CN114266201B - 一种基于深度学习的自注意力电梯困人预测方法 - Google Patents

一种基于深度学习的自注意力电梯困人预测方法 Download PDF

Info

Publication number
CN114266201B
CN114266201B CN202210192632.7A CN202210192632A CN114266201B CN 114266201 B CN114266201 B CN 114266201B CN 202210192632 A CN202210192632 A CN 202210192632A CN 114266201 B CN114266201 B CN 114266201B
Authority
CN
China
Prior art keywords
representing
elevator
input
probability
trapping
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
CN202210192632.7A
Other languages
English (en)
Other versions
CN114266201A (zh
Inventor
王黎斌
汪宏
李伟忠
邓丽芬
许卫全
张宇
周东
王启洲
王陆嘉
朱俊超
周原冰
吴斌
马舜
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.)
Hangzhou Special Equipment Testing And Research Institute Hangzhou Special Equipment Emergency Response Center
Original Assignee
Hangzhou Special Equipment Testing And Research Institute Hangzhou Special Equipment Emergency Response Center
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 Hangzhou Special Equipment Testing And Research Institute Hangzhou Special Equipment Emergency Response Center filed Critical Hangzhou Special Equipment Testing And Research Institute Hangzhou Special Equipment Emergency Response Center
Priority to CN202210192632.7A priority Critical patent/CN114266201B/zh
Publication of CN114266201A publication Critical patent/CN114266201A/zh
Application granted granted Critical
Publication of CN114266201B publication Critical patent/CN114266201B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Elevator Control (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于深度学习的自注意力电梯困人预测方法，其中深度学习模型接受电梯静态信息和历史动态信息，对输入特征做归一化处理，将处理后的特征传入长短期记忆网络，获得时序抽象特征；将时序抽象特征序列放入自注意力机制层，计算不同时间点的特征对于当前时间点特征的相似性，并加权求和，得到综合全时段信息的当前时间点特征；将综合后的当前时间点特征传入二层全连接层，将特征转换为二元的困人/不困人概率预测；本发明可以在不使用电梯组件具体运行数据的前提下，仅使用电梯的静态数据与历史动态数据，预测电梯在下一个时间点的困人概率，解决电梯在当前物联网设备安装不足的情况下直接有效数据不足的问题。

