一种基于小波包-GRU神经网络的路灯寿命预测方法与流程

一种基于小波包-gru神经网络的路灯寿命预测方法
技术领域
1.本发明涉及一种基于小波包-gru神经网络的路灯寿命预测方法，其属于路 灯寿命预测技术领域。


背景技术：

2.随着城市化进程的不断发展，城市道路作为城市的“血脉”也在蓬勃发展，路 灯作为必要的道路照明工具在城市化的进程中起着不可忽视的作用。路灯不仅 能改善夜间行车条件，同时也能降低交通事故发生的概率，同时还能提高人们 的安全感，为城市的夜晚提供一道靓丽的风景线。
[0003][0004]
随着路灯数量的大幅上涨，路灯的维护问题也愈发的引起了人们的重视， 损坏的路灯不仅影响城市的市容市貌，同时也造成了极大的安全隐患。当路灯 损坏时昏暗的道路环境极大的影响了驾驶员的视线从而导致发生道路安全事故。


技术实现要素：

[0005]
发明目的：针对上述问题，本发明引入一种基于小波包-gru神经网络的路 灯寿命预测方法。该方法先通过小波包对原始数据进行分解，过滤噪声的同时 提高模型对局部分析的能力，同时通过gru获取模型的时间序列特征，有效的 提高了路灯寿命的预测预测精度。
[0006]
技术方案：一种基于小波包-gru神经网络的路灯寿命预测方法，包括如下 步骤：
[0007]
步骤一：获取路灯电压、电流、亮度等参数以及路灯寿命，计算不同参数 与路灯寿命之间的皮尔逊相关系数，选取相关性较高的参数作为输入数据；
[0008]
步骤二：将处理过后的数据进行z-score标准化处理，使用处理好的数据集 构建训练集，验证集和测试集；
[0009]
步骤三：构建基于小波包-gru神经网络的路灯寿命预测模型，确定模型的 基本结构参数；
[0010]
步骤四：使用构造的训练集训练构建的基于小波包-gru神经网络的路灯寿 命预测模型预测路灯的寿命。
[0011]
进一步地，所述步骤一中，通过下式计算参数a的数据序列与寿命h数据序 列之间的皮尔逊相关系数relationa：
[0012][0013]
其中n表示路灯寿命数据序列的总长度，d
at
和d
ht
代表第t个时段参数a与路 灯寿命h的数值，为参数a与路灯寿命d的平均数，relationa代表着两个 数据序列之间
的相关性系数，其数值在-1～1之间，其绝对值越大，代表其相关 性越高。
[0014]
，使用z-score标准化方法对路灯数据进行标准化处理，通过下式计算d
*
：
[0015][0016]
其中d
t
为原始的输入参数序列中第t个时间段的数值，为输入参数序列的 均值，d
σ
为原始输入参数序列的标准差，其计算公式为：
[0017][0018]
标准化后的数据集为：
[0019]d*
＝{(d
1*
,d
2*
,
…
,d
a*
)1,(d
1*
,d
2*
,
…
,d
a*
)2,
…
,(d
1*
,*
2*
,
…
,d
a*
)n}
[0020]
其中n表示原始数据集d在z-score标准化后的记录数量，(d
1*
,d
2*
,
…
,d
a*
)
t
为第1～a个参数t时刻z-score标准化后的输入数据序列。标准化处理后将数据 集d
*
按比例划分为训练集d
train
，验证集d
verify
，测试集d
test
。
[0021]
进一步地，所述步骤三中，基于小波包-gru神经网络的路灯寿命预测模型 其归一化后的输入参数将通过小波包进行频带分解，分解计算过程如下所示：
[0022]
某一输入参数a的输入序列可看成是a关于时间的函数ai(t),其中j是尺度参 数，i是频率参数。
[0023]
定义子区间a
j(i)
是函数ai(t)的闭包空间，a
j(2i)
是函数a
2i
(t)的闭包空间， ai(t)满足双尺度方程，即
[0024][0025]
式中：yc，qc表示滤波器系数，qc＝(-1)
ny1-c
，即两系数也具有正交关系；c 是平移参数，
[0026]
当i＝0时，上式可直接写为
[0027][0028]
在多分辨分析中，小波基函数和尺度函数μ(t)满足双尺度函数即
[0029][0030]
显然a0(t)和a1(t)分别退化为μ(t)和称序列为由基函数 u0(t)＝μ(t)确定的正交小波包。
[0031]
小波包可以定义为正交尺度u0(t)＝μ(t)确定的函数组。分解后的序列 q
j(i)
(t)可表示为
[0032][0033]
式中：m是平移参数，d
m(j,i)
表示小波包第m层内节点(j,i)处的小波包 系数。
[0034]
进一步地，所述步骤三中，构造的基于小波包-gru神经网络的路灯寿命预 测模型其gru神经网络的计算方式如下：
