CN111027680B - 基于变分自编码器的监控量不确定性预测方法及系统 - Google Patents

基于变分自编码器的监控量不确定性预测方法及系统 Download PDF

Info

Publication number
CN111027680B
CN111027680B CN201911244603.5A CN201911244603A CN111027680B CN 111027680 B CN111027680 B CN 111027680B CN 201911244603 A CN201911244603 A CN 201911244603A CN 111027680 B CN111027680 B CN 111027680B
Authority
CN
China
Prior art keywords
physical quantity
probability
monitoring
uncertainty
variable
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.)
Active
Application number
CN201911244603.5A
Other languages
English (en)
Other versions
CN111027680A (zh
Inventor
胡文波
高嘉欣
陈云天
田天
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Real AI Technology Co Ltd
Original Assignee
Beijing Real AI Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Real AI Technology Co Ltd filed Critical Beijing Real AI Technology Co Ltd
Priority to CN201911244603.5A priority Critical patent/CN111027680B/zh
Publication of CN111027680A publication Critical patent/CN111027680A/zh
Application granted granted Critical
Publication of CN111027680B publication Critical patent/CN111027680B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Testing Or Calibration Of Command Recording Devices (AREA)

Abstract

基于变分自编码器的监控量不确定性预测方及系统，将环境样本数据作为改变监测对象本身物理量的自变量，并将监测对象本身物理量作为因变量；根据环境样本数据的获取时间建立对应于监测对象本身物理量的时间索引，将时间索引对应的获取时间作为数据集的时间索引点；构建引起监测对象本身物理量变化的隐含变量的概率分布模型，使用先验分布函数获得隐含变量的先验概率，对先验概率的生成过程构建深度神经网络模型并构建识别模型，根据识别模型预测缺失物理量的缺失值和获取监测对象本身物理量的概率分布，对监测对象本身物理量的概率分布采样获得缺失值不确定性预估。本发明使监测对象的预测结果有较好的不确定性估计，更好把握监测对象的性能。