Description

一种基于深度学习的自注意力电梯困人预测方法
技术领域
本发明涉及深度学习领域，特别是涉及一种基于深度学习的自注意力电梯困人预测方法。
背景技术
电梯困人时间序列预测，是指根据现有的电梯静态信息与动态信息，预测电梯在下一个时间点的困人概率，是一种典型的复杂设备故障预测。预测电梯困人概率，提前检修高风险电梯，能够有效降低电梯困人事件的发生，保障人民群众的生命财产安全，提高经济生活的运行效率。
现有的故障预测方法大多面向组件级的退化过程，这类退化过程表现为规则性很强的变化形态，并且能够被单一模型很好地建模和预测。然而，对于复杂装备，由于其系统组成及故障机理的复杂性，不同组件之间存在较强的耦合性，难以分别对其单独建模进行故障预测，已有的单一模型很难得到理想的预测效果。为此，部分学者提出组合的故障预测方法，针对现有的变电设备故障率预测模型，往往会出现不同时期的预测数值不尽统一的现象，研究了基于累积失效规律结合灰色线性回归模型的故障率组合预测方法，得到了较单一模型更好的预测效果。然而，组合方法的构建过程复杂、人工依赖性强，且不利于在实际中推广和应用。
实践证明，多数系统的失效率符合浴盆曲线规律，在系统投入使用的早期磨合过程中，其故障可通过试运转或系统联调等方式解决。经过磨合期后系统进入平稳运行阶段，该阶段的故障诱因多为非规程的不当操作，因此在平稳运行阶段具有失效率低、运行稳定等特点。随着运行年限的增长，其组件表现出明显的退化状态，系统进入损耗失效期，该时期故障多为渐变故障。复杂装备兼具电气和机械双重特性，并且长期处于复杂多变的工作环境，零部件容易磨损和老化，其性能退化至完全失效往往要经历较长时间，因此渐变故障所占的比重更大。
随着系统安全性与可靠性要求的进一步提高，人们更希望根据装备实时状态监测信息，对其渐变故障的演变过程进行分析，从而预测装备未来的运行状况。因此，一种基于深度学习的自注意力电梯困人时间序列预测模型是迫切需要的。
发明内容
本发明的目的是解决现有技术的不足，提供一种基于深度学习的自注意力电梯困人预测方法。
为了解决上述问题，本发明采用如下技术方案：
一种基于深度学习的自注意力电梯困人预测方法，包括如下步骤：
步骤1：根据电梯相关的静态信息及动态信息，结合困人记录以及故障记录，作为模型训练过程的输入，传入深度学习模型；
步骤2：将输入信息分类连接，并对同一类型的输入信息完成归一化处理；
步骤 3：根据时间序列拼接静态信息和动态信息；将拼接后的特征信息传入长短期记忆网络，获得时序抽象特征；
步骤4：将获取的时序抽象特征传入自注意力机制层，计算不同时间点的特征对于当前时间点特征的相似性，并加权求和，得到综合全时段信息的当前时间点特征；
步骤5：将综合时序特征传入两层全连接层，并将特征转换为困人预测概率；
步骤6：判断模型是否已完成训练；若模型未完成训练，则进入步骤7；否则，进入步骤8；
步骤7：模型未完成训练，则将模型预测困人概率与真实困人情况传入交叉熵损失函数，计算预测损失，并通过反向传播更新神经网络参数，完成模型训练，返回步骤1；
步骤8：模型已完成训练，则根据多个模型输出的困人预测概率，获得公认困人概率作为最终预测结果。
进一步的，所述步骤2中的归一化处理按照如下算式进行：
Figure 616206DEST_PATH_IMAGE002
其中，
Figure DEST_PATH_IMAGE003
表示经过归一化处理后获得的数据；
Figure 547253DEST_PATH_IMAGE004
表示归一化处理前的数据；
Figure DEST_PATH_IMAGE005
表 示在输入信息中该类型数据中的最小值；
Figure 285271DEST_PATH_IMAGE006
在输入信息中该类型数据的最大值。
进一步的，所述步骤3获得时序抽象特征的过程如下所示：
Figure 225545DEST_PATH_IMAGE008
其中，
Figure DEST_PATH_IMAGE009
表示输出门中输出的权重；
Figure 483351DEST_PATH_IMAGE010
表示当前LSTM单元的输出；
Figure DEST_PATH_IMAGE011
表示神经网络 中的长期记忆；tanh表示tanh激活函数；
Figure 837496DEST_PATH_IMAGE009
通过下式获得：
Figure DEST_PATH_IMAGE013
其中，
Figure 547963DEST_PATH_IMAGE014
代表上一个LSTM单元的输出；
Figure DEST_PATH_IMAGE015
代表在当前时间点的当前单元输入；
Figure 26349DEST_PATH_IMAGE016
表 示输出门的权重矩阵；
Figure DEST_PATH_IMAGE017
表示输出门的偏置。
进一步的，所述神经网络中的长期记忆
