[发明专利]一种基于LSTM和随机森林混合模型的电力通信业务可靠性评估预测方法及装置

权利要求书

1.一种基于LSTM和随机森林混合模型的电力通信业务可靠性评估预测方法，其特征在于，包括：

S1：获取电力通信业务的历史告警记录信息，对历史告警记录信息进行预处理，包括：对历史告警记录信息进行数据划分、时序序列处理以及标准化处理；

S2：构建LSTM网络模型，利用预处理后的历史告警记录信息对LSTM网络模型进行训练；

S3：利用训练好的LSTM网络模型对待预测的电力通信业务数据进行预测，得到时序预测结果；

S4：获取电力通信业务的基本信息，将预测得到的时序预测结果与电力通信业务的基本信息进行拼接，再对拼接后的数据进行归一化处理，其中，预测得到的时序预测结果作为动态特征，电力通信业务的基本信息作为静态特征；

S5：将归一化处理后的数据输入随机森林模型进行训练，得到训练好的随机森林模型；

S6：利用训练好的随机森林模型对待预测的电力通信业务数据进行预测，得到可靠性评估结果，可靠性评估结果包括预测得到的电力通信业务的告警数量以及发生概率；

对预测得到的电力通信业务的告警数量向量A及输入数据发生概率向量P进行加权求和，得到告警数的期望值s＝P·A^T；

对期望值进行归一化处理，得到最终可靠性评分，归一化处理公式为：

其中，score表示最终可靠性评分，min(A)表示告警数量向量的最小值，max(A)表示告警数量向量的最大值；

所述预处理后的历史告警记录信息为时序数据，该时序数据包括特征属性，S2具体包括：

S2.1：构建输入层和输出层，其中输入层的节点数与待输入时序数据的特征属性数相同，输出层的节点数为1，用于输出得到时序预测结果；

S2.2：构建隐含层，其中，隐含层为采用LSTM细胞搭建单层循环神经网络；

S2.3：将预处理后的历史告警记录信息作为训练数据，定义损失函数，采用基于梯度的优化算法对LSTM网络模型进行训练，得到训练好的LSTM网络模型；

所述电力通信业务的基本信息包括业务类型、业务带宽和接口类型，S4中将预测得到的时序预测结果与电力通信业务的基本信息进行拼接，再对拼接后的数据进行预处理，包括：

S4.1：将时序预测得到的业务时序数据拼接上包括业务类型、业务带宽、接口类型的业务基本信息，作为样本的特征属性；

S4.2：对样本进行归一化处理。

2.如权利要求1所述的方法，其特征在于，S2.3具体包括：

S2.3.1：按照前向传播计算LSTM细胞输出；

S2.3.2：通过反向计算每个LSTM细胞的误差项，按照时间和网络层级两个方向反向传播；再根据相应的误差项，计算每个权重的梯度；

S2.3.3：基于梯度的优化算法更新权重，其中选用平均绝对误差作为误差计算方式，训练过程中的损失函数为：

其中，m为训练数据长度，h(x_i)为网络模型返回值，y_i为样本真实值，设定损失函数最小为优化目标，给定网络初始化seed、学习率η以及训练步长steps，应用Adam优化算法不断更新网络权重，最终得到训练好的LSTM网络模型。

3.如权利要求1所述的方法，其特征在于，S5具体包括：

S5.1：采用随机有放回的抽取样本生成子数据集，

S5.2：分别在生成子数据集上独立地训练各个子决策树，其中，在训练子决策树时，利用特征信息选取最优划分特征，具体为通过基尼系数GINI值来选择最优划分特征，其中，GINI计算公式：

其中，T表示样本集合D中包含的样本类别，p_i表示样本占总样本的比例，GINI(D)与样本集合D的纯度成反比；

S5.3：采用袋外错误率进行验证与分析，最终得到训练好的随机森林模型。