CN106649050A - 时序系统多参数运行态势图形表示方法 - Google Patents
时序系统多参数运行态势图形表示方法 Download PDFInfo
- Publication number
- CN106649050A CN106649050A CN201610814544.0A CN201610814544A CN106649050A CN 106649050 A CN106649050 A CN 106649050A CN 201610814544 A CN201610814544 A CN 201610814544A CN 106649050 A CN106649050 A CN 106649050A
- Authority
- CN
- China
- Prior art keywords
- parameter
- character
- probability
- data
- characteristic
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/32—Monitoring with visual or acoustical indication of the functioning of the machine
- G06F11/323—Visualisation of programs or trace data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/3065—Monitoring arrangements determined by the means or processing involved in reporting the monitored data
- G06F11/3072—Monitoring arrangements determined by the means or processing involved in reporting the monitored data where the reporting involves data filtering, e.g. pattern matching, time or event triggered, adaptive or policy-based reporting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/32—Monitoring with visual or acoustical indication of the functioning of the machine
- G06F11/321—Display for diagnostics, e.g. diagnostic result display, self-test user interface
- G06F11/322—Display of waveforms, e.g. of logic analysers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
Abstract
本发明提供了一种时序系统多参数运行态势图形表示方法,本方法通过对多参数历史数据分别进行机器学习,提取特征、聚类、生成特征字符并将特征信息记录到参数信息库,然后对实时数据在同一时间段内所有参数的特征字符进行统计,最后根据同一时间段内所有参数特征字符的概率分布以图形方式表达出该时间段内时序系统的运行态势;本方法包括数据预处理模块、聚类学习特征字符模块、特征统计模块、图形表示模块;本方法以图形方式直观地把时序系统运行态势表达出来,并能够实时持续更新,用户能够直截了当观察到系统运行正常,还是出现了重大异常情况,以及系统运行态势的发展变化趋势。
Description
技术领域
本发明属于智能信息处理和计算机技术领域,具体涉及一种时序系统多参数运行态势图形表示方法。
背景技术
时序系统往往由很多部件构成,每个部件又有很多个观测参数。部件各参数的不同取值形态在整体上会呈现出系统的运行态势,即系统整体运行正常还是异常。而通过图形方式则可以非常直观地把系统运行态势表达出来,让用户一眼就能够对系统整体运行情况有基本了解。目前一般采用{优、良、中、差}或者{一级、二级、三级、四级}等等比较抽象的离散语言值来表达系统运行态势,这样的抽象层次过高,使得用户对系统整体运行情况信息了解太少。此外,对系统运行态势缺乏量化度量,缺乏对系统运行态势的动态持续追踪,用户无法了解系统运行态势的发展变化趋势。这些都不利于用户对时序系统整体的实时观测和监控。
