基于GRU神经网络模型的冷链运输温度时序预测

冷链可以有效维持易腐食品品质、保障质量安全、降低过程损耗,冷链环境监控对于充分发挥冷链物流效能至关重要。当前,冷链环境监控技术可以满足多点、无线、实时等监测需求,并通过与新一代智能信息技术结合开始向冷链物流环境精准预测方向快速发展。本文针对冷链运输温度预测问题,从挖掘历史数据时序信息角度出发,提出了一种基于门控循环单元网络(Gated recurrent unit,GRU)的冷链运输温度时序预测方法。首先,滤除冷链运输温度时序数据的异常值和缺失值,利用拉格朗日插值法进行填补修正后归一化处理;然后,根据三种不同时间序列预测尺度的GRU神经网络模型预测性能对比结果,选择构建GRU时序预测模型用于预测冷链中实验冷藏厢体未来10 min的温度变化,并与循环神经网络(Recurrent neural network,RNN)模型、反向传播神经网络(Back propagation,BP)模型进行预测准确性对比试验。对比冷链厢体温度真实值与预测值发现,基于GRU神经网络模型的对应厢体预测温度均方根误差和平均绝对误差分别为0.156和0.760℃,平均绝对百分比误差为0.236%,与其他模型相比,以上误差指标值均处于相对最低水平;在温度时间序列预测模型中,GRU时序预测模型表现出更优的预测效果。该研究成果对于食品冷链物流中预测预警食品安全、精细控制冷链环境具有重要的实际指导意义。