一种基于深度学习模型的超声波水表数据修复方法技术

一种基于深度学习模型的超声波水表数据修复方法，通过超声波水表时间芯片计算超声波飞行时间差，获得超声波水表时间序列原始数据r

【技术实现步骤摘要】
一种基于深度学习模型的超声波水表数据修复方法
本专利技术属于超声波水表数据处理领域，尤其涉及一种基于深度学习模型的超声波水表数据修复方法。
技术介绍
物联网时代来临，传统的机械式水表逐渐被智能水表取代。其中，超声波水表是智能水表中备受关注的产品。超声波水表和超声波流量计测量的数据都属于时间序列数据(简称时序数据)。在实际工作中，外界环境变化、传感器损坏、系统故障、人为失误等因素，都可能使得获得的数据存在异常值、缺失和损坏等情况，从而导致数据质量的降低。这对于超声波测量数据的处理、分析和挖掘都会造成不利的影响。所以，对时序数据异常数据的修复是一个重要的技术问题，具有较强的实用性。目前国内外在时序数据上做得较多的工作是利用时序数据进行预测。通过对目标自身时间序列的分析，建立体现其动态依存关系的数学模型，研究其变化趋势，从而探知某现象随时间的变化规律，推测所分析变量未来发展走向。同时也提高工作的主动性和预见性，避免盲目性。现有对超声波水表时序数据的修复方法主要是利用整体时序数据的平均值、中值等去修复，或者通过构建算法模型(如卡尔曼滤波模型)预测异常值的数据。前者往往精度不高，只适用于幅值变化较小数据；后者通常复杂度较高，只适用于小范围数据修复且效率低。
技术实现思路
为了克服现有超声波水表时序数据修复方法的修复精度较低、修复效率较低的不足，本专利技术提供一种修复精度较高、修复效率较高的基于深度学习模型的超声波水表数据修复方法。本专利技术解决其技术问题所采用的技术方案是：一种基于深度学习模型的超声波水表数据修复方法，包括以下步骤：步骤1：通过超声波水表时间芯片计算超声波飞行时间差，获得超声波水表时间序列原始数据rm，其中1＜m≤M，M表示超声波水表在测试时段内测量所得时序数据集的总数。采用动态阈值法对上述超声波水表时序数据集进行异常值筛选；步骤2：进行超声波水表时序数据预处理，剔除数据集中的异常数值，并根据LSTM模型特征进行训练集、测试集的配置；步骤3：正向LSTM预测模型预测超声波水表时序数据，所述正向LSTM预测模型包括模型优化参数设置，模型构建及训练，并以此正向LSTM预测模型进行超声波水表时序数据预测，过程如下：步骤3.1：结合超声波水表时序数据，采用自适应矩估计法(Adam)设置正向LSTM预测模型优化参数；步骤3.2：正向LSTM预测模型构建及网络训练，并对超声波水表时序数据进行预测；步骤4：反向LSTM模型推演超声波水表时序数据，所述反向LSTM模型包括模型优化参数设置，模型构建及训练，并以此反向LSTM模型进行超声波水表时序数据推演，过程如下：步骤4.1：结合超声波水表时序数据，采用Adam设置反向LSTM模型优化参数；步骤4.2：反向LSTM模型构建及网络训练，并对超声波水表时序数据进行推演；步骤5：根据预测值y′t与推演值y″t加权计算异常数据的恢复值。所述步骤1的处理过程如下：步骤1：通过超声波水表时间芯片计算超声波飞行时间差，获得超声波水表时间序列原始数据rm，其中1＜m≤M，M表示超声波水表在测试时段内测量所得时序数据集的总数。采用动态阈值法对上述超声波水表时序数据集进行异常值筛选，过程如下：步骤1.1：采用加权移动平均法计算超声波水表时序数据的动态平均值，其计算公式如下：其中，μm表示rm处的动态平均值；2N+1为加权移动平均值计算所选数据段周期；vn(-N≤n≤N)表示各项的权值；N的值及各项权值，根据超声波水表时序数据量及数据特征进行设置。步骤1.2：定义所选数据段的平均权值为rm处的平均权值，记为采用加权标准差法计算超声波水表时序数据的动态标准差，其计算公式如下：步骤1.3：结合上述动态平均值、动态标准差，采用3σ准则设置超声波水表时序数据的动态阈值，定义：其中，maxm表示rm处动态阈值范围的上边界；minm表示rm处动态阈值范围的下边界。步骤1.4：结合上述动态阈值，若minm≤rm≤maxm，那么rm判定为正常数据，无需修复；若rm＜minm或rm＞maxm，那么rm判定为异常数据，需要进行修复。所述步骤2的处理过程如下：步骤2：进行超声波水表时序数据预处理，剔除数据集中的异常数值，并根据LSTM模型特征进行训练集、测试集的配置。步骤2.1：剔除超声波水表时序数据集中的异常数值，其判定方式如下：步骤2.2：根据超声波水表时序数据集的数据特征及LSTM模型对训练集的基础要求，选取适合时长的数据集作为训练集。根据上述异常数据判定结果，将异常数值前p项至异常数值后q项(共p+q+1项)作为测试集，并将测试集中数据记为yt，其中1≤t≤p+q+1。所述步骤3的处理过程如下：步骤3：正向LSTM预测模型预测超声波水表时序数据，所述正向LSTM预测模型包括模型优化参数设置，模型构建及训练，并以此正向LSTM预测模型进行超声波水表时序数据预测，过程如下：步骤3.1：结合超声波水表时序数据，采用Adam设置正向LSTM预测模型优化参数。步骤3.1.1：初始化参数一阶矩估计、二阶矩估计，计算梯度，更新一阶矩估计、二阶矩估计：m0＝0，n0＝0，t＝0(6)mt+1＝ρ1mt+(1-ρ1)gt+1(8)其中，gt表示t时刻梯度；表示随即目标函数；mt表示t时刻一阶矩估计；ρ1＝0.9表示一阶矩估计衰减指数；nt表示t时刻二阶矩估计；ρ2＝0.999表示二阶矩估计衰减指数；表示gt⊙gt。步骤3.1.2：计算偏差修正的一阶矩估计及偏差修正的二阶矩估计：其中，表示t时刻偏差修正的一阶矩估计；表示t时刻偏差修正的二阶矩估计。步骤3.1.3：更新模型参数其中，q＝0.001表示学习率；ε＝10-8表示数值稳定量。步骤3.2：正向LSTM预测模型构建及网络训练，并对超声波水表时序数据进行预测；步骤3.2.1：创建神经网络，设置输入层节点数、输出层节点数、隐含层节点数，三者关系满足如下经验公式：其中，hidden1表示隐含层节点数；in1表示输入层节点数；out1表示输出层节点数；α为[1，10]之间的常数。步骤3.2.2：设置正向LSTM预测模型输入门、遗忘门及输出门的输入、输出函数，设置Cell单元的当前状态及输出函数：输入门的输入、输出：其中，表示t时刻输入门的输入；wji表示训练样本输入到输入门的权值；表示t时刻训练样本的输入；whi表示隐含层到输入门的权值；表示t-1时刻隐含层的输出；wci表示Cell单元到输入门的权值；表示t-1时刻Cell单元的状态；表示t时刻输入门的输出；f表示门的激活函数。遗忘门的输入、输出：其中，表示t时刻本文档来自技高网...

