[发明专利]一种基于融合神经网络的传感器节点数据预测方法

权利要求书

1.一种基于融合神经网络的传感器节点数据预测方法，其特征在于，包括：

构建神经网络预测模型、创建数据预处理指令和模型训练指令；

选取传感器节点的数据分类采样得到第一训练数据集和第二训练数据集；

对采样得到的第一训练数据集和第二训练数据集进行数据预处理指令，以得到第一训练样本和第二训练样本；

使用得到的第一训练样本和第二训练样本分别训练神经网络预测模型，得到第一神经网络预测模型和第二神经网络预测模型；

对传感器节点分别输入第一神经网络预测模型和第二神经网络预测模型的向量并进行数据预处理指令；

从第一神经网络预测模型和第二神经网络预测模型选用最佳的预测模型输出向量，以使传感器节点数据预测值达到最精确预测值。

2.根据权利要求1所述的一种基于融合神经网络的传感器节点数据预测方法，其特征在于，选取传感器节点的数据分类采样得到第一训练数据集和第二训练数据集的步骤中：

所述传感器节点数据分类根据分类标签逐级构造决策树，设定决策树最底层分类标签的个数n为X均值聚类算法的初始X值，以初始X值作为聚类算法的初始值，在所有传感器节点数据中选取两个节点数据作为各个分类的质心节点，并采集两个质心节点的数据以得到第一训练数据集和第二训练数据集。

3.根据权利要求1所述的一种基于融合神经网络的传感器节点数据预测方法，其特征在于，对采样得到的第一训练数据集和第二训练数据集进行数据预处理指令，以得到第一训练样本和第二训练样本的步骤还包括：

将第一训练数据集和第二训练数据集分开进行数据预处理，排除数据集中的负值数据；所述负值数据通过补零修复负值数值，并运用线性插值的方法修复缺失数据。

4.根据权利要求1所述的一种基于融合神经网络的传感器节点数据预测方法，其特征在于，使用得到的第一训练样本和第二训练样本分别训练神经网络预测模型，得到第一神经网络预测模型和第二神经网络预测模型的步骤中：

所述神经网络模型具备自适应的弹性特性、数据集和训练样本的数值根据训练过程中的误差进行自适应调整。

5.根据权利要求1所述的一种基于融合神经网络的传感器节点数据预测方法，其特征在于，对传感器节点分别输入第一神经网络预测模型和第二神经网络预测模型的向量并进行数据预处理指令的步骤中：

采集第一神经网络预测模型和第二神经网络预测模型中预测前一时刻的数据作为输入至传感器节点的向量，进行归一化处理，得到处理后的输入向量。

6.根据权利要求1所述的一种基于融合神经网络的传感器节点数据预测方法，其特征在于，从第一神经网络预测模型和第二神经网络预测模型选用最佳的预测模型输出向量，以使传感器节点数据预测值达到最精确值的步骤中：

第一神经网络预测模型和第二神经网络预测模型的输出向量为预测后24小时的数据经反归一化计算得到的最精准数值。

7.一种基于融合神经网络传感器节点数据预测装置，其特征在于，采用所述基于融合神经网络传感器节点数据预测装置执行权利要求书1-6任一项所述的基于融合神经网络传感器节点数据预测方法，所述基于融合神经网络传感器节点数据装置包括：

创造单元，用于构建神经网络预测模型、创建数据预处理指令和模型训练指令，选取传感器节点的数据分类采样得到第一训练数据集和第二训练数据集；

训练单元，用于对采样得到的第一训练数据集和第二训练数据集进行数据预处理，以得到第一训练样本和第二训练样本；使用得到的第一训练样本和第二训练样本分别训练神经网络预测模型，得到第一神经网络预测模型和第二神经网络预测模型；

处理单元，用于对传感器节点分别输入第一神经网络预测模型和第二神经网络预测模型的向量并进行数据预处理；从第一神经网络预测模型和第二神经网络预测模型选用最佳的预测模型输出向量，以使传感器节点数据预测值达到最精确预测值。