TW202032438A - 趨勢判斷系統及相關的趨勢判斷方法 - Google Patents
趨勢判斷系統及相關的趨勢判斷方法 Download PDFInfo
- Publication number
- TW202032438A TW202032438A TW108105108A TW108105108A TW202032438A TW 202032438 A TW202032438 A TW 202032438A TW 108105108 A TW108105108 A TW 108105108A TW 108105108 A TW108105108 A TW 108105108A TW 202032438 A TW202032438 A TW 202032438A
- Authority
- TW
- Taiwan
- Prior art keywords
- interval
- trend
- data
- deep learning
- estimated
- Prior art date
Links
Images
Abstract
本發明提供了一種趨勢判斷系統及相關的方法,該趨勢判斷系統包含記憶單元、處理單元及判斷單元。其中,記憶單元用於儲存深度學習模型;處理單元用以於預定區間的起始階段定義出估測區間,且該深度學習模型根據該估測區間所接收到的連續時間下的多個N維量測數據進行該演算模式下的深度學習運算,以取得該預定區間內位於該估測區間之後的區間的數據發展趨勢;判斷單元用以判斷該數據發展趨勢,並且據以產生對應於該未來區間的估測結果。
Description
本發明係關於一種趨勢判斷系統以及相關的趨勢判斷方法,尤其關於運用深度學習演算法來進行地震防治的技術。
位於環太平洋地震帶(Circum-Pacific seismic zone)的國家及地區主要有:台灣、印尼、日本、菲律賓、紐西蘭等。世界上大部分的淺層地震(震源深度小於70公里)以及幾乎所有的深層地震(震源深度大於300公里)都發生在這個地震帶上,無論是安全上還是經濟上,人民都因此遭受到極大的損失。
雖然目前尚未有技術能夠事先預知地震的發現時間和位置,但若能在地震生命週期的初期階段就偵測出地震,便可早一步地通知居民進行防護或逃生。換言之,即使僅多爭取到數秒的應變時間,也可能成為挽救生命的關鍵。
因此,如何改善地震的預測速度並且提昇準確性實為當前迫切需要解決的問題。
綜上所述,本發明的目的之一在於提供一種分析分法,以根據初步的數據(或資料)來預測後續的發展,此外,本發明進一步結合深度學習來進行地震預測以及判斷。
本發明的至少一實施例提供了一種趨勢判斷方法,包含:建立一深度學習模型,其中該深度學習模型經過特定類別的歷史數據訓練,而建立出對應該特定類別的一演算模式;於一預定區間的起始階段定義出一估測區間,並且根據該估測區間所接收到的連續時間下的多個N維量測數據進行該演算模式下的深度學習運算,以取得該預定區間內位於該估測區間之後的區間的數據發展趨勢,其中N係為大於或等於1的正整數,且該預定區間內位於該估測區間之後的區間在時間上屬於尚未發生的未來區間;利用一判斷單元來判斷該數據發展趨勢,以產生對應於該未來區間的一估測結果。
本發明的至少一實施例提供了一種趨勢判斷系統,包含一記憶單元、一處理單元以及一判斷單元。其中,記憶單元用於儲存一深度學習模型,其中該深度學習模型經過特定類別的歷史數據訓練,而建立出對應該特定類別的一演算模式;處理單元用以於一預定區間的起始階段定義出一估測區間,且該深度學習模型根據該估測區間所接收到的連續時間下的多個N維量測數據進行該演算模式下的深度學習運算,以取得該預定區間內位於該估測區間之後的區間的數據發展趨勢,其中N係為大於或等於1的正整數,且該預定區間內位於該估測區間之後的區間在時間上屬於尚未發生的未來區間;判斷單元用以判斷該數據發展趨勢,並且據以產生對應於該未來區間的一估測結果。
本發明能夠在取得初步數據的同時(例如3秒內的數據),透過深度學習演算法來快速地判斷出往後時間內的數據發展趨勢(例如3秒~1分鐘),因此很適合應用在災害防護以及應變上,且本發明不限於只能用在震災防治上,亦可作各種推廣延伸,諸如核能安全防護、半導體製程控管等。其他三軸加速度計的應用可包括:結構物健檢或自動停機、機台異常震動偵測、道路坑洞偵測…等。
