[发明专利]一种基于LSTM模型的综合管廊运维数据预测系统及方法

权利要求书

1.一种基于LSTM模型的综合管廊运维数据预测系统，其特征在于：所述基于LSTM模型的综合管廊运维数据预测系统包括风险事件预测服务器、操控终端、基于物联网的数据通讯网络、现场数据接采集终端、仿真模型，所述风险事件预测服务器通过基于物联网的数据通讯网络与若干操控终端、若干现场数据接采集终端及至少一个仿真模型连接，且各操控终端间通过基于物联网的数据通讯网络混连，所述现场数据接采集终端、仿真模型间均相互并联，并通过中继服务器分别与风险事件预测服务器和各操控终端连接，所述现场数据接采集终端若干并沿管廊轴向方向与管廊内侧面连接，所述仿真模型中，一个仿真模型与其中至少一个操控终端分部在同一范围内。

2.根据权利要求1所述的一种基于LSTM模型的综合管廊运维数据预测系统，其特征在于：所述的风险评估服务器平台以基于SOA体系为基础的主程序系统，LSTM的智能预测系统为核心的服务器，且所述风险评估服务器平另设云数据处理系统、BP神经网络系统、基于BIM和GIS为基础的三维信息展示子系统、图像识别处理系统，且LSTM的智能预测系统分别于云数据处理系统、BP神经网络系统、基于BIM和GIS为基础的三维信息展示子系统连接，所述基于BIM和GIS为基础的三维信息展示子系统另与图像识别处理系统连接，并通过图像识别处理系统分别与现场数据接采集终端、仿真模型连接。

3.根据权利要求2所述的一种基于LSTM模型的综合管廊运维数据预测系统，其特征在于：所述的LSTM的智能预测系统采用RNN模型结构，并以时间序列为基础建立数据运行模型，包含至少三个cell神经网络，且每个cell神经网络均包含普串联的四个普通神经网络的隐藏层结构，其中第一、二和四的激活函数均为sigmoid函数，第三个的激活函数为tanh函数，同时，首先设t时刻的输入X和t-1时刻的输出h(t-1)进行拼接，然后输入cell中，其实可以这样理解，我们的输入X(t)分别feed进了四个普通神经网络的隐藏层结构中，每个普通神经网络的隐藏层结构中进行的运算和正常的神经网络的计算一样(矩阵乘法)，有关记忆的部分完全由各种门结构来控制(就是0和1)，同时在输入时不仅仅有原始的数据集，同时还加入了上一个数据的输出结果，也就是h(t-1)，从而在cell中一方面同时生成两条平行分布的数据处理路径，其中一条数据处理路径用于控制短时记忆，另一条数据处理路径用于控制长时记忆；另一方面生成输入门、遗忘门和输出门三类逻辑判断节点。

4.根据权利要求2或3所述的一种基于LSTM模型的综合管廊运维数据预测系统，其特征在于：所述的LSTM的智能预测系统运行时按以下步骤实施；

第一步，遗忘门运行，选择忘记过去的某些信息，LSTM中的第一步是决定从cell状态中丢弃什么信息；

其运行函数为：f_t＝σ(w_f·[h_t-1，x_t]+b_f)；

其中ht-1表示的是上一个cell的输出，xt表示的是当前细胞的输入。σ表示sigmod函数。

第二步，输入门运行，决定让多少新的信息加入cell状态中来，首先通过一个是输入门的sigmoid层决定哪些信息需要更新；另一个tanh层生成一个向量，也就是备选的用来更新的内容，然后把这两部分联合起来，对cell的状态进行一个更新；

其运行函数为：i_t＝σ(w_i·[h_t-1，x_t]+b_i)

i_t＝σ(w_i·[h_t-1，x_t]+b_i)

第三步，输出门运行，需要确定输出什么值，首先运行一个sigmoid层来确定cell状态的哪个部分将输出出去；接着，我们把cell状态通过tanh层进行处理(得到一个在-1到1之间的值)并将它和sigmoid层的输出相乘，最终输出确定输出的那部分数据。