CN112862188A - 一种多传感器环境预测方法及系统 - Google Patents
一种多传感器环境预测方法及系统 Download PDFInfo
- Publication number
- CN112862188A CN112862188A CN202110165574.4A CN202110165574A CN112862188A CN 112862188 A CN112862188 A CN 112862188A CN 202110165574 A CN202110165574 A CN 202110165574A CN 112862188 A CN112862188 A CN 112862188A
- Authority
- CN
- China
- Prior art keywords
- environment
- data
- environment data
- environmental
- 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 35
- 238000004140 cleaning Methods 0.000 claims abstract description 19
- 238000012549 training Methods 0.000 claims abstract description 10
- 230000007613 environmental effect Effects 0.000 claims description 53
- 230000002159 abnormal effect Effects 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 abstract description 15
- 238000011156 evaluation Methods 0.000 abstract description 3
- 238000005192 partition Methods 0.000 description 32
- 238000013528 artificial neural network Methods 0.000 description 8
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 7
- 239000007789 gas Substances 0.000 description 7
- 239000001301 oxygen Substances 0.000 description 7
- 229910052760 oxygen Inorganic materials 0.000 description 7
- 238000010276 construction Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000005070 sampling Methods 0.000 description 4
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 description 3
- RWSOTUBLDIXVET-UHFFFAOYSA-N Dihydrogen sulfide Chemical compound S RWSOTUBLDIXVET-UHFFFAOYSA-N 0.000 description 3
- 229910002091 carbon monoxide Inorganic materials 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 125000004122 cyclic group Chemical group 0.000 description 2
- 238000005034 decoration Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003252 repetitive effect Effects 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 238000009423 ventilation Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 1
- 229910000037 hydrogen sulfide Inorganic materials 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000015654 memory Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
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
