CN106600163A - 一种基于决策树学习算法的金融自助终端故障诊断方法及系统 - Google Patents
一种基于决策树学习算法的金融自助终端故障诊断方法及系统 Download PDFInfo
- Publication number
- CN106600163A CN106600163A CN201611221265.XA CN201611221265A CN106600163A CN 106600163 A CN106600163 A CN 106600163A CN 201611221265 A CN201611221265 A CN 201611221265A CN 106600163 A CN106600163 A CN 106600163A
- Authority
- CN
- China
- Prior art keywords
- self
- service equipment
- working
- property value
- equipment
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07F—COIN-FREED OR LIKE APPARATUS
- G07F19/00—Complete banking systems; Coded card-freed arrangements adapted for dispensing or receiving monies or the like and posting such transactions to existing accounts, e.g. automatic teller machines
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Accounting & Taxation (AREA)
- Game Theory and Decision Science (AREA)
- Evolutionary Computation (AREA)
- Finance (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于决策树学习算法的金融自助终端故障诊断方法及系统,该方法通过采集自助设备历史数据,基于决策树学习的方法,生成自助设备状态的决策树;实时采取自助设备各部件的工作运行状态,依据决策树实现根据自助设备状态指标数据进行故障自动诊断分析,能够实现良好的故障自动诊断分析效果,减少自助设备的停机时间,有效节约人力成本,大幅缩减故障定位时间。
Description
技术领域
本发明涉及金融自助设备领域,尤其涉及一种基于决策树学习算法的金融自助终端故障诊断方法及系统。
背景技术
自助设备在金融行业运用多年,作为一种不受时间、地域限制,使用方便、响应快捷的电子服务渠道,已为广大客户所接受,并为金融机构拓展服务时间和服务地域,提高工作效率,降低运营成本,扩大客户群做出了巨大贡献。因此,金融自助设备在国内具有极大的发展空间。目前,国内外的自助设备生产厂商和代理维护公司开发了一些自助设备监控系统,这些系统针对不同品牌的自助设备开发,功能主要有以下几点:1、查询自助设备状态:以图形或文字形式的界面,根据管理人员的要求将自助设备的运行信息显示出来;2、记录自助设备状态信息:将自助设备在运行中发生的状态信息以一定格式记录在数据库中;3、自助设备信息维护:主要包括自助设备地区管理、自助设备厂家信息管理、自助设备组管理、自助设备维护人员管理、自助设备代码管理等,通过对这些信息的管理维护,可以方便管理人员联系相关工程师对自助设备的各类故障进行处理;4、统计和分析:产生各种统计报表。
但是,大量金融自助设备的使用,同时也为各金融机构带来管理、维护上的大量问题:
1、自助设备的维护总是处于一个被动的局面,自助设备的异常情况总是由客户反映到网点,网点再联系维护人员,恢复过程时间长,影响日常业务,因此需要有一个监测系统能主动、实时地反映自助设备状态,或使自助设备具有自动告警功能;
2、不能准确掌握自助设备当前状态,对于易耗品的使用情况只能靠估计,导致日常维护处于半盲目状态,同时由于对故障情况不甚了然,维护人员无法判断故障原因,不能准备正确的备件,造成维护人员工作的困难;
3、对于自助设备的故障和维护,往往需要专业技术人员赶到现场,使专业技术人员工作量增大并且延长了系统的恢复时间;
4、自助设备系统本身有大量的故障代码,日常维护时要翻阅查找,给维护人员的工作造成不便。
发明内容
本发明提供了一种基于决策树学习算法的金融自助终端故障诊断方法及系统,其目的在于,克服现有技术中自助设备故障诊断复杂,维护工程量大的问题。
一种基于决策树学习算法的金融自助终端故障诊断方法,包括以下几个步骤:
步骤1:对自助设备以及自助设备各部件的工作运行状态设置属性值;
自助设备的工作运行状态是指整体运行情况,如设备运行正常,设备停用、设备故障等;
自助设备的部件工作运行状态是指自助设备中各部件的具体运行情况,如自助设备为凭条打印机,其部件有打印模块,纸盒模块、墨盒模块、纸张传输模块等,其中纸盒模块的工作运行状态包括满纸、缺纸等;
自助设备和自助设备各部件的工作运行状按照功能进行划分,对应的属性值依次编码;
步骤2:采集自助设备及自助设备各部件的历史工作运行状态属性值,以自助设备的工作运行状态属性值以及对应的各部件的工作运行状态属性值作为一个节点,形成自助设备的节点样本集合D;
对各部件的工作运行状态与自助设备工作运行状态进行关联;
把部件的每种工作运行状态对应到自助设备的某一类工作运行状态;
步骤3:计算自助设备各部件所有工作运行状态属性值的信息增益率;
所述自助设备各部件所有工作运行状态属性值的信息增益率是自助设备各部件各工作运行状态属性值的信息增益率的和;
步骤4:以步骤3计算获得的信息增益率的最大值对应的自助设备部件作为根节点;
步骤5:以当前层根节点对应部件的工作运行状态作为当前层根节点的分支,并选中部件的工作运行状态信息增益率最大的工作运行状态所在的分支;
步骤6:从未选的自助设备部件中选取部件所有工作运行状态属性值的信息增益率最大的部件,并将该部件作为步骤5选中的分支的叶子节点,形成新一层根节点,若所有部件均被选择,则以当前层根节点对应部件的工作运行状态作为当前层根节点的分支,生成自助设备工作运行状态决策树,否则,返回步骤5;
步骤7:以步骤6生成的自助设备工作运行状态决策树作为自助设备工作运行状态的判断规则;
步骤8:实时采取自助设备各部件的工作运行状态,输入步骤7构建的决策树中各根节点,生成决策路线,以决策路线最末端的分支对应自助设备工作运行状态作为自助设备的诊断结果。
所述自助设备各部件所有工作运行状态属性值的信息增益率GainRatio(Aq)为:
其中,
Info(D)表示自助设备的节点样本集合的信息熵:
表示自助设备各部件工作运行状态属性值的信息熵:
pi表示自助设备的第i类工作运行状态概率,Xi表示自助设备的第i类工作运行状态在节点样本集合中出现的总数,m表示自助设备的工作运行状态类别总数;
Aq表示自助设备的部件q的工作运行状态集合,j的取值为1-vq,vq表示自助设备的部件q的工作运行状态类别总数;是指按照自助设备的部件q的工作运行状态类别对节点样本集合D进行划分后的第j类,共有vq类,|D|表示节点样本集合D的节点个数;
表示自助设备的部件q的工作运行状态为j在节点样本集合中出现的总数。
即节点样本集合D按照部件的工作运行状态划分成vq类;
所述自助设备各部件各工作运行状态属性值的信息增益率为:
其中,
表示自助设备的部件q的处于第j类工作运行状态。
一种基于决策树学习算法的金融自助终端故障诊断系统,包括:
自助设备状态属性设置单元,用于对自助设备以及自助设备各部件的工作运行状态设置属性值;
节点样本生成单元,通过采集自助设备及自助设备各部件的历史工作运行状态属性值,以自助设备的工作运行状态属性值以及对应的各部件的工作运行状态属性值作为一个节点,形成自助设备的节点样本集合D;
工作运行状态属性值的信息增益率计算单元,用于计算自助设备各部件所有工作运行状态和单个工作运行状态属性值的信息增益率;
根节点生成单元,以自助设备各部件所有工作运行状态属性值的信息增益率的最大值对应的自助设备部件作为根节点;
决策树生成单元,以当前层根节点对应部件的工作运行状态作为当前层根节点的分支,生成自助设备工作运行状态决策树;
自助设备判断单元,用于对实时采集的自助设备各部件工作运行状态,依据由决策树生成单元生成的决策树对应的决策规则,对自助设备的工作运行状态进行判断。
有益效果
本发明提供了一种基于决策树学习算法的金融自助终端故障诊断方法及系统,该方法包括以下步骤:步骤1:对自助设备以及自助设备各部件的工作运行状态设置属性值;步骤2:采集自助设备及自助设备各部件的历史工作运行状态属性值,形成自助设备的节点样本集合D;步骤3:计算自助设备各部件所有工作运行状态属性值的信息增益率;步骤4:以步骤3计算获得的信息增益率的最大值对应的自助设备部件作为根节点;步骤5:以当前层根节点对应部件的工作运行状态作为当前层根节点的分支,并选中部件的工作运行状态信息增益率最大的工作运行状态所在的分支;步骤6:生成自助设备工作运行状态决策树;步骤7:以步骤6生成的自助设备工作运行状态决策树作为自助设备工作运行状态的判断规则;步骤8:实时采取自助设备各部件的工作运行状态,输入步骤7构建的决策树中各根节点,生成决策路线,以决策路线最末端的分支对应自助设备工作运行状态作为自助设备的诊断结果。基于该方法可以实现根据自助设备状态指标数据进行故障自动诊断分析,则将诊断后的信息发送到管理终端,故障处理模块通过手机短信、E-mail、声音和图像提示迅速通知维护人员,能够实现良好的故障自动诊断分析效果,减少自助设备的停机时间,有效节约人力成本,大幅缩减故障定位时间。
