[发明专利]一种基于双LSTM迭代学习的物联网数据流检测方法

说明书

本发明涉及一种基于双LSTM迭代学习的物联网数据流检测方法，该方法将一般的数据流向量化，方便物联网设备的扩展，可基于时序对事件进行检测构建，得到更加准确的结果；利用双LSTM模型迭代学习，能够在实际应用中自我修正检测模型参数，同时减少检测模块的实时训练需求，提高实时性；利用衍生数据同步输入检测模块，生成多个判断子结果并统计获得最后结果，有效避免传感器节点突然出现异常而导致检测错误的情况，提高检测方法的稳定性和抗干扰性。

技术领域：

本发明涉及人工智能、物联网数据检测技术，具体是指一种基于双LSTM迭代学习的物联网数据流检测方法。

背景技术：

随着网络通信技术的不断发展以及传感技术和智能设备的研究与更新，小到智能手环、智能电表，大到环境监测、工业生产线等等都在源源不断的产生海量的实时数据并发往云端。这些海量数据是社会和企业宝贵的财富，能够帮助企业实时监控业务或设备的运行情况，生成各种维度的报表，而且通过大数据分析和机器学习，对业务进行预测和预警，帮助社会或企业进行科学决策、节约成本并创造新的价值。

近年来，针对物联网的数据流检测有了一定发展，但也存在着许多难以解决的根本性问题，例如：物联网数据量过大，数据检测速度较慢；数据结构复杂、数据格式不统一，原本设定好的数据检测方法一旦遇到网络中接入新设备时，需要对检测方法进行大规模改动；较多方法对数据流的分析以点为主，不能考虑数据的时序对构建事件的影响；所采用的数据检测模型通常为单一模型，无法实时更新模型，检测准确性欠佳；直接对获取的数据进行检测，一旦某个传感器出现异常，产生的异常数据会造成整个数据流检测的干扰。

基于上述不足，本发明设计一种易扩展的、基于时序的物联网数据流检测方法，基于双长短期记忆网络(LSTM)模型来实现数据检测与实时更新模型，本案由此而生。

发明内容：

本发明公开一种基于双LSTM迭代学习的物联网数据流检测方法，将数据流向量化方便物联网设备的扩展，可基于时序对事件进行检测构建，得到更加准确的结果，同时利用双LSTM模型迭代学习，能够在实际应用中自我修正检测模型参数。

为了实现上述发明目的，本发明所采用的技术方案为：

一种基于双LSTM迭代学习的物联网数据流检测方法，内容包括：

步骤1：获取非异常数据流信息后进行向量化处理，得到数据向量；

步骤2：构建训练样本；

步骤3：构建结构相同的主LSTM模型和从LSTM模型，将训练样本输入从LSTM模型进行训练，从LSTM模型输出的模型参数传至主LSTM模型中，主LSTM模型负责数据流的检测；

步骤4：主LSTM模型从需要检测的数据流中获取数据，并判断是否出现扩展设备：若无扩展设备，则对获取数据进行向量化处理，得到数据向量δ₀；若有扩展设备，则对获取数据进行向量化处理得到数据向量δ′₀，数据向量δ′₀含未扩展设备时的数据向量δ₀以及扩展设备的数据向量σ_ED，先屏蔽扩展设备数据向量σ_ED，得到与扩展前长度一致的数据向量δ₀；

步骤5：将数据向量δ₀拆分成M段长度相等的向量片段，构建M组衍生向量，衍生向量生成方式为：每次任意取M-1段向量片段，按照原划分位置关系排列，位置空缺处填入训练数据同位置的均值；