发明内容
本发明的目的在于提供一种使得用户对系统整体运行状况是否正常有了一个非常直观的认识的时序系统多参数运行态势图形表示方法。
为达到上述目的,本发明采用的技术方案是:
一种时序系统多参数运行态势图形表示方法,实现该方法的系统包括数据预处理模块、聚类学习特征字符模块、特征统计模块、图形表示模块,其具体步骤是:
1)首先,采用数据预处理模块对原始数据进行去野值、等间隔处理文件以及归一化处理,获取标准化的数据,并且提取相关多特征向量;
2)其次,采用聚类学习特征字符模块即采用TK-means聚类算法对历史数据窗口特征向量进行聚类,然后基于聚类结果,记录每个参数不同特征字符所对应的特征向量;
3)然后,采用特征统计模块首先用最近邻策略获得实时数据各个时间段对应的特征字符,然后对同一时间段内所有参数的特征字符进行统计,得到该段内所有参数特征字符的概率分布;
4)最后,采用图形表示模块根据特征字符概率分布情况以图形方式表达该时间段内时序系统的运行态势。
所述的数据预处理模块“去野值处理”是指删除无效野值,保留有效值;对数据进行等间隔处理保证在连续时间段内任意两个数据点之间的时间间隔相同;数据经过等间隔处理之后进行归一化处理消除不同量纲对结果的影响从而获取标准化的数据。
所述的聚类学习特征字符模块通过TK-Means算法对各个参数的历史数据窗口特征向量分别进行聚类学习,并将得到的聚类结果表示成特征字符;每个参数的聚类结果反映该参数特征字符与簇中心向量的对应关系,然后将每个参数的特征信息包括参数最大值、最小值,每个特征的最大值、最小值,簇中心向量及其对应特征字符记录到参数信息库中;TK-Means算法采用2015105516228,一种时序数据异常特征的挖掘系统及方法,其中,‘a’表示最频繁出现的特征,‘b’表示次频繁出现的特征,依此类推;出现概率小于给定阈值0.02的特征通通被表示为‘?’;空数据,即未记录数据的区间或者被删除的区间,则用‘#’来表示。
所述的特征统计模块的特征统计包括以下步骤:
2-1)取当前时间窗口上所有参数的数据;
2-2)取当前参数在当前窗口上的特征向量;
2-3)根据最近邻原则确定特征向量对应的特征字符,即当前参数在当前窗口上的特征字符;
2-4)判断是否所有参数都已经取得当前窗口上的特征字符;如果有参数没有取得特征字符,则转至步骤2-2重复执行上述过程直至所有参数在当前窗口上都已经取得特征字符;如果所有参数都已经取得当前窗口上的特征字符,则执行步骤2-5)
2-5)计算当前窗口上的概率p({a}),即当前窗口上参数特征字符为a的概率;
2-6)计算当前窗口上的概率p({a,b}),即当前窗口上参数特征字符为{a,b}之一的概率;
2-7)计算当前窗口上的概率p({a,b,c}),即当前窗口上参数特征字符为{a,b,c}之一的概率;
2-8)计算当前窗口上的概率p({a,b,c,d}),即当前窗口上参数特征字符为{a,b,c,d}之一的概率;
2-9)输出当前窗口时间和上述概率值;
其中,T表示特征字符集合,该集合内字符按照字母顺序排列;ci表示某个特征字符;p(T)表示出现该集合内特征字符的概率;L表示参数个数;sj表示某个参数;c(sj)表示某参数在当前窗口上的特征字符;δ[x]表示如果x成立则δ[x]取值为1,否则取值为0;在上式中当T分别取{a}、{a,b}、{a,b,c}、{a,b,c,d}、{a,b,c,d,*}、时,得到一系列的概率值;其中“*”表示d以后所有的特征字符,所以p({a,b,c,d,*})=1.0;
2-10)判断是否还有下一个窗口的数据;如果还有待处理的数据,则转至步骤2-1)重复执行直至所有数据都已经处理完得到该段内所有参数特征字符的概率分布。
所述的图形表示模块根据得到的一系列概率值,绘制出用不同颜色覆盖的曲线图,图中用不同颜色对应不同的特征字符集T,T依次取{a}、{a,b}、{a,b,c}、{a,b,c,d}、{a,b,c,d,*};画出相对应的线段,横坐标代表着时间窗口,纵坐标代表着概率值p(T);数据盲区用黑色区块表示;由于p({a})≤p({a,b})≤p({a,b,c})≤p({a,b,c,d})≤p({a,b,c,d,*}),所以最下面的曲线表示在某个窗口上参数特征字符是a的概率,即要求参数没有任何异常,系统运行态势一切正常的概率;从底向上第二条曲线表示在某个窗口上参数特征字符是a或者b的概率,即允许参数处于次常态,但是没有特别异常,系