1.一种基于多级注意力网络的仓储粮堆温度预测方法,其特征在于,包括如下步骤:
构建基于LSTM的编码-解码的预测模型,所述基于LSTM的编码-解码的预测模型包括编码器和解码器:编码器包括空间注意力模块和第一LSTM模块,所述空间注意力模块用于根据各温度传感器的历史温度值以及各温度传感器间的空间关系得到各温度传感器间的空间注意力,所述第一LSTM模块用于根据各温度传感器间的注意力和上一时刻编码器的隐藏状态对编码器的隐藏状态进行实时更新;所述解码器包括时间注意力模块、第二LSTM模块和线性变换模块,所述时间注意力模块用于根据实时更新的编码器的隐藏状态确定编码器隐藏状态的时间注意力,并根据编码器隐藏状态的时间注意力确定上下文向量,所述第二LSTM模块用于根据上下文向量和上一时刻解码器的隐藏状态对解码器的隐藏状态进行实时更新,所述线性变换模块用于根据更新后的解码器的隐藏状态和对应时刻的上下文向量对温度进行预测;
利用获取的粮堆内部布设的各温度传感器的历史温度值以及各温度传感器间的空间关系训练所述基于LSTM的编码-解码的预测模型,得到粮堆温度预测模型;
获取待预测温度传感器所需历史时刻的温度值和粮堆内其余温度传感器所需历史时刻的温度值,以及各温度传感器间的空间关系,输入至粮堆温度预测模型中,得到待预测温度传感器预测时刻的温度值。
2.根据权利要求1所述的基于多级注意力网络的仓储粮堆温度预测方法,其特征在于,所述空间注意力模块为局部空间注意力单元和/或全局空间注意力单元,所述局部空间注意力单元用于得到与目标温度传感器相近的各温度传感器和目标温度传感器间的空间注意力;所述全局空间注意力用于得到各温度传感器和目标温度传感器间的空间注意力。
3.根据权利要求2所述的基于多级注意力网络的仓储粮堆温度预测方法,其特征在于,当空间注意力模块为局部空间注意力单元和全局空间注意力单元时,所述第一LSTM模块用于根据局部空间注意力单元的输出、全局空间注意力单元的输出和上一时刻编码器的隐藏状态对编码器的隐藏状态进行实时更新。
4.根据权利要求1所述的基于多级注意力网络的仓储粮堆温度预测方法,其特征在于,利用获取的粮堆内部布设的各温度传感器各历史时刻的温度值以及各温度传感器间的空间关系训练所述多级注意力网络模型时,还包括对获取的各温度传感器的历史温度值进行归一化处理的步骤。
5.根据权利要求4所述的基于多级注意力网络的仓储粮堆温度预测方法,其特征在于,在对获取的各温度传感器的历史温度值进行归一化处理前,还包括检测获取的各温度传感器的历史温度值是否存在空值的步骤:若存在空值,则用存在空值相邻时刻的温度传感器的温度值替代空值。
6.一种基于多级注意力网络的仓储粮堆温度预测装置,其特征在于,包括存储器和处理器,所述处理器用于执行存储在存储器中的指令以实现如权利要求1~5任一项所述的基于多级注意力网络的仓储粮堆温度预测方法。