Description

基于变分自编码器的监控量不确定性预测方法及系统
技术领域
本发明涉及对象监测技术领域，具体涉及基于变分自编码器的监控量不确定性预测方法及系统。
背景技术
目前，现实世界中众多的对象需要不间断的进行监测，从而确保监测对象具有满足特定性能的精度。监测对象不间断监测的过程中会获得一系列的具有时间属性的监测数据，人们通过监测数据判断监测对象是否满足理想的状态。由于监测对象的监测数据存在不确定性，对这种不确定性进行预测将会使监测对象的监测更加精确可靠。
时间序列是将某种统计指标的数值，按时间先后顺序排到所形成的数列。通过编制和分析时间序列，根据时间序列所反映出来的发展过程、方向和趋势，进行类推或延伸，借以预测下一段时间或以后若干年内可能达到的水平。通过分析时间数列，可以从中寻找监测对象随时间变化而变化的规律，得出一定的模式；以此模式去预测该社会现象将来的情况。
比如，大坝安全是一个复杂的系统工程，它涉及到很多需要监测的物理量，而对于每一个需要测量的物理量，都需要使用很多传感器。对这些传感器的环境量的综合监测和预测，于是就可以完整对大坝安全的完整性评估。由于未来发生的事件包含了随机性，且在大坝系统中的部分观测量是不可知的，这也给对物理量的预测包含很大的不确定性，对这些不确定性进行精确的建模，能够让大坝安全的评估更加完整。
现阶段，存在很多针对监测对象物理量的预测方法，例如时间序列模型、长短记忆网络等方法，这些方法都无法对不确定性进行判断。有少量方法可以实现预测量的不确定性，如线性动力系统(Linear Dynamical System)，隐马尔可夫模型(Hidden MarkovModel)和高斯过程(Gaussian Process)。但是这些模型存在较高的模型假设成分，且模型对数据的建模能力不强。
整体而言，现有技术方案中的部分方法虽然准确率较高，但是缺少对不确定性的预估，部分技术方案可以获得监测数据的不确定性，但准确率较低。
发明内容
为此，本发明实施例提供一种基于变分自编码器的监控量不确定性预测方法及系统，使监测对象的预测结果可以有一个较好的不确定性估计，从而更好的把握监测对象的性能，方便采取对应的防备措施。
为了实现上述目的，本发明提供如下技术方案：第一方面，提供一种基于变分自编码器的监控量不确定性预测方法，包括以下步骤：
获取监测对象所处位置的环境样本数据，将所述环境样本数据作为改变监测对象本身物理量的自变量，并将所述监测对象本身物理量作为因变量；
构建包含所述环境样本数据和监测对象本身物理量的数据集，根据环境样本数据的获取时间建立对应于所述监测对象本身物理量的时间索引，将所述时间索引对应的获取时间作为所述数据集的时间索引点；
构建引起所述监测对象本身物理量变化的隐含变量的概率分布模型，使用先验分布函数获得所述隐含变量的先验概率，对所述先验概率的生成过程构建深度神经网络模型；
对所述深度神经网络模型构建识别模型，根据所述识别模型预测缺失物理量的缺失值，通过所述识别模型获取监测对象本身物理量的概率分布，对所述监测对象本身物理量的概率分布进行采样获得缺失值不确定性预估。
作为基于变分自编码器的监控量不确定性预测方法的优选方案，所述监测对象为大坝，所述环境样本数据包括监测对象所处位置的环境温度和监测对象所处位置的水位，所述监测对象本身物理量包括监测对象位移和监测对象渗流。所述监测对象也可以为带有时序环境样本监测数据的系统
作为基于变分自编码器的监控量不确定性预测方法的优选方案，将所述环境样本数据记为：
x＝{x1,x2,…,xn}
其中，x表示时间索引点和对应时间索引点环境样本数据的一个组合；
将监测对象本身物理量y表示为：
y＝{y1,y2,…,yn}
其中，y表示时间索引点对应的监测对象本身物理量。
作为基于变分自编码器的监控量不确定性预测方法的优选方案，根据条件概率公式存在以下关系：
p(x,y)＝p(z)*p(x,y|z)
其中，p(x,y)表示事件x和y同时发生的概率，p(z)表示隐含变量的概率，p(x,y|z)表示事件x和y在事件z发生条件下的发生概率；
p(z)采用标准正态分布，p(z)概率密度公式为：
Figure BDA0002307188750000031
作为基于变分自编码器的监控量不确定性预测方法的优选方案，对先验概率的生成过程构建深度神经网络模型，深度神经网络模型采用循环神经网络，将隐含变量进行时间序列延伸得到时间序列信号：
z0～p(z),h1＝g(z),…,hi+1＝g(hi)
其中，z0～p(z)表示使用先验分布函数获得隐含变量的先验概率，g为Logistic函数或者长短记忆单元，h1＝g(z),…,hi+1＝g(hi)表示时间序列信号。
作为基于变分自编码器的监控量不确定性预测方法的优选方案，将所述循环神经网络引入识别模型q(z|x,y)，对所述识别模型进行变分下界优化：
L(x,y)＝KL(q(z|x,y)||p(z))+Eq(z|x,y)(logp(x,y|z))
其中，KL(q(z|x,y)||p(z))表示概率分布q(z|x,y)和p(z)之间的KL散度，Eq(z|x,y)(logp(x,y|z))表示重建概率。
作为基于变分自编码器的监控量不确定性预测方法的优选方案，通过对y的求解即：p(y|x)＝∑zp(y,z|x)，获取监测对象本身物理量的分布信息，并根据y的不确定性进行估计和使用。
作为基于变分自编码器的监控量不确定性预测方法的优选方案，通过缺失物理量对应的已知环境采样数据、时间点索引和监测对象本身物理量，预测缺失物理量的缺失值并对缺失值的不确定性预估。
第二方面，提供一种基于变分自编码器的监控量不确定性预测系统，包括：
数据处理模块，用于获取监测对象所处位置的环境样本数据，将所述环境样本数据作为改变监测对象本身物理量的自变量，并将所述监测对象本身物理量作为因变量；
数据集构建模块，用于构建包含所述环境样本数据和监测对象本身物理量的数据集；
时间索引模块，用于根据环境样本数据的获取时间建立对应于所述监测对象本身物理量的时间索引，将所述时间索引对应的获取时间作为所述数据集的时间索引点；
