CN117172085B - 一种pccp断丝预测方法、装置、计算机设备及介质 - Google Patents
一种pccp断丝预测方法、装置、计算机设备及介质 Download PDFInfo
- Publication number
- CN117172085B CN117172085B CN202310410009.9A CN202310410009A CN117172085B CN 117172085 B CN117172085 B CN 117172085B CN 202310410009 A CN202310410009 A CN 202310410009A CN 117172085 B CN117172085 B CN 117172085B
- Authority
- CN
- China
- Prior art keywords
- pccp
- time sequence
- characteristic data
- wire breakage
- weighted average
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 40
- 230000007246 mechanism Effects 0.000 claims abstract description 25
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 18
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 11
- 230000015654 memory Effects 0.000 claims description 26
- 238000013528 artificial neural network Methods 0.000 claims description 15
- 238000012549 training Methods 0.000 claims description 13
- 238000011156 evaluation Methods 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 10
- 230000004927 fusion Effects 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 8
- 125000004122 cyclic group Chemical group 0.000 claims description 7
- 238000007405 data analysis Methods 0.000 abstract description 6
- 238000010586 diagram Methods 0.000 description 9
- 239000011159 matrix material Substances 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- 229910000831 Steel Inorganic materials 0.000 description 5
- 239000010959 steel Substances 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 239000004567 concrete Substances 0.000 description 4
- 230000000737 periodic effect Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000000306 recurrent effect Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 230000002085 persistent effect Effects 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000004210 cathodic protection Methods 0.000 description 1
- 239000011083 cement mortar Substances 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 235000019800 disodium phosphate Nutrition 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000011513 prestressed concrete Substances 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 230000035939 shock Effects 0.000 description 1
