CN112613639A - 一种基于lstm模型的综合管廊运维数据预测系统及方法 - Google Patents

一种基于lstm模型的综合管廊运维数据预测系统及方法 Download PDF

Info

Publication number
CN112613639A
CN112613639A CN202011384744.XA CN202011384744A CN112613639A CN 112613639 A CN112613639 A CN 112613639A CN 202011384744 A CN202011384744 A CN 202011384744A CN 112613639 A CN112613639 A CN 112613639A
Authority
CN
China
Prior art keywords
prediction
risk
lstm
data
model
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
Application number
CN202011384744.XA
Other languages
English (en)
Inventor
王凯
王祥轲
赵青松
张文超
王文娟
刘安愿
畅佳宁
户静雅
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 Huixiang Communications Equipment Co ltd
Original Assignee
Henan Huixiang Communications Equipment 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 Henan Huixiang Communications Equipment Co ltd filed Critical Henan Huixiang Communications Equipment Co ltd
Priority to CN202011384744.XA priority Critical patent/CN112613639A/zh
Publication of CN112613639A publication Critical patent/CN112613639A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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"
    • 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0635—Risk analysis of enterprise or organisation activities

Landscapes

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

Abstract

本发明涉及一种基于LSTM模型的综合管廊运维数据预测系统，包括风险事件预测服务器、操控终端、基于物联网的数据通讯网络、现场数据接采集终端、仿真模型，风险事件预测服务器通过基于物联网的数据通讯网络与若干操控终端、若干现场数据接采集终端及至少一个仿真模型连接，现场数据接采集终端若干并沿管廊轴向方向与管廊内侧面连接。其使用方法包括系统预制、风险预测及风险评估预测。本发明一方面可有效满足对管廊系统运维工作中风险事件进行短期及长期风险预判作业的需要；另一方面具有良好的自主学习运行能力和错误纠正能力，从而可极大的降低管廊系统风险事件预测作业的劳动强度、成本。

