CN112529158A - 位置预测方法、装置、计算机设备及存储介质 - Google Patents
位置预测方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN112529158A CN112529158A CN202011442185.3A CN202011442185A CN112529158A CN 112529158 A CN112529158 A CN 112529158A CN 202011442185 A CN202011442185 A CN 202011442185A CN 112529158 A CN112529158 A CN 112529158A
- Authority
- CN
- China
- Prior art keywords
- prediction
- model
- equipment
- data
- position prediction
- 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
- 238000000034 method Methods 0.000 title claims abstract description 60
- 238000012549 training Methods 0.000 claims abstract description 100
- 238000004458 analytical method Methods 0.000 claims abstract description 61
- 230000000694 effects Effects 0.000 claims abstract description 60
- 238000013136 deep learning model Methods 0.000 claims abstract description 49
- 238000012856 packing Methods 0.000 claims abstract description 17
- 238000012360 testing method Methods 0.000 claims description 36
- 230000006870 function Effects 0.000 claims description 25
- 238000004590 computer program Methods 0.000 claims description 23
- 238000012795 verification Methods 0.000 claims description 18
- 230000004913 activation Effects 0.000 claims description 16
- 238000012216 screening Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 5
- 238000013135 deep learning Methods 0.000 abstract description 6
- 238000012544 monitoring process Methods 0.000 abstract description 5
- 230000000875 corresponding effect Effects 0.000 description 36
- 238000004364 calculation method Methods 0.000 description 13
- 238000010586 diagram Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 10
- 230000002159 abnormal effect Effects 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 230000002829 reductive effect Effects 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 241001522296 Erithacus rubecula Species 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002354 daily effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
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
- G06N3/045—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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L69/00—Network arrangements, protocols or services independent of the application payload and not provided for in the other groups of this subclass
- H04L69/22—Parsing or analysis of headers
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Security & Cryptography (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及位置预测方法、装置、计算机设备及存储介质,该方法包括获取带有设备信息的数据包,以得到初始数据包;对初始数据包进行解析,以得到解析结果;根据解析结果判断初始数据包是否是控制信号;若初始数据包不是控制信号,则将解析结果输入至位置预测模型内进行位置预测,以得到预测结果;根据预测结果对符合要求的位置数据打包,以得到目标数据;反馈目标数据至终端,以使得终端进行设备特技处理;其中,位置预测模型是通过设备的若干个历史运行参数信息作为样本集训练深度学习模型所得的。本发明实现对无轨载人游乐设备的实时监控,且基于深度学习的位置预测与特技触发的结合将误差控制在极小且允许的误差范围内,提高游客体验感。
Description
技术领域
本发明涉及设备位置测算方法,更具体地说是指位置预测方法、装置、计算机设备及存储介质。
背景技术
PLC、传感器等数据采集技术在大型游乐设备的部署越来越广泛,每天都会产生海量的实时状态数据,以实现对大型游乐设备的运行状况的监控;但通过各种信息采集设备获取的海量数据并没有得到充分有效分析利用,一方面是对设备运行状态不能得到及时全面了解,例如故障报警频繁出现的位置;另一方面是没能挖掘对设备有价值的信息,从而解决工程技术难题,降低设备成本,例如,大型无轨载人游乐设备通过无线网读取设备位置信息,并基于传统的触发方式,做出相应动作,断网情况下总控容易失去对设备当前位置的掌控,极端情况下,会对游客安全造成不利的影响,另外基于红外线触发特技的误差较大,导致游客游玩体验较差。
因此,有必要设计一种新的方法,实现对无轨载人游乐设备的实时监控,且提高游客的体验感。
发明内容
本发明的目的在于克服现有技术的缺陷,提供位置预测方法、装置、计算机设备及存储介质。
为实现上述目的,本发明采用以下技术方案:位置预测方法,包括:
获取带有设备信息的数据包,以得到初始数据包;
对所述初始数据包进行解析,以得到解析结果;
根据所述解析结果判断所述初始数据包是否是控制信号;
若所述初始数据包不是控制信号,则将所述解析结果输入至位置预测模型内进行位置预测,以得到预测结果;
根据所述预测结果对符合要求的位置数据打包,以得到目标数据;
反馈所述目标数据至终端,以使得终端进行设备特技处理;
其中,所述位置预测模型是通过设备的若干个历史运行参数信息作为样本集训练深度学习模型所得的。
其进一步技术方案为:所述位置预测模型是通过设备的若干个历史运行参数信息作为样本集训练深度学习模型所得的,包括:
获取设备的历史运行参数,并进行筛选,以得到样本集;
对样本集进行划分训练集、验证集以及测试集;
构建深度学习模型;
将训练集输入至深度学习模型内进行训练,以得到初始模型;
采用验证集对初始模型进行验证;
当初始模型验证成功时,采用测试集对初始模型进行测试;
当初始模型测试成功,则所述初始模型为位置预测模型。
其进一步技术方案为:所述将训练集输入至深度学习模型内进行训练,以得到初始模型,包括:
将所述训练集输入至深度学习模型内;
计算所述深度学习模型的重置门和更新门;
计算候选隐藏状态;
使用当前时间步的更新门对上一时间步的隐藏状态和当前时间步的候选隐藏状态做组合,以得到当前时间步的隐藏状态;
计算全连接层的输出,并由激活函数对全连接输出层进行计算,以得到训练结果;
根据所述训练结果以及所述训练集确定初始模型。
其进一步技术方案为:所述计算候选隐藏状态,包括:
利用当前时间步的重置门输出值与上一时间步的隐藏状态相乘,以得到乘积;
将所述乘积与所述训练集中当前时间步的输入值进行连结,并通过含激活函数的全连接层计算候选隐藏状态。
其进一步技术方案为:所述将所述解析结果输入至位置预测模型内进行位置预测,以得到预测结果,包括:
将所述解析结果以滑动窗口的形式输入至位置预测模型内进行位置预测,以得到预测结果,并将预测结果按照设备编号存放到队列。
其进一步技术方案为:所述将所述解析结果输入至位置预测模型内进行位置预测,以得到预测结果之前,还包括:
判断设备当前的运行状态是否处于停止状态;
若设备当前的运行状态处于停止状态,则获取输入时间步的指定步数对应的位置数据作为预测结果,并执行根据所述预测结果对符合要求的位置数据打包,以得到目标数据;
若设备当前的运行状态不处于停止状态,则统计输入时间步的前后位置的欧氏距离集合;
根据所述欧氏距离集合判断所述设备是否处于断网状态;
若所述设备不处于断网状态,则执行所述将所述解析结果输入至位置预测模型内进行位置预测,以得到预测结果;
若所述设备处于断网状态,则使用预测数据替换断网状态的数据,以得到解析结果,并执行所述将所述解析结果输入至位置预测模型内进行位置预测,以得到预测结果。
其进一步技术方案为:所述反馈所述目标数据至终端,以使得终端进行设备特技处理,包括:
反馈所述目标数据至终端,以使得终端将目标数据与特技触发位置进行对比,当目标数据与特技触发位置的误差符合要求,则终端触发相应的特技编号对应的特技内容;当目标数据与特技触发位置的误差不符合要求,则终端不触发相应的特技编号对应的特技内容。
本发明还提供了位置预测装置,包括:
数据包获取单元,用于获取带有设备信息的数据包,以得到初始数据包;
解析单元,用于对所述初始数据包进行解析,以得到解析结果;
信号判断单元,用于根据所述解析结果判断所述初始数据包是否是控制信号;
预测单元,用于若所述初始数据包不是控制信号,则将所述解析结果输入至位置预测模型内进行位置预测,以得到预测结果;
打包单元,用于根据所述预测结果对符合要求的位置数据打包,以得到目标数据;
反馈单元,用于反馈所述目标数据至终端,以使得终端进行设备特技处理。
本发明还提供了一种计算机设备,所述计算机设备包括存储器及处理器,所述存储器上存储有计算机程序,所述处理器执行所述计算机程序时实现上述的方法。
本发明还提供了一种存储介质,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时可实现上述的方法。
本发明与现有技术相比的有益效果是:本发明通过历史运行参数训练位置预测模型,该位置预测模型是一个学习时间序列中的时间特征的深度学习模型,利用该位置预测模型预测下一时刻的设备的位置数据,并打包发送至终端,由终端进行判断以触发特技内容,实现对无轨载人游乐设备的实时监控,且基于深度学习的位置预测与特技触发的结合将误差控制在极小且允许的误差范围内,提高游客体验感。
下面结合附图和具体实施例对本发明作进一步描述。
附图说明
为了更清楚地说明本发明实施例技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,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,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的位置预测方法的应用场景示意图;
图2为本发明实施例提供的位置预测方法的流程示意图;
图3为本发明实施例提供的位置预测模型的训练过程示意图;
图4为本发明实施例提供的场次二维轨迹图;
图5为本发明实施例提供的训练集的X坐标轨迹图;
图6为本发明实施例提供的训练集的Y坐标轨迹图;
图7为本发明另一实施例提供的位置预测方法的流程示意图;
图8为本发明实施例提供的位置预测装置的示意性框图;
图9为本发明另一实施例提供的位置预测装置的示意性框图;
图10为本发明实施例提供的计算机设备的示意性框图。
具体实施方式
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。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。
应当理解,当在本说明书和所附权利要求书中使用时,术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解,在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
请参阅图1和图2,图1为本发明实施例提供的位置预测方法的应用场景示意图。图2为本发明实施例提供的位置预测方法的示意性流程图。该位置预测方法应用于服务器中,该服务器与终端和设备进行数据交互,其中,设备是指无轨载人游乐设备等可控设备,服务器预测位置后将数据发送至终端,由终端进行比较以触发对应的特技内容。
图2是本发明实施例提供的位置预测方法的流程示意图。如图2所示,该方法包括以下步骤S110至S170。
S110、获取带有设备信息的数据包,以得到初始数据包。
在本实施例中,初始数据包是指带有无轨载人游乐设备位置(X,Y)、无轨载人游乐设备编号,发送时间、无轨载人游乐设备运行状态信号等设备信息且格式为json的数据包。
具体地,服务器与终端通过TCP(传输控制协议,Transmission ControlProtocol)协议进行通信连接,终端即总控以100ms的频率定时向服务器发送json格式的数据包。
TCP协议,具体来说,终端是负责发送控制信号和位置数据信号的一端,控制信号不定时发送,数据信号以100ms的频率定时发送。当无轨载人游乐设备到达上站台并准备发车,就会发送控制信号,包括四个字段,数据类型即控制信号或数据信号、时间,无轨载人游乐设备编号,设备状态即上站台发车/下站台停车;接收到控制信号后,终端开始定时发送数据信号,包括五个字段,无轨载人游乐设备位置(X,Y)、无轨载人游乐设备编号,发送时间、无轨载人游乐设备运行状态信号。
其中,无轨载人游乐设备运行状态信号字段,用于记录无轨载人游乐设备停车和运行两种状态,停车用‘0’表示,运行用‘1’表示。
S120、对所述初始数据包进行解析,以得到解析结果。
在本实施例中,解析结果是指对初始数据包进行解包处理后得到设备信息。
S130、根据所述解析结果判断所述初始数据包是否是控制信号;
S140、若所述初始数据包是控制信号,则开启相应线程,以准备预测。
如果初始数据包是控制信号,代表无轨载人游乐设备x(x=1,2,3…)已发车,则开启相应线程,准备预测。
S150、若所述初始数据包不是控制信号,则将所述解析结果输入至位置预测模型内进行位置预测,以得到预测结果。
如果初始数据包不是控制信号,则初始数据包是数据信号,则将数据按照设备编号分别存放到不同的队列;将接收到的初始数据包内的位置数据分别存放到不同的队列,是因为在同一时刻,在轨道运行的无轨载人游乐设备可能不止一台,因此需要为每一台设备分配一个队列,用于存储接收过来的原始数据,避免后续的预测过程产生混乱。
在一实施例中,上述的步骤S150包括:
将所述解析结果以滑动窗口的形式输入至位置预测模型内进行位置预测,以得到预测结果,并将预测结果按照设备编号存放到队列。
具体地,将预测结果按照设备编号存放到队列z(z=1,2,3…);将解析结果重塑为三维形式后的数据,GRU(门控循环网络,Gated Recurrent Unit)模型要求数据以指定三维形式输入模型,比如(输入时间步,批样本数,特征数)的形式,在本实施例中,输入时间步为10,即滑动窗口大小为10,每次滑动4个单位;因为是二维坐标(X,Y),所以特征数为2。
在本实施例中,采用10步预测8步的输入输出形式,数据采集频率是100ms/帧,即输入前10步位置数据,获得后8步即800ms的预测数据。
在本实施例中,所述位置预测模型是通过设备的若干个历史运行参数信息作为样本集训练深度学习模型所得的。
对于位置预测模型而言,是一个建立基于时间序列的位置预测模型,例如差分自回归移动平均模型,又称为ARIMA模型,隐马尔科夫模型等统计方法在深度学习流行之前得到广泛应用,但是这些统计方法的使用均建立在一些假设与限制之上,无疑会增大预测误差,而深度学习最大的优势在于特征的自动提取即通过大数据学习特征,通过逐层的特征变换,将样本在原空间的特征表示变换到一个新特征空间,从而使分类或预测更加容易,更加准确,在深度学习模型中,循环神经网络因在在时间序列数据中强大的建模能力,也得到广泛应用。
