一种药品库房温湿度预测方法与流程

1.本发明涉及监督算法和基于时间序列预测技术，尤其涉及一种基于 temporal_att
‑
former的药品库房温湿度预测方法。


背景技术：

2.目前关于温湿度的预测，研究者们会选择将采集的温湿度数据进行数学建模，结合统计学和机器学习方法来预测温湿度，这种方法弊端明显，运算量大，精度不高。
3.已有论文主要基于传统的循环神经网络方法对采集的温湿度特征提取来实现温湿度的预测。比如谢秋菊,郑萍,包军,苏中滨.基于深度学习的密闭式猪舍内温湿度预测[j/ol].农业机械学报，2021.结合实际温湿度传感器监测的密闭式猪舍内历史数据建立长短期记忆网络预测模型。但是由于长短期记忆网络训练速度慢以及不能并行从而降低模型的预测速度。也有论文结合cnn和gru预测温湿度，比如赵全明,宋子涛,李奇峰,郑文刚,刘宇,张钟莉莉.基于cnn
‑
gru的菇房多点温湿度预测方法研究[j].农业机械学报,2020.提出了基于cnn
‑
gru的网络结构用来预测菇房多点温湿度。但是由于cnn在提取特征时对丢失部分温湿度特征，而且没有结合时间序列。
[0004]
传统的药品库房环境的温湿度监测是基于人工监测，这种监测并不能能够保证药品在特定的温湿度环境下存储，而且耗费人工成本。


