典型文献
基于GRU神经网络模型的冷链运输温度时序预测
文献摘要：
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.
文献关键词：
易腐食品;冷链运输温度;时序预测;GRU神经网络;食品安全;冷链运输
中图分类号：
作者姓名：
陈谦;杨涵;王宝刚;李文生;钱建平
作者机构：
中国农业科学院农业资源与农业区划研究所/农业农村部农业遥感重点实验室,北京100081;北京市农林科学院农产品加工与食品营养研究所,北京100093
文献出处：
引用格式：
[1]陈谦;杨涵;王宝刚;李文生;钱建平-.基于GRU神经网络模型的冷链运输温度时序预测)[J].农业大数据学报,2022(01):82-88
A类：
冷链运输温度
B类：
GRU,易腐食品,食品品质,质量安全,链环,环境监控,冷链物流,监控技术,新一代智能,智能信息技术,技术结合,物流环境,精准预测,温度预测,历史数据,时序信息,门控循环单元网络,Gated,recurrent,unit,滤除,时序数据,异常值,缺失值,拉格朗日插值法,补修,归一化处理,预测性能,性能对比,时序预测模型,冷藏,循环神经网络,Recurrent,neural,network,RNN,反向传播神经网络,Back,propagation,预测准确性,真实值,测温,平均绝对误差,平均绝对百分比误差,误差指标,指标值,最低水平,时间序列预测模型,食品冷链,预测预警,食品安全,精细控制,制冷
AB值：
0.322943
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
