[发明专利]氢能源助力自行车日使用量和故障情况的预测方法

权利要求书

1.氢能源助力自行车日使用量和故障情况的预测方法，其特征在于：包括以下步骤：

S1，将氢能源助力自行车的各种数据存入大数据存储系统中；

S2，建立大数据计算框架；

S3，从大数据存储系统中提取氢能源助力自行车的各种数据；

S4，在步骤二建立的大数据计算框架下运行循环神经网络算法，得到氢能源助力自行车的日使用量和故障情况的预测结果；

S5，将氢能源助力自行车的日使用量和故障情况的预测结果保存到数据仓库中。

2.根据权利要求1所述的氢能源助力自行车日使用量和故障情况的预测方法，其特征在于：所述步骤S1中的氢能源助力自行车的各种数据包括实时采集的数据和固有数据。

3.根据权利要求1所述的氢能源助力自行车日使用量和故障情况的预测方法，其特征在于：所述步骤S1中的大数据存储系统采用分布式存储系统。

4.根据权利要求1所述的氢能源助力自行车日使用量和故障情况的预测方法，其特征在于：所述步骤S2中的大数据计算框架采用MapReduce并行计算框架。

5.根据权利要求1所述的氢能源助力自行车日使用量和故障情况的预测方法，其特征在于：所述步骤S4具体包括以下步骤：

S4.1，对提取的数据进行采样；

S4.2，确定循环神经网络模型具体结构，包括隐层数目与每层神经元个数，并搭建好循环神经网络模型；

S4.3，使用搭建好的循环神经网络模型进行车辆使用和故障检测，为训练样本数据贴上标签；

S4.4，通过使用贴上标签后的训练样本数据输入循环神经网络模型对循环神经网络模型进行训练，使循环神经网络模型自动调整模型参数，将训练完成后的循环神经网络模型作为预测模型；

S4.5，将步骤S3提取的氢能源助力自行车的各种数据作为输入数据，输入预测模型中，通过预测模型对输入数据进行测试，最终得到氢能源助力自行车日使用量和故障情况的预测结果。

6.根据权利要求5所述的氢能源助力自行车日使用量和故障情况的预测方法，其特征在于：所述步骤S4.2搭建的循环神经网络模型具有1个输入层，4个隐含层和1个输出层，每个隐含层中包含的神经元个数为10个。

7.根据权利要求5所述的氢能源助力自行车日使用量和故障情况的预测方法，其特征在于：所述步骤S4.4中的循环神经网络模型的参数包括U、V、W三个权重矩阵和b、c两个偏置矩阵，其中U、V、W分别为输入层到隐含层、隐含层到输出层、隐含层到隐含层的连接权重。

8.根据权利要求7所述的氢能源助力自行车日使用量和故障情况的预测方法，其特征在于：所述步骤S4.4中循环神经网络模型自动调整模型参数具体包括以下步骤：

S4.4.1，初始化：随机初始化循环神经网络模型参数；

S4.4.2，正向传播：将训练样本数据输入循环神经网络模型，通过正向传播算法，得出初始模型参数下循环神经网络模型的预测值，用来与训练样本的标签作差来调整循环神经网络模型参数。

S4.4.3，反向传播：对循环神经网络模型进行反向传播计算，通过对之前的输出与样本标签进行对比计算出误差，从而根据误差使用梯度下降法迭代对于模型参数进行进一步修正，调整循环神经网络模型参数。