附图说明
图1为本发明所述方法的流程示意图。
具体实施方式
结合具体实施例对本发明做进一步详细说明:
目前国内各金融机构及银行使用较多的自助设备主要由读发卡器、凭条打印机、回单打印机、存折补登、存款模块、密码键盘、出钞模块、钞箱等中的一部分部件组成,各部件的主要功能如下:
读卡器:读取客户银行卡信息,该模块发生故障时,自助设备将停止对客户提供服务,设备停用
凭条打印机:打印自助设备上发生的业务流水账,以备发生错帐时进行轧对,并实时记录自助设备故障信息,是记录自助设备运行状况的重要手段。该模块发生故障时,自助设备将停止对客户提供打印凭条服务。
回单打印机:打印客户交易回单。由于该回单仅供客户参考,不作为重要凭证,所以模块生故障时,自助设备将提示客户选择是否继续进行交易。
密码键盘:为客户提供输入密码、进行密码校验,该模块发生故障时,无法提供对需要校验密码交易的服务
存折补登:为客户提供补打存折交易明细功能,该模块发生故障时,自助设备将无法提供补登存折服务。
存款模块:为客户提供存款功能,该模块发生故障时,自助设备将无法提供存款服务。
出钞模块:为客户提供取款功能,该模块发生故障时,自助设备将无法提供取款服务。
如图1所示,一种基于决策树学习算法的金融自助终端故障诊断方法,包括以下几个步骤:
步骤1:对自助设备以及自助设备各部件的工作运行状态设置属性值;
设备运行状态属性值说明:
当设备部件状态故障,引起设备不能正常使用,设备运行状态设置为3-设备停用,例如读卡器、密码键盘故障,设备运行状态是设备停用;
当设备部件的状态是故障,但不足以暂停设备,只是某些交易服务不能做,设备状态设置为2-故障;
当设备部件的状态是告警,设备运行状态设置为1-告警;
当所有设备部件的状态是正常,设备运行状态设置为0-正常;
以凭条打印机部件作为实施例说明:
表1:自助设备中的凭条打印机部件状态数据:
序号 | 属性 | 值/含义 |
1 | 凭条打印机设备状态 | 0-设备已连接 1-设备在忙 2-设备硬件错误 |
2 | 凭条打印机介质状态 | 0-纸在打印位置 1-纸不在打印位置 |
3 | 凭条打印机供纸状态 | 0-满纸 1-缺纸 2-纸堵塞 |
4 | 凭条打印机油墨状态 | 0-油墨满 1-缺油墨 |
5 | 自助设备运行状态 | O-正常 1-告警 2-故障 3-停用 |
凭条打印机—设备状态属性值0-设备已连接,对应的自助设备运行状态级别0-正常;1-设备在忙,对应的自助设备运行状态级别0-正常;2-设备硬件错误,对应的自助设备运行状态级别2-故障;
凭条打印机—介质状态属性值0-纸在打印位置,对应的自助设备运行状态级别0-正常;1-纸不在打印位置,对应的自助设备运行状态级别1-告警;
凭条打印机—供纸状态属性值0-满纸,对应的自助设备运行状态级别0-正常;1-缺纸,对应的自助设备运行状态级别1-告警;2-纸堵塞,对应的自助设备运行状态级别2-故障;
凭条打印机—油墨状态属性值0-油墨满,对应的自助设备运行状态级别0-正常;1-缺油墨,对应的自助设备运行状态级别1-告警;
步骤2:采集自助设备及自助设备各部件的历史工作运行状态属性值,以自助设备的工作运行状态属性值以及对应的各部件的工作运行状态属性值作为一个节点,形成自助设备的节点样本集合D;
凭条打印机训练样本集,如下表2所示:
表2 自助设备各部件工作运行状态历史数据
步骤3:计算自助设备凭条打印机的所有工作运行状态属性值的信息增益率GainRatio(Aq)为:
其中,
Info(D)表示自助设备的节点样本集合的信息熵:
表示自助设备各部件工作运行状态属性值的信息熵:
pi表示自助设备的第i类工作运行状态概率,Xi表示自助设备的第i类工作运行状态在节点样本集合中出现的总数,m表示自助设备的工作运行状态类别总数;
Aq表示自助设备的部件q的工作运行状态集合,j的取值为1-vq,vq表示自助设备的部件q的工作运行状态类别总数;是指按照自助设备的部件q的工作运行状态类别对节点样本集合D进行划分后的第j类,共有vq类,|D|表示节点样本集合D的节点个数;
表示自助设备的部件q的工作运行状态为j在节点样本集合中出现的总数。
凭条打印机训练集把样本分成3类,自助设备运行状态0-正常,1-告警,2-故障
凭条打印机训练集有4个部件属性,部件属性集合A={设备状态、介质状态、供纸状态、油墨状态}
1)计算样本集合的信息熵Info(D),样本中设备运行状态有4个正常,5个告警,5个故障,其中log以2为底。
