[發明專利]應用深度學習和改進Apriori算法綜合的一次設備風險預測的方法

在審

• 申請號: 201711046984.7
• 申請日: 2017-10-31
• 公開（公告）號: CN107862406A
• 公開（公告）日: 2018-03-30
• 發明（設計）人: 梁壽愚;方文崇;黃雄;何超林;朱文;周志烽
• 申請（專利權）人: 中國南方電網有限責任公司
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q10/06;G06Q50/06;G06F8/20
• 代理公司: 廣州粵高專利商標代理有限公司44102
• 代理人: 林麗明

1.一種應用深度學習和改進Apriori算法綜合的一次設備風險預測的方法,其特征在于包括有如下步驟：

1）深度學習進行預測；

2）改進算法；

3）基于MapReduce的并行化Apriori算法的實現；

4）將深度學習算法得到的結果和Apriori的結果結合。

2.根據權利要求1所述的應用深度學習和改進Apriori算法綜合的一次設備風險預測的方法,其特征在于上述步驟1）深度學習進行預測的具體方法如下：

建立深度架構，底層是由GBRBM 與RBM組成的DBN的架構，用于非監督的特征學習；頂層加入了一個回歸層用作預測，在DBN 預訓練以后，頂層再通過有標簽的數據進行BP算法去做參數調整，這種方法要強于以往傳統神經網絡直接用BP算法做梯度下降調整，直觀的原因為：DBN 預訓練后的參數已經接近于訓練好，那么再做BP算法，只需要在已知參數里面進行一個局部的搜索，無論訓練與收斂速度都快很多，此深度學習模型的訓練步驟如下：

11）把設備歷史數據進行歸一化到[0，1]之間，那么輸入向量X 便可以表示為：

X ={xt |i t ∈T，i ∈N}

式中：X ti 表示為第i 類設備在第t 時間的歸一化后的數據，初始化訓練次數、學習速率；

12）把向量X 作為輸入，通過CD過程訓練第一層的GBRBM；

13）把GBRBM的輸出作為上層的RBM的輸入，訓練RBM；

14）把RBM 的輸出作為上層的RBM 的輸入，訓練RBM；

15）重復執行步驟14），直到執行完給定的層數；

16）最后一個RBM 的輸出作為頂層回歸層的輸入，隨機初始化其參數；

17）通過監督式BP方法微調這個架構的參數，最后通過訓練得出的模型就可以作為預測模型，當給定一組輸入向量后，便得到對應設備的預測輸出。

3.根據權利要求1所述的應用深度學習和改進Apriori算法綜合的一次設備風險預測的方法,其特征在于上述步驟2）改進算法的具體方法如下：

通過引入興趣項、頻數閥值，來提高挖掘的效率；通過動態挖掘數據關系來計算，改進后較傳統算法在時空復雜度上有較大的提高；

21）提出興趣項的各個子集的項頻數，具體包括如下步驟：

211）輸入興趣項和挖掘事務數據庫；

212）掃描事務數據庫；

213）記錄各個子集的項頻數和數據庫中記錄的總條數，保存子集；

22）找出關聯關系，具體包括如下步驟：

221）輸入和，把轉化為

222）掃描保存的興趣項子集，找出頻繁項集，刪除頻數小于的子集

223）在頻繁項集中，找出置信度大于的關聯關系，并輸出。

4.根據權利要求1所述的應用深度學習和改進Apriori算法綜合的一次設備風險預測的方法,其特征在于上述步驟3）基于MapReduce的并行化Apriori算法的實現的具體方法如下：

關聯規則的算法過程可知，在產生頻繁項集的過程中，特別是對廣域數據源，會產生大量的候選項集和重復掃描數據庫，這就造成了算法的瓶頸，影響了挖掘的效率和精度，基于云計算平臺的并行化的Apriori算法將上述的挖掘工作合理的分配給了云計算平臺中的數據存儲計算節點DataNode進行并行處理，在該平臺中，復雜的數據挖掘任務就會被分配到各個計算節點，由它們并行的執行，從每個計算節點DataNode中獲得小范圍的頻繁項集，然后再將各個節點的頻繁項集傳給執行reduce任務的計算節點進行匯集，并最終由NameNode節點對頻繁項集進行統計，并最終確定全局頻繁項集，這就極大地提高了Apriori算法的挖掘效率。