[發(fā)明專利]一種基于深度學習模型的超聲波水表數(shù)據(jù)修復方法

在審

• 申請?zhí)枺?/td>: 202010871004.2
• 申請日: 2020-08-26
• 公開（公告）號: CN112132324A
• 公開（公告）日: 2020-12-25
• 發(fā)明（設計）人: 付明磊;范婷超;張文安;仇翔;鄭樂進;吳德;周力
• 申請（專利權(quán)）人: 浙江工業(yè)大學;杭州萊宸科技有限公司
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06N3/08;G06N3/04;G06K9/62;G06F16/2458
• 代理公司: 杭州斯可睿專利事務所有限公司 33241
• 代理人: 王利強

一種基于深度學習模型的超聲波水表數(shù)據(jù)修復方法，通過超聲波水表時間芯片計算超聲波飛行時間差，獲得超聲波水表時間序列原始數(shù)據(jù)r_m，采用動態(tài)閾值法對超聲波水表時序數(shù)據(jù)集進行異常值篩選；進行預處理，剔除數(shù)據(jù)集中的異常數(shù)值，并根據(jù)LSTM模型特征進行訓練集、測試集的配置；正向LSTM預測模型預測超聲波水表時序數(shù)據(jù)，以此正向LSTM預測模型進行超聲波水表時序數(shù)據(jù)預測；反向LSTM模型推演超聲波水表時序數(shù)據(jù)，所述反向LSTM模型包括模型優(yōu)化參數(shù)設置，模型構(gòu)建及訓練，并以此反向LSTM模型進行超聲波水表時序數(shù)據(jù)推演，根據(jù)預測值y′_t與推演值y″_t加權(quán)計算異常數(shù)據(jù)的恢復值。本發(fā)明修復精度較高、修復效率較高。

技術(shù)領域

本發(fā)明屬于超聲波水表數(shù)據(jù)處理領域，尤其涉及一種基于深度學習模型的超聲波水表數(shù)據(jù)修復方法。

背景技術(shù)

物聯(lián)網(wǎng)時代來臨，傳統(tǒng)的機械式水表逐漸被智能水表取代。其中，超聲波水表是智能水表中備受關注的產(chǎn)品。超聲波水表和超聲波流量計測量的數(shù)據(jù)都屬于時間序列數(shù)據(jù)(簡稱時序數(shù)據(jù))。在實際工作中，外界環(huán)境變化、傳感器損壞、系統(tǒng)故障、人為失誤等因素，都可能使得獲得的數(shù)據(jù)存在異常值、缺失和損壞等情況，從而導致數(shù)據(jù)質(zhì)量的降低。這對于超聲波測量數(shù)據(jù)的處理、分析和挖掘都會造成不利的影響。所以，對時序數(shù)據(jù)異常數(shù)據(jù)的修復是一個重要的技術(shù)問題，具有較強的實用性。

目前國內(nèi)外在時序數(shù)據(jù)上做得較多的工作是利用時序數(shù)據(jù)進行預測。通過對目標自身時間序列的分析，建立體現(xiàn)其動態(tài)依存關系的數(shù)學模型，研究其變化趨勢，從而探知某現(xiàn)象隨時間的變化規(guī)律，推測所分析變量未來發(fā)展走向。同時也提高工作的主動性和預見性，避免盲目性。

現(xiàn)有對超聲波水表時序數(shù)據(jù)的修復方法主要是利用整體時序數(shù)據(jù)的平均值、中值等去修復，或者通過構(gòu)建算法模型(如卡爾曼濾波模型)預測異常值的數(shù)據(jù)。前者往往精度不高，只適用于幅值變化較小數(shù)據(jù)；后者通常復雜度較高，只適用于小范圍數(shù)據(jù)修復且效率低。

發(fā)明內(nèi)容

為了克服現(xiàn)有超聲波水表時序數(shù)據(jù)修復方法的修復精度較低、修復效率較低的不足，本發(fā)明提供一種修復精度較高、修復效率較高的基于深度學習模型的超聲波水表數(shù)據(jù)修復方法。

本發(fā)明解決其技術(shù)問題所采用的技術(shù)方案是：

一種基于深度學習模型的超聲波水表數(shù)據(jù)修復方法，包括以下步驟：

步驟1：通過超聲波水表時間芯片計算超聲波飛行時間差，獲得超聲波水表時間序列原始數(shù)據(jù)r_m，其中1＜m≤M，M表示超聲波水表在測試時段內(nèi)測量所得時序數(shù)據(jù)集的總數(shù)。采用動態(tài)閾值法對上述超聲波水表時序數(shù)據(jù)集進行異常值篩選；

步驟2：進行超聲波水表時序數(shù)據(jù)預處理，剔除數(shù)據(jù)集中的異常數(shù)值，并根據(jù)LSTM模型特征進行訓練集、測試集的配置；

步驟3：正向LSTM預測模型預測超聲波水表時序數(shù)據(jù)，所述正向LSTM預測模型包括模型優(yōu)化參數(shù)設置，模型構(gòu)建及訓練，并以此正向LSTM預測模型進行超聲波水表時序數(shù)據(jù)預測，過程如下：

步驟3.1：結(jié)合超聲波水表時序數(shù)據(jù)，采用自適應矩估計法(Adam)設置正向LSTM預測模型優(yōu)化參數(shù)；

步驟3.2：正向LSTM預測模型構(gòu)建及網(wǎng)絡訓練，并對超聲波水表時序數(shù)據(jù)進行預測；

步驟4：反向LSTM模型推演超聲波水表時序數(shù)據(jù)，所述反向LSTM模型包括模型優(yōu)化參數(shù)設置，模型構(gòu)建及訓練，并以此反向LSTM模型進行超聲波水表時序數(shù)據(jù)推演，過程如下：

步驟4.1：結(jié)合超聲波水表時序數(shù)據(jù)，采用Adam設置反向LSTM模型優(yōu)化參數(shù)；

步驟4.2：反向LSTM模型構(gòu)建及網(wǎng)絡訓練，并對超聲波水表時序數(shù)據(jù)進行推演；