第一模型构建模块，用于构建引起所述监测对象本身物理量变化的隐含变量的概率分布模型，使用先验分布函数获得所述隐含变量的先验概率；
第二模型构建模块，用于对所述先验概率的生成过程构建深度神经网络模型；
第三模型构建模块，用于对所述深度神经网络模型构建识别模型；
缺失预测模块，用于根据所述识别模型预测缺失物理量的缺失值；
不确定性预估模块，用于通过所述识别模型获取监测对象本身物理量的概率分布，对所述监测对象本身物理量的概率分布进行采样获得缺失值不确定性预估。
作为基于变分自编码器的监控量不确定性预测系统的优选方案，所述数据处理模块将所述环境样本数据记为：
x＝{x1,x2,…,xn}
其中，x表示时间索引点和对应时间索引点环境样本数据的一个组合；
所述数据处理模块将监测对象本身物理量y表示为：
y＝{y1,y2,…,yn}
其中，y表示时间索引点对应的监测对象本身物理量；
作为基于变分自编码器的监控量不确定性预测系统的优选方案，所述监测对象为大坝，所述环境样本数据包括监测对象所处位置的环境温度和监测对象所处位置的水位，所述监测对象本身物理量包括监测对象位移和监测对象渗流。所述监测对象也可以为带有时序环境样本监测数据的系统。
作为基于变分自编码器的监控量不确定性预测系统的优选方案，根据条件概率公式存在以下关系：
p(x,y)＝p(z)*p(x,y|z)
其中，p(x,y)表示事件x和y同时发生的概率，p(z)表示隐含变量的概率，p(x,y|z)表示事件x和y在事件z发生条件下的发生概率；
p(z)采用标准正态分布，p(z)概率密度公式为：
Figure BDA0002307188750000051
作为基于变分自编码器的监控量不确定性预测系统的优选方案，第一模型构建模块中对先验概率的生成过程构建深度神经网络模型，深度神经网络模型采用循环神经网络，将隐含变量进行时间序列延伸得到时间序列信号：
z0～p(z),h1＝g(z),…,hi+1＝g(hi)
其中，z0～p(z)表示使用先验分布函数获得隐含变量的先验概率，g为Logistic函数或者长短记忆单元，h1＝g(z),…,hi+1＝g(hi)表示时间序列信号。
作为基于变分自编码器的监控量不确定性预测系统的优选方案，将所述循环神经网络引入识别模型q(z|x,y)，对所述识别模型进行变分下界优化：
L(x,y)＝KL(q(z|x,y)||p(z))+Eq(z|x,y)(logp(x,y|z))
其中，KL(q(z|x,y)||p(z))表示概率分布q(z|x,y)和p(z)之间的KL散度，Eq(z|x,y)(logp(x,y|z))表示重建概率。
作为基于变分自编码器的监控量不确定性预测系统的优选方案，不确定性预估模块通过对y的求解即：p(y|x)＝∑zp(y,z|x)，获取监测对象本身物理量的分布信息，并根据y的不确定性进行估计和使用。
作为基于变分自编码器的监控量不确定性预测系统的优选方案，缺失预测模块通过缺失物理量对应的已知环境采样数据、时间点索引和监测对象本身物理量，预测缺失物理量的缺失值。
第三方面，提供一种计算机可读存储介质，所述计算机可读存储介质中存储用于基于变分自编码器进行监控量不确定性预测的程序代码，所述程序代码包括用于执行第一方面或其任意可能的实现方式中的基于变分自编码器的监控量不确定性预测方法的指令。
第四方面，提供一种电子设备，所述电子设备包括处理器，所述处理器与存储介质耦合，当所述处理器执行存储介质中的指令时，使得所述电子设备执行第一方面或其任意可能的实现方式中的基于变分自编码器的监控量不确定性预测方法。
本发明技术方案可以对监测对象的预测任务进行准确且带有不确定性的提升，从而弥补传统方案没有不确定性预估或者带有不确定性预估但是预测精度不高的缺点，通过本发明技术方案，可以更好的把握未来监测对象整体的安全情况，并合理的应对未来监测对象安全可能发生的不同变化，以便于采取不同的防备措施。
附图说明
为了更清楚地说明本发明的实施方式或现有技术中的技术方案，下面将对实施方式或现有技术描述中所需要使用的附图作简单地介绍。显而易见地，下面描述中的附图仅仅是示例性的，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图引伸获得其它的实施附图。
图1为本发明实施例中提供的基于变分自编码器的监控量不确定性预测方法流程示意图；
图2为本发明实施例中提供的基于变分自编码器的监控量不确定性预测系统示意图；
图3为采用本发明技术方案对水坝系统中的某位置渗流的预测结果；
图4为用于实施根据本发明实施方式的方法和系统的计算机的示意性框图。
具体实施方式
以下由特定的具体实施例说明本发明的实施方式，熟悉此技术的人士可由本说明书所揭露的内容轻易地了解本发明的其他优点及功效，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例1
参见图1，提供一种基于变分自编码器的监控量不确定性预测方法，实施例1中采用的监测对象为大坝，包括以下步骤：
S1：获取坝体所处位置的环境样本数据，将所述环境样本数据作为改变坝体本身物理量的自变量，并将所述坝体本身物理量作为因变量；
S2：构建包含所述环境样本数据和坝体本身物理量的数据集，根据环境样本数据的获取时间建立对应于所述坝体本身物理量的时间索引，将所述时间索引对应的获取时间作为所述数据集的时间索引点；
S3：构建引起所述坝体本身物理量变化的隐含变量的概率分布模型，使用先验分布函数获得所述隐含变量的先验概率，对所述先验概率的生成过程构建深度神经网络模型；
S4：对所述深度神经网络模型构建识别模型，根据所述识别模型预测缺失物理量的缺失值，通过所述识别模型获取坝体本身物理量的概率分布，对所述坝体本身物理量的概率分布进行采样获得缺失值不确定性预估。
具体的，所述环境样本数据包括坝体所处位置的环境温度和坝体所处位置的水位，所述坝体本身物理量包括坝体位移和坝体渗流。针对不同的监测对象，监测对象的本身物理量也不同，关键在于监测对象本身的属性，监测对象的共性是具有本申请背景技术中所提及的时间序列特征。
