[发明专利]高速公路摄像设备状态预测及故障预警方法、相关装置

权利要求书

1.一种高速公路摄像设备状态预测模型构建方法，其特征在于，包括：

获取训练集、验证集、测试集，其中训练集、验证集、测试集中均包括高速公路摄像设备的功率遥测数据和摄像设备状态数据；

确定多层LSTM网络的输入功率序列长度和输出功率序列长度，生成训练集、验证集、测试集的输入、输出集向量数组；

采用训练集输入、输出向量数组训练多层LSTM网络，利用验证集输入、输出向量数组进行验证，得到摄像设备状态预测模型；

采用测试集输入、输出向量数组测试摄像设备状态预测模型。

2.根据权利要求1所述的高速公路摄像设备状态预测模型构建方法，其特征在于，所述获取训练集、验证集、测试集，包括：

采集高速公路摄像设备工作时全寿命周期的功率遥测数据；

对功率遥测数据进行数据预处理，其中预处理包括删除异常数据、插补缺失数据、数据归一化处理；

设置时间戳，根据时间戳将功率遥测数据划分为训练集、验证集、测试集，其中时间戳包括训练集时间戳、验证集时间戳和测试集时间戳。

3.根据权利要求1或2所述的高速公路摄像设备状态预测模型构建方法，其特征在于，所述多层LSTM网络中的损失函数选取MSE，具体如下：

其中，m为样本个数，y_i为数据真实值，为预测值。

4.根据权利要求1或2所述的高速公路摄像设备状态预测模型构建方法，其特征在于，所述多层LSTM网络的输入功率序列长度为l_in＝480和输出功率序列长度1，则生成训练集、验证集、测试集的输入、输出集向量数组如下所示：

1、训练集输入向量为：

x₁＝[p₁,p₂,…,p_480-1,p₄₈₀]x₂＝[p₂,p₃,…,p₄₈₀,p₄₈₀₊₁]，…x_{(36088-1-480+1)}＝[p_{36088-1-480+1},p_{36088-1-480+2},…,p_36088-2,p_36088-1]

则训练集输入向量数组为：

2、训练集输出集向量为：

y₁＝[p₄₈₀₊₁]，y₂＝[p₄₈₀₊₂]，…，y_{(36088-1-480+1)}＝[p₃₆₀₈₈]

则训练集输出向量数组为：

3、验证集输入向量为：

x₁′＝[p₃₆₀₈₈,p_36088+1,…,p_36088+480-2,p_36088+480-1]

x₂′＝[p_36088+1,p_36088+2,…,p_36088+480-1,p_36088+480]，…x_{(45111-36088-1-480+1)}′＝[p_{45111-1-480+1},p_{45111-1-480+2},…,p_45111-2,p_45111-1]

则验证集输入向量数组为：

4、验证集输出向量为：

y₁′＝[p_{36088+480-1+1}]，y₂′＝[p_36088+480+1]，…，y_{(45111-36088-1-480+1)}′＝[p_45111-1+1]

其验证集输出向量数组为：

5、测试集输入向量为：

x₁″＝[p₄₅₁₁₁,p_45111+1,…,p_45111+480-2,p_45111+480-1]，

x₂″＝[p_45111+1,p_45111+2,…,p_45111+480-1,p_45111+480]，…x_{(56389-45111-1-480+1)}″＝[p_{56389-1-480+1},p_{56389-1-480+2},…,p_56389-1]

则测试集输入向量数组为：

6、测试集输出向量为：

y₁″＝[y_{45111+480-1+1}]，y₂″＝[p_45111+480+1]，…，y_{(56389-45111-1-480)}″＝[p₅₆₃₈₉]

则测试集输出向量数组为：