统运行态势基本正常的概率;从底向上第三条曲线表示在某个窗口上参数特征字符是{a,b,c}之一的概率,即允许参数出现一般异常,系统运行态势一般,允许包含一些问题的概率;从底向上第四条曲线表示在某个窗口上参数特征字符是{a,b,c,d}之一的概率,即允许参数出现较严重异常,允许系统运行态势较差的概率;显然,若第一条曲线越靠上即越接近1.0概率,则系统运行态势越正常;若所有曲线出现下行趋势即概率值随时间越来越小,则说明系统运行态势越来越恶化;反之,若曲线出现上行趋势,则说明系统运行态势越来越良好;若曲线基本稳定在一个水平线上,则说明系统运行态势稳定;曲线稳定的水平线越高,则系统运行态势越良好。
本发明首先通过历史数据学习每个参数的基本特征并将其抽象为特征字符,然后对于实时数据分析其特征及所对应的特征字符,然后统计所有参数在同一时间上的特征字符概率分布,最后用曲线图形的方式表达出系统的整体运行态势图。相对于现有技术,本发明方法一方面用特征字符对系统参数的正常情况进行了抽象表示;另一方面通过统计系统参数特征字符的概率分布对系统整体运行态势进行了量化评估;再一方面用多条概率曲线对系统运行态势进行了分层表示。通过本发明用户首先可以非常直观地看到系统整体运行态势的量化程度,其次可以直观看到系统运行态势的发展变化趋势,再次,用户能够对系统当前运行态势的总体内容有基本了解,能够知道系统在多大程度上正常,在多大程度上异常。所以本发明方法大大增强了用户对时序系统的整体监控能力。
附图说明
图1是实现本方法的系统模块框架图。
图2是特征统计模块流程图。
图3是4个示例参数的实时曲线图。
图4是示例参数所对应时序系统的运行态势图。
具体实施方式
下面结合附图对本发明作进一步详细说明。
参照图1,实现本发明的系统包括数据预处理模块1-1、聚类学习特征字符模块1-2、特征统计模块1-3、图形表示模块1-4;本发明方法的具体步骤是:
1)首先,采用数据预处理模块1-1对原始数据进行去野值、等间隔处理文件以及归一化处理,获取标准化的数据,并且提取相关多特征向量;
所述的数据预处理模块1-1“去野值处理”是指删除无效野值,保留有效值;对数据进行等间隔处理保证在连续时间段内任意两个数据点之间的时间间隔相同;数据经过等间隔处理之后进行归一化处理消除不同量纲对结果的影响从而获取标准化的数据。
2)其次,采用聚类学习特征字符模块1-2即采用TK-means聚类算法对历史数据窗口特征向量进行聚类,然后基于聚类结果,记录每个参数不同特征字符所对应的特征向量;
所述的聚类学习特征字符模块1-2通过TK-Means算法对各个参数的历史数据窗口特征向量分别进行聚类学习,并将得到的聚类结果表示成特征字符;每个参数的聚类结果反映该参数特征字符与簇中心向量的对应关系,然后将每个参数的特征信息包括参数最大值、最小值,每个特征的最大值、最小值,簇中心向量及其对应特征字符记录到参数信息库中;TK-Means算法采用2015105516228,一种时序数据异常特征的挖掘系统及方法,其中,‘a’表示最频繁出现的特征,‘b’表示次频繁出现的特征,依此类推;出现概率小于给定阈值0.02的特征通通被表示为‘?’;空数据,即未记录数据的区间或者被删除的区间,则用‘#’来表示。
3)然后,采用特征统计模块1-3首先用最近邻策略获得实时数据各个时间段对应的特征字符,然后对同一时间段内所有参数的特征字符进行统计,得到该段内所有参数特征字符的概率分布;
参见图2,所述的特征统计模块1-3包括以下步骤:
2-1)取当前时间窗口上所有参数的数据;
2-2)取当前参数在当前窗口上的特征向量;
2-3)根据最近邻原则确定特征向量对应的特征字符,即当前参数在当前窗口上的特征字符;
2-4)判断是否所有参数都已经取得当前窗口上的特征字符;如果有参数没有取得特征字符,则转至步骤2-2重复执行上述过程直至所有参数在当前窗口上都已经取得特征字符;如果所有参数都已经取得当前窗口上的特征字符,则执行步骤2-5)
2-5)计算当前窗口上的概率p({a}),即当前窗口上参数特征字符为a的概率;
2-6)计算当前窗口上的概率p({a,b}),即当前窗口上参数特征字符为{a,b}之一的概率;
2-7)计算当前窗口上的概率p({a,b,c}),即当前窗口上参数特征字符为{a,b,c}之一的概率;
2-8)计算当前窗口上的概率p({a,b,c,d}),即当前窗口上参数特征字符为{a,b,c,d}之一的概率;
2-9)输出当前窗口时间和上述概率值;