具体的，在对坝体进行监控量不确定性预测时，将所述环境样本数据记为：
x＝{x1,x2,…,xn}
其中，x表示时间索引点和对应时间索引点环境样本数据的一个组合；
将坝体本身物理量y表示为：
y＝{y1,y2,…,yn}
其中，y表示时间索引点对应的坝体本身物理量。
根据条件概率公式存在以下关系：
p(x,y)＝p(z)*p(x,y|z)
其中，p(x,y)表示事件x和y同时发生的概率，p(z)表示隐含变量的概率，p(x,y|z)表示事件x和y在事件z发生条件下的发生概率；
p(z)采用标准正态分布，p(z)概率密度公式为：
Figure BDA0002307188750000081
具体的，对先验概率的生成过程构建深度神经网络模型，深度神经网络模型采用循环神经网络，将隐含变量进行时间序列延伸得到时间序列信号：z0～p(z),h1＝g(z),…,hi+1＝g(hi)，其中，z0～p(z)表示使用先验分布函数获得隐含变量的先验概率，g为Logistic函数或者长短记忆单元，h1＝g(z),…,hi+1＝g(hi)表示时间序列信号。
具体的，将所述循环神经网络引入识别模型q(z|x,y)，对所述识别模型进行变分下界优化：
L(x,y)＝KL(q(z|x,y)||p(z))+Eq(z|x,y)(logp(x,y|z))
其中，KL(q(z|x,y)||p(z))表示概率分布q(z|x,y)和p(z)之间的KL散度，Eq(z|x,y)(logp(x,y|z))表示重建概率。
通过对y的求解即：p(y|x)＝∑zp(y,z|x)，获取坝体本身物理量的分布信息，并根据y的不确定性进行估计和使用。通过缺失物理量对应的已知环境采样数据、时间点索引和坝体本身物理量，预测缺失物理量的缺失值并对缺失值的不确定性预估。
实施例2
参见图2，提供一种基于变分自编码器的监控量不确定性预测系统，所述监测对象为大坝，包括：
数据处理模块1，用于获取坝体所处位置的环境样本数据，将所述环境样本数据作为改变坝体本身物理量的自变量，并将所述坝体本身物理量作为因变量；
数据集构建模块2，用于构建包含所述环境样本数据和坝体本身物理量的数据集；
时间索引模块3，用于根据环境样本数据的获取时间建立对应于所述坝体本身物理量的时间索引，将所述时间索引对应的获取时间作为所述数据集的时间索引点；
第一模型构建模块4，用于构建引起所述坝体本身物理量变化的隐含变量的概率分布模型，使用先验分布函数获得所述隐含变量的先验概率；
第二模型构建模块5，用于对所述先验概率的生成过程构建深度神经网络模型；
第三模型构建模块6，用于对所述深度神经网络模型构建识别模型；
缺失预测模块7，用于根据所述识别模型预测缺失物理量的缺失值；
不确定性预估模块8，用于通过所述识别模型获取坝体本身物理量的概率分布，对所述坝体本身物理量的概率分布进行采样获得缺失值不确定性预估。
具体的，所述数据处理模块1将所述环境样本数据记为：
x＝{x1,x2,…,xn}
其中，x表示时间索引点和对应时间索引点环境样本数据的一个组合；
所述数据处理模块1将坝体本身物理量y表示为：
y＝{y1,y2,…,yn}
其中，y表示时间索引点对应的坝体本身物理量；
具体的，所述环境样本数据包括坝体所处位置的环境温度和坝体所处位置的水位，所述坝体本身物理量包括坝体位移和坝体渗流。针对不同的监测对象，监测对象的本身物理量也不同，关键在于监测对象本身的属性，监测对象的共性是具有本申请背景技术中所提及的时间序列特征。
具体的，根据条件概率公式存在以下关系：
p(x,y)＝p(z)*p(x,y|z)
其中，p(x,y)表示事件x和y同时发生的概率，p(z)表示隐含变量的概率，p(x,y|z)表示事件x和y在事件z发生条件下的发生概率；
p(z)采用标准正态分布，p(z)概率密度公式为：
Figure BDA0002307188750000101
具体的，第一模型构建模块4中对先验概率的生成过程构建深度神经网络模型，深度神经网络模型采用循环神经网络，时间索引模块3将隐含变量进行时间序列延伸得到时间序列信号：
z0～p(z),h1＝g(z),…,hi+1＝g(hi)
其中，z0～p(z)表示使用先验分布函数获得隐含变量的先验概率，g为Logistic函数或者长短记忆单元，h1＝g(z),…,hi+1＝g(hi)表示时间序列信号。
具体的，将所述循环神经网络引入识别模型q(z|x,y)，对所述识别模型进行变分下界优化：
L(x,y)＝KL(q(z|x,y)||p(z))+Eq(z|x,y)(logp(x,y|z))
其中，KL(q(z|x,y)||p(z))表示概率分布q(z|x,y)和p(z)之间的KL散度，Eq(z|x,y)(logp(x,y|z))表示重建概率。
具体的，不确定性预估模块8通过对y的求解即：p(y|x)＝∑zp(y,z|x)，获取坝体本身物理量的分布信息，并根据y的不确定性进行估计和使用。缺失预测模块7通过缺失物理量对应的已知环境采样数据、时间点索引和坝体本身物理量，预测缺失物理量的缺失值。本发明技术方案可以对坝体的预测任务进行准确且带有不确定性的提升，从而弥补传统方案没有不确定性预估或者带有不确定性预估但是预测精度不高的缺点，通过本发明技术方案，可以更好的把握未来坝体整体的安全情况，并合理的应对未来坝体安全可能发生的不同变化，以便于采取不同的防备措施。
需要说明的是，上述系统各模块/单元之间的信息交互、执行过程等内容，由于与本申请实施例中的方法实施例基于同一构思，其带来的技术效果与本申请方法实施例相同，具体内容可参见本申请前述所示的方法实施例中的叙述。
具体的，参见图3，通过采用本技术方案预测水坝系统中的某位置渗流的预测结果，预测是使用0-30天预测31-35天的预测结果。其中，横坐标代表天，纵坐标代表某物理量的量纲。其中不同样式的阴影代表预测结果的不同的置信区间，如黑色的线条是真实值，线条外侧深黑色的为68.2％的置信区间，最外面浅白色的为99.8％的置信区间。通过此方法，可以获得系统的未来的预测，以及未来变化情况的不确定性。通过上图可以判断，此水坝系统在该传感器位置的渗流未来大概率服从规律变化、不会出现大规模渗流。
