基于长短时记忆循环神经网络的综合管廊运维预测及方法技术

本发明专利技术涉及一种基于长短时记忆循环神经网络的综合管廊运维预测及方法包括系统预制，数据预处理及风险预测等三个步骤。本发明专利技术一方面系统构成结构简单、数据通讯处理能力强，可有效满足对管廊系统运维工作中风险事件进行短期及长期风险预判作业的需要；另一方面具有良好的自主学习运行能力和错误纠正能力，从而可极大的降低管廊系统风险事件预测作业的劳动强度、成本；同时极大的提高了风险事件判断效率及精度，极大的提高了管廊运行风险管控工作的工作效率和精度。

【技术实现步骤摘要】
基于长短时记忆循环神经网络的综合管廊运维预测及方法
本专利技术涉及一种管廊风险评估系统及方法，属于信息通讯及人工智能

技术介绍
城市综合管廊系统的运行中，为了提高对运行风险事件的综合监管能力，提高管廊运行安全性，当前在监管工作采用了大量的基于人工智能类风险预测系统平台，但在实际工作中发现，当前所使用的该类人工智能风险预测平台在运行过程中，传统神经网络架构一直没法解决一些基础问题，比如解释依赖于信息和上下文的输入序列。这些信息可以是句子中的某些单词，我们能用它们预测下一个单词是什么；也可以是序列的时间信息，我们能基于时间元素分析句子的上下文。简而言之，传统神经网络每次只会采用独立的数据向量，它没有一个类似“记忆”的概念，用来处理和“记忆”有关各种任务。为了解决这个问题，早期提出的一种方法是在网络中添加循环，得到输出值后，它的输入信息会通过循环被“继承”到输出中，这是它最后看到的输入上下文。这些网络被称为递归神经网络(RNN)。虽然RNN在一定程度上解决了上述问题，但它们还是存在相当大的缺陷，比如在处理长期依赖性问题时容易出现梯度消失，因此系统运行的稳定性、自主性均相对较差，且当前的该类系统运行中对评测结果也缺乏相应的验证及纠错能力，从而给管廊系统的风险评测造成较大的不便及安全隐患。因此针对这一现状，迫切需要开发一种全新的城市管廊风险预测系统，以满足管廊系统实际运行维护管理作业的需要。
技术实现思路
针对现有技术上存在的不足，本专利技术提供一种基于LSTM模型的综合管廊运维数据预测系统及构建方法，以克服传统设备在运行中的缺陷，提高管廊系统运行的稳定性、安全性和可靠性。为了实现上述目的，本专利技术是通过如下的技术方案来实现：基于长短时记忆循环神经网络的综合管廊运维预测及方法，包括以下步骤：S1，系统预制，首先构建一个基于SOA体系为基础的主程序系统，LSTM的智能预测系统为核心的风险服务器，且所述风险评估服务器平另设CNN卷积运算系统和BP神经网络系统，且LSTM的智能预测系统分别与CNN卷积运算系统和BP神经网络系统连接，且CNN卷积运算系统另与BP神经网络系统连接，从而构成风险运维预测系统；S2，数据预处理，完成S1步骤后，LSTM的智能预测系统首先以时间序列为基础建立数据运行模型，并包含至少三个cell神经网络，且每个cell神经网络均包含普串联的四个普通神经网络的隐藏层结构，其中第一、二和四的激活函数均为sigmoid函数，第三个的激活函数为tanh函数，同时，首先设t时刻的输入X和t-1时刻的输出h(t-1)进行拼接，然后输入cell中，其实可以这样理解，我们的输入X(t)分别feed进了四个普通神经网络的隐藏层结构中，每个普通神经网络的隐藏层结构中进行的运算和正常的神经网络的计算一样(矩阵乘法)，有关记忆的部分完全由各种门结构来控制(就是0和1)，同时在输入时不仅仅有原始的数据集，同时还加入了上一个数据的输出结果，也就是h(t-1)，从而在cell中一方面同时生成两条平行分布的数据处理路径，其中一条数据处理路径用于控短时记忆，另一条数据处理路径用于控制长时记忆；另一方面生成输入门、遗忘门和输出门三类逻辑判断节点，即可完成LSTM的智能预测系统设置，然后将通过外部设备向风险服务器中录入管廊系统运维作业中采集的运维数据，然后将运维数据发送至CNN卷积运算系统中，经过CNN卷积运算系统初步运算后同时将运算后数据发送至LSTM的智能预测系统和BP神经网络系统中；S3，风险预测，完成S2步骤后，一方面由BP神经网络系统对接收的数据进行二次运行，并对运行结果缓存备用；另一方面LSTM的智能预测系统对接收的数据进行运行，并对接收的数据经过运行后划分为短时记忆风险预测结果和长时记忆风险预测结果，然后BP神经网络系统根据接收的短时记忆风险预测结果和长时记忆风险预测结果与之前缓存的运行结果进行二次比对运算，然后输出当前管廊系统运维数据对应的风险时间及风险等级，并以此为最终结果进行输出；进一步的，所述的S1步骤中，构建的服务器通过外部数据通讯网络与管廊系统的操控终端间连接数据连接。进一步的，所述的S2步骤中，在进行LSTM的智能预测系统设定时，LSTM的智能预测系统采用RNN模型结构构建。进一步的，所述的S3步骤中，LSTM的智能预测系统运行时，按以下步骤进行：第一步，遗忘门运行，选择忘记过去的某些信息，LSTM中的第一步是决定从cell状态中丢弃什么信息；其运行函数为：ft＝σ(wf·[ht-1，xt]+bf)；其中ht-1表示的是上一个cell的输出，xt表示的是当前细胞的输入。σ表示sigmod函数。第二步，输入门运行，决定让多少新的信息加入cell状态中来，首先通过一个是输入门的sigmoid层决定哪些信息需要更新；另一个tanh层生成一个向量，也就是备选的用来更新的内容，然后把这两部分联合起来，对cell的状态进行一个更新；其运行函数为：it＝σ(wi·[ht-1，xt]+bi)it＝σ(wi·[ht-1，xt]+bi)第三步，输出门运行，需要确定输出什么值，首先运行一个sigmoid层来确定cell状态的哪个部分将输出出去；接着，我们把cell状态通过tanh层进行处理(得到一个在-1到1之间的值)并将它和sigmoid层的输出相乘，最终输出确定输出的那部分数据。进一步的，所述的S3步骤中，发送至BP神经网络系统中的短时记忆风险预测结果和长时记忆风险预测结果，均保持在风险服务器中，其中短时记忆风险预测结果在进行下一次风险评估时从LSTM的智能预测系统中直接删除，长时记忆风险预测结果保留在LSTM的智能预测系统中持续运行，此外，当短时记忆风险预测结果出现频率占风险预测作业次数的40％以上时，则该短时记忆风险预测结果转化为长时记忆风险预测结果并应用，当长时记忆风险预测结果出现频率小于2％时，则从LSTM的智能预测系统中删除，并作为原始备用数据保存在风险服务器中备用。本专利技术一方面系统构成结构简单、数据通讯处理能力强，可有效满足对管廊系统运维工作中风险事件进行短期及长期风险预判作业的需要；另一方面具有良好的自主学习运行能力和错误纠正能力，从而可极大的降低管廊系统风险事件预测作业的劳动强度、成本；同时极大的提高了风险事件判断效率及精度，极大的提高了管廊运行风险管控工作的工作效率和精度。附图说明下面结合附图和具体实施方式来详细说明本专利技术。图1为本专利技术运行方法流程图；图2为LSTM的智能预测系统运行流程示意图。具体实施方式为使本专利技术实现的技术手段、创作特征、达成目的与功效易于明白了解，下面结合具体实施方式，以氢气为例进一步阐述本专利技术。如图1和2所示，基于长短时记忆循环神经网络的综合管廊运维预测及方法，包括以下步骤：S1，系统预制，首先构建一个基于SOA体系为基础的主程序系统，LSTM的智能预测系统为核心的风险服务器，且所述风险评本文档来自技高网...

