[发明专利]一种隧道灯具照度衰减预测方法

权利要求书

1.一种隧道灯具照度衰减预测方法，其特征在于，所述方法的具体步骤如下：

选择使用递归特征消除算法；

步骤一：基于全部特征进行训练，针对训练的结果，对每个特征进行评估，评估得分最小的特征即为最不相关的特征，将其去除；剩下的特征进行第二轮训练，递归执行上述过程，直到最后只包含一个特征；特征被消除的顺序即为特征的重要性排序，重要的特征相对不重要的特征较晚去除；

步骤二：依据隧道灯具使用特征以及历史照度数据，筛选出灯具发光强度衰减影响因素包括：输入电压、输入电流、温度、湿度、隧道外光照强度；为了提高模型的预测精度，并消除影响因素之间量纲的影响，需要对输入数据进行预处理；对于灯具发光强度衰减的影响因素，数据较为稳定，不存在极端的最大值和最小值，故采用归一化处理方法，将影响因素的数据值映射到0-1区间，其线性变换公式为：

通过传感器和测量器获得数据并进行处理后，我们进行样本集构造；假设X_t是t时刻的灯具发光强度衰退影响因素的特征向量，目标是预测未来N个时刻的光照强度变化曲线，每个特征向量包含五个特征，编号为F1-F5，分别表示输入电压、输入电流、温度、湿度、隧道外光照强度；

步骤三：由于LSTM设计的循环结构的要求，需要输入特征向量组成的序列数据，假设序列由M个特征向量组成，即时间序列步长为M，构造的输入序列数据形式为{X_t-M+1，X_t-M+2，...，X_t}；第一个序列数据为{X₁，X₂，...，X_M}，第二个序列数据为{X₂，X₃，...，X_M+1}，以此类推得到其他序列数据；

步骤四：构造样本数据集，利用LSTM模型来根据过去的一段时间数据来预测未来一段时间的数据，需要提供样本输入时间序列数据和样本输出时间序列数据，假设样本观测时间为T，即记录了T个小时的灯具状态序列数据，时间步长为M，预测序列数据之后N个小时，Y_t为t时刻的灯具亮度数据；则输入时间序列数据包括S_I1＝{X₁，X₂，...，X_M}，S_I2＝{X₂，X₃，...，X_M+1}，...，S_IZ＝{X_z，X_z+1，...，X_Z+M-1}；输出时间序列数据包括S₀₁＝{Y_1+M，Y_2+M，...，Y_N+M}，S₀₂＝{Y_2+M，Y_3+M，...，Y_N+1+M}，...，S_OZ＝{Y_Z+M，Y_Z+1+M，...，Y_Z+N-1+M}；一共有Z＝T-N-M+1个监督学习样本；

在训练模型过程中，输入Z，M，F三维张量，其中F为特征向量的维度；

步骤五：选定时间滞后组成的样本数据集后，使用一定时间范围的数据作为训练集，一定时间范围的数据作为验证集，一定时间范围的数据作为测试集；为了评估建立的LSTM模型在预测隧道灯具亮度曲线上的准确度，采用相关系数和平均绝对百分误差对模型进行评价；然后进行模型训练与调优，采用TensorFlow开源平台作为深度学习的平台，进行模型训练；首先随机初始化LSTM神经网络参数，设置神经网络层数为1，时间序列步长为24小时，神经元个数为50，训练循环次数为60，批量大小为3；随后使用训练数据进行模型训练，完成后将验证模型准确性；

步骤六：由于神经网络的参数是随机生成的，而且参数比较多，同时取值范围较大，为了保证模型预测结果的准确性，首先手动确定参数范围，随后利用计算机自动寻找最优解；在手动确定参数过程中，避免模型过拟合，添加更多的隐藏层、设置更多的神经节点；使用均方误差作为LSTM模型的损失函数，使用adam计算神经网络每个参数的自适应学习率，按照一定的比例将神经元暂时从神经网络中丢弃，防止模型过拟合；

步骤七：所有参数训练完成后，选用相关系数最高且绝对误差最小的模型作为最优预测模型。