一种冷链物流温度预测方法和温度调控方法

1.本发明涉及冷链物流温度预测方法的改进，具体涉及一种基于蜉蝣-极限学习机的冷链物流温度预测方法和温度调控方法，属于冷链物流技术领域。


背景技术：

2.随着生活水平的提高，人们对水果、蔬菜等新鲜食品的需求量越来越大。与普通货物相比，水果、蔬菜等新鲜食品在运输过程中仍然存在生命体征，会进行呼吸作用消耗有机物质，从而降低了新鲜食品的营养成分。除了呼吸作用，新鲜食品的内在因素(热，水分，气候因素)和运输环境(振动，温度，氧气，二氧化碳)都会对品质产生影响。在这些因素中，温度是影响最大的。对于一些温度敏感型的新鲜食品，不在要求的温度范围内运输，甚至会产生有害物质进而威胁消费者的健康。因此，采用冷链物流运输新鲜产品是减少食物浪费和保证食品安全的重要手段。由于新鲜食品需要始终处于低温环境中，这引发了包括工程，食品，供应链等众多领域学者对冷链物流的温度控制研究。
3.目前，关于冷链物流温度的研究还集中于对温度的监测。在冷链物流温度监测研究中，大多数学者通过对冷藏车的温度监测这一媒介来反映对冷链物流的温度监测，他们的工作集中于建立冷链物流温度监测系统，侧重于技术实施。在较早的研究中，无线传感网络(wsn) 被广泛的应用于冷链物流温度监测系统。但是这些研究都是监测冷链物流当前的温度，只有在温度发生偏差后才能通知利益相关者。然而对于温度敏感的新鲜食品而言，短时间内的温度偏差足以引起新鲜食品的品质变化，因此需要对温度变化趋势进行预测，主动识别潜在的风险。就我们所知，目前，关于冷链物流的温度预测研究还十分有限。在有限的研究中，发现目前研究存在以下不足：一方面是考虑因素不全面。现有研究没有考虑空间位置对温度的影响，同时没有考虑载重等因素对温度的影响。二是预测方面有待改进。现有研究主要使用了神经网络方法进行预测，但是神经网络收敛速度慢，易产生过拟合和欠拟合。模型的预测精度有待提高。


技术实现要素：

4.针对现有技术存在的上述不足，本发明的目的在于提出一种基于蜉蝣-极限学习机的冷链物流温度预测方法和温度调控方法，本方法可以得到更准确的温度预测结果并基于该结果实现对温度的有效调控。
5.本发明的技术方案是这样实现的：
6.一种冷链物流温度预测方法，按如下步骤进行，
7.1)先建立极限学习机预测模型并对其输入权重w和隐含层偏置b进行优化；
8.1.1)采集冷链运输车辆或储存设备中与温度相关的数据，同时采集同一时刻下冷链运输车辆内或储存设备内不同位置的温度值，筛选出温度值中的最高温度和最低温度，与温度相关的数据以及对应时刻的最高温度和最低温度作为一组数据；间隔一定时间，重复采集，得到若干组数据；将采集到的上述若干组数据中的所有数据进行归一化处理；
9.1.2)极限学习机由输入层、隐藏层和输出层构成，设定极限学习机的输入神经元个数与与温度相关的数据个数对应，输出神经元个数为两个，对应最高温度预测值和最低温度预测值；随机设置极限学习机的初始参数，包括输入权重w和隐含层偏置b；
10.1.3)利用蜉蝣算法对极限学习机输入权重w和隐含层偏置b进行优化，将极限学习机的输入权重w和隐含层偏置b设置为蜉蝣算法的候选解个体，即极限学习机的输入权重w和隐含层偏置b通过每个蜉蝣的位置来表达，在某一时刻，所有的蜉蝣位置均代表了可行解，但其中只有一个相对最优解；同时初始化蜉蝣种群，包括设置种群规模n，最大迭代次数，吸引力常数p1和p2，能见度常数α，随机游走系数w，舞蹈系数v和交叉系数；
11.1.4)将步骤1.1)采集的每组数据中与温度相关的数据输入其中一个蜉蝣对应的输入权重w和隐含层偏置b下的极限学习机模型进行训练，得到输出层的两个输出，即每组数据的最高温度预测值和最低温度预测值，由此得到所有组数据的最高温度预测值和最低温度预测值，根据下式计算对应极限学习机模型测评值以评价极限学习的预测效果；
[0012][0013]
其中，xc代表最高温度实际值，x
cz