【技术保护点】
1.基于长短时记忆循环神经网络的综合管廊运维预测及方法，其特征在于：所述的基于长短时记忆循环神经网络的综合管廊运维预测及方法包括以下步骤：/nS1，系统预制，首先构建一个基于SOA体系为基础的主程序系统，LSTM的智能预测系统为核心的风险服务器，且所述风险评估服务器平另设CNN卷积运算系统和BP神经网络系统，且LSTM的智能预测系统分别与CNN卷积运算系统和BP神经网络系统连接，且CNN卷积运算系统另与BP神经网络系统连接，从而构成风险运维预测系统；/nS2，数据预处理，完成S1步骤后，LSTM的智能预测系统首先以时间序列为基础建立数据运行模型，并包含至少三个cell神经网络，且每个cell神经网络均包含普串联的四个普通神经网络的隐藏层结构，其中第一、二和四的激活函数均为sigmoid函数，第三个的激活函数为tanh函数，同时，首先设t时刻的输入X和t-1时刻的输出h(t-1)进行拼接，然后输入cell中，其实可以这样理解，我们的输入X(t)分别feed进了四个普通神经网络的隐藏层结构中，每个普通神经网络的隐藏层结构中进行的运算和正常的神经网络的计算一样(矩阵乘法)，有关记忆的部分完全由各种门结构来控制(就是0和1)，同时在输入时不仅仅有原始的数据集，同时还加入了上一个数据的输出结果，也就是h(t-1)，从而在cell中一方面同时生成两条平行分布的数据处理路径，其中一条数据处理路径用于控短时记忆，另一条数据处理路径用于控制长时记忆；另一方面生成输入门、遗忘门和输出门三类逻辑判断节点，即可完成LSTM的智能预测系统设置，然后将通过外部设备向风险服务器中录入管廊系统运维作业中采集的运维数据，然后将运维数据发送至CNN卷积运算系统中，经过CNN卷积运算系统初步运算后同时将运算后数据发送至LSTM的智能预测系统和BP神经网络系统中；/nS3，风险预测，完成S2步骤后，一方面由BP神经网络系统对接收的数据进行二次运行，并对运行结果缓存备用；另一方面LSTM的智能预测系统对接收的数据进行运行，并对接收的数据经过运行后划分为短时记忆风险预测结果和长时记忆风险预测结果，然后BP神经网络系统根据接收的短时记忆风险预测结果和长时记忆风险预测结果与之前缓存的运行结果进行二次比对运算，然后输出当前管廊系统运维数据对应的风险时间及风险等级，并以此为最终结果进行输出。/n...

