CN114444607A - 一种基于lstm的设备评估方法及系统 - Google Patents

Abstract

本申请涉及一种基于LSTM的设备评估方法及系统，涉及智能交通领域。所述方法包括构造LSTM模型的输入特征向量，所述输入特征向量包括所述设备的状态数据；基于历史数据，构建训练集、验证集、测试集；构建初始LSTM模型；训练、验证、测试所述初始LSTM模型，生成最终的LSTM模型；基于实时采集的设备状态数据，通过所述LSTM模型评估所述设备状态及异常类型。本申请的基于LSTM的设备评估方法及系统，基于设备的历史状态序列数据，如电流、电压、芯片温度、空闲内存大小、故障时间、故障类型、网络丢包率等特征用以预测未来设备的运行状态，从而提升设备状态监测的实时性和准确性。

Description

一种基于LSTM的设备评估方法及系统

技术领域

本申请涉及智能交通领域，尤其涉及基于LSTM的设备评估方法及系统。

背景技术

在车路协同系统中，路侧设备RSU向车载终端OBU通过PC5广播发放MAP、SPAT、RSI、RSM等信息，而道路交通的实时性及连续不间断运行的需求，RSU必须保持7*24小时的不间断运行。针对这种连续运行服务的设备，一般通过平台对其服务状态进行监测，对其服务质量进行评估。现有RSU状态检测手段一般通过云端软件轮询RSU状态，当发现RSU状态异常时，通知运维人员及时进行维护。上述方式一定程度上实现RSU运行保障问题，但是轮询查询不能每时每刻运行，轮询监测的间隔存在一定的滞后性(如每15分钟查询)；此外，规模化的RSU轮询查询占用大量的云端平台资源。轮询查询不能实时了解RSU的状态，查询的时间间隔会造成RSU服务异常发现的滞后。此外，无目的轮询，将造成大量的无效冗余的计算、通信开销，管理信息对RSU异常监测的“贡献度”极低。

为减少查询的滞后性，减少轮询查询的计算复杂度，现有技术针对路侧实际部署的RSU状态建立基于规则的专家系统，现有轮询RSU工作状态包括是否工作、网络状态、V2X标准协议栈消息收发情况等，或RSU主动上报心跳等基本信息，在平台端总结相关异常信息为专家系统，编码成预测规则库，然后对RSU实时状态与规则前件进行匹配，若匹配成功，则以规则后件作为预测结果。然而，建立专家系统，进行匹配查询，主要问题在于规则库的建立，包括建立一个完备描述各种异常情况的规则库很难靠专家人力完全“穷尽”，不同专家总结的经验基于个人知识、经历差异存在一定的冲突等。

因此，期望提供一种基于LSTM的设备评估方法及系统，基于设备的历史状态序列数据，如电流、电压、芯片温度、空闲内存大小、故障时间、故障类型、网络丢包率等特征用以预测未来设备的运行状态，从而提升设备状态监测的实时性和准确性。

发明内容

根据本申请的一些实施例的第一方面，提供了一种基于LSTM的设备评估方法，应用于终端(例如，自动驾驶控制器等)中，所述方法可以包括构造LSTM模型的输入特征向量，所述输入特征向量包括所述设备的状态数据；基于历史数据，构建训练集、验证集、测试集；构建初始LSTM模型；训练、验证、测试所述初始LSTM模型，生成最终的LSTM模型；基于实时采集的设备状态数据，通过所述LSTM模型评估所述设备状态及异常类型。

在一些实施例中，所述构造LSTM模型的输入特征向量，具体包括所述设备加电后持续运行时间xt0、所述设备的主控芯片温度xt1、电压xt2、电流xt3、月份xt4、时间xt5、气温xt6、湿度xt7、内存使用百分比xt8、cpu占用百分比xt9、网络ICMP丢包率xt10，第一预设时间内MQTT服务器断连频率xt11，SSH连接状态xt12，SPAT接收状态xt13、SPAT发送状态xt14、SPAT丢弃状态xt15、静态地图数据发送状态xt16、BSM上报状态xt17、第二预设时间内MQTT重连频率xt18，构造第t帧数据对应的输入特征向量xt＝[xt0,xt1,xt2,xt3…xt17,xt18]。