指最高温度实际值xc对应的最高温度预测值，xd代表最低温度实际值，x
dz
指最低温度实际值xd对应的最低温度预测值；h指数据的组数；
[0014]
1.5)改变由不同蜉蝣表征的输入权重w和隐含层偏置b并按步骤1.4)进行训练，得到该不同蜉蝣表征的输入权重w和隐含层偏置b对应的测评值；直到将所有蜉蝣表征的输入权重w 和隐含层偏置b轮换一遍，得到所有蜉蝣对应的输入权重w和隐含层偏置b对应的测评值，选择测评值最小的蜉蝣对应的输入权重w和隐含层偏置b作为该轮优化后的输入权重w和隐含层偏置b；
[0015]
1.6)根据蜉蝣算法的移动规则，完成一次蜉蝣迭代，即更新雄性蜉蝣位置、雌性蜉蝣位置以及蜉蝣交配，从而得到该次迭代后的所有蜉蝣及位置；由此得到该次迭代后的多个蜉蝣对应的输入权重w和隐含层偏置b；
[0016]
1.7)重复步骤1.4)-1.5)，计算该次迭代后最小测评值，该次迭代后得到的最小测评值与迭代前得到的最小测评值进行比较，两者中最小的测评值作为新的最小测评值，将该新的最小测评值对应蜉蝣表征的输入权重w和隐含层偏置b作为新优化的输入权重w和隐含层偏置b；
[0017]
1.8)判断是否达到蜉蝣算法最大迭代次数，如是则输出步骤1.7)得到的新优化的输入权重w和隐含层偏置b，该新优化的输入权重w和隐含层偏置b即为最终优化的输入权重w和隐含层偏置b；否则跳转至步骤1.6)，重复步骤1.6)-1.7)，直至达到停止条件；
[0018]
2)采集需要进行温度预测的冷链运输车辆或储存设备中与温度预测相关的实际数据，该实际数据的个数和类型与步骤1.1)中与温度相关的数据个数和类型一致；
[0019]
3)将采集得到的实际数据输入步骤1)最终优化的输入权重w和隐含层偏置b下的极限学习机预测模型，得到输出层两个输出，该两个输出即为实际数据对应的最高温度预测值和最低温度预测值。
[0020]
其中，步骤1.1)中与温度相关的数据为五个，分别为外界温度、空调出风速度、空调出风温度、载货量以及是否打开车门；输入层对应的输入为五个，对应外界温度、空调出
风速度、空调出风温度、载货量以及是否打开车门。
[0021]
进一步地，步骤1.1)采集同一时刻下冷链运输车辆内或储存设备内不同位置的温度值时，采集五处不同位置的温度值，这五处位置分别是除去车门所在的车厢内面之外的其他五个车厢内面的中心，五处位置各设置一个温度传感器对冷藏车温度进行测量。
[0022]
本发明还同时提出了一种冷链物流温度调控方法，先采用前述方法对需要控制的温度进行预测，如果最高温度预测值和最低温度预测值都在设定范围内，则维持当前的空调出风温度和出风速度不变；如果最高温度预测值和最低温度预测值有一个超出设定范围，则将期望的最高温度和最低温度以及外界温度、载货量、是否打开车门五个数据通过输入层输入极限学习机预测模型，通过极限学习机预测模型输出层的两个输出得到空调出风温度预测值和出风速度预测值，将空调出风温度和出风速度调节到出风温度预测值和出风速度预测值即实现温度的控制。
[0023]
与现有技术相比，本发明具有如下有益效果：
[0024]
本发明提出的基于蜉蝣-极限学习机的冷链物流温度预测方法，使用蜉蝣算法(ma)对输出结果影响最为重要的elm参数(即输入权重w和隐含层偏置b)进行优化，通过平均相对误差(mre),平均绝对误差(mae)，均方根误差(rmse)，均方误差(mse)以及相关系数(r2)等五个指标，对预测结果进行评价，结果表明，生物启发式算法可以提高elm模型的预测准确性，ma算法对elm参数的优化优于粒子群算法和遗传算法对elm参数的优化。
[0025]
在预测温度的基础上，如果预测值在设定范围内，则维持当前的空调出风温度和出风速度不变；如果预测值超出设定范围，则将期望的温度值输入极限学习机预测模型，得到空调出风温度预测值和出风速度预测值，将空调出风温度和出风速度调节到出风温度预测值和出风速度预测值即实现温度的控制，从而实现对温度的及时调控。