实施例3
提供一种计算机可读存储介质，所述计算机可读存储介质中存储用于基于变分自编码器进行监控量不确定性预测的程序代码，所述程序代码包括用于执行实施例1或其任意可能的实现方式中的基于变分自编码器的监控量不确定性预测方法的指令。
计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘(SolidStateDisk、SSD))等。
实施例4
参见图4，提供一种电子设备，所述电子设备包括处理器，所述处理器与存储介质耦合，当所述处理器执行存储介质中的指令时，使得所述电子设备执行实施例1或其任意可能的实现方式中的基于变分自编码器的监控量不确定性预测方法。
具体的，处理器可以通过硬件来实现也可以通过软件来实现，当通过硬件实现时，该处理器可以是逻辑电路、集成电路等；当通过软件来实现时，该处理器可以是一个通用处理器，通过读取存储器中存储的软件代码来实现，该存储器可以集成在处理器中，可以位于所述处理器之外，独立存在。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机900程序产品的形式实现。所述计算机900程序产品包括一个或多个计算机900指令。在计算机900上加载和执行所述计算机900程序指令时，全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机900可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机900指令可以存储在计算机900可读存储介质中，或者从一个计算机900可读存储介质向另一个计算机900可读存储介质传输，例如，所述计算机900指令可以从一个网站站点、计算机900、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机900、服务器或数据中心进行传输。
具体的，参见图4，示出了可用于实施根据本发明实施方式的方法和系统的计算机的示意性框图，在图4中，中央处理单元(CPU)901根据只读存储器(ROM)902中存储的程序或从存储部分908加载到随机存取存储器(RAM)903的程序执行各种处理。在RAM 903中，还根据需要存储当CPU 901执行各种处理等等时所需的数据。CPU 901、ROM 902和RAM 903经由总线904彼此连接。输入/输出接口905也连接到总线904。
下述部件连接到输入/输出接口905：输入部分906(包括键盘、鼠标等等)、输出部分907(包括显示器，比如阴极射线管(CRT)、液晶显示器(LCD)等，和扬声器等)、存储部分908(包括硬盘等)、通信部分909(包括网络接口卡比如LAN卡、调制解调器等)。通信部分909经由网络比如因特网执行通信处理。根据需要，驱动器910也可连接到输入/输出接口905。可拆卸介质911比如磁盘、光盘、磁光盘、半导体存储器等等可以根据需要被安装在驱动器910上，使得从中读出的计算机程序根据需要被安装到存储部分908中。
在通过软件实现上述系列处理的情况下，从网络比如因特网或存储介质比如可拆卸介质911安装构成软件的程序。
本领域的技术人员应当理解，这种存储介质不局限于图4所示的其中存储有程序的、与设备相分离地分发以向用户提供程序的可拆卸介质911。可拆卸介质911的例子包含磁盘(包含软盘(注册商标))、光盘(包含光盘只读存储器(CD-ROM)和数字通用盘(DVD))、磁光盘(包含迷你盘(MD)(注册商标))和半导体存储器。或者，存储介质可以是ROM 902、存储部分908中包含的硬盘等等，其中存有程序，并且与包含它们的设备一起被分发给用户。
显然，本领域的技术人员应该明白，上述的本发明的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，并且在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明不限制于任何特定的硬件和软件结合。
虽然，上文中已经用一般性说明及具体实施例对本发明作了详尽的描述，但在本发明基础上，可以对之作一些修改或改进，这对本领域技术人员而言是显而易见的。因此，在不偏离本发明精神的基础上所做的这些修改或改进，均属于本发明要求保护的范围。
综上，在根据本公开的实施例中，本公开提供了如下方案，但不限于此：
1.基于变分自编码器的监控量不确定性预测方法，其特征在于，包括以下步骤：
获取监测对象所处位置的环境样本数据，将所述环境样本数据作为改变监测对象本身物理量的自变量，并将所述监测对象本身物理量作为因变量；
构建包含所述环境样本数据和监测对象本身物理量的数据集，根据环境样本数据的获取时间建立对应于所述监测对象本身物理量的时间索引，将所述时间索引对应的获取时间作为所述数据集的时间索引点；
构建引起所述监测对象本身物理量变化的隐含变量的概率分布模型，使用先验分布函数获得所述隐含变量的先验概率，对所述先验概率的生成过程构建深度神经网络模型；
对所述深度神经网络模型构建识别模型，根据所述识别模型预测缺失物理量的缺失值，通过所述识别模型获取监测对象本身物理量的概率分布，对所述监测对象本身物理量的概率分布进行采样获得缺失值不确定性预估。
2.根据方案1所述的基于变分自编码器的监控量不确定性预测方法，其特征在于，所述监测对象为大坝，所述环境样本数据包括监测对象所处位置的环境温度和监测对象所处位置的水位，所述监测对象本身物理量包括监测对象位移和监测对象渗流；
或所述监测对象为带有时序环境样本监测数据的系统。
3.根据方案1所述的基于变分自编码器的监控量不确定性预测方法，其特征在于，将所述环境样本数据记为：
x＝{x1,x2,…,xn}
其中，x表示时间索引点和对应时间索引点环境样本数据的一个组合；
将监测对象本身物理量y表示为：
y＝{y1,y2,…,yn}
其中，y表示时间索引点对应的监测对象本身物理量。
4.根据方案3所述的基于变分自编码器的监控量不确定性预测方法，其特征在于，根据条件概率公式存在以下关系：