具体地,本实例使用GRU模型用于学习位置序列中的时间特征。与传统RNN(循环网络,Recurrent Neural Network)相比,GRU网络增加了重置门和更新门。重置门用于丢弃与预测无关的历史信息,有助于捕捉序列中的短期依赖关系。更新门可以控制隐藏状态应该如何被包含当前时间步信息的候选隐藏状态所更新,有助于捕捉序列中的长期依赖关系。另外与LSTM相比,GRU结构相对简单,计算效率更快,在达到预测精准度需求的情况下,更能满足实时预测阶段本发明对较高预测频率的要求。
训练过程中,将训练集输入至模型内,训练集输入到GRU模型,经过重置门和更新门更新隐藏状态,最后由激活函数对全连接输出层计算获得未来8步的预测,即{(Xt+1,Yt+1),(Xt+2,Yt+2),(Xt+3,Yt+3),(Xt+4,Yt+4),(Xt+5,Yt+5),(Xt+6,Yt+6),(Xt+7,Yt+7),(Xt+8,Yt+8)}。
在一实施例中,上述的位置预测模型是通过设备的若干个历史运行参数信息作为样本集训练深度学习模型所得的,包括S151~S157。
S151、获取设备的历史运行参数,并进行筛选,以得到样本集。
在本实施例中,样本集是指用于训练和测试模型所用的数据。
具体地,从无轨载人游乐设备的PLC采集x台(x=1,2,3,...)无轨载人游乐设备历史运行参数;无轨载人游乐设备是从上站台发车,按照固定的轨迹路线运行到下站台,此过程的相关信息作为一场历史数据。历史运行参数是指分别从PLC采集的所有无轨载人游乐设备历史运行参数信息,包括四个字段:采集时间、坐标X(m)、坐标Y(m)、运行状态,其中,运行状态是一个二分类指标,0代表无轨载人游乐设备停在轨道中,1代表无轨载人游乐设备正在运行;其中,坐标(X,Y)共同确定无轨载人游乐设备在某一时刻在轨迹中的实际位置。每一场的位置数据按时间序列排列如下:
Pos={(X1,Y1),(X2,Y2)...(Xi,Yi)...(Xn,Yn)},1≤i≤n;
数据采集频率为100ms,即相邻两个轨迹点,例如(Xi,Yi)和(Xi+1,Yi+1)之间的时间差均为100ms。
获取到历史运行参数后,以场次为基本分析单元,选取近n场数据,并剔除异常场次,由此构成样本集;在本实施例中,近n场数据是采集的每台无轨载人游乐设备当天之前的40场数据,且是剔除存在大量非正常停车场次数据,当然,于其他实施例中,近n场数据还可以包括其他数值的场数,依据实际情况而定。
S152、对样本集进行划分训练集、验证集以及测试集;
在本实施例中,将样本集划分训练集、测试集和验证集,并将数据重塑为模型可以接受的输入形式。其中,训练集是用于训练深度学习模型,验证集适用于验证训练得到的深度学习模型;测试集是用于测试验证后的深度学习模型。
选取近40场数据作为训练数据是因为40场数据训练出的模型准确率已经达到精准度要求,所以不需要进一步用更多的数据去训练模型。在剔除非正常停车场次后,将训练数据按照2∶1∶1的比例划分为训练集、验证集和测试集。训练集样本数为14万。
S153、构建深度学习模型。
在本实施例中,深度学习模型为但不局限于GRU模型。
S154、将训练集输入至深度学习模型内进行训练,以得到初始模型。
在本实施例中,初始模型是指由训练集训练所得的深度学习模型。
在一实施例中,上述的步骤S154可包括步骤S1541~S1546。
S1541、将所述训练集输入至深度学习模型内。
在本实施例中,将训练集{(Xt-n,Yt-n),(Xt-n-2,Yt-n-2),(Xt-n-3,Yt-n-3),(Xt-n-4,Yt-n-4),(Xt-n-5,Yt-n-5)...(Xt,Yt)}输入至深度学习模型内。
隐藏变量存储着截至当前时间步的序列的历史信息,代表神经网络当前时间步的状态或记忆。因此,该隐藏变量也称为隐藏状态。时间步t的隐藏变量的计算由当前时间步的输入和上一时间步的隐藏变量共同决定。
GRU模型引入了重置门和更新门的概念,从而修改了循环神经网络中隐藏状态的计算方式。
S1542、计算所述深度学习模型的重置门和更新门。
在本实施例中,假设隐藏单元个数为h,给定时间步t的小批量输入Xt∈Rn×d,其中,样本数为n,输入个数为d;和上一时间步隐藏状态Ht-1∈Rn×h;n×d、n×h为矩阵。
重置门Rt∈Rn×h和更新门Zt∈Rn×h计算如下:
Rt=σ(XtWxr+Ht-1Whr+br);Zt=σ(XtWxz+Ht-1Whz+bz);其中,Wxr,Wxz∈Rd×h和Whr,Whz∈Rh ×h是权重参数,br,bz∈R1×h是偏差参数σ为sigmoid函数,常被用作神经网络的激活函数,将变量映射到0,1之间。
S1543、计算候选隐藏状态。
在本实施例中,候选隐藏状态通过更新门初步丢弃与预测无关的历史信息。
在一实施例中,上述的步骤S1543可包括步骤S15431~S15432。
S15431、利用当前时间步的重置门输出值与上一时间步的隐藏状态相乘,以得到乘积;
S15432、将所述乘积与所述训练集中当前时间步的输入值进行连结,并通过含激活函数的全连接层计算候选隐藏状态。
具体地,将当前时间步重置门Rt的输出与上一时间步隐藏状态Ht-1做按元素乘法。如果重置门Rt中元素值接近0,那么意味着重置门Rt对应隐藏状态元素为0,即丢弃上一时间步的隐藏状态。如果重置门Rt中元素值接近1,那么表示保留上一时间步的隐藏状态。将按元素乘法的结果与当前时间步的输入Xt连结,再通过含激活函数tanh的全连接层计算出候选隐藏状态。
S1544、使用当前时间步的更新门对上一时间步的隐藏状态和当前时间步的候选隐藏状态做组合,以得到当前时间步的隐藏状态。
由此可以看出,更新门控制包含当前时间步的候选隐藏状态如何更新当前隐藏状态。
S1545、计算全连接层的输出,并由激活函数对全连接输出层进行计算,以得到训练结果。
在本实施例中,全连接层的输出O为:OtW0+b0;其中,W0∈Rh×q为输出层的权重参数,b0∈R1×q为输出层的偏差参数。
利用Relu函数,对全连接层的输出做非线性变换,输出时刻t的预测值Pt。Pt=Relu(O),其中,Relu函数也是神经网络中常用的激活函数,将变量映射到0,1之间。
S1546、根据所述训练结果以及所述训练集确定初始模型。
当训练结果与训练集的实际结果的误差满足预设条件时,则表明训练结果是符合要求的,此时产生该训练结果的深度学习模型则可做为该设备的位置预测的初始模型。
S155、采用验证集对初始模型进行验证;
S156、当初始模型验证成功时,采用测试集对初始模型进行测试;
S157、当初始模型测试成功,则所述初始模型为位置预测模型。
当初始模型验证不成功时,则执行步骤S153,当初始模型测试不成功时,也执行步骤S153,重复训练直至产生位置预测模型。
具体地,确定位置预测模型是以RMSE(均方根误差,Root Mean Squared Error)和命中率作为模型评估标准筛选出的,RMSE反映整体拟合结果的误差水平,命中率反映当允许小范围偏差时的预测的准确率。
基于深度学习的GRU模型是一种利用大数据自动进行特征提取转换的方法,并将特征学习融入到建立模型过程中,减少人为设计特征造成的不完备性,并因其强大的学习能力,大大提高模型预测准确率。
S160、根据所述预测结果对符合要求的位置数据打包,以得到目标数据。
在本实施例中,目标数据是指多台无轨载人游乐设备所预测得到的在下一时刻的位置数据,将其打包成json格式的数据。
S170、反馈所述目标数据至终端,以使得终端进行设备特技处理
在本实施例中,将目标数据以100ms的频率定时发送给终端;终端将接收到的位置信息与实际特技触发位置对比判断是否触发相应特技及对应的特技编号。
具体地,反馈所述目标数据至终端,以使得终端将目标数据与特技触发位置进行对比,当目标数据与特技触发位置的误差符合要求,则终端触发相应的特技编号对应的特技内容;当目标数据与特技触发位置的误差不符合要求,则终端不触发相应的特技编号对应的特技内容。
服务器定时将下一时刻的位置数据发送给终端,至此服务器完成一次数据接收-数据分析-数据发送的完整周期。接下来,终端根据接收到的位置信息,关联无轨载人游乐设备编号,并和特技触发位置进行对比,如果预测位置和特技位置i误差在10cm内,i=1,2…n,i代表特技编号,且同一时间对于同一个无轨载人游乐设备最多只有一个特技触发,则认为无轨载人游乐设备到达特定位置i,则触发相应特技编号i,实现特技i播放。至此终端完成数据发送-预测数据接收-特技触发的完整周期。如果预测位置和所有特技位置误差均超出10cm,则认为无轨载人游乐设备未到达任何特技位置,不予处理。
在一实施例中,上述的步骤S170之后,还包括:
将目标结果和初始数据包分别存储到数据库。
举个例子:以无轨载人游乐设备为例进行位置预测系统的应用。无轨载人游乐设备在标准曲线下,按场次周期性重复运行,因此每一场的运行轨迹在误差允许范围内是相似或相近的。因此,在预测时只选择了历史位置数据作为输入,并没有考虑载人数,温度等因素。一方面是因为,我们的轨道是固定的,设备每一场的运行轨迹相似,因此历史时间步足以成为最主要的影响因素;另一方面,模型训练结果也显示,基于历史时间步训练出的模型已经达到精准度要求。每天的运行场次,剔除非正常停车以及出现故障的场次,在200场左右也足够进行模型训练,为定时更新模型提供了条件。
首先对位置预测模型进行训练,首先,从plc获取设备位置数据,包括采集时间、位置X(mm)、位置Y(mm)、设备中心点位置(mm),在本实施例中,采集频率为100ms,如表1所示:
表1.采集的未处理的原始数据
采集时间 | 位置X | 位置Y | 设备中心点位置 |
00:03:47.900 | 28919.43945 | 35487.40234 | 78854.20313 |
00:03:48.000 | 28919.44531 | 35487.62109 | 78854.20313 |
00:03:48.100 | 28919.44922 | 35487.62109 | 78854.20313 |
00:03:48.200 | 28919.44531 | 35487.40234 | 78852.89844 |
00:03:48.300 | 28919.44531 | 35487.62109 | 78853 |
00:03:48.400 | 28919.44531 | 35487.62109 | 78853 |
00:03:48.500 | 28919.44531 | 35487.62109 | 78853 |
00:03:48.600 | 28919.44531 | 35487.62109 | 78853 |
00:03:48.700 | 28919.45117 | 35487.40234 | 78854.20313 |
00:03:48.800 | 28919.44531 | 35487.62109 | 78854.20313 |
00:03:48.900 | 28919.44531 | 35487.62109 | 78853 |
00:03:49.000 | 28919.44531 | 35487.62109 | 78855.60156 |
00:03:49.100 | 28919.44531 | 35486.74609 | 78854.20313 |
其次,表1所采集的是无轨载人游乐设备当天所有的运行数据,模型训练是以场次为单元的,因此需要先进行场次划分。坐标点A(46982.755,33692.7379)代表一场的开始,坐标点B(49642.5218,12874.2782)代表一场的结束,用这两个坐标点A、B将原始数据划分成多场数据。划分后的每一场运行轨迹如图4所示,进行场次筛选,剔除非正常停车等现象的场次,选择40场正常场次作为训练数据,其中位置X和位置Y的趋势图如图5和图6所示,最后将数据进行标准化并重塑成3维形式,输入到模型,进行预测,并根据RMSE和命中率选择最佳模型。
在本实施例中,位置预测模型的结构为2层GRU模型,模型参数设置如下:批尺寸大小为128,神经元个数为128,损失函数选择均方误差,优化算法选择Adam算法,学习率为0.001。损失函数又称为目标优化函数,在模型训练过程中最小化损失函数是训练的目标。本发明作为回归预测问题,选择均方误差作为损失函数,代表真实值和拟合结果之间的误差水平,可以使用优化算法最小化损失函数,Adam优化算法结合了AdaGrad和RMSProp两种算法优点,因高效的计算和较快的收敛速度是目前较流行的优化算法。
本实施例中的位置预测模型所搭建的轻量级模型结构,一方面是经过不同模型结构的测试后发现2层GRU模型已经获得较好的预测准确率,另一方面考虑到在实时预测阶段,需要在100ms内同时完成多台设备的预测任务,而较小的模型结构减轻了实时预测系统的压力,保证系统稳定性。
如表2所示,以设备4即DeviceNo为例,Repeate代表循环训练模型次数,这里是8。Roundid代表测试集数,这里以10场数据作为测试集,用于验证模型准确率。RMSE代表预测数据相对于真实数据的离散程度,越小越好,例如表2第一行的RMSE=18.056是指第一场测试集的预测值与实际值的平均误差在18mm左右。Rate_500,Rate_200,Rate_100,Rate_50分别代表500mm/200mm/100mm/50mm内的命中率,即给定可容忍的预测误差500mm/200mm/100mm/50mm,实际位置与预测位置的距离s小于500mm/200mm/100mm/50mm,则视为预测准确,即命中,否则视为预测不准确。命中率即为命中次数与总预测次数的比值,越大代表预测准确率越高,表示为:
表2.模型评估表
因此,根据表2选择Repeate=6时的模型,此时的Rmse平均为12.834,Rate_50平均达到99.5%。对于其他无轨载人游乐设备的模型训练过程与上述步骤相同。
在进行位置实时预测的过程中,服务器与终端通过TCP协议进行通信连接,终端(会不定时发送控制信号,并以100ms的频率定时向服务器发送json数据包,包括数据类型Cmdtype(Data/Control),无轨载人游乐设备位置Pos_X、Pos_Y、无轨载人游乐设备编号Carno,发送时间Time、无轨载人游乐设备运行状态信号Net(0/1)。Json包形式分别如下:
{"Cmdtype":"Control","Time":"11:32:09:282","Control":[
{"Carno":"1","Cmd":"1"}]}
{“Cmdtype”:”Data”,“Time”:“14:14:25.150”,“Data”:[
{“Carno”:“1”,“Net”:“1”,“Pos_X”:“35099.691”,“Pos_Y”:“53807.957”},
{“Carno”:“3”,“Net”:“1”,“Pos_X”:“29954.195”,“Pos_Y”:“53820.707”},
{“Carno”:“4”,“Net”:“0”,“Pos_X”:“29954.195”,“Pos_Y”:“29954.195”}]
}。
首先,服务器通过接收线程接收终端发送过来的json数据包,并进行解包,如果是控制信号,则发送反馈信息表示收到控制信号,以建立连接。如果是数据信号,则将位置数据按照设备编号分别存放到不同的队列Qi,i=1,2,3……,i代表在轨道运行的无轨载人游乐设备编号;其次,不断地分别从队列Qi中以滑动窗口即每次滑动4个单位的形式取出最新的10步位置数据O10×2,输入模型mi,,并预测出未来8步的位置数据P8×2,另外如果轨道上同时有多台无轨载人游乐设备在线,本实施例是在多线程中分别实现各无轨载人游乐设备的位置预测。
将预测出的位置数据打包成json格式,通过发送线程,并以100ms的频率定时发送给终端。Json包形式如下:
{“Cmdtype”:”Data”,
“Time”:“14:14:25.150”,
“Data”:[{“Carno”:“1”,“Pos_X”:“35099.691”,“Pos_Y”:“53807.957”},
{“Carno”:“3”,“Pos_X”:“29954.195”,“Pos_Y”:“53820.707”},
{“Carno”:“4”,“Pos_X”:“29954.195”,“Pos_Y”:“29954.195”}]}
最后,终端根据接收到的位置信息与实际特技位置进行比较,如果预测位置和特技位置i误差在10cm内,i=1,2…n代表特技编号,且同一时间对于同一个无轨载人游乐设备最多只有一个特技触发,则认为无轨载人游乐设备到达特定位置i,则触发相应特技编号i,实现特技i播放。如果预测位置和所有特技位置误差均超出10cm,则认为无轨载人游乐设备未到达任何特技位置,输入数据不予处理。所有无轨载人设备的特技触发逻辑均与上述相同。服务器在发送完数据后通过存储线程将预测数据和接收的原始数据分别存储到数据库。
另外说明一点的是,实时预测阶段的数据接收、多模型预测,数据发送,数据存储均在异步框架和多线程技术下下完成,异步编程大大提高了实时预测系统的性能。
位置预测模型可移植到不同类型的无轨载人游乐设备项目上。采用上述系统,能够实现对无轨载人游乐设备的高精度位置预测与实时跟踪,解决了现场技术人员在断网情况下,不能及时掌握无轨载人游乐设备实际位置的困扰。而位置预测与项目特技触发的结合,大大提高了特技触发的精准度,很好的替代了传统特技触发方式粗糙且误差较大的问题。同一无轨载人游乐设备,在相同的运行环境,无明显的机械故障情况下,相近场次的位置轨迹相似或者近乎一致。因此利用大量历史场次数据去学习同一游乐设备运行轨迹中蕴含的固有模式,并用于轨迹预测,将获得较高的预测准确率。