[0035]
重置门：res
t
＝σ(w
res
·
[state
t-1
,in
t
] b
res
)；
[0036]
更新门：update
t
＝σ(w
update
·
[state
t-1
,in
t
] b
update
)；
[0037]
单元状态
[0038]
当前状态：
[0039]
输出：out
t
＝σ(w
out
*state
t
n
out
)；
[0040]
其中w
res
、w
update
、w
state
、w
out
为系统的参数矩阵，其初始值为范围为 [-0.1,0.1]的随机矩阵，b
res
、b
update
、b
state
、b
out
为系统的偏置，其初始值为 零向量。*代表哈达玛积。res
t
、update
t
分别是系统的更新门和重置门，通过 sigmoid函数输出0-1的数以控制门的开关程度从而实现对系统状态h的输入量 的控制，原有状态的保持以及输出量的控制。
[0041]
gru网络的输入值为小波包分解后输入序列，输出值为预测的路灯剩余寿 命。
[0042]
进一步地，所述步骤四中，使用训练集训练基于小波包-gru神经网络的路 灯寿命预测模型预测路灯寿命，具体步骤如下：
[0043]
步骤4-1：将训练集t
train
中相关参数的时间序列数据作为输入，输入到基 于小波包-gru神经网络的路灯寿命预测模型，通过模型得到对应的实际输出
[0044]
步骤4-2：使用均方误差计算路灯寿命实际输出值 与预期输出值的误差；利用反向传播算法将每次运算的误差传递给模型的每一 个神经元，随后利用rmsprop算法更新每一个连接权重；
[0045]
步骤4-3：设置迭代固定次数，在迭代中不断更新gru神经网络连接权重， 并在迭代过程中用该网络对验证集t
verify
的数据进行预测。
[0046]
步骤4-4：选取迭代过程中在验证集t
verify
中表现最好的参数作为模型的最 终参数进行保存。
[0047]
步骤4-5：将作为测试集t
test
的路灯寿命数据利用基于小波包-gru神经网 络的路灯寿命预测模型进行预测，得到预测的路灯寿命数据计算预测结果的误 差从而对模型进行测试。
[0048]
本发明提出一种基于小波包-gru神经网络的路灯寿命预测方法，先通过小 波包对原始数据进行分解，过滤噪声的同时提高模型对局部分析的能力，同时 通过gru获取模型的时间序列特征，有效的提高了路灯寿命的预测预测精度。
附图说明
[0049]
图1为本发明的基于小波包-gru神经网络的路灯寿命预测方法步骤示意图；
[0050]
图2为本发明的基于小波包-gru神经网络的路灯寿命预测方法的预测流程 图；
[0051]
图3为本发明的基于小波包-gru神经网络的路灯寿命预测的结构示意图；
具体实施方式
[0052]
下面结合说明书附图对本发明的技术方案做进一步的详细说明。
[0053]
如图1-3所示，一种基于小波包-gru神经网络的路灯寿命预测方法，包括 如下步骤：
[0054]
步骤一：获取路灯电压、电流、亮度等参数以及路灯寿命，计算不同参数 与路灯寿命之间的皮尔逊相关系数，选取相关性较高的参数作为输入数据； 所述步骤一中，通过下式计算参数a的参数数据序列与寿命h的数据序列之间的 皮尔逊相关系数relationa：
[0055][0056]
其中n表示路灯寿命数据序列的总长度，d
at
和d
ht
代表第t个时段参数a与路 灯寿命h的数值，为参数a与路灯寿命h的平均数，relationa代表着两个 数据序列之间的相关性系数，其数值在-1～1之间，其绝对值越大，代表其相关 性越高。
[0057]
步骤二：将处理过后的数据进行z-score标准化处理，使用处理好的数据集 构建训练集，验证集和测试集；
[0058]
步骤二中，使用z-score标准化方法对路灯数据进行标准化处理，通过下式 计算d
*
：
[0059][0060]
其中d
t
为原始的输入参数序列中第t个时间段的数值，为输入参数序列的 均值，d
σ
为原始输入参数序列的标准差，其计算公式为：
[0061][0062]
标准化后的数据集为：
[0063]d*
＝{(d
1*
,d
2*
,
…
,d
a*
)1,(d
1*
,d
2*
,
…
,d
a*
)2,
…
,(d
1*
,*
2*
,
…
,d
a*
)n}
[0064]
其中n表示原始数据集d在z-score标准化后的记录数量，(d
1*
,d
2*
,
…
,d
a*
)
t