Info(D)=-4/14*log4/14-5/14*log5/14-5/14*log5/14
(2)计算凭条打印机每个部件所有工作运行状态属性的信息熵:
1)计算凭条打印机的设备状态属性信息熵,对于设备状态为0,总共有5个,其中设备运行状态有2个正常,3个告警;对于设备状态为1,总共有5个,其中设备运行状态有2个正常,2个告警,1个故障;对于设备状态为2,总共有4个,其中设备运行状态有4个故障,0个正常,0个告警。
凭条打印机-设备状态属性的信息熵:
2)同理,计算介质状态、供纸状态、油墨状态的信息熵
(3)计算部件所有工作运行状态属性信息度量值:
1)计算凭条打印机-设备状态属性信息度量值对于设备状态为0的总共有5个;设备状态为1的总共有5个,设备状态为2的总共有4个。
凭条打印机—设备状态所有工作运行状态属性的信息度量值:
2)同理,计算计算介质状态、供纸状态、油墨状态的信息度量值;
步骤4:以步骤3计算获得的信息增益率的最大值对应的自助设备部件作为根节点;
比较凭条打印机四个属性的增益率,凭条打印机—设备状态属性增益率最大,作为根节点。
步骤5:以当前层根节点对应部件的工作运行状态作为当前层根节点的分支,并选中部件的工作运行状态信息增益率最大的工作运行状态所在的分支;
步骤6:从未选的自助设备部件中选取部件所有工作运行状态属性值的信息增益率最大的部件,并将该部件作为步骤5选中的分支的叶子节点,形成新一层根节点,若所有部件均被选择,则以当前层根节点对应部件的工作运行状态作为当前层根节点的分支,生成自助设备工作运行状态决策树,否则,返回步骤5;
步骤7:以步骤6生成的自助设备工作运行状态决策树作为自助设备工作运行状态的判断规则;
步骤8:实时采取自助设备各部件的工作运行状态,输入步骤7构建的决策树中各根节点,生成决策路线,以决策路线最末端的分支对应自助设备工作运行状态作为自助设备的诊断结果。
从步骤7生成的决策树进行分析,生成关联规则,来诊断自助设备的运行状态:
IF凭条打印机设备状态为“0-设备已连接”AND油墨状态为“0-油墨满”THEN设备运行状态为“设备正常”;
IF凭条打印机设备状态为“0-设备已连接”AND油墨状态为“1-缺油墨”THEN设备运行状态为“设备告警”;
IF凭条打印机设备状态为“1-设备在忙”AND供纸状态为“0-满纸”THEN设备运行状态为“设备正常”;
IF凭条打印机设备状态为“1-设备在忙”AND供纸状态为“1-缺纸”THEN设备运行状态为“设备告警”;
IF凭条打印机设备状态为“1-设备在忙”AND供纸状态为“2-卡堵塞”THEN设备运行状态为“设备故障”;
IF凭条打印机设备状态为“2-设备硬件错误”THEN设备运行状态为“设备故障”。
根据输出的设备状态决策树转化决策规则,例如:如果凭条打印机的部件状态是1,可以判定设备是故障,通过决策规则判定自助设备的运行状况,实现故障自动诊断,判断自助设备的设备状态(故障、告警、停用),出现此设备状态的原因。
一种基于决策树学习算法的金融自助终端故障诊断系统,包括:
自助设备状态属性设置单元,用于对自助设备以及自助设备各部件的工作运行状态设置属性值;
节点样本生成单元,通过采集自助设备及自助设备各部件的历史工作运行状态属性值,以自助设备的工作运行状态属性值以及对应的各部件的工作运行状态属性值作为一个节点,形成自助设备的节点样本集合D;
工作运行状态属性值的信息增益率计算单元,用于计算自助设备各部件所有工作运行状态和单个工作运行状态属性值的信息增益率;
根节点生成单元,以自助设备各部件所有工作运行状态属性值的信息增益率的最大值对应的自助设备部件作为根节点;
决策树生成单元,以当前层根节点对应部件的工作运行状态作为当前层根节点的分支,生成自助设备工作运行状态决策树;
自助设备判断单元,用于对实时采集的自助设备各部件工作运行状态,依据由决策树生成单元生成的决策树对应的决策规则,对自助设备的工作运行状态进行判断。
基于该方法可以实现根据自助设备状态指标数据进行故障自动诊断分析,则将诊断后的信息发送到管理终端,故障处理模块通过手机短信、E-mail、声音和图像提示迅速通知维护人员,能够实现良好的故障自动诊断分析效果,减少自助设备的停机时间,有效节约人力成本,大幅缩减故障定位时间。
以上所述是本发明的优选实施方式而已,当然不能以此来限定本发明之权利范围,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和变动,这些改进和变动也视为本发明的保护范围。
Claims (4)
1.一种基于决策树学习算法的金融自助终端故障诊断方法,其特征在于,包括以下几个步骤:
步骤1:对自助设备以及自助设备各部件的工作运行状态设置属性值;
