改进粒子群优化GRU网络的储粮温度预测方法

粮仓温度是判断储粮安全的重要指标，预测储粮温度的变化是储粮安全监测和预警的有效手段。论文提出一种基于门控循环单元的储粮温度预测方法，该方法构建两层GRU网络和全连接层，引入了非线性惯性因子和自适应学习因子的粒子群算法优化神经网络的初始权重，在模型中加入Dropout算法和RMSProp优化器训练网络参数。采用实验仓的传感器数据训练和测试模型，实验结果表明论文提出的IPSO-GRU模型预测值与实际值的均方根误差为0.078，与GRU网络、LSTM网络、BP网络对比误差分别减小13%、16%、74%，论文模型能很好地拟合储粮温度的变化。