基于GRU神经网络模型的冷链运输温度时序预测

陈 谦 杨 涵 王宝刚 李文生 钱建平*

（1.中国农业科学院农业资源与农业区划研究所/农业农村部农业遥感重点实验室，北京 100081；2.北京市农林科学院农产品加工与食品营养研究所，北京 100093）

1 引言

冷链可以有效维持易腐食品品质、保障质量安全、降低过程损耗，全球40%的生产食品需要冷链物流保护[1-2]。冷链的核心是保持食品处于适宜低温环境。随着信息及通信技术的发展，冷链环境监控技术可以满足多点、无线、实时等需求，并向动态预测，智能决策和精准调控方向逐步发展[3-4]。冷链环境监测已经成为重要的冷链技术研究课题之一。

目前，传统冷链环境监测系统主要基于无线传感网络（Wireless Sensor Network,WSN）、射频识别（Radio Frequency Identification，RFID）等远程监控技术沟通底层传感器与上层互联网，以实现冷链环境的在线监测及非接触信息传递[4]。齐林等将基于Zigbee的无线传感器网络应用于水产品冷链物流实时监控系统，并保证了有效数据传输效果[5]；钱建平等验证了温度感知RFID 标签用于冷链温度监测的可行性[6]。然而，单一传感器仅可获取局部点的历史环境信息，同时，资源限制和成本因素导致每个托盘，甚至每个冷藏箱架设传感设备不现实。随着人工智能的发展，智能信息处理技术被逐渐用于冷链运输环境的时空预测，以弥补基础传感器感知的局限性[7-9]。为进一步拓展温度传感器空间监测范围，do Nascimento利用神经网络建模了托盘内产品和空气温度之间的内在非线性关系[10]；Badia-Melis 将温度监测数据作为人工神经网络软件输入准确估计了整个苹果托盘的温度[11]；Mercier 利用物理传热模型的理论基础和泛化能力，开发了一个灵活的神经网络框架，可以实时无损监测产品温度[12]。对于冷链环境的时序变化预测，Chen 利用BP 神经网络预测冷链温度变化和趋势，并用指数加权移动平均控制图监测温度变化[13]。进一步，与决策规则结合，Hoang 根据冷库中需求响应的应用，开发了传统的长短期记忆(Long shortterm memory，LSTM、堆叠LSTM、双向LSTM 和卷积LSTM)，四种不同的深度学习模型，用于预测未来的温度和电力需求扰动[14]；Han提出了一种结合优化差分和BP 神经网络的改进算法对鲜苹果强制风冷效率进行预测[15]。

温度是冷链环境的核心要素，本文采用基于门控循环单元网络(Gated recurrent unit，GRU)模型，预测冷链运输厢体未来10 min 的温度变化，同时添加BP神经网络模型、循环神经网络(Recurrent neural network,RNN)，开展对比研究。结合厢体多点多要素环境监测设备，建立基于时间序列的冷链运输厢体的温度预测模型，对于预测预警食品安全、精细控制冷链环境有指导意义。

2 研究方法

2.1 数据采集与预处理

相关试验在北京市林业果树科学研究院冷链运输模拟厢体中进行。试验厢体壁面及顶面厚度150 mm（由双面彩钢聚氨酯复合保温板组成）；地面厚度50 mm（由高抗压挤塑泡沫保温板双层错缝铺设）。该试验厢体根据虚拟横截面T1、T2，纵截面V1 和层截面L1，划分监测单元，监测单元的中心位置为监测点。冷链试验厢体结构、截面划分、监测点位置和坐标原点如图1所示。

图1 冷链实际环境下温度监测试验厢体及监测点示意图Fig.1 Schematic diagram of experimental compartment and monitoring points for temperature monitoring under the actual cold chain environment T1、T2表示横截面，V1表示纵截面，L1表示层截面；M1、M2、M3表示温度监测点T1,T2 represent the cross section,V1 represents the longitudinal section,L1 represents the layer section;M1、M2、M3 represent the monitoring points.

冷藏厢体温度时间序列数据通过自主开发的环境多要素监测设备进行采集，如图2 所示。该设备主要由环境感知模块，微控制器以及信息传输模块组成，可实时监测并向数据中心传输环境信息。实验时间为2020 年8 月9 -10 日，有效测试时长约32h,设置每隔10min 采集一次数据，其中选取3 个监测节点M1,M2,M3采集的576 条有效环境温度数据作为原始试验数据集。

图2 环境多要素监测设备实物图Fig.2 Appearance drawing of the environmental multielement monitoring device

对于所采集数据集出现的缺失、异常值，剔除后利用拉格朗日插值法进行填补修正。然后，根据式（1）对数据进行归一化处理。

式中x't为数据归一化值，xt为原始观测值，xmax和xmin分别为数据集中最大值和最小值。

2.2 门控循环单元网络算法

门控循环单元网络算法(Gated recurrent unit，GRU)是一种改进的LSTM 神经网络,可被应用于环境时序预测[16-19]。相对于LSTM 具有分别控制输入值、记忆值和输出值的输入门、遗忘门和输出门[20-21]，GRU只有两个记忆单元：更新门和重置门，因此GRU模型训练参数有所减少，计算复杂度较低，提升了训练效率。同时，作为LSTM 的变体，GRU 也可以解决传统RNN网络中的梯度消失问题。