【技术保护点】
1.一种基于深度学习模型的超声波水表数据修复方法，其特征在于，所述方法包括以下步骤：/n步骤1：通过超声波水表时间芯片计算超声波飞行时间差，获得超声波水表时间序列原始数据r

【技术特征摘要】
1.一种基于深度学习模型的超声波水表数据修复方法，其特征在于，所述方法包括以下步骤：
步骤1：通过超声波水表时间芯片计算超声波飞行时间差，获得超声波水表时间序列原始数据rm，其中1<m≤M，M表示超声波水表在测试时段内测量所得时序数据集的总数，采用动态阈值法对上述超声波水表时序数据集进行异常值筛选；
步骤2：进行超声波水表时序数据预处理，剔除数据集中的异常数值，并根据LSTM模型特征进行训练集、测试集的配置；
步骤3：正向LSTM预测模型预测超声波水表时序数据，所述正向LSTM预测模型包括模型优化参数设置，模型构建及训练，并以此正向LSTM预测模型进行超声波水表时序数据预测，过程如下：
步骤3.1：结合超声波水表时序数据，采用自适应矩估计法(Adam)设置正向LSTM预测模型优化参数；
步骤3.2：正向LSTM预测模型构建及网络训练，并对超声波水表时序数据进行预测；
步骤4：反向LSTM模型推演超声波水表时序数据，所述反向LSTM模型包括模型优化参数设置，模型构建及训练，并以此反向LSTM模型进行超声波水表时序数据推演，过程如下：
步骤4.1：结合超声波水表时序数据，采用Adam设置反向LSTM模型优化参数；
步骤4.2：反向LSTM模型构建及网络训练，并对超声波水表时序数据进行推演；
步骤5：根据预测值y′t与推演值y″t加权计算异常数据的恢复值。


