近年来粮食产量不断增高,粮食安全问题愈发突出。在粮食储藏遇到的问题中,温度对其影响最大,若能利用现有粮仓数据对粮食的温度进行有效预测,就可以提前发现粮食储藏安全问题,减少粮食在储藏过程中的损失。论文首先使用BP神经网络和改进粒子群算法优化BP神经网络对粮食温度进行预测;然后使用循环神经网络及其变体对粮食温度进行预测,同时为了进一步的提高预测效果,使用不同的优化方法改进预测模型。本文为建立有效的粮温预测模型做出了如下工作:(1)利用BP神经网络几乎能拟合出任何函数且能自动更新自身参数等优点,建立基于BP神经网络的粮情预测模型;根据BP神经网络存在的缺点利用粒子群(PSO)算法对其进行改进,并将改进后BP神经网络应用到粮情预测模型;同时针对粒子群算法收敛速度慢等缺点,提出新的惯性权重并利用遗传算法的交叉和变异操作改进粒子群算法寻优过程,最后将改进PSO-BP神经网络应用到粮情预测模型。对BP、PSO-BP和改进PSO-BP三种神经网络预测效果进行测试,得出BP均方误差为0.02472,PSO-BP均方误差为0.01970,改进PSO-BP均方误差为0.01592;从而得出改进PSO-BP神经网络的预测效果相对于其他两种有着较好的稳定性,能够很好预测粮食温度的变化情况。(2)利用循环神经网络能够处理时间序列的特点,建立基于循环神经网络的粮情预测模型;根据LSTM能够解决循环神经网络梯度消失的特点,建立基于LSTM的粮情预测模型;为了得到更好的预测效果,先优化其网络结构,再使用改进的激活函数进行对比测试;为了解决模型中存在的过拟合现象,使用正则化方法来解决过拟合的问题,然后将不同的优化算法应用在LSTM中,并对比其预测结果;再将改进后的BP粮情预测模型和改进后的LSTM粮情预测模型进行比较。最后根据预测温度和相应标准,建立粮情预警模型。为验证改进LSTM网络结构的可用性,在相同情况下将RNN及三种变体对粮温进行预测,得出RNN的均方误差为0.02840,LSTM的均方误差为0.02463,GRU的均方误差为0.01626,CLSTM的均方误差为0.01536,从而可以看出改进后CLSTM的预测效果较好。同时为验证使用改进激活函数、添加正则化及选择较好优化算法后的效果,对其在不同方式下进行预测,最后得到优化后CLSTM的均方误差为0.00384,进而可知优化后CLSTM的预测效果要比优化前的要好。