在說明書及後續的申請專利範圍當中使用了某些詞彙來指稱特定的元件。所屬領域中具有通常知識者應可理解,硬體製造商可能會用不同的名詞來稱呼同樣的元件。本說明書及後續的申請專利範圍並不以名稱的差異來作為區分元件的方式,而是以元件在功能上的差異來作為區分的準則。在通篇說明書及後續的請求項當中所提及的「包含」係為一開放式的用語,故應解釋成「包含但不限定於」。另外,「耦接」一詞在此係包含任何直接及間接的電氣連接手段。因此,若文中描述一第一裝置耦接於一第二裝置,則代表該第一裝置可直接電氣連接於該第二裝置,或透過其他裝置或連接手段間接地電氣連接至該第二裝置。
請參閱第1圖,第1圖係為根據本發明一實施例的趨勢判斷系統100的示意圖,趨勢判斷系統100包含記憶單元110、處理單元120以及判斷單元130。記憶單元110係用於儲存深度學習模型,以供處理單元120進行相關的運算,而判斷單元130用以分析處理單元120所輸出的運算資料,並且據以產生對應於未來事件的估測結果,其中判斷單元130可內建於處理單元120,亦可獨立於處理單元120來設置。
請再一併參閱第2圖,第2圖係為根據本發明一實施例的趨勢判斷方法200的流程圖,其中趨勢判斷方法200可由第1圖的趨勢判斷系統100來執行,但本發明不限定於此,趨勢判斷方法200亦可透過桌上型電腦、筆記型電腦、平板電腦、穿戴型裝置、智慧型手機等來執行。舉例來說,智慧型手機通常會內建加速度感應裝置,可用以感測加速度變化量。此外,趨勢判斷系統100亦可設置於地震觀測站。判斷方法200包含(但不限定於)以下步驟:
步驟202: 建立深度學習(deep-learning)模型,其中該深度學習模型經過特定類別的歷史數據訓練,而建立出對應該特定類別的演算模式;(其中深度學習模型可儲存於上述記憶單元110);
步驟204: 於量測數據的預定區間的起始階段定義出估測區間,且該深度學習模型根據該估測區間所接收到的連續時間下的多個N維量測數據進行該演算模式下的深度學習運算,以取得該預定區間內位於該估測區間之後的區間的數據發展趨勢,其中N係為大於或等於1的正整數,且該預定區間內位於該估測區間之後的區間在時間上屬於尚未發生的未來區間;(其中以上運算可由上述處理單元120來執行);
步驟206: 利用一判斷單元(例如上述判斷單元130)來判斷該數據發展趨勢,以產生對應於該未來區間的一估測結果。
詳細來說,步驟202中所謂的深度學習模型是一種機器學習的分支,其中該深度學習模型經過特定類別的歷史數據訓練(training),而建立出對應該特定類別的一演算模式。至今已有數種深度學習框架,諸如深度神經網路(Deep Neural Networks,DNN)、卷積神經網路(Convolutional Neural Networks,CNN)和深度置信網路(deep belief nets,DBN )和遞迴神經網路(Recurrent Neural Network,RNN),被應用在電腦視覺、語音辨識、自然語言處理、音訊辨識與生物資訊學等領域,並且已有顯著的成果。其中「訓練」在此可理解為利用多筆特定領域的歷史數據來訓練(train)深度學習模型,以使該深度學習模型具備能夠對該特定領域產生思考、判斷的相關能力。舉例來說,若將本發明應用在地震量測上,可用歷年地震的數據訓練深度學習模型,使得深度學習模型能夠根據初期階段的地震數據來預測後續的發展趨勢,尤其是能藉此判斷出所在地(或使用者端)地震的震度,其中「震度」即為地震衡量標準。本發明可套用在分散在各個區域的多個測站,以觀測每一測站個別的震度,其中所測定震度的是現地的(on-site)。
深度神經網路(DNN)是一種判斷模型,可使用逆向傳播(Backpropagation)演算法進行訓練。至於遞歸神經網絡(RNN),簡單來說,就像語言通常需要考慮上下文,以免斷章取義地產生誤判。同樣的道理,在建立深度學習的相關模型時若能額外地考慮上下文的關係,準確率就能顯著提高。單純的RNN演算法會有權重指數級消失問題(Vanishing gradient problem),因而難以得到長期時間關聯性,此問題可被長短期記憶(Long Short-Term Memory,LSTM)演算法所解決,其中LSTM是一種時間遞歸神經,可作為複雜的非線性單元而用於構造更大型深度神經網絡。此外,包含有LSTM的RNN也被稱之為LSTM網路。