Description

一种基于LSTM模型的综合管廊运维数据预测系统及方法
技术领域
本发明涉及一种管廊风险评估系统及方法，属于信息通讯及人工智能技术领域。
背景技术
城市综合管廊系统的运行中，为了提高对运行风险事件的综合监管能力，提高管廊运行安全性，当前在监管工作采用了大量的基于人工智能类风险预测系统平台，但在实际工作中发现，当前所使用的该类人工智能风险预测平台在运行过程中，传统神经网络架构一直没法解决一些基础问题，比如解释依赖于信息和上下文的输入序列。这些信息可以是句子中的某些单词，我们能用它们预测下一个单词是什么；也可以是序列的时间信息，我们能基于时间元素分析句子的上下文。简而言之，传统神经网络每次只会采用独立的数据向量，它没有一个类似“记忆”的概念，用来处理和“记忆”有关各种任务。
为了解决这个问题，早期提出的一种方法是在网络中添加循环，得到输出值后，它的输入信息会通过循环被“继承”到输出中，这是它最后看到的输入上下文。这些网络被称为递归神经网络(RNN)。虽然RNN在一定程度上解决了上述问题，但它们还是存在相当大的缺陷，比如在处理长期依赖性问题时容易出现梯度消失，因此系统运行的稳定性、自主性均相对较差，且当前的该类系统运行中对评测结果也缺乏相应的验证及纠错能力，从而给管廊系统的风险评测造成较大的不便及安全隐患。
因此针对这一现状，迫切需要开发一种全新的城市管廊风险预测系统，以满足管廊系统实际运行维护管理作业的需要。
发明内容
针对现有技术上存在的不足，本发明提供一种基于LSTM模型的综合管廊运维数据预测系统及构建方法，以克服传统设备在运行中的缺陷，提高管廊系统运行的稳定性、安全性和可靠性。为了实现上述目的，本发明是通过如下的技术方案来实现：
一种基于LSTM模型的综合管廊运维数据预测系统，包括风险事件预测服务器、操控终端、基于物联网的数据通讯网络、现场数据接采集终端、仿真模型，风险事件预测服务器通过基于物联网的数据通讯网络与若干操控终端、若干现场数据接采集终端及至少一个仿真模型连接，且各操控终端间通过基于物联网的数据通讯网络混连，现场数据接采集终端、仿真模型间均相互并联，并通过中继服务器分别与风险事件预测服务器和各操控终端连接，现场数据接采集终端若干并沿管廊轴向方向与管廊内侧面连接，仿真模型中，一个仿真模型与其中至少一个操控终端分部在同一范围内。
进一步的，所述的风险评估服务器平台以基于SOA体系为基础的主程序系统，LSTM的智能预测系统为核心的服务器，且所述风险评估服务器平另设云数据处理系统、BP神经网络系统、基于BIM和GIS为基础的三维信息展示子系统、图像识别处理系统，且LSTM的智能预测系统分别于云数据处理系统、BP神经网络系统、基于BIM和GIS为基础的三维信息展示子系统连接，所述基于BIM和GIS为基础的三维信息展示子系统另与图像识别处理系统连接，并通过图像识别处理系统分别与现场数据接采集终端、仿真模型连接。
进一步的，所述的LSTM的智能预测系统采用RNN模型结构，并以时间序列为基础建立数据运行模型，包含至少三个cell神经网络，且每个cell神经网络均包含普串联的四个普通神经网络的隐藏层结构，其中第一、二和四的激活函数均为sigmoid函数，第三个的激活函数为tanh函数，同时，首先设t时刻的输入X和t-1时刻的输出h(t-1)进行拼接，然后输入cell中，其实可以这样理解，我们的输入X(t)分别feed进了四个普通神经网络的隐藏层结构中，每个普通神经网络的隐藏层结构中进行的运算和正常的神经网络的计算一样(矩阵乘法)，有关记忆的部分完全由各种门结构来控制(就是0和1)，同时在输入时不仅仅有原始的数据集，同时还加入了上一个数据的输出结果，也就是h(t-1)，从而在cell中一方面同时生成两条平行分布的数据处理路径，其中一条数据处理路径用于控制短时记忆，另一条数据处理路径用于控制长时记忆；另一方面生成输入门、遗忘门和输出门三类逻辑判断节点。
进一步的，所述的LSTM的智能预测系统运行时按以下步骤实施；
第一步，遗忘门运行，选择忘记过去的某些信息，LSTM中的第一步是决定从cell状态中丢弃什么信息；