- 238000005507 spraying Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种PCCP断丝预测方法、装置、计算机设备及介质，涉及数据分析领域，该方法包括：获取PCCP断丝影响因素，所述影响因素包括管道水压、调泵以及温度；对所述影响因素进行时序特征数据分解；基于注意力机制计算分解后的时序特征数据对应的加权平均向量；将所述加权平均向量输入到预先训练好的预测模型中，得到PCCP断丝预测结果。通过本发明提供的PCCP断丝预测方法，对影响因素进行时序特征数据分解，以直观分析影响因素和断丝之间的关联，基于注意力机制计算分解后的时序特征数据对应的加权平均向量，降低数据分析的复杂度，利用预测模型预测PCCP断丝结果，对PCCP断丝情况提前预测，对管道事故进行预防。
Description
技术领域
本发明涉及数据分析领域，具体涉及一种PCCP断丝预测方法、装置、计算机设备及介质。
背景技术
PCCP(Prestressed Concrete Cylinder Pipe，预应力钢筒混凝土管)是一种新型复合管材，由钢板、预应力钢丝、混凝土和水泥砂浆原材料在经过钢筒成型、混凝土浇筑、预应力控制技术的施加和保护层喷射等制造工艺而成。PCCP是引水调水、市政工程中的重要设施，具有承受压力高、抗震性强以及施工方便等优势。然而，随着PCCP使用年限的增加，受地质、水文的影响，PCCP可能出现断丝、渗漏以及爆管等现象，提前对PCCP断丝情况进行预测对预防管道事故具有重大意义。
在现有技术中，通常对PCCP所处的地质水文环境、阴极保护情况、供水压力及其变化等相关因素进行分析，以对PCCP断丝情况进行预测。然而，相关因素对PCCP断丝的影响程度难以用定量进行表示，因此，不易对断丝情况进行预测。
发明内容
因此，本发明要解决的技术问题在于克服现有技术中不易对断丝情况进行预测的问题，从而提供一种PCCP断丝预测方法、装置、计算机设备及介质。
根据第一方面，本发明提供一种PCCP断丝预测方法，所述方法包括：
获取PCCP断丝影响因素，所述影响因素包括管道水压、调泵以及温度；
对所述影响因素进行时序特征数据分解；
基于注意力机制计算分解后的时序特征数据对应的加权平均向量；
将所述加权平均向量输入到预先训练好的预测模型中，得到PCCP断丝预测结果。
在一实施例中，所述分解后的时序特征数据包括：趋势分量、周期分量以及余项。
在一实施例中，所述基于注意力机制计算分解后的时序特征数据对应的加权平均向量，包括：
基于注意力机制，计算各个分解后的时序特征数据被选择的概率值；
根据所述各个分解后的时序特征数据被选择的概率值，计算分解后的时序特征数据对应的加权平均向量。
在一实施例中，按照如下公式计算分解后的时序特征数据对应的加权平均向量：
其中，X为分解后的时序特征数据，q为查询向量，αi为选择第i个分解后的时序特征数据的概率，xi为第i个分解后的时序特征数据。
在一实施例中，按照如下公式计算选择第i个分解后的时序特征数据的概率：
其中，s(xi，q)为注意力打分函数，N为分解后的时序特征数据的数量。
在一实施例中，在将所述加权平均向量输入到预先训练好的预测模型中，得到PCCP断丝预测结果之前，所述方法还包括：
利用回声状态网络和门控循环神经网络对模型进行训练，得到预测模型。
在一实施例中，在将所述加权平均向量输入到预先训练好的预测模型中，得到PCCP断丝预测结果之后，所述方法还包括：
获取PCCP实际断丝结果；
根据所述PCCP实际断丝结果和PCCP断丝预测结果，计算预测模型的评价指标数值；
根据所述预测模型的评价指标数值，对预测模型进行参数调整。
根据第二方面，本发明提供一种PCCP断丝预测装置，所述装置包括：
获取模块，用于获取PCCP断丝影响因素，所述影响因素包括管道水压、调泵以及温度；
分解模块，用于对所述影响因素进行时序特征数据分解；
计算模块，用于基于注意力机制计算分解后的时序特征数据对应的加权平均向量；
得到模块，用于将所述加权平均向量输入到预先训练好的预测模型中，得到PCCP断丝预测结果。
根据第三方面，本发明提供一种计算机设备，包括存储器和处理器，所述存储器和所述处理器之间互相通信连接，所述存储器中存储有计算机指令，所述处理器通过执行所述计算机指令，从而执行第一方面及其可选实施方式中任一项所述的PCCP断丝预测方法。
根据第四方面，本发明提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使所述计算机执行第一方面及其可选实施方式中任一项的PCCP断丝预测方法。
本发明技术方案，具有如下优点：
本发明实施例提供了一种PCCP断丝预测方法，获取PCCP断丝影响因素，并对影响因素进行时序特征数据分解，以直观分析影响因素和断丝之间的关联，基于注意力机制计算分解后的时序特征数据对应的加权平均向量，以降低数据分析的复杂度，利用预测模型对PCCP断丝结果进行处理，从而实现对PCCP断丝结果进行预测，对PCCP断丝情况提前预测，对管道事故进行预防。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术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方式，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是本发明实施例提出的一种PCCP断丝预测方法的流程图；
图2是本发明实施例提出的STL分解算法流程图；
图3是本发明实施例提出的基于软注意力机制计算过程图；
图4是本发明实施例提出回声状态网络结构图；
图5是本发明实施例提出的门控循环神经网络结构图；
图6是本发明实施例提出的多网络融合预测模型架构图；
图7是本发明实施例提出的影响因素注意力可视图；
图8是本发明实施例提出的对影响因素进行STL分解图；