Figure 387929DEST_PATH_IMAGE011
的获取方法如下式所示：
Figure DEST_PATH_IMAGE019
其中，
Figure 395199DEST_PATH_IMAGE020
表示遗忘门的遗忘权重；
Figure DEST_PATH_IMAGE021
表示上一时刻的长期记忆；
Figure 858542DEST_PATH_IMAGE022
表示输入门的输 入权重；
Figure DEST_PATH_IMAGE023
表示候选特征；
输入权重
Figure 858728DEST_PATH_IMAGE022
和候选特征
Figure 622284DEST_PATH_IMAGE023
的获取方式如下：
Figure DEST_PATH_IMAGE025
Figure DEST_PATH_IMAGE027
其中，
Figure 456248DEST_PATH_IMAGE028
表示输入门的权重矩阵；
Figure DEST_PATH_IMAGE029
表示输入门的偏置；
Figure 406887DEST_PATH_IMAGE030
表示Sigmoid激活函数， 为设定值，取值范围为0到1之间；
Figure DEST_PATH_IMAGE031
表示输入门第二部分权重矩阵；
Figure 213693DEST_PATH_IMAGE032
表示输入门第二部分 偏置；
Figure 831756DEST_PATH_IMAGE020
表示遗忘门的遗忘权重的获取方式如下：
Figure 243146DEST_PATH_IMAGE034
其中，
Figure DEST_PATH_IMAGE035
表示遗忘门的权重矩阵，
Figure 149922DEST_PATH_IMAGE036
表示遗忘门的偏置。
进一步的，其中，
Figure 288648DEST_PATH_IMAGE035
表示遗忘门的权重矩阵，
Figure 964480DEST_PATH_IMAGE036
表示遗忘门的偏置。
Figure 281192DEST_PATH_IMAGE038
Figure 472002DEST_PATH_IMAGE040
Figure 899572DEST_PATH_IMAGE042
其中，
Figure DEST_PATH_IMAGE043
为步骤3中输出的特征；
Figure DEST_PATH_IMAGE045
为特征转换矩阵；
Figure 413599DEST_PATH_IMAGE046
为特征转换偏置；
Figure DEST_PATH_IMAGE047
为转换 后特征；
Figure 432371DEST_PATH_IMAGE048
为语义向量；
Figure DEST_PATH_IMAGE049
为转换函数；
Figure 766269DEST_PATH_IMAGE050
为自注意力权重；
Figure DEST_PATH_IMAGE051
表示综合时序特征。
进一步的，所述步骤5中，通过综合时序特征
Figure 997530DEST_PATH_IMAGE051
获得困人概率的过程如下式所示：
Figure DEST_PATH_IMAGE053
Figure DEST_PATH_IMAGE055
其中，
Figure 116796DEST_PATH_IMAGE056
表示第一层全连接层的权重矩阵；
Figure DEST_PATH_IMAGE057
表示第一层全连接层的偏置；
Figure 546947DEST_PATH_IMAGE058
表示 第一层全连接层的输出；
Figure DEST_PATH_IMAGE059
表示第二层全连接层的权重矩阵；
Figure 118874DEST_PATH_IMAGE060
表示第二层全连接层的偏 置；
Figure DEST_PATH_IMAGE061
表示预测获得的困人概率。
进一步的，所述步骤7中，交叉熵损失函数如下所示：
Figure DEST_PATH_IMAGE063
其中，
Figure 871935DEST_PATH_IMAGE064
表示电梯困人的实际概率；
Figure 376866DEST_PATH_IMAGE061
表示预测的困人概率；
Figure 268599DEST_PATH_IMAGE066
表示获取的交叉损失 函数。
进一步的，所述电梯困人的实际概率通过统计采集的数据中困人次数占据总次数的比例获得。
进一步的，所述步骤8中，多个模型表示经过步骤1-7获得的结构一致，使用训练数据相同，采用同一数据序列，但其权重参数不同，训练获得的模型。
进一步的，所述公认困人概率的获取方法包括取多个模型输出的困人预测概率的平均值和最小值。
本发明的有益效果为：
