基于LSTM神经网络的户外广告在线倒塌预测方法技术

本发明专利技术公开了一种基于LSTM神经网络的户外广告在线倒塌预测方法，包括以下步骤：S1，采集环境数据和振动数据；S2，对采集的数据进行归一化处理；S3，利用安装初期正常情况下的数据进行训练，通过LSTM神经网络将环境数据，映射户外广告环境与振动数据的非线性关系，将拟合结果与实际数据比较，学习户外广告在风力作用下的震动模式，本步骤中使用的LSTM神经网络结合了LSTM层和全连接层，其中，LSTM层用于提取序列数据特征，全连接层融合序列特征并改变输出数据的形状；S4，基于S3的训练结果对户外广告进行长期在线检测，判断户外广告的异常。本发明专利技术可全天候在线异常检测。本发明专利技术可全天候在线异常检测。

【技术实现步骤摘要】
基于LSTM神经网络的户外广告在线倒塌预测方法


[0001]本专利技术涉及计算机技术、人工智能在故障检测领域的应用，具体涉及一种基于LSTM神经网络的户外广告在线倒塌预测方法。

技术介绍

[0002]户外广告是在建筑物外表或街道、广场等室外公共场所设立的霓虹灯、户外广告、海报等。户外广告是面向所有的公众，所以比较难以选择具体目标对象，但是户外广告可以在固定的地点长时期地展示企业的形象及品牌，因而对于提高企业和品牌的知名度是很有效的。
[0003]由于户外广告所处位置均具有一定的高度，如果户外广告的安安装或在使用过程中出现问题，例如螺钉锈蚀、支架断裂等因素导致户外广告倒塌，这样容易引发行人的安全事故。然而，由于户外广告的结构和安装方式不尽相同，无法使用统一的模型来描述所有户外广告的振动情况。而对每个户外广告进行建模又是不切实际的。
[0004]目前已有的户外广告倒塌预测技术，通常通过采集传感器数据，使用确定的算法对户外广告状态进行预测，此方法无法适应不同环境中的户外广告，泛化能力较差，并且准确率较低，容易出现异常状态的误报或不报。还有一类技术采用机器视觉方法检测户外广告状态，此类方法仅能检测视觉上的异常状况，通常无法对户外广告倒塌进行准确预测，而且此方法受到环境中的干扰噪声也比较大，容易出现误报。
[0005]户外广告的安全可靠，影响着人民群众生命和财产的安全，因此户外广告的安全监测是一个亟需解决的重要问题。