为第1～a个参数t时刻z-score标准化后的数据序列。标准化处理后将数据集d
*
按 固定比例划分为训练集d
train
，验证集d
verify
，测试集d
test
。
[0065]
步骤三：构建基于小波包-gru神经网络的路灯寿命预测模型，确定模型的 基本结构参数；
[0066]
步骤三中，构造的基于小波包-gru神经网络的路灯寿命预测模型共分为小 波包分解部分，gru预测部分，其小波包分解部分计算如下所示：
[0067]
某一输入参数a的输入序列可看成是a关于时间的函数ai(t),其中j是尺度参 数，i是频率参数。
[0068]
定义子区间a
j(i)
是函数ai(t)的闭包空间，a
j(2i)
是函数a
2i
(t)的闭包空间， ai(t)满足双尺度方程，即
[0069][0070]
式中：yc，qc表示滤波器系数，qc＝(-1)
ny1-c
，即两系数也具有正交关系；c 是平移参数，
[0071]
当i＝0时，上式可直接写为
[0072][0073]
在多分辨分析中，小波基函数和尺度函数μ(t)满足双尺度函数即
[0074][0075]
显然a0(t)和a1(t)分别退化为μ(t)和称序列为由基函数 u0(t)＝μ(t)确定的正交小波包。
[0076]
小波包可以定义为正交尺度u0(t)＝μ(t)确定的函数组。分解后的序列 q
j(i)
(t)可表示为
[0077][0078]
式中：m是平移参数，d
m(j,i)
表示小波包第m层内节点(j,i)处的小波包 系
数。
[0079]
其gru神经网络部分的计算过程如下所示：
[0080]
重置门：res
t
＝σ(w
res
·
[state
t-1
,in
t
] b
res
)；
[0081]
更新门：update
t
＝σ(w
update
·
[state
t-1
,in
t
] b
update
)；
[0082]
单元状态
[0083]
当前状态：
[0084]
输出：out
t
＝σ(w
out
*state
t
b
out
)；
[0085]
其中w
res
、w
update
、w
state
、w
out
为系统的参数矩阵，其初始值为范围为 [-0.1,0.1]的随机矩阵，b
res
、b
update
、b
state
、b
out
为系统的偏置，其初始值为 零向量。*代表哈达玛积。res
t
、update
t
分别是系统的更新门和重置门，通过 sigmoid函数输出0-1的数以控制门的开关程度从而实现对系统状态h的输入量 的控制，原有状态的保持以及输出量的控制。
[0086]
gru网络的输入值为小波包分解后输入序列，输出值为预测的路灯剩余寿 命。
[0087]
步骤四：使用构造的训练集训练构建的基于小波包-gru神经网络的路灯寿 命预测模型预测路灯的寿命。
[0088]
步骤四中，使用训练集训练基于小波包-gru神经网络的路灯寿命预测模型 预测路灯寿命，具体步骤如下：
[0089]
步骤4-1：将训练集t
train
中相关参数的时间序列数据作为输入，输入到基 于小波包-gru神经网络的路灯寿命预测模型，通过模型得到对应的实际输出
[0090]
步骤4-2：使用均方误差计算路灯预测实际输出值 与预期输出值的误差；利用反向传播算法将每次运算的误差传递给模型的每一 个神经元，随后通过rmsprop算法更新每一个连接权重；
[0091]
步骤4-3：设置迭代次数，在迭代中不断更新gru神经网络连接权重，并 在迭代过程中通过该网络对验证集t
verify
的数据进行预测，验证网络的预测效果 是否随着迭代的进行不断提高。
[0092]
步骤4-4：选取迭代过程中在验证集t
verify
中表现最好的模型参数作为模型 的最终参数进行保存。
[0093]
步骤4-5：将作为测试集t
test
的路灯寿命数据利用基于小波包-gru神经网 络的路灯寿命预测模型进行预测，得到预测的路灯寿命数据计算预测结果的误 差从而对模型进行测试。
[0094]
本发明提出一种基于小波包-gru神经网络的路灯寿命预测预测方法，通过 小波包对原始数据进行分解，过滤噪声的同时提高模型对局部分析的能力，同 时通过gru获取模型的时间序列特征，有效的提高了路灯寿命的预测预测精度， 使路灯管理者能及时的对即将损坏的路灯进行更换，降低由路灯损坏带来的负 面影响。
[0095]
以上所述仅为本发明的具体实施方式，本发明保护范围并不局限于此，但 凡本领域技术人员通过本发明所揭示内容想到的各种相同含义的替换和形容词 的变化，皆应纳入本发明的保护范围之内，本发明的保护范围以所附权利要求 为准。