陳斌，方海英，周繼來，許仁杰，周鵬，楊文靜，趙維晞，潘楠

（1.紅云紅河煙草（集團）有限責任公司物流中心，云南 昆明 650202；2.昆明理工大學民航與航空學院，云南 昆明 650500）

0 引言

目前，在原煙倉儲管理中，片煙已成為原煙的主要貯存形式，存儲片煙的堆垛內部溫濕度環(huán)境直接影響其醇化效果，管理員根據(jù)溫濕度數(shù)據(jù)可對片煙儲存進行有效管理，一旦出現(xiàn)溫度過高等問題管理員可以及時采取措施，以避免煙葉產生霉變等問題，減少損失。如果能有效預測出未來某短時間內的倉儲溫度，即可極大提高片煙精準監(jiān)測水平，因此對片煙堆垛內部未來一段時間內的溫度數(shù)據(jù)進行預測非常有必要。

關于倉儲溫度預測的方法，主要包括機器學習以及深度學習神經網絡等技術。近些年來，人工神經網絡取得了快速發(fā)展，包括深度神經網絡（DNN）、長短期記憶網絡（Long Short-Term Memory，LSTM）、卷積神經網絡（Convolutional Neural Network，CNN）等。Shi X，等將降水臨近預報描述為一個時空序列預測問題，通過利用LSTM方法有效預測了降水臨近的數(shù)據(jù)。Gundu，等提出了一個基于LSTM的預測模型，通過對各種網絡模型進行統(tǒng)計分析，得到了適合準確預測太陽能和溫度的網絡結構。也有不少學者將上述人工神經網絡相結合，其中，倪錚，等提出了一種針對氣象數(shù)據(jù)的CNN-LSTM神經網絡，并利用其對雷暴的6h臨近預報進行了實驗，取得令人滿意的預報效果。Tabrizi S E，等采用將CNN與LSTM相結合的DNN模型應用于路面表面溫度預測，相較于其他單一的神經網絡取得了較好的預測效果。此外也有學者將其他方法與神經網絡相結合，其中，張亞偉，等提出了結合長短期記憶神經網絡LSTM與梯度提升算法LightGBM的組合模型，該方法可以保留LSTM模型對單變量預測的周期性特點，結果表明，基于LSTMLightGBM的組合模型方法比單純使用LSTM的方法更接近原始波形，具有更低的RMSE。黃偉建，等提出一種基于混合神經網絡和注意力機制的預測模型（Att-CNN-LSTM），王晨陽，等提出一種基于遺傳算法（GA）優(yōu)化的卷積長短記憶神經網絡混合模型（GACNN-LSTM），通過GA優(yōu)化LSTM訓練網絡的超參數(shù)權重與偏置值，經過仿真結果表明該方法對光伏發(fā)電功率具有更好的預測性能。

基于上述分析可知，單一神經網絡在預測上精度都不夠高，預測結果不夠準確，應該將多種神經網絡結合在一起，用其他方法的優(yōu)勢取代其劣勢，從而達到對數(shù)據(jù)的精確預測。因此，本文首先利用自組織映射（Self-Organizing Maps，SOM）將輸入的溫度數(shù)據(jù)進行聚類，隨后將數(shù)據(jù)集分成訓練集和測試集，對這些數(shù)據(jù)進行歸一化處理，以提高訓練速度和計算精度，由于LSTM可以解決循環(huán)神經網絡（Recurrent Neural Network，RNN）中梯度消失和梯度爆炸、長期記憶能力不足的缺點，因此，本文提出了基于粒子群算法的混合長短記憶模型（PSO-SOM-LSTM），對數(shù)據(jù)進行預處理，基于粒子群算法優(yōu)化SOM-LSTM的網絡權重，隨后帶入神經網絡進行數(shù)據(jù)預測，實現(xiàn)對未來倉儲堆垛內的溫濕度進行精準預測的目的。具體步驟為：首先對數(shù)據(jù)進行預處理，將數(shù)據(jù)歸一化再采用SOM聚類分別構建各類數(shù)據(jù)集；其次構建LSTM神經網絡結構，輸入訓練數(shù)據(jù)進行訓練；隨后，基于PSO算法優(yōu)化SOMLSTM的網絡權重，帶入神經網絡進行數(shù)據(jù)預測并與四種不同的預測方法進行對比，證明了PSO-SOMLSTM算法的優(yōu)越性；最后通過均方根誤差（RMSE）等指標來衡量實驗結果。

1 數(shù)據(jù)預處理

本文實驗數(shù)據(jù)由某大型卷煙生產企業(yè)原料倉儲科露天堆垛在2021年4月25日-5月1日一周內的某一煙垛每間隔30min的溫度監(jiān)測數(shù)據(jù)擬合而成。傳感器的最大布設上限為80個，傳感器在室內中的擺放信息記錄共分8段，由于篇幅問題，本文只選了第一段第一層的無線傳感器擺放示意圖，如圖1所示。