在一些实施例中，构造第t帧数据对应的输出向量ht，具体包括所述设备的异常状态ht0，所述设备的异常原因ht1。

在一些实施例中，所述构建初始LSTM模型，具体包括：

f_t＝σ_g(W_fx_t+U_fh_t-1+b_f)

i_t＝σ_g(W_ix_t+U_ih_t-1+b_i)

o_t＝σ_g(W_ox_t+U_oh_t-1+b_o)

其中，xt为输入特征向量，ht为输出向量、ft为用于控制遗忘门的激励向量、it为用于控制输入门的激励向量、ot为用于控制输出门的激励向量，

为cell输入激励向量，c_t为cell状态向量，W、U、b分别为权重参数、偏移参数。

在一些实施例中，所述基于LSTM的设备评估方法，具体包括基于所述设备输出的健康状态数据，确定交叉熵损失函数。

在一些实施例中，所述基于LSTM的设备评估方法包括训练所述初始LSTM模型，具体包括基于所述损失函数和所述训练集，对所述初始LSTM模型进行迭代训练，获取最优权重参数W和U、最优偏移参数b；基于所述验证集进行过拟合验证。

在一些实施例中，所述基于LSTM的设备评估方法包括测试训练后的所述初始LSTM模型，具体包括基于所述测试集，对训练后的所述初始LSTM模型进行测试；若测试效果满足预设阈值，生成最终的LSTM模型。

在一些实施例中，所述评估所述设备状态及异常类型，具体包括根据实时采集的所述设备数据，预测未来N帧的运行状态及异常类型；基于预测未来N帧的故障时间，进行所述设备的预警。

在一些实施例中，所述设备包括路侧设备RSU。

根据本申请的一些实施例的第二方面，提供了一个系统，所述系统包括：一个存储器，被配置为存储数据及指令；一个与存储器建立通信的处理器，其中，当执行存储器中的指令时，所述处理器被配置为：所述方法可以包括构造LSTM模型的输入特征向量，所述输入特征向量包括所述设备的状态数据；基于历史数据，构建训练集、验证集、测试集；构建初始LSTM模型；训练、验证、测试所述初始LSTM模型，生成最终的LSTM模型；基于实时采集的设备状态数据，通过所述LSTM模型评估所述设备状态及异常类型。

因此，根据本申请的一些实施例的基于LSTM的设备评估方法及系统，基于设备的历史状态序列数据，如电流、电压、芯片温度、空闲内存大小、故障时间、故障类型、网络丢包率等特征用以预测未来设备的运行状态，从而提升设备状态监测的实时性和准确性。

附图说明

为更好地理解并阐述本申请的一些实施例，以下将结合附图参考实施例的描述，在这些附图中，同样的数字编号在附图中指示相应的部分。

图1是根据本申请的一些实施例提供的基于LSTM的设备评估系统的示例性示意图。

图2是根据本申请的一些实施例提供的基于LSTM的设备评估方法的示例性流程图。

具体实施方式

以下参考附图的描述为便于综合理解由权利要求及其等效内容所定义的本申请的各种实施例。这些实施例包括各种特定细节以便于理解，但这些仅被视为示例性的。因此，本领域技术人员可以理解对在此描述的各种实施例进行各种变化和修改而不会脱离本申请的范围和精神。另外，为简要并清楚地描述本申请，本申请将省略对公知功能和结构的描述。

在以下说明书和权利要求书中使用的术语和短语不限于字面含义，而是仅为能够清楚和一致地理解本申请。因此，对于本领域技术人员，可以理解，提供对本申请各种实施例的描述仅仅是为说明的目的，而不是限制所附权利要求及其等效定义的本申请。

下面将结合本申请一些实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。

需要说明的是，在本申请实施例中使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本申请。在本申请实施例和所附权利要求书中所使用的单数形式的“一”、“一个”、“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本申请中使用的术语“和/或”是指并包含一个或多个相绑定的列出项目的任何或所有可能组合。表达“第一”、“第二”、“所述第一”和“所述第二”是用于修饰相应元件而不考虑顺序或者重要性，仅仅被用于区分一种元件与另一元件，而不限制相应元件。