图9是本发明实施例提出的PCCP预测曲线拟合图；
图10是本发明实施例提出的一种PCCP断丝预测装置的结构框图；
图11是本发明实施例提出的一种计算机设备的硬件结构示意图。
具体实施方式
下面将结合附图对本发明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。
为了实现对PCCP断丝数量和事故发生概率进行提前预判，需要对PCCP的断丝数量趋势进行预测。然而，PCCP断丝相关的影响因素和断丝数量之间的映射关系尚未建立明确的机理模型和数学模型。由于机器学习具有学习模型的特点以及挖掘隐式规律的功能，因此，运用机器学习提取影响因素特征并对PCCP断丝数量进行预测成为解决该问题的可行思路。
为了对PCCP断丝数量进行预测，本发明实施例中提供一种PCCP断丝预测方法，如图1所示，该方法包括如下步骤S101至步骤S104。
步骤S101：获取PCCP断丝影响因素，影响因素包括管道水压、调泵以及温度。
在本发明实施例中，影响PCCP断丝的因素包括可获取数据的管道输水水压、造成压力顺便的调泵动作、管道水温、管外水文地质条件、阴极保护情况以及环境杂散电流等因素，在本方法中，将管道水压、调泵以及温度作为影响因素进行研究，以重点研究管道水压、调泵以及温度对PCCP断丝的影响。
获取PCCP断丝影响因素，对影响因素进行分析，能够实现自动对影响因素进行分析，直观地展示影响因素和PCCP断丝之间的联系。
步骤S102：对影响因素进行时序特征数据分解。
在本发明实施例中，影响因素是以时序特征数据的方式进行呈现的，时序特征数据是对系统信息的客观记录，通过描述事物或现象的状态来反映系统随时间变化的趋势，其中隐含着系统的潜在规律和特性。
对影响因素进行时序特征数据分解，将影响因素分解成时序特征数据成分，每一种成分均代表潜在的模式类型，以便于后期对数据进行处理，同时提高预测结果的准确性。
基于STL(Seasonal-Trend decomposition using LOESS)分解对影响因素进行时序特征数据分解，STL分解是基于LOESS将某时刻的数据yv分解，分解表达式如下式所示：
yv＝Tv+Sv+Rv (1)
其中，Tv为趋势分量(trend component)、Sv为周期分量(seasonal component)和Rv为余项(remainder component)。
具体地，STL分解算法流程如图2所示，具体流程为：
第一步，去趋势，减去上一轮结果的趋势分量，得到其中，/>为第k-1次结束时的趋势分量；
第二步，周期子序列平滑，LOESS对每个子序列做回归，并向前向后各延展一个周期，平滑结果记为v＝-n(p)+1,…,-N+n(p)，其中，n(p)为一个周期的样本数；
第三步，周期子序列的低通量过滤，对第二步的结果序列依次做长度为n(p)、n(p)、3的滑动平均，然后做LOESS回归，得到结果序列/>v＝1,…,N，相当于提取周期子序列的低通量；
第四步，去除平滑周期子序列趋势，其中，/>为第k-1次结束时的周期分量；
第五步，去周期，减去周期分量，
第六步，趋势平滑，对于去除周期之后的序列做LOESS回归，得到趋势分量
步骤S103：基于注意力机制计算分解后的时序特征数据对应的加权平均向量。
在本发明实施例中，由于影响因素的时序特征数据维度较高，且各影响因素对预测结果的影响不同，直接将时序特征数据输入到模型中预测效果较差，因此根据注意力机制计算分解后的时序特征数据对应的加权平均向量，确定各时序特征数据在预测模型中的重要程度，能够有效提高预测结果的精度。
通过注意力机制计算分解后的时序特征数据对应的加权平均向量，以便于保留对断丝有影响的数据，减小不相关数据对预测结果的干扰，降低预测过程的复杂度。
步骤S104：将加权平均向量输入到预先训练好的预测模型中，得到PCCP断丝预测结果。
在本发明实施例中，建立多网络融合预测模型，利用回声状态网络和门控循环神经网络对预测模型进行训练，对分解后的时序特征数据对应的加权平均向量进行处理，以得到PCCP断丝预测结果，从而对PCCP断丝进行提前预判，预防管道事故发生。
通过上述实施例，获取PCCP断丝影响因素，并对影响因素进行时序特征数据分解，以直观分析影响因素和断丝之间的关联，基于注意力机制计算分解后的时序特征数据对应的加权平均向量，以降低数据分析的复杂度，利用预测模型对PCCP断丝结果进行处理，从而实现对PCCP断丝结果进行预测，对PCCP断丝情况提前预测，对管道事故进行预防。
具体地，在一实施例中，上述步骤S103中基于注意力机制计算分解后的时序特征数据对应的加权平均向量，具体包括如下步骤：
步骤S1031：基于注意力机制，计算各个分解后的时序特征数据被选择的概率值。
步骤S1032：根据各个分解后的时序特征数据被选择的概率值，计算分解后的时序特征数据对应的加权平均向量。
在本发明实施例中，对分解后的时序特征数据进行分析，输入信息为X＝[x1,x2,…,xN]，即共有N个输入信息。为了减小数据处理量，提高预测结果的精度，基于注意力机制从N个输入信息中选择与任务相关的信息输入进行计算。
软性注意力(Soft Attention)机制是指在选择信息的时候，不是从N个信息中只选择1个，而是计算N个输入信息的加权平均平行，再输入到预测模型中处理。注意力值的计算分为以下两步，其计算的过程图如图3所示。
第一步：定义一个注意力变量z∈[1,N]来表示被选择信息的索引位置，即z＝i来表示选择了第i个输入信息，然后计算在给定了q和X的情况下，选择第i个输入信息的概率αi。
