CN109872014A - 氢能源助力自行车日使用量和故障情况的预测方法 - Google Patents
氢能源助力自行车日使用量和故障情况的预测方法 Download PDFInfo
- Publication number
- CN109872014A CN109872014A CN201910248401.1A CN201910248401A CN109872014A CN 109872014 A CN109872014 A CN 109872014A CN 201910248401 A CN201910248401 A CN 201910248401A CN 109872014 A CN109872014 A CN 109872014A
- Authority
- CN
- China
- Prior art keywords
- moped
- energy source
- hydrogen energy
- neural network
- usage amount
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种氢能源助力自行车日使用量和故障情况的预测方法，包括以下步骤：S1，将氢能源助力自行车的各种数据存入大数据存储系统中；S2，建立大数据计算框架；S3，从大数据存储系统中提取各种数据；S4，在步骤二建立的大数据计算框架下运行循环神经网络算法，得到氢能源助力自行车的日使用量和故障情况的预测结果；S5，将氢能源助力自行车的日使用量和故障情况的预测结果保存到数据仓库中。本发明实现了对氢能源助力自行车日使用量和故障情况进行预测，有利于实现系统合理站点组网、有效调度，使得氢能源助力自行车系统真正以数据为依托、以服务为根本健康发展，同时可为政府对交通路线的定制等提供决策。
Description
技术领域
本发明涉及氢能源助力自行车日使用量和故障情况的预测方法，特别涉及一种基于大数据的氢能源助力自行车日使用量和故障情况的预测方法。
背景技术
氢燃料电池是一种使用氢气作为燃料，通过与氧气的化学反应而产生电能的装置，氢能源作为最洁净的新型能源，电转化效率高，不需长时间地充电，其副产物只有水，因此发展氢能源助力自行车系统成为了城市公共交通的一种新趋势。
在实际氢能源助力自行车系统运营中，对氢能源助力自行车每日使用量和故障情况的预测决定着每日需要投入多少辆氢能源助力自行车才能保障系统的正常运行，对氢能源助力自行车每日使用量和故障情况的预测直接影响到系统调度工作的进行。
发明内容
本发明的目的是提供一种基于大数据的氢能源助力自行车日使用量和故障情况的预测方法。
实现本发明目的的技术方案是：氢能源助力自行车日使用量和故障情况的预测方法，包括以下步骤：
S1，将氢能源助力自行车的各种数据存入大数据存储系统中；
S2，建立大数据计算框架；
S3，从大数据存储系统中提取各种数据；
S4，在步骤二建立的大数据计算框架下运行循环神经网络算法，得到氢能源助力自行车的日使用量和故障情况的预测结果；
S5，将氢能源助力自行车的日使用量和故障情况的预测结果保存到数据仓库中。
所述步骤S1中的氢能源助力自行车的各种数据包括实时采集的数据和固有数据。实时采集的数据包括氢燃料电池电堆的气体流量数据、储氢罐的氢气量数据和氢燃料电池电堆温度数据。固有数据包括电机的输出功率数据。氢燃料电池电堆的气体流量数据、储氢罐的氢气量数据和氢燃料电池电堆温度数据分别通过设置在氢能源助力自行车上的电堆气压传感器、储氢罐气压传感器、温度传感器分别实时采集。
所述步骤S1中的大数据存储系统采用分布式存储系统。
所述步骤S2中的大数据计算框架采用MapReduce并行计算框架。
所述步骤S4具体包括以下步骤：
S4.1，对提取的数据进行采样；
S4.2，确定循环神经网络模型具体结构，包括隐层数目与每层神经元个数，并搭建好循环神经网络模型；
S4.3，使用搭建好的循环神经网络模型进行车辆使用和故障检测，为训练样本数据贴上标签；
S4.4，通过使用贴上标签后的训练样本数据输入循环神经网络模型对循环神经网络模型进行训练，使循环神经网络模型自动调整模型参数，将训练完成后的循环神经网络模型作为预测模型；
S4.5，将步骤S3提取的氢能源助力自行车的各种数据作为输入数据，输入预测模型中，通过预测模型对输入数据进行测试，最终得到氢能源助力自行车日使用量和故障情况的预测结果。
所述步骤S4.2搭建的循环神经网络模型具有1个输入层，4个隐含层和1个输出层，每个隐含层中包含的神经元个数为10个。
所述步骤S4.4中的循环神经网络模型的参数包括U、V、W三个权重矩阵和b、c两个偏置矩阵，其中U、V、W分别为输入层到隐含层、隐含层到输出层、隐含层到隐含层的连接权重。
