面向智慧城市物联网的故障预测方法及装置制造方法及图纸

本发明专利技术提供一种面向智慧城市物联网的故障预测方法及装置，方法包括：获取智慧城市物联网设备的待预测的网络数据；将所述网络数据输入至训练完成的故障预测模型中，得到网络数据的故障预测结果；其中，所述故障预测模型是基于卷积分解操作和改进残差网络结构建立，并将智慧城市物联网设备的特征数据信息作为训练集以及训练集对应的预测标签进行训练得到的。本发明专利技术的故障预测模型是基于卷积分解操作和改进残差网络结构建立的，因此能够通过轻量化的模型实现智慧城市物联网设备的故障预测，有效保障智慧城市物联网的安全性及稳健性。有效保障智慧城市物联网的安全性及稳健性。有效保障智慧城市物联网的安全性及稳健性。

【技术实现步骤摘要】
面向智慧城市物联网的故障预测方法及装置


[0001]本专利技术涉及网络故障预测的
，尤其涉及一种面向智慧城市物联网的故障预测方法及装置。

技术介绍

[0002]随着智能设备以及5G网络的发展，边缘智能设备的使用呈现爆发式增长。为了提供此类设备所需的无限连接，需要可信赖系统的基础和智慧城市物联网计算结构。为了实现可信赖系统中服务可用性的愿景，智慧城市物联网的可持续性和可靠性都非常重要。但是随着智慧城市物联网服务和组件的复杂化，智慧城市物联网中故障时有发生，使得智慧城市物联网的可靠性无法保障。
[0003]网络故障预测是基于网络节点的历史状况，结合当前节点和网络状况进行分析，挖掘出每类故障特有的状态，进而建立状态与故障之间的关联模型，对节点将来可能发生的故障种类进行推测，保障网络的可持续性和可靠性。传统卷积神经网络具有强大的空间特征提取能力和学习能力，可以被应用于进行故障预测中。但是随着网络模型越来越深，模型识别精度下降，导致模型效果越来越差。残差网络的出现，使得上述问题迎刃而解，但是残差结构因为捷径的存在使得低层网络的特征输入到高层网络中只能通过一个残差连接通道完成，因此残差块没有足够的权重去学习智慧城市物联网下节点多维数据特征，导致节点运行数据特征学习不充分不准确问题。
[0004]智慧城市物联网中，边缘设备通常为小型的计算设备，如传感器、移动终端等小型智能化设备，这些设备往往计算能力有限，导致常见的深度学习模型无法适用于智慧城市物联网故障预测。

