權(quán)利要求

1.基于人工智能的礦山環(huán)境智能預(yù)測(cè)系統(tǒng)，其特征在于，包括：環(huán)境參數(shù)采集模塊、數(shù)據(jù)處理模塊、礦山環(huán)境智能預(yù)測(cè)模塊與預(yù)防報(bào)警模塊； 所述環(huán)境參數(shù)采集模塊用于采集監(jiān)測(cè)區(qū)域中的環(huán)境參數(shù)； 所述數(shù)據(jù)處理模塊用于對(duì)所述環(huán)境參數(shù)進(jìn)行預(yù)處理； 所述礦山環(huán)境智能預(yù)測(cè)模塊用于根據(jù)預(yù)處理后的所述環(huán)境參數(shù)進(jìn)行未來(lái)趨勢(shì)預(yù)測(cè)； 所述預(yù)防報(bào)警模塊根據(jù)預(yù)測(cè)的結(jié)果進(jìn)行報(bào)警。2.根據(jù)權(quán)利要求1所述的基于人工智能的礦山環(huán)境智能預(yù)測(cè)系統(tǒng)，其特征在于， 所述環(huán)境參數(shù)包括：pH數(shù)據(jù)、重金屬有效態(tài)含量與重金屬賦存形態(tài)含量； 所述環(huán)境參數(shù)采集模塊包括：pH傳感器、重金屬有效態(tài)含量傳感器與重金屬賦存形態(tài)含量傳感器； 所述重金屬有效態(tài)含量傳感器用于采集重金屬的有效態(tài)含量； 所述重金屬賦存形態(tài)含量傳感器用于采集砷、銅、鎘、鉛、鋅、鎳的賦存形態(tài)含量。 3.根據(jù)權(quán)利要求2所述的基于人工智能的礦山環(huán)境智能預(yù)測(cè)系統(tǒng)，其特征在于， 所述數(shù)據(jù)處理模塊中的預(yù)處理為：將所述環(huán)境參數(shù)按時(shí)間先后順序排序，對(duì)同一類型的環(huán)境參數(shù)進(jìn)行均值處理。 4.根據(jù)權(quán)利要求3所述的基于人工智能的礦山環(huán)境智能預(yù)測(cè)系統(tǒng)，其特征在于， 所述礦山環(huán)境智能預(yù)測(cè)模塊包括：LSTM神經(jīng)網(wǎng)絡(luò)、訓(xùn)練數(shù)據(jù)庫(kù)和趨勢(shì)預(yù)測(cè)模型； 所述訓(xùn)練數(shù)據(jù)庫(kù)用于存儲(chǔ)環(huán)境訓(xùn)練數(shù)據(jù)，并對(duì)所述環(huán)境訓(xùn)練數(shù)據(jù)進(jìn)行標(biāo)注； 所述LSTM神經(jīng)網(wǎng)絡(luò)用于基于標(biāo)注后的所述環(huán)境訓(xùn)練數(shù)據(jù)進(jìn)行迭代訓(xùn)練，獲得所述趨勢(shì)預(yù)測(cè)模型； 所述趨勢(shì)預(yù)測(cè)模型用于根據(jù)所述環(huán)境參數(shù)進(jìn)行未來(lái)趨勢(shì)預(yù)測(cè)。 5.根據(jù)權(quán)利要求4所述的基于人工智能的礦山環(huán)境智能預(yù)測(cè)系統(tǒng)，其特征在于， 所述LSTM神經(jīng)網(wǎng)絡(luò)包括：輸入層、隱藏層與輸出層； 所述輸入層用于輸入環(huán)境訓(xùn)練數(shù)據(jù)； 所述隱藏層用于迭代學(xué)習(xí)時(shí)間序列數(shù)據(jù)的短程和長(zhǎng)程語(yǔ)義特征； 所述輸出層用于輸出預(yù)測(cè)結(jié)果。 6.根據(jù)權(quán)利要求4所述的基于人工智能的礦山環(huán)境智能預(yù)測(cè)系統(tǒng)，其特征在于， 所述趨勢(shì)預(yù)測(cè)模型進(jìn)行未來(lái)趨勢(shì)預(yù)測(cè)包括：進(jìn)行短期趨勢(shì)預(yù)測(cè)、進(jìn)行中期趨勢(shì)預(yù)測(cè)與進(jìn)行長(zhǎng)期趨勢(shì)預(yù)測(cè)。 7.根據(jù)權(quán)利要求6所述的基于人工智能的礦山環(huán)境智能預(yù)測(cè)系統(tǒng)，其特征在于， 所述環(huán)境訓(xùn)練數(shù)據(jù)均按照時(shí)間順序進(jìn)行排列； 所述環(huán)境訓(xùn)練數(shù)據(jù)包括：pH數(shù)據(jù)、重金屬有效態(tài)含量與重金屬賦存形態(tài)含量； 所述重金屬有效態(tài)含量為砷、銅、鎘、鉛、鋅、鎳的有效態(tài)含量； 所述重金屬賦存形態(tài)含量為砷、銅、鎘、鉛、鋅、鎳的賦存形態(tài)含量。 8.根據(jù)權(quán)利要求7所述的基于人工智能的礦山環(huán)境智能預(yù)測(cè)系統(tǒng)，其特征在于，所述LSTM神經(jīng)網(wǎng)絡(luò)還包括LSTM網(wǎng)絡(luò)參數(shù)； 所述LSTM網(wǎng)絡(luò)參數(shù)包括學(xué)習(xí)率、迭代次數(shù)、stepsize； 所述stepsize取值1-24之間。 9.根據(jù)權(quán)利要求8所述的基于人工智能的礦山環(huán)境智能預(yù)測(cè)系統(tǒng)，其特征在于，對(duì)所述環(huán)境訓(xùn)練數(shù)據(jù)進(jìn)行標(biāo)注的方式為： 當(dāng)stepsize＝1時(shí)，以第n+x時(shí)刻的環(huán)境訓(xùn)練數(shù)據(jù)作為第n時(shí)刻環(huán)境訓(xùn)練數(shù)據(jù)的標(biāo)簽；當(dāng)stepsize＝2時(shí)，以第n+x時(shí)刻的環(huán)境訓(xùn)練數(shù)據(jù)作為第n和第n-1時(shí)刻環(huán)境訓(xùn)練數(shù)據(jù)的標(biāo)簽；當(dāng)stepsize＝3時(shí)，以第n+x時(shí)刻的環(huán)境訓(xùn)練數(shù)據(jù)作為第n、n-1和n-2時(shí)刻環(huán)境訓(xùn)練數(shù)據(jù)的標(biāo)簽，其余依次類推； 其中，第n時(shí)刻環(huán)境訓(xùn)練數(shù)據(jù)為一個(gè)時(shí)間段內(nèi)的環(huán)境訓(xùn)練數(shù)據(jù)均值，n取任意不小于0的整數(shù)；x為預(yù)測(cè)步長(zhǎng)參數(shù)，x取任意不小于0的整數(shù)； 所述預(yù)測(cè)步長(zhǎng)參數(shù)x的取值大小取決于是進(jìn)行短期趨勢(shì)預(yù)測(cè)、中期趨勢(shì)預(yù)測(cè)或長(zhǎng)期趨勢(shì)預(yù)測(cè)。 10.根據(jù)權(quán)利要求4所述的基于人工智能的礦山環(huán)境智能預(yù)測(cè)系統(tǒng)，其特征在于， 所述趨勢(shì)預(yù)測(cè)模型包含pH趨勢(shì)預(yù)測(cè)模型、重金屬有效態(tài)含量趨勢(shì)預(yù)測(cè)模型與重金屬賦存形態(tài)含量趨勢(shì)預(yù)測(cè)模型； 所述預(yù)防報(bào)警模塊具體用于pH報(bào)警、重金屬有效態(tài)含量報(bào)警與重金屬賦存形態(tài)含量報(bào)警。