所述步骤S4.4中循环神经网络模型自动调整模型参数具体包括以下步骤：
S4.4.1，初始化：随机初始化循环神经网络模型参数；
S4.4.2，正向传播：将训练样本数据输入循环神经网络模型，通过正向传播算法，得出初始模型参数下循环神经网络模型的预测值，用来与训练样本的标签作差来调整循环神经网络模型参数。
S4.4.3，反向传播：对循环神经网络模型进行反向传播计算，通过对之前的输出与样本标签进行对比计算出误差，从而根据误差使用梯度下降法迭代对于模型参数进行进一步修正，调整循环神经网络模型参数。
所述步骤S4.4.2的正向传播的计算过程为：
S4.4.2.1，根据公式h(t)＝σ(Ux(t)+Wh(t-1)+b)计算时刻t时模型的隐藏状态h(t)；
其中，σ为激活函数tanh，b为偏置矩阵，U为权重矩阵，W是线性关系参数；x(t)为时刻t时训练样本的输入，h(t-1)为t-1时刻模型的隐藏状态；
S4.4.2.2，根据公式o(t)＝Vh(t)+c计算时刻t时模型的输出o(t)，其中，V为权重矩阵，c为偏置矩阵。
所述步骤S4.4.3的反向传播的计算过程为：
S4.4.3.1，根据以下两个公式分别计算权值矩阵V和偏置矩阵c：
其中，L(t)为损失函数，t为时刻，τ为代表最终时刻；
S4.4.3.2，根据以下三个公式分别计算权值矩阵W、U和偏置矩阵b：
其中，δ(t)为t位置的隐藏状态的梯度，函数diag表示取矩阵对角元素，代表t时刻的预测输出，y(t)代表t时刻样本的实际输出。
采用了上述技术方案，本发明具有以下的有益效果：本发明利用大数据技术，通过对氢能源助力自行车各种数据进行处理和分析，实现了对氢能源助力自行车日使用量和故障情况进行预测，有利于实现系统合理站点组网、有效调度，使得氢能源助力自行车系统真正的以数据为依托、以服务为根本健康发展，同时可为政府对交通路线的定制等提供决策。
具体实施方式
(实施例1)
本实施例的氢能源助力自行车日使用量和故障情况的预测方法，包括以下步骤：
S1，将氢能源助力自行车的各种数据存入大数据存储系统中，该大数据存储系统优选采用分布式存储系统。氢能源助力自行车的各种数据包括实时采集的数据和固有数据。实时采集的数据包括氢燃料电池电堆的气体流量数据、储氢罐的氢气量数据和氢燃料电池电堆温度数据。固有数据包括电机的输出功率数据。氢燃料电池电堆的气体流量数据、储氢罐的氢气量数据和氢燃料电池电堆温度数据分别通过设置在氢能源助力自行车上的电堆气压传感器、储氢罐气压传感器、温度传感器分别实时采集。
S2，建立大数据计算框架，该大数据计算框架优选采用MapReduce并行计算框架。
S3，从大数据存储系统中提取各种数据。
S4，在步骤二建立的大数据计算框架下运行循环神经网络算法，得到氢能源助力自行车的日使用量和故障情况的预测结果，具体包括以下步骤：
S4.1，对提取的数据进行采样。
S4.2，确定循环神经网络模型具体结构，包括隐层数目与每层神经元个数，并搭建好循环神经网络模型。
S4.3，使用搭建好的循环神经网络模型进行车辆使用和故障检测，为训练样本数据贴上标签。
S4.4，通过使用贴上标签后的训练样本数据输入循环神经网络模型对循环神经网络模型进行训练，使循环神经网络模型自动调整模型参数，将训练完成后的循环神经网络模型作为预测模型。前述循环神经网络模型具有1个输入层，4个隐含层和1个输出层，每个隐含层中包含的神经元个数为10个。前述循环神经网络模型的参数包括U、V、W三个权重矩阵和b、c两个偏置矩阵，其中U、V、W分别为输入层到隐含层、隐含层到输出层、隐含层到隐含层的连接权重。前述循环神经网络模型自动调整模型参数具体包括以下步骤：
S4.4.1，初始化：随机初始化循环神经网络模型参数。
S4.4.2，正向传播：将训练样本数据输入循环神经网络模型，通过正向传播算法，得出初始模型参数下循环神经网络模型的预测值，用来与训练样本的标签作差来调整循环神经网络模型参数。
上述正向传播的计算过程为：
S4.4.2.1，根据公式h(t)＝σ(Ux(t)+Wh(t-1)+b)计算时刻t时模型的隐藏状态h(t)；
其中，σ为激活函数tanh，b为偏置矩阵，U为权重矩阵，W是线性关系参数；x(t)为时刻t时训练样本的输入，h(t-1)为t-1时刻模型的隐藏状态；
S4.4.2.2，根据公式o(t)＝Vh(t)+c计算时刻t时模型的输出o(t)，其中，V为权重矩阵，c为偏置矩阵。
S4.4.3，反向传播：对循环神经网络模型进行反向传播计算，通过对之前的输出与样本标签进行对比计算出误差，从而根据误差使用梯度下降法迭代对于模型参数进行进一步修正，调整循环神经网络模型参数。
上述反向传播的计算过程为：
S4.4.3.1，根据以下两个公式分别计算权值矩阵V和偏置矩阵c：