其运行函数为：ft＝σ(wf·[ht-1，xt]+bf)；
其中ht-1表示的是上一个cell的输出，xt表示的是当前细胞的输入。σ表示sigmod函数。
第二步，输入门运行，决定让多少新的信息加入cell状态中来，首先通过一个是输入门的sigmoid层决定哪些信息需要更新；另一个tanh层生成一个向量，也就是备选的用来更新的内容，然后把这两部分联合起来，对cell的状态进行一个更新；
其运行函数为：it＝σ(wi·[ht-1，xt]+bi)
it＝σ(wi·[ht-1，xt]+bi)
第三步，输出门运行，需要确定输出什么值，首先运行一个sigmoid层来确定cell状态的哪个部分将输出出去；接着，我们把cell状态通过tanh层进行处理(得到一个在-1到1之间的值)并将它和sigmoid层的输出相乘，最终输出确定输出的那部分数据。
进一步的，所述的现场数据接采集终端包括温湿度传感器、监控摄像头、空气质量传感器、应力传感器、人体传感器、光敏传感器、光照强度传感器、亮度传感器、磁场强度传感器、流速传感器、压力传感器、水质传感器、电流互感器、电压互感器、雨量传感器其中的任意一种或任意几种同时使用。
进一步的，所述的仿真模型包括至少一个基于BIM和GIS为基础的管廊系统整体三维动态计算机模型和至少一个管廊局部结构等比例缩小的实物三维模型，且管廊局部结构等比例缩小的实物三维模型中在相应位置均设等比缩小的现场数据接采集终端。
一种基于LSTM模型的综合管廊运维数据预测系统的使用方法，包括以下步骤：
S1，系统预制，首先完成风险事件预测服务器构建，并在风险事件预测服务器中录入相关运行程序，然后一方面根据管廊系统的具体结构为管廊设置若干风险事件监控节点，同时为每个风险事件监控节点配置1—3个现场数据接采集终端，根据管廊系统监控平台位置，为各管廊系统监控平台位置处均设置至少一个操控终端，同时根据使用需要设置若干仿真模型，最后对构成本发明的风险事件预测服务器、操控终端、现场数据接采集终端、仿真模型间通过基于物联网的数据通讯网络进行连接组网，从而完成本发明装配；
S2，风险预测，完成S1步骤后，首先通过操控终端一方面向风险事件预测服务器录入相关预设的管廊运行风险事件及相应的风险事件、风险评估办法及结果；另一方面设定各及仿真模型的运行控制策略及参数，并将设定好的参数录入到风险事件预测服务器中保存备份，然后将录入的相关预设的管廊运行风险事件及相应的风险事件、风险评估办法及结果首先带入到LSTM的智能预测系统中，由LSTM的智能预测系统对预设数据进行学习运行，生成风险事件预判逻辑，然后将设定好的参数及现场数据接采集终端采集的数据各录入到LSTM的智能预测系统中，同时将各现场数据接采集终端采集的数据一方面同时录入到LSTM的智能预测系统中，并根据预生成的成风险事件预判逻辑进行分析运行，并将分析后的结果发送至BP神经网络系统进行风险预警分析输出；另一方面将发送至基于BIM和GIS为基础的三维信息展示子系统、图像识别处理系统中，对手机的数据通过分析运行后通过仿真模型的三维动态计算机模型进项展示输出；
S3，风险评估预测，在S2步骤中完成风险预测后，通过驱动仿真模型的管廊局部结构等比例缩小的实物三维模型的以实际采集结果进行仿真运行，并对管廊局部结构等比例缩小的实物三维模型仿真运行监测作业的结果进行统计，从而达到对S2步骤仿真运行结果进行验证，并将验证结果返回到第二步对风险事件预判逻辑进行纠正修复。
进一步的，所述的S2步骤中，发送至BP神经网络系统中分析结果分为短时预测结果和长时预测结果，其中短时预测结果和长时预测结果均在风险事件预测服务器的主程序系统中备份，同时短时预测结果在进行下一次风险评估时从LSTM的智能预测系统中直接删除，长期运行结果在保留在LSTM的智能预测系统中持续运行，此外，当短时预测结果出现频率占风险预测作业次数的40％以上时，则该短时预测结果转化为长时预测结果并应用，当长期运行结果出现频率小于2％时，则从LSTM的智能预测系统中删除，并作为原始备用数据保存在风险事件预测服务器中备用。
