(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111534264.1 (22)申请日 2021.12.15 (71)申请人 红云红河烟草 （集团） 有限责任公司 地址 650032 云南省昆明市五华区红锦路 367号 (72)发明人 徐跃明　陈斌　周继来　许仁杰　 方海英　王磊　曾嵘　郭绍坤　 杨磊　黄纳临　周鹏　杨文静　 杨荣春　杨延鹏　李莉　周萍　 柯宁　莫峥　 (74)专利代理 机构 北京名华博信知识产权代理 有限公司 1 1453 专利代理师 薛飞 (51)Int.Cl. G06Q 10/04(2012.01)G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于改进LSTM的原烟堆垛内部温度预 测算法 (57)摘要 本发明公开了一种基于改进LSTM的原烟堆 垛内部温度预测算法， 属于原烟养护领域， 将SOM 算法与LSTM结合起来， 首先预处理数据， 归一化 时间序列数据， 随后将归一化的数据分为训练集 和测试集， 输入SOM神经网络， 将数据聚类， 接着 构建LSTM神经网络 结构， 输入温度训练数据进行 训练， 同时对 未来附近时间段内室内温度进行预 测， 之后预测输出， 并通过实际数据衡量算法效 果。 实验结果证明， 本算法可以实现较为精确的 原烟堆垛内部温度预测。 权利要求书1页 说明书7页 附图5页 CN 114707684 A 2022.07.05 CN 114707684 A 1.一种基于改进LSTM的原烟堆垛内部温度 预测算法， 该算法用于监控和预测烟垛内部 的温度变化， 其特 征在于， 所述的温度预测算法采用以下步骤实现： 步骤1.预处 理数据， 归一 化时间序列数据； 步骤2.将归一 化后的数据划分为训练集和 测试集， 输入SOM神经网络， 将数据聚类； 步骤3.构建LSTM神经网络结构， 输入温度训练数据进行训练， 同时对未来附近时间段 内室内温度进行 预测； 步骤4.预测输出， 并通过实际数据衡量 算法效果。 2.根据权利要求1所述的一种基于改进LSTM的原烟堆垛内部温度预测算法， 其特征在 于， 在所述的步骤1中为了提高LSTM的训练速度和预测精度， 将不同日期的温度数据进 行归 一化处理， 归一化公式为： Xnorm＝(X‑Xmean)/(Xmax‑Xmin) 其中， Xmean是所用数据的平均值， Xmax是所用数据的最大值， Xmin是所用数据的最小值。 3.根据权利要求1所述的一种基于改进LSTM的原烟堆垛内部温度预测算法， 其特征在 于， 在所述的步骤2中， 提取各条数据之间的差异性， 将归一化后的数据划分为训练集和测 试集， 输入SOM神经网络， 把相同聚类结果的数据归为一类， 为下一步的LSTM神经网络提供 不同类别的数据集以提高预测精度。 4.根据权利要求1所述的一种基于改进LSTM的原烟堆垛内部温度预测算法， 其特征在 于， 在所述步骤3中， SOM ‑LSTM训练的求解器设置为Adam， 梯度阈值设置为1， 指定初始学习 率0.002， 在125轮训练后通过乘以因子 0.2来降低学习率。 5.根据权利要求1所述的一种基于改进LSTM的原烟堆垛内部温度预测算法， 其特征在 于， 在所述步骤4中， 先选取前半部 分温度数据对其进 行预测， 得到后半部 分的预测温度， 再 与后面已知的真实温度数据做对比， 从而证明该算法的预测可靠程度。 6.根据权利要求5所述的一种基于改进LSTM的原烟堆垛内部温度预测算法， 其特征在 于， 通过均方根 误差(RMSE)指标来衡量预测结果。权　利　要　求　书 1/1 页 2 CN 114707684 A 2一种基于改进LSTM的原烟堆垛 内部温度预测算法 技术领域 [0001]本发明属于原烟 养护领域， 更具体的说涉及一种基于改进LSTM的原烟堆垛内部温 度预测算法 背景技术 [0002]片烟目前已成为原烟的主要贮存形 式， 存储片烟的堆垛内部的温湿度环境直接影 响片烟的醇化效果， 而片烟的醇化效果关乎卷烟成品的质量。 片烟的醇化效果与存储环境 的温湿度有着密切的关系。 因此， 在片烟的自然醇化过程中， 对片烟堆垛内部的温湿度环 境 进行监控是一项必要的工作， 其可指导相关人员可以及时采取措施避免所养护 烟叶发生霉 变， 减少损失。 因此对片烟堆 垛内部未来 一段时间内的温度数据进行 预测非常有必要。 [0003]关于数据预测这方面国内外已有众多学者做了相应研究。 其中有将降水临近预报 描述为一个时空序列预测问题， 之中的输入和预测目标都是时空序列。 通过利用LSTM有效 预测了降水临近的数据。 还有一种研究采用先进的深度神经网络(DNN)学习技术对路面表 面温度进 行预测， 用于道路盐渍化管 理。 使用了逐时太阳辐射和气温数据， 以及安大略多伦 多市周围的道路天气信息系统(RWIS)收集的路面表面温度数据。 将卷积神经网络 (Convolutional  Neural Network， CNN)与长短时记忆(Long  Short‑Term Memory， LS TM)相 结合的DNN模型应用于路面表面温度预测,并与LSTM、 卷积 ‑LSTM(Convolutional ‑LSTM， ConvLSTM)、 序列对序列(Sequence ‑to‑Sequence， Seq2Seq)、 小波神经网络(Wavelet   Neural Network,Wav enet)等4种比较机器学习方法进行对比。 也有人提出了一种基于长短 时记忆(LSTM)的预测模型用于精确预测， 通过对各种网络模型进行统计分析， 得到适合于 精确预测太阳能功率和温度的网络结构。 [0004]另外也有人使用循环神经网络(Recurrent  Neural Network,RNN)对温度进行预 测， 取得了非常好的效果， 长短期记忆(Long  Short‑term Memory,LSTM)网络因为可以解决 RNN的梯度消失和梯度爆 炸、 长期记忆能力不 足的缺点。 还有 人提出了结合长 短期记忆神经 网络LSTM与梯度提升算法LightGBM的组合模型， 对客运站环境 温度值进行预测。 基于LSTM ‑ LightGBM的组合模 型预测方法可以保留LSTM模 型对单变量预测的周期性特点， 且 可表现出 环境特征变量输入LightGBM模型后对温度预测的非平稳变化。 结果表明基于LSTM ‑ LightGBM的组合模型方法比单纯使用LSTM方法更接近原始波形， 具有更低的RMSE。 有人通 过控制变量法对混流闭式冷却塔进行了测试， 采用灰色关联分析法对影响出水温度的因素 进行筛选， 将关联度较大的5个因子作为输入参数， 进而建立灰色BP神经网络预测模型， 对 混流闭式冷却塔的出水温度进行预测。 操作参数包括进水温度、 湿球温度、 补水温度、 循环 水流量和风量， 输出值 为出水温度。 [0005]在处理温度预测问题时， 对于时间序列数据一般使用RNN(recurrent  neural  network， 循环神经网络)， RNN的主要作用是将之前处理过的信息与当前的任务进行连接。 但是当之前的信息位置和目前预测位置之间的间隔不断增大时， RNN会丧失连接间隔较远 信息的学习能力， 然 而LSTM网络不存在这种缺陷。说　明　书 1/7 页 3 CN 114707684 A 3