根据本申请一些实施例的终端可以是智能终端，平台，装备和/或电子设备等；该智能终端可以包括车载终端OBU等。该平台可以包括云控平台等，所述平台可以包括由一个或多个电子设备组成的系统平台；该装备可以包括智能网联车辆(Intelligent ConnectedVehicle，ICV)；该电子设备可以包括个人电脑(PC，例如平板电脑、台式电脑、笔记本、上网本、掌上电脑PDA)、客户端设备、虚拟现实设备(VR)、增强现实设备(AR)、混合现实设备(MR)、XR设备、渲染机、智能手机、移动电话、电子书阅读器、便携式多媒体播放器(PMP)、音频/视频播放器(MP3/MP4)、摄像机和可穿戴设备等中的一种或几种的组合。根据本申请的一些实施例，所述可穿戴设备可以包括附件类型(例如手表、戒指、手环、眼镜、或头戴式装置(HMD))、集成类型(例如电子服装)、装饰类型(例如皮肤垫、纹身或内置电子装置)等，或几种的组合。在本申请的一些实施例中，所述电子设备可以是灵活的，不限于上述设备，或者可以是上述各种设备中的一种或几种的组合。在本申请中，术语“用户”可以指示使用电子设备的人或使用电子设备的设备(例如人工智能电子设备)。

本申请实施例提供了一种基于LSTM的设备评估方法及系统。为了便于理解本申请实施例，以下将参考附图对本申请实施例进行详细描述。

图1是根据本申请的一些实施例提供的基于LSTM的设备评估系统的示例性示意图。如图1所述，基于长短期记忆LSTM(Long short-term memory,LSTM)循环LSTM模型的设备评估系统100可以包括网络110、控制端120、用户端130和服务器140等。具体的，控制端120与用户端130在通过网络建立通信，例如，控制端120与用户端130可以在同一个局域网(比如，同一个路由器的网络环境等)中通信。进一步，控制端120可以通过有线(例如，网线等)或无线(例如，云端服务器等)等方式与网络110连接，用户端130可以通过有线或无线(例如，WIFI等)等方式与网络110建立通信连接。在一些实施例中，用户端130可以向控制端120、服务器140发送车辆区域信息等。进一步地，控制端120、服务器140可以向用户端130反馈设备状态信息等。作为示例，服务器140和/或控制端120可以基于未来N帧的运行状态及异常类型，并根据未来N帧的预测故障时间，及时向运维人员进行相关的预警等。

根据本申请的一些实施例，控制端120、用户端130可以为相同或不同的终端设备等。所述终端设备可以包括但不限于智能终端，云控平台，移动终端，计算机等。在智能交通场景中，控制端120可以包括车载终端OBU等，用户端130可以包括显示装置等。在一些实施例中，控制端120和用户端130可以集成在一个设备中，例如，车载终端OBU等。在一些实施例中，服务器140是计算机的一种，具有比普通计算机运行更快、负载更高等优势，而相对应的价格更高昂。在网络环境中，服务器可以为其它客户机(例如，PC机、智能手机、ATM等终端，以及交通系统等大型设备)提供计算或者应用服务。服务器具有高速的CPU运算能力、长时间的可靠运行、强大的I/O外部数据吞吐能力以及更好的扩展性。所述服务器可以提供的服务包括但不限于承担响应服务请求、承担服务、保障服务的能力等。所述服务器作为电子设备，具有极其复杂的内部结构，包括与普通计算机相近的内部结构等，作为示例，所述服务器的内部结构可以包括中央处理器(Central Processing Unit，CPU)、硬盘、内存，系统、系统总线等。

在本申请的一些实施例中，基于LSTM的设备评估系统100可以省略一个或多个元件，或者可以进一步包括一个或多个其它元件。作为示例，基于LSTM的设备评估系统100可以包括多个用户端130，如多个智能装备等。又例如，基于LSTM的设备评估系统100可以包括一个或多个控制端120。再例如，基于LSTM的设备评估系统100可以包括多个服务器140等。在一些实施例中，基于LSTM的设备评估系统100可以包括但不限于基于城市智能交通场景处理的系统。网络110可以为任意类型的通信网络，所述通信网络可以包括计算机网络(例如，局域网(LAN，Local Area Network)或广域网(WAN，Wide Area Network))、互联网和/或电话网络等，或几种的组合。在一些实施例中，网络110可以为其他类型的无线通信网络。所述无线通信可以包括微波通信和/或卫星通信等。所述无线通信可以包括蜂窝通信，例如，全球移动通信(GSM，Global System for Mobile Communications)、码分多址(CDMA，CodeDivision Multiple Access)、第三代移动通信(3G，The 3rd GenerationTelecommunication)、第四代移动通信(4G)、第五代移动通信(5G)、第六代移动通信(6G)、长期演进技术(LTE，Long Term Evolution)、长期演进技术升级版(LTE-A，LTE-Advanced)、宽带码分多址(WCDMA，Wideband Code Division Multiple Access)、通用移动通信系统(UMTS，Universal Mobile Telecommunications System)、无线宽带(WiBro，WirelessBroadband)等，或几种的组合。在一些实施例中，用户端130可以为其他具备同等功能模块的装备和/或电子设备，该装备和/或电子设备可以包括智能网联车辆(IntelligentConnected Vehicle，ICV)、虚拟现实设备(VR)、渲染机、个人电脑(PC，例如平板电脑、台式电脑、笔记本、上网本、掌上电脑PDA)、智能手机、移动电话、电子书阅读器、便携式多媒体播放器(PMP)、音频/视频播放器(MP3/MP4)、摄像机和可穿戴设备等中的一种或几种的组合。