GRU 神经网络的前向传播内部结构如图3，公式表达如下：

图3 GRU模型内部结构图Fig.3 Internal structure diagram of GRU model

式中zt和rt分别表示更新门和重置门。更新门控制前一时刻的状态ht-1和当前节点输入xt影响当前隐藏状态ht的程度。重置门控制ht-1和xt影响重置候选集h～t的程度。其中，权重向量W=[wh wx]由隐藏状态权重wh和输入变量权重wx组成。此外，w0为输出权重，yt为当前时刻输出，也是下一时刻的输入。

2.3 时序预测模型评价

本文为评估不同时序预测模型对冷链运输环境预测预测的性能，选用平均绝对误差(Mean absolute error,MAE)、平均绝对百分比误差(Mean absolute percent error,MAPE) 和均方根误差(Root mean square error,RMSE) 量化各模型的预测结果，以上3种误差系数分别根据式（3），（4），（5）进行计算。

3 结果与分析

3.1 基于GRU 神经网络的冷链运输温度预测模型

针对冷链运输温度时序预测，本文建立GRU 神经网络模型如图4 所示。该模型由输入层，隐含层输出层组成。其中，根据历史连续15 个时刻数据预测未来某一时刻的温度变化，因此输入层由15 个GRU单元的历史输出h组成，将其作为温度预测的输入数据以关联历史时序数据信息；另外，隐含层由10 个神经元组成，输出层为指定时刻的温度预测值yt，以上是所建立GRU模型的具体架构。

图4 基于GRU神经网络的冷链运输环境温度预测模型Fig.4 The prediction model of cold chain transportation environment temperature based on GRU neural network

本文开发模型均将在MTLAB 2018 软件平台中进行训练，首先，将数据集样本按2:1比例划分训练集与测试集;其次，采用后向误差传播算法学习网络,更新参数，依次迭代至损失函数收敛。

3.2 基于时序神经网络模型的冷链运输温度预测

针对2020年8月9-10日时间段的M1监测点温度数据集，以10 min 为单步时序预测间隔，分别利用GRU 模型进行单步，三步和五步时序温度预测，对比结果如图5所示。如图所示，实际温度曲线在2020年8 月9 日8:00 时刻存在一个骤变过程，这是由于在实际操作过程中关闭了冷藏厢体温控系统；并且，因正常昼夜温度影响，厢体温度在2020 年8 月9 日16:00左右到达最高点后开始逐渐降温。另外，与多步时序预测相比，单步时序预测曲线更加接近实际观测曲线，预测准确性更好。

图5 不同时序尺度的GRU神经网络模型温度预测对比图Fig.5 Comparison of temperature prediction of GRU neural network models at different time series scales

进一步，在相同计算配置下分别利用GRU，RNN和BP 时序预测神经网络对冷链物流实验厢体中M1,M2,M3监测点温度进行单步时序预测，结果分别如图6(a),(b),(c)所示，蓝色曲线为实际温度观测值。由图6 可知，橙色，绿色，红色曲线分别表示GRU，RNN 和BP 模型的温度预测值变化，GRU 预测曲线与实际观测值一致性良好；与RNN 模型相比，在图6(a),(b)中GRU 预测曲线更加接近实际观测曲线；与BP 模型相比，在图6(a),(b),(c)中GRU 预测曲线均更加接近实际观测曲线。

图6 基于GRU神经网络模型的冷链运输环境温度预测结果图Fig.6 The prediction result of cold chain transportation environment temperature based on GRU neural network model

更直观地展示各时序预测模型对于M1,M2,M3温度数据集的预测温度差曲线分别如图7(a),(b),(c)所示。由图可知，当温度骤变时预测误差均出现了强烈振荡，但与RNN，BP 模型相比，GRU 模型的预测温度差值始终处于接近0 的更低的水平。以上实验结果表明，GRU 模型具有更好的时序预测稳定性和准确性。

图7 基于GRU神经网络模型的冷链运输环境温度预测误差曲线图Fig.7 The prediction error curves of cold chain transportation environment temperature based on GRU neural network model

3.3 冷链运输温度时序预测模型的性能量化评价

进一步，通过MAE,MAPE,RMSE误差系数分别量化评价各模型预测性能，结果如表1 所示。根据结果分析可知，GRU 模型除了在数据集M3时序预测中MAE 和MAPE 略高于RNN 模型，其他不同情况下各误差系数均为最小。对于不同误差系数均值，GRU模型的MAE,MAPE,RMSE 分别为0.156 ℃，0.760 ℃和0.236%，与RNN 和BP 模型评估结果相比均为最小值。经实验结果分析表明，在冷链运输环境预测方面，GRU 神经网络模型较其他时序预测模型表现出了更优的预测效果。

表1 不同模型的预测误差系数对比结果Table.1 Comparison results of prediction error coefficients of different models

4 结论

本研究提出了基于GRU 神经网络模型的冷链运输环境预测方法。结果表明，对比温度真实值与预测值发现，基于GRU 模型对应的厢体预测温度均方根误差和平均绝对误差分别为0.156 和0.760 ℃，平均绝对百分比误差为0.236%；在时间序列的温度预测模型中，GRU 模型表现出更优的预测效果。该模型可以应用于冷链预冷、冷库贮存、冷链运输、销售等环节，对于预测预警食品安全、精细控制冷链环境有指导意义。

未来研究将实现该模型的设备集成与验证，以优化提高设备性能；进一步，功能完善方面，可以通过环境—品质耦合模型研究与集成，开发冷链物流食品品质智能感知设备。