[0026]
与ga和pso相比，ma算法具有更好的全局搜索能力。以上分析说明了ma-elm是预测温度和空调状态的有效方法。
[0027]
通过对冷链物流温度的准确预测，可以提高冷链物流的管理水平。准确的温度预测和调控，可以大大减少食物、食材浪费，保证食物品质，同时准确的温度控制可以避免温度调控过低，减少能源浪费，节约能源。
附图说明
[0028]
图1是极限学习机网络结构图。
[0029]
图2是本发明提出的ma-elm求解步骤流程图。
[0030]
图3是模型1和模型2的训练集mse随着隐含层节点增多的变化曲线图。
[0031]
图4是不同算法下的低温和高温的真实值与预测值对比图。
[0032]
图5是不同算法下的低温和高温预测误差图。
[0033]
图6是最高温度和最低温度预测中ma,ga,pso算法优化elm参数的适应度收敛图。
[0034]
图7是不同算法下的出风速度和出风温度的真实值与预测值对比图。
[0035]
图8是不同算法下的出风速度和出风温度预测误差图。
[0036]
图9是出风速度和出风温度预测中ma,ga,pso算法优化elm参数的适应度收敛图。
具体实施方式
[0037]
以下结合附图对本发明的具体实施方案做详细描述。
[0038]
为了更好地理解本方法，先对与本发明相关的极限学习机和蜉蝣算法进行介绍。
[0039]
1、极限学习机
[0040]
极限学习机是一种先进的单隐层前馈神经网络算法，它克服了在传统前馈神经网络中由于使用梯度下降算法而造成结果易陷入局部最优和收敛速度缓慢的情况。极限学习机由输入层，隐藏层和输出层组成，其网络结构如图1所示。使用极限学习机对训练集中的n个任意样本(xi，yi),其中xi代表输入，yi代表对应xi的期望输出，极限学习机的预测输出值oj的表达式如(1)。
[0041][0042]
其中，βi表示输出权重，g(x)表示激活函数，wi代表输入权重，bi代表隐含层的偏置，l 表示隐含层节点的个数。
[0043]
极限学习机的目标是使输出的误差最小，可表示为式(2)，即存在wi，bi，βi使公式(3) 成立。式(3)的矩阵形式为hβ＝t，其中h表示隐含层的输出矩阵，如式(4)，β为权重矩阵，t为输出矩阵,如式(5)。
[0044][0045][0046][0047][0048]
在极限学习机训练过程中，w，b是算法随机生成的，且他们的数值大小是不改变的，因此根据式(4)可知，隐含层的输出矩阵h是确定的。当隐含层神经元个数与训练集的样本个数相同时，对于任意的w，b，极限学习机都可以以零误差逼近训练样本。然而，在大多数情况下，训练的样本数都要远远大于隐含层的神经元的个数的，这造成了极限学习机不可能以零误差逼近训练样本。因此，可根据公式(6)求得近似输出权重β
*
，其中h
+
是矩阵h的 moore-penrose的广义逆。
[0049]
β
*
＝h+t
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(6)
[0050]
2、蜉蝣算法
[0051]
通过前述得知影响极限学习机性能的两个参数包括输入权重w和隐含层偏置b，本发明提出使用蜉蝣算法对上述两个参数进行优化。蜉蝣算法的优化包括三个阶段，即雄性蜉蝣的运动，雌性蜉蝣的运动以及雄性和雌性的交配。
[0052]
stage 1.雄性蜉蝣的运动
[0053]
雄性蜉蝣聚集在一起，每只雄性蜉蝣都会根据自己和周围蜉蝣的经验进行位置调整。位置的更新公式如(7)，其中xi(t)代表蜉蝣i在t时刻的位置，xi(t+1)和vi(t+1)分别代表 t+1时刻蜉蝣i的位置和速度。在0时刻，xi(0)∈[x
min
，x
max
]。在该算法中，假定雄性蜉蝣以恒定的速度进行婚舞，其速度计算公式如(8)。其中v
id
(t)和x
id
(t)分别代表在t时刻，蜉蝣i在维度d(d＝1，2
…
