CN112446173B - 基于长短期记忆网络的桥梁温度预测方法、介质及设备 - Google Patents

基于长短期记忆网络的桥梁温度预测方法、介质及设备 Download PDF

Info

Publication number
CN112446173B
CN112446173B CN202011340388.1A CN202011340388A CN112446173B CN 112446173 B CN112446173 B CN 112446173B CN 202011340388 A CN202011340388 A CN 202011340388A CN 112446173 B CN112446173 B CN 112446173B
Authority
CN
China
Prior art keywords
prediction
network
model
window
early warning
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
CN202011340388.1A
Other languages
English (en)
Other versions
CN112446173A (zh
Inventor
张建龙
束景晓
郑旭达
赵东月
傅磊
王韶鹏
王一戈
崔潇
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.)
Henan Expressway Network Management Center
Xian Jiaotong University
Original Assignee
Henan Expressway Network Management Center
Xian Jiaotong University
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 Henan Expressway Network Management Center, Xian Jiaotong University filed Critical Henan Expressway Network Management Center
Priority to CN202011340388.1A priority Critical patent/CN112446173B/zh
Publication of CN112446173A publication Critical patent/CN112446173A/zh
Application granted granted Critical
Publication of CN112446173B publication Critical patent/CN112446173B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • 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
    • 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
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Operations Research (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Tourism & Hospitality (AREA)
  • Game Theory and Decision Science (AREA)
  • Quality & Reliability (AREA)
  • Development Economics (AREA)
  • Geometry (AREA)
  • Computer Hardware Design (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于长短期记忆网络的桥梁温度预测方法、介质及设备，将桥梁温度数据集按比例分为训练集，验证集和测试集；基于Keras构建网络模型，使用训练集和验证集对网络模型进行训练，得到预测模型；将测试集数据送入预测模型中，在预测窗口发现异常值时，进行预警处理。本发明通过对时间窗口的划分，提供了充分的预警时间来解决发现的问题，并且神经网络预测模型在峰值的预测上更为精准，更稳定。