本发明一方面系统构成结构简单、数据通讯处理能力强，可有效满足对管廊系统运维工作中风险事件进行短期及长期风险预判作业的需要；另一方面具有良好的自主学习运行能力和错误纠正能力，从而可极大的降低管廊系统风险事件预测作业的劳动强度、成本；同时极大的提高了风险事件判断效率及精度，极大的提高了管廊运行风险管控工作的工作效率和精度。
附图说明
下面结合附图和具体实施方式来详细说明本发明。
图1为本发明系统构成结构原理示意图；
图2为LSTM的智能预测系统模型结构示意图；
图3为LSTM时间序列预测模型图；
图4为本发明运行方法流程图。
具体实施方式
为使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，下面结合具体实施方式，以氢气为例进一步阐述本发明。
如图1—3所示，一种基于LSTM模型的综合管廊运维数据预测系统，包括风险事件预测服务器1、操控终端2、基于物联网的数据通讯网络3、现场数据接采集终端4、仿真模型5，风险事件预测服务器1通过基于物联网的数据通讯网络3与若干操控终端2、若干现场数据接采集终端4及至少一个仿真模型5连接，且各操控终端2间通过基于物联网的数据通讯网络3混连，现场数据接采集终端4、仿真模型5间均相互并联，并通过中继服务器6分别与风险事件预测服务器1和各操控终端2连接，现场数据接采集终端3若干并沿管廊轴向方向与管廊内侧面连接，仿真模型5中，一个仿真模型5与其中至少一个操控终端2分部在同一范围内。
本实施例中，所述的风险评估服务器平台以基于SOA体系为基础的主程序系统，LSTM的智能预测系统为核心的服务器，且所述风险评估服务器平另设云数据处理系统、BP神经网络系统、基于BIM和GIS为基础的三维信息展示子系统、图像识别处理系统，且LSTM的智能预测系统分别于云数据处理系统、BP神经网络系统、基于BIM和GIS为基础的三维信息展示子系统连接，所述基于BIM和GIS为基础的三维信息展示子系统另与图像识别处理系统连接，并通过图像识别处理系统分别与现场数据接采集终端、仿真模型连接。
重点说明的，所述的LSTM的智能预测系统采用RNN模型结构，并以时间序列为基础建立数据运行模型，包含至少三个cell神经网络，且每个cell神经网络均包含普串联的四个普通神经网络的隐藏层结构，其中第一、二和四的激活函数均为sigmoid函数，第三个的激活函数为tanh函数，同时，首先设t时刻的输入X和t-1时刻的输出h(t-1)进行拼接，然后输入cell中，其实可以这样理解，我们的输入X(t)分别feed进了四个普通神经网络的隐藏层结构中，每个普通神经网络的隐藏层结构中进行的运算和正常的神经网络的计算一样(矩阵乘法)，有关记忆的部分完全由各种门结构来控制(就是0和1)，同时在输入时不仅仅有原始的数据集，同时还加入了上一个数据的输出结果，也就是h(t-1)，从而在cell中一方面同时生成两条平行分布的数据处理路径，其中一条数据处理路径用于控制短时记忆，另一条数据处理路径用于控制长时记忆；另一方面生成输入门、遗忘门和输出门三类逻辑判断节点。
与此同时，所述的LSTM的智能预测系统运行时按以下步骤实施；
第一步，遗忘门运行，选择忘记过去的某些信息，LSTM中的第一步是决定从cell状态中丢弃什么信息；
其运行函数为：ft＝σ(wf·[ht-1，xt]+bf)；
其中ht-1表示的是上一个cell的输出，xt表示的是当前细胞的输入。σ表示sigmod函数。
第二步，输入门运行，决定让多少新的信息加入cell状态中来，首先通过一个是输入门的sigmoid层决定哪些信息需要更新；另一个tanh层生成一个向量，也就是备选的用来更新的内容，然后把这两部分联合起来，对cell的状态进行一个更新；
其运行函数为：it＝σ(wi·[ht-1，xt]]+bi)
it＝σ(wi·[ht-1，xt]+bi)
第三步，输出门运行，需要确定输出什么值，首先运行一个sigmoid层来确定cell状态的哪个部分将输出出去；接着，我们把cell状态通过tanh层进行处理(得到一个在-1到1之间的值)并将它和sigmoid层的输出相乘，最终输出确定输出的那部分数据。