通过将原始数据输入到深度学习模型后，先经过LSTM网络和自注意力机制，能够有效从时间序列中提取出时序特征，并通过全连接层预测出电梯在下一个时间点的困人概率，在不使用电梯组件具体运行数据的前提下，仅使用电梯的静态数据与历史动态数据，抽取电梯的时序特征，预测电梯在下一个时间点的困人概率，有效地解决了电梯在当前物联网设备安装不足的情况下直接有效数据不足的问题。
附图说明
图1为本发明实施例一的方法流程图；
图2为本发明实施例一的LSTM网络的结构图；
图 3为本发明实施例一的预测精确率随偏差阈值变化的波形图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，遂图中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。
实施例一：
如图1所示，一种基于深度学习的自注意力电梯困人预测方法，包括如下步骤：
步骤1：根据电梯相关的静态信息及动态信息，结合困人记录以及故障记录，作为模型训练过程的输入，传入深度学习模型；其中静态信息包括电梯所在位置、场所类型、场所名称等，动态信息包括气压、湿度、气温等；
步骤2：将输入信息分类，并对同一类型的输入信息完成归一化处理；
步骤 3：根据时间序列拼接静态信息和动态信息；将拼接后的特征信息传入长短期记忆网络（long short-term memory，LSTM），获得时序抽象特征；
步骤4：将获取的时序抽象特征传入自注意力机制层，计算不同时间点的特征对于 当前时间点特征的相似性，并加权求和，得到综合全时段信息的当前时间点特征，表示为综 合时序特征
Figure 124559DEST_PATH_IMAGE051
；
步骤5：将综合时序特征传入两层全连接层，并将特征转换为困人预测概率；
步骤6：判断模型是否已完成训练；若模型未完成训练，则进入步骤7；否则，进入步骤8；
步骤7：模型未完成训练，则将模型预测困人概率与真实困人情况传入交叉熵损失函数，计算预测损失，并通过反向传播更新神经网络参数，完成模型训练，返回步骤1；
步骤8：模型已完成训练，则根据多个模型输出的困人预测概率，获得公认困人概率作为最终预测结果；其中公认困人概率的获取方法包括取平均值和取最小值等。
所述步骤2中的归一化处理按照如下算式进行：
Figure 432044DEST_PATH_IMAGE002
其中，
Figure 853798DEST_PATH_IMAGE003
表示经过归一化处理后获得的数据；
Figure 368962DEST_PATH_IMAGE004
表示归一化处理前的数据；
Figure 181060DEST_PATH_IMAGE005
表 示在输入信息中该类型数据中的最小值；
Figure 620131DEST_PATH_IMAGE006
在输入信息中该类型数据的最大值。经过归 一化处理，能够使不同类型的数据处于相同的数值量级，减少方差较大的特征数据的影响， 使训练获得的模型更加准确，并且能够加快学习算法的收敛速度，提高模型的训练效率。
如图2所示，在步骤3中静态信息归一化处理后的形状为[batch_size, seq_len,static_feature_size]，其中batch_size为输入模型的时间序列数量，seq_len为时间序列的长度，static_feature_size为静态信息的特征数；动态信息归一化处理后的形状为[batch_size, seq_len, dynamic_feature_size]，其中dynamic_feature_size为动态信息的特征数，batch_size为输入模型的时间序列数量，seq_len为时间序列的长度；根据batch_size和seq_len参数，将batch_size和seq_len参数相同的静态信息和动态信息拼接起来，拼接后特征的形状为[batch_size, seq_len, static_feature_size +dynamic_feature_size]。
另一方面，在步骤3中采用长短期记忆网络的目的，是因为传统的神经网络不具备获取其他特征信息的能力，而传统的循环神经网络随着运行时间的增长，传回的残差会按照指数下降，导致神经网络的权重更新缓慢，失去获取长距离依赖的能力，因此采用LSTM通过使用遗忘门和记忆门，控制残差信息。所述步骤3获得时序抽象特征的过程包括：
采用上一个LSTM单元的输出
Figure DEST_PATH_IMAGE067
和当前单元的输入
Figure 489867DEST_PATH_IMAGE068
两部分作为当前单元的输入； 首先通过遗忘门控制需要去除的信息，如下式所示：
Figure DEST_PATH_IMAGE069
其中，
Figure 192244DEST_PATH_IMAGE030
表示Sigmoid激活函数，为设定值，取值范围为0到1之间，用于增减非线性 变换；
Figure 757218DEST_PATH_IMAGE035
表示遗忘门的权重矩阵，