按照如下公式计算选择第i个分解后的时序特征数据的概率：
其中，s(xi，q)为注意力打分函数，N为分解后的时序特征数据的数量，xi和xi分别为第i个输入信息和第j个输入信息，此处的i和j仅用于区分。
第二步：按照如下公式计算根据注意力分布来计算输入信息的加权平均向量：
其中，X为分解后的时序特征数据，q为查询向量，αi为选择第i个分解后的时序特征数据的概率，xi为第i个分解后的时序特征数据。
具体地，在一实施例中，本发明实施例提供的PCCP断丝预测方法还包括如下步骤：
步骤S201：利用回声状态网络和门控循环神经网络对模型进行训练，得到预测模型。
在本发明实施例中，预测模型由多个基础的神经网络组成，选择分别针对数据的非线性和时序特性的回声状态网络和门控循环神经网络，将两个网络融合预测，以提升预测的准确性。
回声状态网络(echo state network，ESN)采用由随机生成稀疏连接固定不变的内部权重矩阵得到神经元组成的储备池作为隐层，用以将输入进行投射到高维、非线性的表示。ESN将神经网络的隐层权值预先生成而非训练生成，与隐层至输出层的权值训练分开进行，其基本思想的前提是生成的储备池具有某种良好的属性，往往能够保证仅采用线性方法训练储备池至输出层的权值即可获得优良的性能。
ESN结构如图4所示，其原理公式如公式(4)和公式(5)所示。
x(n+1)＝f(Winu(n+1)+Wx(n)+Wouty(n)) (4)
y(n+1)＝fout(Wout(u(n+1)),x(n+1),y(n)) (5)
其中，u(n)为输入单元，y(n)为输出单元，x(n)为储备池的神经元状态，f为储备池单元的激活函数，fout为输出单元的激活函数，Win为输入单元与储备池内部连接权值矩阵，W为储备池内部连接权值矩阵，Wout为储备池与输出单元连接权值矩阵，Wback为储备池与输出单元连接权值矩阵。
门控循环神经网络(gated recurrent unit，GRU)是LSTM的一个变种，也是为了解决长期记忆和反向传播中的梯度等问题而提出来的，相较于LSTM，门控循环神经网络计算更简单，更易于实现。门控循环神经网络是有由重置门rt和更新门zt组成，更新门用于控制前一时刻的状态信息被带入到当前状态中的程度，更新门的值越大说明前一时刻的状态信息带入越多；重置门控制前一时刻状态有多少信息被写入到当前的候选集上，重置门越小，前一状态的信息被写入的越少。
门控循环神经网络结构如图5所示，其结构中的rt、zt、和ht如公式(6)-(9)所示。
zt＝σ(Wz×[ht-1,xt]) (6)
rt＝σ(Wr×[ht-1,xt]) (7)
其中，Wz为更新门的权重矩阵，Wr为重置门的权重矩阵，σ为sigmoid函数，通过这个函数可以将数据变换为0-1范围内的数值，tanh为双曲正切函数。
多网络融合预测模型根据以上两种网络的特点，并进行训练网络，将网络训练的结果加权求和作为最终的预测结果。根据公式(5)和公式(9)可得到其最终的预测结果如公式(10)所示，结构图如图6所示。
利用多网络融合预测模型进行PCCP断丝预测，能够最大限度发挥各个网络的优势，实现优势融合，进而提高PCCP断丝预测结果的准确性。
具体地，在一实施例中，本发明实施例提供的PCCP断丝预测方法还包括如下步骤：
步骤S105：获取PCCP实际断丝结果。
步骤S106：根据PCCP实际断丝结果和PCCP断丝预测结果，计算预测模型的评价指标数值。
步骤S107：根据预测模型的评价指标数值，对预测模型进行参数调整。
在本发明实施例中，运用训练完成的多网络融合预测模型，将需要分析的PCCP管节的最新检测断丝数据及截止到当前月份之前的12个月数据输入到训练好的网络模型，模型自动计算输出未来6个月的断丝数量预测值。通过预测结果图查看预测效果，RMSE(RootMean Square Error，均方根误差)、MSE(Mean Square Error，均方误差)、SMAPE(SymmetricMean Absolute Percentage Error，对称平均绝对百分比误差)和MAE(Mean AbsoluteError，平均绝对误差)作为最后的评价指标，其计算方式如公式(11)-(14)所示。
其中n是样本数，是第k个预测值，y(k)是第k个真实值，/>是预测值的均值。当RMSE、MSE、SMAPE和MAE越小，则预测误差越小，模型拟合能力越好。
根据预测模型的评价指标数值，对预测模型进行参数调整，以提高预测模型的拟合能力，提高预测结果的准确性。
需要说明的是，使用多网络融合预测模型预测PCCP断丝数量，首先使用注意力机制对断丝影响因素进行筛选，不同因素注意力值如表1所示，影响因素注意力可视图如图7所示。然后对注意力值低的数据进行离散小波分解，分解数据如图8所示，将影响因素与分解过后的影响因素作为网络模型的输入数据，断丝数量作为模型的输出数据，实现预应力钢筒混凝土管断丝数量的预测。随机选取1节管节的断丝数据作为测试集。模型输入分解后的影响因素数据，预测后11个月的数据并迭代，记录预测曲线图如图9所示，其评价指标如表2所示。
表1
表2
| 评价指标 | 类型 | 数值 |
| RMSE | 小数 | 2.37 |
| MSE | 小数 | 67.41 |
| SMAPE | 小数 | 0.57 |
| MAE | 小数 | 1.59 |
从以上实验的拟合曲线图和评价指标验证，本发明采用的影响因素特征提取和预测方法能够很好的完成PCCP断丝预测任务，达到较好的预测效果。