說(shuō)明書(shū)

基于人工智能的礦山環(huán)境智能預(yù)測(cè)系統(tǒng)

技術(shù)領(lǐng)域

本發(fā)明屬于礦山修復(fù)技術(shù)領(lǐng)域，尤其涉及一種基于人工智能的礦山環(huán)境智能預(yù)測(cè)系統(tǒng)。

背景技術(shù)

我國(guó)礦產(chǎn)資源集中分布地區(qū)與人口密集區(qū)、糧食主產(chǎn)區(qū)、生態(tài)脆弱區(qū)蓋度重疊，因此，礦山重金屬-有機(jī)物復(fù)合污染污染嚴(yán)重影響了國(guó)家糧食安全、食品安全、生態(tài)安全與人體健康。。

LSTM(Long Short-Term Memory，長(zhǎng)短期記憶網(wǎng)絡(luò))是一種時(shí)間循環(huán)神經(jīng)網(wǎng)絡(luò)，是為了解決RNN存在的梯度消失和梯度爆炸問(wèn)題而專門(mén)設(shè)計(jì)出來(lái)的。與RNN相比，LSTM具有獨(dú)特的設(shè)計(jì)結(jié)構(gòu)，其在隱藏層增加了輸入門(mén)、輸出門(mén)和遺忘門(mén)，并且使用記憶態(tài)單元來(lái)存儲(chǔ)和處理長(zhǎng)時(shí)間序列信息，非常適合于處理和預(yù)測(cè)時(shí)間序列中間隔和延遲非常長(zhǎng)的重要事件。

有色金屬礦山采選冶過(guò)程對(duì)區(qū)域內(nèi)的土壤、地貌、水資源、植被等造成嚴(yán)重的破壞，同時(shí)礦業(yè)廢棄地，如排渣場(chǎng)廢棄地、采場(chǎng)廢棄地、尾礦渣廢棄地等，均對(duì)周圍生態(tài)環(huán)境嚴(yán)重破壞，如若不加以生態(tài)修復(fù)將會(huì)加速環(huán)境的惡化進(jìn)程，導(dǎo)致礦產(chǎn)資源流失、地質(zhì)災(zāi)害頻發(fā)，對(duì)人類及其自然環(huán)境造成災(zāi)難性的后果。而礦山生態(tài)修復(fù)僅靠自然演替很難在短時(shí)期內(nèi)達(dá)到生態(tài)修復(fù)要求，因此人工智能化的礦山廢棄地預(yù)警，可以有效實(shí)施“一礦一策”措施，降低成本的同時(shí)，更加高效的加速礦山生態(tài)環(huán)境的恢復(fù)，減少礦區(qū)水土流失，遏制礦區(qū)生態(tài)環(huán)境惡化，最終使礦區(qū)生態(tài)系統(tǒng)達(dá)到結(jié)構(gòu)合理、功能高效并能持續(xù)穩(wěn)定發(fā)展的要求。但受限于智能化分析后的實(shí)時(shí)場(chǎng)地環(huán)境檢測(cè)數(shù)據(jù)在數(shù)據(jù)處理模塊與智能預(yù)測(cè)系統(tǒng)之間的轉(zhuǎn)化，環(huán)境智能預(yù)測(cè)系統(tǒng)的建立在礦山廢棄地預(yù)警領(lǐng)域的實(shí)際應(yīng)用依舊面臨著巨大的挑戰(zhàn)。

