氢能源助力自行车日使用量和故障情况的预测方法技术

本发明专利技术公开了一种氢能源助力自行车日使用量和故障情况的预测方法，包括以下步骤：S1，将氢能源助力自行车的各种数据存入大数据存储系统中；S2，建立大数据计算框架；S3，从大数据存储系统中提取各种数据；S4，在步骤二建立的大数据计算框架下运行循环神经网络算法，得到氢能源助力自行车的日使用量和故障情况的预测结果；S5，将氢能源助力自行车的日使用量和故障情况的预测结果保存到数据仓库中。本发明专利技术实现了对氢能源助力自行车日使用量和故障情况进行预测，有利于实现系统合理站点组网、有效调度，使得氢能源助力自行车系统真正以数据为依托、以服务为根本健康发展，同时可为政府对交通路线的定制等提供决策。

Prediction Method of Daily Use and Faults of Hydrogen-powered Bicycles

The invention discloses a prediction method for daily use and failure of hydrogen energy-assisted bicycle, which includes the following steps: S1, storing various data of hydrogen energy-assisted bicycle into large data storage system; S2, establishing large data calculation framework; S3, extracting various data from large data storage system; S4, running cycle spirit under the big data calculation framework established in step 2. The prediction results of daily use and failure of hydrogen-powered bicycles are obtained by network algorithm; S5, the prediction results of daily use and failure of hydrogen-powered bicycles are stored in data warehouse. The invention realizes the prediction of the daily usage and failure situation of hydrogen energy bicycle, is beneficial to realizing the rational site networking and effective dispatching of the system, makes the hydrogen energy bicycle system truly develop healthily on the basis of data and service, and provides decision-making for the government to customize traffic routes, etc.

