基于TCN-BiGRU結合自注意力機制的儲糧溫度預測研究

摘要：糧食倉儲管理對于國家具有重要意義，儲糧溫度是判斷糧食倉儲安全的重要指標之一。準確地預測儲糧溫度并及時做出相應的防護措施能夠有效降低糧食倉儲損耗。針對傳統儲糧溫度預測模型預測準確度較低的問題，提出一種融合時域卷積網絡（TCN）、自注意力機制（Self-Attention）和雙向門控循環單元（BiGRU）的網絡模型。首先通過TCN提取儲糧溫度數據的局部特征，并根據儲糧溫度數據的時序特征將自注意力機制加入網絡為不同糧情特征分配權重，突出對儲糧溫度預測影響更大的特征，之后利用BiGRU網絡學習糧情序列的雙向依賴關系來獲取序列中的更多信息，實現對儲糧溫度的預測。結果表明，所提出的模型均方根誤差RMSE為0.389 5，平均絕對誤差MAE為0.328 1，確定系數R²為0.991 2，與其他模型相比誤差小，預測精度高，能夠為糧倉的溫度管控提供決策依據。

關鍵詞：儲糧溫度預測；時域卷積網絡；自注意力機制；門控循環單元網絡

中圖分類號：S379; TP183

文獻標識碼：A

文章編號：2095-5553（2024）12-0133-07收稿日期：2024年6月18日

修回日期：2024年8月15日

*基金項目：國家重點研發計劃（2022YFD2100202）；河南省高等學校重點科研項目計劃（24A520013）

第一作者：祝玉華，女，1964年生，山東菏澤人，博士，教授；研究方向為糧食信息化等。E-mail：yhzhu@haut.edu.cn

Research on temperature prediction of grain storage based on TCN-BiGRU combined with self-attention mechanism

Zhu Yuhua^{1， 2}， Zhang Yuhan^{1， 2}， Li Zhihui^{1， 2}， Zhen Tong^{1， 2}

（1. College of Information Science and Engineering， Henan University of Technology， Zhengzhou， 450001， China;2. Key Laboratory of Ministry of Education Grain Information Processing and Control， Henan University of Technology， Zhengzhou， 450001， China）

Abstract： Efficient grain storage management is of great significance to the country， and grain storage temperature is one of the key indicators to judge grain storage security. Accurately predicting the temperature of stored grain and making timely and appropriate protective measures can effectively reduce grain storage losses. In order to address the limitations of traditional prediction models， this paper introduces a novel network model integrating a time-domain convolutional network （TCN）， a self-attention mechanism， and a bi-directional gated recursive unit （BiGRU）. First of all， the local features of grain storage temperature data are obtained by TCN， and the Self-Attention mechanism is incorporated into the network according to the temporal characteristics of grain storage temperature to assign weights to different grain features， highlighting the features that have a greater impact on the prediction of grain storage temperature. In addition， BiGRU network is used to learn the bi-directional dependency of grain condition sequences to obtain more information in the sequences and achieve the prediction of grain storage temperature. The experimental results show that the RMSE of the model is 0.389 5， the MAE is 0.328 1， and the R² is 0.991 2. Compared with other models， the proposed method reduces the error and improves the prediction accuracy， thus providing a solid foundation for decision-making in grain storage temperature control.

Keywords： grain storage temperature prediction; time-domain convolutional network （TCN）; self-attention mechanism; gated recursive unit （ GRU）