n)的速度和位置，p1和p2是正吸引力常数，α代表的是蜉蝣彼此之间的能见范围。pbesti代表蜉蝣i的历史最优位置。在求解最小化问题时，下一个时间步蜉蝣i的历史最优位置的计算公式如(9)，f(
·
)代表的是用于衡量解决方案质量的目标函数，即适应度函数。gbest代表蜉蝣的全局最优位置，它的定义如公式(10)，n代表种群中雄性蜉蝣的总数。rm代表当前位置与pbest的距离，计算如式(11)，rn代表当前位置与gbest的距离，计算如式(12)。
[0054]
xi(t+1)＝xi(t)+vi(t+1)
ꢀꢀꢀ
(7)
[0055][0056][0057]
gbest∈min{f(pbest1)，f(pbest2)，
…
，f(pbestn)}
ꢀꢀ
(10)
[0058][0059][0060]
为了能得到最优解决方案，种群中最好的雄性蜉蝣会不断的改变速度来进行持续的上下舞蹈，这为算法引入了随机元素。在这种情况下，t+1时刻的速度计算公式如(13)，其中v 为舞蹈系数，r为[-1，1]之间的随机数。
[0061]vid
(t+1)＝v
id
(t)+vr
ꢀꢀ
(13)
[0062]
stage 2.雌性蜉蝣的运动
[0063]
雌性蜉蝣不会产生聚集，代替的是她们会飞向雄性来进行交配，雌性蜉蝣i在t+1时刻的位置计算公式如(14)，yi(t)代表的是在t时刻雌性蜉蝣i的位置，vi(t+1)代表的是雌性蜉蝣i在t+1时刻的速度。其中，在0时刻，yi(0)∈[y
min
，y
max
]。
[0064]
蜉蝣算法将吸引设定为一个固定的过程，即根据性能来选择交配对象，这意味着性能最好的雌性被性能最好的雄性吸引。在求解最小化问题时，雌性的速度计算如式(15)。其中， yi(t)和v
id
(t)分别代表的是在t时刻雌性蜉蝣i在维度d(d＝1，2
…
n)的位置和速度，p2是一个正吸引常数，α是一个能见度常数，r0代表的是雄性和雌性之间的距离。w代表的是雌性没有被雄性吸引情况下的随机游走系数，r为[-1，1]之间的随机数。
[0065]
yi(t+1)＝yi(t)+vi(t+1)
ꢀꢀꢀ
(14)
[0066][0067]
stage 3.蜉蝣交配
[0068]
交叉算子代表了雄性蜉蝣和雌性蜉蝣的交配过程，根据蜉蝣吸引的原理，从雄性蜉蝣中产生一个作为父本，从雌性蜉蝣中产生一个作为母本，父本和母本的产生可以是随
机的，也可以根据适应度函数。产生的两个子代如式(16)和(17)，其中，s1和s2分别指的是子代1 和子代2，μ代表的是特定范围内的随机值，male代表父本，female代表母本，后代的初始速度为0。
[0069]
s1＝μ
×
male+(1-μ)
×
female
ꢀꢀꢀ
(16)
[0070]
s2＝μ
×
female+(1-μ)
×
male
ꢀꢀꢀ
(17)
[0071]
3、本发明基于蜉蝣-极限学习机的冷链物流温度预测方法
[0072]
1)先建立极限学习机预测模型并对其输入权重w和隐含层偏置b进行优化；
[0073]
1.1)采集冷链运输车辆或储存设备中与温度相关的数据，同时采集同一时刻下冷链运输车辆内或储存设备内不同位置的温度值，筛选出温度值中的最高温度和最低温度，与温度相关的数据以及对应时刻的最高温度和最低温度作为一组数据；间隔一定时间，重复采集，得到若干组数据；将采集到的上述若干组数据中的所有数据进行归一化处理；
[0074]
1.2)极限学习机由输入层、隐藏层和输出层构成，设定极限学习机的输入神经元个数与与温度相关的数据个数对应，输出神经元个数为两个，对应最高温度预测值和最低温度预测值；随机设置极限学习机的初始参数，包括输入权重w和隐含层偏置b；
[0075]
1.3)利用蜉蝣算法对极限学习机输入权重w和隐含层偏置b进行优化，将极限学习机的输入权重w和隐含层偏置b设置为蜉蝣算法的候选解个体，即极限学习机的输入权重w和隐含层偏置b通过每个蜉蝣的位置来表达，在某一时刻，所有的蜉蝣位置均代表了可行解，但其中只有一个相对最优解；同时初始化蜉蝣种群，包括设置种群规模n，最大迭代次数，吸引力常数p1和p2，能见度常数α，随机游走系数w，舞蹈系数v和交叉系数；