上述的位置预测方法,通过历史运行参数训练位置预测模型,该位置预测模型是一个学习时间序列中的时间特征的深度学习模型,利用该位置预测模型预测下一时刻的设备的位置数据,并打包发送至终端,由终端进行判断以触发特技内容,实现对无轨载人游乐设备的实时监控,且基于深度学习的位置预测与特技触发的结合将误差控制在极小且允许的误差范围内,提高游客体验感。
图7是本发明另一实施例提供的一种位置预测方法的流程示意图。如图7所示,本实施例的位置预测方法包括步骤S210-S320。其中步骤S210-S240与上述实施例中的步骤S110-S140类似,步骤S300-S320与上述实施例中的步骤S150-S170类似,在此不再赘述。下面详细说明本实施例中所增加的步骤S250-S290。
S250、判断设备当前的运行状态是否处于停止状态。
设备在运行过程中存在频繁断网情况,这是设备固有的问题,也是位置预测需要解决的问题,即断网情况下预测设备当前位置,而断网时,不能立即收到设备断网信号,且接收到的数据相同,与停车情况接收到的数据表现形式相同,导致设备断网和停车两种状态混淆。因此在知道无轨载人游乐设备运行状态情况下,便可以判断无轨载人游乐设备当前是否断网。如果无轨载人设备运行中出现非正常停车或断网情况都会影响模型预测的准确率,因此需要提供“状况外”的预测方法,提高模型整体预测准确率。
具体地,在每次将数据例如{(X1,Y1),(X2,Y2),(X3,Y3),(X4,Y4),(X5,Y5),(X6,Y6),(X7,Y7),(X8,Y8),(X9,Y9),(X10,Y10)}输入模型之前,先判断设备在需要预测位置时的运行状态,根据输入时间步中运行状态字段是否为0,统计输入数据的运行状态字段中出现停车的次数j。如果j≥4,则设备处于停止运行状态,如果j<4,则设备当前的运行状态不处于停止状态。
S260、若设备当前的运行状态处于停止状态,则获取输入时间步的指定步数对应的位置数据作为预测结果,并执行所述步骤S310。
若设备当前的运行状态处于停止状态,则未来8步的预测位置用输入时间步的第10步位置代替,即输出的预测结果为{(X10,Y10),(X10,Y10),(X10,Y10),(X10,Y10),(X10,Y10),(X10,Y10),(X10,Y10),(X10,Y10)}。
S270、若设备当前的运行状态不处于停止状态,则统计输入时间步的前后位置的欧氏距离集合。
S280、根据所述欧氏距离集合判断所述设备是否处于断网状态。
进一步,根据输入时间步的一阶差分欧氏距离是否小于10cm统计断网次数,即统计欧氏距离集合D中小于10cm的元素Di所组成的集合E:{Di},1≤i≤9如果E中元素下标不连续或元素下标连续且集合E<4,则认为无轨载人游乐设备不存在断网,继续用GRU模型进行预测;(v)如果E中元素下标连续且集合E>=4,则认为无轨载人游乐设备断网。
若所述设备不处于断网状态,则执行步骤S300;
S290、若所述设备处于断网状态,则使用预测数据替换断网状态的数据,以得到解析结果,并执行步骤S300。
假设断网时刻的数据为{(X3,Y3),(X4,Y4),(X5,Y5),(X6,Y6),(X7,Y7)},由于断网情况下,数据不更新,亦表现为位置不变,即满足X3=X4=X5=X6=X7,Y3=Y4=Y5=Y6=Y7,而这种异常数据会严重影响GRU模型预测的准确率,因此,考虑用预测数据去替换断网时刻的数据,则输入模型的数据为 最后输入GRU模型进行预测。
建立了一个基于运行状态预测和GRU的混合预测模型,用于解决静止状态这一现象对预测准确率的影响。针对无轨载人游乐设备提供了一套轻量级的基于异步框架和多线程技术的实时位置预测交互系统,一方面大大降低了系统部署成本,另一方面实现了多设备位置预测,还为无轨载人设备提供了一种新的基于预测的特技触发方法,在一定程度上亦降低了项目运行成本。
图8是本发明实施例提供的一种位置预测装置300的示意性框图。如图8所示,对应于以上位置预测方法,本发明还提供一种位置预测装置300。该位置预测装置300包括用于执行上述位置预测方法的单元,该装置可以被配置于服务器中。具体地,请参阅图8,该位置预测装置300包括数据包获取单元301、解析单元302、信号判断单元303、预测单元309、打包单元310以及反馈单元311。
数据包获取单元301,用于获取带有设备信息的数据包,以得到初始数据包;
解析单元302,用于对所述初始数据包进行解析,以得到解析结果;
信号判断单元303,用于根据所述解析结果判断所述初始数据包是否是控制信号;
预测单元309,用于若所述初始数据包不是控制信号,则将所述解析结果输入至位置预测模型内进行位置预测,以得到预测结果;
打包单元310,用于根据所述预测结果对符合要求的位置数据打包,以得到目标数据;
反馈单元311,用于反馈所述目标数据至终端,以使得终端进行设备特技处理。
在一实施例中,上述的位置预测装置300还包括模型构建单元,模型构建单元用于通过设备的若干个历史运行参数信息作为样本集训练深度学习模型,以得到位置预测模型。
在一实施例中,所述模型构建单元包括样本集获取子单元、划分子单元、模型建立子单元、训练子单元、验证子单元、测试子单元以及模型获取子单元。
样本集获取子单元,用于获取设备的历史运行参数,并进行筛选,以得到样本集;划分子单元,用于对样本集进行划分训练集、验证集以及测试集;模型建立子单元,用于构建深度学习模型;训练子单元,用于将训练集输入至深度学习模型内进行训练,以得到初始模型;验证子单元,用于采用验证集对初始模型进行验证;测试子单元,用于当初始模型验证成功时,采用测试集对初始模型进行测试;模型获取子单元,用于当初始模型测试成功,则所述初始模型为位置预测模型。
在一实施例中,所述训练子单元包括输入模块、第一计算模块、第二计算模块、组合模块、第三计算模块以及确定模块。
输入模块,用于将所述训练集输入至深度学习模型内;第一计算模块,用于计算所述深度学习模型的重置门和更新门;第二计算模块,用于计算候选隐藏状态;组合模块,用于使用当前时间步的更新门对上一时间步的隐藏状态和当前时间步的候选隐藏状态做组合,以得到当前时间步的隐藏状态;第三计算模块,用于计算全连接层的输出,并由激活函数对全连接输出层进行计算,以得到训练结果;确定模块,用于根据所述训练结果以及所述训练集确定初始模型。
在一实施例中,所述第二计算模块包括相乘子模块以及连结子模块。
相乘子模块,用于利用当前时间步的重置门输出值与上一时间步的隐藏状态相乘,以得到乘积;连结子模块,用于将所述乘积与所述训练集中当前时间步的输入值进行连结,并通过含激活函数的全连接层计算候选隐藏状态。
在一实施例中,所述预测单元309,用于将所述解析结果以滑动窗口的形式输入至位置预测模型内进行位置预测,以得到预测结果,并将预测结果按照设备编号存放到队列。
在一实施例中,所述反馈单元311,用于反馈所述目标数据至终端,以使得终端将目标数据与特技触发位置进行对比,当目标数据与特技触发位置的误差符合要求,则终端触发相应的特技编号对应的特技内容;当目标数据与特技触发位置的误差不符合要求,则终端不触发相应的特技编号对应的特技内容。
图9是本发明另一实施例提供的一种位置预测装置300的示意性框图。如图9所示,本实施例的位置预测装置300是上述实施例的基础上增加了停止判断单元304、结果获取单元305、集合计算单元306、断网判断单元307以及替换单元308。
停止判断单元304,用于判断设备当前的运行状态是否处于停止状态;结果获取单元305,用于若设备当前的运行状态处于停止状态,则获取输入时间步的指定步数对应的位置数据作为预测结果,并执行根据所述预测结果对符合要求的位置数据打包,以得到目标数据;集合计算单元306,用于若设备当前的运行状态不处于停止状态,则统计输入时间步的前后位置的欧氏距离集合;断网判断单元307,用于根据所述欧氏距离集合判断所述设备是否处于断网状态;若所述设备不处于断网状态,则执行所述将所述解析结果输入至位置预测模型内进行位置预测,以得到预测结果;替换单元308,用于若所述设备处于断网状态,则使用预测数据替换断网状态的数据,以得到解析结果,并执行所述将所述解析结果输入至位置预测模型内进行位置预测,以得到预测结果。
需要说明的是,所属领域的技术人员可以清楚地了解到,上述位置预测装置300和各单元的具体实现过程,可以参考前述方法实施例中的相应描述,为了描述的方便和简洁,在此不再赘述。
上述位置预测装置300可以实现为一种计算机程序的形式,该计算机程序可以在如图10所示的计算机设备上运行。
请参阅图10,图10是本申请实施例提供的一种计算机设备的示意性框图。该计算机设备500可以是服务器,其中,服务器可以是独立的服务器,也可以是多个服务器组成的服务器集群。