在一些实施例中，所述WIFI可以为其他类型的无线通信技术。根据本申请的一些实施例，所述无线通信可以包括无线局域网(WiFi，Wireless Fidelity)、蓝牙、低功耗蓝牙(BLE，Bluetooth Low Energy)、紫蜂协议(ZigBee)、近场通讯(NFC，Near FieldCommunication)、磁安全传输、射频和体域网(BAN，Body Area Network)等，或几种的组合。根据本申请的一些实施例，所述有线通信可以包括全球导航卫星系统(Glonass/GNSS，Global Navigation Satellite System)、全球定位系统(GPS，Global Position System)、北斗导航卫星系统或伽利略(欧洲全球卫星导航系统)等。所述有线通信可以包括通用串行总线(USB，Universal Serial Bus)、高清多媒体接口(HDMI，High-Definition MultimediaInterface)、推荐标准232(RS-232，Recommend Standard 232)、和/或简易老式电话服务(POTS，Plain Old Telephone Service)等，或几种的组合。

需要说明的是，以上对于基于LSTM的设备评估系统100的描述，仅为描述方便，并不能把本申请限制在所举实施例的范围之内。可以理解，对于本领域技术人员，基于本系统的原理，可能在不背离该原理的前提下，对各个元件进行任意组合，或者构成子系统与其他元件连接，对实施上述方法和系统的应用领域进行形式和细节上的各种修正和改变。例如，服务器140和/或控制端120可以通过路侧设备RSU等获取地图数据等。又例如，控制端120/用户端130可以集成在车载终端OBU中等。诸如此类的变形，均在本申请的保护范围之内。

图2是根据本申请的一些实施例提供的基于LSTM的设备评估方法的示例性流程图。如图2所述，流程200可以通过基于LSTM的设备评估系统100实现。在一些实施例中，所述基于LSTM的设备评估方法200可以自动启动或通过指令启动。所述指令可以包括系统指令、设备指令、用户指令、动作指令等，或几种的组合。

在201，构造LSTM模型的输入特征向量，所述输入特征向量包括所述设备的状态数据。操作201可以通过基于LSTM的设备评估系统100的控制端120、用户端130、服务器140实现。在一些实施例中，控制端120和/或服务器140可以构造LSTM模型的输入特征向量，所述输入特征向量包括所述设备的状态数据。在一些实施例中，控制端120和/或服务器140可以根据设备状态数据，构造LSTM模型的输入特征向量。

在一些实施例中，可以根据路侧设备RSU的状态数据，构造LSTM模型的输入特征向量。

作为示例，所述设备加电后持续运行时间xt0、所述设备的主控芯片温度xt1、电压xt2、电流xt3、月份xt4、时间xt5、气温xt6、湿度xt7、内存使用百分比xt8、cpu占用百分比xt9、网络ICMP丢包率xt10，第一预设时间内MQTT服务器断连频率xt11，SSH连接状态xt12，SPAT接收状态xt13、SPAT发送状态xt14、SPAT丢弃状态xt15、静态地图数据发送状态xt16、BSM上报状态xt17、第二预设时间内MQTT重连频率xt18，构造第t帧数据对应的输入特征向量xt＝[xt0,xt1,xt2,xt3…xt17,xt18]。

在一些实施例中，构造第t帧数据对应的输出向量ht，具体包括：所述设备的异常状态ht0，所述设备的异常原因ht1。例如，路侧设备RSU的异常状态ht0、异常原因ht1等。