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Strategic Management (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Game Theory and Decision Science (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Data Mining & Analysis (AREA)
- Entrepreneurship & Innovation (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本发明公开了一种多传感器环境预测方法及系统。其中，该方法包括：获取第一环境数据；将所述第一环境数据进行清洗，得到第二环境数据；根据所述第二环境数据训练环境预测模型；根据所述第二环境数据和训练完毕的所述环境预测模型，生成预测结果。本发明解决了现有技术中对于管廊环境监测都是独立评估，无法融合多个传感器数据进行环境评估的技术问题。
Description
技术领域
本发明涉及环境数据预测领域，具体而言，涉及一种多传感器环境预测方法及系统。
背景技术
城市地下综合管廊是存在于城市地下的一项重要的市政基础设施，可实现给排水、消防、电力、通信、燃气等各类市政工程管线的集成化管理，便于后期维护与检修，保障城市的正常运行，被称为城市“生命线”，在新区建设及旧城改造中作用尤为明显。
虽然综合管廊为城市的建设带来了很大的改善，有效的解决了“马路拉链”等问题，但是也带来了很多问题，比如管廊建设后期运维管理跟不上。目前现有的综合管廊日常巡检主要还是依靠人工巡检为主。通过人工入廊，对廊内的相关设备(风机、照明、水泵、气体传感器、温湿度传感器等)进行逐一检查。由于地下管廊是一个半封闭空间，廊内环境恶劣，密闭空间内温度或者湿度过高会使人体自身的热平衡遭到破坏，氧气过低会使人有不舒适的感觉。有害气体(甲烷、一氧化碳、硫化氢)浓度过高会危机到人身安全。因此，当巡检人员进入廊内巡检时，如果有一个系统可以对廊内环境进行预测评估判断，将可以提高运维人员的生命保障。
目前现有技术基本都是单传感器数据，进行环境状态检测。比如甲烷浓度超过阈值，就报警；温湿度超过阈值就报警。各个传感器都是单独对廊内的环境做评估，没有融合多个传感器数据进行廊内环境评估。
针对上述的问题，目前尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种多传感器环境预测方法及系统，以至少解决现有技术中对于管廊环境监测都是独立评估，无法融合多个传感器数据进行环境评估的技术问题。
根据本发明实施例的一个方面，提供了一种多传感器环境预测方法，包括：获取第一环境数据；将所述第一环境数据进行清洗，得到第二环境数据；根据所述第二环境数据训练环境预测模型；根据所述第二环境数据和训练完毕的所述环境预测模型，生成预测结果。
可选的，所述第一环境数据包括：本区环境数据、邻区环境数据、全局环境数据。
可选的，所述获取第一环境数据包括：每个预设时间间隔采集所述第一环境数据。
可选的，所述将所述第一环境数据进行清洗，得到第二环境数据包括：将所述第一环境数据进行排序；根据排序后的第一环境数据进行异常值剔除，得到所述第二环境数据。
根据本发明实施例的另一方面，还提供了一种多传感器环境预测系统，包括：获取模块，用于获取第一环境数据；清洗模块，用于将所述第一环境数据进行清洗，得到第二环境数据；训练模块，用于根据所述第二环境数据训练环境预测模型；预测模块，用于根据所述第二环境数据和训练完毕的所述环境预测模型，生成预测结果。
可选的，所述第一环境数据包括：本区环境数据、邻区环境数据、全局环境数据。
可选的，所述获取模块包括：每个预设时间间隔采集所述第一环境数据。
可选的，所述清洗模块包括：排序单元，用于将所述第一环境数据进行排序；剔除单元，用于根据排序后的第一环境数据进行异常值剔除，得到所述第二环境数据。
根据本发明实施例的另一方面，还提供了一种包括指令的计算机程序产品，当所述指令在计算机上运行时，使得所述计算机执行一种多传感器环境预测方法。
根据本发明实施例的另一方面，还提供了一种非易失性存储介质，所述非易失性存储介质包括存储的程序，其中，所述程序运行时控制非易失性存储介质所在的设备执行一种多传感器环境预测方法。
在本发明实施例中，采用获取第一环境数据；将所述第一环境数据进行清洗，得到第二环境数据；根据所述第二环境数据训练环境预测模型；根据所述第二环境数据和训练完毕的所述环境预测模型，生成预测结果的方式，解决了现有技术中对于管廊环境监测都是独立评估，无法融合多个传感器数据进行环境评估的技术问题。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1是根据本发明实施例的一种多传感器环境预测方法的流程图；
图2是根据本发明实施例的一种多传感器环境预测系统的结构框图；