基于相同发明构思，本发明还提供一种PCCP断丝预测装置。
图10是根据一示例性实施例提出的一种PCCP断丝预测装置的结构框图。如图10所示，该装置包括：
获取模块101，用于获取PCCP断丝影响因素，影响因素包括管道水压、调泵以及温度。具体内容参见上述步骤S101的相关描述，在此不再进行赘述。
分解模块102，用于对影响因素进行时序特征数据分解。具体内容参见上述步骤S102的相关描述，在此不再进行赘述。
计算模块103，用于基于注意力机制计算分解后的时序特征数据对应的加权平均向量。具体内容参见上述步骤S103的相关描述，在此不再进行赘述。
得到模块104，用于将加权平均向量输入到预先训练好的预测模型中，得到PCCP断丝预测结果。具体内容参见上述步骤S104的相关描述，在此不再进行赘述。
本发明实施例提供的PCCP断丝预测装置，获取PCCP断丝影响因素，并对影响因素进行时序特征数据分解，以直观分析影响因素和断丝之间的关联，基于注意力机制计算分解后的时序特征数据对应的加权平均向量，以降低数据分析的复杂度，利用预测模型对PCCP断丝结果进行处理，从而实现对PCCP断丝结果进行预测，对PCCP断丝情况提前预测，对管道事故进行预防。
上述基于PCCP断丝预测装置的具体限定以及有益效果可以参见上文中对于PCCP断丝预测方法的限定，在此不再赘述。上述各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
图11是根据一示例性实施例提出的一种计算机设备的硬件结构示意图。如图11所示，该设备包括一个或多个处理器1310以及存储器1320，存储器1320包括持久内存、易失内存和硬盘，图11中以一个处理器1310为例。该设备还可以包括：输入装置1330和输出装置1340。
处理器1310、存储器1320、输入装置1330和输出装置1340可以通过总线或者其他方式连接，图11中以通过总线连接为例。
处理器1310可以为中央处理器(Central Processing Unit，CPU)。处理器1310还可以为其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(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、分立硬件组件等芯片，或者上述各类芯片的组合。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。
存储器1320作为一种非暂态计算机可读存储介质，包括持久内存、易失内存和硬盘，可用于存储非暂态软件程序、非暂态计算机可执行程序以及模块，如本申请实施例中的PCCP断丝预测方法对应的程序指令/模块。处理器1310通过运行存储在存储器1320中的非暂态软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述任意一种PCCP断丝预测方法。
存储器1320可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据、需要使用的数据等。此外，存储器1320可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中，存储器1320可选包括相对于处理器1310远程设置的存储器，这些远程存储器可以通过网络连接至数据处理装置。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置1330可接收输入的数字或字符信息，以及产生与用户设置以及功能控制有关的键信号输入。输出装置1340可包括显示屏等显示设备。
一个或者多个模块存储在存储器1320中，当被一个或者多个处理器1310执行时，执行如图1所示的PCCP断丝预测方法。
上述产品可执行本发明实施例所提供的方法，具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节，具体可参见如图1所示的实施例中的相关描述。
本发明实施例还提供了一种非暂态计算机存储介质，计算机存储介质存储有计算机可执行指令，该计算机可执行指令可执行上述任意方法实施例中的方法。其中，存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)、随机存储记忆体(RandomAccess Memory，RAM)、快闪存储器(Flash Memory)、硬盘(Hard Disk Drive，缩写：HDD)或固态硬盘(Solid-State Drive，SSD)等；存储介质还可以包括上述种类的存储器的组合。
显然，上述实施例仅仅是为清楚地说明所作的举例，而并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引申出的显而易见的变化或变动仍处于本发明创造的保护范围之中。
Claims (6)
1.一种PCCP断丝预测方法，其特征在于，所述方法包括：
获取PCCP断丝影响因素，所述影响因素包括管道水压、调泵以及温度；
对所述影响因素进行时序特征数据分解；
基于注意力机制计算分解后的时序特征数据对应的加权平均向量；
将所述加权平均向量输入到预先训练好的预测模型中，得到PCCP断丝预测结果；
其中，所述基于注意力机制计算分解后的时序特征数据对应的加权平均向量，包括：
基于注意力机制，计算各个分解后的时序特征数据被选择的概率值；
根据所述各个分解后的时序特征数据被选择的概率值，计算分解后的时序特征数据对应的加权平均向量；
