[发明专利]一种基于深度学习的工控系统时空数据预测方法在审
| 申请号： | 201810242045.8 | 申请日： | 2018-03-22 |
| 公开（公告）号： | CN108664687A | 公开（公告）日： | 2018-10-16 |
| 发明（设计）人： | 陈晋音;徐轩桁;苏蒙蒙;施朝霞 | 申请（专利权）人： | 浙江工业大学 |
| 主分类号： | G06F17/50 | 分类号： | G06F17/50;G06N3/04 |
| 代理公司： | 杭州天勤知识产权代理有限公司 33224 | 代理人： | 曹兆霞 |
| 地址： | 310014 浙*** | 国省代码： | 浙江;33 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | 本发明公开了一种基于深度学习的工控系统时空数据预测方法，包括(1)建立时空数据的训练模型，结合GCN和ST‑LSTM形成训练模型，利用GCN提取输入数据的空间特征，并以GCN的输出作为ST‑LSTM输入的一部分，利用ST‑LSTM提取输入数据的时空特征；(2)以t‑1时刻的时空数据作为训练模型的输入，以t时刻的时空数据作为训练模型的真值输出，以训练模型的输出与真实输出的交叉熵作为训练目标，对训练模型进行训练，更新训练模型的参数，当训练目标收敛时，获得时空数据的预测模型；(3)将待预测的时空数据输入到预测模型中，经计算获得下一时刻的时空数据。该方法能够快速地实现对时空数据的准确预测。 | ||
| 搜索关键词： | 时空数据 训练模型 输出 预测 工控系统 训练目标 预测模型 空间特征 时空特征 交叉熵 收敛 学习 更新 | ||
【主权项】：
1.一种基于深度学习的工控系统时空数据预测方法，包括以下步骤：(1)建立时空数据的训练模型，所述训练模型包括GCN和ST‑LSTM，所述GCN用于提取输入数据的空间特征，以t‑1时刻的时空数据形成的图卷积网络和网络的邻接矩阵作为所述GCN的输入，以t‑1时刻的时空数据的空间特征作为所述GCN的输出；所述ST‑LSTM用于提取输入数据的时空特征，将所述GCN输出的t‑1时刻第i个节点的邻居节点隐藏层向量![]()
t‑1时刻的邻居节点cell层向量![]()
和LSTM的t时刻的输入向量![]()
t‑1时刻的隐藏层向量![]()
t‑1时刻的cell层向量![]()
同时作为ST‑LSTM的输入，以t时刻的时空特征作为输出；(2)以t‑1时刻的时空数据作为所述训练模型的输入，以t时刻的时空数据作为所述训练模型的真值输出，以所述训练模型的输出与真实输出的交叉熵作为训练目标，对所述训练模型进行训练，更新训练模型的参数，当训练目标收敛时，获得时空数据的预测模型；(3)将待预测的时空数据输入到所述预测模型中，经计算获得下一时刻的时空数据。
下载完整专利技术内容需要扣除积分，VIP会员可以免费下载。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于浙江工业大学，未经浙江工业大学许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/patent/201810242045.8/，转载请声明来源钻瓜专利网。
