电缆隧道水浸预测方法、装置、存储介质及计算机设备与流程

本技术涉及深度学习，尤其涉及一种电缆隧道水浸预测方法、装置、存储介质及计算机设备。

背景技术：

1、电缆隧道在线监测系统是结合现代电力电子技术、计算机技术以及网络通讯等技术组成，可实时监测电缆隧道内视频图像、环境温度、水位、有害气体等参数，并通过4g/5g无线通信模块将监测到的数据传至后台分析中心，方便运行维护人员实时掌握电缆运行状态，以便采取相应的维护和检修措施。

2、对于电缆隧道中的水浸分析可以通过水位检测传感器开展，但这种方式只能进行点位的检测，不能对水位进行预测。目前，对水位的预测一般基于深度学习进行的，但在水位预测的过程中，所需要的样本量较大，而且只能基于单张图像进行分析，无法进行趋势预测分析，导致水位预测的准确性较低。

技术实现思路

1、本技术的目的旨在至少能解决上述的技术缺陷之一，特别是现有技术中在水位预测的过程中，所需要的样本量较大，而且只能基于单张图像进行分析，无法进行趋势预测分析，导致水位预测的准确性较低的技术缺陷。

2、第一方面，本技术提供了一种电缆隧道水浸预测方法，所述方法包括：

3、响应于水浸预测指令，并根据所述水浸预测指令，确定待预测视频；

4、提取所述待预测视频中的每一帧图像，以生成预测数据集；

5、将所述预测数据集输入至水位预测模型中，得到与所述待预测视频对应的水位变化信息；其中，所述水位预测模型的训练过程，包括：

6、确定训练数据集；

7、在一次迭代中，将所述训练数据集输入至本次迭代对应的自编码器中，得到目标特征集以及与所述目标特征集对应的重构特征集；

8、基于预设的损失函数，确定所述目标特征集和所述重构特征集之间的目标函数，并根据所述目标函数，更新所述自编码器，得到新的自编码器；

9、将所述目标函数和所述重构特征集输入至本次迭代对应的时序网络中，得到水位变化信息，并基于所述水位变化信息，更新所述时序网络，得到新的时序网络；

10、判断当前迭代次数是否达到预设阈值，若当前迭代次数未达到所述预设阈值，则将所述新的自编码器和所述新的时序网络分别作为下一次迭代对应的自编码器和时序网络；

11、若当前迭代次数达到所述预设阈值，则根据所述新的自编码器和所述新的时序网络，生成水位预测模型。

12、在其中一个实施例中，所述将所述训练数据集输入至本次迭代对应的自编码器中，得到目标特征集以及与所述目标特征集对应的重构特征集，包括：

13、对所述训练数据集中的每个图像进行特征提取，得到目标特征集；

14、将所述目标特征集输入至所述自编码器的编码层中，得到与所述目标特征集中的每个特征图对应的隐变量；

15、将所述目标特征集中的每个特征图对应的隐变量输入至所述自编码器的解码层中，得到与所述目标特征集对应的重构特征集。

16、在其中一个实施例中，所述将所述目标特征集输入至所述自编码器的编码层中，得到与所述目标特征集中的每个特征图对应的隐变量，包括：

17、获取所述目标特征集中的每个特征图对应的均值和方差；

18、根据所述目标特征集中的每个特征图对应的均值和方差，确定与所述目标特征集中的每个特征图对应的隐变量。

19、在其中一个实施例中，所述损失函数的表达式为：

20、

21、式中，loss代表损失函数，和β为所述自编码器的参数，n为训练数据集中的图像的数量，xq为目标特征集中标识号为q的特征图，x′q为重构特征集中标识号为q的特征图，为目标特征集中标识号为i的特征图的方差，μi为目标特征集中标识号为i的特征图的均值。