p(x,y)＝p(z)*p(x,y|z)
其中，p(x,y)表示事件x和y同时发生的概率，p(z)表示隐含变量的概率，p(x,y|z)表示事件x和y在事件z发生条件下的发生概率；
p(z)采用标准正态分布，p(z)概率密度公式为：
Figure BDA0002307188750000141
5.根据方案4所述的基于变分自编码器的监控量不确定性预测方法，其特征在于，对先验概率的生成过程构建深度神经网络模型，深度神经网络模型采用循环神经网络，将隐含变量进行时间序列延伸得到时间序列信号：z0～
p(z),h1＝g(z),…,hi+1＝g(hi)
其中，z0～p(z)表示使用先验分布函数获得隐含变量的先验概率，g为Logistic函数或者长短记忆单元，h1＝g(z),…,hi+1＝g(hi)表示时间序列信号。
6.根据方案5所述的基于变分自编码器的监控量不确定性预测方法，其特征在于，将所述循环神经网络引入识别模型q(z|x,y)，对所述识别模型进行变分下界优化：
L(x,y)＝KL(q(z|x,y)||p(z))+Eq(z|x,y)(logp(x,y|z))
其中，KL(q(z|x,y)||p(z))表示概率分布q(z|x,y)和p(z)之间的KL散度，Eq(z|x,y)(logp(x,y|z))表示重建概率。
7.根据方案6所述的基于变分自编码器的监控量不确定性预测方法，其特征在于，通过对y的求解即：p(y|x)＝∑zp(y,z|x)，获取监测对象本身物理量的分布信息，并根据y的不确定性进行估计和使用。
8.根据方案1所述的基于变分自编码器的监控量不确定性预测方法，其特征在于，通过缺失物理量对应的已知环境采样数据、时间点索引和监测对象本身物理量，预测缺失物理量的缺失值并对缺失值的不确定性预估。
9.基于变分自编码器的监控量不确定性预测系统，其特征在于，包括：
数据处理模块，用于获取监测对象所处位置的环境样本数据，将所述环境样本数据作为改变监测对象本身物理量的自变量，并将所述监测对象本身物理量作为因变量；
数据集构建模块，用于构建包含所述环境样本数据和监测对象本身物理量的数据集；
时间索引模块，用于根据环境样本数据的获取时间建立对应于所述监测对象本身物理量的时间索引，将所述时间索引对应的获取时间作为所述数据集的时间索引点；
第一模型构建模块，用于构建引起所述监测对象本身物理量变化的隐含变量的概率分布模型，使用先验分布函数获得所述隐含变量的先验概率；
第二模型构建模块，用于对所述先验概率的生成过程构建深度神经网络模型；
第三模型构建模块，用于对所述深度神经网络模型构建识别模型；
缺失预测模块，用于根据所述识别模型预测缺失物理量的缺失值；
不确定性预估模块，用于通过所述识别模型获取监测对象本身物理量的概率分布，对所述监测对象本身物理量的概率分布进行采样获得缺失值不确定性预估。
10.根据方案9所述的基于变分自编码器的监控量不确定性预测系统，其特征在于，所述数据处理模块将所述环境样本数据记为：
x＝{x1,x2,…,xn}
其中，x表示时间索引点和对应时间索引点环境样本数据的一个组合；
所述数据处理模块将监测对象本身物理量y表示为：
y＝{y1,y2,…,yn}
其中，y表示时间索引点对应的监测对象本身物理量。
11.根据方案10所述的基于变分自编码器的监控量不确定性预测系统，其特征在于，所述监测对象为大坝，所述环境样本数据包括监测对象所处位置的环境温度和监测对象所处位置的水位，所述监测对象本身物理量包括监测对象位移和监测对象渗流；
或所述监测对象为带有时序环境样本监测数据的系统。
12.根据方案10所述的基于变分自编码器的监控量不确定性预测系统，其特征在于，根据条件概率公式存在以下关系：
p(x,y)＝p(z)*p(x,y|z)
其中，p(x,y)表示事件x和y同时发生的概率，p(z)表示隐含变量的概率，p(x,y|z)表示事件x和y在事件z发生条件下的发生概率；
p(z)采用标准正态分布，p(z)概率密度公式为：
Figure BDA0002307188750000161
13.根据方案13所述的基于变分自编码器的监控量不确定性预测系统，其特征在于，第一模型构建模块中对先验概率的生成过程构建深度神经网络模型，深度神经网络模型采用循环神经网络，将隐含变量进行时间序列延伸得到时间序列信号：
z0～p(z),h1＝g(z),…,hi+1＝g(hi)
其中，z0～p(z)表示使用先验分布函数获得隐含变量的先验概率，g为Logistic函数或者长短记忆单元，h1＝g(z),…,hi+1＝g(hi)表示时间序列信号。
14.根据方案13所述的基于变分自编码器的监控量不确定性预测系统，其特征在于，将所述循环神经网络引入识别模型q(z|x,y)，对所述识别模型进行变分下界优化：
L(x,y)＝KL(q(z|x,y)||p(z))+Eq(z|x,y)(logp(x,y|z))
其中，KL(q(z|x,y)||p(z))表示概率分布q(z|x,y)和p(z)之间的KL散度，Eq(z|x,y)(logp(x,y|z))表示重建概率。
15.根据方案14所述的基于变分自编码器的监控量不确定性预测系统，其特征在于，不确定性预估模块通过对y的求解即：p(y|x)＝∑zp(y,z|x)，获取监测对象本身物理量的分布信息，并根据y的不确定性进行估计和使用。
16.根据方案9所述的基于变分自编码器的监控量不确定性预测系统，其特征在于，缺失预测模块通过缺失物理量对应的已知环境采样数据、时间点索引和监测对象本身物理量，预测缺失物理量的缺失值。
17.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储用于基于变分自编码器进行监控量不确定性预测的程序代码，所述程序代码包括用于执行方案1至9中任一项所述的基于变分自编码器的监控量不确定性预测方法的指令。
18.一种电子设备，其特征在于，所述电子设备包括处理器，所述处理器与存储介质耦合，当所述处理器执行存储介质中的指令时，使得所述电子设备执行方案1至9中任一项所述的基于变分自编码器的监控量不确定性预测方法。

