基于深度学习的电梯困人特征解析与时间序列预测模型构建方法、所得模型及预测方法技术

本发明专利技术涉及基于深度学习的电梯困人特征解析与时间序列预测模型构建方法、所得模型及预测方法。该构建方法包括采集电梯原始数据，采用软标签，将稀疏特征和密集特征转换，拼接，传入LSTM神经网络计算得到时序抽象特征，传入全连接层并转换为预测困人概率，以交叉熵损失函数计算预测损失，并通过反向传播更新LSTM神经网络参数以训练模型。该预测方法包括采用构建方法获得多个预测模型，利用侧重点略有差别的多个预测模型进行综合处理并得到综合困人概率作为预测结果。本发明专利技术能在不使用电梯组件具体运行数据的前提下，使用软标签、电梯的静态数据与历史动态数据，学习到电梯困人事件的相关特征，预测电梯在下一个时间点的困人概率。率。

【技术实现步骤摘要】
基于深度学习的电梯困人特征解析与时间序列预测模型构建方法、所得模型及预测方法


[0001]本专利技术涉及一种基于深度学习的电梯困人特征解析与时间序列预测模型构建方法，由该构建方法获得的预测模型，以及采用该模型的预测方法，属于计算机科学与技术、深度学习、设备安全、故障预测


技术介绍

[0002]故障预测，是指基于存储在大数据存储与分析平台中的数据，通过设备使用数据、工况数据、主机及配件性能数据、配件更换数据等设备与服务数据，进行设备故障、服务、配件需求的预测，为主动服务提供技术支撑，延长设备使用寿命，降低故障率。
[0003]现有的故障预测方法大多面向简单、规则性较强的变化形态。对于复杂装备，由于其系统组成及故障机理的复杂性，不同组件之间存在较强的耦合性，难以分别对其单独建模进行故障预测，已有的单一模型很难得到理想的预测效果。
[0004]为此，部分学者提出组合的故障预测方法，针对现有的变电设备故障率预测模型，往往会出现不同时期的预测数值不尽统一的现象，通过研究基于累积失效规律结合灰色线性回归模型的故障率组合预测方法，得到了较单一模型更好的预测效果。然而，该组合方法的构建过程复杂、人工依赖性强，且不利于在实际中推广和应用。
[0005]深度学习是通过模拟人脑神经元的活动，输入大量的历史数据，以学习到样本数据的内在规律和表示形式。当前在自然语言处理、语音识别、人脸识别等多个领域，深度学习已经取得了大量的成果。由于深度学习原理的抽象性，能够快速地运用到新领域中。
[0006]随着系统安全性与可靠性要求的进一步提高，人们更希望根据装备的历史运行数据，对其运行状态进行分析，预测装备未来的运行状况，减少装备的故障率。具体到电梯安全领域，当前仍然存在着大量不具备物联网设备安装条件从而缺乏电梯组件具体运行数据的老旧电梯，这类电梯往往只有静态数据和历史动态数据，采用现有的故障预测模型及方法会因直接有效数据不足而难以实现有效预测。因此，迫切需要研制出能够仅仅使用电梯的静态数据与历史动态数据实现有效预测的预测模型及方法。
[0007]经检索发现，申请号CN202110977026.1、申请公布号CN113734928A的专利技术专利，公开了一种基于神经网络的在用电梯故障预测方法，利用传感器采集电梯的运行数据，针对采集数据建立电梯故障预测模型；传感器采集信号后通过采集装置内的4G模块传输给后台处理系统。后台数据处理装置利用神经网络模型根据电梯运行状态参数对电梯往后一段时间可能发生的故障类型进行有效预测。然而，以该技术方案为代表的现有技术并不能仅凭电梯的静态数据与历史动态数据实现有效预测，这就很难套用到前文提到的老旧电梯上进行预测。
[0008]此外，申请号CN202010861302.3、申请公布号CN112001548A的专利技术专利公开了一种基于深度学习的OD客流预测方法。虽然此类预测方法也采用了深度学习技术，但是并未教导如何将该技术进行改进以适应于前文提到的老旧电梯进行有效预测。

