高速公路摄像设备状态预测及故障预警方法、相关装置制造方法及图纸

本发明专利技术涉及一种高速公路摄像设备检测技术领域，是一种高速公路摄像设备状态预测及故障预警方法、相关装置，该方法包括获取训练集、验证集、测试集；确定多层LSTM网络的输入功率序列长度和输出功率序列长度，生成训练集、验证集、测试集的输入、输出集向量数组；采用训练集输入、输出向量数组训练多层LSTM网络，利用验证集输入、输出向量数组进行验证，得到摄像设备状态预测模型；采用测试集输入、输出向量数组测试摄像设备状态预测模型。本发明专利技术采用多层LSTM来构建神经网络模型，更能学习并利用到时间序列的周期性等信息，使得模型预测精度更高。同时本发明专利技术利用多标准来检测高速公路摄像设备所处状态及故障预警，避免出现拍摄空窗期。期。期。

【技术实现步骤摘要】
高速公路摄像设备状态预测及故障预警方法、相关装置


[0001]本专利技术涉及一种高速公路摄像设备检测
，是一种高速公路摄像设备状态预测及故障预警方法、相关装置。

技术介绍

[0002]我国高速公路发展迅速，已经形成了纵横交错的高速公路网，极大地促进了经济的发展。基于此，对高速公路进行有效的管理，使其发挥最大的效益就非常有必要。交通部门采取各种方式来对高速公路进行管理和控制，最常用和最有效的方法就是利用摄像设备对高速公路进行实时监控，随时了解和掌握高速公路当前的运转情况和状态，因此摄像设备的运转正常是确保高速公路安全的最基本前提。传统的摄像设备状态监测及故障预警，是安排检修人员定期巡检与查验，这种方法耗时耗力，且若设备是因老化等慢性问题而损坏，必须要等待至设备完全损坏后才能发现，这会导致拍摄的空窗期，因此如何检测设备状态以及故障预警已经成为一个难题。
[0003]基于深度学习的故障检测方法目前已经成为一种主流，循环神经网络(RNN)将时序的概念引入到网络结构中，隐藏层之间的互连结构反映出时间序列之间的相互影响关系，但是RNN存在着梯度消失、梯度爆炸和长期记忆能力不足的问题。