Figure 658702DEST_PATH_IMAGE036
表示遗忘门的偏置；
同时并行计算输入门以控制需要传入LSTM单元长期记忆的信息，如下式所示：
Figure 258311DEST_PATH_IMAGE070
Figure DEST_PATH_IMAGE071
其中，输入门包括两部分，第一部分是结合短期记忆，也就是上一个LSTM单元的输 出
Figure 866010DEST_PATH_IMAGE067
和当前单元的输入
Figure 918279DEST_PATH_IMAGE068
，通过输入门的权重矩阵
Figure 433574DEST_PATH_IMAGE028
，和输入门偏置
Figure 136957DEST_PATH_IMAGE029
，结合Sigmoid激活 函数，表示为
Figure 649978DEST_PATH_IMAGE030
，生成输入权重
Figure 189544DEST_PATH_IMAGE022
；输入权重
Figure 508529DEST_PATH_IMAGE022
用于确定新获得的特征传输到长期记忆的比 例；第二部分结合上一单元的输出
Figure 551572DEST_PATH_IMAGE067
和当前输入
Figure 750341DEST_PATH_IMAGE068
，使用第二部分权重矩阵
Figure 308361DEST_PATH_IMAGE031
和第二部分 偏置
Figure 368721DEST_PATH_IMAGE032
计算特征，通过tanh激活函数，表示为tanh，产生一个候选特征
Figure 531849DEST_PATH_IMAGE023
；在本例中，候选特 征的每一个值均在-1到1之间；
通过遗忘门的遗忘权重
Figure 448990DEST_PATH_IMAGE020
、上一时刻的长期记忆
Figure 963147DEST_PATH_IMAGE021
、输入门的输入权重
Figure 810887DEST_PATH_IMAGE022
和候选特 征
Figure 828521DEST_PATH_IMAGE023
，在LSTM网络中，更新长期记忆
Figure 182142DEST_PATH_IMAGE011
，如下式所示：
Figure 918017DEST_PATH_IMAGE019
在输出门中，将上一个LSTM单元的输出
Figure 54600DEST_PATH_IMAGE067
和当前单元的输入
Figure 989058DEST_PATH_IMAGE068
混合，共同计算获 得当前输出
Figure 969040DEST_PATH_IMAGE043
，如下式所示：
Figure 926632DEST_PATH_IMAGE013
Figure 132485DEST_PATH_IMAGE008
其中，
Figure 124712DEST_PATH_IMAGE009
表示输出门中输出的权重；
Figure 554556DEST_PATH_IMAGE014
表示上一个时间点的短期记忆，在本例中为 上一个LSTM单元的输出；
Figure 514291DEST_PATH_IMAGE015
表示在当前时间点的当前单元输入；
Figure 258256DEST_PATH_IMAGE016
表示输出门的权重矩阵；
Figure 104989DEST_PATH_IMAGE017
表示输出门的偏置；
Figure 971314DEST_PATH_IMAGE030
表示Sigmod激活函数；
Figure 903498DEST_PATH_IMAGE010
表示当前时间点的短期记忆，即当前LSTM 单元的输出；
Figure 700422DEST_PATH_IMAGE011
表示神经网络中的长期记忆；tanh表示tanh激活函数。
在获取当前单元的输出
Figure 667241DEST_PATH_IMAGE043
后，根据时序顺序，依次输出各个单元提取的特征。
所述步骤4中，自注意力机制的公式如下所示：
Figure 829100DEST_PATH_IMAGE038
Figure 514160DEST_PATH_IMAGE040
Figure 662244DEST_PATH_IMAGE072
其中，
Figure 217991DEST_PATH_IMAGE043
为步骤3中输出的特征；
Figure 363801DEST_PATH_IMAGE045
为特征转换矩阵；
Figure 67315DEST_PATH_IMAGE046
为特征转换偏置；在本例 中，将双曲正切函数
Figure DEST_PATH_IMAGE073
作为激活函数，将自注意力机制中的输入转换到-1到1之间，
Figure 677812DEST_PATH_IMAGE047
为转 换后特征；
