朱 广, 霍跃华, 栾庆磊, 史艳琼

(1.安徽建筑大学 机械与电气工程学院 建筑机械故障诊断与预警技术重点实验室,安徽 合肥 230601；2.中国矿业大学(北京) 网络与信息中心,北京 100083)

0 引 言

环境温度是物联网(Internet of Things,IoT)系统需要检测的重要数据之一,主要是通过智能传感器获取环境的温度参数[1]。但基于传感器的IoT环境温度调节方式存在滞后性[2]等问题,而采用深度学习与IoT技术相结合可以提前对环境进行温度预测,相比于利用传感器进行温度检测具有明显的预见性[3]。

支持向量机[4]和随机森林算法最早应用于IoT的环境温度预测[5],但这类算法对温度的预测准确率较低,且无法满足非稳定时序数据的预测要求。自回归差分移动平均模型(auto regressive integrated moving average model,ARIMA)是基于时间序列预测分析的算法[6],但对于非稳定的时序数据预测仍存在局限性。循环神经网络(recurrent neural network,RNN)是一类能够记忆网络的历史信息并应用于当前计算的递归神经网络[7],但在数据的训练过程中会出现梯度消失问题。长短时记忆(long short-term memory,LSTM)网络解决了RNN对长序列数据训练过程中的梯度消失问题[8],对于温度预测的准确率有了进一步的提升,但RNN和LSTM仍存在因记忆能力不足而产生的温度预测滞后的问题。

为提高IoT环境温度的预测精度,本文利用AC(Actor-Critic)网络[9]构建IoT环境温度预测模型。通过近端策略优化(proximal policy optimization,PPO)算法实现目标损失函数的动态选择,完成对数据时序特征信息的有效提取,并大大简化了PPO算法的计算过程。通过实验对比,验证了本文方法具有较低的预测偏差和较好的预测精度。……