[發(fā)明專(zhuān)利]一種基于LSTM和隨機(jī)森林混合模型的電力通信業(yè)務(wù)可靠性評(píng)估預(yù)測(cè)方法及裝置

有效

• 申請(qǐng)?zhí)枺?/td>: 202010091057.2
• 申請(qǐng)日: 2020-02-13
• 公開(kāi)（公告）號(hào): CN111260249B
• 公開(kāi)（公告）日: 2022-08-05
• 發(fā)明（設(shè)計(jì)）人: 李石君;趙遠(yuǎn);楊濟(jì)海;李學(xué)禮;龔紅霞;余偉;余放;李宇軒
• 申請(qǐng)（專(zhuān)利權(quán)）人: 武漢大學(xué)
• 主分類(lèi)號(hào): G06Q10/06
• 分類(lèi)號(hào): G06Q10/06;G06Q10/04;G06Q50/06;G06Q50/30;G06N3/00;G06N3/04;G06N3/08
• 代理公司: 武漢科皓知識(shí)產(chǎn)權(quán)代理事務(wù)所(特殊普通合伙) 42222
• 代理人: 羅飛

1.一種基于LSTM和隨機(jī)森林混合模型的電力通信業(yè)務(wù)可靠性評(píng)估預(yù)測(cè)方法，其特征在于，包括：

S1：獲取電力通信業(yè)務(wù)的歷史告警記錄信息，對(duì)歷史告警記錄信息進(jìn)行預(yù)處理，包括：對(duì)歷史告警記錄信息進(jìn)行數(shù)據(jù)劃分、時(shí)序序列處理以及標(biāo)準(zhǔn)化處理；

S2：構(gòu)建LSTM網(wǎng)絡(luò)模型，利用預(yù)處理后的歷史告警記錄信息對(duì)LSTM網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練；

S3：利用訓(xùn)練好的LSTM網(wǎng)絡(luò)模型對(duì)待預(yù)測(cè)的電力通信業(yè)務(wù)數(shù)據(jù)進(jìn)行預(yù)測(cè)，得到時(shí)序預(yù)測(cè)結(jié)果；

S4：獲取電力通信業(yè)務(wù)的基本信息，將預(yù)測(cè)得到的時(shí)序預(yù)測(cè)結(jié)果與電力通信業(yè)務(wù)的基本信息進(jìn)行拼接，再對(duì)拼接后的數(shù)據(jù)進(jìn)行歸一化處理，其中，預(yù)測(cè)得到的時(shí)序預(yù)測(cè)結(jié)果作為動(dòng)態(tài)特征，電力通信業(yè)務(wù)的基本信息作為靜態(tài)特征；

S5：將歸一化處理后的數(shù)據(jù)輸入隨機(jī)森林模型進(jìn)行訓(xùn)練，得到訓(xùn)練好的隨機(jī)森林模型；

S6：利用訓(xùn)練好的隨機(jī)森林模型對(duì)待預(yù)測(cè)的電力通信業(yè)務(wù)數(shù)據(jù)進(jìn)行預(yù)測(cè)，得到可靠性評(píng)估結(jié)果，可靠性評(píng)估結(jié)果包括預(yù)測(cè)得到的電力通信業(yè)務(wù)的告警數(shù)量以及發(fā)生概率；

對(duì)預(yù)測(cè)得到的電力通信業(yè)務(wù)的告警數(shù)量向量A及輸入數(shù)據(jù)發(fā)生概率向量P進(jìn)行加權(quán)求和，得到告警數(shù)的期望值s＝P·A^T；

對(duì)期望值進(jìn)行歸一化處理，得到最終可靠性評(píng)分，歸一化處理公式為：

其中，score表示最終可靠性評(píng)分，min(A)表示告警數(shù)量向量的最小值，max(A)表示告警數(shù)量向量的最大值；

所述預(yù)處理后的歷史告警記錄信息為時(shí)序數(shù)據(jù)，該時(shí)序數(shù)據(jù)包括特征屬性，S2具體包括：

S2.1：構(gòu)建輸入層和輸出層，其中輸入層的節(jié)點(diǎn)數(shù)與待輸入時(shí)序數(shù)據(jù)的特征屬性數(shù)相同，輸出層的節(jié)點(diǎn)數(shù)為1，用于輸出得到時(shí)序預(yù)測(cè)結(jié)果；