本实施例中，所述的现场数据接采集终端包括温湿度传感器、监控摄像头、空气质量传感器、应力传感器、人体传感器、光敏传感器、光照强度传感器、亮度传感器、磁场强度传感器、流速传感器、压力传感器、水质传感器、电流互感器、电压互感器、雨量传感器其中的任意一种或任意几种同时使用。
本实施例中，所述的仿真模型包括至少一个基于BIM和GIS为基础的管廊系统整体三维动态计算机模型和至少一个管廊局部结构等比例缩小的实物三维模型，且管廊局部结构等比例缩小的实物三维模型中在相应位置均设等比缩小的现场数据接采集终端。
如图4，一种基于LSTM模型的综合管廊运维数据预测系统的使用方法，包括以下步骤：
S1，系统预制，首先完成风险事件预测服务器构建，并在风险事件预测服务器中录入相关运行程序，然后一方面根据管廊系统的具体结构为管廊设置若干风险事件监控节点，同时为每个风险事件监控节点配置1—3个现场数据接采集终端，根据管廊系统监控平台位置，为各管廊系统监控平台位置处均设置至少一个操控终端，同时根据使用需要设置若干仿真模型，最后对构成本发明的风险事件预测服务器、操控终端、现场数据接采集终端、仿真模型间通过基于物联网的数据通讯网络进行连接组网，从而完成本发明装配；
S2，风险预测，完成S1步骤后，首先通过操控终端一方面向风险事件预测服务器录入相关预设的管廊运行风险事件及相应的风险事件、风险评估办法及结果；另一方面设定各及仿真模型的运行控制策略及参数，并将设定好的参数录入到风险事件预测服务器中保存备份，然后将录入的相关预设的管廊运行风险事件及相应的风险事件、风险评估办法及结果首先带入到LSTM的智能预测系统中，由LSTM的智能预测系统对预设数据进行学习运行，生成风险事件预判逻辑，然后将设定好的参数及现场数据接采集终端采集的数据各录入到LSTM的智能预测系统中，同时将各现场数据接采集终端采集的数据一方面同时录入到LSTM的智能预测系统中，并根据预生成的成风险事件预判逻辑进行分析运行，并将分析后的结果发送至BP神经网络系统进行风险预警分析输出；另一方面将发送至基于BIM和GIS为基础的三维信息展示子系统、图像识别处理系统中，对手机的数据通过分析运行后通过仿真模型的三维动态计算机模型进项展示输出；
S3，风险评估预测，在S2步骤中完成风险预测后，通过驱动仿真模型的管廊局部结构等比例缩小的实物三维模型的以实际采集结果进行仿真运行，并对管廊局部结构等比例缩小的实物三维模型仿真运行监测作业的结果进行统计，从而达到对S2步骤仿真运行结果进行验证，并将验证结果返回到第二步对风险事件预判逻辑进行纠正修复。
需要特别说明的，所述的S2步骤中，发送至BP神经网络系统中分析结果分为短时预测结果和长时预测结果，其中短时预测结果和长时预测结果均在风险事件预测服务器的主程序系统中备份，同时短时预测结果在进行下一次风险评估时从LSTM的智能预测系统中直接删除，长期运行结果在保留在LSTM的智能预测系统中持续运行，此外，当短时预测结果出现频率占风险预测作业次数的40％以上时，则该短时预测结果转化为长时预测结果并应用，当长期运行结果出现频率小于2％时，则从LSTM的智能预测系统中删除，并作为原始备用数据保存在风险事件预测服务器中备用。
本发明一方面系统构成结构简单、数据通讯处理能力强，可有效满足对管廊系统运维工作中风险事件进行短期及长期风险预判作业的需要；另一方面具有良好的自主学习运行能力和错误纠正能力，从而可极大的降低管廊系统风险事件预测作业的劳动强度、成本；同时极大的提高了风险事件判断效率及精度，极大的提高了管廊运行风险管控工作的工作效率和精度。
本行业的技术人员应该了解，本发明不受上述实施例的限制。上述实施例和说明书中描述的只是说明本发明的原理。在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进。这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (8)

