基于GRU神經(jīng)網(wǎng)絡(luò)模型的冷鏈運輸溫度時序預(yù)測

陳 謙 楊 涵 王寶剛 李文生 錢建平*

（1.中國農(nóng)業(yè)科學(xué)院農(nóng)業(yè)資源與農(nóng)業(yè)區(qū)劃研究所/農(nóng)業(yè)農(nóng)村部農(nóng)業(yè)遙感重點實驗室，北京 100081；2.北京市農(nóng)林科學(xué)院農(nóng)產(chǎn)品加工與食品營養(yǎng)研究所，北京 100093）

1 引言

冷鏈可以有效維持易腐食品品質(zhì)、保障質(zhì)量安全、降低過程損耗，全球40%的生產(chǎn)食品需要冷鏈物流保護(hù)[1-2]。冷鏈的核心是保持食品處于適宜低溫環(huán)境。隨著信息及通信技術(shù)的發(fā)展，冷鏈環(huán)境監(jiān)控技術(shù)可以滿足多點、無線、實時等需求，并向動態(tài)預(yù)測，智能決策和精準(zhǔn)調(diào)控方向逐步發(fā)展[3-4]。冷鏈環(huán)境監(jiān)測已經(jīng)成為重要的冷鏈技術(shù)研究課題之一。

目前，傳統(tǒng)冷鏈環(huán)境監(jiān)測系統(tǒng)主要基于無線傳感網(wǎng)絡(luò)（Wireless Sensor Network,WSN）、射頻識別（Radio Frequency Identification，RFID）等遠(yuǎn)程監(jiān)控技術(shù)溝通底層傳感器與上層互聯(lián)網(wǎng)，以實現(xiàn)冷鏈環(huán)境的在線監(jiān)測及非接觸信息傳遞[4]。齊林等將基于Zigbee的無線傳感器網(wǎng)絡(luò)應(yīng)用于水產(chǎn)品冷鏈物流實時監(jiān)控系統(tǒng)，并保證了有效數(shù)據(jù)傳輸效果[5]；錢建平等驗證了溫度感知RFID 標(biāo)簽用于冷鏈溫度監(jiān)測的可行性[6]。然而，單一傳感器僅可獲取局部點的歷史環(huán)境信息，同時，資源限制和成本因素導(dǎo)致每個托盤，甚至每個冷藏箱架設(shè)傳感設(shè)備不現(xiàn)實。隨著人工智能的發(fā)展，智能信息處理技術(shù)被逐漸用于冷鏈運輸環(huán)境的時空預(yù)測，以彌補基礎(chǔ)傳感器感知的局限性[7-9]。為進(jìn)一步拓展溫度傳感器空間監(jiān)測范圍，do Nascimento利用神經(jīng)網(wǎng)絡(luò)建模了托盤內(nèi)產(chǎn)品和空氣溫度之間的內(nèi)在非線性關(guān)系[10]；Badia-Melis 將溫度監(jiān)測數(shù)據(jù)作為人工神經(jīng)網(wǎng)絡(luò)軟件輸入準(zhǔn)確估計了整個蘋果托盤的溫度[11]；Mercier 利用物理傳熱模型的理論基礎(chǔ)和泛化能力，開發(fā)了一個靈活的神經(jīng)網(wǎng)絡(luò)框架，可以實時無損監(jiān)測產(chǎn)品溫度[12]。對于冷鏈環(huán)境的時序變化預(yù)測，Chen 利用BP 神經(jīng)網(wǎng)絡(luò)預(yù)測冷鏈溫度變化和趨勢，并用指數(shù)加權(quán)移動平均控制圖監(jiān)測溫度變化[13]。進(jìn)一步，與決策規(guī)則結(jié)合，Hoang 根據(jù)冷庫中需求響應(yīng)的應(yīng)用，開發(fā)了傳統(tǒng)的長短期記憶(Long shortterm memory，LSTM、堆疊LSTM、雙向LSTM 和卷積LSTM)，四種不同的深度學(xué)習(xí)模型，用于預(yù)測未來的溫度和電力需求擾動[14]；Han提出了一種結(jié)合優(yōu)化差分和BP 神經(jīng)網(wǎng)絡(luò)的改進(jìn)算法對鮮蘋果強(qiáng)制風(fēng)冷效率進(jìn)行預(yù)測[15]。