[0076]
1.4)将步骤1.1)采集的每组数据中与温度相关的数据输入其中一个蜉蝣对应的输入权重w和隐含层偏置b下的极限学习机模型进行训练，得到输出层的两个输出，即每组数据的最高温度预测值和最低温度预测值，由此得到所有组数据的最高温度预测值和最低温度预测值，根据下式计算对应极限学习机模型测评值以评价极限学习的预测效果；测评值越小，说明预测效果越好。
[0077][0078]
其中，xc代表最高温度实际值，x
cz
指最高温度实际值xc对应的最高温度预测值，xd代表最低温度实际值，x
dz
指最低温度实际值xd对应的最低温度预测值；h指数据的组数；
[0079]
1.5)改变由不同蜉蝣表征的输入权重w和隐含层偏置b并按步骤1.4)进行训练，得到该不同蜉蝣表征的输入权重w和隐含层偏置b对应的测评值；直到将所有蜉蝣表征的输入权重w 和隐含层偏置b轮换一遍，得到所有蜉蝣对应的输入权重w和隐含层偏置b对应的测评值，选择测评值最小的蜉蝣对应的输入权重w和隐含层偏置b作为该轮优化后的输入权重w和隐含层偏置b；
[0080]
1.6)根据蜉蝣算法的移动规则，完成一次蜉蝣迭代，即更新雄性蜉蝣位置、雌性蜉蝣位置以及蜉蝣交配，从而得到该次迭代后的所有蜉蝣及位置；由此得到该次迭代后的多个蜉蝣对应的输入权重w和隐含层偏置b；
[0081]
1.7)重复步骤1.4)-1.5)，计算该次迭代后最小测评值，该次迭代后得到的最小测评值与迭代前得到的最小测评值进行比较，两者中最小的测评值作为新的最小测评值，将
该新的最小测评值对应蜉蝣表征的输入权重w和隐含层偏置b作为新优化的输入权重w和隐含层偏置b；
[0082]
1.8)判断是否达到蜉蝣算法最大迭代次数，如是则输出步骤1.7)得到的新优化的输入权重w和隐含层偏置b，该新优化的输入权重w和隐含层偏置b即为最终优化的输入权重w和隐含层偏置b；否则跳转至步骤1.6)，重复步骤1.6)-1.7)，直至达到停止条件；
[0083]
2)采集需要进行温度预测的冷链运输车辆或储存设备中与温度预测相关的实际数据，该实际数据的个数和类型与步骤1.1)中与温度相关的数据个数和类型一致；
[0084]
3)将采集得到的实际数据输入步骤1)最终优化的输入权重w和隐含层偏置b下的极限学习机预测模型，得到输出层两个输出，该两个输出即为实际数据对应的最高温度预测值和最低温度预测值。
[0085]
步骤1.1)中与温度相关的数据为五个，分别为外界温度、空调出风速度、空调出风温度、载货量以及是否打开车门；输入层对应的输入为五个，对应外界温度、空调出风速度、空调出风温度、载货量以及是否打开车门。
[0086]
步骤1.1)采集同一时刻下冷链运输车辆内或储存设备内不同位置的温度值时，采集五处不同位置的温度值，这五处位置分别是除去车门所在的车厢内面之外的其他五个车厢内面的中心，五处位置各设置一个温度传感器对冷藏车温度进行测量。
[0087]
一种冷链物流温度调控方法，先采用前述方法对需要控制的温度进行预测，如果最高温度预测值和最低温度预测值都在设定范围内，则维持当前的空调出风温度和出风速度不变；如果最高温度预测值和最低温度预测值有一个超出设定范围，则将期望的最高温度和最低温度以及外界温度、载货量、是否打开车门五个数据通过输入层输入极限学习机预测模型，通过极限学习机预测模型输出层的两个输出得到空调出风温度预测值和出风速度预测值，将空调出风温度和出风速度调节到出风温度预测值和出风速度预测值即实现温度的控制。
[0088]
同一个极限学习机预测模型，当用于预测温度时，则为温度预测模型；当用于预测空调出风温度和出风速度时，则为空调预测模型。
[0089]
4.案例研究
[0090]
本研究以a企业(匿名)为研究对象，a企业是一家专门从事冷链物流配送的第三方物流公司。