技术实现思路

[0009]本专利技术的主要目的是：克服现有技术存在的问题，提供一种基于深度学习的电梯困人特征解析与时间序列预测模型构建方法，该方法构建所得模型，以及采用该模型的预测方法，可以在不使用电梯组件具体运行数据的前提下，仅使用电梯的静态数据与历史动态数据，抽取电梯的时序特征，预测电梯在下一个时间点的困人概率，从而针对不具备物联网设备安装条件而缺乏电梯组件具体运行数据的老旧电梯给出可行有效的解决方案。
[0010]本专利技术解决其技术问题的技术方案如下：
[0011]一种基于深度学习的电梯困人特征解析与时间序列预测模型构建方法，其特征是，包括以下步骤：
[0012]第一步、采集作为数据源的电梯的原始数据，并传入深度学习模型；所述原始数据包括静态信息数据和历史动态信息数据；
[0013]第二步、采用软标签修改深度学习训练集标签；
[0014]第三步、将静态信息数据的各项特征、历史动态信息数据的各项特征分别分类为稀疏特征、密集特征，其中，所述稀疏特征是指具有多个不相关的离散值、不同值之间只代表含义不同、且不包含次序关系的特征，所述密集特征是指具有离散值或连续值、且包含次序关系的特征；之后，将各个特征分别进行转换，其中，对于稀疏特征，将该特征通过隐层映射表映射到对应的特征空间以实现转换，对于密集特征，将该特征通过全连接层进行特征提取以实现转换；
[0015]第四步、将转换后各个特征信息在通道层进行拼接，获得拼接特征；
[0016]第五步、将拼接特征传入LSTM神经网络计算得到时序抽象特征；
[0017]第六步、将时序抽象特征传入全连接层并转换为预测困人概率；
[0018]第七步、将预测困人概率与困人真实值传入交叉熵损失函数，计算预测损失，并通过反向传播更新LSTM神经网络参数以训练模型；所述困人真实值来自作为数据源的电梯的原始数据；预测模型构建结束。
[0019]该构建方法采用软标签(Soft
‑
Label)以增强深度学习模型对电梯损耗状况的学习能力，并能增强训练集中困人信息的含量，使得模型能够更好地学习到电梯困人事件的相关特征；综合利用电梯的静态信息数据与历史动态信息数据，先分类为稀疏特征和密集特征并分别处理，再通过LSTM神经网络并经处理获得预测困人概率，然后训练模型即可投入实际部署使用。
[0020]本专利技术进一步完善的技术方案如下：
[0021]优选地，第一步中，所述静态信息数据选自或包括：所在位置、场所类型、场所名称、制造单位、安装单位；所述历史动态信息数据选自或包括：天气、气温、困人记录、故障记录。
[0022]更优选地，所述原始数据的数据来源为电梯的电梯清单表、困人或故障记录表、天气气温表。
[0023]采用以上优选方案，可进一步优化第一步的具体技术特征。
[0024]优选地，第二步中，修改时，只修改位于最近一次困人记录之前、且距离该困人记录的时间长度为预设值的时间段内的深度学习训练集标签，并将该深度学习训练集的困人概率设为预定值。
[0025]采用以上优选方案，可进一步优化第二步的具体技术特征。
[0026]优选地，第三步中，将各个特征分别进行转换时按下式转换：
[0027]f
s
＝embedding(x
s
)
ꢀꢀꢀ
I
[0028]f
d
＝W
d
·
x
d
+b
d
ꢀꢀꢀ
II
[0029]式I中，x
s
为稀疏特征，embedding为隐层映射层、能将稀疏特征映射到对应的特征空间，f
s
为将稀疏特征转换所得特征信息；
[0030]式II中，x
d
为密集特征，W
d
为抽象密集特征的权重矩阵，b
d