因此亟需提供一種新型專用于礦山廢棄地復(fù)合污染環(huán)境的智能預(yù)測(cè)系統(tǒng)。

發(fā)明內(nèi)容

為解決上述技術(shù)問(wèn)題，本發(fā)明提出了一種基于人工智能的礦山環(huán)境智能預(yù)測(cè)系統(tǒng)，該系統(tǒng)利用基于LSTM的智能預(yù)測(cè)系統(tǒng)對(duì)監(jiān)測(cè)區(qū)域的環(huán)境參數(shù)數(shù)據(jù)進(jìn)行智能化和實(shí)時(shí)的未來(lái)趨勢(shì)預(yù)測(cè)，真正實(shí)現(xiàn)了對(duì)礦山環(huán)境變化趨勢(shì)的智能預(yù)測(cè)與超前預(yù)防治理。

為實(shí)現(xiàn)上述目的，本發(fā)明提供了一種基于人工智能的礦山環(huán)境智能預(yù)測(cè)系統(tǒng)；包括：環(huán)境參數(shù)采集模塊、數(shù)據(jù)處理模塊、礦山環(huán)境智能預(yù)測(cè)模塊與預(yù)防報(bào)警模塊；

所述環(huán)境參數(shù)采集模塊用于采集監(jiān)測(cè)區(qū)域中的環(huán)境參數(shù)；

所述數(shù)據(jù)處理模塊用于對(duì)所述環(huán)境參數(shù)進(jìn)行預(yù)處理；

所述礦山環(huán)境智能預(yù)測(cè)模塊用于根據(jù)預(yù)處理后的所述環(huán)境參數(shù)進(jìn)行未來(lái)趨勢(shì)預(yù)測(cè)；

所述預(yù)防報(bào)警模塊根據(jù)預(yù)測(cè)的結(jié)果進(jìn)行報(bào)警。

可選地，所述環(huán)境參數(shù)包括：pH數(shù)據(jù)、重金屬有效態(tài)含量與重金屬賦存形態(tài)含量；

所述環(huán)境參數(shù)采集模塊包括：pH傳感器、重金屬有效態(tài)含量傳感器與重金屬賦存形態(tài)含量傳感器；

所述重金屬有效態(tài)含量傳感器用于采集重金屬的有效態(tài)含量；

所述重金屬賦存形態(tài)含量傳感器用于采集砷、銅、鎘、鉛、鋅、鎳的賦存形態(tài)含量。

可選地，所述數(shù)據(jù)處理模塊中的預(yù)處理為：將所述環(huán)境參數(shù)按時(shí)間先后順序排序，對(duì)同一類型的環(huán)境參數(shù)進(jìn)行均值處理。

可選地，所述礦山環(huán)境智能預(yù)測(cè)模塊包括：LSTM神經(jīng)網(wǎng)絡(luò)、訓(xùn)練數(shù)據(jù)庫(kù)和趨勢(shì)預(yù)測(cè)模型；

所述訓(xùn)練數(shù)據(jù)庫(kù)用于存儲(chǔ)環(huán)境訓(xùn)練數(shù)據(jù)，并對(duì)所述環(huán)境訓(xùn)練數(shù)據(jù)進(jìn)行標(biāo)注；

所述LSTM神經(jīng)網(wǎng)絡(luò)用于基于標(biāo)注后的所述環(huán)境訓(xùn)練數(shù)據(jù)進(jìn)行迭代訓(xùn)練，獲得所述趨勢(shì)預(yù)測(cè)模型；

所述趨勢(shì)預(yù)測(cè)模型用于根據(jù)所述環(huán)境參數(shù)進(jìn)行未來(lái)趨勢(shì)預(yù)測(cè)。

可選地，所述LSTM神經(jīng)網(wǎng)絡(luò)包括：輸入層、隱藏層與輸出層；

所述輸入層用于輸入環(huán)境訓(xùn)練數(shù)據(jù)；

所述隱藏層用于迭代學(xué)習(xí)時(shí)間序列數(shù)據(jù)的短程和長(zhǎng)程語(yǔ)義特征；

所述輸出層用于輸出預(yù)測(cè)結(jié)果。

可選地，所述趨勢(shì)預(yù)測(cè)模型進(jìn)行未來(lái)趨勢(shì)預(yù)測(cè)包括：進(jìn)行短期趨勢(shì)預(yù)測(cè)、進(jìn)行中期趨勢(shì)預(yù)測(cè)與進(jìn)行長(zhǎng)期趨勢(shì)預(yù)測(cè)。