Description

基于长短期记忆网络的桥梁温度预测方法、介质及设备
技术领域
本发明属于桥梁技术领域，具体涉及一种基于长短期记忆网络的桥梁温度预测方法、介质及设备。
背景技术
桥梁作为重要的基础设施，是一种对安全性与可靠性有极高要求的复杂系统。自上世纪80年代起，健康监测技术开始引入桥梁工程，已成为传统人工检查方式的重要补充。目前为止中国公路桥梁的信息化程度与世界一流水平还存在不小的差距，面向公路大中型桥梁的结构健康监测系统也还有一些问题亟待解决，其中桥梁状态的监测预警是重中之重。然而，要实现实现桥梁状态的及时预警，仅仅依靠传感器的监测是不够的，还要有准确的预测以确保有充分的时间来进行预警。
传统的时间序列预测方法对参数模型的选择有很高的依赖性，在结构建模和模型更新上容易陷入困境，因此基于数据驱动方法近年来引起了广泛关注。基于以上结论，我们设计了一种基于长短期记忆神经网络(Long Short-Term Merory，LSTM)的时间序列预测模型，该模型可以在较为精准的预测桥梁未来状态走向的同时，预留充分的预警时间(24h)来解决突发问题。并且这种以数据为驱动的方法，可以通过数据的积累，不断提高预测的精度，为桥梁的安全保驾护航。
发明内容
本发明所要解决的技术问题在于针对上述现有技术中的不足，提供一种基于长短期记忆网络的桥梁温度预测方法，通过对时间窗口的划分，提供了充分的预警时间来解决发现的问题，并且神经网络预测模型在峰值的预测上更为精准，更稳定。
本发明采用以下技术方案：
基于长短期记忆网络的桥梁温度预测方法，包括以下步骤：
S1、将桥梁温度数据集按比例分为训练集，验证集和测试集；
S2、基于Keras构建网络模型，使用步骤S1得到的训练集和验证集对网络模型进行训练，得到预测模型；
S3、将步骤S1的测试集数据送入步骤S2得到的预测模型中，在预测窗口发现异常值时，进行预警处理。
具体的，步骤S1中，将数据集按9：2：1的比例划分为训练集，验证集，以及测试集。
具体的，步骤S2中，网络模型为四层网络结构，包括两层LSTM网络和两层Dense网络。
进一步的，LSTM网络包括遗忘门ft，输入门it和输出门ot，具体如下：
ft＝σ(Wf,xXt+Wf,yYt+bf)
it＝σ(Wi,xXt+Wi,yYt-1+bi)
ot＝σ(Wo,xXt+Wo,yYt-1+bo)
其中，σ为激活函数，W代表权重，Xt表示当前时刻的数据，Yt-1表示上一时刻LSTM的输出值，b代表偏置。
更进一步的，LSTM网络的激活函数为relu，初始学习率为0.01，dropout设置为0.2，迭代次数为1000次，批次样本数设置为64，损失函数为平方误差函数，输入维度为128。
具体的，步骤S3中，将预测模型中每个样本的数据从时间的角度划分为观察窗口、预警窗口和预测窗口，观察窗口为输入时间序列的长度；预警窗口为预留的间隔时间长度；预测窗口为预测模型的输出长度，即预测时间长度。
本发明的另一个技术方案是，一种存储一个或多个程序的计算机可读存储介质，所述一个或多个程序包括指令，所述指令当由计算设备执行时，使得所述计算设备执行所述的方法中的任一方法。
本发明的另一个技术方案是，一种计算设备，包括：
一个或多个处理器、存储器及一个或多个程序，其中一个或多个程序存储在所述存储器中并被配置为所述一个或多个处理器执行，所述一个或多个程序包括用于执行所述的方法中的任一方法的指令。
与现有技术相比，本发明至少具有以下有益效果：
本发明基于长短期记忆网络的桥梁温度预测方法，通过对时间窗口的划分，提供了充分的预警时间来解决发现的问题，并且神经网络预测模型在峰值的预测上更为精准，更稳定。
进一步的，LSTM是为了处理长期依赖以及避免RNN中存在梯度消失的问题而专门设计出来的一种RNN变体，相比普通的RNN，LSTM能够在更长的序列中有更好的表现。
进一步的，通过将时间窗口划分为观察窗口、预警窗口、预测窗口，使得该模型可以在预测到故障发生后获得提供充分的预警时间来解决发现的问题。
进一步的，激活函数relu可以简化计算过程，使得梯度下降以及反向传播更有效率：避免了梯度爆炸和梯度消失问题；Dropout通过使其他隐藏单元存在不可靠性来防止共拟合；学习率是一个超参数，控制我们要多大程度调整网络的权重，以符合梯度损失，较低的学习率可以防止错过局部最小点；损失函数是用来估量模型得到的预测值与真实值之间的差距，损失函数越小，模型的鲁棒性就越好。
综上所述，本发明通过对时间窗口的划分，提供了充分的预警时间来解决发现的问题，并且神经网络预测模型在峰值的预测上更为精准，更稳定。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
图1为LSTM结构图；
图2为预测网络结构图；
图3为样本数据划分图；
图4为实际与预测对比图；
图5为两种模型RMSE对比图。
具体实施方式
针对大中型公路桥梁状态进行预测是桥梁健康监测与预警系统中极为重要的一环；而桥梁的健康检测与预警问题是一个综合性问题，应当充分运用多学科知识进行工程实践，这样建立的高速公路大中型桥梁结构健康监测与安全预警系统不仅有助于及时发现桥梁的安全问题并加以解决，还具有极其重要的经济效益和社会意义。本发明提供了一种基于长短期记忆网络的桥梁温度预测方法，通过与传统时间序列预测模型进行对比，基于长短期记忆网络的预测模型不仅在峰值预测上更为准确，减少了错误预警的发生，而且通过RMSE的对比，表明基于LSTM的预测模型的稳定性更好，更适合推广。
本发明一种基于长短期记忆网络的桥梁温度预测方法，包括以下步骤：
S1、将桥梁温度数据集按比例分为训练集，验证集和测试集；
采集桥梁温度数据，建立数据集，将数据集按9：2：1的比例划分为训练集，验证集，以及测试集。
S2、基于Keras人工神经网络库构建网络模型，网络模型包括两层LSTM网络和两层Dense网络，使用步骤S1得到的训练集和验证集对构建的网络模型进行训练，得到预测模型；
LSTM网络是为了处理长期依赖以及避免RNN中存在梯度消失的问题而专门设计出来的一种RNN变体，结构如图1所示，LSTM的核心在于它的神经元状态(cell)，LSTM由遗忘门、输入门和输出门来控制细胞状态，其记忆机制就是通过这三个门实现的，其中遗忘门用来对上一时刻信息进行控制。