Claims (18)

1.基于变分自编码器的监控量不确定性预测方法，其特征在于，包括以下步骤：
获取监测对象所处位置的环境样本数据，将所述环境样本数据作为改变监测对象本身物理量的自变量，并将所述监测对象本身物理量作为因变量；
构建包含所述环境样本数据和监测对象本身物理量的数据集，根据环境样本数据的获取时间建立对应于所述监测对象本身物理量的时间索引，将所述时间索引对应的获取时间作为所述数据集的时间索引点；
构建引起所述监测对象本身物理量变化的隐含变量的概率分布模型，使用先验分布函数获得所述隐含变量的先验概率，对所述先验概率的生成过程构建深度神经网络模型；
对所述深度神经网络模型构建识别模型，根据所述识别模型预测缺失物理量的缺失值，通过所述识别模型获取监测对象本身物理量的概率分布，对所述监测对象本身物理量的概率分布进行采样获得缺失值不确定性预估。
2.根据权利要求1所述的基于变分自编码器的监控量不确定性预测方法，其特征在于，所述监测对象为大坝，所述环境样本数据包括监测对象所处位置的环境温度和监测对象所处位置的水位，所述监测对象本身物理量包括监测对象位移和监测对象渗流；
或所述监测对象为带有时序环境样本监测数据的系统。
3.根据权利要求1所述的基于变分自编码器的监控量不确定性预测方法，其特征在于，将所述环境样本数据记为：
x＝{x1，x2，…，xn}
其中，x表示时间索引点和对应时间索引点环境样本数据的一个组合；
将监测对象本身物理量y表示为：
y＝{y1，y2，…，yn}
其中，y表示时间索引点对应的监测对象本身物理量。
4.根据权利要求3所述的基于变分自编码器的监控量不确定性预测方法，其特征在于，根据条件概率公式存在以下关系：
p(x，y)＝p(z)*p(x，y|z)
其中，p(x，y)表示事件x和y同时发生的概率，p(z)表示隐含变量的概率，p(x，y|z)表示事件x和y在事件z发生条件下的发生概率；
p(z)采用标准正态分布，p(z)概率密度公式为：
Figure FDA0002671361080000021
5.根据权利要求4所述的基于变分自编码器的监控量不确定性预测方法，其特征在于，对先验概率的生成过程构建深度神经网络模型，深度神经网络模型采用循环神经网络，将隐含变量进行时间序列延伸得到时间序列信号：
z0～p(z)，h1＝g(z)，…，hi+1＝g(hi)
其中，z0～p(z)表示使用先验分布函数获得隐含变量的先验概率，g为Logistic函数或者长短记忆单元，h1＝g(z)，…，hi+1＝g(hi)表示时间序列信号。
6.根据权利要求5所述的基于变分自编码器的监控量不确定性预测方法，其特征在于，将所述循环神经网络引入识别模型q(z|x，y)，对所述识别模型进行变分下界优化：
L(x，y)＝KL(q(z|x，y)||p(z))+Eq(z|x，y)(log p(x，y|z))
其中，KL(q(z|x，y)||p(z))表示识别模型q(z|x，y)和p(z)之间的KL散度，Eq(z|x，y)(logp(x，y|z))表示重建概率。
7.根据权利要求6所述的基于变分自编码器的监控量不确定性预测方法，其特征在于，通过对y的求解即：p(y|x)＝∑z p(y，z|x)，获取监测对象本身物理量的分布信息，并根据y的不确定性进行估计和使用。
8.根据权利要求1所述的基于变分自编码器的监控量不确定性预测方法，其特征在于，通过缺失物理量对应的已知环境采样数据、时间点索引和监测对象本身物理量，预测缺失物理量的缺失值并对缺失值的不确定性预估。
9.基于变分自编码器的监控量不确定性预测系统，其特征在于，包括：
数据处理模块，用于获取监测对象所处位置的环境样本数据，将所述环境样本数据作为改变监测对象本身物理量的自变量，并将所述监测对象本身物理量作为因变量；
数据集构建模块，用于构建包含所述环境样本数据和监测对象本身物理量的数据集；
时间索引模块，用于根据环境样本数据的获取时间建立对应于所述监测对象本身物理量的时间索引，将所述时间索引对应的获取时间作为所述数据集的时间索引点；
第一模型构建模块，用于构建引起所述监测对象本身物理量变化的隐含变量的概率分布模型，使用先验分布函数获得所述隐含变量的先验概率；
第二模型构建模块，用于对所述先验概率的生成过程构建深度神经网络模型；
第三模型构建模块，用于对所述深度神经网络模型构建识别模型；
缺失预测模块，用于根据所述识别模型预测缺失物理量的缺失值；
不确定性预估模块，用于通过所述识别模型获取监测对象本身物理量的概率分布，对所述监测对象本身物理量的概率分布进行采样获得缺失值不确定性预估。
10.根据权利要求9所述的基于变分自编码器的监控量不确定性预测系统，其特征在于，所述数据处理模块将所述环境样本数据记为：
x＝{x1，x2，…，xn}
其中，x表示时间索引点和对应时间索引点环境样本数据的一个组合；
所述数据处理模块将监测对象本身物理量y表示为：
y＝{y1，y2，…，yn}
其中，y表示时间索引点对应的监测对象本身物理量。
11.根据权利要求10所述的基于变分自编码器的监控量不确定性预测系统，其特征在于，所述监测对象为大坝，所述环境样本数据包括监测对象所处位置的环境温度和监测对象所处位置的水位，所述监测对象本身物理量包括监测对象位移和监测对象渗流；
或所述监测对象为带有时序环境样本监测数据的系统。
12.根据权利要求10所述的基于变分自编码器的监控量不确定性预测系统，其特征在于，根据条件概率公式存在以下关系：
p(x，y)＝p(z)*p(x，y|z)
其中，p(x，y)表示事件x和y同时发生的概率，p(z)表示隐含变量的概率，p(x，y|z)表示事件x和y在事件z发生条件下的发生概率；
p(z)采用标准正态分布，p(z)概率密度公式为：
Figure FDA0002671361080000041
13.根据权利要求12所述的基于变分自编码器的监控量不确定性预测系统，其特征在于，第一模型构建模块中对先验概率的生成过程构建深度神经网络模型，深度神经网络模型采用循环神经网络，将隐含变量进行时间序列延伸得到时间序列信号：
z0～p(z)，h1＝g(z)，…，hi+1＝g(hi)
其中，z0～p(z)表示使用先验分布函数获得隐含变量的先验概率，g为Logistic函数或者长短记忆单元，h1＝g(z)，…，hi+1＝g(hi)表示时间序列信号。
14.根据权利要求13所述的基于变分自编码器的监控量不确定性预测系统，其特征在于，将所述循环神经网络引入识别模型q(z|x，y)，对所述识别模型进行变分下界优化：
L(x，y)＝KL(q(z|x，y)||p(z))+Eq(z|x，y)(log p(x，y|z))
其中，KL(q(z|x，y)||p(z))表示识别模型q(z|x，y)和p(z)之间的KL散度，Eq(z|x，y)(logp(x，y|z))表示重建概率。
15.根据权利要求14所述的基于变分自编码器的监控量不确定性预测系统，其特征在于，不确定性预估模块通过对y的求解即：p(y|x)＝∑zp(y，z|x)，获取监测对象本身物理量的分布信息，并根据y的不确定性进行估计和使用。
16.根据权利要求9所述的基于变分自编码器的监控量不确定性预测系统，其特征在于，缺失预测模块通过缺失物理量对应的已知环境采样数据、时间点索引和监测对象本身物理量，预测缺失物理量的缺失值。
17.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储用于基于变分自编码器进行监控量不确定性预测的程序代码，所述程序代码包括用于执行权利要求1至8中任一项所述的基于变分自编码器的监控量不确定性预测方法的指令。
18.一种电子设备，其特征在于，所述电子设备包括处理器，所述处理器与存储介质耦合，当所述处理器执行存储介质中的指令时，使得所述电子设备执行权利要求1至8中任一项所述的基于变分自编码器的监控量不确定性预测方法。
CN201911244603.5A 2019-12-06 2019-12-06 基于变分自编码器的监控量不确定性预测方法及系统 Active CN111027680B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911244603.5A CN111027680B (zh) 2019-12-06 2019-12-06 基于变分自编码器的监控量不确定性预测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911244603.5A CN111027680B (zh) 2019-12-06 2019-12-06 基于变分自编码器的监控量不确定性预测方法及系统