在202，基于历史数据，构建训练集、验证集、测试集。操作202可以通过基于LSTM的设备评估系统100的控制端120、服务器140实现。在一些实施例中，控制端120和/或服务器140可以基于历史数据，构建训练集、验证集、测试集。作为示例，控制端120和/或服务器140可以基于长期收集的路侧设备RSU历史数据构建训练集、验证集、测试集等，所述训练集、验证集、测试集用于所述LSTM模型的训练、验证和测试。

在203，构建初始LSTM模型。操作203可以通过基于LSTM的设备评估系统100的控制端120、服务器140实现。在一些实施例中，控制端120和/或服务器140可以构建初始LSTM模型。

在一些实施例中，构建所述初始LSTM模型：

f_t＝σ_g(W_fx_t+U_fh_t-1+b_f)

i_t＝σ_g(W_ix_t+U_ih_t-1+b_i)

o_t＝σ_g(W_ox_t+U_oh_t-1+b_o)

其中，xt为输入特征向量，ht为输出向量、ft为用于控制遗忘门的激励向量、it为用于控制输入门的激励向量、ot为用于控制输出门的激励向量，

为cell输入激励向量，c_t为cell状态向量，W、U、b分别为权重参数、偏移参数。

在204，训练、验证、测试所述初始LSTM模型，生成最终的LSTM模型。操作204可以通过基于LSTM的设备评估系统100的服务器140和/或控制端120实现。在一些实施例中，服务器140和/或控制端120可以训练、验证、测试所述初始LSTM模型，生成最终的LSTM模型。

根据本申请的一些实施例，基于所述设备输出的健康状态数据，确定交叉熵损失函数。作为示例，基于所述损失函数和所述训练集，对所述初始LSTM模型进行迭代训练，获取最优权重参数W和U、最优偏移参数b；基于所述验证集进行过拟合验证。例如，应用BPTT算法，在高性能超算服务器上进行LSTM模型的训练。

在一些实施例中，基于所述测试集，对训练后的所述初始LSTM模型进行测试；若测试效果满足预设阈值，生成最终的LSTM模型。作为示例，所述预设阈值包括实际使用标准等。

在205，基于实时采集的设备状态数据，通过所述LSTM模型评估所述设备状态及异常类型。操作205可以通过基于LSTM的设备评估系统100的服务器140和/或控制端120实现。在一些实施例中，服务器140和/或控制端120可以基于实时采集的设备状态数据，通过所述LSTM模型评估所述设备状态及异常类型。

根据本申请的一些实施例，根据实时采集的所述设备数据，预测未来N帧的运行状态及异常类型；基于预测未来N帧的故障时间，进行所述设备的预警。作为示例，将LSTM模型部署到实际环境中，用于实时根据监测程序采集的RSU数据预测未来N帧的运行状态及异常类型，并根据预测未来N帧的可能故障时间，及时向运维人员进行相关的预警等。

根据本申请的一些实施例，所述设备的状态数据可以在用户端130的用户界面(UI)中显示，所述状态数据的显示场景可以包括但不限于通过VR，AR，MR，XR任一形式或组合形式进行场景显示。

根据本申请的一些实施例，本申请的方法无需建立领域规则库，从而避免现有技术中人工构建规则库方法的弊端。此外，根据RSU健康状态问题的特点，例如连续时间上的信息序列，所有的序列化信息之间存在时间积累传递的特征等，基于序列类问题领域机器学习方法LSTM，实现RSU健康状态的准确预警工作。

需要说明的是，以上对于流程200的描述，仅为描述方便，并不能把本申请限制在所举实施例的范围之内。可以理解，对于本领域技术人员，基于本系统的原理，可能在不背离该原理的前提下，对各个操作进行任意组合，或者构成子流程与其它操作组合，对实施上述流程和操作的功能进行形式和细节上的各种修正和改变。例如，流程200可以进一步包括根据实时采集的所述设备数据，预测未来N帧的运行状态及异常类型等操作。又例如，流程200可以进一步包括基于预测未来N帧的故障时间，进行所述设备的预警等操作。诸如此类的变形，均在本申请的保护范围之内。

综上所述，根据本申请实施例的基于LSTM的设备评估方法及系统，基于设备的历史状态序列数据，如电流、电压、芯片温度、空闲内存大小、故障时间、故障类型、网络丢包率等特征用以预测未来设备的运行状态，从而提升设备状态监测的实时性和准确性。