0 引言

糧食事關民生國計，我國糧食產量每年都在不斷增長，但糧食在儲存過程中的損耗問題也一直存在，如何降低糧食的損耗量是亟待解決的問題^［1］。影響糧食儲藏過程的糧情信息主要包括溫度、濕度、水分、霉菌、二氧化碳以及儲糧害蟲等，儲糧溫度是其中最重要的影響因素。溫度的升高會引起糧堆內出現蟲害和霉變，并且會加速糧食呼吸作用等生命活動過程，從而導致糧食品質劣化和損失，影響儲糧安全工作^{［2， 3］}。因此，如果能提前發現問題，就能夠及時采取措施減少損失。儲糧溫度是判斷儲糧環境安全的重要指標，預測儲糧溫度的變化對于儲糧安全的監測和預警至關重要^［4］。通過預測能夠提前得知儲糧溫度，當溫度出現異常值時，糧倉作業人員能夠及時采取通風、熏蒸等防護措施，控制蟲害和霉變的發生從而減少糧食倉儲損耗。然而，糧倉傳統的糧食信息化監測系統主要靠傳感器或光纖進行倉內溫度、濕度數據的實時采集和監測，缺乏對儲糧溫度變化趨勢的精準預測^［5］。并且，傳統的儲糧溫度預測通常采用數值模擬或建立數學模型的方法，但由于糧堆溫度受到多個影響因素的耦合作用，預測糧堆溫度時難以精確獲得與其他各因素間復雜的非線性關系。

近年來，隨著人工智能技術的不斷發展，神經網絡在儲糧溫度預測方面得到了廣泛的應用^［6］。高松等^［7］結合主成分分析和BP神經網絡進行糧溫預測，但BP神經網絡結構簡單，不能有效提取數據的時序特征，預測結果存在較大差異。馮鴻超^［8］提出基于長短期記憶網絡（Long Short-term Memory， LSTM）的儲糧溫度預測模型解決了傳統方法中網絡模型提取糧情特征困難的問題，但該模型具有收斂速度較慢的缺點，并且當輸入數據變多和輸出數據變長時，容易出現梯度消失和梯度爆炸等問題。蔣思瑋等^［9］提出改進粒子群優化門控循環單元（Gated Recurrent Unit， GRU）網絡的儲糧溫度預測方法具有更快的收斂速度，但未能充分考慮數據的所有信息，具有一定的局限性。雙向門控循環單元網絡（Bi-directional Gated Recurrent， BiGRU）在GRU的基礎上進行改進從而在時間序列的預測方面具有一定的優勢，但對于糧情多維數據的預測存在局限性。自注意力機制（Self-Attention）被引入儲糧溫度多維數據預測任務中以解決時間序列信息未被充分挖掘的問題^［10］。時域卷積網絡（Temporal Convolutional Network， TCN）具有良好的特征提取和時間建模能力，但特征提取能力有限^［11］。為了克服這些單獨模型的局限性，越來越多的混合模型被應用到各個領域。

為準確預測儲糧溫度進而減少糧食損耗，本文構建一種基于TCN-BiGRU結合自注意力機制（Self-Attention）的模型融合算法來實現對儲糧溫度的預測。通過TCN提取儲糧溫度數據的局部特征，并根據儲糧溫度數據的時序特征將自注意力機制加入網絡為不同糧情特征分配權重，利用BiGRU網絡學習糧情序列的雙向依賴關系來獲取序列中的更多信息，實現對儲糧溫度的預測。

1 模型基本原理

1.1 TCN網絡

時域卷積網絡（TCN）是一種全新的深度學習結構，不同于傳統的循環神經網絡。其結構以一維卷積神經網絡為基礎，通過融合膨脹卷積、因果卷積以及殘差模塊等多種機制，有效地提取出數據之間的關聯性，能夠更好地處理時間序列預測問題^［12］。

TCN的核心為膨脹因果卷積。因果卷積是一種單向的結構，即上一個層次的某個時間點的輸出只和下一個層次該時間點和前面的輸入相關。因果卷積的感受野與網絡深度線性相關，當處理長歷史信息時需要更深的網絡結構和需要更長的時間來訓練，從而導致因果卷積無法有效地捕獲長時間序列的信息。因此，TCN采用膨脹卷積對輸入數據進行間隔采樣，計算如式（1）所示。

