， 205： 1010-1024.

［13］ 吳曉丹， 范波， 王建祥， 等. 基于VMD-TCN-Attention的鋰電池壽命預(yù)測［J］. 電源技術(shù)， 2023， 47 （10）： 1319-1325.

Wu Xiaodan， Fan Bo， Wang Jianxiang. Life prediction of lithium battery based on VMD-TCN-Attention ［J］. Chinese Journal of Power Sources， 2023， 47 （10）： 1319-1325.

［14］ Yang L， Wang S， Chen X， et al. High-fidelity permeability and porosity prediction using deep learning with the self-attention mechanism ［J］. IEEE Transactions on Neural Networks and Learning Systems， 2022， 34 （7）： 3429-3443.

［15］ 劉森， 劉美， 賀銀超， 等. 基于DCNN網(wǎng)絡(luò)及Self-Attention-BiGRU機(jī)制的軸承剩余壽命預(yù)測［J］.機(jī)電工程， 2024， 41（5）： 786-796.

Liu Sen， Liu Mei， He Yinchao， et al. Residual life prediction of bearings based on DCNN network and Self-Attention-BiGRU mechanism ［J］. Journal of Mechanical amp; Electrical Engineering， 2024， 41（5）： 786-796.

［16］ Zhao Z， Yun S， Jia L， et al. Hybrid VMD-CNN-GRU-based model for short-term forecasting of wind power considering spatio-temporal features ［J］. Engineering Applications of Artificial Intelligence， 2023， 121： 105982.

［17］ Mahjoub S， Chrifi-Alaoui L， Marhic B， et al. Predicting energy consumption using LSTM， multi-layer GRU and drop-GRU neural networks ［J］. Sensors， 2022， 22（11）： 4062.

［18］ Zhang Y， Zhang L， Sun D， et al. Short-term wind power forecasting based on VMD and a hybrid SSA-TCN-BiGRU network ［J］. Applied Sciences， 2023， 13（17）： 9888.

［19］ 鄒智， 吳鐵洲， 張曉星， 等. 基于貝葉斯優(yōu)化CNN-BiGRU混合神經(jīng)網(wǎng)絡(luò)的短期負(fù)荷預(yù)測［J］. 高電壓技術(shù)， 2022， 48（10）： 3935-3945.

Zou Zhi， Wu Tiezhou， Zhang Xiaoxing， et al. Short-term load forecast based on bayesian optimized CNN-BiGRU hybrid neural networks ［J］. High Voltage Engineering， 2022， 48（10）： 3935-3945.