1.一种基于LSTM模型的综合管廊运维数据预测系统，其特征在于：所述基于LSTM模型的综合管廊运维数据预测系统包括风险事件预测服务器、操控终端、基于物联网的数据通讯网络、现场数据接采集终端、仿真模型，所述风险事件预测服务器通过基于物联网的数据通讯网络与若干操控终端、若干现场数据接采集终端及至少一个仿真模型连接，且各操控终端间通过基于物联网的数据通讯网络混连，所述现场数据接采集终端、仿真模型间均相互并联，并通过中继服务器分别与风险事件预测服务器和各操控终端连接，所述现场数据接采集终端若干并沿管廊轴向方向与管廊内侧面连接，所述仿真模型中，一个仿真模型与其中至少一个操控终端分部在同一范围内。
2.根据权利要求1所述的一种基于LSTM模型的综合管廊运维数据预测系统，其特征在于：所述的风险评估服务器平台以基于SOA体系为基础的主程序系统，LSTM的智能预测系统为核心的服务器，且所述风险评估服务器平另设云数据处理系统、BP神经网络系统、基于BIM和GIS为基础的三维信息展示子系统、图像识别处理系统，且LSTM的智能预测系统分别于云数据处理系统、BP神经网络系统、基于BIM和GIS为基础的三维信息展示子系统连接，所述基于BIM和GIS为基础的三维信息展示子系统另与图像识别处理系统连接，并通过图像识别处理系统分别与现场数据接采集终端、仿真模型连接。
3.根据权利要求2所述的一种基于LSTM模型的综合管廊运维数据预测系统，其特征在于：所述的LSTM的智能预测系统采用RNN模型结构，并以时间序列为基础建立数据运行模型，包含至少三个cell神经网络，且每个cell神经网络均包含普串联的四个普通神经网络的隐藏层结构，其中第一、二和四的激活函数均为sigmoid函数，第三个的激活函数为tanh函数，同时，首先设t时刻的输入X和t-1时刻的输出h(t-1)进行拼接，然后输入cell中，其实可以这样理解，我们的输入X(t)分别feed进了四个普通神经网络的隐藏层结构中，每个普通神经网络的隐藏层结构中进行的运算和正常的神经网络的计算一样(矩阵乘法)，有关记忆的部分完全由各种门结构来控制(就是0和1)，同时在输入时不仅仅有原始的数据集，同时还加入了上一个数据的输出结果，也就是h(t-1)，从而在cell中一方面同时生成两条平行分布的数据处理路径，其中一条数据处理路径用于控制短时记忆，另一条数据处理路径用于控制长时记忆；另一方面生成输入门、遗忘门和输出门三类逻辑判断节点。
4.根据权利要求2或3所述的一种基于LSTM模型的综合管廊运维数据预测系统，其特征在于：所述的LSTM的智能预测系统运行时按以下步骤实施；
第一步，遗忘门运行，选择忘记过去的某些信息，LSTM中的第一步是决定从cell状态中丢弃什么信息；
其运行函数为：ft＝σ(wf·[ht-1，xt]+bf)；
其中ht-1表示的是上一个cell的输出，xt表示的是当前细胞的输入。σ表示sigmod函数。
第二步，输入门运行，决定让多少新的信息加入cell状态中来，首先通过一个是输入门的sigmoid层决定哪些信息需要更新；另一个tanh层生成一个向量，也就是备选的用来更新的内容，然后把这两部分联合起来，对cell的状态进行一个更新；
其运行函数为：it＝σ(wi·[ht-1，xt]+bi)
it＝σ(wi·[ht-1，xt]+bi)
第三步，输出门运行，需要确定输出什么值，首先运行一个sigmoid层来确定cell状态的哪个部分将输出出去；接着，我们把cell状态通过tanh层进行处理(得到一个在-1到1之间的值)并将它和sigmoid层的输出相乘，最终输出确定输出的那部分数据。
5.根据权利要求1或2所述的一种基于LSTM模型的综合管廊运维数据预测系统，其特征在于：所述的现场数据接采集终端包括温湿度传感器、监控摄像头、空气质量传感器、应力传感器、人体传感器、光敏传感器、光照强度传感器、亮度传感器、磁场强度传感器、流速传感器、压力传感器、水质传感器、电流互感器、电压互感器、雨量传感器其中的任意一种或任意几种同时使用。