Figure 150382DEST_PATH_IMAGE048
为语义向量；
Figure 732673DEST_PATH_IMAGE049
为转换函数，用于将输入的向量转换为0到1之间的数值， 和为1的函数，为不同时间点的特征赋予权重；
Figure 861166DEST_PATH_IMAGE050
为自注意力权重，不同的自注意力权重的 和为1；在实施过程中，通过将每一时刻的特征
Figure 351053DEST_PATH_IMAGE043
按自注意力权重加权求和，即得到综合时 序特征
Figure 396239DEST_PATH_IMAGE051
。
所述步骤5中，通过综合时序特征
Figure 883852DEST_PATH_IMAGE051
获得困人概率的过程如下式所示：
Figure 499641DEST_PATH_IMAGE053
Figure 793219DEST_PATH_IMAGE055
其中，
Figure 443643DEST_PATH_IMAGE056
表示第一层全连接层的权重矩阵；
Figure 351425DEST_PATH_IMAGE057
表示第一层全连接层的偏置；
Figure 720089DEST_PATH_IMAGE058
表示 第一层全连接层的输出；
Figure 551779DEST_PATH_IMAGE059
表示第二层全连接层的权重矩阵；
Figure 791131DEST_PATH_IMAGE060
表示第二层全连接层的偏 置；
Figure 886126DEST_PATH_IMAGE061
表示预测获得的困人概率；为了便于模型训练，在本例中，困人和不困人的概率和为 1，在获取预测的困人概率后，能够推算出不困人概率。
所述步骤7中，交叉熵损失函数如下所示：
Figure 273245DEST_PATH_IMAGE074
其中，
Figure 361155DEST_PATH_IMAGE064
表示电梯困人的实际概率，取值为0或1，在本例中通过统计采集的数据中 困人次数占据总次数的比例获得；
Figure 720592DEST_PATH_IMAGE061
表示预测的困人概率；
Figure 783226DEST_PATH_IMAGE066
表示获取的交叉损失函数。交叉 损失函数用于计算实际概率与预测的困人概率之间的差异，用于对模型训练的输出结果进 行修正，确保结果的准确性。
所述步骤8中，多个模型表示经过步骤1-7获得的结构一致，使用训练数据相同，采 用同一数据序列但其权重参数不同，训练出的模型，其中权重参数包括权重矩阵
Figure 595325DEST_PATH_IMAGE035
、
Figure 972079DEST_PATH_IMAGE028
、
Figure DEST_PATH_IMAGE075
、
Figure 981097DEST_PATH_IMAGE016
、
Figure 417895DEST_PATH_IMAGE045
、
Figure 717289DEST_PATH_IMAGE047
、
Figure 897735DEST_PATH_IMAGE056
以及
Figure 294081DEST_PATH_IMAGE059
；需要说明的是在本例中，模型的权重矩阵和偏置通过模型的训练过程 获得。由于本实例中的深度学习模型难以获取归纳出困人特征，以预测困人概率，因此需要 多个不同电梯困人特征侧重的模型，在下一个阶段得到的模型是对上一个阶段模型的微 调，其特征提取的侧重点不同，优势点也不同，将其串联起来，可以综合不同模型的预测优 势，得到准确的综合困人概率。
如图3所示，在实施过程中，通过采集21,196台正在使用中的电梯数据，作为数据源，在本例中采集一个月的数据作为测试训练数据集。通过上述步骤1-8，获取预测的电梯困人概率后，设置多个偏差值，对电梯困人概率预测性能评估，获取性能对比表1，并根据对比表1，获得精确率随偏差阈值的变化，如图3所示。
表 1
Figure 151048DEST_PATH_IMAGE076
根据表1显示，可以看出电梯困人预测模型在有限数据的前提下，能够获得较高的预测性能。当偏差阈值为0.01时，电梯困人的召回率为41.4%，说明本文提出的电梯困人预测模型具有较好的召回性能。当偏差阈值为0.0004时，电梯困人的精确率为14.48%，说明本文提出的电梯困人预测模型具有较好的预测性能；同时，由于在实际电梯检修中，大量未装有物联网设备的电梯所获取的信息详细度与本模型使用的信息详细度一致，因此，本文提出的模型具有较高的可行性。
以上描述仅是本发明的一个具体实例，不构成对本发明的任何限制。显然对于本领域的专业人员来说，在了解了本发明内容和原理后，都可能在不背离本发明原理、结构的情况下，进行形式和细节上的各种修改和改变，但是这些基于本发明思想的修正和改变仍在本发明的权利要求保护范围之内。