2.如权利要求1所述的一种基于深度学习模型的超声波水表数据修复方法，其特征在于，所述步骤1的处理过程如下：
步骤1：通过超声波水表时间芯片计算超声波飞行时间差，获得超声波水表时间序列原始数据rm，其中1<m≤M，M表示超声波水表在测试时段内测量所得时序数据集的总数，采用动态阈值法对上述超声波水表时序数据集进行异常值筛选，过程如下：
步骤1.1：采用加权移动平均法计算超声波水表时序数据的动态平均值，其计算公式如下：



其中，μm表示rm处的动态平均值；2N+1为加权移动平均值计算所选数据段周期；vn表示各项的权值，-N≤n≤N；N的值及各项权值，根据超声波水表时序数据量及数据特征进行设置；
步骤1.2：定义所选数据段的平均权值为rm处的平均权值，记为采用加权标准差法计算超声波水表时序数据的动态标准差，其计算公式如下：



步骤1.3：结合上述动态平均值、动态标准差，采用3σ准则设置超声波水表时序数据的动态阈值，定义：






其中，maxm表示rm处动态阈值范围的上边界；minm表示rm处动态阈值范围的下边界；
步骤1.4：结合上述动态阈值，若minm≤rm≤maxm，那么rm判定为正常数据，无需修复；若rm<minm或rm>maxm，那么rm判定为异常数据，需要进行修复。


3.如权利要求2所述的一种基于深度学习模型的超声波水表数据修复方法，其特征在于，所述步骤2的处理过程如下：
步骤2：进行超声波水表时序数据预处理，剔除数据集中的异常数值，并根据LSTM模型特征进行训练集、测试集的配置；
步骤2.1：剔除超声波水表时序数据集中的异常数值，其判定方式如下：



步骤2.2：根据超声波水表时序数据集的数据特征及LSTM模型对训练集的基础要求，选取适合时长的数据集作为训练集，根据上述异常数据判定结果，将异常数值前p项至异常数值后q项(共p+q+1项)作为测试集，并将测试集中数据记为yt，其中1≤t≤p+q+1。


4.如权利要求3所述的一种基于深度学习模型的超声波水表数据修复方法，其特征在于，所述步骤3的处理过程如下：
步骤3：正向LSTM预测模型预测超声波水表时序数据，所述正向LSTM预测模型包括模型优化参数设置，模型构建及训练，并以此正向LSTM预测模型进行超声波水表时序数据预测，过程如下：
步骤3.1：结合超声波水表时序数据，采用Adam设置正向LSTM预测模型优化参数；
步骤3.1.1：初始化参数一阶矩估计、二阶矩估计，计算梯度，更新一阶矩估计、二阶矩估计：
m0＝0，n0＝0，t＝0(6)



mt+1＝ρ1mt+(1-ρ1)gt+1(8)



其中，gt表示t时刻梯度；表示随即目标函数；mt表示t时刻一阶矩估计；ρ1＝0.9表示一阶矩估计衰减指数；nt表示t时刻二阶矩估计；ρ2＝0.999表示二阶矩估计衰减指数；表示gt⊙gt；
步骤3.1.2：计算偏差修正的一阶矩估计及偏差修正的二阶矩估计：






其中，表示t时刻偏差修正的一阶矩估计；表示t时刻偏差修正的二阶矩估计；
步骤3.1.3：更新模型参数



其中，q＝0.001表示学习率；ε＝10-8表示数值稳定量；
步骤3.2：正向LSTM预测模型构建及网络训练，并对超声波水表时序数据进行预测；
步骤3.2.1：创建神经网络，设置输入层节点数、输出层节点数、隐含层节点数，三者关系满足如下经验公式：



其中，hiidden1表示隐含层节点数；in1表示输入层节点数；out1表示输出层节点数；α为[1,10]之间的常数；
步骤3.2.2：设置正向LSTM预测模型输入门、遗忘门及输出门的输入、输出函数，设置Cell单元的当前状态及输出函数：
输入门的输入、输出：






其中，表示t时刻输入门的输入；wji表示训练样本输入到输入门的权值；表示t时刻训练样本的输入；whi表示隐含层到输入门的权值；表示t-1时刻隐含层的输出；wci表示Cell单元到输入门的权值；表示t-1时刻Cell单元的状态；表示t时刻输入门的输出；f表示门的激活函数；
遗忘门的输入、输出：

【专利技术属性】
技术研发人员：付明磊，范婷超，张文安，仇翔，郑乐进，吴德，周力，
申请(专利权)人：浙江工业大学，杭州莱宸科技有限公司，
类型：发明
国别省市：浙江;33