其中，L(t)为损失函数，t为时刻，τ为代表最终时刻；
S4.4.3.2，根据以下三个公式分别计算权值矩阵W、U和偏置矩阵b：
其中，δ(t)为t位置的隐藏状态的梯度，函数diag表示取矩阵对角元素，代表t时刻的预测输出，y(t)代表t时刻样本的实际输出。
S4.5，将步骤S3提取的氢能源助力自行车的各种数据作为输入数据，输入预测模型中，通过预测模型对输入数据进行测试，最终得到氢能源助力自行车日使用量和故障情况的预测结果。
S5，将氢能源助力自行车的日使用量和故障情况的预测结果保存到数据仓库中。
本实施例提供了一种基于大数据的预测方法，通过对氢能源助力自行车系统中的电堆气压传感器、储氢罐气压传感器、温度传感器实时采集的数据进行处理和分析，实现了对氢能源助力自行车日使用量和故障情况进行预测，有利于实现系统合理站点组网、有效调度，使得氢能源助力自行车系统真正的以数据为依托、以服务为根本，健康发展，同时可为政府定制公交路线规划提供帮助。
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.氢能源助力自行车日使用量和故障情况的预测方法，其特征在于：包括以下步骤：
S1，将氢能源助力自行车的各种数据存入大数据存储系统中；
S2，建立大数据计算框架；
S3，从大数据存储系统中提取氢能源助力自行车的各种数据；
S4，在步骤二建立的大数据计算框架下运行循环神经网络算法，得到氢能源助力自行车的日使用量和故障情况的预测结果；
S5，将氢能源助力自行车的日使用量和故障情况的预测结果保存到数据仓库中。
2.根据权利要求1所述的氢能源助力自行车日使用量和故障情况的预测方法，其特征在于：所述步骤S1中的氢能源助力自行车的各种数据包括实时采集的数据和固有数据。
3.根据权利要求1所述的氢能源助力自行车日使用量和故障情况的预测方法，其特征在于：所述步骤S1中的大数据存储系统采用分布式存储系统。
4.根据权利要求1所述的氢能源助力自行车日使用量和故障情况的预测方法，其特征在于：所述步骤S2中的大数据计算框架采用MapReduce并行计算框架。
5.根据权利要求1所述的氢能源助力自行车日使用量和故障情况的预测方法，其特征在于：所述步骤S4具体包括以下步骤：
S4.1，对提取的数据进行采样；
S4.2，确定循环神经网络模型具体结构，包括隐层数目与每层神经元个数，并搭建好循环神经网络模型；
S4.3，使用搭建好的循环神经网络模型进行车辆使用和故障检测，为训练样本数据贴上标签；
S4.4，通过使用贴上标签后的训练样本数据输入循环神经网络模型对循环神经网络模型进行训练，使循环神经网络模型自动调整模型参数，将训练完成后的循环神经网络模型作为预测模型；
S4.5，将步骤S3提取的氢能源助力自行车的各种数据作为输入数据，输入预测模型中，通过预测模型对输入数据进行测试，最终得到氢能源助力自行车日使用量和故障情况的预测结果。
6.根据权利要求5所述的氢能源助力自行车日使用量和故障情况的预测方法，其特征在于：所述步骤S4.2搭建的循环神经网络模型具有1个输入层，4个隐含层和1个输出层，每个隐含层中包含的神经元个数为10个。
7.根据权利要求5所述的氢能源助力自行车日使用量和故障情况的预测方法，其特征在于：所述步骤S4.4中的循环神经网络模型的参数包括U、V、W三个权重矩阵和b、c两个偏置矩阵，其中U、V、W分别为输入层到隐含层、隐含层到输出层、隐含层到隐含层的连接权重。
8.根据权利要求7所述的氢能源助力自行车日使用量和故障情况的预测方法，其特征在于：所述步骤S4.4中循环神经网络模型自动调整模型参数具体包括以下步骤：
S4.4.1，初始化：随机初始化循环神经网络模型参数；
S4.4.2，正向传播：将训练样本数据输入循环神经网络模型，通过正向传播算法，得出初始模型参数下循环神经网络模型的预测值，用来与训练样本的标签作差来调整循环神经网络模型参数。
S4.4.3，反向传播：对循环神经网络模型进行反向传播计算，通过对之前的输出与样本标签进行对比计算出误差，从而根据误差使用梯度下降法迭代对于模型参数进行进一步修正，调整循环神经网络模型参数。
9.根据权利要求8所述的氢能源助力自行车日使用量和故障情况的预测方法，其特征在于：所述步骤S4.4.2的正向传播的计算过程为：
S4.4.2.1，根据公式h(t)＝σ(Ux(t)+Wh(t-1)+b)计算时刻t时模型的隐藏状态h(t)；
其中，σ为激活函数tanh，b为偏置矩阵，U为权重矩阵，W是线性关系参数；x(t)为时刻t时训练样本的输入，h(t-1)为t-1时刻模型的隐藏状态；
S4.4.2.2，根据公式o(t)＝Vh(t)+c计算时刻t时模型的输出o(t)，其中，V为权重矩阵，c为偏置矩阵。