【技术特征摘要】
1.基于长短时记忆循环神经网络的综合管廊运维预测及方法，其特征在于：所述的基于长短时记忆循环神经网络的综合管廊运维预测及方法包括以下步骤：
S1，系统预制，首先构建一个基于SOA体系为基础的主程序系统，LSTM的智能预测系统为核心的风险服务器，且所述风险评估服务器平另设CNN卷积运算系统和BP神经网络系统，且LSTM的智能预测系统分别与CNN卷积运算系统和BP神经网络系统连接，且CNN卷积运算系统另与BP神经网络系统连接，从而构成风险运维预测系统；
S2，数据预处理，完成S1步骤后，LSTM的智能预测系统首先以时间序列为基础建立数据运行模型，并包含至少三个cell神经网络，且每个cell神经网络均包含普串联的四个普通神经网络的隐藏层结构，其中第一、二和四的激活函数均为sigmoid函数，第三个的激活函数为tanh函数，同时，首先设t时刻的输入X和t-1时刻的输出h(t-1)进行拼接，然后输入cell中，其实可以这样理解，我们的输入X(t)分别feed进了四个普通神经网络的隐藏层结构中，每个普通神经网络的隐藏层结构中进行的运算和正常的神经网络的计算一样(矩阵乘法)，有关记忆的部分完全由各种门结构来控制(就是0和1)，同时在输入时不仅仅有原始的数据集，同时还加入了上一个数据的输出结果，也就是h(t-1)，从而在cell中一方面同时生成两条平行分布的数据处理路径，其中一条数据处理路径用于控短时记忆，另一条数据处理路径用于控制长时记忆；另一方面生成输入门、遗忘门和输出门三类逻辑判断节点，即可完成LSTM的智能预测系统设置，然后将通过外部设备向风险服务器中录入管廊系统运维作业中采集的运维数据，然后将运维数据发送至CNN卷积运算系统中，经过CNN卷积运算系统初步运算后同时将运算后数据发送至LSTM的智能预测系统和BP神经网络系统中；
S3，风险预测，完成S2步骤后，一方面由BP神经网络系统对接收的数据进行二次运行，并对运行结果缓存备用；另一方面LSTM的智能预测系统对接收的数据进行运行，并对接收的数据经过运行后划分为短时记忆风险预测结果和长时记忆风险预测结果，然后BP神经网络系统根据接收的短时记忆风险预测结果和长时记忆风险预测结果与之前缓存的运行结果进行二次比对运算，然后输出当前管廊系统运维数据对应的风险时间及风险等级，并以此为最终结果进行输出。


2.根据权利要求1所述的...

【专利技术属性】
技术研发人员：张文超，王祥轲，赵青松，王文娟，王凯，刘安愿，畅佳宁，户静雅，
申请(专利权)人：河南汇祥通信设备有限公司，
类型：发明
国别省市：河南;41