可選地，所述環(huán)境訓(xùn)練數(shù)據(jù)均按照時(shí)間順序進(jìn)行排列；

所述環(huán)境訓(xùn)練數(shù)據(jù)包括：pH數(shù)據(jù)、重金屬有效態(tài)含量與重金屬賦存形態(tài)含量；

所述重金屬有效態(tài)含量為砷、銅、鎘、鉛、鋅、鎳的有效態(tài)含量；

所述重金屬賦存形態(tài)含量為砷、銅、鎘、鉛、鋅、鎳的賦存形態(tài)含量。

可選地，所述LSTM神經(jīng)網(wǎng)絡(luò)還包括LSTM網(wǎng)絡(luò)參數(shù)；

所述LSTM網(wǎng)絡(luò)參數(shù)包括學(xué)習(xí)率、迭代次數(shù)、stepsize；

所述stepsize取值1-24之間。

可選地，對(duì)所述環(huán)境訓(xùn)練數(shù)據(jù)進(jìn)行標(biāo)注的方式為：

當(dāng)stepsize＝1時(shí)，以第n+x時(shí)刻的環(huán)境訓(xùn)練數(shù)據(jù)作為第n時(shí)刻環(huán)境訓(xùn)練數(shù)據(jù)的標(biāo)簽；當(dāng)stepsize＝2時(shí)，以第n+x時(shí)刻的環(huán)境訓(xùn)練數(shù)據(jù)作為第n和第n-1時(shí)刻環(huán)境訓(xùn)練數(shù)據(jù)的標(biāo)簽；當(dāng)stepsize＝3時(shí)，以第n+x時(shí)刻的環(huán)境訓(xùn)練數(shù)據(jù)作為第n、n-1和n-2時(shí)刻環(huán)境訓(xùn)練數(shù)據(jù)的標(biāo)簽，其余依次類推；

其中，第n時(shí)刻環(huán)境訓(xùn)練數(shù)據(jù)為一個(gè)時(shí)間段內(nèi)的環(huán)境訓(xùn)練數(shù)據(jù)均值，n取任意不小于0的整數(shù)；x為預(yù)測(cè)步長(zhǎng)參數(shù)，x取任意不小于0的整數(shù)；

所述預(yù)測(cè)步長(zhǎng)參數(shù)x的取值大小取決于是進(jìn)行短期趨勢(shì)預(yù)測(cè)、中期趨勢(shì)預(yù)測(cè)或長(zhǎng)期趨勢(shì)預(yù)測(cè)。

可選地，所述趨勢(shì)預(yù)測(cè)模型包含pH趨勢(shì)預(yù)測(cè)模型、重金屬有效態(tài)含量趨勢(shì)預(yù)測(cè)模型與重金屬賦存形態(tài)含量趨勢(shì)預(yù)測(cè)模型；

所述預(yù)防報(bào)警模塊具體用于pH報(bào)警、重金屬有效態(tài)含量報(bào)警與重金屬賦存形態(tài)含量報(bào)警。

與現(xiàn)有技術(shù)相比，本發(fā)明具有如下優(yōu)點(diǎn)和技術(shù)效果：

基于人工智能的智能預(yù)測(cè)系統(tǒng)對(duì)監(jiān)控區(qū)域的環(huán)境數(shù)據(jù)進(jìn)行未來(lái)趨勢(shì)預(yù)測(cè)，真正實(shí)現(xiàn)了環(huán)境參數(shù)惡化前的超前預(yù)防治理，避免了惡化后再治理所產(chǎn)生的高成本、長(zhǎng)耗時(shí)和大量人力物力；

智能預(yù)測(cè)與超前預(yù)防治理具有實(shí)時(shí)性和同步性，真正實(shí)現(xiàn)了第一時(shí)間提前發(fā)現(xiàn)和第一時(shí)間提前治理；

本發(fā)明所涉及的智能預(yù)測(cè)系統(tǒng)完全基于人工智能和人工神經(jīng)網(wǎng)絡(luò)LSTM進(jìn)行開(kāi)發(fā)設(shè)計(jì)，具有更高的智能化程度。

附圖說(shuō)明

構(gòu)成本申請(qǐng)的一部分的附圖用來(lái)提供對(duì)本申請(qǐng)的進(jìn)一步理解，本申請(qǐng)的示意性實(shí)施例及其說(shuō)明用于解釋本申請(qǐng)，并不構(gòu)成對(duì)本申請(qǐng)的不當(dāng)限定。在附圖中：

圖1為本發(fā)明實(shí)施例的一種基于人工智能的礦山環(huán)境智能預(yù)測(cè)系統(tǒng)結(jié)構(gòu)示意圖；

圖2為本發(fā)明實(shí)施例的礦山環(huán)境智能預(yù)測(cè)模塊結(jié)構(gòu)示意圖。

具體實(shí)施方式

需要說(shuō)明的是，在不沖突的情況下，本申請(qǐng)中的實(shí)施例及實(shí)施例中的特征可以相互組合。下面將參考附圖并結(jié)合實(shí)施例來(lái)詳細(xì)說(shuō)明本申請(qǐng)。