步骤2:采集自助设备及自助设备各部件的历史工作运行状态属性值,以自助设备的工作运行状态属性值以及对应的各部件的工作运行状态属性值作为一个节点,形成自助设备的节点样本集合D;
对各部件的工作运行状态与自助设备工作运行状态进行关联;
步骤3:计算自助设备各部件所有工作运行状态属性值的信息增益率;
所述自助设备各部件所有工作运行状态属性值的信息增益率是自助设备各部件各工作运行状态属性值的信息增益率的和;
步骤4:以步骤3计算获得的信息增益率的最大值对应的自助设备部件作为根节点;
步骤5:以当前层根节点对应部件的工作运行状态作为当前层根节点的分支,并选中部件的工作运行状态信息增益率最大的工作运行状态所在的分支;
步骤6:从未选的自助设备部件中选取部件所有工作运行状态属性值的信息增益率最大的部件,并将该部件作为步骤5选中的分支的叶子节点,形成新一层根节点,若所有部件均被选择,则以当前层根节点对应部件的工作运行状态作为当前层根节点的分支,生成自助设备工作运行状态决策树,否则,返回步骤5;
步骤7:以步骤6生成的自助设备工作运行状态决策树作为自助设备工作运行状态的判断规则;
步骤8:实时采取自助设备各部件的工作运行状态,输入步骤7构建的决策树中各根节点,生成决策路线,以决策路线最末端的分支对应自助设备工作运行状态作为自助设备的诊断结果。
2.根据权利要求1所述的方法,其特征在于,所述自助设备各部件所有工作运行状态属性值的信息增益率GainRatio(Aq)为:
其中,
Info(D)表示自助设备的节点样本集合的信息熵:
表示自助设备各部件工作运行状态属性值的信息熵:
pi表示自助设备的第i类工作运行状态概率,Xi表示自助设备的第i类工作运行状态在节点样本集合中出现的总数,m表示自助设备的工作运行状态类别总数;
Aq表示自助设备的部件q的工作运行状态集合,j的取值为1-vq,vq表示自助设备的部件q的工作运行状态类别总数;是指按照自助设备的部件q的工作运行状态类别对节点样本集合D进行划分后的第j类,共有vq类,D|表示节点样本集合D的节点个数;
表示自助设备的部件q的工作运行状态为j在节点样本集合中出现的总数。
3.根据权利要求2所述的方法,其特征在于,所述自助设备各部件各工作运行状态属性值的信息增益率为
其中,
表示自助设备的部件q的处于第j类工作运行状态。
4.一种基于决策树学习算法的金融自助终端故障诊断系统,其特征在于,包括:
自助设备状态属性设置单元,用于对自助设备以及自助设备各部件的工作运行状态设置属性值;
节点样本生成单元,通过采集自助设备及自助设备各部件的历史工作运行状态属性值,以自助设备的工作运行状态属性值以及对应的各部件的工作运行状态属性值作为一个节点,形成自助设备的节点样本集合D;
工作运行状态属性值的信息增益率计算单元,用于计算自助设备各部件所有工作运行状态和单个工作运行状态属性值的信息增益率;
根节点生成单元,以自助设备各部件所有工作运行状态属性值的信息增益率的最大值对应的自助设备部件作为根节点;
决策树生成单元,以当前层根节点对应部件的工作运行状态作为当前层根节点的分支,生成自助设备工作运行状态决策树;
自助设备判断单元,用于对实时采集的自助设备各部件工作运行状态,依据由决策树生成单元生成的决策树对应的决策规则,对自助设备的工作运行状态进行判断。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611221265.XA CN106600163A (zh) | 2016-12-26 | 2016-12-26 | 一种基于决策树学习算法的金融自助终端故障诊断方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611221265.XA CN106600163A (zh) | 2016-12-26 | 2016-12-26 | 一种基于决策树学习算法的金融自助终端故障诊断方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106600163A true CN106600163A (zh) | 2017-04-26 |
Family
ID=58604174
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611221265.XA Pending CN106600163A (zh) | 2016-12-26 | 2016-12-26 | 一种基于决策树学习算法的金融自助终端故障诊断方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106600163A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108109287A (zh) * | 2017-12-29 | 2018-06-01 | 深圳怡化电脑股份有限公司 | 用于存取款设备错误上报的方法、装置、设备及存储介质 |