S2.2：構(gòu)建隱含層，其中，隱含層為采用LSTM細(xì)胞搭建單層循環(huán)神經(jīng)網(wǎng)絡(luò)；

S2.3：將預(yù)處理后的歷史告警記錄信息作為訓(xùn)練數(shù)據(jù)，定義損失函數(shù)，采用基于梯度的優(yōu)化算法對(duì)LSTM網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，得到訓(xùn)練好的LSTM網(wǎng)絡(luò)模型；

所述電力通信業(yè)務(wù)的基本信息包括業(yè)務(wù)類(lèi)型、業(yè)務(wù)帶寬和接口類(lèi)型，S4中將預(yù)測(cè)得到的時(shí)序預(yù)測(cè)結(jié)果與電力通信業(yè)務(wù)的基本信息進(jìn)行拼接，再對(duì)拼接后的數(shù)據(jù)進(jìn)行預(yù)處理，包括：

S4.1：將時(shí)序預(yù)測(cè)得到的業(yè)務(wù)時(shí)序數(shù)據(jù)拼接上包括業(yè)務(wù)類(lèi)型、業(yè)務(wù)帶寬、接口類(lèi)型的業(yè)務(wù)基本信息，作為樣本的特征屬性；

S4.2：對(duì)樣本進(jìn)行歸一化處理。

2.如權(quán)利要求1所述的方法，其特征在于，S2.3具體包括：

S2.3.1：按照前向傳播計(jì)算LSTM細(xì)胞輸出；

S2.3.2：通過(guò)反向計(jì)算每個(gè)LSTM細(xì)胞的誤差項(xiàng)，按照時(shí)間和網(wǎng)絡(luò)層級(jí)兩個(gè)方向反向傳播；再根據(jù)相應(yīng)的誤差項(xiàng)，計(jì)算每個(gè)權(quán)重的梯度；

S2.3.3：基于梯度的優(yōu)化算法更新權(quán)重，其中選用平均絕對(duì)誤差作為誤差計(jì)算方式，訓(xùn)練過(guò)程中的損失函數(shù)為：

其中，m為訓(xùn)練數(shù)據(jù)長(zhǎng)度，h(x_i)為網(wǎng)絡(luò)模型返回值，y_i為樣本真實(shí)值，設(shè)定損失函數(shù)最小為優(yōu)化目標(biāo)，給定網(wǎng)絡(luò)初始化seed、學(xué)習(xí)率η以及訓(xùn)練步長(zhǎng)steps，應(yīng)用Adam優(yōu)化算法不斷更新網(wǎng)絡(luò)權(quán)重，最終得到訓(xùn)練好的LSTM網(wǎng)絡(luò)模型。

3.如權(quán)利要求1所述的方法，其特征在于，S5具體包括：

S5.1：采用隨機(jī)有放回的抽取樣本生成子數(shù)據(jù)集，

S5.2：分別在生成子數(shù)據(jù)集上獨(dú)立地訓(xùn)練各個(gè)子決策樹(shù)，其中，在訓(xùn)練子決策樹(shù)時(shí)，利用特征信息選取最優(yōu)劃分特征，具體為通過(guò)基尼系數(shù)GINI值來(lái)選擇最優(yōu)劃分特征，其中，GINI計(jì)算公式：

其中，T表示樣本集合D中包含的樣本類(lèi)別，p_i表示樣本占總樣本的比例，GINI(D)與樣本集合D的純度成反比；

S5.3：采用袋外錯(cuò)誤率進(jìn)行驗(yàn)證與分析，最終得到訓(xùn)練好的隨機(jī)森林模型。