式中：t——時間步；

F（t）——時間點t的輸出值；

k——卷積核大小；

i——求和索引，i=0，1，2，…，k-1；

f（i）——卷積核中的第i個元素；

d——膨脹系數，d=1，2，…，2^l；

x——輸入序列；

x_t-d·i ——從t時刻向過去平移d·i時刻對應的輸入值。

膨脹因果卷積結構如圖1所示，本文設置參數為d=1，2，4，k=3。膨脹系數隨著層數的增加進行指數級增長，進而擴大感受野，使得模型能夠捕捉不同時間尺度上的局部特征，從而提高對時序數據的建模能力。而局部特征是指在這些有限的感受野內捕捉到的模式和規律。但相比于普通卷積網絡，TCN網絡在層數上有所減少，但卻能夠獲得更大的感受野，從而避免信息的重復提取，能夠充分分析糧情數據的特征。

此外，為了解決傳統神經網絡在層數逐漸加深時容易出現梯度爆炸和網絡退化的問題，TCN的輸出層中應用了殘差連接模塊^［13］，結構如圖2所示。該模塊由兩個相同的內部單元和一個一維卷積網絡組成，其中內部單元包括膨脹因果卷積層、歸一化層、激活函數、Dropout層。對TCN殘差模塊進行微小改進，歸一化層采用批歸一化，激活函數采用指數線性單元ELU。使用這一殘差結構可以減少網絡在特征提取過程中信息的大量損失，進而提高模型的性能。

1.2 自注意力機制（Self-Attention）

考慮到糧溫數據具有時序和趨勢性的特征，本文使用針對時間的注意力機制的變體即自注意力機制（Self-Attention）^［14］。自注意力機制可以在訓練過程中自動學習不同糧情特征對糧溫預測的貢獻程度，進而為不同的特征賦予不同的權重，降低對外界信息的依賴性，有效提高模型特征提取的能力。此外，自注意力機制不僅能捕獲數據的全局特征信息，還能捕獲同一組數據向量之間的特征信息，識別儲糧溫度變化中的重要趨勢^［15］。具體而言，這種注意力機制層的引入能夠對輸入數據自身的信息進行訓練并不斷更新參數，從而得到注意力的權重，突出重要特征信息的影響力，其結構如圖3所示。

在圖3中， x_i 為輸入序列； v_i 是生成的值向量； x_ti 是輸入序列與各自的查詢向量和鍵向量做運算并經過Softmax激活函數后得到的結果； y_i 則是輸入序列第i個位置信息與其他所有位置信息進行注意力機制運算后的結果。其中，i =1，2，3，…，t。

將經過TCN網絡處理后的序列輸入到自注意力模塊中，就得到具有權重的特征序列，計算如式（2）所示。

式中：Attention——得到的注意力權重；

Q——查詢矩陣長度；

K——鍵矩陣長度；

V——鍵向量長度；

d_k ——鍵的維度。

1.3 門控循環單元網絡

門控循環單元網絡（GRU）作為LSTM網絡的一種改進形式，其設計旨在簡化網絡結構并提高訓練效率。與LSTM相比，GRU采用了一個集成式的更新門機制，該機制有效整合了LSTM中遺忘門和輸出門的功能。同時網絡還解決了循環神經網絡（RNN）存在不能長期記憶以及容易出現梯度消失的問題^［16］。GRU網絡結構中具有重置門和更新門兩個關鍵的門控機制^［17］。重置門決定了前一刻被遺失信息量的大小，更新門控制前一刻到當前時刻的狀態信息傳輸量。通過這兩個門控機制可以保留重要的特征，并有效地捕捉序列長短期的依賴關系。GRU神經網絡結構如圖4所示。

GRU網絡從前向后進行預測，這就導致模型在處理數據時通常只能考慮前向方向的信息，忽略了后向序列數據的相關重要信息。但是在糧情數據的變化過程中前后的信息是具有一定相關性的。因此，為了提高儲糧溫度預測精度，構建了雙向門控循環單元網絡（BiGRU）^{［18， 19］}，如圖5所示。BiGRU由兩個相反方向的GRU組成，一個按照時間序列正向處理數據，另一個從相反方向處理數據。通過這種雙向結構，BiGRU模型能夠同時捕獲前向和后向信息，從而獲得更全面的時間序列信息來進行預測。具體計算如式（3）～式（5）所示。