需要說(shuō)明的是，在附圖的流程圖示出的步驟可以在諸如一組計(jì)算機(jī)可執(zhí)行指令的計(jì)算機(jī)系統(tǒng)中執(zhí)行，并且，雖然在流程圖中示出了邏輯順序，但是在某些情況下，可以以不同于此處的順序執(zhí)行所示出或描述的步驟。

實(shí)施例

如圖1所示，本實(shí)施例提供了一種基于人工智能的礦山環(huán)境智能預(yù)測(cè)系統(tǒng)，其特征在于，包括：環(huán)境參數(shù)采集模塊、數(shù)據(jù)處理模塊、礦山環(huán)境智能預(yù)測(cè)模塊與預(yù)防報(bào)警模塊；

環(huán)境參數(shù)采集模塊用于采集監(jiān)測(cè)區(qū)域中的環(huán)境參數(shù)；

數(shù)據(jù)處理模塊用于對(duì)環(huán)境參數(shù)進(jìn)行預(yù)處理；

礦山環(huán)境智能預(yù)測(cè)模塊用于根據(jù)預(yù)處理后的環(huán)境參數(shù)進(jìn)行未來(lái)趨勢(shì)預(yù)測(cè)；

預(yù)防報(bào)警模塊根據(jù)預(yù)測(cè)的結(jié)果進(jìn)行報(bào)警。

進(jìn)一步地，環(huán)境參數(shù)采集模塊包括多個(gè)傳感器，傳感器設(shè)置于環(huán)境監(jiān)測(cè)區(qū)域中的一個(gè)或多個(gè)采集位點(diǎn)，且每個(gè)采集位點(diǎn)根據(jù)環(huán)境、條件、需求等設(shè)置一個(gè)或多個(gè)傳感器，以檢測(cè)環(huán)境監(jiān)測(cè)區(qū)域中的一種或多種參數(shù)。如上環(huán)境參數(shù)包括pH傳感器、重金屬有效態(tài)含量(如砷、銅、鎘、鉛、鋅、鎳等)傳感器、重金屬賦存形態(tài)含量(如砷、銅、鎘、鉛、鋅、鎳等)傳感器采集。

進(jìn)一步地，環(huán)境參數(shù)采集模塊與數(shù)據(jù)處理模塊相連，其采集監(jiān)測(cè)區(qū)域內(nèi)的環(huán)境參數(shù)數(shù)據(jù)，并將環(huán)境參數(shù)數(shù)據(jù)實(shí)時(shí)傳輸至數(shù)據(jù)處理模塊以進(jìn)行數(shù)據(jù)預(yù)處理。其中數(shù)據(jù)預(yù)處理的方式為：將每個(gè)采集位點(diǎn)采集的不同類型數(shù)據(jù)均按時(shí)間先后排序，且對(duì)多個(gè)采集位點(diǎn)采集的多份同類型參數(shù)數(shù)據(jù)進(jìn)行均值處理，均值處理要求為對(duì)時(shí)間排序序號(hào)相同的同類型數(shù)據(jù)進(jìn)行均值。如果某類型數(shù)據(jù)只有一份，則不做均值處理，僅按時(shí)間先后排序。然后將排序后的數(shù)據(jù)按照數(shù)據(jù)類型傳送給對(duì)應(yīng)的預(yù)測(cè)模型進(jìn)行未來(lái)趨勢(shì)預(yù)測(cè)。

人工智能(ArtificialIntelligence，AI)是涉及研究、設(shè)計(jì)和應(yīng)用智能機(jī)器的一種機(jī)器學(xué)習(xí)技術(shù)。人工智能通過(guò)人工神經(jīng)網(wǎng)絡(luò)來(lái)對(duì)數(shù)據(jù)間的復(fù)雜關(guān)系進(jìn)行建模，其通過(guò)組合低級(jí)特征以形成更加抽象的高級(jí)特征,從而對(duì)數(shù)據(jù)特征進(jìn)行提取，具有更強(qiáng)的建模和推理能力，且能夠模擬人腦工作。與傳統(tǒng)方法不同，人工智能不需要事先確定輸入輸出之間映射關(guān)系的數(shù)學(xué)方程，僅通過(guò)自身神經(jīng)網(wǎng)絡(luò)的訓(xùn)練學(xué)習(xí)，就能自主地從數(shù)據(jù)上學(xué)到有用的特征，這樣在給定輸入值時(shí)就能得到最接近期望的輸出結(jié)果。人工神經(jīng)網(wǎng)絡(luò)是由大量處理單元相互連接構(gòu)成的神經(jīng)網(wǎng)絡(luò)，其具有很強(qiáng)的自學(xué)能力，能夠自動(dòng)從已有數(shù)據(jù)中總結(jié)得到數(shù)據(jù)規(guī)律特征。

在傳統(tǒng)的RNN神經(jīng)網(wǎng)絡(luò)中，RNN訓(xùn)練方法是在傳統(tǒng)反向傳播算法的基礎(chǔ)上加入了對(duì)時(shí)間的考量，但當(dāng)傳播的時(shí)間比較長(zhǎng)時(shí)，需要回傳的殘差會(huì)呈指數(shù)下降，導(dǎo)致網(wǎng)絡(luò)權(quán)重更新緩慢，無(wú)法體現(xiàn)出RNN的長(zhǎng)期記憶效果，這時(shí)候梯度信號(hào)會(huì)變得非常微小近乎為零或者干脆發(fā)散，這就導(dǎo)致了RNN中梯度消失和梯度爆炸的問(wèn)題。因此需要一個(gè)存儲(chǔ)單元來(lái)存儲(chǔ)記憶，LSTM模型由此被提出。