技术实现思路

[0004]本专利技术提供了一种高速公路摄像设备状态预测及故障预警方法、相关装置，用于对高速公路摄像设备状态检测及故障预警。
[0005]有鉴于此，本申请第一方面提供了一种高速公路摄像设备状态预测模型构建方法，包括：
[0006]获取训练集、验证集、测试集，其中训练集、验证集、测试集中均包括高速公路摄像设备的功率遥测数据和摄像设备状态数据；
[0007]确定多层LSTM网络的输入功率序列长度和输出功率序列长度，生成训练集、验证集、测试集的输入、输出集向量数组；
[0008]采用训练集输入、输出向量数组训练多层LSTM网络，利用验证集输入、输出向量数组进行验证，得到摄像设备状态预测模型；
[0009]采用测试集输入、输出向量数组测试摄像设备状态预测模型。
[0010]上述获取训练集、验证集、测试集，包括：
[0011]采集高速公路摄像设备工作时全寿命周期的功率遥测数据；
[0012]对功率遥测数据进行数据预处理，其中预处理包括删除异常数据、插补缺失数据、数据归一化处理；
[0013]设置时间戳，根据时间戳将功率遥测数据划分为训练集、验证集、测试集，其中时间戳包括训练集时间戳、验证集时间戳和测试集时间戳
[0014]上述多层LSTM网络中的损失函数选取MSE，具体如下：
[0015][0016]其中，m为样本个数，y
i
为数据真实值，为预测值。
[0017]上述多层LSTM网络的输入功率序列长度为l
in
＝480和输出功率序列长度1，则生成训练集、验证集、测试集的输入、输出集向量数组如下所示：
[0018]1、训练集输入向量为：
[0019]x1＝[p1,p2,
…
,p
480
‑1,p
480
]x2＝[p2,p3,
…
,p
480
,p
480+1
]，
…
x
(36088
‑1‑
480+1)
＝[p
36088
‑1‑
480+1
,p
36088
‑1‑
480+2
,
…
,p
36088
‑2,p
36088
‑1][0020]则训练集输入向量数组为：
[0021][0022]2、训练集输出集向量为：
[0023]y1＝[p
480+1
]，y2＝[p
480+2
]，
…
，y
(36088
‑1‑
480+1)
＝[p
36088
][0024]则训练集输出向量数组为：
[0025][0026]3、验证集输入向量为：
[0027]x1′
＝[p
36088
,p
36088+1
,
…
,p
36088+480
‑2,p
36088+480
‑1][0028]x2′
＝[p
36088+1
,p
36088+2
,
…
,p
36088+480
‑1,p
36088+480
]，
…
[0029]x
(45111
‑
36088
‑1‑
480+1)
′
＝[p
45111
‑1‑
480+1
,p
45111
‑1‑
480+2
,
…
,p
45111
‑2,p
45111
‑1][0030]则验证集输入向量数组为：
[0031][0032]4、验证集输出向量为：
[0033]y1′
＝[p
36088+480
‑
1+1
]，y2′
＝[p
36088+480+1
]，
…
，y
(45111
‑
36088
‑1‑
480+1)
′
＝[p
45111
‑
1+1
][0034]其验证集输出向量数组为：
[0035][0036]5、测试集输入向量为：
[0037]x1″
＝[p
45111
,p
45111+1
,
…
,p
45111+480
‑2,p
45111+480
‑1]，
[0038]x2″
＝[p
45111+1
,p
45111+2
,
…
,p
45111+480
‑1,p
45111+480
],
…
[0039]x
(56389
‑
45111
‑1‑
480+1)
″
＝[p
56389
‑1‑
480+1
,p
56389
‑1‑
480+2
,
…
,p
56389
‑1][0040]则测试集输入向量数组为：
[0041][0042]6、测试集输出向量为：
[0043]y1″
＝[y
45111+480
‑
1+1
]本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种高速公路摄像设备状态预测模型构建方法，其特征在于，包括：获取训练集、验证集、测试集，其中训练集、验证集、测试集中均包括高速公路摄像设备的功率遥测数据和摄像设备状态数据；确定多层LSTM网络的输入功率序列长度和输出功率序列长度，生成训练集、验证集、测试集的输入、输出集向量数组；采用训练集输入、输出向量数组训练多层LSTM网络，利用验证集输入、输出向量数组进行验证，得到摄像设备状态预测模型；采用测试集输入、输出向量数组测试摄像设备状态预测模型。2.根据权利要求1所述的高速公路摄像设备状态预测模型构建方法，其特征在于，所述获取训练集、验证集、测试集，包括：采集高速公路摄像设备工作时全寿命周期的功率遥测数据；对功率遥测数据进行数据预处理，其中预处理包括删除异常数据、插补缺失数据、数据归一化处理；设置时间戳，根据时间戳将功率遥测数据划分为训练集、验证集、测试集，其中时间戳包括训练集时间戳、验证集时间戳和测试集时间戳。3.根据权利要求1或2所述的高速公路摄像设备状态预测模型构建方法，其特征在于，所述多层LSTM网络中的损失函数选取MSE，具体如下：其中，m为样本个数，y
i
为数据真实值，为预测值。4.根据权利要求1或2所述的高速公路摄像设备状态预测模型构建方法，其特征在于，所述多层LSTM网络的输入功率序列长度为l
in
＝480和输出功率序列长度1，则生成训练集、验证集、测试集的输入、输出集向量数组如下所示：1、训练集输入向量为：x1＝[p1,p2,
…
,p
480
‑1,p
480
]x2＝[p2,p3,
…
,p
480
,p
480+1
]，
…
x
(36088
‑1‑
480+1)
＝[p
36088
‑1‑
480+1
,p
36088
‑1‑
480+2
,
…
,p
36088
‑2,p
36088
‑1]则训练集输入向量数组为：2、训练集输出集向量为：y1＝[p
480+1
]，y2＝[p
480+2
]，
…
，y
(36088
‑1‑
480+1)
＝[p
36088
]则训练集输出向量数组为：
3、验证集输入向量为：x1′
＝[p
36088
,p
36088+1
,
…
,p
36088+480
‑2,p
36088+480
‑1]x2′
＝[p
36088+1
,p
36088+2
,
…
,p
36088+480
‑1,p
36088+480
]，
…
x
(45111
‑
36088
‑1‑
480+1)
′
＝[p
45111
‑1‑
480+1
,p
45111
‑1‑
480+2
,
…
,p
45111
‑2,p
45111
‑1]则验证集输入向量数组为：4、验证集输出向量为：y1′
＝[p
36088+480
‑
1+1
]，y2′
＝[p
36088+480+1
]，
…
，y
(45111
‑
36088
‑1‑
480+1)
′
＝[p
45111
‑
1+1
]其验证集输出向量数组为：5、测试集输入向量为：x1″
＝[p
45111
,p
45111+1
,
…
,p
45111+480
‑2,p
45111+480
‑1]，x2″
＝[p
45111+1
,p
45111+2
,
…
,p
45111+480
‑1,p
45111+480
]，
…
x
(56389
‑
45111
‑1‑
480+1)
″
＝[p
56389
‑1‑
480+1
,p
56389
‑1‑
480+2
,
…
,p
56389
‑1]则测试集输入向量数组为：6、测试集输出向量为：y1″
＝[y
45111+480
‑
1+1
]，y2″
＝[p
45111+480+1
]，
…
，y
(56389
‑
45111
‑1‑
480)
″
＝[p
56389
]则测试集输出向量数组为：
5.根据权利要求3所述的高速公路摄像设备状态预测模型构建方法，其特征在于，所述多层LSTM网络的输入功率序列长度为l
in
＝480和输出功率序列长度1，则生成训练集、验证集、测试集的输入、输出集向量数组如下所示：1、训练集输入向量为：x1＝[p1,p2,
…
,p
480
‑1,p
480
]x2＝[p2,p3,
…
,p
480
,p
480+1
]，
…
x
(36088
‑1‑
480+1)
＝[p
36088
‑1‑
480+...

【专利技术属性】
技术研发人员：江泳，汪赐，詹伟胜，徐永青，贾永晓，冯维，杨寅文，齐崇信，
申请(专利权)人：浙江永基智能科技有限公司，
类型：发明
国别省市：