22、在其中一个实施例中，所述确定训练数据集，包括：

23、获取多个目标视频以及预设尺寸；

24、提取各个目标视频中的每一帧图像，以得到初始数据集；

25、将所述初始数据集中的每个图像调整至与所述预设尺寸匹配的尺寸；

26、将经过尺寸调整的初始数据集确定为所述训练数据集。

27、在其中一个实施例中，所述将所述目标函数和所述重构特征集输入至本次迭代对应的时序网络中，得到水位变化信息，包括：

28、根据所述目标函数和所述重构特征集，确定水位变化网络；

29、基于所述水位变化网络，确定预设时间段内的每个时刻的特征矩阵；

30、根据所述水位变化网络、所述预设时间段内的每个时刻的特征矩阵以及预设的映射函数，得到水位变化信息；其中，所述水位变化信息用于表征未来t个时刻的水位变化趋势，t为大于1的正整数。

31、在其中一个实施例中，所述映射函数的表达式为：

32、[vt+1,…,vt+t]＝f(g；(vt-n,…,vt-1,vt))

33、式中，[vt+1,…,vt+t]代表未来t个时刻的水位变化趋势，vt+1为t+1时刻的积水变化量，vt为t时刻的积水变化量，g为水位变化网络，(vt-n,…,vt-1,vt)为过去n个时刻的水位变化趋势，n为大于1的正整数。

34、第二方面，本技术提供了一种电缆隧道水浸预测装置，所述装置包括：

35、指令响应模块，用于响应于水浸预测指令，并根据所述水浸预测指令，确定待预测视频；

36、数据集生成模块，用于提取所述待预测视频中的每一帧图像，以生成预测数据集；

37、水位预测模块，用于将所述预测数据集输入至水位预测模型中，得到与所述待预测视频对应的水位变化信息；其中，所述水位预测模型的训练过程，包括：

38、确定训练数据集；

39、在一次迭代中，将所述训练数据集输入至本次迭代对应的自编码器中，得到目标特征集以及与所述目标特征集对应的重构特征集；

40、基于预设的损失函数，确定所述目标特征集和所述重构特征集之间的目标函数，并根据所述目标函数，更新所述自编码器，得到新的自编码器；

41、将所述目标函数和所述重构特征集输入至本次迭代对应的时序网络中，得到水位变化信息，并基于所述水位变化信息，更新所述时序网络，得到新的时序网络；

42、判断当前迭代次数是否达到预设阈值，若当前迭代次数未达到所述预设阈值，则将所述新的自编码器和所述新的时序网络分别作为下一次迭代对应的自编码器和时序网络；

43、若当前迭代次数达到所述预设阈值，则根据所述新的自编码器和所述新的时序网络，生成水位预测模型。

44、第三方面，本技术提供了一种存储介质，所述存储介质中存储有计算机可读指令，所述计算机可读指令被一个或多个处理器执行时，使得一个或多个处理器执行如上述任一项实施例所述电缆隧道水浸预测方法的步骤。

45、第四方面，本技术提供了一种计算机设备，包括：一个或多个处理器，以及存储器；

46、所述存储器中存储有计算机可读指令，所述一个或多个处理器执行时所述计算机可读指令时，执行如上述任一项实施例所述电缆隧道水浸预测方法的步骤。

47、从以上技术方案可以看出，本技术实施例具有以下优点：

48、本技术提供的电缆隧道水浸预测方法、装置、存储介质及计算机设备，该方法包括：当接收到水浸预测指令时，基于待预测视频和水位预测模型对未来一段时间内水位变化趋势进行预测。其中，水位预测模型中的自编码器是通过无监督的方式进行训练的，不需对训练数据进行标注，在节约资源和保证精确度的同时，能够减小样本量。而且，水位预测模型中的时序网络能够对水位变化的空间相关性和时间相关性进行分析，进而能够分析待预测视频中的水位变化趋势，以得到水位变化信息。如此，应用本方法时，采用该水位预测模型对待预测视频的水位变化情况进行分析，可以对水位变化情况进行水位趋势分析。提高水位预测的全面性和灵活性，进而提高水位预测的准确性。实现了对电缆隧道水位的精准分析。