图3是根据本发明实施例的预测模型的示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，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，所描述的实施例仅仅是本发明一部分的实施例，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，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
根据本发明实施例，提供了一种多传感器环境预测方法的方法实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
实施例一
图1是根据本发明实施例的一种多传感器环境预测方法的流程图，如图1所示，该方法包括如下步骤：
步骤S102，获取第一环境数据。
具体的，本发明实施例为了通过多传感器的数据采集功能，通过预测模型获取管廊的环境预测情况，保证施工人员的安全，需要首先对第一环境数据进行获取和采集，其中，第一环境数据是通过传感器、服务器或相关人员输入的原始数据，例如，管廊内部的温湿度传感器、有害气体传感器、光敏传感器等，还可以包括服务器云端的实时全局环境数据，如天气、外界温湿度、风力等数据。具体采用哪种传感器进行第一环境数据的采集，本发明实施例在此处不进行具体的限定。
可选的，所述第一环境数据包括：本区环境数据、邻区环境数据、全局环境数据。
可选的，所述获取第一环境数据包括：每个预设时间间隔采集所述第一环境数据。
具体的，为了使得第一环境数据得到实时性保证，对于上述第一环境数据中的每种数据都需要每隔一定的时间进行采集，以保证各种环境数据在输入预测模型的时候都是最新最有效地，从而得到最准确的判断和预测结果。
步骤S104，将所述第一环境数据进行清洗，得到第二环境数据。
可选的，所述将所述第一环境数据进行清洗，得到第二环境数据包括：将所述第一环境数据进行排序；根据排序后的第一环境数据进行异常值剔除，得到所述第二环境数据。
具体的，在获取到第一环境数据之后，本发明实施例需要对第一环境数据进行优化和处理，以便增加模型预测的效率和准确性，将所述第一环境数据进行清洗，得到第二环境数据包括：将所述第一环境数据进行排序；根据排序后的第一环境数据进行异常值剔除，得到所述第二环境数据。管廊内部传感器数据往往可能存在异常值，如测量中出现的突变数据，这可能是由于传感器自身的可靠性或者数据传输的原因导致。异常值的存在会使后续的数据融合结果存在很大误差，因此有必要对异常值进行剔除。针对异常值剔除，采用箱线图进行异常检测。将采样的一段数据进行排序，比如每隔1秒采用一次数据，总共采样100个温度数值，将数值从小到大进行排序，挑选出第75％的数据Q3，挑选出第25％的数据Q1。所以异常点的上下限分别为U＝Q3+1.5(Q3-Q1)，L＝Q1-1.5(Q3-Q1)，将数据值大于U和小于L的数值当成异常值进行剔除。
步骤S106，根据所述第二环境数据训练环境预测模型。
步骤S108，根据所述第二环境数据和训练完毕的所述环境预测模型，生成预测结果。
具体的，根据管廊建设国家标准，廊内环境监测主要的环境指标包含以下表1所述的6种，每个分区200米左右，每个分区都配备有6种传感器进行环境实时监测。
| 环境指标 |
| 氧气O2/VOL |
| 甲烷CH4/％ |
| 硫化氢H2S/ppm |
| 一氧化碳CO/ppm |
| 温度/℃ |
| 湿度/RH％ |
表1
本发明实施例的神经网络结构如图3所示，网络可以划分为3个层级，输入、编码、解码。根据依据encoder-decoder框架，利用两个分离LSTM网络，一个用于对输入序列(比如环境监测传感器的历史时间序列)进行encoder，另一个则用于预测的输出序列。
需要说明的是，长短期记忆网络(LSTM，Long Short-Term Memory)是一种时间循环神经网络，是为了解决一般的RNN(循环神经网络)存在的长期依赖问题而专门设计出来的，所有的RNN都具有一种重复神经网络模块的链式形式。在标准RNN中，这个重复的结构模块只有一个非常简单的结构，例如一个tanh层。
其中，本发明实施例的输入数据主要包含三种：第一，本分区的环境监测数据，也就是本地传感器采集的数据；第二，相邻分区的环境监测数据，由左右分区传感器采集的数据组成，由于每个分区之间的环境是互通的，所以相邻分区之间的环境指标存在一定的空间相关性，因此需要使用其他分区的数据来预测本分区的环境指标；第三，全局环境数据，主要包含天气以及时间。外部的天气会影响廊内环境指标，比如下雨天，可能廊内湿度会比较高；时间主要是昼夜会存在一定的温差，温度不同，也会导致其他指标出现相应变化。其中输入数据每隔一定时间采集一次数据样本，比如每隔一分钟，形成时间序列。通过步骤1进行数据清洗，降低异常样本带来的影响。
在Encoder层中的Concat Attention由三部分组成，分别对应于处理三种输入数据：第一，采用Local attention来处理同一个分区之间传感器数据之间的关系，比如湿度和温度之间可能存在关系，各个气体数据之间也可能存在相关性。给定第i个传感器的第k个局部特征向量(即xi,k)，我们利用attention机制自适应地捕捉目标序列与每个局部特征之间的动态相关性，其公式为:
其中[；]是合并操作，v、b、W、U是需要学习参数。attention的权重的局部特征值是由输入的局部特征和encoder层中的历史状态(即h和s)共同决定的，这个权重值代表着每一个局部特征的重要性。一旦我们获得了attention的权值，就可以通过下面的公式算出在t时刻的local spatial attention的输出向量：
第二，其他分区传感器所监测的历史时间序列对本分区将要预测的指标有直接影响，而且影响的权重是会变化的。比如在通风情况下，一股空气气流从左边分区流动到预测的分区或者从右边分区流动到预测的分区，因此左右分区对于本分区影响的权重可以由一下公示表示：
其中[；]是合并操作，v、b、W、U是需要学习参数。需要注意的是，y是其他传感器在t时间点内的目标维度上的取值序列。然后，使用一个softmax函数来保证所有的attention权值和为1，得出如下的公式：
第三，对于天气以及时间等特征序列，采用简单的加权方法，直接合并到特性序列当中。
还需要说明的是，在Decoder层中，由于encoder-decoder架构的性能会随着encoder序列的长度大幅度下降，因此在decoder的过程中使用attention来encoder序列中选择每一时刻应该强调的序列内容，decoder过程中的t时刻的attention权重计算如下：
其中，v、b、W都是学习得来的。
总结，在encoder层，对于输入的序列进行合并操作后得到特征序列xt,然后用ht＝fe(ht-1,xt)来更新t时刻的隐藏状态，其中fe是一个LSTM单元。在decoder层当中，知道ct′环境向量之后，结合
更新decoder层的隐藏状态，即
其中fd是使用在decoder层上的LSTM单元。最后预测结果如下：
通过上述实施例，解决了现有技术中对于管廊环境监测都是独立评估，无法融合多个传感器数据进行环境评估的技术问题。
实施例二
图2是根据本发明实施例的一种多传感器环境预测系统的结构框图，如图2所示，该系统包括：
获取模块20，用于获取第一环境数据。
具体的，本发明实施例为了通过多传感器的数据采集功能，通过预测模型获取管廊的环境预测情况，保证施工人员的安全，需要首先对第一环境数据进行获取和采集，其中，第一环境数据是通过传感器、服务器或相关人员输入的原始数据，例如，管廊内部的温湿度传感器、有害气体传感器、光敏传感器等，还可以包括服务器云端的实时全局环境数据，如天气、外界温湿度、风力等数据。具体采用哪种传感器进行第一环境数据的采集，本发明实施例在此处不进行具体的限定。
可选的，所述第一环境数据包括：本区环境数据、邻区环境数据、全局环境数据可选的，所述获取模块包括：每个预设时间间隔采集所述第一环境数据。
具体的，为了使得第一环境数据得到实时性保证，对于上述第一环境数据中的每种数据都需要每隔一定的时间进行采集，以保证各种环境数据在输入预测模型的时候都是最新最有效地，从而得到最准确的判断和预测结果。
清洗模块22，用于将所述第一环境数据进行清洗，得到第二环境数据。
可选的，所述清洗模块包括：排序单元，用于将所述第一环境数据进行排序；剔除单元，用于根据排序后的第一环境数据进行异常值剔除，得到所述第二环境数据。
具体的，在获取到第一环境数据之后，本发明实施例需要对第一环境数据进行优化和处理，以便增加模型预测的效率和准确性，将所述第一环境数据进行清洗，得到第二环境数据包括：将所述第一环境数据进行排序；根据排序后的第一环境数据进行异常值剔除，得到所述第二环境数据。管廊内部传感器数据往往可能存在异常值，如测量中出现的突变数据，这可能是由于传感器自身的可靠性或者数据传输的原因导致。异常值的存在会使后续的数据融合结果存在很大误差，因此有必要对异常值进行剔除。针对异常值剔除，采用箱线图进行异常检测。将采样的一段数据进行排序，比如每隔1秒采用一次数据，总共采样100个温度数值，将数值从小到大进行排序，挑选出第75％的数据Q3，挑选出第25％的数据Q1。所以异常点的上下限分别为U＝Q3+1.5(Q3-Q1)，L＝Q1-1.5(Q3-Q1)，将数据值大于U和小于L的数值当成异常值进行剔除。
训练模块24，用于根据所述第二环境数据训练环境预测模型。
预测模块26，用于根据所述第二环境数据和训练完毕的所述环境预测模型，生成预测结果。
具体的，根据管廊建设国家标准，廊内环境监测主要的环境指标包含以下表1所述的6种，每个分区200米左右，每个分区都配备有6种传感器进行环境实时监测。
| 环境指标 |
| 氧气O2/VOL |
| 甲烷CH4/％ |
| 硫化氢H2S/ppm |
| 一氧化碳CO/ppm |
| 温度/℃ |
| 湿度/RH％ |
表1
本发明实施例的神经网络结构如图3所示，网络可以划分为3个层级，输入、编码、解码。根据依据encoder-decoder框架，利用两个分离LSTM网络，一个用于对输入序列(比如环境监测传感器的历史时间序列)进行encoder，另一个则用于预测的输出序列。
