[發明專利]氫能源助力自行車日使用量和故障情況的預測方法

在審

• 申請號: 201910248401.1
• 申請日: 2019-03-29
• 公開（公告）號: CN109872014A
• 公開（公告）日: 2019-06-11
• 發明（設計）人: 陶安平;江冰;苗紅霞;李鑫
• 申請（專利權）人: 永安行科技股份有限公司
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06N3/02
• 代理公司: 常州易瑞智新專利代理事務所(普通合伙) 32338
• 代理人: 徐琳淞

1.氫能源助力自行車日使用量和故障情況的預測方法，其特征在于：包括以下步驟：

S1，將氫能源助力自行車的各種數據存入大數據存儲系統中；

S2，建立大數據計算框架；

S3，從大數據存儲系統中提取氫能源助力自行車的各種數據；

S4，在步驟二建立的大數據計算框架下運行循環神經網絡算法，得到氫能源助力自行車的日使用量和故障情況的預測結果；

S5，將氫能源助力自行車的日使用量和故障情況的預測結果保存到數據倉庫中。

2.根據權利要求1所述的氫能源助力自行車日使用量和故障情況的預測方法，其特征在于：所述步驟S1中的氫能源助力自行車的各種數據包括實時采集的數據和固有數據。

3.根據權利要求1所述的氫能源助力自行車日使用量和故障情況的預測方法，其特征在于：所述步驟S1中的大數據存儲系統采用分布式存儲系統。

4.根據權利要求1所述的氫能源助力自行車日使用量和故障情況的預測方法，其特征在于：所述步驟S2中的大數據計算框架采用MapReduce并行計算框架。

5.根據權利要求1所述的氫能源助力自行車日使用量和故障情況的預測方法，其特征在于：所述步驟S4具體包括以下步驟：

S4.1，對提取的數據進行采樣；

S4.2，確定循環神經網絡模型具體結構，包括隱層數目與每層神經元個數，并搭建好循環神經網絡模型；

S4.3，使用搭建好的循環神經網絡模型進行車輛使用和故障檢測，為訓練樣本數據貼上標簽；

S4.4，通過使用貼上標簽后的訓練樣本數據輸入循環神經網絡模型對循環神經網絡模型進行訓練，使循環神經網絡模型自動調整模型參數，將訓練完成后的循環神經網絡模型作為預測模型；

S4.5，將步驟S3提取的氫能源助力自行車的各種數據作為輸入數據，輸入預測模型中，通過預測模型對輸入數據進行測試，最終得到氫能源助力自行車日使用量和故障情況的預測結果。

6.根據權利要求5所述的氫能源助力自行車日使用量和故障情況的預測方法，其特征在于：所述步驟S4.2搭建的循環神經網絡模型具有1個輸入層，4個隱含層和1個輸出層，每個隱含層中包含的神經元個數為10個。

7.根據權利要求5所述的氫能源助力自行車日使用量和故障情況的預測方法，其特征在于：所述步驟S4.4中的循環神經網絡模型的參數包括U、V、W三個權重矩陣和b、c兩個偏置矩陣，其中U、V、W分別為輸入層到隱含層、隱含層到輸出層、隱含層到隱含層的連接權重。

8.根據權利要求7所述的氫能源助力自行車日使用量和故障情況的預測方法，其特征在于：所述步驟S4.4中循環神經網絡模型自動調整模型參數具體包括以下步驟：

S4.4.1，初始化：隨機初始化循環神經網絡模型參數；

S4.4.2，正向傳播：將訓練樣本數據輸入循環神經網絡模型，通過正向傳播算法，得出初始模型參數下循環神經網絡模型的預測值，用來與訓練樣本的標簽作差來調整循環神經網絡模型參數。

S4.4.3，反向傳播：對循環神經網絡模型進行反向傳播計算，通過對之前的輸出與樣本標簽進行對比計算出誤差，從而根據誤差使用梯度下降法迭代對于模型參數進行進一步修正，調整循環神經網絡模型參數。