式中： h_t ——正向門控循環單元網絡的隱藏狀態；

h_t ——反向門控循環單元網絡的隱藏狀態；

h_t ——拼接兩個方向的隱藏狀態得到的當前時刻的隱藏狀態。

因此，通過上述處理方式，BiGRU能夠捕捉序列數據的雙向依賴關系，從而更好地提取時間序列的全局信息。

1.4 TCN-SA-BiGRU模型

儲糧溫度預測可以采用多種方法，而本文是利用糧倉歷史糧情數據來進行預測。數據信息主要包括糧堆各層的平均溫度、糧倉內溫度、糧倉內濕度、大氣溫度、大氣濕度等。這些數據對預測儲糧溫度起著至關重要的作用。然而，傳統的儲糧溫度預測往往采用單一的網絡模型，未能充分挖掘糧情數據內部的潛在關系。因此，結合上述模塊的結構分析，本文提出一種融合TCN、自注意力機制和BiGRU的模型，即TCN-SA-BiGRU模型，用于儲糧溫度預測。圖6為模型結構。

首先，由TCN對序列數據進行初步提取，有效捕獲時間序列數據中的局部特征，如由于糧倉通風操作、外界氣溫變化或通風系統故障等引起的短時間內的溫度波動。此外，TCN可以通過靈活地增加層數和改變膨脹因子的大小來改變感受野的大小，從而更有利于處理序列問題。然后，通過自注意力機制對TCN網絡的輸出進行處理，生成帶有權重的向量，提高重要特征的影響力。接著，將數據輸入到BiGRU模型，利用BiGRU挖掘糧情特征的全局依賴關系來對糧堆溫度進行預測，同時在BiGRU層后加入Dropout層，有效地減少過擬合。最后，經過全連接層輸出預測溫度值。因此，通過構建TCN-SA-BiGRU模型結構能夠更好地利用數據的時序和多維特征，提高對儲糧溫度的預測精準度。

2 試驗結果及分析

2.1 試驗數據來源

試驗使用的糧倉數據來自吉林省的一個高大平房倉。為了充分考慮到糧倉內各層溫度的差異，該糧倉按照國家標準采用分布式測溫技術來進行檢測，測溫點水平距離5 m，垂直距離1.8 m，距糧面、地面和墻壁0.5 m。在進行測量時將糧堆分為5層，其分布如圖7所示。同時，為了得到準確的溫度預測值，在預測時也采用分層預測的方法。此外，還采用溫濕度傳感器測量糧倉內的溫濕度和大氣溫濕度。倉內溫濕度所用傳感器布置于糧面上空間的中心位置；大氣溫濕度傳感器布置于庫區內空曠處，距地面1.5 m處。由于糧堆內溫度變化緩慢，故采用每小時采集一次糧倉溫濕度數據的策略，由分機接收指令，通過傳輸接口將傳感器所采集的溫濕度數據及控制設備狀態信息返回給已安裝測控系統軟件的上位機，并將數據保存到數據庫中，其系統結構如圖8所示。

2.2 數據預處理

數據來自吉林省某糧庫數據集。糧庫每隔1 h采集糧堆各層平均溫度、倉溫、倉濕、外溫、外濕、糧堆最高溫、糧堆最低溫等共2 700組。對數據進行歸一化處理，計算如式（6）所示。

x′=x-x_min/x_max-x_min （6）

式中： x′ ——標準化后的輸入糧情數據；

x——原始數據值；

x_max ——最大的原始數據值；

x_min ——最小的原始數據值。

通過對輸入的影響糧溫的數據進行歸一化處理，可以保證輸入原始數據的取值范圍均在［0，1］內，消除數據不一致對試驗的影響。

2.3 模型評價指標

選取均方根誤差（RMSE）、平均絕對誤差（MAE）以及確定系數（R²）三個參數作為評價模型效果的指標。MAE反映預測值與實際值之間的誤差，RMSE則反映兩者之間的偏差情況。確定系數R²作為衡量模型擬合度的指標，其取值范圍為0～1，數值越接近1表示模型擬合的越好。計算如式（7）～式（9）所示。