LSTM(Long Short-Term Memory，長(zhǎng)短期記憶網(wǎng)絡(luò))是一種時(shí)間循環(huán)神經(jīng)網(wǎng)絡(luò)，是為了解決RNN存在的梯度消失和梯度爆炸問(wèn)題而專門(mén)設(shè)計(jì)出來(lái)的。與RNN相比，LSTM具有獨(dú)特的設(shè)計(jì)結(jié)構(gòu)，其在隱藏層增加了輸入門(mén)、輸出門(mén)和遺忘門(mén)(三個(gè)門(mén)可以讓信息選擇式通過(guò))，并且使用記憶態(tài)單元來(lái)存儲(chǔ)和處理長(zhǎng)時(shí)間序列信息，其中記憶門(mén)用來(lái)選擇忘記過(guò)去某些信息，輸入門(mén)用來(lái)記憶現(xiàn)在的某些信息，信息通過(guò)輸入門(mén)和記憶門(mén)將過(guò)去與現(xiàn)在的記憶進(jìn)行合并，輸出門(mén)最后輸出信息。因此，LSTM非常適合于處理和預(yù)測(cè)時(shí)間序列中間隔和延遲非常長(zhǎng)的重要事件。

進(jìn)一步地，礦山環(huán)境智能預(yù)測(cè)模塊如圖2所示，其包括LSTM神經(jīng)網(wǎng)絡(luò)、訓(xùn)練數(shù)據(jù)庫(kù)和趨勢(shì)預(yù)測(cè)模型，礦山環(huán)境智能預(yù)測(cè)模塊可以對(duì)環(huán)境參數(shù)進(jìn)行短期、中期或長(zhǎng)期的未來(lái)趨勢(shì)預(yù)測(cè)，短期指4–48h，中期指2–7天，長(zhǎng)期指7–15天。其中，中期和長(zhǎng)期的未來(lái)趨勢(shì)預(yù)測(cè)不限于上述大小區(qū)間，它們可以較上述區(qū)間設(shè)定更大的區(qū)間值，只不過(guò)預(yù)測(cè)的未來(lái)時(shí)間越長(zhǎng)，對(duì)應(yīng)的誤差也會(huì)增大。

LSTM神經(jīng)網(wǎng)絡(luò)包含輸入層、隱藏層和輸出層，其中輸入層輸入訓(xùn)練數(shù)據(jù)；隱藏層迭代學(xué)習(xí)時(shí)間序列數(shù)據(jù)的短程和長(zhǎng)程語(yǔ)義特征；輸出層輸出預(yù)測(cè)結(jié)果。LSTM網(wǎng)絡(luò)參數(shù)包括學(xué)習(xí)率、迭代次數(shù)、stepsize等，其中關(guān)鍵網(wǎng)絡(luò)參數(shù)stepsize取值1-24之間，具體取值依據(jù)環(huán)境參數(shù)訓(xùn)練數(shù)據(jù)規(guī)模和實(shí)際條件與需求而定。

訓(xùn)練數(shù)據(jù)庫(kù)包含pH傳感器、重金屬有效態(tài)含量(如砷、銅、鎘、鉛、鋅、鎳等)傳感器、重金屬賦存形態(tài)含量(如砷、銅、鎘、鉛、鋅、鎳等)傳感器采集的環(huán)境訓(xùn)練數(shù)據(jù)；訓(xùn)練數(shù)據(jù)庫(kù)內(nèi)的每一類環(huán)境訓(xùn)練數(shù)據(jù)都需要進(jìn)行標(biāo)注處理，且標(biāo)注處理方式滿足如下：

當(dāng)stepsize＝1時(shí)，標(biāo)注處理方式為以第n+x時(shí)刻的環(huán)境訓(xùn)練數(shù)據(jù)作為第n時(shí)刻環(huán)境訓(xùn)練數(shù)據(jù)的標(biāo)簽；當(dāng)stepsize＝2時(shí)，標(biāo)注處理方式為以第n+x時(shí)刻的環(huán)境訓(xùn)練數(shù)據(jù)作為第n和第n-1時(shí)刻環(huán)境訓(xùn)練數(shù)據(jù)的標(biāo)簽；當(dāng)stepsize＝3時(shí)，標(biāo)注處理方式為以第n+x時(shí)刻的環(huán)境訓(xùn)練數(shù)據(jù)作為第n、n-1和n-2時(shí)刻環(huán)境訓(xùn)練數(shù)據(jù)的標(biāo)簽，其余依次類推，其中x為預(yù)測(cè)步長(zhǎng)參數(shù)，其取大于等于0的任意整數(shù)。

