1.一种基于BP神经网络的电梯故障预测方法，其特征在于，包括：获取电梯的多个周期内的电梯数据向量，并按照周期形成多个电梯数据集，其中，所述电梯数据向量包括：电梯运行时间、电梯的负载百分比、电梯的运行速度、电梯的运行距离、电梯的加速度和电梯所在楼层的高度；设置电梯故障预测模型，并根据所述电梯数据向量，计算电梯发生故障的概率，并通过所述电梯发生故障的概率对电梯故障进行预测，其中，所述电梯故障预测模型包括： ，其中， 为电梯发生故障的概率， 为电梯数据集中的电梯数据向量的数量， 为第一电梯数据集中第 个电梯数据向量 和第二电梯数据集中第 个电梯数据向量 的关联权重， 为第一电梯数据集中第 个电梯数据向量， 为第二电梯数据集中第 个电梯数据向量， 为外部环境因素向量的数量， 为第 个外部环境因素向量的权重， 为第 个外部环境因素向量， 为时间变化项的数量， 为时间变化项的第 个振幅， 为时间变化项的第 个频率， 为时间变化项的第 个相位， 为偏置项， 为时间；设置BP神经网络，将所述电梯故障预测模型作为激活函数，并设置损失函数，将计算得到得电梯发生故障的概率与真实值进行对比，从而通过梯度下降法完成所述电梯故障预测模型中参数的拟合，以使预测结果更准确。
2.如权利要求1所述的一种基于BP神经网络的电梯故障预测方法，其特征在于，第一电梯数据集中第 个电梯数据向量 和第二电梯数据集中第 个电梯数据向量 的关联权重 包括： ，其中， 为调整因子， 为第一电梯数据集中第 个电梯数据向量 和第二电梯数据集中第 个电梯数据向量 的关联性系数。
3.如权利要求2所述的一种基于BP神经网络的电梯故障预测方法，其特征在于，所述第一电梯数据集中第 个电梯数据向量 和第二电梯数据集中第 个电梯数据向量 的关联性系数 包括： ，其中， 为所有电梯数据集中第 个电梯数据向量 的均值， 为所有电梯数据集中第 个电梯数据向量 的均值。
4.如权利要求1所述的一种基于BP神经网络的电梯故障预测方法，其特征在于，第 个外部环境因素向量 包括：建筑物的振动频率、电梯使用时的环境湿度和电梯使用时的环境风速。
5.一种基于BP神经网络的电梯故障预测系统，其特征在于，包括：获取数据模块，用于获取电梯的多个周期内的电梯数据向量，并按照周期形成多个电梯数据集，其中，所述电梯数据向量包括：电梯运行时间、电梯的负载百分比、电梯的运行速度、电梯的运行距离、电梯的加速度和电梯所在楼层的高度；设置模型模块，用于设置电梯故障预测模型，并根据所述电梯数据向量，计算电梯发生故障的概率，并通过所述电梯发生故障的概率对电梯故障进行预测，其中，所述电梯故障预测模型包括： ，其中， 为电梯发生故障的概率， 为电梯数据集中的电梯数据向量的数量， 为第一电梯数据集中第 个电梯数据向量 和第二电梯数据集中第 个电梯数据向量 的关联权重， 为第一电梯数据集中第 个电梯数据向量， 为第二电梯数据集中第 个电梯数据向量， 为外部环境因素向量的数量， 为第 个外部环境因素向量的权重， 为第 个外部环境因素向量， 为时间变化项的数量， 为时间变化项的第 个振幅， 为时间变化项的第 个频率， 为时间变化项的第 个相位， 为偏置项， 为时间；设置神经网络模块，用于设置BP神经网络，将所述电梯故障预测模型作为激活函数，并设置损失函数，将计算得到得电梯发生故障的概率与真实值进行对比，从而通过梯度下降法完成所述电梯故障预测模型中参数的拟合，以使预测结果更准确。
6.如权利要求5所述的一种基于BP神经网络的电梯故障预测系统，其特征在于，第一电梯数据集中第 个电梯数据向量 和第二电梯数据集中第 个电梯数据向量 的关联权重 包括： ，其中， 为调整因子， 为第一电梯数据集中第 个电梯数据向量 和第二电梯数据集中第 个电梯数据向量 的关联性系数。
7.如权利要求6所述的一种基于BP神经网络的电梯故障预测系统，其特征在于，所述第一电梯数据集中第 个电梯数据向量 和第二电梯数据集中第 个电梯数据向量 的关联性系数 包括： ，其中， 为所有电梯数据集中第 个电梯数据向量 的均值， 为所有电梯数据集中第 个电梯数据向量 的均值。
8.如权利要求5所述的一种基于BP神经网络的电梯故障预测系统，其特征在于，第 个外部环境因素向量 包括：建筑物的振动频率、电梯使用时的环境湿度和电梯使用时的环境风速。
