[發明專利]一種基于深度學習的工控系統時空數據預測方法

在審

• 申請號: 201810242045.8
• 申請日: 2018-03-22
• 公開（公告）號: CN108664687A
• 公開（公告）日: 2018-10-16
• 發明（設計）人: 陳晉音;徐軒桁;蘇蒙蒙;施朝霞
• 申請（專利權）人: 浙江工業大學
• 主分類號: G06F17/50
• 分類號: G06F17/50;G06N3/04
• 代理公司: 杭州天勤知識產權代理有限公司 33224
• 代理人: 曹兆霞

本發明公開了一種基于深度學習的工控系統時空數據預測方法，包括(1)建立時空數據的訓練模型，結合GCN和ST?LSTM形成訓練模型，利用GCN提取輸入數據的空間特征，并以GCN的輸出作為ST?LSTM輸入的一部分，利用ST?LSTM提取輸入數據的時空特征；(2)以t?1時刻的時空數據作為訓練模型的輸入，以t時刻的時空數據作為訓練模型的真值輸出，以訓練模型的輸出與真實輸出的交叉熵作為訓練目標，對訓練模型進行訓練，更新訓練模型的參數，當訓練目標收斂時，獲得時空數據的預測模型；(3)將待預測的時空數據輸入到預測模型中，經計算獲得下一時刻的時空數據。該方法能夠快速地實現對時空數據的準確預測。

技術領域

本發明涉及工業領域，具體涉及一種基于深度學習的工控系統時空數據預測方法。

背景技術

隨著科學技術的快速發展，人類對自身生活環境的探索已經不僅僅限制于周圍，逐漸向空間的外沿不停的擴展，從原有的二維空間到三維空間，進而演變成空間對象時空分布的四維空間。而時空數據(spatio-temporal data)是指具有時間元素并隨著時間變化而變化的空間數據。時空數據包括時間、空間、特征屬性三維信息，具有多維、語義、時空動態關聯的特點。

由于時空數據會受到很多不同的因素的影響，所以針對時空大數據的分析預測等問題是人為難以進行判斷的，但是利用深度學習來進行時空數據分析，能做的更好。如今，深度學習在時空數據上已經有了一些應用，比如滴滴打車的網約車預測和出行時間預測，商店選址，以及百度糯米的預測到訪等。

工業控制系統傳感器數據也是時空數據中一種，隨著工業控制系統信息化的發展，其安全性受到越來越多的重視，越來越多的學者開始分析工控傳感器數據。與一般信息技術(IT)系統相比，工業控制系統(ICS)的基本獨特性和固有屬性之一系統狀態的變化必須遵循不變的物理定律。例如，可以使用水系統(流體動力學)或電網(電磁學)的物理特性來創建預測模型，然后可以經過判斷傳感器的測量值與預測模型得到的預期值是否一致來確認發送到現場的控制命令是否正確執行，從而進一步實現狀態估計、故障檢測，以及攻擊檢測等。

時空數據不僅具備時序信息，而且還具備空間信息，現有技術中，利用長短期記憶網絡(Long Short-Term Memory，LSTM)僅提取時控數據的時序特征，不能實現對時空數據準確地預測。

發明內容

本發明的目的是提供一種基于深度學習的工控系統時空數據預測方法，利用該方法以圖卷積網絡(Graph Convolutional Network，GCN)提取時空數據的空間特征，以時空式長短期記憶網絡(Spatio-Temporal Long Short-Term Memory，ST-LSTM)提取時空數據的時序特征，并在提取的時空特征(空間特征和時序特征)上實現對時空數據的預測。

為實現上述發明目的，本發明提供以下技術方案：

一種基于深度學習的工控系統時空數據預測方法，包括以下步驟：

(1)建立時空數據的訓練模型，所述訓練模型包括GCN和ST-LSTM，所述GCN用于提取輸入數據的空間特征，以t-1時刻的時空數據形成的圖卷積網絡和網絡的鄰接矩陣作為所述GCN的輸入，以t-1時刻的時空數據的空間特征作為所述GCN的輸出；所述ST-LSTM用于提取輸入數據的時空特征，將所述GCN輸出的t-1時刻第i個節點的鄰居節點隱藏層向量t-1時刻的鄰居節點cell層向量和LSTM的t時刻的輸入向量t-1時刻的隱藏層向量t-1時刻的cell層向量同時作為ST-LSTM的輸入，以t時刻的時空特征作為輸出；

(2)以t-1時刻的時空數據作為所述訓練模型的輸入，以t時刻的時空數據作為所述訓練模型的真值輸出，以所述訓練模型的輸出與真實輸出的交叉熵作為訓練目標，對所述訓練模型進行訓練，更新訓練模型的參數，當訓練目標收斂時，獲得時空數據的預測模型；

(3)將待預測的時空數據輸入到所述預測模型中，經計算獲得下一時刻的時空數據。