基于K-medoids-LSTM-XGBoost组合模型的农产品冷链负载环境的预测

科学领域:

• 物流和供应链管理的物流和供应链管理.
• 交通运输中的人工智能
• 环境科学与工程环境科学与工程

背景情况:

• 冷链装载对于保持产品质量和降低物流成本至关重要.
• 目前用于预测冷链环境的方法在准确性和效率方面面临挑战.
• 优化冷链负载对于最大限度地减少能源消耗和浪费至关重要.

研究的目的:

• 开发一个准确的预测方法,用于冷链加载温度.
• 提高冷链物流的质量和降低能源消耗.
• 为监测和管理冷链加载环境提供一个强大的模型.

主要方法:

• 使用K-medoids,长短期记忆 (LSTM) 网络和极端梯度增强 (XGBoost) 的综合预测模型.
• 来自冷链加载环境的温度数据的数据融合的K-medoids算法.
• 集成建模方法集成K-medoids与LSTM和XGBoost进行温度预测.

主要成果:

• 该K-medoids-LSTM-XGBoost模型实现了2.5343.3的平均绝对误差 (MAE).
• 拟议的整体模型与单个模型和其他整体方法相比,显示出更高的准确性.
• 实现了对未来时间段的准确温度预测,确保了适当的装载环境.

结论:

• 该K-medoids-LSTM-XGBoost模型显著提高了冷链加载温度预测的准确性.
• 这种方法为冷链物流人员提供了增强的监控和管理能力.
• 该研究验证了组合模型在优化农产品冷链运营方面的有效性.