三个门的计算公式如下：
遗忘门ft的计算公式表示为：
ft＝σ(Wf,xXt+Wf,yYt+bf)
输入门it的计算公式表示为：
it＝σ(Wi,xXt+Wi,yYt-1+bi)
输出门ot的计算公式表示为：
ot＝σ(Wo,xXt+Wo,yYt-1+bo)
其中，W代表权重，Xt表示当前时刻的数据，Yt-1表示上一时刻LSTM的输出值，b代表偏置。
请参阅图2，在数据预测实验过程中，预测模型由四层网络组成，两层LSTM网络，两层Dense网络。LSTM网络的激活函数为relu，初始学习率设置为0.01，dropout设置为0.2，迭代次数为1000次，批次样本数设置为64，损失函数为平方误差函数，输入维度为128。
S3、将步骤S1的测试集数据送入步骤S2得到的预测模型中，在预测窗口发现异常值时，进行预警处理。
预测模型中，每个样本的数据从时间的角度划分为三部分：观察窗口、预警窗口、预测窗口，如图3所示。
其中，观察窗口即为输入时间序列的长度；预警窗口为预留的间隔时间长度；预测窗口为预测模型的输出长度即预测时间长度。
与传统的时间序列预测不同，在预测窗口发现异常值后，该模型的预警窗口可以在预警后保证充足时间进行问题处理。
本发明再一个实施例中，提供了一种终端设备，该终端设备包括处理器以及存储器，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器用于执行所述计算机存储介质存储的程序指令。处理器可能是中央处理单元(Central ProcessingUnit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor、DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable GateArray，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等，其是终端的计算核心以及控制核心，其适于实现一条或一条以上指令，具体适于加载并执行一条或一条以上指令从而实现相应方法流程或相应功能；本发明实施例所述的处理器可以基于长短期记忆网络的桥梁温度预测的操作，包括：将桥梁温度数据集按比例分为训练集，验证集和测试集；基于Keras构建网络模型，使用训练集和验证集对网络模型进行训练，得到预测模型；将测试集数据送入预测模型中，在预测窗口发现异常值时，进行预警处理。
本发明再一个实施例中，本发明还提供了一种存储介质，具体为计算机可读存储介质(Memory)，所述计算机可读存储介质是终端设备中的记忆设备，用于存放程序和数据。可以理解的是，此处的计算机可读存储介质既可以包括终端设备中的内置存储介质，当然也可以包括终端设备所支持的扩展存储介质。计算机可读存储介质提供存储空间，该存储空间存储了终端的操作系统。并且，在该存储空间中还存放了适于被处理器加载并执行的一条或一条以上的指令，这些指令可以是一个或一个以上的计算机程序(包括程序代码)。需要说明的是，此处的计算机可读存储介质可以是高速RAM存储器，也可以是非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。
可由处理器加载并执行计算机可读存储介质中存放的一条或一条以上指令，以实现上述实施例中有关电网中长期检修计划的校核方法的相应步骤；计算机可读存储介质中的一条或一条以上指令由处理器加载并执行如下步骤：将桥梁温度数据集按比例分为训练集，验证集和测试集；基于Keras构建网络模型，使用训练集和验证集对网络模型进行训练，得到预测模型；将测试集数据送入预测模型中，在预测窗口发现异常值时，进行预警处理。
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，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。通常在此处附图中的描述和所示的本发明实施例的组件可以通过各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作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
采用苏通大桥主桥主跨北1-4处路面温度数据，数据的采集频率为10次/秒。由于温度以天为单位进行周期性变化，为了更好的结合数据的周期性，并尽可能减少输入序列过长带来的负面影响，将数据进行抽样筛选，数据选取为1次/小时(选取中位数)。最终实验以10天内的数据为单个样本，输入序列长度为8*24。预警窗口为24小时，以保证在预警后有充分的时间进行处理。
请参阅图4，将训练好的模型应用于实际预测，预测结果如图4所示。由预测结果可以看出，LSTM模型在保证24小时的预警窗口下，较好的预测出来了未来温度的走向。尤其是在温度峰值的预测上，降低了错误预警的发生。
请参阅图5，将两种模型72小时内的RMSE变化分别进行计算，实验结果证明，ARIMA模型与LSTM模型在预测初期RMSE值均较低，RMSE分别为0.67与0.74。但是随着预测时间的拉长，ARIMA模型的RMSE值快速上升，而LSTM模型的RMSE值则保持稳定。实验表明，相较于传统的ARIMA模型，LSTM模型不仅在峰值的预测上更为准确，不会带来错误预警，而且模型的更加稳定，对长时间的预测更为准确。
综上所述，本发明一种基于长短期记忆网络的桥梁温度预测方法，基于长短期记忆网络的预测模型不仅在峰值预测上更为准确，尽可能的减少了错误预警的发生，而且通过RMSE的对比，表明基于LSTM的预测模型的稳定性更好，更适合推广。并且该模型通过对时间窗口的划分，提供了充分的预警时间来解决发现的问题。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上内容仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明权利要求书的保护范围之内。