6.根据权利要求1所述的一种基于LSTM模型的综合管廊运维数据预测系统，其特征在于：所述的仿真模型包括至少一个基于BIM和GIS为基础的管廊系统整体三维动态计算机模型和至少一个管廊局部结构等比例缩小的实物三维模型，且管廊局部结构等比例缩小的实物三维模型中在相应位置均设等比缩小的现场数据接采集终端。
7.一种基于LSTM模型的综合管廊运维数据预测系统的使用方法，其特征在于：所述的基于LSTM模型的综合管廊运维数据预测系统的使用方法包括以下步骤：
S1，系统预制，首先完成风险事件预测服务器构建，并在风险事件预测服务器中录入相关运行程序，然后一方面根据管廊系统的具体结构为管廊设置若干风险事件监控节点，同时为每个风险事件监控节点配置1-3个现场数据接采集终端，根据管廊系统监控平台位置，为各管廊系统监控平台位置处均设置至少一个操控终端，同时根据使用需要设置若干仿真模型，最后对构成本发明的风险事件预测服务器、操控终端、现场数据接采集终端、仿真模型间通过基于物联网的数据通讯网络进行连接组网，从而完成本发明装配；
S2，风险预测，完成S1步骤后，首先通过操控终端一方面向风险事件预测服务器录入相关预设的管廊运行风险事件及相应的风险事件、风险评估办法及结果；另一方面设定各及仿真模型的运行控制策略及参数，并将设定好的参数录入到风险事件预测服务器中保存备份，然后将录入的相关预设的管廊运行风险事件及相应的风险事件、风险评估办法及结果首先带入到LSTM的智能预测系统中，由LSTM的智能预测系统对预设数据进行学习运行，生成风险事件预判逻辑，然后将设定好的参数及现场数据接采集终端采集的数据各录入到LSTM的智能预测系统中，同时将各现场数据接采集终端采集的数据一方面同时录入到LSTM的智能预测系统中，并根据预生成的成风险事件预判逻辑进行分析运行，并将分析后的结果发送至BP神经网络系统进行风险预警分析输出；另一方面将发送至基于BIM和GIS为基础的三维信息展示子系统、图像识别处理系统中，对手机的数据通过分析运行后通过仿真模型的三维动态计算机模型进项展示输出；
S3，风险评估预测，在S2步骤中完成风险预测后，通过驱动仿真模型的管廊局部结构等比例缩小的实物三维模型的以实际采集结果进行仿真运行，并对管廊局部结构等比例缩小的实物三维模型仿真运行监测作业的结果进行统计，从而达到对S2步骤仿真运行结果进行验证，并将验证结果返回到第二步对风险事件预判逻辑进行纠正修复。
8.根据权利要求7所述的一种基于LSTM模型的综合管廊运维数据预测系统的使用方法，其特征在于：所述的S2步骤中，发送至BP神经网络系统中分析结果分为短时预测结果和长时预测结果，其中短时预测结果和长时预测结果均在风险事件预测服务器的主程序系统中备份，同时短时预测结果在进行下一次风险评估时从LSTM的智能预测系统中直接删除，长期运行结果在保留在LSTM的智能预测系统中持续运行，此外，当短时预测结果出现频率占风险预测作业次数的40％以上时，则该短时预测结果转化为长时预测结果并应用，当长期运行结果出现频率小于2％时，则从LSTM的智能预测系统中删除，并作为原始备用数据保存在风险事件预测服务器中备用。
CN202011384744.XA 2020-11-30 2020-11-30 一种基于lstm模型的综合管廊运维数据预测系统及方法 Pending CN112613639A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011384744.XA CN112613639A (zh) 2020-11-30 2020-11-30 一种基于lstm模型的综合管廊运维数据预测系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011384744.XA CN112613639A (zh) 2020-11-30 2020-11-30 一种基于lstm模型的综合管廊运维数据预测系统及方法