【技术实现步骤摘要】
氢能源助力自行车日使用量和故障情况的预测方法
本专利技术涉及氢能源助力自行车日使用量和故障情况的预测方法，特别涉及一种基于大数据的氢能源助力自行车日使用量和故障情况的预测方法。
技术介绍
氢燃料电池是一种使用氢气作为燃料，通过与氧气的化学反应而产生电能的装置，氢能源作为最洁净的新型能源，电转化效率高，不需长时间地充电，其副产物只有水，因此发展氢能源助力自行车系统成为了城市公共交通的一种新趋势。在实际氢能源助力自行车系统运营中，对氢能源助力自行车每日使用量和故障情况的预测决定着每日需要投入多少辆氢能源助力自行车才能保障系统的正常运行，对氢能源助力自行车每日使用量和故障情况的预测直接影响到系统调度工作的进行。
技术实现思路
本专利技术的目的是提供一种基于大数据的氢能源助力自行车日使用量和故障情况的预测方法。实现本专利技术目的的技术方案是：氢能源助力自行车日使用量和故障情况的预测方法，包括以下步骤：S1，将氢能源助力自行车的各种数据存入大数据存储系统中；S2，建立大数据计算框架；S3，从大数据存储系统中提取各种数据；S4，在步骤二建立的大数据计算框架下运行循环神经网络算法，得到氢能源助力自行车的日使用量和故障情况的预测结果；S5，将氢能源助力自行车的日使用量和故障情况的预测结果保存到数据仓库中。所述步骤S1中的氢能源助力自行车的各种数据包括实时采集的数据和固有数据。实时采集的数据包括氢燃料电池电堆的气体流量数据、储氢罐的氢气量数据和氢燃料电池电堆温度数据。固有数据包括电机的输出功率数据。氢燃料电池电堆的气体流量数据、储氢罐的氢气量数据和氢燃料电池电堆温度数据分别通过设置在氢能源助力自行车上的电堆气压传感器、储氢罐气压传感器、温度传感器分别实时采集。所述步骤S1中的大数据存储系统采用分布式存储系统。所述步骤S2中的大数据计算框架采用MapReduce并行计算框架。所述步骤S4具体包括以下步骤：S4.1，对提取的数据进行采样；S4.2，确定循环神经网络模型具体结构，包括隐层数目与每层神经元个数，并搭建好循环神经网络模型；S4.3，使用搭建好的循环神经网络模型进行车辆使用和故障检测，为训练样本数据贴上标签；S4.4，通过使用贴上标签后的训练样本数据输入循环神经网络模型对循环神经网络模型进行训练，使循环神经网络模型自动调整模型参数，将训练完成后的循环神经网络模型作为预测模型；S4.5，将步骤S3提取的氢能源助力自行车的各种数据作为输入数据，输入预测模型中，通过预测模型对输入数据进行测试，最终得到氢能源助力自行车日使用量和故障情况的预测结果。所述步骤S4.2搭建的循环神经网络模型具有1个输入层，4个隐含层和1个输出层，每个隐含层中包含的神经元个数为10个。所述步骤S4.4中的循环神经网络模型的参数包括U、V、W三个权重矩阵和b、c两个偏置矩阵，其中U、V、W分别为输入层到隐含层、隐含层到输出层、隐含层到隐含层的连接权重。所述步骤S4.4中循环神经网络模型自动调整模型参数具体包括以下步骤：S4.4.1，初始化：随机初始化循环神经网络模型参数；S4.4.2，正向传播：将训练样本数据输入循环神经网络模型，通过正向传播算法，得出初始模型参数下循环神经网络模型的预测值，用来与训练样本的标签作差来调整循环神经网络模型参数。S4.4.3，反向传播：对循环神经网络模型进行反向传播计算，通过对之前的输出与样本标签进行对比计算出误差，从而根据误差使用梯度下降法迭代对于模型参数进行进一步修正，调整循环神经网络模型参数。所述步骤S4.4.2的正向传播的计算过程为：S4.4.2.1，根据公式h(t)＝σ(Ux(t)+Wh(t-1)+b)计算时刻t时模型的隐藏状态h(t)；其中，σ为激活函数tanh，b为偏置矩阵，U为权重矩阵，W是线性关系参数；x(t)为时刻t时训练样本的输入，h(t-1)为t-1时刻模型的隐藏状态；S4.4.2.2，根据公式o(t)＝Vh(t)+c计算时刻t时模型的输出o(t)，其中，V为权重矩阵，c为偏置矩阵。所述步骤S4.4.3的反向传播的计算过程为：S4.4.3.1，根据以下两个公式分别计算权值矩阵V和偏置矩阵c：其中，L(t)为损失函数，t为时刻，τ为代表最终时刻；S4.4.3.2，根据以下三个公式分别计算权值矩阵W、U和偏置矩阵b：其中，δ(t)为t位置的隐藏状态的梯度，函数diag表示取矩阵对角元素，代表t时刻的预测输出，y(t)代表t时刻样本的实际输出。采用了上述技术方案，本专利技术具有以下的有益效果：本专利技术利用大数据技术，通过对氢能源助力自行车各种数据进行处理和分析，实现了对氢能源助力自行车日使用量和故障情况进行预测，有利于实现系统合理站点组网、有效调度，使得氢能源助力自行车系统真正的以数据为依托、以服务为根本健康发展，同时可为政府对交通路线的定制等提供决策。具体实施方式(实施例1)本实施例的氢能源助力自行车日使用量和故障情况的预测方法，包括以下步骤：S1，将氢能源助力自行车的各种数据存入大数据存储系统中，该大数据存储系统优选采用分布式存储系统。氢能源助力自行车的各种数据包括实时采集的数据和固有数据。实时采集的数据包括氢燃料电池电堆的气体流量数据、储氢罐的氢气量数据和氢燃料电池电堆温度数据。固有数据包括电机的输出功率数据。氢燃料电池电堆的气体流量数据、储氢罐的氢气量数据和氢燃料电池电堆温度数据分别通过设置在氢能源助力自行车上的电堆气压传感器、储氢罐气压传感器、温度传感器分别实时采集。S2，建立大数据计算框架，该大数据计算框架优选采用MapReduce并行计算框架。S3，从大数据存储系统中提取各种数据。S4，在步骤二建立的大数据计算框架下运行循环神经网络算法，得到氢能源助力自行车的日使用量和故障情况的预测结果，具体包括以下步骤：S4.1，对提取的数据进行采样。S4.2，确定循环神经网络模型具体结构，包括隐层数目与每层神经元个数，并搭建好循环神经网络模型。S4.3，使用搭建好的循环神经网络模型进行车辆使用和故障检测，为训练样本数据贴上标签。S4.4，通过使用贴上标签后的训练样本数据输入循环神经网络模型对循环神经网络模型进行训练，使循环神经网络模型自动调整模型参数，将训练完成后的循环神经网络模型作为预测模型。前述循环神经网络模型具有1个输入层，4个隐含层和1个输出层，每个隐含层中包含的神经元个数为10个。前述循环神经网络模型的参数包括U、V、W三个权重矩阵和b、c两个偏置矩阵，其中U、V、W分别为输入层到隐含层、隐含层到输出层、隐含层到隐含层的连接权重。前述循环神经网络模型自动调整模型参数具体包括以下步骤：S4.4.1，初始化：随机初始化循环神经网络模型参数。S4.4.2，正向传播：将训练样本数据输入循环神经网络模型，通过正向传播算法，得出初始模型参数下循环神经网络模型的预测值，用来与训练样本的标签作差来调整循环神经网络模型参数。上述正向传播的计算过程为：S4.4.2.1，根据公式h(t)＝σ(Ux(t)+Wh(t-1)+b)计算时刻t时模型的隐藏状态h(t)；其中，σ为激活函数tanh，b为偏置矩阵，U为权重矩阵，W是线性关系参数；x(t)为时刻t时训练样本的输入，h(t-1)为t-1时刻模型的隐藏状态；S4.4.2.本文档来自技高网...