圖1 無線傳感器擺放圖（節(jié)選）

1.1 歸一化

為了提高后面神經網絡的訓練速度和預測精度，將所有的溫度數(shù)據(jù)進行歸一化處理，公式如下：

其中：X是所用數(shù)據(jù)的平均值，是所用數(shù)據(jù)的最大值，是所用數(shù)據(jù)的最小值。歸一化后的溫度數(shù)據(jù)如圖2所示。

圖2 數(shù)據(jù)歸一化

1.2 SOM聚類

對大量數(shù)據(jù)進行分析是一項繁重又復雜的工作，為簡化該工作并且為神經網絡提供不同類別的數(shù)據(jù)集，以提高預測精度，本文采用一種無監(jiān)督學習SOM聚類方法。自組織映射神經網絡（Self Organizing Maps，SOM）由芬蘭神經網絡專家Kohonen教授提出，一個神經網絡接受外界輸入模式時，將會分為不同的對應區(qū)域，各區(qū)域對輸入模式具有不同的響應特征，而且這個過程是自動完成的。SOM能把繁雜的高維數(shù)據(jù)轉換為簡潔的幾何關系，因此具有精簡數(shù)據(jù)并達到高質量聚類分析結果的目的。

實現(xiàn)SOM聚類的步驟為；提取各條數(shù)據(jù)之間的差異性，將歸一化后的數(shù)據(jù)劃分為訓練集和測試集，輸入SOM神經網絡，把相同聚類結果的數(shù)據(jù)歸為一類，為下一步的LSTM神經網絡提供不同類別的數(shù)據(jù)集，以提高預測精度。

2 算法模型

本文采用粒子群算法（PSO）優(yōu)化SOM-LSTM混合神經網絡算法模型，主要過程為：首先對數(shù)據(jù)進行預處理，將數(shù)據(jù)歸一化再采用SOM聚類分別構建各類數(shù)據(jù)集；其次構建LSTM神經網絡結構，輸入訓練數(shù)據(jù)進行訓練；隨后，基于PSO算法優(yōu)化SOM-LSTM的網絡權重，帶入神經網絡進行數(shù)據(jù)預測；最后輸入溫度訓練數(shù)據(jù)進行訓練，對未來附近時間段內的溫度進行預測，通過均方根誤差（RMSE）等指標來衡量實驗結果。

2.1 SOM算法

競爭學習規(guī)則的學習步驟如下:

（3）網絡輸出與權調整。按WTA學習法則，獲勝神經元輸出為“1”，其余的神經元均為0，如下：

式（5）中，為學習效率，區(qū)間為[0,1]。

（4）重新歸一化處理。權向量經過調整后得到新的向量，與之前的并不相同，因此要對該新向量重新歸一化，直到學習率衰減到0。

2.2 LSTM算法

LSTM算法本質上是循環(huán)神經網絡（RNN）的一種特殊模型，用來處理RNN訓練過程中梯度消失和梯度爆炸的問題。其關鍵為細胞狀態(tài)cell。如圖3所示，LSTM擁有三個門來保護和控制細胞狀態(tài)。三個門分別為輸入門、遺忘門和輸出門。

圖3 標準LSTM細胞結構圖

2.2.1 遺忘門。遺忘門會讀取h和x，輸出一個區(qū)間在[0,1]的數(shù)值，分配在每個細胞狀態(tài)C中。1為保留，0為舍棄。

其中，h表示上一個細胞輸出，x為當前細胞的輸入。為一個向量，表示讓對應信息通過的權重。

2.2.2 輸入門。LSTM中第二步是決定讓多少新的信息加入到cell狀態(tài)中來。此過程包括兩個步驟：

（1）層為“輸入門層”，決定哪些信息將要更新；

更新舊cell狀態(tài)，C更新為C,新的候選值為：

2.2.3 輸出門。LSTM中的最后一步是確定輸出什么值。此值基于cell狀態(tài)，也是一個過濾后的值。運行式（11）確定細胞狀態(tài)的哪個部分將會輸出。通過tanh對cell狀態(tài)進行處理。

2.3 基于SOM-LSTM的傳感器溫度預測方法

構建SOM-LSTM神經網絡結構，輸入溫度訓練數(shù)據(jù)進行訓練，同時對未來附近時間段的室內溫度進行預測。總體算法流程如圖4所示。

圖4 SOM-LSTM總體算法流程圖

2.4 粒子群算法（PSO）

粒子群算法是一種仿生群體智能算法，該算法將每個解都看作鳥群中的一個獨立個體——“粒子”，每個粒子都有對應優(yōu)化目標的適應值，因此，該算法的評價指標為適應值。由于PSO算法不用設置眾多參數(shù)且簡單易實現(xiàn)，因此，本文采用PSO算法優(yōu)化LSTM，PSO算法的編碼過程見表1。