式中： Y_i ——真實值；

Y^_i ——預測值；

Y- ——所有樣本真實值的平均值；

m——測試集樣本的總數。

通過計算這些評價指標，可以量化模型的預測準確性和擬合程度，從而對模型的性能進行評估和比較。

2.4 預測結果分析

按照8∶2的比例將數據集劃分為訓練集和測試集。影響糧溫的特征選取糧堆最高溫、糧堆最低溫、倉內溫濕度、大氣溫濕度。輸入特征矩陣的大小為2 700×7。通過將本文提出的儲糧溫度預測模型TCN-SA-BiGRU與BP神經網絡、TCN網絡、BiGRU網絡、TCN-BiGRU網絡模型進行比較，得到各模型的評價結果，從而驗證本文模型的性能。各個模型使用相同的訓練集和測試集，然后計算各個模型反歸一化后的RMSE、MAE和R²值，具體結果如表1所示。

根據預測結果進行分析，得出以下結論：在試驗中，BP神經網絡的預測效果最差，其RMSE為2.533 8，MAE值為2.398 9，R²為0.861 2。相比BP神經網絡模型，TCN和BiGRU單一模型的預測效果有一定提升，但由于模型存在一定的局限性，其擬合效果仍存在較大誤差，均未達到較好的預測效果。在BiGRU模型前加入TCN網絡對時序特征進行初步提取后，得到的融合模型TCN-BiGRU的預測效果提升，其RMSE指標降低為0.587 5，MAE降低為0.436 8，R²提升至0.976 9。這表明將兩者結合，TCN能夠實現儲糧溫度數據局部特征的初步提取，而BiGRU可以充分考慮糧情的雙向信息進行預測。因此該融合模型的整體預測效果相比單一模型更加優越。最后，結合自注意力機制對TCN網絡處理后的數據特征進行權重分配，突出糧情的重要特征進行預測。得到的預測模型TCN-SA-BiGRU在處理多維度數據上效果優異。試驗結果顯示，其RMSE降低為0.389 5，MAE降低為0.328 1，R²提升至0.991 2，這表明引入自注意力機制能夠解決時間序列信息未被充分挖掘的問題。綜上所述，所提出的TCN-SA-BiGRU儲糧溫度預測模型相較于其他網絡模型具有更好的預測效果。

在儲糧溫度預測的對比試驗中，各個模型部分預測結果及實際值見表2。通過對比分析可知，模型TCN-SA-BiGRU的預測結果與真實值相差不大，并且與其他模型的預測結果相比誤差小，預測準確度更高。

圖9表明BP神經網絡在預測過程中存在波動，并且預測結果與真實值的誤差較大。圖10和圖11表明TCN網絡模型和BiGRU模型在處理和預測儲糧溫度數據方面相比BP神經網絡具有一定的優勢，但兩者都未達到最好的效果。由圖12可以看出，在BiGRU模型預測前結合TCN網絡對數據進行初步特征處理，能夠更好地捕獲序列特征，提升預測效果。由圖13可以得出，本文模型得到的預測結果與實際所測的溫度值基本吻合，預測精度更高。這表明本文在TCN和BiGRU模型融合的基礎上結合自注意力機制，能夠為不同特征分配不同的權重，從而突出關鍵特征，進一步提升預測效果。由圖14可以看出，TCN-SA-BiGRU融合模型的預測結果與真實值基本一致，擬合效果最佳。

