基于宽度学习系统的仓储粮情风险点预测模型

及时的仓储粮情预测是保证储粮安全的必要手段。目前,传统预测方法多从某一侧面对仓储粮情进行预测,无法实现对仓储粮情风险的精准综合评估,而深度学习方法则存在着所需训练样本数量巨大、训练难度高、时间长等瓶颈问题。针对这一现状,采用基于宽度学习的特征提取与融合方法,以及基于增量学习的训练方法(增强节点和输入数据增量算法),结合粮情数据的多模态特征,在宽度学习系统现有框架的基础上,提出了基于宽度学习系统的粮情风险预测模型。结果表明,与现有深度学习模型相比,在不降低预测准确度的前提下,预测模型大大节省了模型训练时间,降低了训练难度。预测模型成为深度学习模型的一种有效替代方案。