[发明专利]基于深度学习的电梯困人特征解析与时间序列预测模型构建方法、所得模型及预测方法

权利要求书

1.一种基于深度学习的电梯困人特征解析与时间序列预测模型构建方法，其特征是，包括以下步骤：

第一步、采集作为数据源的电梯的原始数据，并传入深度学习模型；所述原始数据包括静态信息数据和历史动态信息数据；

第二步、采用软标签修改深度学习训练集标签；

第三步、将静态信息数据的各项特征、历史动态信息数据的各项特征分别分类为稀疏特征、密集特征，其中，所述稀疏特征是指具有多个不相关的离散值、不同值之间只代表含义不同、且不包含次序关系的特征，所述密集特征是指具有离散值或连续值、且包含次序关系的特征；之后，将各个特征分别进行转换，其中，对于稀疏特征，将该特征通过隐层映射表映射到对应的特征空间以实现转换，对于密集特征，将该特征通过全连接层进行特征提取以实现转换；

第四步、将转换后各个特征信息在通道层进行拼接，获得拼接特征；

第五步、将拼接特征传入LSTM神经网络计算得到时序抽象特征；

第六步、将时序抽象特征传入全连接层并转换为预测困人概率；

第七步、将预测困人概率与困人真实值传入交叉熵损失函数，计算预测损失，并通过反向传播更新LSTM神经网络参数以训练模型；所述困人真实值来自作为数据源的电梯的原始数据；预测模型构建结束。

2.根据权利要求1所述的基于深度学习的电梯困人特征解析与时间序列预测模型构建方法，其特征是，第一步中，所述静态信息数据选自或包括：所在位置、场所类型、场所名称、制造单位、安装单位；所述历史动态信息数据选自或包括：天气、气温、困人记录、故障记录。

3.根据权利要求2所述的基于深度学习的电梯困人特征解析与时间序列预测模型构建方法，其特征是，所述原始数据的数据来源为电梯的电梯清单表、困人或故障记录表、天气气温表。

4.根据权利要求1所述的基于深度学习的电梯困人特征解析与时间序列预测模型构建方法，其特征是，第二步中，修改时，只修改位于最近一次困人记录之前、且距离该困人记录的时间长度为预设值的时间段内的深度学习训练集标签，并将该深度学习训练集的困人概率设为预定值。

5.根据权利要求1所述的基于深度学习的电梯困人特征解析与时间序列预测模型构建方法，其特征是，第三步中，将各个特征分别进行转换时按下式转换：

f_s＝embedding(x_s) I

f_d＝W_d·x_d+b_d II

式I中，x_s为稀疏特征，embedding为隐层映射层、能将稀疏特征映射到对应的特征空间，f_s为将稀疏特征转换所得特征信息；

式II中，x_d为密集特征，W_d为抽象密集特征的权重矩阵，b_d为抽象密集特征的偏置矩阵，f_d为将密集特征转换所得特征信息；

第四步中，拼接时，将位于同一个时间序列的稀疏特征和密集特征保存在同一个张量中。