CN109188330A (zh) * | 2018-08-30 | 2019-01-11 | 云南电力试验研究院(集团)有限公司 | 一种配电网故障指示器的故障诊断方法及系统 |
CN109655298A (zh) * | 2019-01-10 | 2019-04-19 | 北京航空航天大学 | 一种大跨度金属屋面的故障实时预警方法及装置 |
CN110095144A (zh) * | 2018-01-30 | 2019-08-06 | 中电长城(长沙)信息技术有限公司 | 一种终端设备本地故障识别方法及系统 |
CN113256904A (zh) * | 2020-06-08 | 2021-08-13 | 深圳怡化电脑股份有限公司 | 自助金融终端控制方法、装置、终端及可读介质 |
CN114333180A (zh) * | 2021-12-29 | 2022-04-12 | 尹学松 | 一种基于区块链技术的金融自助设备检修方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102521613A (zh) * | 2011-12-17 | 2012-06-27 | 山东省科学院自动化研究所 | 一种汽车电子系统的故障诊断方法 |
CN102759711A (zh) * | 2012-06-27 | 2012-10-31 | 广东电网公司电力科学研究院 | 一种基于数据挖掘的风力发电机组故障诊断方法 |
CN103957116A (zh) * | 2014-03-31 | 2014-07-30 | 昆明理工大学 | 一种云故障数据的决策方法及系统 |
CN104506340A (zh) * | 2014-11-21 | 2015-04-08 | 河南中烟工业有限责任公司 | 基于工业以太网故障诊断方法中决策树的创建方法 |
CN106202886A (zh) * | 2016-06-29 | 2016-12-07 | 中国铁路总公司 | 基于模糊粗糙集与决策树的轨道电路红光带故障定位方法 |
-
2016
- 2016-12-26 CN CN201611221265.XA patent/CN106600163A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102521613A (zh) * | 2011-12-17 | 2012-06-27 | 山东省科学院自动化研究所 | 一种汽车电子系统的故障诊断方法 |
CN102759711A (zh) * | 2012-06-27 | 2012-10-31 | 广东电网公司电力科学研究院 | 一种基于数据挖掘的风力发电机组故障诊断方法 |
CN103957116A (zh) * | 2014-03-31 | 2014-07-30 | 昆明理工大学 | 一种云故障数据的决策方法及系统 |
CN104506340A (zh) * | 2014-11-21 | 2015-04-08 | 河南中烟工业有限责任公司 | 基于工业以太网故障诊断方法中决策树的创建方法 |
CN106202886A (zh) * | 2016-06-29 | 2016-12-07 | 中国铁路总公司 | 基于模糊粗糙集与决策树的轨道电路红光带故障定位方法 |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108109287A (zh) * | 2017-12-29 | 2018-06-01 | 深圳怡化电脑股份有限公司 | 用于存取款设备错误上报的方法、装置、设备及存储介质 |
CN108109287B (zh) * | 2017-12-29 | 2021-10-08 | 深圳怡化电脑股份有限公司 | 用于存取款设备错误上报的方法、装置、设备及存储介质 |
CN110095144A (zh) * | 2018-01-30 | 2019-08-06 | 中电长城(长沙)信息技术有限公司 | 一种终端设备本地故障识别方法及系统 |
CN110095144B (zh) * | 2018-01-30 | 2021-07-09 | 中电长城(长沙)信息技术有限公司 | 一种终端设备本地故障识别方法及系统 |
CN109188330A (zh) * | 2018-08-30 | 2019-01-11 | 云南电力试验研究院(集团)有限公司 | 一种配电网故障指示器的故障诊断方法及系统 |
CN109655298A (zh) * | 2019-01-10 | 2019-04-19 | 北京航空航天大学 | 一种大跨度金属屋面的故障实时预警方法及装置 |