需要说明的是，长短期记忆网络(LSTM，Long Short-Term Memory)是一种时间循环神经网络，是为了解决一般的RNN(循环神经网络)存在的长期依赖问题而专门设计出来的，所有的RNN都具有一种重复神经网络模块的链式形式。在标准RNN中，这个重复的结构模块只有一个非常简单的结构，例如一个tanh层。
其中，本发明实施例的输入数据主要包含三种：第一，本分区的环境监测数据，也就是本地传感器采集的数据；第二，相邻分区的环境监测数据，由左右分区传感器采集的数据组成，由于每个分区之间的环境是互通的，所以相邻分区之间的环境指标存在一定的空间相关性，因此需要使用其他分区的数据来预测本分区的环境指标；第三，全局环境数据，主要包含天气以及时间。外部的天气会影响廊内环境指标，比如下雨天，可能廊内湿度会比较高；时间主要是昼夜会存在一定的温差，温度不同，也会导致其他指标出现相应变化。其中输入数据每隔一定时间采集一次数据样本，比如每隔一分钟，形成时间序列。通过步骤1进行数据清洗，降低异常样本带来的影响。
在Encoder层中的Concat Attention由三部分组成，分别对应于处理三种输入数据：第一，采用Local attention来处理同一个分区之间传感器数据之间的关系，比如湿度和温度之间可能存在关系，各个气体数据之间也可能存在相关性。给定第i个传感器的第k个局部特征向量(即xi,k)，我们利用attention机制自适应地捕捉目标序列与每个局部特征之间的动态相关性，其公式为:
其中[；]是合并操作，v、b、W、U是需要学习参数。attention的权重的局部特征值是由输入的局部特征和encoder层中的历史状态(即h和s)共同决定的，这个权重值代表着每一个局部特征的重要性。一旦我们获得了attention的权值，就可以通过下面的公式算出在t时刻的local spatial attention的输出向量：
第二，其他分区传感器所监测的历史时间序列对本分区将要预测的指标有直接影响，而且影响的权重是会变化的。比如在通风情况下，一股空气气流从左边分区流动到预测的分区或者从右边分区流动到预测的分区，因此左右分区对于本分区影响的权重可以由一下公示表示：
其中[；]是合并操作，v、b、W、U是需要学习参数。需要注意的是，y是其他传感器在t时间点内的目标维度上的取值序列。然后，使用一个softmax函数来保证所有的attention权值和为1，得出如下的公式：
第三，对于天气以及时间等特征序列，采用简单的加权方法，直接合并到特性序列当中。
还需要说明的是，在Decoder层中，由于encoder-decoder架构的性能会随着encoder序列的长度大幅度下降，因此在decoder的过程中使用attention来encoder序列中选择每一时刻应该强调的序列内容，decoder过程中的t时刻的attention权重计算如下：
其中，v、b、W都是学习得来的。
在encoder层，对于输入的序列进行合并操作后得到特征序列xt,然后用ht＝fe(ht-1,xt)来更新t时刻的隐藏状态，其中fe是一个LSTM单元。在decoder层当中，知道ct′环境向量之后，结合
更新decoder层的隐藏状态，即
其中fd是使用在decoder层上的LSTM单元。最后预测结果如下：
通过上述实施例，解决了现有技术中对于管廊环境监测都是独立评估，无法融合多个传感器数据进行环境评估的技术问题。
根据本发明实施例的另一方面，还提供了一种包括指令的计算机程序产品，当所述指令在计算机上运行时，使得所述计算机执行一种多传感器环境预测方法。
根据本发明实施例的另一方面，还提供了一种非易失性存储介质，所述非易失性存储介质包括存储的程序，其中，所述程序运行时控制非易失性存储介质所在的设备执行一种多传感器环境预测方法。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，可以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。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
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，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述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，可以存储在一个计算机可读取存储介质中。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(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种多传感器环境预测方法，其特征在于，包括：
获取第一环境数据；
将所述第一环境数据进行清洗，得到第二环境数据；
根据所述第二环境数据训练环境预测模型；
根据所述第二环境数据和训练完毕的所述环境预测模型，生成预测结果。
2.根据权利要求1所述的方法，其特征在于，所述第一环境数据包括：本区环境数据、邻区环境数据、全局环境数据。
3.根据权利要求1所述的方法，其特征在于，所述获取第一环境数据包括：每个预设时间间隔采集所述第一环境数据。