其中，注意力值的计算分为以下两步：
第一步：定义一个注意力变量来表示被选择信息的索引位置，即/>来表示选择了第i个输入信息，然后计算在给定了q和X的情况下，选择第i个输入信息的概率/>；
按照如下公式计算选择第i个分解后的时序特征数据的概率：
其中，s（x i，q）为注意力打分函数，N为分解后的时序特征数据的数量，x i和x j分别为第i个输入信息和第j个输入信息，此处的i和j仅用于区分；
第二步：按照如下公式计算根据注意力分布来计算输入信息的加权平均向量：
其中，X为分解后的时序特征数据，q为查询向量，为选择第i个分解后的时序特征数据的概率；
在将所述加权平均向量输入到预先训练好的预测模型中，得到PCCP断丝预测结果之前，所述方法还包括：
利用回声状态网络和门控循环神经网络对模型进行训练，得到预测模型；
其中，多网络融合预测模型根据回声状态网络和门控循环神经网络两种网络的特点，并进行训练网络。
2.根据权利要求1所述的方法，其特征在于，所述分解后的时序特征数据包括：趋势分量、周期分量以及余项。
3.根据权利要求1所述的方法，其特征在于，在将所述加权平均向量输入到预先训练好的预测模型中，得到PCCP断丝预测结果之后，所述方法还包括：
获取PCCP实际断丝结果；
根据所述PCCP实际断丝结果和PCCP断丝预测结果，计算预测模型的评价指标数值；
根据所述预测模型的评价指标数值，对预测模型进行参数调整。
4.一种PCCP断丝预测装置，其特征在于，所述装置包括：
获取模块，用于获取PCCP断丝影响因素，所述影响因素包括管道水压、调泵以及温度；
分解模块，用于对所述影响因素进行时序特征数据分解；
计算模块，用于基于注意力机制计算分解后的时序特征数据对应的加权平均向量；
得到模块，用于将所述加权平均向量输入到预先训练好的预测模型中，得到PCCP断丝预测结果；
计算模块具体用于：
基于注意力机制，计算各个分解后的时序特征数据被选择的概率值；
根据所述各个分解后的时序特征数据被选择的概率值，计算分解后的时序特征数据对应的加权平均向量；
其中，注意力值的计算分为以下两步：
第一步：定义一个注意力变量来表示被选择信息的索引位置，即/>来表示选择了第i个输入信息，然后计算在给定了q和X的情况下，选择第i个输入信息的概率/>；
按照如下公式计算选择第i个分解后的时序特征数据的概率：
其中，s（x i，q）为注意力打分函数，N为分解后的时序特征数据的数量，x i和x j分别为第i个输入信息和第j个输入信息，此处的i和j仅用于区分；
第二步：按照如下公式计算根据注意力分布来计算输入信息的加权平均向量：
其中，X为分解后的时序特征数据，q为查询向量，为选择第i个分解后的时序特征数据的概率；
所述装置还包括：
训练模块，用于利用回声状态网络和门控循环神经网络对模型进行训练，得到预测模型，多网络融合预测模型根据回声状态网络和门控循环神经网络两种网络的特点，并进行训练网络。
5.一种计算机设备，其特征在于，包括存储器和处理器，所述存储器和所述处理器之间互相通信连接，所述存储器中存储有计算机指令，所述处理器通过执行所述计算机指令，从而执行权利要求1-3中任一项所述的PCCP断丝预测方法。
6.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使计算机执行权利要求1-3中任一项所述的PCCP断丝预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310410009.9A CN117172085B (zh) | 2023-04-17 | 2023-04-17 | 一种pccp断丝预测方法、装置、计算机设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310410009.9A CN117172085B (zh) | 2023-04-17 | 2023-04-17 | 一种pccp断丝预测方法、装置、计算机设备及介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117172085A CN117172085A (zh) | 2023-12-05 |
| CN117172085B true CN117172085B (zh) | 2024-04-26 |
Family
ID=88934253
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310410009.9A Active CN117172085B (zh) | 2023-04-17 | 2023-04-17 | 一种pccp断丝预测方法、装置、计算机设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117172085B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109977098A (zh) * | 2019-03-08 | 2019-07-05 | 北京工商大学 | 非平稳时序数据预测方法、系统、存储介质及计算机设备 |
| CN114723957A (zh) * | 2022-03-22 | 2022-07-08 | 广东粤海水务投资有限公司 | 一种基于自注意力机制的多类管道缺陷检测、追踪与计数方法 |