技术实现思路

[0005]本专利技术提供一种面向智慧城市物联网的故障预测方法及装置，用以解决现有技术中深度学习模型无法适用于智慧城市物联网故障预测的缺陷，实现对智慧城市物联网设备的故障预测，有效保障边缘侧网络的安全性及稳健性。
[0006]本专利技术提供一种面向智慧城市物联网的故障预测方法，包括：
[0007]获取智慧城市物联网设备的待预测的网络数据；
[0008]将所述网络数据输入至训练完成的故障预测模型中，得到网络数据的故障预测结果；
[0009]其中，所述故障预测模型是基于卷积分解操作和改进残差网络结构建立，并将智慧城市物联网设备的特征数据信息作为训练集以及训练集对应的预测标签进行训练得到的。
[0010]根据本专利技术提供的一种面向智慧城市物联网的故障预测方法，所述故障预测模型的训练方法包括：
[0011]获取智慧城市物联网设备的特征数据信息作为模型的训练集；
[0012]建立初始故障预测模型，将所述特征数据信息输入至所述初始故障预测模型中，得到特征向量的故障预测结果并基于故障预测结果评价预测准确性；
[0013]对所述初始故障预测模型进行迭代更新，调整所述初始故障预测模型的模型参数，直至所述故障预测结果与所述预测标签的误差值满足预设阈值，以及预测准确性达到目标值得到训练完成的故障预测模型。
[0014]根据本专利技术提供的一种面向智慧城市物联网的故障预测方法，所述建立初始故障预测模型，将所述特征数据信息输入至所述初始故障预测模型中，得到特征向量的故障预测结果并基于故障预测结果评价预测准确性，包括：
[0015]建立初始故障预测模型，所述初始故障预测模型包括卷积层、残差结构层和结果处理层；
[0016]所述卷积层，用于基于所述卷积层对输入的特征数据信息进行空间特征信息提取，结合卷积层的激励函数获取第一空间特征；
[0017]其中，所述卷积层是基于卷积分解操作建立的；
[0018]所述残差结构层，用于基于所述卷积层输出的第一空间特征进行残差信息学习，并输出特征数据信息的第二空间特征；
[0019]所述结果处理层，用于基于所述残差结构层输出的第二空间特征得到特征数据信息的故障预测结果；
[0020]基于所述故障预测结果评价所述故障预测模型的预测准确性。
[0021]根据本专利技术提供的一种面向智慧城市物联网的故障预测方法，所述残差结构层包括第一残差连接通道和第二残差连接通道；
[0022]基于所述卷积层输出的第一空间特征进行残差信息学习，包括：
[0023]通过所述第一残差连接通道获取所述卷积层输出的第一空间特征的第一残差映射结果，通过第二残差连接通道获取所述卷积层输出的第一空间特征的第二残差映射结果；
[0024]将所述第一残差映射结果和第一空间特征进行乘法流残差信息学习，将所述第二残差映射结果和第一空间特征进行加法流残差信息学习。
[0025]根据本专利技术提供的一种面向智慧城市物联网的故障预测方法，所述基于所述故障预测结果评价所述故障预测模型的预测准确性，包括：
[0026]获取特征数据信息的特征数目，基于所述特征数据信息的特征数目选择目标特征并基于所述故障预测结果获取所述目标特征对应的数据值；
[0027]获取在目标时刻时所述目标特征的智慧城市物联网状态数据值，并结合所述特征数目和目标特征对应的数据值评价所述故障预测模型的预测准确性。
[0028]根据本专利技术提供的一种面向智慧城市物联网的故障预测方法，基于所述卷积层输出的第一空间特征进行残差信息学习，并输出特征数据信息的第二空间特征之后，还包括：
[0029]对所述特征数据信息的第二空间特征进行批量归一化处理并输入至所述结果处理层；
[0030]所述通过所述结果处理层基于所述残差结构层输出的第二空间特征得到特征数据信息的故障预测结果，包括：
[0031]通过所述结果处理层基于批量归一化处理后的第二空间特征得到特征数据信息
的故障预测结果。
[0032]本专利技术还提供一种面向智慧城市物联网的故障预测装置，包括：
[0033]获取模块，用于获取智慧城市物联网设备的待预测的网络数据；
[0034]预测模块，用于将所述网络数据输入至训练完成的故障预测模型中，得到网络数据的故障预测结果；
[0035]其中，所述故障预测模型是基于卷积分解操作和改进残差网络结构建立，并将智慧城市物联网设备的特征数据信息作为训练集以及训练集对应的预测标签进行训练得到的。
[0036]本专利技术还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述面向智慧城市物联网的故障预测方法。
[0037]本专利技术还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述面向智慧城市物联网的故障预测方法。
[0038]本专利技术还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述面向智慧城市物联网的故障预测方法。
[0039]本专利技术提供的面向智慧城市物联网的故障预测方法及装置，通过获取智慧城市物联网设备的待预测的网络数据；将网络数据输入至训练完成的故障预测模型中，得到网络数据的故障预测结果，本专利技术的故障预测模型是基于卷积分解操作和改进残差网络结构建立的，因此能本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种面向智慧城市物联网的故障预测方法，其特征在于，包括：获取智慧城市物联网设备的待预测的网络数据；将所述网络数据输入至训练完成的故障预测模型中，得到网络数据的故障预测结果；其中，所述故障预测模型是基于卷积分解操作和改进残差网络结构建立，并将智慧城市物联网设备的特征数据信息作为训练集以及训练集对应的预测标签进行训练得到的。2.根据权利要求1所述的面向智慧城市物联网的故障预测方法，其特征在于，所述故障预测模型的训练方法包括：获取智慧城市物联网设备的特征数据信息作为模型的训练集；建立初始故障预测模型，将所述特征数据信息输入至所述初始故障预测模型中，得到特征向量的故障预测结果并基于故障预测结果评价预测准确性；对所述初始故障预测模型进行迭代更新，调整所述初始故障预测模型的模型参数，直至所述故障预测结果与所述预测标签的误差值满足预设阈值，以及预测准确性达到目标值得到训练完成的故障预测模型。3.根据权利要求2所述的面向智慧城市物联网的故障预测方法，其特征在于，所述建立初始故障预测模型，将所述特征数据信息输入至所述初始故障预测模型中，得到特征向量的故障预测结果并基于故障预测结果评价预测准确性，包括：建立初始故障预测模型，所述初始故障预测模型包括卷积层、残差结构层和结果处理层；所述卷积层，用于基于所述卷积层对输入的特征数据信息进行空间特征信息提取，结合卷积层的激励函数获取第一空间特征；其中，所述卷积层是基于卷积分解操作建立的；所述残差结构层，用于基于所述卷积层输出的第一空间特征进行残差信息学习，并输出特征数据信息的第二空间特征；所述结果处理层，用于基于所述残差结构层输出的第二空间特征得到特征数据信息的故障预测结果；基于所述故障预测结果评价所述故障预测模型的预测准确性。4.根据权利要求3所述的面向智慧城市物联网的故障预测方法，其特征在于，所述残差结构层包括第一残差连接通道和第二残差连接通道；基于所述卷积层输出的第一空间特征进行残差信息学习，包括：通过所述第一残差连接通道获取所述卷积层输出的第一空间特征的第一残差映射结果，通过第二残差连接通道获取所述卷积层输出的第一空间特征的第二残差映射结果；...

【专利技术属性】
技术研发人员：杨杨，张振威，葛忠迪，刘澳伦，龙雨寒，曲珍莹，何晔辰，范成文，高志鹏，芮兰兰，
申请(专利权)人：北京邮电大学，
类型：发明
国别省市：