4.根据权利要求1所述的方法，其特征在于，所述将所述第一环境数据进行清洗，得到第二环境数据包括：
将所述第一环境数据进行排序；
根据排序后的第一环境数据进行异常值剔除，得到所述第二环境数据。
5.一种多传感器环境预测系统，其特征在于，包括：
获取模块，用于获取第一环境数据；
清洗模块，用于将所述第一环境数据进行清洗，得到第二环境数据；
训练模块，用于根据所述第二环境数据训练环境预测模型；
预测模块，用于根据所述第二环境数据和训练完毕的所述环境预测模型，生成预测结果。
6.根据权利要求5所述的系统，其特征在于，所述第一环境数据包括：本区环境数据、邻区环境数据、全局环境数据。
7.根据权利要求5所述的系统，其特征在于，所述获取模块包括：每个预设时间间隔采集所述第一环境数据。
8.根据权利要求5所述的系统，其特征在于，所述清洗模块包括：
排序单元，用于将所述第一环境数据进行排序；
剔除单元，用于根据排序后的第一环境数据进行异常值剔除，得到所述第二环境数据。
9.一种包括指令的计算机程序产品，其特征在于，当所述指令在计算机上运行时，使得所述计算机执行权利要求1至4中任意一项所述的方法。
10.一种非易失性存储介质，其特征在于，所述非易失性存储介质包括存储的程序，其中，所述程序运行时控制非易失性存储介质所在的设备执行权利要求1至4中任意一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110165574.4A CN112862188A (zh) | 2021-02-06 | 2021-02-06 | 一种多传感器环境预测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110165574.4A CN112862188A (zh) | 2021-02-06 | 2021-02-06 | 一种多传感器环境预测方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112862188A true CN112862188A (zh) | 2021-05-28 |
Family
ID=75988814
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110165574.4A Pending CN112862188A (zh) | 2021-02-06 | 2021-02-06 | 一种多传感器环境预测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112862188A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113566878A (zh) * | 2021-06-29 | 2021-10-29 | 青岛海尔科技有限公司 | 环境数据的检测方法及装置 |
| CN114638557A (zh) * | 2022-05-18 | 2022-06-17 | 浙江建设职业技术学院 | 城市综合管廊运行数据的采集方法与装置 |
| CN115394034A (zh) * | 2022-08-26 | 2022-11-25 | 徐工消防安全装备有限公司 | 火灾风险的确定方法、装置、系统和机器人 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107483229A (zh) * | 2017-07-20 | 2017-12-15 | 中国三冶集团有限公司 | 城市综合管廊运营管理系统 |
| CN110533173A (zh) * | 2019-09-03 | 2019-12-03 | 河南工业大学 | 一种基于多级注意力网络的仓储粮堆温度预测方法及装置 |
| US20200196535A1 (en) * | 2017-09-08 | 2020-06-25 | 9337-4791 Quebec, Inc. | System and method for controlling a growth environment of a crop |
| CN111858926A (zh) * | 2020-06-08 | 2020-10-30 | 北京市基础设施投资有限公司(原北京地铁集团有限责任公司) | 一种基于多元异构数据的管廊设备故障预测方法及系统 |
-
2021
- 2021-02-06 CN CN202110165574.4A patent/CN112862188A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107483229A (zh) * | 2017-07-20 | 2017-12-15 | 中国三冶集团有限公司 | 城市综合管廊运营管理系统 |
| US20200196535A1 (en) * | 2017-09-08 | 2020-06-25 | 9337-4791 Quebec, Inc. | System and method for controlling a growth environment of a crop |