技术实现思路

[0006]本专利技术提供一种基于LSTM神经网络的户外广告在线倒塌预测方法，本专利技术可全天候在线异常检测。
[0007]基于LSTM神经网络的户外广告在线倒塌预测方法，包括以下步骤：
[0008]S1，采集环境数据和振动数据；
[0009]S2，对采集的数据进行归一化处理；
[0010]S3，利用安装初期正常情况下的数据进行训练，通过LSTM神经网络将环境数据，映射户外广告环境与振动数据的非线性关系，将拟合结果与实际数据比较，学习户外广告在风力作用下的震动模式，本步骤中使用的LSTM神经网络结合了LSTM层和全连接层，其中，LSTM层用于提取序列数据特征，全连接层融合序列特征并改变输出数据的形状；
[0011]S4，基于S3的训练结果对户外广告进行长期在线检测，判断户外广告的异常。
[0012]进一步地，在S1中，通过安装在户外广告上的风速、风向、三轴加速度传感器采集数据，如果各传感器采样率不同，则去除采样率较高序列的部分数据使得所有数据序列均具有相同的采样率和采样时间。
[0013]进一步地，所述S3中的训练过程如下：
[0014]S31:构造训练和测试样本，将风速、风向传感器数据作为样本的输入，三轴加速度数据作为样本的输出数据，得到带标签的样本，并随机将样本数据按比例分为训练集和测试集；
[0015]S32:构造用于训练和检测的LSTM神经网络，网络结构至少包含2个LSTM层和2个全连接层，其中，最后一层全连接层作为输出层，LSTM神经网络的输出为预测的三轴加速度数据序列；
[0016]S33:使用训练集样本数据训练LSTM神经网络，通过损失函数表达预测的三轴加速度数据与实际测得的三轴加速度数据的误差，在训练集上重复进行多轮训练，直到LSTM神经网络在测试集上的误差不再降低或到达最大训练轮数时停止；
[0017]S34:确定网络阈值和检测策略，根据训练结束时的网络模型参数，计算训练集上各样本误差的统计特征，并确定异常检测策略，策略根据最近若干个样本的三轴加速度预测数据序列的误差进行判断，输出的检测结果为正常或异常，如果输出的检测结果为异常，则表示户外广告具有较高的倒塌风险。
[0018]进一步地，在S32中，第一个LSTM层的输入维度为2，输出维度为64；第二个LSTM层输入维度为64，输出维度为1，输入序列通过全部2层LSTM后得到长度为300的向量，然后输出到下一层。
[0019]进一步地，在S32中，每个LSTM层计算公式如下：
[0020]Y＝LSTM
forward
(X)
[0021]其中Y为LSTM层输出序列；X为输入序列；LSTM
forward
为LSTM神经元函数，计算步骤如下：
[0022]i
t
＝σ(W
xi
x
t
+W
hi
h
t-1
+W
ct
c
t-1
+b
i
)
[0023]f
t
＝σ(W
xf
x
t
+W
hf
h
t-1
+W
of
c
t-1
+b
f
)
[0024]c
t
＝f
t
c
t-1
+i
t
tanh(W
xc
x
t
+W
hc
h
t-1
+b
c
)
[0025]o
t
＝σ(W
xo
x
t
+W
ho
h
t-1
+W
co
c
t
+b
o
)
[0026]y
t
＝h
t
＝υ
t
tanh(c
t
)
[0027]上面的公式中，i
t
为输入门；σ为sigmoid函数；W
xi
为输入门中输入的权重矩阵，x
t
为输入向量；W
hi
为输入门中细胞输出的权重矩阵，W
ci
为输入门中细胞状态的权重矩阵，b
i
为输入门的偏置向量；
[0028]f
t
为遗忘门，W
xf
为遗忘门中输入的权重矩阵，W
hf
为遗忘门中细胞输出的权重矩阵，W
cf
为遗忘门中细胞状态的权重矩阵，b
f
为遗忘门的偏置向量；
[0029]c
t
为细胞状态；tanh为双曲正切函数，W
xc
为细胞状态中输入的权重矩阵，W
hc
为细胞状态中细胞输出的权重矩阵，b
c
为细胞状态的偏置向量；
[0030]o
t
为输出门，W
xo
为输出门中输入的权重矩阵，W
ho
为输出门中细胞输出的权重矩阵，W
co
为输出门中细胞状态的权重矩阵，b
o
为输出门的偏置向量；
[0031]y
t
为输出向量；h本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于LSTM神经网络的户外广告在线倒塌预测方法，其特征在于，包括以下步骤：S1，采集环境数据和振动数据；S2，对采集的数据进行归一化处理；S3，利用安装初期正常情况下的数据进行训练，通过LSTM神经网络将环境数据，映射户外广告环境与振动数据的非线性关系，将拟合结果与实际数据比较，学习户外广告在风力作用下的震动模式，本步骤中使用的LSTM神经网络结合了LSTM层和全连接层，其中，LSTM层用于提取序列数据特征，全连接层融合序列特征并改变输出数据的形状；S4，基于S3的训练结果对户外广告进行长期在线检测，判断户外广告的异常。2.根据权利要求1所述的基于LSTM神经网络的户外广告在线倒塌预测方法，其特征在于，在S1中，通过安装在户外广告上的风速、风向、三轴加速度传感器采集数据，如果各传感器采样率不同，则去除采样率较高序列的部分数据使得所有数据序列均具有相同的采样率和采样时间。3.根据权利要求1所述的一种基于LSTM神经网络的户外广告在线倒塌预测方法，其特征在于，所述S3中的训练过程如下：S31：构造训练和测试样本，将风速、风向传感器数据作为样本的输入，三轴加速度数据作为样本的输出数据，得到带标签的样本，并随机将样本数据按比例分为训练集和测试集；S32：构造用于训练和检测的LSTM神经网络，网络结构至少包含2个LSTM层和2个全连接层，其中，最后一层全连接层作为输出层，LSTM神经网络的输出为预测的三轴加速度数据序列；S33：使用训练集样本数据训练LSTM神经网络，通过损失函数表达预测的三轴加速度数据与实际测得的三轴加速度数据的误差，在训练集上重复进行多轮训练，直到LSTM神经网络在测试集上的误差不再降低或到达最大训练轮数时停止；S34：确定网络阈值和检测策略，根据训练结束时的网络模型参数，计算训练集上各样本误差的统计特征，并确定异常检测策略，策略根据最近若干个样本的三轴加速度预测数据序列的误差进行判断，输出的检测结果为正常或异常，如果输出的检测结果为异常，则表示户外广告具有较高的倒塌风险。4.根据权利要求3所述的基于LSTM神经网络的户外广告在线倒塌预测方法，其特征在于，在S32中，第一个LSTM层的输入维度为2，输出维度为64；第二个LSTM层输入维度为64，输出维度为1，输入序列通过全部2层LSTM后得到长度为300的向量，然后输出到下一层。5.根据权利要求4所述的基于LSTM神经网络的户外广告在线倒塌预测方法，其特征在于，在S32中，每个LSTM层计算公式如下：Y＝LSTM
forward
(X)其中Y为LSTM层输出序列；X为输入序列；LSTM
forward
为LSTM神经元函数，计算步骤如下：i
t
＝σ(W
xi
x
t
+W
hi
h
t-1
+W
oi
c
t-1
+b
i
)f
t
＝σ(W
xf
x
t
+W
hf
h
t-1
+W
cf
c
t-1
+b
f
)c
t
＝f
t
c
t-1
+i
t
tanh(W
xc
x
t
+W
hc
h
t-1
+b
c
)o
t
＝σ(W
xo
x
t
+W
ho
h
t-1...

【专利技术属性】
技术研发人员：吴晨，杨敏，徐冰，朱晓霞，徐晶，
申请(专利权)人：江苏巨数智能科技有限公司，
类型：发明
国别省市：