需要注意的是，上述的实施例仅仅是用作示例，本申请不限于这样的示例，而是可以进行各种变化。

需要说明的是，在本说明书中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

最后，还需要说明的是，上述一系列处理不仅包括以这里所述的顺序按时间序列执行的处理，而且包括并行或分别地、而不是按时间顺序执行的处理。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序指令相关的硬件来完成，所述的程序可存储于一计算机可读存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储器(Read-Only Memory，ROM)或随机存储器(Random Access Memory，RAM)等。

以上所揭露的仅为本申请一些优选的实施例，不能以此来限定本申请之权利范围，本领域普通技术人员可以理解实现上述实施例的全部或部分流程，并依本申请权利要求所作的等同变化，仍属于发明所涵盖的范围。

Claims (10)

1.一种基于LSTM的设备评估方法，其特征在于，包括：

构造LSTM模型的输入特征向量，所述输入特征向量包括所述设备的状态数据；

基于历史数据，构建训练集、验证集、测试集；

构建初始LSTM模型；

训练、验证、测试所述初始LSTM模型，生成最终的LSTM模型；

基于实时采集的设备状态数据，通过所述LSTM模型评估所述设备状态及异常类型。

2.根据权利要求1所述的方法，其特征在于，所述构造LSTM模型的输入特征向量，具体包括：所述设备加电后持续运行时间xt0、所述设备的主控芯片温度xt1、电压xt2、电流xt3、月份xt4、时间xt5、气温xt6、湿度xt7、内存使用百分比xt8、cpu占用百分比xt9、网络ICMP丢包率xt10，第一预设时间内MQTT服务器断连频率xt11，SSH连接状态xt12，SPAT接收状态xt13、SPAT发送状态xt14、SPAT丢弃状态xt15、静态地图数据发送状态xt16、BSM上报状态xt17、第二预设时间内MQTT重连频率xt18，构造第t帧数据对应的输入特征向量xt＝[xt0,xt1,xt2,xt3…xt17,xt18]。

3.根据权利要求2所述的方法，其特征在于，构造第t帧数据对应的输出向量ht，具体包括：所述设备的异常状态ht0，所述设备的异常原因ht1。

4.根据权利要求3所述的方法，其特征在于，所述构建初始LSTM模型，具体包括：

f_t＝σ_g(W_fx_t+U_fh_t-1+b_f)

i_t＝σ_g(W_ix_t+U_ih_t-1+b_i)

o_t＝σ_g(W_ox_t+U_oh_t-1+b_o)

其中，xt为输入特征向量，ht为输出向量、ft为用于控制遗忘门的激励向量、it为用于控制输入门的激励向量、ot为用于控制输出门的激励向量，

为cell输入激励向量，c_t为cell状态向量，W、U、b分别为权重参数、偏移参数。

5.根据权利要求4所述的方法，其特征在于，所述基于LSTM的设备评估方法，具体包括：

基于所述设备输出的健康状态数据，确定交叉熵损失函数。

6.根据权利要求5所述的方法，其特征在于，所述基于LSTM的设备评估方法包括训练所述初始LSTM模型，具体包括：

基于所述损失函数和所述训练集，对所述初始LSTM模型进行迭代训练，获取最优权重参数W和U、最优偏移参数b；

基于所述验证集进行过拟合验证。

7.根据权利要求6所述的方法，其特征在于，所述基于LSTM的设备评估方法包括测试训练后的所述初始LSTM模型，具体包括：

基于所述测试集，对训练后的所述初始LSTM模型进行测试；

若测试效果满足预设阈值，生成最终的LSTM模型。

8.根据权利要求7所述的方法，其特征在于，所述评估所述设备状态及异常类型，具体包括：

根据实时采集的所述设备数据，预测未来N帧的运行状态及异常类型；

基于预测未来N帧的故障时间，进行所述设备的预警。

9.根据权利要求1所述的方法，其特征在于，所述设备包括路侧设备RSU。

10.一个系统，其特征在于，包括：

一个存储器，被配置为存储数据及指令；

一个与存储器建立通信的处理器，其中，当执行存储器中的指令时，所述处理器被配置为：

构造LSTM模型的输入特征向量，所述输入特征向量包括所述设备的状态数据；

基于历史数据，构建训练集、验证集、测试集；

构建初始LSTM模型；

训练、验证、测试所述初始LSTM模型，生成最终的LSTM模型；

基于实时采集的设备状态数据，通过所述LSTM模型评估所述设备状态及异常类型。

Images