Publications (2)

Publication Number Publication Date
CN111027680A CN111027680A (zh) 2020-04-17
CN111027680B true CN111027680B (zh) 2020-10-30

Family

ID=70207449

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911244603.5A Active CN111027680B (zh) 2019-12-06 2019-12-06 基于变分自编码器的监控量不确定性预测方法及系统

Country Status (1)

Country Link
CN (1) CN111027680B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3907663B1 (en) * 2020-05-06 2024-02-21 Robert Bosch GmbH Predicting a state of a computer-controlled entity

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106768032A (zh) * 2016-12-06 2017-05-31 水利部交通运输部国家能源局南京水利科学研究院 一种提高大坝安全自动化监测数据可靠性的处理方法
CN107480341B (zh) * 2017-07-21 2018-10-23 河海大学 一种基于深度学习的大坝安全综合评判方法
KR101867475B1 (ko) * 2017-11-03 2018-06-14 한국지질자원연구원 딥러닝을 이용한 저류층 불확실성 평가 방법
CN108491925A (zh) * 2018-01-25 2018-09-04 杭州电子科技大学 基于隐变量模型的深度学习特征泛化方法
US11379284B2 (en) * 2018-03-13 2022-07-05 Nec Corporation Topology-inspired neural network autoencoding for electronic system fault detection
CN108985460A (zh) * 2018-06-27 2018-12-11 广东工业大学 一种面向时序隐变量的因果结构发现方法

Also Published As

Publication number Publication date
CN111027680A (zh) 2020-04-17

Similar Documents

Publication Publication Date Title
Zhou et al. Remaining useful life prediction of bearings by a new reinforced memory GRU network
CN110059894B (zh) 设备状态评估方法、装置、系统及存储介质
Du et al. Probabilistic time series forecasting with deep non‐linear state space models
CN106354995A (zh) 一种基于拉格朗日插值与时间序列的预测方法
Pandit et al. Data‐driven weather forecasting models performance comparison for improving offshore wind turbine availability and maintenance
Liu et al. Multivariate time-series forecasting with temporal polynomial graph neural networks
CN111144451B (zh) 一种图像分类模型的训练方法、装置及设备
Dette et al. Relevant change points in high dimensional time series
CN113361690A (zh) 水质预测模型训练、水质预测方法、装置、设备及介质
CN111027680B (zh) 基于变分自编码器的监控量不确定性预测方法及系统
CN108694472B (zh) 预测误差极值分析方法、装置、计算机设备和存储介质
Xu et al. Deep‐learning‐based scenario generation strategy considering correlation between multiple wind farms
Pradhan et al. Testing coverage‐based software reliability growth model considering uncertainty of operating environment
CN116822803A (zh) 基于智能算法的碳排放数据图构建方法、装置与设备
CN116665798A (zh) 一种空气污染趋势预警方法及相关装置
Liu et al. Residual useful life prognosis of equipment based on modified hidden semi-Markov model with a co-evolutional optimization method
CN116226770A (zh) 一种时间序列数据异常检测方法及装置
Weinberg Error bounds on the Rayleigh approximation of the K‐distribution
CN114692987A (zh) 一种时序数据分析方法、装置、设备及存储介质
CN114970674A (zh) 一种基于关联度对齐的时序数据概念漂移适配方法
CN114692529A (zh) 一种cfd高维响应的不确定度量化方法、装置、计算机设备
CN113780356A (zh) 基于集成学习模型的水质预测方法及系统
CN112433952A (zh) 深度神经网络模型公平性测试方法、系统、设备及介质
Ozoh et al. Appraisal of Predictive Techniques using Computational Methods
CN117851928A (zh) 基于cnn-lstm模型预测页岩油产量的方法及系统

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
GR01 Patent grant
GR01 Patent grant