虚拟站点制造技术

本发明专利技术公开了一种虚拟站点，1)通过数据爬虫系统爬取的是地跌站的人行流量数据和公交车的人行流量数据；2)通过清洗数据对数据进行清洗、过滤、转化，提取出符合自己的数据；3)通过双重BP神经网络组合预测模型预测；本发明专利技术提供的虚拟站点，利用神经网络对爬虫数据进行预测，无需对数据的时间序列做平稳性假设，仅依靠样本数据的训练来寻求数据之间的映射关系，从而建立准确的数据预测模型。

【技术实现步骤摘要】
虚拟站点
本专利技术属于电力检修领域，尤其是一种虚拟站点。
技术介绍
随着电力系统的蓬勃发展，各种公共电力设施的使用数量和布设范围随之增多，但是与之对应的电力故障也呈上升的趋势，在传统的电力故障检修过程中，施工人员需要将信号指示灯或指示架及时摆放在施工现场，甚至部分施工现场需要设立围栏以加强警戒。但是，由于电力抢修以及日常施工过程中，经常容易出现指示灯或指示架摆放位置不醒目，造成非施工人员的误入，从而使施工过程受到影响，也存在着安全隐患。为克服现有技术不足，本专利技术提供一种识别率高且安装简便的虚拟站点。
技术实现思路
本专利技术为解决上述技术问题而采用的技术方案是提供一种虚拟站点，其中，具体技术方案为：1)通过数据爬虫系统爬取的是地跌站的人行流量数据和公交车的人行流量数据；2)通过清洗数据对数据进行清洗、过滤、转化，提取出符合自己的数据；3)通过双重BP神经网络组合预测模型预测；BP神经网络叫作误差反向传播算法，其算法基本思想为：输入信号经输入层输入，通过隐层计算由输出层输出，输出值与标记值比较，若有误差，将误差反向由输出层向输入层传播，在这个过程中，利用梯度下降算法对神经元权值进行调整；算法数学工具：BP算法中最核心的数学工具是微积分的链式求导法则。说明：z是y的函数可导，y是x的函数可导，则上述的虚拟站点，其中：BP算法除了输入层的神经元，每个神经元都会有加权求和得到的输入值z和将z通过Sigmoid函数，非线性转化后的输出值a，他们之间的计算公式如下：变量l和j表示的是第l层的第j个神经元；ij则表示从第i个神经元到第j个神经元之间的连线；w表示的是权重；b表示的是偏置；当时激活函数的原因是因为线性模型的表达能力不够，所以加入Sigmoid函数来加入非线性因素得到神经元的输出值。上述的虚拟站点，其中：BP算法执行流程：在手工设定了神经网络的层数，每层的神经元的个数，学习率η后，BP算法会先随机初始化每条连接线权重和偏置，然后对于训练集中的每个输入x和输出y，BP算法都会先执行前向传输得到预测值，然后根据真实值与预测值之间的误差执行逆向反馈更新神经网络中每条连接线的权重和每层的偏好，在没有到达停止条件的情况下重复上述过程；其中，停止条件可以是下面这三条：1)权重的更新低于某个阈值的时候；2)预测的错误率低于某个阈值；3)达到预设一定的迭代次数。上述的虚拟站点，其中：有20万个神经元作为输入层，而输出层有10个神经元代表数字0～9，每个神经元取值为0～1，代表着这个数字的概率。每输入一批样本，神经网络会执行前向传输一层一层的计算到输出层神经元的值，根据哪个输出神经元的值最大来预测人群流量。然后根据输出神经元的值，计算出预测值与真实值之间的误差，再逆向反馈更新神经网络中每条连接线的权重和每个神经元的偏好。前向传输(Feed-Forward)从输入层＝>隐藏层＝>输出层，一层一层的计算所有神经元输出值的过程。逆向反馈(BackPropagation)因为输出层的值与真实的值会存在误差，用均方误差来衡量预测值和真实值之间的误差。均方误差逆向反馈的目标就是让E函数的值尽可能的小，而每个神经元的输出值是由该点的连接线对应的权重值和该层对应的偏好所决定的，因此，要让误差函数达到最小，我们就要调整w和b值，使得误差函数的值最小；上述的虚拟站点，其中：权重和偏置的更新公式：对目标函数E求w和b的偏导得到w和b的更新量，下面拿求w偏导来做推导；其中η为学习率，取值通常为0.1～0.3,可以理解为每次梯度所迈的步伐；注意到whj的值先影响到第j个输出层神经元的输入值a，再影响到输出值y根据链式求导法则有：根据神经元输出值a的定义有：Sigmoid求导数的式子如下：f'(x)＝f(x)(1-f(x))所以：则权重w的更新量为：可得b的更新量为：但这两个公式只能够更新输出层与前一层连接线的权重和输出层的偏置，原因是因为δ值依赖了真实值y这个变量，但是只知道输出层的真实值而不知道每层隐藏层的真实值，导致无法计算每层隐藏层的δ值，所以采用了如下的公式：下一层的权重和神经元输出层的值就可以计算出上一层的δ值，只要通过不断的利用上面这个式子就可以更新隐藏层的全部权重和偏置。上述的虚拟站点，其中：l层的第i个神经元与l+1层的所有神经元都有连接，将δ展开成如下的式子：也即是可以将E看做是l+1层所有神经元输入值的z函数，而上面式子的n表示的是l+1层神经元的数量，再进行化简后就得到上面所说的式子。本专利技术相对于现有技术具有如下有益效果：1)利用神经网络对爬虫数据进行预测，无需对数据的时间序列做平稳性假设，仅依靠样本数据的训练来寻求数据之间的映射关系，从而建立准确的数据预测模型。2)双重BP神经网络组合预测模型在提高预测精度的同时不需对模型结构作限制，可以综合回归和延时神经网络预测方法提供的时间序列信息和空间映射信息，从而获得最佳的预测效果。以爬虫数据为例进行了预测模型的应用，计算结果表明双重BP神经网络组合预测模型比单独应用回归和延时神经网络具有更高的预测精度。3)神经网络的拓扑结构对预测模型的精度有影响，适当增加输入历史数据样本，可以使网络得到更多的序列本身的信息，从而使神经网络的预测更加精确。进行数据预测时，训练样本数和检验样本数宜分别控制在100～200和100左右。附图说明图1为数据预测流程图。图2为非线性组合模型预测模型。图3为双重BP神经网络组合预测模型。图4为BP算法的结构。图5为更新隐藏层的全部权重和偏置示意图。图6为校核样本数示意图。图7为Sigmoid函数图形。具体实施方式下面结合附图和实施例对本专利技术作进一步的描述。对于附图：数据预测流程图：说明：数据爬虫系统：爬取的是地跌站的人行流量数据和公交车的人行流量数据；清洗数据：对数据进行清洗、过滤、转化，提取出符合自己的数据；双重BP神经网络组合预测模型：对清洗数据进行建模、预测；应用程序：预测人流量大的地铁或公交车的站点，交给应用程序去判断虚拟站点的位置；非线性组合模型预测模型：说明：数学表达式为：y＝f(x1,x2,...,xi,...,xn)；Y：表示神经网络组合器的输出，即组合预测模型的预测值，也就是预测人流大的区域；xi：表示第i项预测模型的预测值；f(...)：表示神经网络非线性映射函数；双重BP神经网络组合预测模型：说明：第1重由回归神经网络和延时神经网络组成，回归神经网络模型用爬虫数据作为输入，延时神经网络模型则用与预测参数相关运行参数作为输入；第2重是神经网络组合器，将前两者的预测结果进行优化组合，从而充分利用测点数据的历史变化趋势和相关参数的映射规律信息，提高预测精度。方法分析本产品的核心问题在于在政府规定的白线内选择虚拟站点的位置。方法从大数据的角度来看，数据源来自于公司爬取的数据，包括地跌站点和公交站点的数据，利用BP神经网络来预测人群的流量，从而选择合适的位置建立虚拟站点。1)BP神经网络BP神经网络叫作误差反向传播(errorBackPropagation，或者也叫作误差逆传播)算法。其算法基本思想为：输入信号经输入层输入，通过隐层计算由输出层输出，输出值与标记值比较，若有误差，将误差反向由输出层向输入层传播，在这本文档来自技高网...