溫度是冷鏈環(huán)境的核心要素，本文采用基于門控循環(huán)單元網(wǎng)絡(luò)(Gated recurrent unit，GRU)模型，預(yù)測冷鏈運輸廂體未來10 min 的溫度變化，同時添加BP神經(jīng)網(wǎng)絡(luò)模型、循環(huán)神經(jīng)網(wǎng)絡(luò)(Recurrent neural network,RNN)，開展對比研究。結(jié)合廂體多點多要素環(huán)境監(jiān)測設(shè)備，建立基于時間序列的冷鏈運輸廂體的溫度預(yù)測模型，對于預(yù)測預(yù)警食品安全、精細(xì)控制冷鏈環(huán)境有指導(dǎo)意義。

2 研究方法

2.1 數(shù)據(jù)采集與預(yù)處理

相關(guān)試驗在北京市林業(yè)果樹科學(xué)研究院冷鏈運輸模擬廂體中進(jìn)行。試驗廂體壁面及頂面厚度150 mm（由雙面彩鋼聚氨酯復(fù)合保溫板組成）；地面厚度50 mm（由高抗壓擠塑泡沫保溫板雙層錯縫鋪設(shè)）。該試驗廂體根據(jù)虛擬橫截面T1、T2，縱截面V1 和層截面L1，劃分監(jiān)測單元，監(jiān)測單元的中心位置為監(jiān)測點。冷鏈試驗廂體結(jié)構(gòu)、截面劃分、監(jiān)測點位置和坐標(biāo)原點如圖1所示。

圖1 冷鏈實際環(huán)境下溫度監(jiān)測試驗廂體及監(jiān)測點示意圖Fig.1 Schematic diagram of experimental compartment and monitoring points for temperature monitoring under the actual cold chain environment T1、T2表示橫截面，V1表示縱截面，L1表示層截面；M1、M2、M3表示溫度監(jiān)測點T1,T2 represent the cross section,V1 represents the longitudinal section,L1 represents the layer section;M1、M2、M3 represent the monitoring points.

冷藏廂體溫度時間序列數(shù)據(jù)通過自主開發(fā)的環(huán)境多要素監(jiān)測設(shè)備進(jìn)行采集，如圖2 所示。該設(shè)備主要由環(huán)境感知模塊，微控制器以及信息傳輸模塊組成，可實時監(jiān)測并向數(shù)據(jù)中心傳輸環(huán)境信息。實驗時間為2020 年8 月9 -10 日，有效測試時長約32h,設(shè)置每隔10min 采集一次數(shù)據(jù)，其中選取3 個監(jiān)測節(jié)點M1,M2,M3采集的576 條有效環(huán)境溫度數(shù)據(jù)作為原始試驗數(shù)據(jù)集。

圖2 環(huán)境多要素監(jiān)測設(shè)備實物圖Fig.2 Appearance drawing of the environmental multielement monitoring device

對于所采集數(shù)據(jù)集出現(xiàn)的缺失、異常值，剔除后利用拉格朗日插值法進(jìn)行填補修正。然后，根據(jù)式（1）對數(shù)據(jù)進(jìn)行歸一化處理。

式中x't為數(shù)據(jù)歸一化值，xt為原始觀測值，xmax和xmin分別為數(shù)據(jù)集中最大值和最小值。

2.2 門控循環(huán)單元網(wǎng)絡(luò)算法

門控循環(huán)單元網(wǎng)絡(luò)算法(Gated recurrent unit，GRU)是一種改進(jìn)的LSTM 神經(jīng)網(wǎng)絡(luò),可被應(yīng)用于環(huán)境時序預(yù)測[16-19]。相對于LSTM 具有分別控制輸入值、記憶值和輸出值的輸入門、遺忘門和輸出門[20-21]，GRU只有兩個記憶單元：更新門和重置門，因此GRU模型訓(xùn)練參數(shù)有所減少，計算復(fù)雜度較低，提升了訓(xùn)練效率。同時，作為LSTM 的變體，GRU 也可以解決傳統(tǒng)RNN網(wǎng)絡(luò)中的梯度消失問題。