| WO2022167657A2 (en) * | 2021-02-05 | 2022-08-11 | Deepmind Technologies Limited | Attention neural networks with short-term memory units |
| CN115099488A (zh) * | 2022-06-16 | 2022-09-23 | 厦门海洋职业技术学院 | 基于cnn-agu的空气质量指数预测方法及装置 |
| CN115293048A (zh) * | 2022-08-16 | 2022-11-04 | 北京市水科学技术研究院 | 断丝预测模型构建和预应力钢筒混凝土管的断丝预测方法 |
| CN115496104A (zh) * | 2022-09-26 | 2022-12-20 | 杭州哲达科技股份有限公司 | 一种空压机母管压力预测方法、装置、电子设备 |
| CN115512717A (zh) * | 2022-11-21 | 2022-12-23 | 东北石油大学三亚海洋油气研究院 | 一种基于集成学习的二阶段单传感器管道泄漏定位方法 |
| CN115759336A (zh) * | 2022-10-17 | 2023-03-07 | 昆明能讯科技有限责任公司 | 一种面向短期电力负荷预测的预测方法及存储介质 |
-
2023
- 2023-04-17 CN CN202310410009.9A patent/CN117172085B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109977098A (zh) * | 2019-03-08 | 2019-07-05 | 北京工商大学 | 非平稳时序数据预测方法、系统、存储介质及计算机设备 |
| WO2022167657A2 (en) * | 2021-02-05 | 2022-08-11 | Deepmind Technologies Limited | Attention neural networks with short-term memory units |
| CN114723957A (zh) * | 2022-03-22 | 2022-07-08 | 广东粤海水务投资有限公司 | 一种基于自注意力机制的多类管道缺陷检测、追踪与计数方法 |
| CN115099488A (zh) * | 2022-06-16 | 2022-09-23 | 厦门海洋职业技术学院 | 基于cnn-agu的空气质量指数预测方法及装置 |
| CN115293048A (zh) * | 2022-08-16 | 2022-11-04 | 北京市水科学技术研究院 | 断丝预测模型构建和预应力钢筒混凝土管的断丝预测方法 |
| CN115496104A (zh) * | 2022-09-26 | 2022-12-20 | 杭州哲达科技股份有限公司 | 一种空压机母管压力预测方法、装置、电子设备 |
| CN115759336A (zh) * | 2022-10-17 | 2023-03-07 | 昆明能讯科技有限责任公司 | 一种面向短期电力负荷预测的预测方法及存储介质 |
| CN115512717A (zh) * | 2022-11-21 | 2022-12-23 | 东北石油大学三亚海洋油气研究院 | 一种基于集成学习的二阶段单传感器管道泄漏定位方法 |
Non-Patent Citations (4)
| Title |
|---|
| Liang shuming,etc.Failure Prediction for Large-scale Water Pipe Networks Using GNN and Temporal Failure Series.《CIKM '21: Proceedings of the 30th ACM International Conference on Information & Knowledge Management》.2021,3955–3964. * |
| Yunfei Shi,etc.An Approach for Steam Pipe Network Pressure Prediction Based on CNN and BiLSTM with Attention Mechanism.《2021 6th International Conference on Power and Renewable Energy (ICPRE)》.2021,全文. * |
| 基于注意力机制的LSTM液体管道非稳态工况检测;于涛，等;《油气与新能源》;20211025;58-63 * |
| 基于长时间序列预测的计量区给水管网爆管识别;文思齐;《重庆大学学报》;20211220;62-71 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117172085A (zh) | 2023-12-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111191841B (zh) | 一种电力负荷预测方法、装置、计算机设备及存储介质 | |
| Tian | Modes decomposition forecasting approach for ultra-short-term wind speed | |