其中,T表示特征字符集合,该集合内字符按照字母顺序排列;ci表示某个特征字符;p(T)表示出现该集合内特征字符的概率;L表示参数个数;sj表示某个参数;c(sj)表示某参数在当前窗口上的特征字符;δ[x]表示如果x成立则δ[x]取值为1,否则取值为0;在上式中当T分别取{a}、{a,b}、{a,b,c}、{a,b,c,d}、{a,b,c,d,*}、时,得到一系列的概率值;其中“*”表示d以后所有的特征字符,所以p({a,b,c,d,*})=1.0;
2-10)判断是否还有下一个窗口的数据;如果还有待处理的数据,则转至步骤2-1)重复执行直至所有数据都已经处理完得到该段内所有参数特征字符的概率分布。
4)最后,采用图形表示模块1-4根据特征字符概率分布情况以图形方式表达该时间段内时序系统的运行态势。
所述的图形表示模块1-4根据得到的一系列概率值,绘制出用不同颜色覆盖的曲线图,从而直观表达当前系统运行态势;图中用不同颜色对应不同的特征字符集T,T依次取{a}、{a,b}、{a,b,c}、{a,b,c,d}、{a,b,c,d,*};画出相对应的线段,横坐标代表着时间窗口,纵坐标代表着概率值p(T);数据盲区用黑色区块表示;由于p({a})≤p({a,b})≤p({a,b,c})≤p({a,b,c,d})≤p({a,b,c,d,*}),所以最下面的曲线表示在某个窗口上参数特征字符是a的概率,即要求参数没有任何异常,系统运行态势一切正常的概率;从底向上第二条曲线表示在某个窗口上参数特征字符是a或者b的概率,即允许参数处于次常态,但是没有特别异常,系统运行态势基本正常的概率;从底向上第三条曲线表示在某个窗口上参数特征字符是{a,b,c}之一的概率,即允许参数出现一般异常,系统运行态势一般,允许包含一些问题的概率;从底向上第四条曲线表示在某个窗口上参数特征字符是{a,b,c,d}之一的概率,即允许参数出现较严重异常,允许系统运行态势较差的概率;显然,若第一条曲线越靠上即越接近1.0概率,则系统运行态势越正常;若所有曲线出现下行趋势即概率值随时间越来越小,则说明系统运行态势越来越恶化;反之,若曲线出现上行趋势,则说明系统运行态势越来越良好;若曲线基本稳定在一个水平线上,则说明系统运行态势稳定;曲线稳定的水平线越高,则系统运行态势越良好。
参照图3,其为4个示例参数的实时曲线图,图中标示出了系统出现异常的区段和系统处于数据盲区的区段。
参照图4,其为示例参数所对应时序系统的运行态势图,图中不同颜色区块代表着不同的概率值,黑色区块表示数据盲区。图中最下面的曲线表示p({a})的概率变化;往上依次分别是p({a,b})、p({a,b,c})和p({a,b,c,d})所对应的曲线。由于概率值最大为1.0,所以在图形最上方个别点上几条曲线有可能会重叠在一起。图中可以直观看出示例系统运行态势的量化评估值及其变化趋势。特别是当系统出现明显异常波动时,系统运行态势图上也有明显的变化。
Claims (5)
1.时序系统多参数运行态势图形表示方法,其特征在于:实现该方法的系统包括数据预处理模块(1-1)、聚类学习特征字符模块(1-2)、特征统计模块(1-3)、图形表示模块(1-4),其具体步骤是:
1)首先,采用数据预处理模块(1-1)对原始数据进行去野值、等间隔处理文件以及归一化处理,获取标准化的数据,并且提取相关多特征向量;
2)其次,采用聚类学习特征字符模块(1-2)即采用TK-means聚类算法对历史数据窗口特征向量进行聚类,然后基于聚类结果,记录每个参数不同特征字符所对应的特征向量;
3)然后,采用特征统计模块(1-3)首先用最近邻策略获得实时数据各个时间段对应的特征字符,然后对同一时间段内所有参数的特征字符进行统计,得到该段内所有参数特征字符的概率分布;
4)最后,采用图形表示模块(1-4)根据特征字符概率分布情况以图形方式表达该时间段内时序系统的运行态势。
2.根据权利要求1所述时序系统多参数运行态势图形表示方法,其特征在于:所述的数据预处理模块(1-1)“去野值处理”是指删除无效野值,保留有效值;对数据进行等间隔处理保证在连续时间段内任意两个数据点之间的时间间隔相同;数据经过等间隔处理之后进行归一化处理消除不同量纲对结果的影响从而获取标准化的数据。
3.根据权利要求1所述时序系统多参数运行态势图形表示方法,其特征在于:所述的聚类学习特征字符模块(1-2)通过TK-Means算法对各个参数的历史数据窗口特征向量分别进行聚类学习,并将得到的聚类结果表示成特征字符;每个参数的聚类结果反映该参数特征字符与簇中心向量的对应关系,然后将每个参数的特征信息包括参数最大值、最小值,每个特征的最大值、最小值,簇中心向量及其对应特征字符记录到参数信息库中;TK-Means算法采用2015105516228,一种时序数据异常特征的挖掘系统及方法,其中,‘a’表示最频繁出现的特征,‘b’表示次频繁出现的特征,依此类推;出现概率小于给定阈值0.02的特征通通被表示为‘?’;空数据,即未记录数据的区间或者被删除的区间,则用‘#’来表示。