[0091]
4.1数据来源
[0092]
本节介绍温度预测与控制的数据来源。由于冷藏车的温度场分布是不规律的，因此会造成冷藏车内不同位置的温度是不同的，本研究结合中华人民共和国汽车行业标准qc/t449-2000保温车、冷藏车性能试验方法中的冷藏车内部温度测量方法和实际情况，除去车门所在的车厢内面之外，在其他五个车厢内面的中心各设置一个测温点对冷藏车温度进行测量。除了温度之外，还需要对外界温度，空调出风速度，空调出风温度，载货量以及是否开启车门，等五个变量进行数据收集。
[0093]
本研究每隔15分钟取样数据一次，其中外界温度，空调出风速度，空调出风温度，载货量，以及冷藏车内温度均为测量的实际数值，是否开启开门采用0-1变量，0代表车门关闭， 1代表车门开启。数据的取样周期为20天(2020.04.12-2020.05.01)，共获得有效数据850 条，其中随机抽取800条数据用作训练集，剩余的50条数据作为测试集。影响冷藏车内
温度的变量有着不同的单位，为了消除不同单位对结果的影响，需要将数据进行归一化处理，把所有的变量转化为落在(0，1)内的无量纲数值，如下式所示，其中xa代表第a个输入量，x
ai
代表输入量xa转化后的数值，x
max
，x
min
分别代表xa的最大值和最小值。
[0094][0095]
4.2参数设置
[0096]
隐含节点的数量对极限学习机的性能有着重要的影响，数量过少导致模型的精度不够，数量过多则会使模型出现过拟合。根据经验将本发明涉及的两个预测模型(温度预测模型和空调预测模型)的初始隐含节点个数的寻优范围设置为[8，35],以训练集的均方误差为评价指标寻找最优隐含层节点个数。两个模型训练集的均方误差的图像如图3中的(a)和(b)，通过图3(a)(b)可以看出当隐含节点个数分别为25和32时，极限学习机的模型效果最好。
[0097]
其次，需要根据研究目的对输入神经元和输出神经元数量进行设置。据前文可知冷藏车内温度测量的五个点的温度是不同的，这些温度都需要在规定的温度区间内，因此只需要求最高温度和最低温度都在规定的区间内就可以保证所有的测温点的温度都在规定的范围内，因此确定了模型需要输入的七个变量，包括外界温度，空调出风速度，空调出风温度，载货量，是否开启车门，最高温度，以及最低温度。在温度预测模型中，输入神经元节点共有五个，包括外界温度，空调出风速度，空调出风温度，是否开启车门，以及载货量。输出神经元设置为两个，即最高温度和最低温度。在温度控制模型中，输入神经元节点共有五个，包括外界温度，最高温度，最低温度，载货量和是否开启车门。输出神经元节点有两个，空调出风速度，空调出风温度。极限学习机的具体参数设置情况如表1。
[0098]
表1.极限学习机的参数
[0099]
模型系统层级输入神经元隐含节点输出神经元激活函数温度预测模型135252sigmoid温度控制模型235322sigmoid
[0100]
为了验证蜉蝣算法对极限学习机参数寻优的有效性，本发明将蜉蝣算法与遗传算法和粒子群算法进行对比。相关算法的参数设置如下：(1)蜉蝣算法：种群规模n＝30，吸引力常数p1＝1，p2＝0.5，能见度系数α＝2，随机游走系数t＝0.1，舞蹈系数w＝0.1，交叉率 crossover＝0.95。(2)遗传算法：种群规模n＝30，交叉概率0.8，变异概率0.2。(3)粒子群算法：种群规模30，学习因子c1为2，学习因子c2为2，惯性因子0.9。将三种算法的最大迭代次数均设置为1000。
[0101]
4.3评价指标的确定
[0102]
在对预测结果进行分析之前，有必要确定评价指标。本发明通过平均相对误差(mre), 平均绝对误差(mae)，均方根误差(rmse)，均方误差(mse)以及相关系数(r2)共五个指标来对预测结果进行评价,如表2所示,其中yi为真实值，y
ia
为预测值，y
ib
为真实值的平均值，i为样本i＝1，2，...，n.