綜上所述，基于TCN-BiGRU結合自注意力機制的儲糧溫度預測方法具有較高的準確性，并且預測性能優于其他預測方法。儲糧溫度的預測對于減少糧食損耗，確保糧倉工作安全具有重要意義。提出的模型能夠滿足儲糧工作的一定需求，通過精準預測儲糧溫度能夠保障倉儲通風工作的及時進行，并且可以進一步地將溫度預測功能應用到糧情監測系統中，加快糧食信息化建設，具有廣泛的應用價值。

3 結論

針對糧溫數據的時序性特征以及傳統儲糧溫度預測模型預測精度較低的問題，提出一種新的儲糧溫度預測方法，即基于TCN-BiGRU結合自注意力機制的儲糧溫度預測模型。

1）首先采用TCN對序列數據進行特征提取，捕捉序列的局部信息，接著進一步結合自注意力機制突出糧情重要特征，最后通過BiGRU模型捕捉時序數據雙向信息進行溫度預測。結果表明，本試驗研究的網絡模型RMSE為0.389 5，MAE為0.328 1，R²為0.991 2，能夠準確預測儲糧溫度。

2）在與其他模型的比較中，本文所提出的模型性能指標更優，具有更高的預測精度，與BP神經網絡模型相比，RMSE低2.144 3，MAE低2.070 8；與TCN模型相比，RMSE低1.304 5，MAE低1.266 0；與BiGRU模型相比，RMSE低1.081 9，MAE低0.877 9；

與TCN-BiGRU模型相比，RMSE低0.198 0，MAE低0.108 7。能夠提高糧倉管理作業的可靠性，并為儲糧溫度預測提供新的方法。

參 考 文 獻

［1］ 李雯雯. 國家糧食和物資儲備局：“十四五”統籌推進糧食安全治理體系和治理能力現代化［J］. 中國糧食經濟， 2021（5）： 30-33.

［2］ 郭利進， 王永旭. 基于XGBoost優化算法的儲糧溫度預測研究［J］. 糧食與油脂， 2022， 35（11）： 78-82.

Guo Lijin， Wang Yongxu. Research on prediction of stored grain temperature based on XGBoost optimization algorithm ［J］. Cereals amp; Oils， 2022， 35（11）： 78-82.

［3］ 黃琦蘭， 王濤. 基于智能算法的儲糧通風過程中溫度場預測［J］. 保鮮與加工， 2022， 22 （3）： 30-34.

Huang Qilan， Wang Tao. Temperature field prediction of grain storage ventilation process based on intelligent algorithm ［J］. Storage and Process， 2022， 22（3）： 30-34.

［4］ 王赫， 曹毅， 李玉， 等. 基于改進粒子群算法的平房倉糧溫BP神經網絡預測模型建立［J］. 中國糧油學報， 2023， 38（6）： 113-118.

Wang He， Cao Yi， Li Yu， et al. Prediction model of grain temperature in warehouse based on improved particle swarm optimization BP neural network ［J］. Journal of the Chinese Cereals and Oils Association， 2023， 38（6）： 113-118.

［5］ 苑江浩， 鄭丹， 孟祥雪， 等. 糧情監測預警技術研究進展［J］. 中國糧油學報， 2022， 37（11）： 19-26.

Yuan Jianghao， Zheng Dan， Meng Xiangxue， et al. Research progress of grain monitoring and early warning technology ［J］.Journal of the Chinese Cereals and Oils Association， 2022， 37（11）： 19-26.

［6］ 苑江浩， 常青， 李燕羽， 等. 神經網絡在糧食儲藏領域中的應用概述［J］. 中國糧油學報， 2021， 36（2）： 155-161.

Yuan Jianghao， Chang Qing， Li Yanyu， et al. Application of neural network in the field of grain storage ［J］. Journal of the Chinese Cereals and Oils Association， 2021， 36（2）： 155-161.

［7］ 高松， 宋輝. 基于BP神經網絡方法的高大平房倉溫度場預測研究［J］. 糧油食品科技， 2015， 23（1）： 94-97.