| CN110533173A (zh) * | 2019-09-03 | 2019-12-03 | 河南工业大学 | 一种基于多级注意力网络的仓储粮堆温度预测方法及装置 |
| CN111858926A (zh) * | 2020-06-08 | 2020-10-30 | 北京市基础设施投资有限公司(原北京地铁集团有限责任公司) | 一种基于多元异构数据的管廊设备故障预测方法及系统 |
Non-Patent Citations (1)
| Title |
|---|
| YUXUAN LIANG 等: "GeoMAN: Multi-level Attention Networks for Geo-sensory Time Series Prediction", 《PROCEEDINGS OF THE TWENTY-SEVENTH INTERNATIONAL JOINT CONFERENCE ON ARTIFICIAL INTELLIGENCE (IJCAI-18)》 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113566878A (zh) * | 2021-06-29 | 2021-10-29 | 青岛海尔科技有限公司 | 环境数据的检测方法及装置 |
| CN113566878B (zh) * | 2021-06-29 | 2023-10-24 | 青岛海尔科技有限公司 | 环境数据的检测方法及装置 |
| CN114638557A (zh) * | 2022-05-18 | 2022-06-17 | 浙江建设职业技术学院 | 城市综合管廊运行数据的采集方法与装置 |
| CN115394034A (zh) * | 2022-08-26 | 2022-11-25 | 徐工消防安全装备有限公司 | 火灾风险的确定方法、装置、系统和机器人 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112862188A (zh) | 一种多传感器环境预测方法及系统 | |
| US11021376B2 (en) | Water network monitor, monitoring system and method | |
| CN106022592B (zh) | 一种用电行为异常检测与治安风险预警方法及装置 | |
| CN115329812B (zh) | 一种基于人工智能的桥梁基础设施异常监测方法 | |
| CN113988273A (zh) | 基于深度学习的冰灾环境主动配电网态势预警及评估方法 | |
| CN109492790A (zh) | 基于神经网络与数据挖掘的风电机组健康管理方法 | |
| CN114397526A (zh) | 状态全息感知数据驱动的电力变压器故障预测方法及系统 | |
| CN112489402A (zh) | 一种管廊的预警方法、装置、系统及存储介质 | |
| CN117196120A (zh) | 一种用户用水行为分析算法 | |
| CN114118202A (zh) | 一种城市地下综合管廊异常事件预警方法 | |
| CN115470850A (zh) | 一种基于管网水质时空数据的水质异常事件识别预警方法 | |
| CN117150430A (zh) | 基于多源异构数据融合的高铁沿线大风预测算法 | |
| CN118014185A (zh) | 一种基于大数据的市政管网健康度在线监测系统 | |
| CN112985713A (zh) | 基于边缘计算的管网漏损监测方法及系统 | |
| CN111666652A (zh) | 蒸汽热网疏水器巡检排放操作调度方法及操作调度系统 | |
| CN108093210A (zh) | 一种变压器油位告警系统及其告警方法 | |
| CN105958474B (zh) | 一种电网调控系统用输电线路动态增容方法和系统 | |
| CN117113157B (zh) | 一种基于人工智能的台区用电故障检测系统 | |
| CN112780953B (zh) | 一种基于模式检测的独立计量区域管网漏损检测方法 | |
| CN115496127B (zh) | 一种基于管廊环境的多传感器融合判定方法及系统 | |
| CN115310693A (zh) | 一种综合能源数据清洗方法、系统、设备和介质 | |
| CN114969068A (zh) | 城市压力管网实时流量监测数据分析方法及系统 | |
| CN115081741A (zh) | 一种基于神经网络的天然气计量检定智能预测的方法 | |
| CN107977727A (zh) | 一种基于社会发展和气候因素预测光缆网阻断概率的方法 | |
| CN117148017B (zh) | 一种高压套管油气远程监测方法及系统 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210528 |