4.根据权利要求1所述时序系统多参数运行态势图形表示方法,其特征在于:所述的特征统计模块(1-3)的特征统计包括以下步骤:
2-1)取当前时间窗口上所有参数的数据;
2-2)取当前参数在当前窗口上的特征向量;
2-3)根据最近邻原则确定特征向量对应的特征字符,即当前参数在当前窗口上的特征字符;
2-4)判断是否所有参数都已经取得当前窗口上的特征字符;如果有参数没有取得特征字符,则转至步骤2-2重复执行上述过程直至所有参数在当前窗口上都已经取得特征字符;如果所有参数都已经取得当前窗口上的特征字符,则执行步骤2-5)
2-5)计算当前窗口上的概率p({a}),即当前窗口上参数特征字符为a的概率;
2-6)计算当前窗口上的概率p({a,b}),即当前窗口上参数特征字符为{a,b}之一的概率;
2-7)计算当前窗口上的概率p({a,b,c}),即当前窗口上参数特征字符为{a,b,c}之一的概率;
2-8)计算当前窗口上的概率p({a,b,c,d}),即当前窗口上参数特征字符为{a,b,c,d}之一的概率;
2-9)输出当前窗口时间和上述概率值;
其中,T表示特征字符集合,该集合内字符按照字母顺序排列;ci表示某个特征字符;p(T)表示出现该集合内特征字符的概率;L表示参数个数;sj表示某个参数;c(sj)表示某参数在当前窗口上的特征字符;δ[x]表示如果x成立则δ[x]取值为1,否则取值为0;在上式中当T分别取{a}、{a,b}、{a,b,c}、{a,b,c,d}、{a,b,c,d,*}、时,得到一系列的概率值;其中“*”表示d以后所有的特征字符,所以p({a,b,c,d,*})=1.0;
2-10)判断是否还有下一个窗口的数据;如果还有待处理的数据,则转至步骤2-1)重复执行直至所有数据都已经处理完得到该段内所有参数特征字符的概率分布。
5.根据权利要求1所述时序系统多参数运行态势图形表示方法,其特征在于:所述的图形表示模块(1-4)根据得到的一系列概率值,绘制出用不同颜色覆盖的曲线图,图中用不同颜色对应不同的特征字符集T,T依次取{a}、{a,b}、{a,b,c}、{a,b,c,d}、{a,b,c,d,*};画出相对应的线段,横坐标代表着时间窗口,纵坐标代表着概率值p(T);数据盲区用黑色区块表示;由于p({a})≤p({a,b})≤p({a,b,c})≤p({a,b,c,d})≤p({a,b,c,d,*}),所以最下面的曲线表示在某个窗口上参数特征字符是a的概率,即要求参数没有任何异常,系统运行态势一切正常的概率;从底向上第二条曲线表示在某个窗口上参数特征字符是a或者b的概率,即允许参数处于次常态,但是没有特别异常,系统运行态势基本正常的概率;从底向上第三条曲线表示在某个窗口上参数特征字符是{a,b,c}之一的概率,即允许参数出现一般异常,系统运行态势一般,允许包含一些问题的概率;从底向上第四条曲线表示在某个窗口上参数特征字符是{a,b,c,d}之一的概率,即允许参数出现较严重异常,允许系统运行态势较差的概率;显然,若第一条曲线越靠上即越接近1.0概率,则系统运行态势越正常;若所有曲线出现下行趋势即概率值随时间越来越小,则说明系统运行态势越来越恶化;反之,若曲线出现上行趋势,则说明系统运行态势越来越良好;若曲线基本稳定在一个水平线上,则说明系统运行态势稳定;曲线稳定的水平线越高,则系统运行态势越良好。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610814544.0A CN106649050B (zh) | 2016-09-09 | 2016-09-09 | 时序系统多参数运行态势图形表示方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610814544.0A CN106649050B (zh) | 2016-09-09 | 2016-09-09 | 时序系统多参数运行态势图形表示方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106649050A true CN106649050A (zh) | 2017-05-10 |