Claims (5)

1.基于长短期记忆网络的桥梁温度预测方法，其特征在于，包括以下步骤：
S1、将桥梁温度数据集按比例分为训练集，验证集和测试集；
S2、基于Keras构建网络模型，使用步骤S1得到的训练集和验证集对网络模型进行训练，得到预测模型，网络模型为四层网络结构，包括两层LSTM网络和两层Dense网络，LSTM网络包括遗忘门ft，输入门it和输出门ot，具体如下：
ft＝σ(Wf,xXt+Wf,yYt+bf)
it＝σ(Wi,xXt+Wi,yYt-1+bi)
ot＝σ(Wo,xXt+Wo,yYt-1+bo)
其中，σ为激活函数，W代表权重，Xt表示当前时刻的数据，Yt-1表示上一时刻LSTM的输出值，b代表偏置；
S3、将步骤S1的测试集数据送入步骤S2得到的预测模型中，在预测窗口发现异常值时，进行预警处理，将预测模型中每个样本的数据从时间的角度划分为观察窗口、预警窗口和预测窗口，观察窗口为输入时间序列的长度；预警窗口为预留的间隔时间长度；预测窗口为预测模型的输出长度，即预测时间长度。
2.根据权利要求1所述的基于长短期记忆网络的桥梁温度预测方法，其特征在于，步骤S1中，将数据集按9：2：1的比例划分为训练集，验证集，以及测试集。
3.根据权利要求1所述的基于长短期记忆网络的桥梁温度预测方法，其特征在于，步骤S2中，LSTM网络的激活函数为relu，初始学习率为0.01，dropout设置为0.2，迭代次数为1000次，批次样本数设置为64，损失函数为平方误差函数，输入维度为128。
4.一种存储一个或多个程序的计算机可读存储介质，其特征在于，所述一个或多个程序包括指令，所述指令当由计算设备执行时，使得所述计算设备执行根据权利要求1或2或3所述的方法中的任一方法。
5.一种计算设备，其特征在于，包括：
一个或多个处理器、存储器及一个或多个程序，其中一个或多个程序存储在所述存储器中并被配置为所述一个或多个处理器执行，所述一个或多个程序包括用于执行根据权利要求1或2或3所述的方法中的任一方法的指令。
CN202011340388.1A 2020-11-25 2020-11-25 基于长短期记忆网络的桥梁温度预测方法、介质及设备 Active CN112446173B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011340388.1A CN112446173B (zh) 2020-11-25 2020-11-25 基于长短期记忆网络的桥梁温度预测方法、介质及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011340388.1A CN112446173B (zh) 2020-11-25 2020-11-25 基于长短期记忆网络的桥梁温度预测方法、介质及设备

Publications (2)

Publication Number Publication Date
CN112446173A CN112446173A (zh) 2021-03-05
CN112446173B true CN112446173B (zh) 2024-02-23

Family

ID=74737338

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011340388.1A Active CN112446173B (zh) 2020-11-25 2020-11-25 基于长短期记忆网络的桥梁温度预测方法、介质及设备

Country Status (1)