技术实现要素：

[0005]
发明目的：本发明提供一种基于temporal_att
‑
former的药品库房温湿度预测方法，实现对药品库房温湿度数据的准确预测，满足药品在库房中安全存储的要求。
[0006]
技术方案：本发明提出一种基于temporal_att
‑
former的药品库房温湿度预测方法，包括如下步骤：
[0007]
步骤1：获取药品库房环境的温湿度的历史数据，对历史数据进行预处理；
[0008]
步骤2：建立temporal_att
‑
former温湿度预测模型；
[0009]
步骤3：将获取的药品库房的温湿度数据特征，对temporal_att
‑
former进行温湿度预测模型训练；
[0010]
步骤4：测试temporal_att
‑
former模型的效果；
[0011]
步骤5：建立药品库房温湿度预警系统。
[0012]
进一步地，步骤1中获取药品库房环境的温湿度的历史数据，对历史数据进行预处理具体步骤如下：
[0013]
步骤1.1：对药品库房的各采集点，使用温湿度传感器采集药品库房的第一特征参数th1，包括温湿度传感器的编号，采集点的位置，温度数据，湿度数据，采集的时间序列，报警信息；
[0014]
步骤1.2：预处理第一特征数据，去除重复数据，填补丢失数据，获得第二特征数据th2，包括采集的时间序列，温湿度数据，报警信息；
[0015]
步骤1.3：将步骤1.2获得的时间序列的温湿度数据，分别获取每天，每周和每月的周期数据，并且采用零
‑
均值法对数据进行归一化和标准化处理，得到第三特征数据th3。
[0016]
进一步地，步骤2中建立temporal_att
‑
former温湿度预测模型具体步骤如下：
[0017]
步骤2.1：temporal_att
‑
former包括encoder模块和decoder模块；
[0018]
步骤2.2：建立encoder模块，包括输入层，卷积层，时间注意力层，归一化和特征输出层；
[0019]
步骤2.3：建立decoder模块，包括输入层，掩盖多头时间注意力层，多头时间注意力层和全连接层，输出层。
[0020]
进一步地，步骤2.2中encoder模块具体为：
[0021]
第一层：输入层，包括温湿度的特征，局部时间序列特征，全局的时间序列特征即在t时刻的温湿度输入为其中，为温湿度特征，为局部的时间序列特征，为全局时间序列特征；
[0022]
第二层：卷积层，采用一维卷积操作分别对药品库房温湿度进行特征提取，即
[0023]
第三层：多头时间注意力层，强化输入层的时间序列的温湿度特征；
[0024]
第四层：归一化和特征输出层。
[0025]
进一步地，步骤2.3中decoder模块具体为：
[0026]
第一层：输入层，基于时间序列的温湿度数据向前移动t个时间戳的输入，即
[0027]
第二层：注意力层，包括掩盖多头时间注意力层和多头时间注意力层；
[0028]
第三层：全连接层；
[0029]
第四层：输出层，输出预测的时间序列的温湿度数据。
[0030]
进一步地，步骤3中将获取的药品库房的温湿度数据特征，对temporal_att
‑
former进行温湿度预测模型训练具体步骤如下：
[0031]
步骤3.1：划分数据集，将步骤1中预处理后的药品库房的温湿度数据集 th3按照一定的比例划分训练集和测试集，分别表示为train，test；
[0032]
步骤3.2：设置训练轮次epoch以及批处理的轮次batch；
[0033]
步骤3.3：训练药品库房温湿度预测模型，将train输入temporal_att
‑ꢀ
former网络中进行训练，保存已训练完成的模型。
[0034]
进一步地，步骤4中测试temporal_att
‑
former模型的效果，具体步骤如下：
[0035]
步骤4.1：验证temporal_att
‑
former模型的性能，加载已保存的模型，将 test输入模型得到测试集的预测结果r；
[0036]
步骤4.2：将模型预测的温湿度r与真实的温湿度值进行比较，计算出平均绝对误差和均方根误差，调整模型的参数，优化网络结构。
[0037]
进一步地，步骤5中建立药品库房温湿度预警系统，具体步骤如下：
[0038]
步骤5.1：药品库房温湿度预警系统包括温湿度采集模块，存储模块，温湿度预测模块，预警模块；
[0039]
步骤5.2：温湿度采集模块包括药品库房各采集点的温湿度数据，将温湿度数据传输到服务器端；
[0040]
步骤5.3：存储模块在服务器端，存储温湿度传感器发送的温湿度数据；
[0041]
步骤5.4：温湿度预测模块包括对温湿度数据的清洗，预处理，归一化和标准化，搭建temporal_att
‑
former神经网络，预测给定时间区间的温湿度值并将结果传输到云服务器端；
[0042]
步骤5.5：预警模块是对云服务器中的温湿度预测结果进行判断，如果大于某一设定的温湿度阀值，则向客户端发出预警信号。
[0043]
有益效果：与现有技术相比，本发明具有如下显著的优点：本发明首先将药品库房的温湿度数据进行预处理，采用零
‑
均值法对数据进行归一化和标准化处理，利用时间注意力机制结合改进的transformer算法，对采集到的药品库房的温湿度历史数据进行有监督训练，实现较高准确度文药品库房温湿度预测，优化预测准确度和速度，从而能够减少人工的监测成本，保证药品能够在安全的环境下长期存放。
附图说明
[0044]
图1本发明的总体流程图；