【技术保护点】
一种虚拟站点，其特征在于：1)通过数据爬虫系统爬取的是地跌站的人行流量数据和公交车的人行流量数据；2)通过清洗数据对数据进行清洗、过滤、转化，提取出符合自己的数据；3)通过双重BP神经网络组合预测模型预测；BP神经网络叫作误差反向传播算法，其算法基本思想为：输入信号经输入层输入，通过隐层计算由输出层输出，输出值与标记值比较，若有误差，将误差反向由输出层向输入层传播，在这个过程中，利用梯度下降算法对神经元权值进行调整；算法数学工具：BP算法中最核心的数学工具是微积分的链式求导法则。说明：z是y的函数可导，y是x的函数可导，则

【技术特征摘要】
1.一种虚拟站点，其特征在于：1)通过数据爬虫系统爬取的是地跌站的人行流量数据和公交车的人行流量数据；2)通过清洗数据对数据进行清洗、过滤、转化，提取出符合自己的数据；3)通过双重BP神经网络组合预测模型预测；BP神经网络叫作误差反向传播算法，其算法基本思想为：输入信号经输入层输入，通过隐层计算由输出层输出，输出值与标记值比较，若有误差，将误差反向由输出层向输入层传播，在这个过程中，利用梯度下降算法对神经元权值进行调整；算法数学工具：BP算法中最核心的数学工具是微积分的链式求导法则。说明：z是y的函数可导，y是x的函数可导，则2.如权利要求1所述的虚拟站点，其特征在于：BP算法除了输入层的神经元，每个神经元都会有加权求和得到的输入值z和将z通过Sigmoid函数，非线性转化后的输出值a，他们之间的计算公式如下：变量l和j表示的是第l层的第j个神经元；ij则表示从第i个神经元到第j个神经元之间的连线；w表示的是权重；b表示的是偏置；当时激活函数的原因是因为线性模型的表达能力不够，所以加入Sigmoid函数来加入非线性因素得到神经元的输出值。3.如权利要求2所述的虚拟站点，其特征在于：BP算法执行流程：在手工设定了神经网络的层数，每层的神经元的个数，学习率η后，BP算法会先随机初始化每条连接线权重和偏置，然后对于训练集中的每个输入x和输出y，BP算法都会先执行前向传输得到预测值，然后根据真实值与预测值之间的误差执行逆向反馈更新神经网络中每条连接线的权重和每层的偏好，在没有到达停止条件的情况下重复上述过程；其中，停止条件可以是下面这三条：1)权重的更新低于某个阈值的时候；2)预测的错误率低于某个阈值；3)达到预设一定的迭代次数。4.如权利要求3所述的虚拟站点，其特征在于：有20万个神经元作为输入层，而输出层有10个神经元代表数字0～9，每个神经元取值为0～1，代表着这个数字的概率。每输入一批样本，神经网络会执行前向传输一层一...

【专利技术属性】
技术研发人员：刘纯阳，鲍士要，张国涛，
申请(专利权)人：上海享骑电动车服务有限公司，
类型：发明
国别省市：上海,31