Country Link
CN (1) CN112446173B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113536665B (zh) * 2021-06-18 2022-05-31 云南省交通规划设计研究院有限公司 基于特征工程和lstm的路表温度短临预测方法及系统
CN115392142B (zh) * 2022-10-31 2023-04-18 深圳市城市交通规划设计研究中心股份有限公司 沿海环境简支梁弹性模量预测方法、电子设备及存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107885927A (zh) * 2017-11-06 2018-04-06 中铁二院工程集团有限责任公司 一种铁路桥梁运营状态预警方法
CN109558971A (zh) * 2018-11-09 2019-04-02 河海大学 基于lstm长短期记忆网络的智能滑坡监测装置与方法
CN109583570A (zh) * 2018-11-30 2019-04-05 重庆大学 基于深度学习确定桥梁健康监测系统异常数据来源的方法
CN111210347A (zh) * 2019-12-23 2020-05-29 南方科技大学 交易风险预警方法、装置、设备及存储介质
CN111722797A (zh) * 2020-05-18 2020-09-29 西安交通大学 面向ssd与ha-smr混合存储系统数据管理方法、存储介质及设备

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11620528B2 (en) * 2018-06-12 2023-04-04 Ciena Corporation Pattern detection in time-series data

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107885927A (zh) * 2017-11-06 2018-04-06 中铁二院工程集团有限责任公司 一种铁路桥梁运营状态预警方法
CN109558971A (zh) * 2018-11-09 2019-04-02 河海大学 基于lstm长短期记忆网络的智能滑坡监测装置与方法
CN109583570A (zh) * 2018-11-30 2019-04-05 重庆大学 基于深度学习确定桥梁健康监测系统异常数据来源的方法
CN111210347A (zh) * 2019-12-23 2020-05-29 南方科技大学 交易风险预警方法、装置、设备及存储介质
CN111722797A (zh) * 2020-05-18 2020-09-29 西安交通大学 面向ssd与ha-smr混合存储系统数据管理方法、存储介质及设备

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Jingxiao Shu，等."Bridge Temperature Prediction Model Based on Long-Short Term Memory Neural Network".《Journal of Physics: Conference Series》.2021,1-8. *
王超 ; 李大中 ; .基于LSTM网络的风机齿轮箱轴承故障预警.电力科学与工程.2020,(09),40-45. *

Also Published As

Publication number Publication date
CN112446173A (zh) 2021-03-05

Similar Documents

Publication Publication Date Title
Zhao et al. A recurrent neural network approach for remaining useful life prediction utilizing a novel trend features construction method
Taleb-Berrouane et al. Bayesian Stochastic Petri Nets (BSPN)-A new modelling tool for dynamic safety and reliability analysis
Hu et al. Time series prediction method based on variant LSTM recurrent neural network
CN112446173B (zh) 基于长短期记忆网络的桥梁温度预测方法、介质及设备
DeStefano et al. Method for estimating transition probability in bridge deterioration models
Jichang et al. Water quality prediction model based on GRU hybrid network
CN116147917A (zh) 一种预测轴承剩余使用寿命标签的构建方法、装置和设备
CN109598052B (zh) 基于相关系数分析的智能电表寿命周期预测方法及装置
CN113705915A (zh) 一种基于cnn-lstm-arima组合短期电力负荷预测方法
Zhou et al. Condition-based maintenance of dynamic systems using online failure prognosis and belief rule base
CN107844658A (zh) 相关向量机与自回归滑动平均融合的舵机状态预测方法
CN114154753A (zh) 一种负荷预测方法及系统
CN113537614A (zh) 电网工程造价预测模型的构建方法、系统、设备及介质
Liu et al. Interval early warning method for state of engineering structures based on structural health monitoring data
Stefanyshyn A Method of Forecasting of Indexes of Dynamic System that evolves slowly, based on Time Series Analysis
Hu et al. Online updating with a probability-based prediction model using expectation maximization algorithm for reliability forecasting
Li et al. Predicting remaining useful life of industrial equipment based on multivariable monitoring data analysis
CN114510469A (zh) 电力系统不良数据辨识方法、装置、设备及介质
Lees et al. A hybrid case-based neural network approach to scientific and engineering data analysis
Li et al. Sensor Fault Diagnosis Method of Bridge Monitoring System Based on FS-LSTM
Porfyri et al. Calibration and validation of a macroscopic multi-lane traffic flow model using a differential evolution algorithm
Wu et al. Development of a novel variable selection algorithm for LSTM with LASSO
Dali et al. Demand forecast of equipment spare parts based on EEMD-LSTM
Guo et al. Data‐driven modeling and prediction on hysteresis behavior of flexure RC columns using deep learning networks
Souza et al. An online variable selection method using recursive least squares

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