[0103]
mre,mae,rmse和mse的值越接近于0，说明模型的效果越好，预测精度越高。r2的值越接近于1，说明模型拟合的效果越好。
[0104]
表2.预测结果评价指标
[0105][0106][0107]
5.预测结果分析
[0108]
为了验证本发明提出的蜉蝣-极限学习机模型的有效性，开展了多次实验。在5.1节分析了冷链物流配送中的温度预测结果，5.2节则是对空调的出风量和出风温度的预测进行了分析。
[0109]
5.1温度预测
[0110]
本节使用四种极限学习机模型(elm,ga-elm,pso-elm,ma-elm)对冷链物流配送过程中的温度进行预测。图4展示了四种模型下低温和高温的真实值与预测值的分布图。通过图4可以看出，无论高温还是低温，ma-elm的预测值与目标值更为接近。这一点也可以通过图5低温和高温预测误差图得到证实。在图5中可以发现，与其他三种模型对比，ma-elm预测的误差波动更接近于0线。进一步，为了增加分析的准确性，采用4.3节中介绍的五个指标mre, mae,rmse,mse和r2对预测结果进行评价，得到了表3。
[0111]
通过表3可以得到，在进行最低温度预测时，ma-elm(mre＝0.057，mae＝0.169rmse＝0.218， mse＝0.047，r2＝0.909)的预测效果优于ga-elm(mre＝0.063，mae＝0.185rmse＝0.246，mse＝0.060，r2＝0.909)，pso-elm(mre＝0.069， mae＝0.25,rmse＝0.246,mse＝0.060,r2＝0.909),elm(mre＝0.109,mae＝0.295,rmse＝0.381,mse＝0. 145,r2＝0.526)。具体来说，在mre,mae,rmse,mse四个指标计算方面，与elm相比，遗传算法降低了0.046，0.11，0.135，0.085，粒子群算法降低了0.04，0.09，0.126，0.08，蜉蝣算法降低了0.052，0.126，0.163，0.098。而r2指标，三种优化算法分别提高了0.239，0.158， 0.383。以上这些结果说明了与标准的elm相比，优化算法(遗传，粒子群和蜉蝣算法)的使用提高了极限学习机的预测精度。并且，在这些优化算法中，蜉蝣算法的效果最好，这展示了蜉蝣算法优化极限学习机在提高预测准确性方面的积极作用。同理对高温的预测的结果进行分析，发现四种模型从优到劣的排序为ma-elm(mre＝0.037，mae＝0.132rmse＝0.173， mse＝0.030，r2＝0.924)》ga-elm(mre＝0.042，mae＝0.147rmse＝0.185，mse＝0.034，r2＝0.797)》 pso-elm(mre＝0.047，mae＝0.169,rmse＝0.222,mse＝0.049,r2＝0.704)》elm (mre＝0.086,mae＝0.299,rmse＝0.373,mse＝0.139,r2＝0.543)。因此，无论是在高温还是低温预测中，蜉蝣-极限学习机模型都拥有良好的性能。但是，值得注意的是ma-elm优化
下低温 (mre＝0.057，mae＝0.169rmse＝0.218，mse＝0.047，r2＝0.909)和高温(mre＝0.037，mae＝0.132， rmse＝0.173，mse＝0.030，r2＝0.924)的预测结果存在一定的差异，并且高温的预测性能是优于低温的。但是，总体而言，该模型可以较为准确的预测出冷链物流配送过程中的最高温和最低温。
[0112]
表3.低温和高温预测评价结果
[0113][0114]
通过图6中ga，pso和ma在优化极限学习机参数过程中的适应度收敛曲线,可以进一步说明蜉蝣算法的优越性。三种算法的适应度函数收敛曲线是遵循同一趋势的，即适应度值都是先大幅度的减小，后减小趋势不断降低直到趋近于稳定。在这一过程中，可以看到ma算法达到稳定状态时的迭代次数更少，并且ma算法达到稳定状态时的适应度值更低。这一结果表明了本发明提出的使用蜉蝣算法优化极限学习机参数的有效性。
[0115]
5.2空调状态预测
[0116]
前面对车厢内的最高温度和最低温度进行了预测，本节则是对预测的结果进行及时调整，即当预测的最高温和最低温不在冷链物流要求的范围内时，可以将期望温度输入模型获得空调状态(出风速度和出风温度)的调整数值，从而实现温度的精准控制。
[0117]