10.根据权利要求8所述的氢能源助力自行车日使用量和故障情况的预测方法，其特征在于：所述步骤S4.4.3的反向传播的计算过程为：
S4.4.3.1，根据以下两个公式分别计算权值矩阵V和偏置矩阵c：
其中，L(t)为损失函数，t为时刻，τ为代表最终时刻；
S4.4.3.2，根据以下三个公式分别计算权值矩阵W、U和偏置矩阵b：
其中，δ(t)为t位置的隐藏状态的梯度，函数diag表示取矩阵对角元素，代表t时刻的预测输出，y(t)代表t时刻样本的实际输出。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910248401.1A CN109872014A (zh) | 2019-03-29 | 2019-03-29 | 氢能源助力自行车日使用量和故障情况的预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910248401.1A CN109872014A (zh) | 2019-03-29 | 2019-03-29 | 氢能源助力自行车日使用量和故障情况的预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109872014A true CN109872014A (zh) | 2019-06-11 |
Family
ID=66921623
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910248401.1A Pending CN109872014A (zh) | 2019-03-29 | 2019-03-29 | 氢能源助力自行车日使用量和故障情况的预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109872014A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111242364A (zh) * | 2020-01-07 | 2020-06-05 | 上海钧正网络科技有限公司 | 基于神经网络的车辆故障和舒适度预测方法、装置、终端及介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103886487A (zh) * | 2014-03-28 | 2014-06-25 | 焦点科技股份有限公司 | 基于分布式的b2b平台的个性化推荐方法与系统 |
| CN106056427A (zh) * | 2016-05-25 | 2016-10-26 | 中南大学 | 一种基于Spark的大数据混合模型的移动推荐方法 |
| CN108279383A (zh) * | 2017-11-30 | 2018-07-13 | 深圳市科列技术股份有限公司 | 电池寿命预测方法、电池数据服务器及电池数据处理系统 |
| CN109308522A (zh) * | 2018-09-03 | 2019-02-05 | 河海大学常州校区 | 一种基于循环神经网络的gis故障预测方法 |
-
2019
- 2019-03-29 CN CN201910248401.1A patent/CN109872014A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103886487A (zh) * | 2014-03-28 | 2014-06-25 | 焦点科技股份有限公司 | 基于分布式的b2b平台的个性化推荐方法与系统 |
| CN106056427A (zh) * | 2016-05-25 | 2016-10-26 | 中南大学 | 一种基于Spark的大数据混合模型的移动推荐方法 |
| CN108279383A (zh) * | 2017-11-30 | 2018-07-13 | 深圳市科列技术股份有限公司 | 电池寿命预测方法、电池数据服务器及电池数据处理系统 |
| CN109308522A (zh) * | 2018-09-03 | 2019-02-05 | 河海大学常州校区 | 一种基于循环神经网络的gis故障预测方法 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111242364A (zh) * | 2020-01-07 | 2020-06-05 | 上海钧正网络科技有限公司 | 基于神经网络的车辆故障和舒适度预测方法、装置、终端及介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zhen et al. | Photovoltaic power forecasting based on GA improved Bi-LSTM in microgrid without meteorological information | |