Gao Song， Song Hui. Prediction of the temperature field of high amp; large warehouse based on BP neural network ［J］. Science and Technology of Cereals， Oils and Foods， 2015， 23（1）： 94-97.

［8］ 馮鴻超. 基于溫濕度糧情的儲糧安全風險預警模型及應用［D］. 鄭州： 河南工業大學， 2019.

Feng Hongchao. Pre-warning model of stored grain safety risk based on temperature and humidity and its application ［D］. Zhengzhou： Henan University of Technology， 2019.

［9］ 蔣思瑋， 孫妍， 陳靜， 等. 改進粒子群優化GRU網絡的儲糧溫度預測方法［J］. 計算機與數字工程， 2023， 51（5）： 1036-1041， 1156.

Jiang Siwei， Sun Yan， Chen Jing， et al. Grain storage temperature prediction method based on GRU network optimized by improved particle swarm optimization ［J］. Computer amp; Digital Engineering， 2023， 51（5）： 1036-1041， 1156.

［10］ Xie Y， Zeng P， Chen J. Hybrid attention-based improved temporal convolutional BiGRU approach for short-term load forecasting ［C］. Journal of Physics： Conference Series. IOP Publishing， 2024， 2703（1）： 012052.

［11］ Song Y， Luktarhan N， Shi Z， et al. TGA： A novel network intrusion detection method based on TCN， BiGRU and attention mechanism ［J］. Electronics， 2023， 12（13）： 2849.

［12］ Limouni T， Yaagoubi R， Bouziane K， et al. Accurate one step and multistep forecasting of very short-term PV power using LSTM-TCN model ［J］. Renewable Energy， 2023， 205： 1010-1024.

［13］ 吳曉丹， 范波， 王建祥， 等. 基于VMD-TCN-Attention的鋰電池壽命預測［J］. 電源技術， 2023， 47 （10）： 1319-1325.

Wu Xiaodan， Fan Bo， Wang Jianxiang. Life prediction of lithium battery based on VMD-TCN-Attention ［J］. Chinese Journal of Power Sources， 2023， 47 （10）： 1319-1325.

［14］ Yang L， Wang S， Chen X， et al. High-fidelity permeability and porosity prediction using deep learning with the self-attention mechanism ［J］. IEEE Transactions on Neural Networks and Learning Systems， 2022， 34 （7）： 3429-3443.

［15］ 劉森， 劉美， 賀銀超， 等. 基于DCNN網絡及Self-Attention-BiGRU機制的軸承剩余壽命預測［J］.機電工程， 2024， 41（5）： 786-796.

Liu Sen， Liu Mei， He Yinchao， et al. Residual life prediction of bearings based on DCNN network and Self-Attention-BiGRU mechanism ［J］. Journal of Mechanical amp; Electrical Engineering， 2024， 41（5）： 786-796.

［16］ Zhao Z， Yun S， Jia L， et al. Hybrid VMD-CNN-GRU-based model for short-term forecasting of wind power considering spatio-temporal features ［J］. Engineering Applications of Artificial Intelligence， 2023， 121： 105982.

［17］ Mahjoub S， Chrifi-Alaoui L， Marhic B， et al. Predicting energy consumption using LSTM， multi-layer GRU and drop-GRU neural networks ［J］. Sensors， 2022， 22（11）： 4062.

［18］ Zhang Y， Zhang L， Sun D， et al. Short-term wind power forecasting based on VMD and a hybrid SSA-TCN-BiGRU network ［J］. Applied Sciences， 2023， 13（17）： 9888.

［19］ 鄒智， 吳鐵洲， 張曉星， 等. 基于貝葉斯優化CNN-BiGRU混合神經網絡的短期負荷預測［J］. 高電壓技術， 2022， 48（10）： 3935-3945.

Zou Zhi， Wu Tiezhou， Zhang Xiaoxing， et al. Short-term load forecast based on bayesian optimized CNN-BiGRU hybrid neural networks ［J］. High Voltage Engineering， 2022， 48（10）： 3935-3945.