表1 PSO算法偽代碼

用PSO算法優(yōu)化SOM-LSTM神經網絡的具體流程如圖5所示。

圖5 粒子群算法優(yōu)化流程圖

3 實驗分析與討論

3.1 評價指標

本文采用均方誤差（MSE）、均方根誤差（RMSE）、相對誤差和判定系數(shù)()等評價指標來衡量實驗結果，以上評價指標為預測領域常用的評價指標。

式中，y()為預測溫度，y()為真實溫度，y為真實溫度的均值。通常，值越大，值越小，則預測的結果就越準確。

3.2 溫度預測結果對比

為了驗證PSO-SOM-LSTM方法的可行性，本文將該方法與LSTM、BP和SOM-LSTM神經網絡算法預測效果進行了比較。采用MATLAB編程環(huán)境搭建并訓練算法模型，本次實驗選取136個真實數(shù)據(jù)為采樣點，對不同的算法進行對比。其中，SOM-LSTM的梯度閾值設置為1，指定初始學習率0.002，在100輪訓練后乘以因子0.2。圖6為三種不同方法的溫度預測效果。

圖6 不同算法下的溫度預測值

由圖6可以看出：BP神經網絡在拐點處溫度預測誤差較大，預測結果具有不穩(wěn)定性。LSTM和SOMLSTM都具有良好的穩(wěn)定預測效果，但是預測值有偏差，相比于LSTM和SOM-LSTM，PSO-SOM-LSTM算法的預測值更貼近真實值，預測結果更為準確，因此采取PSO-SOM-LSTM算法對未來一段時間內的溫度進行預測是最優(yōu)的。

3.3 預測結果

由于采取PSO-SOM-LSTM算法對未來一段時間內的溫度進行預測是最優(yōu)的，為保障算法的適用性，隨機選取倉庫內某處的傳感器，對同一個傳感器未來時間段內的溫度數(shù)據(jù)進行預測，選取285個數(shù)據(jù)作為訓練數(shù)據(jù)，預測附近未來30個數(shù)據(jù)點，結果如圖7所示。其中實線為訓練值，虛線為真實值，星號線為預測出的溫度數(shù)據(jù)：

圖7 基于PSO-SOM-LSTM的預測溫度結果

4 誤差性能指標

通過具體的相對誤差指標分析預測的溫度數(shù)據(jù)，圖8為相對誤差折線圖，可以看出預測的相對誤差主要集中在[-0.005,0.005]區(qū)間內，誤差區(qū)間范圍較小，在0.5%以內。

圖8 基于PSO-SOM-LSTM預測溫度的相對誤差圖

本文提出的算法與其他預測方法的預測誤差對比見表2，由表2可以看出，BP預測效果最差，誤差最大，PSO-SOM-LSTM的誤差最小，預測結果最好。在RMS指標下，PSO-SOM-LSTM比SOM-LSTM減少了2.46%，比單一神經網絡減少了8.94%，具有較優(yōu)的預測效果。

表2 不同算法的預測對比

5 結語

片煙倉儲堆垛內部溫濕度環(huán)境對片煙的醇化效果有很大的關聯(lián)性，如果能有效預測出未來某短時間內的倉儲溫度，即可對片煙儲存進行有效管理，能極大地提高片煙精準監(jiān)測水平，如何對倉儲空間內部的溫濕度進行精準監(jiān)控和預測，是片煙養(yǎng)護的一項重要工作。本文提出了基于粒子群算法的混合長短記憶模型（PSO-SOM-LSTM），首先對數(shù)據(jù)進行預處理，將數(shù)據(jù)歸一化再采用SOM聚類分別構建各類數(shù)據(jù)集；其次構建LSTM神經網絡結構，輸入訓練數(shù)據(jù)進行訓練；隨后，基于PSO算法優(yōu)化SOM-LSTM的網絡權重，帶入神經網絡進行數(shù)據(jù)預測，并與四種不同的預測方法進行對比，證明了PSO-SOM-LSTM算法的優(yōu)越性；最后通過均方根誤差（RMSE）等指標來衡量實驗結果，計算出均方根誤差為0.043 5左右。實驗結果證明，通過PSO-SOM-LSTM模型算法優(yōu)于本文所提到的其他算法，在實際倉儲中能有效實現(xiàn)對未來某時間段內的溫濕度進行精準預測的目的。