| Modi et al. | Estimation of energy consumption of electric vehicles using deep convolutional neural network to reduce driver’s range anxiety | |
| Salcedo-Sanz et al. | A hybrid Hopfield network-genetic algorithm approach for the terminal assignment problem | |
| CN112348271A (zh) | 基于vmd-ipso-gru的短期光伏功率预测方法 | |
| CN104376389B (zh) | 基于负载均衡的主从式微电网功率负荷预测系统及其方法 | |
| Lin et al. | Parameter optimization of continuous sputtering process based on Taguchi methods, neural networks, desirability function, and genetic algorithms | |
| CN106448151A (zh) | 一种短时交通流预测方法 | |
| CN109815995A (zh) | 一种缺失观测值条件下锂电池剩余寿命预测方法 | |
| CN111046550B (zh) | 一种基于时空特征的燃料电池电压预测系统 | |
| CN111105065A (zh) | 一种基于机器学习的农村供水系统及供水方法 | |
| CN113516304B (zh) | 基于时空图网络的区域污染物时空联合预测方法及装置 | |
| CN109783629A (zh) | 一种融合全局事件关系信息的微博客事件谣言检测方法 | |
| CN112215428B (zh) | 基于误差修正和模糊逻辑的光伏发电功率预测方法及系统 | |
| CN111049159B (zh) | 一种嵌入深度信念网络的电力系统暂态稳定预防控制方法 | |
| CN113887858A (zh) | 一种基于cnn-lstm负荷预测的充电站微电网系统优化调度方法 | |
| CN109872014A (zh) | 氢能源助力自行车日使用量和故障情况的预测方法 | |
| Chauhan et al. | Approximating parameters of photovoltaic models using an amended reptile search algorithm | |
| CN106374531A (zh) | 一种主动配电网光储能量交换指数评估方法 | |
| Alharbi et al. | Short-term solar irradiance forecasting model based on bidirectional long short-term memory deep learning | |
| Liu et al. | An improved Elman network for stock price prediction service | |
| Zheng et al. | Balanced version of Slime Mold Algorithm: A study on PEM fuel cell system parameters identification | |
| CN110942189A (zh) | 一种基于记忆神经网络和注意机制的光伏功率预测系统 | |
| CN112767351B (zh) | 一种基于敏感位置依赖分析的变电设备缺陷检测方法 | |
| CN109033288A (zh) | 一种基于bp神经网络的智能终端安全等级分类方法 | |
| CN113657023A (zh) | 基于机器学习和深度学习结合的近地面臭氧浓度反演方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| WD01 | Invention patent application deemed withdrawn after publication | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20190611 |