請參考第3圖,第3圖係為一地震數據的示意圖,其中橫軸表示經過的時間(以秒為單位),縱軸表示感測的加速度變化量。應當注意的是,加速度變化量一般可分為X、Y、Z三個方向,第3圖中所示的僅為X、Y、Z其中一個方向。當應用於地震估測時,步驟204所描述的估測區間可指地震總時間長(例如0~50秒),而該預定區間的起始區間P1可以是大約3秒,本發明可於這起始區間P1的3秒中取得據該估測區間所接收到的連續時間下的多個N維量測數據進行該演算模式下的深度學習運算,以取得該預定區間內位於該估測區間之後的區間(例如3~50秒)的數據發展趨勢,其中N係為大於或等於1的正整數,且該預定區間內位於該估測區間之後的區間在時間上屬於尚未發生的未來區間P2。舉例來說,在只考量X、Y、Z三向加速度變化量的情況下,N即為3;而在進一步考量到其他有影響力的變數時(諸如溫度、濕度等,不勝枚舉),N就有可能大於3。由於在起始區間P1內的數據是用來訓練以取得未來區間P2內的可能數據,故起始區間P1內的數據可視為「訓練數據」,而未來區間P2內的數據可視為「預測數據」。
此外,上述深度學習運算可在上述的起始區間中進行多點取樣,例如0~3秒對600個連續點進行取樣分析,如第4圖所繪示,第4圖係為本發明透過深度學習模型400來對所量測到的數據進行運算的示意圖。深度學習模型400可包含600個子處理單元,其中第一個子處理單元用於對第一個取樣的N維量測數據進行分析,並經過加權處理後輸出到第二個子處理單元,以此類推,最後,以最後一個(即第600個)N維量測數據的輸出來作為所要的數據發展趨勢。深度學習模型400在運算的過程中還可一併取得各種地震相關資訊,諸如何時達到最大加速度(本範例中為運算完畢後的35秒,其中加速度可分為X、Y、Z三方向,為求簡潔,第3圖中僅以單方向表示)、最大加速度值(46,單位為gal)、何時達到3級震度(本範例中為運算完畢後的5秒)、何時達到4級震度(本範例中為運算完畢後的8秒)、何時達到5級震度(本範例中為運算完畢後的15秒)。需要注意的是,以上設定在0~3秒僅為本發明的一種實施方式,在硬體和演算法可容許的範圍內,本發明深度學習運算可在1秒內根據數據得出精確的估測結果。此外,只要能實際達到災害防止的效果上述3秒的時間設定亦可延長,例如可延長到10秒。
綜上所述,本發明的架構可以為民眾爭取到數秒至數十秒以上的反應時間,然而,倘若將震度不大的地震報給民眾,則會引起不必要的恐慌。為了避免過度敏感地傳遞震災消息,步驟206進一步利用判斷單元來對該數據發展趨勢進行判斷,以產生對應於未來區間P2的一估測結果。舉例來說,該估測結果可以用來表示地震的震度,當地震的震度低於一臨界值時(例如震度3級),則不對外發出警告訊號;反之,當地震的震度高於一臨界值時(例如震度3級或式3級以上),則立刻外發出警告訊號。
除了應用於地震的範疇外,本發明可以應用在各種層面,諸如核能安全防護、半導體製程控管等。其他三軸加速度計的應用可包括:結構物檢測或自動停機、機台異常震動偵測、道路坑洞偵測…等。
以上所述僅為本發明之較佳實施例,凡依本發明申請專利範圍所做之均等變化與修飾,皆應屬本發明之涵蓋範圍。
110:記憶單元
120:處理單元
130:判斷單元
202、204、206:步驟
P1:起始區間
P2:未來區間
200:趨勢判斷方法
第1圖係為根據本發明一實施例的趨勢判斷系統的示意圖。
第2圖係為根據本發明一實施例的趨勢判斷方法的流程圖。
第3圖係為地震數據的示意圖。
第4圖係為本發明透過深度學習模型來對所量測到的數據進行運算的示意圖。
202、204、206:步驟
200:趨勢判斷方法
Claims (17)
- 一種趨勢判斷方法,包含: 建立一深度學習模型,其中該深度學習模型經過特定類別的歷史數據訓練,而建立出對應該特定類別的一演算模式; 於量測數據的一預定區間的起始階段定義出一估測區間,且該深度學習模型根據該估測區間所接收到的連續時間下的多個N維量測數據進行該演算模式下的深度學習運算,以取得該預定區間內位於該估測區間之後的區間的數據發展趨勢,其中N係為大於或等於1的正整數,且該預定區間內位於該估測區間之後的區間在時間上屬於尚未發生的未來區間; 利用一判斷單元來判斷該數據發展趨勢,以產生對應於該未來區間的一估測結果。
