ПОРІВНЯЛЬНИЙ АНАЛІЗ МОДЕЛЕЙ КОРОТКОСТРОКОВОГО ПРОГНОЗУВАННЯ ТЕМПЕРАТУРИ ЗЕРНА У ЗЕРНОСХОВИЩАХ

Анотація

Короткострокове прогнозування температури зерна є важливою складовою інтелектуального моніторингу зерносховищ, оскільки дає змогу своєчасно виявляти небезпечні температурні тенденції, оцінювати ризик локального самозігрівання зернової маси та підвищувати ефективність прийняття рішень щодо подальшого зберігання продукції. Температурний стан зерна формується під впливом власної теплової інерції зернової маси, зовнішніх метеорологічних умов, вологості, типу культури, глибини розташування датчиків та просторової неоднорідності температурного поля. У зв’язку з цим актуальним є дослідження моделей, здатних враховувати як часову динаміку процесу, так і нелінійні взаємозв’язки між технологічними, метеорологічними та просторовими параметрами.

У статті досліджено моделі множинної лінійної регресії, LSTM, Compact ANFIS та гібридні архітектури LSTM-ANFIS для короткострокового прогнозування температури зерна на горизонтах 1, 3 і 6 годин уперед. Дослідження виконано на багатосерійному часовому датасеті, що охоплює дві зернові культури, чотири засіки, 24 підвіски та 72 температурні датчики. Вхідні дані містили погодинні вимірювання температури зерна, зовнішні метеорологічні параметри, характеристики розташування датчиків та додаткові інженерні ознаки. У процесі попередньої обробки даних сформовано лагові, статистичні, циклічні, просторові та режимні ознаки, а також цільові змінні для кожного горизонту прогнозування. Для уникнення витоку інформації розділення даних на навчальну, валідаційну та тестову вибірки виконувалося за часовим принципом.

У результаті кореляційного аналізу встановлено, що найінформативнішими для прогнозування температури зерна є поточне значення температури зерна, її лагові значення, ковзні статистики, різниця між температурою повітря та температурою зерна, оцінка вологості зерна, тип культури, глибина розташування датчика та просторово-режимні характеристики. Показано, що ефективність моделей істотно залежить від горизонту прогнозування. Для горизонту 1 година найкращою виявилася модель множинної лінійної регресії, яка забезпечила MAE = 0,10266, RMSE = 0,16233 та R² = 0,99228. Для горизонту 3 години найвищу точність продемонструвала гібридна модель LSTMEncoder + Compact ANFIS з результатами MAE = 0,29073, RMSE = 0,39682 та R² = 0,95375. Для горизонту 6 годин найкращою стала модель LSTMEncoder + Compact ANFIS Residual + Regime Features, яка досягла MAE = 0,53045, RMSE = 0,73544 та R² = 0,84081.

Отримані результати підтверджують, що для короткострокового прогнозування температури зерна достатньо ефективними можуть бути табличні моделі з якісно сформованими лаговими, статистичними та інженерними ознаками. Водночас зі збільшенням горизонту прогнозування зростає доцільність використання гібридних архітектур, які поєднують здатність LSTM враховувати часову динаміку з можливістю Compact ANFIS виконувати нелінійне уточнення прогнозу на основі фізично змістовних і просторово-режимних характеристик. Практичне значення отриманих результатів полягає у можливості використання запропонованого підходу в системах моніторингу зерносховищ, раннього попередження про небезпечні температурні зміни та підтримки прийняття рішень щодо керування мікрокліматом зернової маси.