[0045]
图2为本发明中构造temporal_att
‑
former药品库房温湿度预测模型图；
[0046]
图3为本发明中temporal_att
‑
former算法训练，测试流程图；
[0047]
图4为本发明中药品库房温湿度预警系统流程图。
具体实施方式
[0048]
下面结合附图和具体实施例，进一步阐明本发明。
[0049]
如图1
‑
4所示，一种基于temporal_att
‑
former的药品库房温湿度预测方法，包括如下步骤：
[0050]
步骤1：获取药品库房环境的温湿度的历史数据，对历史数据进行预处理，具体方法为：
[0051]
步骤1.1：对药品库房的各采集点，使用温湿度传感器采集药品库房的第一特征参数th1，包括温湿度传感器的编号，采集点的位置，温度数据，湿度数据，采集的时间序列，报警信息；
[0052]
步骤1.2：预处理第一特征数据，去除重复数据，填补丢失数据，获得第二特征数据th2，包括采集的时间序列，温湿度数据，报警信息；
[0053]
步骤1.3：将步骤1.2获得的时间序列的温湿度数据，分别获取每天，每周和每月的周期数据，并且采用零
‑
均值法对数据进行归一化和标准化处理，得到第三特征数据th3。
[0054]
步骤2：建立temporal_att
‑
former温湿度预测模型，具体方法为：
[0055]
步骤2.1：temporal_att
‑
former包括encoder模块和decoder模块；
[0056]
步骤2.2：建立encoder模块，包括输入层，卷积层，时间注意力层，归一化和特征输出层；
[0057]
第一层：输入层，包括温湿度的特征，局部时间序列特征，全局的时间序列特征即在t时刻的温湿度输入为其中为温湿度特征，为局部的时间序列特征，为全局时间序列特征。
[0058]
第二层：卷积层，采用一维卷积操作分别对药品库房温湿度进行特征提取即
[0059]
第三层：多头时间注意力层，强化输入层的时间序列的温湿度特征。
[0060]
第四层：归一化和特征输出层；
[0061]
步骤2.3：建立decoder模块，包括输入层，掩盖多头时间注意力层，多头时间注意力层和全连接层，输出层；
[0062]
第一层：输入层，基于时间序列的温湿度数据向前移动t个时间戳的输入即
[0063]
第二层：注意力层，包括掩盖多头时间注意力层和多头时间注意力层；
[0064]
第三层：全连接层；
[0065]
第四层：输出层，输出预测的时间序列的温湿度数据。
[0066]
步骤3：将获取的药品库房的温湿度数据特征，对temporal_att
‑
former进行温湿度预测模型训练，具体方法为：
[0067]
步骤3.1：划分数据集，将步骤1中预处理后的药品库房的温湿度数据集 th3按照一定的比例划分训练集和测试集，分别表示为train，test；
[0068]
步骤3.2：设置训练轮次epoch以及批处理的轮次batch；
[0069]
步骤3.3：训练药品库房温湿度预测模型，将train输入temporal_att
‑ꢀ
former网络中进行训练，保存已训练完成的模型。
[0070]
步骤4：测试temporal_att
‑
former模型的效果，具体方法为：
[0071]
步骤4.1：验证temporal_att
‑
former模型的性能，加载已保存的模型，将 test输入模型得到测试集的预测结果r；
[0072]
步骤4.2：将模型预测的温湿度r与真实的温湿度值进行比较，计算出平均绝对误差和均方根误差，调整模型的参数，优化网络结构。
[0073]
步骤5：建立药品库房温湿度预警系统，具体方法为：
[0074]
步骤5.1：药品库房温湿度预警系统包括温湿度采集模块，存储模块，温湿度预测模块，预警模块；
[0075]
步骤5.2：温湿度采集模块包括药品库房各采集点的温湿度数据，将温湿度数据传输到服务器端。
[0076]
步骤5.3：存储模块在服务器端，存储温湿度传感器发送的温湿度数据。
[0077]
步骤5.4：温湿度预测模块包括对温湿度数据的清洗，预处理，归一化和标准化，搭建temporal_att
‑
former神经网络，预测给定时间区间的温湿度值并将结果传输到云服务器端；
[0078]
步骤5.5：预警模块是对云服务器中的温湿度预测结果进行判断，如果大于某一设定的温湿度阀值，则向客户端发出预警信号。
[0079]
为了更好的说明本方法的有效性，对药品库房四个月的温湿度数据46088 条，采用零
‑
均值法对数据进行归一化和标准化处理，引入时间注意力机制和改进的transformer模型对药品库房温湿度进行预测，基于temporal_att
‑
former 的预测模型的评估标准平均绝对误差mae为0.172以及均方根误差rmse为 0.231，该模型的效果比传统的机器学习和深度学习预测算法有显著提高。
[0080][0081][0082]
本发明可与计算机系统结合，从而完成药品库房温湿度自动预测。
[0083]
本发明创造性的提出了一种基于temporal_att
‑
former的药品库房温湿度预测方法，经过多次实验，得到药品库房温湿度预测模型。
[0084]
本发明提出的一种基于temporal_att
‑
former的药品库房温湿度预测方法不但可以用于药品库房温湿度预测，也可以用于其他基于时间预测序列的预测。
[0085]
本发明未作详细阐述的内容属于本专业领域技术人员公知的已有技术。