Claims (7)

1.一种基于深度学习的自注意力电梯困人预测方法，其特征在于，包括如下步骤：
步骤1：根据电梯相关的静态信息及动态信息，结合困人记录以及故障记录，作为模型训练过程的输入，传入深度学习模型；
步骤2：将输入信息分类连接，并对同一类型的输入信息完成归一化处理；
步骤 3：根据时间序列拼接静态信息和动态信息；将拼接后的特征信息传入长短期记忆网络，获得时序抽象特征；
步骤4：将获取的时序抽象特征传入自注意力机制层，计算不同时间点的特征对于当前 时间点特征的相似性，并加权求和，得到综合全时段信息的综合时序特征
Figure 619457DEST_PATH_IMAGE001
；
步骤5：将综合时序特征
Figure 208702DEST_PATH_IMAGE001
传入两层全连接层，并将特征转换为预测困人概率；
步骤6：判断模型是否已完成训练；若模型未完成训练，则进入步骤7；否则，进入步骤8；
步骤7：模型未完成训练，则将模型预测困人概率与真实困人情况传入交叉熵损失函数，计算预测损失，并通过反向传播更新神经网络参数，完成模型训练，返回步骤1；
步骤8：模型已完成训练，则根据多个模型输出的预测困人概率，获得公认困人概率作为最终预测结果；
所述步骤3获得时序抽象特征的过程如下所示：
Figure 519597DEST_PATH_IMAGE002
其中，
Figure 69134DEST_PATH_IMAGE003
表示输出门中输出的权重；
Figure 414665DEST_PATH_IMAGE004
表示当前LSTM单元的输出；
Figure 643652DEST_PATH_IMAGE005
表示神经网络中 的长期记忆；tanh表示tanh激活函数；
Figure 441844DEST_PATH_IMAGE006
通过下式获得：
Figure 296536DEST_PATH_IMAGE007
其中，
Figure 496573DEST_PATH_IMAGE008
代表上一个LSTM单元的输出；
Figure 896462DEST_PATH_IMAGE009
代表在当前时间点的当前单元输入；
Figure 181949DEST_PATH_IMAGE010
表示 输出门的权重矩阵；
Figure 76218DEST_PATH_IMAGE011
表示输出门的偏置；
Figure 130762DEST_PATH_IMAGE013
表示Sigmoid激活函数；
所述步骤4中，自注意力机制的公式如下所示：
Figure 232710DEST_PATH_IMAGE014
Figure 130128DEST_PATH_IMAGE015
其中，
Figure 670831DEST_PATH_IMAGE016
为步骤3中输出的特征；
Figure 986406DEST_PATH_IMAGE017
为特征转换矩阵；
Figure 852730DEST_PATH_IMAGE018
为特征转换偏置；
Figure 735979DEST_PATH_IMAGE019
为转换 后特征；
Figure 345952DEST_PATH_IMAGE020
为语义向量；
Figure 250454DEST_PATH_IMAGE021
为转换函数；
Figure 553260DEST_PATH_IMAGE022
为自注意力权重；
Figure 159690DEST_PATH_IMAGE023
表示综合时序特征；
所述步骤5中，通过综合时序特征
Figure 573354DEST_PATH_IMAGE023
获得困人概率的过程如下式所示：
Figure 332363DEST_PATH_IMAGE024
其中，
Figure 806069DEST_PATH_IMAGE025
表示第一层全连接层的权重矩阵；
Figure 401261DEST_PATH_IMAGE026
表示第一层全连接层的偏置；
Figure 353037DEST_PATH_IMAGE027
表示第 一层全连接层的输出；
Figure 232131DEST_PATH_IMAGE028
表示第二层全连接层的权重矩阵；
Figure 876739DEST_PATH_IMAGE029
表示第二层全连接层的偏 置；
Figure 457762DEST_PATH_IMAGE030
表示预测获得的困人概率。
2.根据权利要求1所述的一种基于深度学习的自注意力电梯困人预测方法，其特征在于，所述步骤2中的归一化处理按照如下算式进行：
Figure 213228DEST_PATH_IMAGE031
其中，
Figure 681250DEST_PATH_IMAGE032
表示经过归一化处理后获得的数据；
Figure 496759DEST_PATH_IMAGE034
表示归一化处理前的数据；
Figure 87051DEST_PATH_IMAGE035
表 示在输入信息中该类型数据中的最小值；
Figure 646208DEST_PATH_IMAGE036
在输入信息中该类型数据的最大值。
3.根据权利要求1所述的一种基于深度学习的自注意力电梯困人预测方法，其特征在 于，所述神经网络中的长期记忆
Figure 234315DEST_PATH_IMAGE037
的获取方法如下式所示：
Figure 955147DEST_PATH_IMAGE038
其中，
Figure 510762DEST_PATH_IMAGE039
表示遗忘门的遗忘权重；
Figure 608031DEST_PATH_IMAGE040
表示上一时刻的长期记忆；
Figure 581803DEST_PATH_IMAGE041
表示输入门的输 入权重；
Figure 473536DEST_PATH_IMAGE042
表示候选特征；
输入权重
Figure 17912DEST_PATH_IMAGE041
和候选特征
Figure 653292DEST_PATH_IMAGE042
的获取方式如下：
Figure 950413DEST_PATH_IMAGE043
其中，
Figure 544205DEST_PATH_IMAGE044
表示输入门的权重矩阵；
Figure 808833DEST_PATH_IMAGE045
表示输入门的偏置；
Figure 513484DEST_PATH_IMAGE046
表示Sigmoid激活函数，为 设定值，取值范围为0到1之间；
Figure 930690DEST_PATH_IMAGE047
表示输入门第二部分权重矩阵；
Figure 429804DEST_PATH_IMAGE048
表示输入门第二部 分偏置；
Figure 680264DEST_PATH_IMAGE049
表示遗忘门的遗忘权重，获取方式如下：
Figure 923026DEST_PATH_IMAGE050
其中，
Figure 194739DEST_PATH_IMAGE051
表示遗忘门的权重矩阵，
Figure 864755DEST_PATH_IMAGE052
表示遗忘门的偏置。
4.根据权利要求1所述的一种基于深度学习的自注意力电梯困人预测方法，其特征在于，所述步骤7中，交叉熵损失函数如下所示：
Figure 103975DEST_PATH_IMAGE053
其中，
Figure 884849DEST_PATH_IMAGE054
表示电梯困人的实际概率；
Figure 276647DEST_PATH_IMAGE055
表示预测的困人概率；
Figure 117564DEST_PATH_IMAGE056
表示获取的交叉损失 函数。
5.根据权利要求4所述的一种基于深度学习的自注意力电梯困人预测方法，其特征在于，所述电梯困人的实际概率通过统计采集的数据中困人次数占据总次数的比例获得。
6.根据权利要求1所述的一种基于深度学习的自注意力电梯困人预测方法，其特征在于，所述步骤8中，多个模型表示经过步骤1-7获得的结构一致，使用训练数据相同，采用同一数据序列，但其权重参数不同，训练获得的模型。
7.根据权利要求6所述的一种基于深度学习的自注意力电梯困人预测方法，其特征在于，所述公认困人概率的获取方法包括取多个模型输出的预测困人概率的平均值和最小值。
CN202210192632.7A 2022-03-01 2022-03-01 一种基于深度学习的自注意力电梯困人预测方法 Active CN114266201B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210192632.7A CN114266201B (zh) 2022-03-01 2022-03-01 一种基于深度学习的自注意力电梯困人预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210192632.7A CN114266201B (zh) 2022-03-01 2022-03-01 一种基于深度学习的自注意力电梯困人预测方法

