[发明专利]用于预测的系统和方法有效
申请号: | 201410645410.1 | 申请日: | 2014-11-11 |
公开(公告)号: | CN105654174B | 公开(公告)日: | 2021-08-20 |
发明(设计)人: | 张霓;胡卫松 | 申请(专利权)人: | 日本电气株式会社 |
主分类号: | G06N3/02 | 分类号: | G06N3/02;G06N3/08;G06Q10/02 |
代理公司: | 中科专利商标代理有限责任公司 11021 | 代理人: | 赵伟 |
地址: | 日本*** | 国省代码: | 暂无信息 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 用于 预测 系统 方法 | ||
1.一种用于预测空气质量的系统,包括:
分类单元,被配置为使用输入数据来训练深层神经网络并对输入数据进行分类,所述输入数据具有向量的形式且向量的每一个维度涉及与空气质量有关的一种数据,所述维度包括已知一氧化碳值、已知流量值以及已知PM2.5值;
预测单元,被配置为针对每一类输入数据,训练相应的一个子深层神经网络并进行预测,以获得指示空气质量的数值预测结果,所述数值预测结果是所预测的未来的PM2.5值;以及
计算单元,被配置为对多个子深层神经网络的数值预测结果进行加权平均,作为最终的指示空气质量的预测结果,
其中,所述分类单元被配置为:
使用输入数据来训练自编码深层神经网络;
使用训练得到的自编码深层神经网络,计算每一个输入数据的重构误差;以及
根据重构误差的大小,对每一个输入数据进行分类。
2.根据权利要求1所述的系统,其中,所述分类单元被配置为:以无监督的方式训练自编码深层神经网络,使得损失函数最小化。
3.根据权利要求1所述的系统,其中,所述分类单元被配置为采用以下分类方式对输入数据进行分类:直接利用重构误差的分类方式、通过加权的分类方式或可重叠的分类方式。
4.根据权利要求1所述的系统,其中,所述预测单元被配置为:针对每一类输入数据,训练相应的一个子深层神经网络并进行预测,每个子深层神经网络输出预测结果和重构误差。
5.根据权利要求4所述的系统,其中,所述计算单元被配置为:对多个子深层神经网络的预测结果进行加权平均,权重的分配取决于多个子深层神经网络的重构误差的大小。
6.一种在计算设备上执行的用于预测空气质量的方法,包括:
使用输入数据来训练深层神经网络并对输入数据进行分类,所述输入数据具有向量的形式且向量的每一个维度涉及与空气质量有关的一种数据,所述维度包括已知一氧化碳值、已知流量值以及已知PM2.5值;
针对每一类输入数据,训练相应的一个子深层神经网络并进行预测,以获得指示空气质量的数值预测结果,所述数值预测结果是所预测的未来的PM2.5值;以及
对多个子深层神经网络的数值预测结果进行加权平均,作为最终的指示空气质量的预测结果,
其中,所述分类步骤包括:
使用输入数据来训练自编码深层神经网络;
使用训练得到的自编码深层神经网络,计算每一个输入数据的重构误差;以及
根据重构误差的大小,对每一个输入数据进行分类。
7.根据权利要求6所述的方法,其中,以无监督的方式训练自编码深层神经网络,使得损失函数最小化。
8.根据权利要求6所述的方法,其中,采用以下分类方式对输入数据进行分类:直接利用重构误差的分类方式、通过加权的分类方式或可重叠的分类方式。
9.根据权利要求6所述的方法,其中,针对每一类输入数据,训练相应的一个子深层神经网络并进行预测,每个子深层神经网络输出预测结果和重构误差。
10.根据权利要求9所述的方法,其中,对多个子深层神经网络的预测结果进行加权平均,权重的分配取决于多个子深层神经网络的重构误差的大小。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于日本电气株式会社,未经日本电气株式会社许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/201410645410.1/1.html,转载请声明来源钻瓜专利网。