参阅图10,该计算机设备500包括通过系统总线501连接的处理器502、存储器和网络接口505,其中,存储器可以包括非易失性存储介质503和内存储器504。
该非易失性存储介质503可存储操作系统5031和计算机程序5032。该计算机程序5032包括程序指令,该程序指令被执行时,可使得处理器502执行一种位置预测方法。
该处理器502用于提供计算和控制能力,以支撑整个计算机设备500的运行。
该内存储器504为非易失性存储介质503中的计算机程序5032的运行提供环境,该计算机程序5032被处理器502执行时,可使得处理器502执行一种位置预测方法。
该网络接口505用于与其它设备进行网络通信。本领域技术人员可以理解,图10中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备500的限定,具体的计算机设备500可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
其中,所述处理器502用于运行存储在存储器中的计算机程序5032,以实现如下步骤:
获取带有设备信息的数据包,以得到初始数据包;对所述初始数据包进行解析,以得到解析结果;根据所述解析结果判断所述初始数据包是否是控制信号;若所述初始数据包不是控制信号,则将所述解析结果输入至位置预测模型内进行位置预测,以得到预测结果;根据所述预测结果对符合要求的位置数据打包,以得到目标数据;反馈所述目标数据至终端,以使得终端进行设备特技处理。
其中,所述位置预测模型是通过设备的若干个历史运行参数信息作为样本集训练深度学习模型所得的。
在一实施例中,处理器502在实现所述位置预测模型是通过设备的若干个历史运行参数信息作为样本集训练深度学习模型所得的步骤时,具体实现如下步骤:
获取设备的历史运行参数,并进行筛选,以得到样本集;对样本集进行划分训练集、验证集以及测试集;构建深度学习模型;将训练集输入至深度学习模型内进行训练,以得到初始模型;采用验证集对初始模型进行验证;当初始模型验证成功时,采用测试集对初始模型进行测试;当初始模型测试成功,则所述初始模型为位置预测模型。
在一实施例中,处理器502在实现所述将训练集输入至深度学习模型内进行训练,以得到初始模型步骤时,具体实现如下步骤:
将所述训练集输入至深度学习模型内;计算所述深度学习模型的重置门和更新门;计算候选隐藏状态;使用当前时间步的更新门对上一时间步的隐藏状态和当前时间步的候选隐藏状态做组合,以得到当前时间步的隐藏状态;计算全连接层的输出,并由激活函数对全连接输出层进行计算,以得到训练结果;根据所述训练结果以及所述训练集确定初始模型。
在一实施例中,处理器502在实现所述计算候选隐藏状态步骤时,具体实现如下步骤:
利用当前时间步的重置门输出值与上一时间步的隐藏状态相乘,以得到乘积;将所述乘积与所述训练集中当前时间步的输入值进行连结,并通过含激活函数的全连接层计算候选隐藏状态。
在一实施例中,处理器502在实现所述将所述解析结果输入至位置预测模型内进行位置预测,以得到预测结果步骤时,具体实现如下步骤:
将所述解析结果以滑动窗口的形式输入至位置预测模型内进行位置预测,以得到预测结果,并将预测结果按照设备编号存放到队列。
在一实施例中,处理器502在实现所述将所述解析结果输入至位置预测模型内进行位置预测,以得到预测结果步骤之前,还实现如下步骤:
判断设备当前的运行状态是否处于停止状态;若设备当前的运行状态处于停止状态,则获取输入时间步的指定步数对应的位置数据作为预测结果,并执行根据所述预测结果对符合要求的位置数据打包,以得到目标数据;若设备当前的运行状态不处于停止状态,则统计输入时间步的前后位置的欧氏距离集合;根据所述欧氏距离集合判断所述设备是否处于断网状态;若所述设备不处于断网状态,则执行所述将所述解析结果输入至位置预测模型内进行位置预测,以得到预测结果;若所述设备处于断网状态,则使用预测数据替换断网状态的数据,以得到解析结果,并执行所述将所述解析结果输入至位置预测模型内进行位置预测,以得到预测结果。
在一实施例中,处理器502在实现所述反馈所述目标数据至终端,以使得终端进行设备特技处理步骤时,具体实现如下步骤:
反馈所述目标数据至终端,以使得终端将目标数据与特技触发位置进行对比,当目标数据与特技触发位置的误差符合要求,则终端触发相应的特技编号对应的特技内容;当目标数据与特技触发位置的误差不符合要求,则终端不触发相应的特技编号对应的特技内容。
应当理解,在本申请实施例中,处理器502可以是中央处理单元(CentralProcessing Unit,CPU),该处理器502还可以是其他通用处理器、数字信号处理器(DigitalSignal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,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。其中,通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
本领域普通技术人员可以理解的是实现上述实施例的方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成。该计算机程序包括程序指令,计算机程序可存储于一存储介质中,该存储介质为计算机可读存储介质。该程序指令被该计算机系统中的至少一个处理器执行,以实现上述方法的实施例的流程步骤。
因此,本发明还提供一种存储介质。该存储介质可以为计算机可读存储介质。该存储介质存储有计算机程序,其中该计算机程序被处理器执行时使处理器执行如下步骤:
获取带有设备信息的数据包,以得到初始数据包;对所述初始数据包进行解析,以得到解析结果;根据所述解析结果判断所述初始数据包是否是控制信号;若所述初始数据包不是控制信号,则将所述解析结果输入至位置预测模型内进行位置预测,以得到预测结果;根据所述预测结果对符合要求的位置数据打包,以得到目标数据;反馈所述目标数据至终端,以使得终端进行设备特技处理。
其中,所述位置预测模型是通过设备的若干个历史运行参数信息作为样本集训练深度学习模型所得的。
在一实施例中,所述处理器在执行所述计算机程序而实现所述位置预测模型是通过设备的若干个历史运行参数信息作为样本集训练深度学习模型所得的步骤时,具体实现如下步骤:
获取设备的历史运行参数,并进行筛选,以得到样本集;对样本集进行划分训练集、验证集以及测试集;构建深度学习模型;将训练集输入至深度学习模型内进行训练,以得到初始模型;采用验证集对初始模型进行验证;当初始模型验证成功时,采用测试集对初始模型进行测试;当初始模型测试成功,则所述初始模型为位置预测模型。
在一实施例中,所述处理器在执行所述计算机程序而实现所述将训练集输入至深度学习模型内进行训练,以得到初始模型步骤时,具体实现如下步骤:
将所述训练集输入至深度学习模型内;计算所述深度学习模型的重置门和更新门;计算候选隐藏状态;使用当前时间步的更新门对上一时间步的隐藏状态和当前时间步的候选隐藏状态做组合,以得到当前时间步的隐藏状态;计算全连接层的输出,并由激活函数对全连接输出层进行计算,以得到训练结果;根据所述训练结果以及所述训练集确定初始模型。
在一实施例中,所述处理器在执行所述计算机程序而实现所述计算候选隐藏状态步骤时,具体实现如下步骤:
利用当前时间步的重置门输出值与上一时间步的隐藏状态相乘,以得到乘积;将所述乘积与所述训练集中当前时间步的输入值进行连结,并通过含激活函数的全连接层计算候选隐藏状态。
在一实施例中,所述处理器在执行所述计算机程序而实现所述将所述解析结果输入至位置预测模型内进行位置预测,以得到预测结果步骤时,具体实现如下步骤:
将所述解析结果以滑动窗口的形式输入至位置预测模型内进行位置预测,以得到预测结果,并将预测结果按照设备编号存放到队列。
在一实施例中,所述处理器在执行所述计算机程序而实现所述将所述解析结果输入至位置预测模型内进行位置预测,以得到预测结果步骤之前,还实现如下步骤:
判断设备当前的运行状态是否处于停止状态;若设备当前的运行状态处于停止状态,则获取输入时间步的指定步数对应的位置数据作为预测结果,并执行根据所述预测结果对符合要求的位置数据打包,以得到目标数据;若设备当前的运行状态不处于停止状态,则统计输入时间步的前后位置的欧氏距离集合;根据所述欧氏距离集合判断所述设备是否处于断网状态;若所述设备不处于断网状态,则执行所述将所述解析结果输入至位置预测模型内进行位置预测,以得到预测结果;若所述设备处于断网状态,则使用预测数据替换断网状态的数据,以得到解析结果,并执行所述将所述解析结果输入至位置预测模型内进行位置预测,以得到预测结果。