Publications (2)

Publication Number Publication Date
CN114266201A CN114266201A (zh) 2022-04-01
CN114266201B true CN114266201B (zh) 2022-07-22

Family

ID=80833813

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210192632.7A Active CN114266201B (zh) 2022-03-01 2022-03-01 一种基于深度学习的自注意力电梯困人预测方法

Country Status (1)

Country Link
CN (1) CN114266201B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115795351B (zh) * 2023-01-29 2023-06-09 杭州市特种设备检测研究院(杭州市特种设备应急处置中心) 一种基于残差网络和2d特征表示的电梯大数据风险预警方法
CN117435918B (zh) * 2023-12-20 2024-03-15 杭州市特种设备检测研究院(杭州市特种设备应急处置中心) 一种基于空间注意力网络与特征划分的电梯风险预警方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109033450A (zh) * 2018-08-22 2018-12-18 太原理工大学 基于深度学习的电梯设备故障预测方法
CN109886492A (zh) * 2019-02-26 2019-06-14 浙江鑫升新能源科技有限公司 基于Attention LSTM的光伏发电功率预测模型及其构建方法
CN112488235A (zh) * 2020-12-11 2021-03-12 江苏省特种设备安全监督检验研究院 一种基于深度学习的电梯时序数据的异常诊断方法
CN113902202A (zh) * 2021-10-15 2022-01-07 南京工程学院 基于双重注意力机制和lstm的短期负荷预测模型和方法
CN114004377A (zh) * 2021-10-29 2022-02-01 平安国际智慧城市科技股份有限公司 基于维保数据的电梯督促维修方法、装置、设备及介质

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11341372B2 (en) * 2018-11-23 2022-05-24 POSTECH Research and Business Development Foundation Method of predicting demand of virtual network function resources to which machine learning is applied
US20210286544A1 (en) * 2020-03-10 2021-09-16 University Of Louisiana At Lafayette Economic long short-term memory for recurrent neural networks
CN111563624A (zh) * 2020-05-06 2020-08-21 北京工业大学 一种基于LSTM与Attention相结合的绿色能源预测方法
CN112766619B (zh) * 2021-04-07 2021-07-20 广东众聚人工智能科技有限公司 一种商品时序数据预测方法及系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109033450A (zh) * 2018-08-22 2018-12-18 太原理工大学 基于深度学习的电梯设备故障预测方法
CN109886492A (zh) * 2019-02-26 2019-06-14 浙江鑫升新能源科技有限公司 基于Attention LSTM的光伏发电功率预测模型及其构建方法
CN112488235A (zh) * 2020-12-11 2021-03-12 江苏省特种设备安全监督检验研究院 一种基于深度学习的电梯时序数据的异常诊断方法
CN113902202A (zh) * 2021-10-15 2022-01-07 南京工程学院 基于双重注意力机制和lstm的短期负荷预测模型和方法
CN114004377A (zh) * 2021-10-29 2022-02-01 平安国际智慧城市科技股份有限公司 基于维保数据的电梯督促维修方法、装置、设备及介质

Also Published As

Publication number Publication date
CN114266201A (zh) 2022-04-01

Similar Documents

Publication Publication Date Title
CN109472110B (zh) 一种基于lstm网络和arima模型的航空发动机剩余使用寿命预测方法
Luo et al. Convolutional neural network based on attention mechanism and Bi-LSTM for bearing remaining life prediction
CN114266201B (zh) 一种基于深度学习的自注意力电梯困人预测方法
CN107544904B (zh) 一种基于深度cg-lstm神经网络的软件可靠性预测方法
CN111813084B (zh) 一种基于深度学习的机械装备故障诊断方法
CN116757534B (zh) 一种基于神经训练网络的智能冰箱可靠性分析方法
CN110288046B (zh) 一种基于小波神经网络与隐马尔科夫模型的故障预测方法
CN111461463A (zh) 一种基于tcn-bp的短期负荷预测方法、系统及设备
CN114648097A (zh) 基于深度学习的电梯困人特征解析与时间序列预测模型构建方法、所得模型及预测方法
CN114218872B (zh) 基于dbn-lstm半监督联合模型的剩余使用寿命预测方法
CN111881299B (zh) 基于复制神经网络的离群事件检测与识别方法
Wang et al. A remaining useful life prediction model based on hybrid long-short sequences for engines
Yang et al. Remaining useful life prediction based on normalizing flow embedded sequence-to-sequence learning
CN113627091A (zh) 一种用于预测能源负荷的装置及方法
CN116680105A (zh) 一种基于邻域信息融合注意力机制的时序异常检测方法
CN110222910B (zh) 一种有源配电网态势预测方法及预测系统
Tang et al. Prediction of bearing performance degradation with bottleneck feature based on LSTM network
Fu et al. MCA-DTCN: A novel dual-task temporal convolutional network with multi-channel attention for first prediction time detection and remaining useful life prediction
CN113673774A (zh) 基于自编码器和时序卷积网络的航空发动机余寿预测方法
Deng et al. A remaining useful life prediction method with automatic feature extraction for aircraft engines
JPH0934863A (ja) ニューラルネットワークによる情報統合処理方法
CN116632834A (zh) 一种基于SSA-BiGRU-Attention的短期电力负荷预测方法
CN114841063A (zh) 一种基于深度学习的航空发动机剩余寿命预测方法
CN112598186B (zh) 一种基于改进的lstm-mlp的小型发电机故障预测方法
CN114970745A (zh) 物联网智能安防与环境大数据系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant