1.仓储粮堆粮温预测方法,其特征在于,包括:
获取历史气象数据和粮堆内各位置点的温度数据;
将获取的历史气象数据和粮堆内各位置点的温度数据输入神经网络预测模型,得到未来某一时刻粮堆内各位置点的温度数据;
其中,所述神经网络预测模型包括第一分支和第二分支,所述第一分支包括依次连接的输入层、第一Permute层、LSTM网络、第二Permute层、第二全连接层、第三Permute层、Merge层、第一Flatten层,其中Merge层的输入还包括来自LSTM网络的输出;
所述第二分支包括依次连接的输入层、多个Inception模块、第二Flatten层,其中多个Inception模块之间插入有多个最大池化层和一个空间注意力模块;
所述第一分支和所述第二分支的输出均输入Concat层,Concat层连接至第一全连接层,第一全连接层连接至输出层;
气象数据包括气温、气压、相对湿度、0 cm地面温度、日照时间和降水量。
2.如权利要求1所述的仓储粮堆粮温预测方法,其特征在于,选取历史区间内的气象数据和粮堆内各位置点的温度数据,利用80%的数据建立训练集,利用20%的数据建立测试集。
3.仓储粮堆粮温预测装置,其特征在于,包括:
数据采集模块,用于获取历史气象数据和粮堆内各位置点的温度数据;
预测模块,用于将获取的历史气象数据和粮堆内各位置点的温度数据输入神经网络预测模型,得到未来某一时刻粮堆内各位置点的温度数据;
其中,所述神经网络预测模型包括第一分支和第二分支,所述第一分支包括依次连接的输入层、第一Permute层、LSTM网络、第二Permute层、第二全连接层、第三Permute层、Merge层、第一Flatten层,其中Merge层的输入还包括来自LSTM网络的输出;所述第二分支包括依次连接的输入层、多个Inception模块、第二Flatten层,其中多个Inception模块之间插入有多个最大池化层和一个空间注意力模块;
所述第一分支和所述第二分支的输出均输入Concat层,Concat层连接至第一全连接层,第一全连接层连接至输出层;
气象数据包括气温、气压、相对湿度、0 cm地面温度、日照时间和降水量。
4.如权利要求3所述的仓储粮堆粮温预测装置,其特征在于,选取历史区间内的气象数据和粮堆内各位置点的温度数据,利用80%的数据建立训练集,利用20%的数据建立测试集。