Publications (1)

Publication Number Publication Date
CN112613639A true CN112613639A (zh) 2021-04-06

Family

ID=75228399

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011384744.XA Pending CN112613639A (zh) 2020-11-30 2020-11-30 一种基于lstm模型的综合管廊运维数据预测系统及方法

Country Status (1)

Country Link
CN (1) CN112613639A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113796228A (zh) * 2021-09-26 2021-12-17 南京邮电大学 一种基于数字孪生的植物培育系统及方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109408686A (zh) * 2018-10-19 2019-03-01 中建二局安装工程有限公司 一种地下综合管廊大数据可视化系统及方法
CN110210993A (zh) * 2019-05-22 2019-09-06 重庆大学 基于循环神经网络模型的城市短期燃气负荷预测方法
CN110428135A (zh) * 2019-07-03 2019-11-08 上海电器科学研究所（集团）有限公司 一种综合管廊设备状态监测管理系统
CN111639748A (zh) * 2020-05-15 2020-09-08 武汉大学 一种基于lstm-bp时空组合模型的流域污染物通量预测方法
CN111797572A (zh) * 2020-07-06 2020-10-20 中国矿业大学(北京) 一种城市事故灾害演化模拟及风险预测预警方法
BR102019008102A2 (pt) * 2019-04-22 2020-10-27 Vale S.A método e sistema para computar índices de riscos de incidentes ferroviários

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109408686A (zh) * 2018-10-19 2019-03-01 中建二局安装工程有限公司 一种地下综合管廊大数据可视化系统及方法
BR102019008102A2 (pt) * 2019-04-22 2020-10-27 Vale S.A método e sistema para computar índices de riscos de incidentes ferroviários
CN110210993A (zh) * 2019-05-22 2019-09-06 重庆大学 基于循环神经网络模型的城市短期燃气负荷预测方法
CN110428135A (zh) * 2019-07-03 2019-11-08 上海电器科学研究所（集团）有限公司 一种综合管廊设备状态监测管理系统
CN111639748A (zh) * 2020-05-15 2020-09-08 武汉大学 一种基于lstm-bp时空组合模型的流域污染物通量预测方法
CN111797572A (zh) * 2020-07-06 2020-10-20 中国矿业大学(北京) 一种城市事故灾害演化模拟及风险预测预警方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
黄玮;张智云;陈景华: "BIM+GIS的综合管廊智慧管控一体平台应用探索", 《福建电脑》, vol. 36, no. 5, 25 May 2020 (2020-05-25), pages 9 - 12 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113796228A (zh) * 2021-09-26 2021-12-17 南京邮电大学 一种基于数字孪生的植物培育系统及方法

Similar Documents

Publication Publication Date Title
De Ambroggi et al. Modelling and assessment of dependent performance shaping factors through Analytic Network Process
CN111274737A (zh) 一种机械设备剩余使用寿命预测方法及系统
WO2023241272A1 (zh) 基于图注意力网络的混凝土坝缺陷图像描述自动生成方法
CN112838946B (zh) 基于通信网故障智能感知与预警模型的构建方法
Zhang et al. A Traffic Prediction Method of Bicycle-sharing based on Long and Short term Memory Network.
CN114139637B (zh) 多智能体信息融合方法、装置、电子设备及可读存储介质
CN109471698B (zh) 云环境下虚拟机异常行为检测系统和方法
CN113505924B (zh) 一种基于级联时空特征的信息传播预测方法及系统
CN114422322B (zh) 一种告警压缩的方法、装置、设备及存储介质
CN116523187A (zh) 一种基于bim的工程进度监控方法及其系统
CN112101592A (zh) 电力二次设备缺陷诊断方法、系统、设备及存储介质
CN113591988A (zh) 知识认知结构分析方法、系统、计算机设备、介质、终端
CN116451514A (zh) 桥梁结构状态评估方法、装置以及电子设备
CN115168720A (zh) 内容交互预测方法以及相关设备
CN112613639A (zh) 一种基于lstm模型的综合管廊运维数据预测系统及方法
CN116957165A (zh) 电厂施工工期进度优化方法
CN115080795A (zh) 一种多充电站协同负荷预测方法及装置
CN108459933B (zh) 一种基于深度递归网络的大数据计算机系统故障检测方法
Fan et al. A deep reinforcement learning model for resilient road network recovery under earthquake or flooding hazards
CN112862211A (zh) 通信管理系统动环缺陷派单方法及装置
CN116738867A (zh) 一种基于机器学习的无人机防御仿真方法及其系统
CN114338416A (zh) 一种时空多指标预测方法、装置和存储介质
CN115617034B (zh) 多智能体的环境探索方法、装置、电子设备及存储介质
Xiao et al. Streaming Traffic Flow Prediction Based on Continuous Reinforcement Learning
CN115879378A (zh) 一种电芯的膨胀力预测模型的训练方法及装置

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