GRU 神經(jīng)網(wǎng)絡(luò)的前向傳播內(nèi)部結(jié)構(gòu)如圖3，公式表達(dá)如下：

圖3 GRU模型內(nèi)部結(jié)構(gòu)圖Fig.3 Internal structure diagram of GRU model

式中zt和rt分別表示更新門和重置門。更新門控制前一時刻的狀態(tài)ht-1和當(dāng)前節(jié)點輸入xt影響當(dāng)前隱藏狀態(tài)ht的程度。重置門控制ht-1和xt影響重置候選集h～t的程度。其中，權(quán)重向量W=[wh wx]由隱藏狀態(tài)權(quán)重wh和輸入變量權(quán)重wx組成。此外，w0為輸出權(quán)重，yt為當(dāng)前時刻輸出，也是下一時刻的輸入。

2.3 時序預(yù)測模型評價

本文為評估不同時序預(yù)測模型對冷鏈運輸環(huán)境預(yù)測預(yù)測的性能，選用平均絕對誤差(Mean absolute error,MAE)、平均絕對百分比誤差(Mean absolute percent error,MAPE) 和均方根誤差(Root mean square error,RMSE) 量化各模型的預(yù)測結(jié)果，以上3種誤差系數(shù)分別根據(jù)式（3），（4），（5）進(jìn)行計算。

3 結(jié)果與分析

3.1 基于GRU 神經(jīng)網(wǎng)絡(luò)的冷鏈運輸溫度預(yù)測模型

針對冷鏈運輸溫度時序預(yù)測，本文建立GRU 神經(jīng)網(wǎng)絡(luò)模型如圖4 所示。該模型由輸入層，隱含層輸出層組成。其中，根據(jù)歷史連續(xù)15 個時刻數(shù)據(jù)預(yù)測未來某一時刻的溫度變化，因此輸入層由15 個GRU單元的歷史輸出h組成，將其作為溫度預(yù)測的輸入數(shù)據(jù)以關(guān)聯(lián)歷史時序數(shù)據(jù)信息；另外，隱含層由10 個神經(jīng)元組成，輸出層為指定時刻的溫度預(yù)測值yt，以上是所建立GRU模型的具體架構(gòu)。

圖4 基于GRU神經(jīng)網(wǎng)絡(luò)的冷鏈運輸環(huán)境溫度預(yù)測模型Fig.4 The prediction model of cold chain transportation environment temperature based on GRU neural network

本文開發(fā)模型均將在MTLAB 2018 軟件平臺中進(jìn)行訓(xùn)練，首先，將數(shù)據(jù)集樣本按2:1比例劃分訓(xùn)練集與測試集;其次，采用后向誤差傳播算法學(xué)習(xí)網(wǎng)絡(luò),更新參數(shù)，依次迭代至損失函數(shù)收斂。

3.2 基于時序神經(jīng)網(wǎng)絡(luò)模型的冷鏈運輸溫度預(yù)測

針對2020年8月9-10日時間段的M1監(jiān)測點溫度數(shù)據(jù)集，以10 min 為單步時序預(yù)測間隔，分別利用GRU 模型進(jìn)行單步，三步和五步時序溫度預(yù)測，對比結(jié)果如圖5所示。如圖所示，實際溫度曲線在2020年8 月9 日8:00 時刻存在一個驟變過程，這是由于在實際操作過程中關(guān)閉了冷藏廂體溫控系統(tǒng)；并且，因正常晝夜溫度影響，廂體溫度在2020 年8 月9 日16:00左右到達(dá)最高點后開始逐漸降溫。另外，與多步時序預(yù)測相比，單步時序預(yù)測曲線更加接近實際觀測曲線，預(yù)測準(zhǔn)確性更好。

圖5 不同時序尺度的GRU神經(jīng)網(wǎng)絡(luò)模型溫度預(yù)測對比圖Fig.5 Comparison of temperature prediction of GRU neural network models at different time series scales