| Chhay et al. | Municipal solid waste generation in China: influencing factor analysis and multi-model forecasting | |
| Zhang et al. | A novel Encoder-Decoder model based on read-first LSTM for air pollutant prediction | |
| Lv et al. | A long Short-Term memory cyclic model with mutual information for hydrology forecasting: A Case study in the xixian basin | |
| CN112766078B (zh) | 基于emd-svr-mlr与注意力机制的gru-nn的电力负荷层次预测方法 | |
| CN110163421B (zh) | 中长期电力负荷预测方法 | |
| Qin et al. | Simulating and Predicting of Hydrological Time Series Based on TensorFlow Deep Learning. | |
| CN112598248B (zh) | 负荷预测方法、装置、计算机设备和存储介质 | |
| CN112733997B (zh) | 基于woa-lstm-mc的水文时间序列预测优化方法 | |
| CN113762486B (zh) | 换流阀故障诊断模型的构建方法、装置和计算机设备 | |
| CN111639783A (zh) | 一种基于lstm神经网络的线损预测方法及系统 | |
| Dong et al. | An integrated deep neural network approach for large-scale water quality time series prediction | |
| CN113065703A (zh) | 一种结合多种模型的时间序列预测方法 | |
| CN113449919B (zh) | 一种基于特征和趋势感知的用电量预测方法及系统 | |
| CN110135634A (zh) | 中长期电力负荷预测装置 | |
| CN111985719A (zh) | 一种基于改进的长短期记忆网络的电力负荷预测方法 | |
| CN114694379B (zh) | 一种基于自适应动态图卷积的交通流预测方法及系统 | |
| Ma et al. | Fuzzy hybrid framework with dynamic weights for short‐term traffic flow prediction by mining spatio‐temporal correlations | |
| Yang et al. | An ensemble prediction system based on artificial neural networks and deep learning methods for deterministic and probabilistic carbon price forecasting | |
| CN116542701A (zh) | 一种基于cnn-lstm组合模型的碳价预测方法及系统 | |
| Lin et al. | Remaining useful life prediction in prognostics using multi-scale sequence and Long Short-Term Memory network⋆ | |
| CN111160600A (zh) | 行为预测方法、装置、计算机设备和存储介质 | |
| Lei et al. | A novel time-delay neural grey model and its applications | |
| CN117172085B (zh) | 一种pccp断丝预测方法、装置、计算机设备及介质 |
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 | ||
| CB03 | Change of inventor or designer information |
Inventor after: Wang Jianhui Inventor after: Zhang Haipeng Inventor after: Lin Yuechao Inventor after: Shao Qing Inventor after: Zhang Li Inventor after: Chen Xin Inventor after: Zang Shaohui Inventor after: Huang Yue Inventor after: Liu Weidong Inventor before: Wang Jianhui Inventor before: Zhang Haipeng Inventor before: Lin Yuechao Inventor before: Shao Qing Inventor before: Zhang Li Inventor before: Chen Xin Inventor before: Zang Shaohui Inventor before: Huang Yue Inventor before: Liu Weidong |