- 如請求項1所述的趨勢判斷方法,其中該些N維數據至少包含X、Y、Z三軸的感應量。
- 如請求項2所述的趨勢判斷方法,其中X、Y、Z三軸的感應量係為X、Y、Z三軸的加速度感應量。
- 如請求項3所述的趨勢判斷方法,其中該趨勢判斷方法係進一步應用於地震量測,該歷史數據係為歷史地震數據,且該趨勢判斷方法另包含: 根據該估測結果決定出一估測地震震度,並且根據該估測地震震度來決定是否發出警訊,其中當該估測地震震度小於一門檻地震震度時,判定為不用發出警訊;當該估測地震震度大於或等於該門檻地震震度時,判定為要發出警訊。
- 如請求項4所述的趨勢判斷方法,其中該估測時段小於或等於10秒。
- 如請求項1所述的趨勢判斷方法,其中該深度學習模型包含長短期記憶神經網路(long short-term memory,LSTM)模型。
- 如請求項6所述的趨勢判斷方法,其中該判斷單元包含深度神經網路(Deep Neural Networks,DNN)模型。
- 如請求項1所述的趨勢判斷方法,其中根據該估測區間所接收到的連續時間下的多個N維量測數據進行該演算模式下的深度學習運算的步驟包含: 依序對連續時間下的該些N維量測數據的每一N維量測數據進行加權並且將加權後的結果輸出到下一個N維量測數據,並以最後一個N維量測數據的輸出來決定該數據發展趨勢。
- 一種趨勢判斷系統,包含: 一記憶單元,用於儲存一深度學習模型,其中該深度學習模型經過特定類別的歷史數據訓練,而建立出對應該特定類別的一演算模式; 一處理單元,用以於量測數據的一預定區間的起始階段定義出一估測區間,且該深度學習模型根據該估測區間所接收到的連續時間下的多個N維量測數據進行該演算模式下的深度學習運算,以取得該預定區間內位於該估測區間之後的區間的數據發展趨勢,其中N係為大於或等於1的正整數,且該預定區間內位於該估測區間之後的區間在時間上屬於尚未發生的未來區間; 一判斷單元,用以判斷該數據發展趨勢,並且據以產生對應於該未來區間的一估測結果。
- 如請求項9所述的趨勢判斷系統,其中該些N維數據至少包含X、Y、Z三軸的感應量。
- 如請求項10所述的趨勢判斷系統,其中X、Y、Z三軸的感應量係為X、Y、Z三軸的加速度感應量。
- 如請求項11所述的趨勢判斷系統,進一步應用於地震量測,該歷史數據係為歷史地震數據,且該處理單元根據該估測結果決定出一估測地震震度,並且根據該估測地震震度來決定是否發出警訊,其中當該估測地震震度小於一門檻地震震度時,該處理單元判定為不用發出警訊;當該估測地震震度大於或等於該門檻地震震度時,該處理單元判定為要發出警訊。
- 如請求項12所述的趨勢判斷系統,其中該估測時段小於或等於10秒。
- 如請求項9所述的趨勢判斷系統,其中該深度學習模型包含長短期記憶神經網路(long short-term memory,LSTM)模型。
- 如請求項14所述的趨勢判斷系統,其中該判斷單元包含深度神經網路(Deep Neural Networks,DNN)模型。
- 如請求項9所述的趨勢判斷系統,其中該處理單元依序對連續時間下的該些N維量測數據的每一N維量測數據進行加權並且將加權後的結果輸出到下一個N維量測數據,並以最後一個N維量測數據的輸出來決定該數據發展趨勢。
- 如請求項9所述的趨勢判斷系統,其中該判斷單元係內建於該處理單元。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW108105108A TW202032438A (zh) | 2019-02-15 | 2019-02-15 | 趨勢判斷系統及相關的趨勢判斷方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW108105108A TW202032438A (zh) | 2019-02-15 | 2019-02-15 | 趨勢判斷系統及相關的趨勢判斷方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
TW202032438A true TW202032438A (zh) | 2020-09-01 |