在一实施例中,所述处理器在执行所述计算机程序而实现所述反馈所述目标数据至终端,以使得终端进行设备特技处理步骤时,具体实现如下步骤:
反馈所述目标数据至终端,以使得终端将目标数据与特技触发位置进行对比,当目标数据与特技触发位置的误差符合要求,则终端触发相应的特技编号对应的特技内容;当目标数据与特技触发位置的误差不符合要求,则终端不触发相应的特技编号对应的特技内容。
所述存储介质可以是U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)、磁碟或者光盘等各种可以存储程序代码的计算机可读存储介质。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
在本发明所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的。例如,各个单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。
本发明实施例方法中的步骤可以根据实际需要进行顺序调整、合并和删减。本发明实施例装置中的单元可以根据实际需要进行合并、划分和删减。另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以是两个或两个以上单元集成在一个单元中。
该集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分,或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,终端,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.位置预测方法,其特征在于,包括:
获取带有设备信息的数据包,以得到初始数据包;
对所述初始数据包进行解析,以得到解析结果;
根据所述解析结果判断所述初始数据包是否是控制信号;
若所述初始数据包不是控制信号,则将所述解析结果输入至位置预测模型内进行位置预测,以得到预测结果;
根据所述预测结果对符合要求的位置数据打包,以得到目标数据;
反馈所述目标数据至终端,以使得终端进行设备特技处理;
其中,所述位置预测模型是通过设备的若干个历史运行参数信息作为样本集训练深度学习模型所得的。
2.根据权利要求1所述的位置预测方法,其特征在于,所述位置预测模型是通过设备的若干个历史运行参数信息作为样本集训练深度学习模型所得的,包括:
获取设备的历史运行参数,并进行筛选,以得到样本集;
对样本集进行划分训练集、验证集以及测试集;
构建深度学习模型;
将训练集输入至深度学习模型内进行训练,以得到初始模型;
采用验证集对初始模型进行验证;
当初始模型验证成功时,采用测试集对初始模型进行测试;
当初始模型测试成功,则所述初始模型为位置预测模型。
3.根据权利要求2所述的位置预测方法,其特征在于,所述将训练集输入至深度学习模型内进行训练,以得到初始模型,包括:
将所述训练集输入至深度学习模型内;
计算所述深度学习模型的重置门和更新门;
计算候选隐藏状态;
使用当前时间步的更新门对上一时间步的隐藏状态和当前时间步的候选隐藏状态做组合,以得到当前时间步的隐藏状态;
计算全连接层的输出,并由激活函数对全连接输出层进行计算,以得到训练结果;
根据所述训练结果以及所述训练集确定初始模型。
4.根据权利要求3所述的位置预测方法,其特征在于,所述计算候选隐藏状态,包括:
利用当前时间步的重置门输出值与上一时间步的隐藏状态相乘,以得到乘积;
将所述乘积与所述训练集中当前时间步的输入值进行连结,并通过含激活函数的全连接层计算候选隐藏状态。
5.根据权利要求1所述的位置预测方法,其特征在于,所述将所述解析结果输入至位置预测模型内进行位置预测,以得到预测结果,包括:
将所述解析结果以滑动窗口的形式输入至位置预测模型内进行位置预测,以得到预测结果,并将预测结果按照设备编号存放到队列。
6.根据权利要求1所述的位置预测方法,其特征在于,所述将所述解析结果输入至位置预测模型内进行位置预测,以得到预测结果之前,还包括:
判断设备当前的运行状态是否处于停止状态;
若设备当前的运行状态处于停止状态,则获取输入时间步的指定步数对应的位置数据作为预测结果,并执行根据所述预测结果对符合要求的位置数据打包,以得到目标数据;
若设备当前的运行状态不处于停止状态,则统计输入时间步的前后位置的欧氏距离集合;
根据所述欧氏距离集合判断所述设备是否处于断网状态;
若所述设备不处于断网状态,则执行所述将所述解析结果输入至位置预测模型内进行位置预测,以得到预测结果;
若所述设备处于断网状态,则使用预测数据替换断网状态的数据,以得到解析结果,并执行所述将所述解析结果输入至位置预测模型内进行位置预测,以得到预测结果。
7.根据权利要求1所述的位置预测方法,其特征在于,所述反馈所述目标数据至终端,以使得终端进行设备特技处理,包括:
反馈所述目标数据至终端,以使得终端将目标数据与特技触发位置进行对比,当目标数据与特技触发位置的误差符合要求,则终端触发相应的特技编号对应的特技内容;当目标数据与特技触发位置的误差不符合要求,则终端不触发相应的特技编号对应的特技内容。
8.位置预测装置,其特征在于,包括:
数据包获取单元,用于获取带有设备信息的数据包,以得到初始数据包;
解析单元,用于对所述初始数据包进行解析,以得到解析结果;
信号判断单元,用于根据所述解析结果判断所述初始数据包是否是控制信号;
预测单元,用于若所述初始数据包不是控制信号,则将所述解析结果输入至位置预测模型内进行位置预测,以得到预测结果;
打包单元,用于根据所述预测结果对符合要求的位置数据打包,以得到目标数据;
反馈单元,用于反馈所述目标数据至终端,以使得终端进行设备特技处理。
9.一种计算机设备,其特征在于,所述计算机设备包括存储器及处理器,所述存储器上存储有计算机程序,所述处理器执行所述计算机程序时实现如权利要求1至7中任一项所述的方法。
10.一种存储介质,其特征在于,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时可实现如权利要求1至7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011442185.3A CN112529158A (zh) | 2020-12-08 | 2020-12-08 | 位置预测方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011442185.3A CN112529158A (zh) | 2020-12-08 | 2020-12-08 | 位置预测方法、装置、计算机设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112529158A true CN112529158A (zh) | 2021-03-19 |
Family
ID=74999902
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011442185.3A Pending CN112529158A (zh) | 2020-12-08 | 2020-12-08 | 位置预测方法、装置、计算机设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112529158A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116397381A (zh) * | 2023-04-19 | 2023-07-07 | 张家港市阿莱特机械有限公司 | 一种无纺布生产设备和方法 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130022236A1 (en) * | 2011-07-20 | 2013-01-24 | Altek Corporation | Apparatus Capable of Detecting Location of Object Contained in Image Data and Detection Method Thereof |
CN109410275A (zh) * | 2018-10-15 | 2019-03-01 | 深圳步智造科技有限公司 | 位置预测方法、装置、设备以及可读存储介质 |
CN109462821A (zh) * | 2018-11-19 | 2019-03-12 | 东软集团股份有限公司 | 预测位置的方法、装置、存储介质及电子设备 |
WO2019056499A1 (zh) * | 2017-09-20 | 2019-03-28 | 平安科技(深圳)有限公司 | 预测模型训练方法、数据监控方法、装置、设备及介质 |