为抽象密集特征的偏本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的电梯困人特征解析与时间序列预测模型构建方法，其特征是，包括以下步骤：第一步、采集作为数据源的电梯的原始数据，并传入深度学习模型；所述原始数据包括静态信息数据和历史动态信息数据；第二步、采用软标签修改深度学习训练集标签；第三步、将静态信息数据的各项特征、历史动态信息数据的各项特征分别分类为稀疏特征、密集特征，其中，所述稀疏特征是指具有多个不相关的离散值、不同值之间只代表含义不同、且不包含次序关系的特征，所述密集特征是指具有离散值或连续值、且包含次序关系的特征；之后，将各个特征分别进行转换，其中，对于稀疏特征，将该特征通过隐层映射表映射到对应的特征空间以实现转换，对于密集特征，将该特征通过全连接层进行特征提取以实现转换；第四步、将转换后各个特征信息在通道层进行拼接，获得拼接特征；第五步、将拼接特征传入LSTM神经网络计算得到时序抽象特征；第六步、将时序抽象特征传入全连接层并转换为预测困人概率；第七步、将预测困人概率与困人真实值传入交叉熵损失函数，计算预测损失，并通过反向传播更新LSTM神经网络参数以训练模型；所述困人真实值来自作为数据源的电梯的原始数据；预测模型构建结束。2.根据权利要求1所述的基于深度学习的电梯困人特征解析与时间序列预测模型构建方法，其特征是，第一步中，所述静态信息数据选自或包括：所在位置、场所类型、场所名称、制造单位、安装单位；所述历史动态信息数据选自或包括：天气、气温、困人记录、故障记录。3.根据权利要求2所述的基于深度学习的电梯困人特征解析与时间序列预测模型构建方法，其特征是，所述原始数据的数据来源为电梯的电梯清单表、困人或故障记录表、天气气温表。4.根据权利要求1所述的基于深度学习的电梯困人特征解析与时间序列预测模型构建方法，其特征是，第二步中，修改时，只修改位于最近一次困人记录之前、且距离该困人记录的时间长度为预设值的时间段内的深度学习训练集标签，并将该深度学习训练集的困人概率设为预定值。5.根据权利要求1所述的基于深度学习的电梯困人特征解析与时间序列预测模型构建方法，其特征是，第三步中，将各个特征分别进行转换时按下式转换：f
s
＝embedding(x
s
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
If
d
＝W
d
·
x
d
+b
d
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
II式I中，x
s
为稀疏特征，embedding为隐层映射层、能将稀疏特征映射到对应的特征空间，f
s
为将稀疏特征转换所得特征信息；式II中，x
d
为密集特征，W
d
为抽象密集特征的权重矩阵，b
d
为抽象密集特征的偏置矩阵，f
d
为将密集特征转换所得特征信息；第四步中，拼接时，将位于同一个时间序列的稀疏特征和密集特征保存在同一个张量中。6.根据权利要求1所述的基于深度学习的电梯困人特征解析与时间序列预测模型构建方法，其特征是，第五步中，所述LSTM神经网络由多个LSTM单元构成；对于单个LSTM单元，其
输入数据为上一个LSTM单元的短期记忆输出h
t
‑1和当前时间点输入的拼接特征x
t
；所述单个LSTM单元由遗忘门、输入门、输出门构成；首先，所述遗忘门按下式进行处理并获得遗忘权重f
t
：f
t
＝σ(W
f
·
[h
t
‑1,x
t
]+b
f
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
III式III中，W
f
为遗忘门的权重矩阵，b
f
为遗忘门的偏置矩阵，σ为Sigmoid激活函数、将输入值映射为0到1之间的输出值；其次，所述输入门按下式进...

【专利技术属性】
技术研发人员：许卫全，陈武，
申请(专利权)人：南京优湖科技有限公司，
类型：发明
国别省市：