Family
ID=73643745
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW108105108A TW202032438A (zh) | 2019-02-15 | 2019-02-15 | 趨勢判斷系統及相關的趨勢判斷方法 |
Country Status (1)
Country | Link |
---|---|
TW (1) | TW202032438A (zh) |
-
2019
- 2019-02-15 TW TW108105108A patent/TW202032438A/zh unknown
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10228994B2 (en) | Information processing system, information processing method, and program | |
Bisdikian | On sensor sampling and quality of information: A starting point | |
CN113518011B (zh) | 异常检测方法和装置、电子设备及计算机可读存储介质 | |
US10698371B2 (en) | Systems and methods for classifying in-situ sensor response data patterns representative of grid pathology severity | |
US20190072947A1 (en) | Method of predicting plant data and apparatus using the same | |
JP6871877B2 (ja) | 情報処理装置、情報処理方法及びコンピュータプログラム | |
KR20210064619A (ko) | 딥러닝 앙상블 모델을 이용한 이상 상황 탐지 장치 및 그 방법 | |
CN113192283B (zh) | 一种多传感器信息融合的无线火灾预警系统 | |
CN111400850B (zh) | 设备故障分析方法、装置、设备和存储介质 | |
JP2023535721A (ja) | プロセストレースからの装置故障モードの予測 | |
CN114492629A (zh) | 异常检测方法、装置、电子设备及存储介质 | |
TW200413951A (en) | Expert knowledge methods and systems for data analysis | |
US20190129822A1 (en) | Methods and apparatus to detect memory leaks in computing systems | |
CN106652393A (zh) | 假警报确定方法及装置 | |
CN109086186A (zh) | 日志检测方法及装置 | |
TW202032438A (zh) | 趨勢判斷系統及相關的趨勢判斷方法 | |
CN111885084A (zh) | 一种入侵检测方法、装置及电子设备 | |
CN117009903A (zh) | 一种数据异常检测方法、装置、设备及存储介质 | |
Li et al. | Meteorological radar fault diagnosis based on deep learning | |
CN116662800A (zh) | 一种基于自适应注意力机制的滚动轴承故障诊断方法 | |
TWM581226U (zh) | 趨勢判斷系統 | |
CN116415931A (zh) | 一种基于大数据的电力设备运行状态监控方法和系统 | |
CN110007171A (zh) | 变压器在线监测数据误报警的筛查方法及系统 | |
CN115426161A (zh) | 异常设备识别方法、装置、设备、介质和程序产品 | |
CN113988210A (zh) | 结构监测传感网失真数据修复方法、装置及存储介质 |