CN113256904A (zh) * | 2020-06-08 | 2021-08-13 | 深圳怡化电脑股份有限公司 | 自助金融终端控制方法、装置、终端及可读介质 |
CN113256904B (zh) * | 2020-06-08 | 2024-04-02 | 深圳怡化电脑股份有限公司 | 自助金融终端控制方法、装置、终端及可读介质 |
CN114333180A (zh) * | 2021-12-29 | 2022-04-12 | 尹学松 | 一种基于区块链技术的金融自助设备检修方法 |
CN114333180B (zh) * | 2021-12-29 | 2023-09-08 | 尹学松 | 一种基于区块链技术的金融自助设备检修方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106600163A (zh) | 一种基于决策树学习算法的金融自助终端故障诊断方法及系统 | |
CN107636741B (zh) | 金融终端的故障预警方法、终端设备及存储介质 | |
US8746551B2 (en) | Predictive fault resolution | |
CN107612756A (zh) | 一种具有智能故障分析处理功能的运维管理系统 | |
CN108510085A (zh) | 物联网运营维护派单平台 | |
CN108682087A (zh) | 终端设备故障维护方法、系统及计算机可读存储介质 | |
US20200356544A1 (en) | False positive detection for anomaly detection | |
US20220351209A1 (en) | Automated fraud monitoring and trigger-system for detecting unusual patterns associated with fraudulent activity, and corresponding method thereof | |
CN101826036A (zh) | 监视装置、信息处理系统和监视方法 | |
CN110337640B (zh) | 用于问题警报聚合和识别次优行为的方法、系统和介质 | |
US6896179B2 (en) | Computer system that predicts impending failure in applications such as banking | |
Ebrahimi et al. | Monitoring sparse and attributed networks with online hurdle models | |
CN102646239A (zh) | 印鉴核对系统、印鉴核对装置以及印鉴核对方法 | |
CN109189044A (zh) | 一种纯电动汽车远程监控故障形成数据库的方法 | |
CN108258802B (zh) | 一种配电网中配电设备的运行状况的监测方法和装置 | |
CN107480703A (zh) | 交易故障检测方法及装置 | |
Mustika et al. | Analysis of Accounting Information Systems in the Cash Flow Expenditure Cycle at UD | |
Bruckhaus | The business impact of predictive analytics | |
Takano et al. | Psychological biases affecting human cognitive performance in dynamic operational environments | |
JPH0973576A (ja) | 障害監視システム | |
KR100620677B1 (ko) | 채권추심 시스템 | |
JPH09128458A (ja) | 自動取引装置の障害回復誘導方法およびシステム | |
CN113469787A (zh) | 消费管理系统 | |
JP2011113473A (ja) | 取引処理システム及びその情報収集方法 | |
CN104809821B (zh) | 部件更换/清洁建议方法及自助交易系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170426 |
|
RJ01 | Rejection of invention patent application after publication |