【技术保护点】
1.氢能源助力自行车日使用量和故障情况的预测方法，其特征在于：包括以下步骤：S1，将氢能源助力自行车的各种数据存入大数据存储系统中；S2，建立大数据计算框架；S3，从大数据存储系统中提取氢能源助力自行车的各种数据；S4，在步骤二建立的大数据计算框架下运行循环神经网络算法，得到氢能源助力自行车的日使用量和故障情况的预测结果；S5，将氢能源助力自行车的日使用量和故障情况的预测结果保存到数据仓库中。

【技术特征摘要】
1.氢能源助力自行车日使用量和故障情况的预测方法，其特征在于：包括以下步骤：S1，将氢能源助力自行车的各种数据存入大数据存储系统中；S2，建立大数据计算框架；S3，从大数据存储系统中提取氢能源助力自行车的各种数据；S4，在步骤二建立的大数据计算框架下运行循环神经网络算法，得到氢能源助力自行车的日使用量和故障情况的预测结果；S5，将氢能源助力自行车的日使用量和故障情况的预测结果保存到数据仓库中。2.根据权利要求1所述的氢能源助力自行车日使用量和故障情况的预测方法，其特征在于：所述步骤S1中的氢能源助力自行车的各种数据包括实时采集的数据和固有数据。3.根据权利要求1所述的氢能源助力自行车日使用量和故障情况的预测方法，其特征在于：所述步骤S1中的大数据存储系统采用分布式存储系统。4.根据权利要求1所述的氢能源助力自行车日使用量和故障情况的预测方法，其特征在于：所述步骤S2中的大数据计算框架采用MapReduce并行计算框架。5.根据权利要求1所述的氢能源助力自行车日使用量和故障情况的预测方法，其特征在于：所述步骤S4具体包括以下步骤：S4.1，对提取的数据进行采样；S4.2，确定循环神经网络模型具体结构，包括隐层数目与每层神经元个数，并搭建好循环神经网络模型；S4.3，使用搭建好的循环神经网络模型进行车辆使用和故障检测，为训练样本数据贴上标签；S4.4，通过使用贴上标签后的训练样本数据输入循环神经网络模型对循环神经网络模型进行训练，使循环神经网络模型自动调整模型参数，将训练完成后的循环神经网络模型作为预测模型；S4.5，将步骤S3提取的氢能源助力自行车的各种数据作为输入数据，输入预测模型中，通过预测模型对输入数据进行测试，最终得到氢能源助力自行车日使用量和故障情况的预测结果。6.根据权利要求5所述的氢能源助力自行车日使用量和故障情况的预测方法，其特征在于：所述步骤S4.2搭建的循环神经网络模型具有1个输入层，4个隐含层和1个输出层，每个隐含层中包含的神经元个数为10个。7.根据权利要求5所述的氢能源助力...

【专利技术属性】
技术研发人员：陶安平，江冰，苗红霞，李鑫，
申请(专利权)人：永安行科技股份有限公司，
类型：发明
国别省市：江苏,32