預(yù)測(cè)步長(zhǎng)參數(shù)x的取值大小與短、中和長(zhǎng)期預(yù)測(cè)有關(guān)，若是短期預(yù)測(cè)則x取值應(yīng)偏小，長(zhǎng)期預(yù)測(cè)則x取值應(yīng)偏大，中期預(yù)測(cè)則x介于上述兩者之間。通過(guò)對(duì)預(yù)測(cè)步長(zhǎng)參數(shù)x的調(diào)整，可以得到或近或遠(yuǎn)的未來(lái)時(shí)刻所對(duì)應(yīng)的預(yù)測(cè)環(huán)境參數(shù)數(shù)據(jù)。比如當(dāng)x取值為3時(shí)(設(shè)定第n和第n+1時(shí)刻之間的時(shí)間跨度為4小時(shí))，則趨勢(shì)預(yù)測(cè)模型能夠得到12個(gè)小時(shí)后的預(yù)測(cè)環(huán)境數(shù)據(jù)；當(dāng)x取值為24時(shí)，則趨勢(shì)預(yù)測(cè)模型能夠得到96個(gè)小時(shí)后(即4天后)的預(yù)測(cè)環(huán)境數(shù)據(jù)；當(dāng)x取值為72時(shí)，則趨勢(shì)預(yù)測(cè)模型能夠得到12天后的預(yù)測(cè)環(huán)境數(shù)據(jù)。

訓(xùn)練數(shù)據(jù)庫(kù)內(nèi)的每一類環(huán)境參數(shù)訓(xùn)練數(shù)據(jù)，它們均按照時(shí)間順序進(jìn)行排列，其中第n時(shí)刻的環(huán)境參數(shù)數(shù)據(jù)是指某一個(gè)時(shí)間段內(nèi)的環(huán)境參數(shù)均值，而非一個(gè)時(shí)間點(diǎn)的環(huán)境參數(shù)值。不僅如此，所有時(shí)刻的環(huán)境參數(shù)數(shù)據(jù)對(duì)應(yīng)的時(shí)間段均具有統(tǒng)一相同的區(qū)間大小。另外，第n和第n+1時(shí)刻(這里n取任意大于等于0的整數(shù))，兩者之間的時(shí)間跨度以4或6或8小時(shí)為宜，最大不超過(guò)48小時(shí)。

趨勢(shì)預(yù)測(cè)模型包含pH傳感器、重金屬有效態(tài)含量(如砷、銅、鎘、鉛、鋅、鎳等)傳感器、重金屬賦存形態(tài)含量(如砷、銅、鎘、鉛、鋅、鎳等)傳感器采集的環(huán)境訓(xùn)練數(shù)據(jù)所對(duì)應(yīng)的趨勢(shì)預(yù)測(cè)模型。每類趨勢(shì)預(yù)測(cè)模型基于訓(xùn)練數(shù)據(jù)庫(kù)內(nèi)對(duì)應(yīng)的環(huán)境訓(xùn)練數(shù)據(jù)利用LSTM網(wǎng)絡(luò)進(jìn)行訓(xùn)練學(xué)習(xí)而得到，并對(duì)對(duì)應(yīng)的環(huán)境參數(shù)進(jìn)行未來(lái)趨勢(shì)預(yù)測(cè)。

訓(xùn)練數(shù)據(jù)庫(kù)內(nèi)的每一類環(huán)境訓(xùn)練數(shù)據(jù)需要定期將最新的環(huán)境參數(shù)按時(shí)間順序更新與補(bǔ)充到對(duì)應(yīng)的環(huán)境訓(xùn)練數(shù)據(jù)里，從而可以保證數(shù)據(jù)的有效性和連續(xù)性。而每一類趨勢(shì)預(yù)測(cè)模型也需要在環(huán)境訓(xùn)練數(shù)據(jù)定期更新后進(jìn)行重新訓(xùn)練和訓(xùn)練后的模型更新，這樣可以保證每一類趨勢(shì)預(yù)測(cè)模型對(duì)未來(lái)趨勢(shì)預(yù)測(cè)的準(zhǔn)確性、可靠性和有效性。

LSTM神經(jīng)網(wǎng)絡(luò)的訓(xùn)練流程如下：

LSTM神經(jīng)網(wǎng)絡(luò)逐輪進(jìn)行迭代訓(xùn)練，在每輪訓(xùn)練過(guò)程中，以第n、第n-1、……、第n–stepsize+1時(shí)刻的環(huán)境訓(xùn)練數(shù)據(jù)做為輸入數(shù)據(jù)，并輸出針對(duì)第n+x時(shí)刻的預(yù)測(cè)環(huán)境參數(shù)數(shù)據(jù)，然后，將第n+x時(shí)刻的預(yù)測(cè)環(huán)境參數(shù)數(shù)據(jù)與第n+x時(shí)刻的實(shí)際環(huán)境參數(shù)數(shù)據(jù)進(jìn)行匹配，若匹配誤差不滿足預(yù)定要求，則根據(jù)匹配誤差對(duì)神經(jīng)網(wǎng)絡(luò)各神經(jīng)單元權(quán)值參數(shù)進(jìn)行修正調(diào)整,然后繼續(xù)以第n、第n-1、……、第n–stepsize+1時(shí)刻的環(huán)境參數(shù)數(shù)據(jù)做為輸入數(shù)據(jù)，開(kāi)始下一輪的迭代訓(xùn)練，直至n+x時(shí)刻的預(yù)測(cè)環(huán)境參數(shù)數(shù)據(jù)與第n+x時(shí)刻的實(shí)際環(huán)境參數(shù)數(shù)據(jù)之間的匹配誤差小于指定閾值，則神經(jīng)網(wǎng)絡(luò)訓(xùn)練完成。