本节使用ma-elm来预测出风速度和出风温度，同时把elm,ga-elm,pso-elm三个模型用做比较模型。四种模型的预测结果与真实值的分布情况如图7所示，从图中可以看出ma-elm 的预测效果最好，这是由于它的预测值与真实值最接近。图8展示了四种模型的预测误差，其中ma-elm模型的预测误差波动范围最小，这也说明了它的预测效果最好。从图9的算法进化曲线图，也可以看出ma算法对极限学习机的优化可以最大程度的提高模型准确性。与ga 和pso优化相比，ma算法可以寻找到适应度值更低的求解方案，并且最先达到稳定状态。
[0118]
以上从图形角度得到了ma-elm的预测效果最好，下面则进一步通过数值方法对这一结论进行验证。表4列出了评价出风温度和出风量预测结果的五个指标mre,mae,rmse,mse和 r2。在预测出风速度中，与标准的elm相比，ma-elm (mre＝0.053,mae＝0.186,rmse＝0.217,mse＝0.047,r2＝0.881)可以最大程度的提高预测精度，其次是ga-elm(mre＝0.082,mae＝0.292,rmse＝0.355,mse＝0.126,r2＝0.843)，最后是pso-elm (mre＝0.890,mae＝0.292,rmse＝0.355,mse＝0.126,r2＝0.843)。在预测出风温度中，同样也是 ma-elm
(mre＝0.197,mae＝0.142,rmse＝0.169,mse＝0.289,r2＝0.920)产生了最好的性能，elm (mre＝0.833,mae＝0.705,rmse＝0.793,mse＝0.629,r2＝0.731)的预测性能最差，ga-elm (mre＝0.336,mae＝0.219,rmse＝0.273,mse＝0.074,r2＝0.834)的预测性能优于pso-elm (mre＝0.453,mae＝0.443,rmse＝0.503,mse＝0.253,r2＝0.795)。以上结果说明了优化算法的使用可以提高elm模型的预测准确性，并且优化算法提高的准确度从高到低的排序为蜉蝣算法，遗传算法，粒子群算法。
[0119]
因此，本发明探讨了elm，ga-elm，pso-elm和ma-elm四种预测模型的效果。在温度预测中，针对mre，mae，rmse，mse，r2五个评价指标，模型的预测效果从优到劣的排序为ma-elm，ga-elm，pso-elm，elm。在空调状态(出风速度和出风温度)预测研究中存在与上述一致的结论，即模型的预测效果从优到劣的排序也为ma-elm， ga-elm，pso-elm，elm。以上研究结果表明：(1)使用生物智能优化算法优化极限学习机模型可以提高预测的准确性。(2)与ga和pso相比，ma算法具有更好的全局搜索能力。以上分析说明了ma-elm是预测温度和空调状态的有效方法。
[0120]
表4.出风速度和出风量预测结果评价。
[0121][0122]
机器学习算法的应用避免了建立复杂的数学模型，它不需要理解各个变量之间的物理关系，仅通过数据驱动就可以对温度进行预测。在机器学习算法中，elm由于学习速率快，泛化能力强而得被广泛的应用到预测领域。但是极限学习机的参数(权重和偏置)对预测结果的影响很大，因此如何对参数进行优化成为了一个关键问题。
[0123]
本发明使用elm对冷藏车温度进行预测，并提出使用蜉蝣算法对极限学习机参数(权重和偏置)进行寻优，与标准的elm以及优化后的ga-elm和pso-elm模型对比，对提出的ma-elm 模型的优越性进行评价。进一步，将获得的温度预测值作为模型的输入，再对冷藏车空调状态(出风温度和出风速度)进行预测，实现对冷藏车温度的及时控制。本发明实现了两方面的预测，一是对冷藏车的温度，另一个是对冷藏车的空调状态(出风温度和出风速度)。通过冷藏车温度的准确预测，可以提高冷链物流的管理水平。准确的温度预测，可以减少食物浪费保证食物品质，同时准确的温度控制可以减少能源浪费，节约能源。
[0124]
综上所述，本发明创新体现在以下几个方面，一是考虑了冷藏车内不同空间位置的温度，二是确定了影响冷藏车内温度的五个因素，包括外界温度、空调出风速度、空调出风温度、载货量以及是否打开车门，三是实现两方面的预测，一是对车厢内的温度，二是对空调的出风速度和出风温度。四是使用蜉蝣-极限学习机算法模型进行预测。
[0125]
本发明的上述实施例仅仅是为说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其他不
同形式的变化和变动。这里无法对所有的实施方式予以穷举。凡是属于本发明的技术方案所引申出的显而易见的变化或变动仍处于本发明的保护范围之列。