CN110795522A (zh) * | 2019-11-06 | 2020-02-14 | 中国人民解放军战略支援部队信息工程大学 | 一种移动用户轨迹位置的预测方法及装置 |
CN110944295A (zh) * | 2019-11-27 | 2020-03-31 | 恒安嘉新(北京)科技股份公司 | 位置预测方法、装置、存储介质及终端 |
CN111263326A (zh) * | 2020-01-09 | 2020-06-09 | 中国人民解放军国防科技大学 | 基于多重融合卷积gru的车辆位置预测方法 |
WO2020143304A1 (zh) * | 2019-01-07 | 2020-07-16 | 平安科技(深圳)有限公司 | 损失函数优化方法、装置、计算机设备及存储介质 |
CN111626219A (zh) * | 2020-05-28 | 2020-09-04 | 深圳地平线机器人科技有限公司 | 轨迹预测模型生成方法、装置、可读存储介质及电子设备 |
CN111670468A (zh) * | 2017-12-18 | 2020-09-15 | 日立汽车系统株式会社 | 移动体行为预测装置以及移动体行为预测方法 |
CN111897353A (zh) * | 2020-07-08 | 2020-11-06 | 西北工业大学 | 基于gru的飞行器机动轨迹预测方法 |
CN111915104A (zh) * | 2020-08-28 | 2020-11-10 | 山东省国土测绘院 | 一种预测出行位置的方法及装置 |
-
2020
- 2020-12-08 CN CN202011442185.3A patent/CN112529158A/zh active Pending
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130022236A1 (en) * | 2011-07-20 | 2013-01-24 | Altek Corporation | Apparatus Capable of Detecting Location of Object Contained in Image Data and Detection Method Thereof |
WO2019056499A1 (zh) * | 2017-09-20 | 2019-03-28 | 平安科技(深圳)有限公司 | 预测模型训练方法、数据监控方法、装置、设备及介质 |
CN111670468A (zh) * | 2017-12-18 | 2020-09-15 | 日立汽车系统株式会社 | 移动体行为预测装置以及移动体行为预测方法 |
CN109410275A (zh) * | 2018-10-15 | 2019-03-01 | 深圳步智造科技有限公司 | 位置预测方法、装置、设备以及可读存储介质 |
CN109462821A (zh) * | 2018-11-19 | 2019-03-12 | 东软集团股份有限公司 | 预测位置的方法、装置、存储介质及电子设备 |
WO2020143304A1 (zh) * | 2019-01-07 | 2020-07-16 | 平安科技(深圳)有限公司 | 损失函数优化方法、装置、计算机设备及存储介质 |
CN110795522A (zh) * | 2019-11-06 | 2020-02-14 | 中国人民解放军战略支援部队信息工程大学 | 一种移动用户轨迹位置的预测方法及装置 |
CN110944295A (zh) * | 2019-11-27 | 2020-03-31 | 恒安嘉新(北京)科技股份公司 | 位置预测方法、装置、存储介质及终端 |
CN111263326A (zh) * | 2020-01-09 | 2020-06-09 | 中国人民解放军国防科技大学 | 基于多重融合卷积gru的车辆位置预测方法 |
CN111626219A (zh) * | 2020-05-28 | 2020-09-04 | 深圳地平线机器人科技有限公司 | 轨迹预测模型生成方法、装置、可读存储介质及电子设备 |
CN111897353A (zh) * | 2020-07-08 | 2020-11-06 | 西北工业大学 | 基于gru的飞行器机动轨迹预测方法 |
CN111915104A (zh) * | 2020-08-28 | 2020-11-10 | 山东省国土测绘院 | 一种预测出行位置的方法及装置 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116397381A (zh) * | 2023-04-19 | 2023-07-07 | 张家港市阿莱特机械有限公司 | 一种无纺布生产设备和方法 |
CN116397381B (zh) * | 2023-04-19 | 2023-11-17 | 张家港市阿莱特机械有限公司 | 一种无纺布生产设备和方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Vaicenavicius et al. | Evaluating model calibration in classification | |
US9852019B2 (en) | System and method for abnormality detection | |
CN109902832A (zh) | 机器学习模型的训练方法、异常预测方法及相关装置 | |
Wang et al. | Modelling the Dynamics of Regret Minimization in Large Agent Populations: a Master Equation Approach. | |
Aldosari et al. | Fusion in sensor networks with communication constraints | |
CN110187647A (zh) | 模型训练方法及系统 | |
CN111178548B (zh) | 集成学习预测方法与系统 | |
EP3777984B1 (en) | Method, device, and apparatus for configuring ai parameter of racing ai model, and storage medium | |
CN105229677A (zh) | 用于机器学习的资源分配 | |
US9934470B2 (en) | Production equipment including machine learning system and assembly and test unit | |
CN104986347B (zh) | 一种民机航线飞行员操作差错的实时检测方法 | |
CN109657077A (zh) | 模型训练方法、车道线生成方法、设备及存储介质 | |
CN109189762A (zh) | 一种工业物联网数据分析方法、系统及相关设备 | |
CN111340233B (zh) | 机器学习模型的训练方法及装置、样本处理方法及装置 | |
US20230367934A1 (en) | Method and apparatus for constructing vehicle dynamics model and method and apparatus for predicting vehicle state information | |
CN112529158A (zh) | 位置预测方法、装置、计算机设备及存储介质 | |
CN112215362A (zh) | 用于转换数据和优化数据转换的双重机器学习管道 | |
CN116560322B (zh) | 一种装配式生产线的生产控制方法及系统 | |
CN107979606A (zh) | 一种具有自适应的分布式智能决策方法 | |
CN115937801A (zh) | 基于图卷积的车辆轨迹预测方法及装置 | |
CN112597959A (zh) | 基于人工智能和计算机视觉的火车安全监控方法和装置 | |
CN113476833A (zh) | 游戏动作识别方法、装置、电子设备和存储介质 | |
CN112423031A (zh) | 基于iptv的kpi监测方法、装置及其系统 | |
JPH06243273A (ja) | ニューラルネットワークの学習方式 | |
CN114003474B (zh) | 一种基于手机日志的用户行为分析方法 |
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 |