數(shù)據(jù)處理模塊對(duì)采集的環(huán)境參數(shù)進(jìn)行預(yù)處理，然后將每一類環(huán)境參數(shù)對(duì)應(yīng)傳輸給對(duì)應(yīng)的趨勢(shì)預(yù)測(cè)模型進(jìn)行未來(lái)趨勢(shì)預(yù)測(cè)。

礦山環(huán)境智能預(yù)測(cè)模塊和數(shù)據(jù)處理模塊部署在計(jì)算處理服務(wù)器上，計(jì)算處理服務(wù)器需滿足64G內(nèi)存、4T硬盤(pán)空間，以保證人工智能計(jì)算處理器具有足夠的計(jì)算處理能力和數(shù)據(jù)存儲(chǔ)空間，同時(shí)計(jì)算處理服務(wù)器最好配備多塊GPU，這樣可以滿足并行處理計(jì)算的需求。

預(yù)防報(bào)警模塊包含pH報(bào)警模塊、重金屬有效態(tài)含量(如砷、銅、鎘、鉛、鋅、鎳等)報(bào)警模塊、重金屬賦存形態(tài)含量(如砷、銅、鎘、鉛、鋅、鎳等)報(bào)警模塊，且不同子模塊間報(bào)警方式不同。

預(yù)防報(bào)警模塊與礦山環(huán)境智能預(yù)測(cè)模塊相連接，其實(shí)時(shí)接收礦山環(huán)境智能預(yù)測(cè)模塊發(fā)送過(guò)來(lái)的預(yù)測(cè)結(jié)果。只要預(yù)測(cè)結(jié)果顯著或較顯著差于當(dāng)下環(huán)境參數(shù)，預(yù)防報(bào)警模塊就進(jìn)行報(bào)警，即便預(yù)測(cè)結(jié)果為達(dá)標(biāo)環(huán)境參數(shù)；如果預(yù)測(cè)結(jié)果差于當(dāng)下環(huán)境參數(shù)但不顯著，則其很有可能是由正常的參數(shù)波動(dòng)導(dǎo)致，則不進(jìn)行報(bào)警。

本發(fā)明的檢測(cè)流程為：

環(huán)境參數(shù)采集模塊在監(jiān)測(cè)區(qū)域中的一個(gè)或多個(gè)采集位點(diǎn)，通過(guò)一種或多種傳感器采集監(jiān)測(cè)區(qū)域內(nèi)的一種或多種環(huán)境參數(shù)數(shù)據(jù)，并將采集的環(huán)境參數(shù)數(shù)據(jù)實(shí)時(shí)傳輸至數(shù)據(jù)處理模塊；數(shù)據(jù)處理模塊對(duì)采集的環(huán)境數(shù)據(jù)進(jìn)行實(shí)時(shí)預(yù)處理，然后將處理后的每一類環(huán)境參數(shù)實(shí)時(shí)傳送給礦山環(huán)境智能預(yù)測(cè)模塊；礦山環(huán)境智能預(yù)測(cè)模塊包含多種趨勢(shì)預(yù)測(cè)模型，每一類趨勢(shì)預(yù)測(cè)模型對(duì)數(shù)據(jù)處理模塊傳送過(guò)來(lái)的對(duì)應(yīng)類別環(huán)境參數(shù)數(shù)據(jù)實(shí)時(shí)進(jìn)行未來(lái)趨勢(shì)預(yù)測(cè)，并將預(yù)測(cè)結(jié)果實(shí)時(shí)傳遞給預(yù)防報(bào)警模塊下的對(duì)應(yīng)預(yù)防報(bào)警子模塊；如果預(yù)測(cè)結(jié)果顯著或較顯著差于當(dāng)下環(huán)境參數(shù)參數(shù)，即便預(yù)測(cè)結(jié)果為達(dá)標(biāo)環(huán)境參數(shù)，預(yù)防報(bào)警子模塊也進(jìn)行報(bào)警，且不同預(yù)防報(bào)警子模塊間報(bào)警方式不同；如果預(yù)測(cè)結(jié)果差于當(dāng)下環(huán)境參數(shù)數(shù)據(jù)但不顯著，則其很有可能是由正常的參數(shù)波動(dòng)導(dǎo)致，則不進(jìn)行報(bào)警。

以上，僅為本申請(qǐng)較佳的具體實(shí)施方式，但本申請(qǐng)的保護(hù)范圍并不局限于此，任何熟悉本技術(shù)領(lǐng)域的技術(shù)人員在本申請(qǐng)揭露的技術(shù)范圍內(nèi)，可輕易想到的變化或替換，都應(yīng)涵蓋在本申請(qǐng)的保護(hù)范圍之內(nèi)。因此，本申請(qǐng)的保護(hù)范圍應(yīng)該以權(quán)利要求的保護(hù)范圍為準(zhǔn)。

基于人工智能的礦山環(huán)境智能預(yù)測(cè)系統(tǒng).pdf