進(jìn)一步，在相同計算配置下分別利用GRU，RNN和BP 時序預(yù)測神經(jīng)網(wǎng)絡(luò)對冷鏈物流實驗廂體中M1,M2,M3監(jiān)測點溫度進(jìn)行單步時序預(yù)測，結(jié)果分別如圖6(a),(b),(c)所示，藍(lán)色曲線為實際溫度觀測值。由圖6 可知，橙色，綠色，紅色曲線分別表示GRU，RNN 和BP 模型的溫度預(yù)測值變化，GRU 預(yù)測曲線與實際觀測值一致性良好；與RNN 模型相比，在圖6(a),(b)中GRU 預(yù)測曲線更加接近實際觀測曲線；與BP 模型相比，在圖6(a),(b),(c)中GRU 預(yù)測曲線均更加接近實際觀測曲線。

圖6 基于GRU神經(jīng)網(wǎng)絡(luò)模型的冷鏈運輸環(huán)境溫度預(yù)測結(jié)果圖Fig.6 The prediction result of cold chain transportation environment temperature based on GRU neural network model

更直觀地展示各時序預(yù)測模型對于M1,M2,M3溫度數(shù)據(jù)集的預(yù)測溫度差曲線分別如圖7(a),(b),(c)所示。由圖可知，當(dāng)溫度驟變時預(yù)測誤差均出現(xiàn)了強(qiáng)烈振蕩，但與RNN，BP 模型相比，GRU 模型的預(yù)測溫度差值始終處于接近0 的更低的水平。以上實驗結(jié)果表明，GRU 模型具有更好的時序預(yù)測穩(wěn)定性和準(zhǔn)確性。

圖7 基于GRU神經(jīng)網(wǎng)絡(luò)模型的冷鏈運輸環(huán)境溫度預(yù)測誤差曲線圖Fig.7 The prediction error curves of cold chain transportation environment temperature based on GRU neural network model

3.3 冷鏈運輸溫度時序預(yù)測模型的性能量化評價

進(jìn)一步，通過MAE,MAPE,RMSE誤差系數(shù)分別量化評價各模型預(yù)測性能，結(jié)果如表1 所示。根據(jù)結(jié)果分析可知，GRU 模型除了在數(shù)據(jù)集M3時序預(yù)測中MAE 和MAPE 略高于RNN 模型，其他不同情況下各誤差系數(shù)均為最小。對于不同誤差系數(shù)均值，GRU模型的MAE,MAPE,RMSE 分別為0.156 ℃，0.760 ℃和0.236%，與RNN 和BP 模型評估結(jié)果相比均為最小值。經(jīng)實驗結(jié)果分析表明，在冷鏈運輸環(huán)境預(yù)測方面，GRU 神經(jīng)網(wǎng)絡(luò)模型較其他時序預(yù)測模型表現(xiàn)出了更優(yōu)的預(yù)測效果。

表1 不同模型的預(yù)測誤差系數(shù)對比結(jié)果Table.1 Comparison results of prediction error coefficients of different models

4 結(jié)論

本研究提出了基于GRU 神經(jīng)網(wǎng)絡(luò)模型的冷鏈運輸環(huán)境預(yù)測方法。結(jié)果表明，對比溫度真實值與預(yù)測值發(fā)現(xiàn)，基于GRU 模型對應(yīng)的廂體預(yù)測溫度均方根誤差和平均絕對誤差分別為0.156 和0.760 ℃，平均絕對百分比誤差為0.236%；在時間序列的溫度預(yù)測模型中，GRU 模型表現(xiàn)出更優(yōu)的預(yù)測效果。該模型可以應(yīng)用于冷鏈預(yù)冷、冷庫貯存、冷鏈運輸、銷售等環(huán)節(jié)，對于預(yù)測預(yù)警食品安全、精細(xì)控制冷鏈環(huán)境有指導(dǎo)意義。

未來研究將實現(xiàn)該模型的設(shè)備集成與驗證，以優(yōu)化提高設(shè)備性能；進(jìn)一步，功能完善方面，可以通過環(huán)境—品質(zhì)耦合模型研究與集成，開發(fā)冷鏈物流食品品質(zhì)智能感知設(shè)備。