CN106649050B CN106649050B (zh) | 2019-03-12 |
Family
ID=58852101
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610814544.0A Expired - Fee Related CN106649050B (zh) | 2016-09-09 | 2016-09-09 | 时序系统多参数运行态势图形表示方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106649050B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107451346A (zh) * | 2017-07-21 | 2017-12-08 | 国网浙江省电力公司绍兴供电公司 | 一种电网运行态势模型构建方法 |
CN107464044A (zh) * | 2017-07-21 | 2017-12-12 | 国网浙江省电力公司绍兴供电公司 | 基于热点边缘提取的电网运行态势感知方法及系统 |
CN107506922A (zh) * | 2017-08-22 | 2017-12-22 | 国网浙江新昌县供电公司 | 基于茶叶品种的茶区临时变压器转接负荷切换模型 |
CN108197951A (zh) * | 2017-12-28 | 2018-06-22 | 广州美诚汇信息科技有限公司 | 一种化妆品许可责任履约监控平台及方法 |
CN108416022A (zh) * | 2018-03-07 | 2018-08-17 | 电信科学技术第五研究所有限公司 | 一种流式数据实时保真曲线绘制模型实现系统及方法 |
CN110032490A (zh) * | 2018-12-28 | 2019-07-19 | 中国银联股份有限公司 | 用于检测系统异常的方法及其装置 |
CN110674126A (zh) * | 2019-10-12 | 2020-01-10 | 珠海格力电器股份有限公司 | 得到异常数据的方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105205112A (zh) * | 2015-09-01 | 2015-12-30 | 西安交通大学 | 一种时序数据异常特征的挖掘系统及方法 |
CN105357063A (zh) * | 2015-12-14 | 2016-02-24 | 成都为帆斯通科技有限公司 | 一种网络空间安全态势实时检测方法 |
-
2016
- 2016-09-09 CN CN201610814544.0A patent/CN106649050B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105205112A (zh) * | 2015-09-01 | 2015-12-30 | 西安交通大学 | 一种时序数据异常特征的挖掘系统及方法 |
CN105357063A (zh) * | 2015-12-14 | 2016-02-24 | 成都为帆斯通科技有限公司 | 一种网络空间安全态势实时检测方法 |
Non-Patent Citations (3)
Title |
---|
WEI HU等: ""The Outliner Interval Detection Algorithms on Astronautical Time Series Data"", 《MATHEMATICAL PROBLEMS IN ENGINEERING》 * |
YU GAO等: ""An Unsupervised Anomaly Detection Approach for Spacecraft Based on Normal Behavior Clustering"", 《2012 FIFTH INTERNATIONAL CONFERENCE ON INTELLIGENT COMPUTATION TECHNOLOGY AND AUTOMATION》 * |
刘帆 等: ""一种基于时序形态的航天器动态模式提取方法"", 《飞行器测控学报》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107451346A (zh) * | 2017-07-21 | 2017-12-08 | 国网浙江省电力公司绍兴供电公司 | 一种电网运行态势模型构建方法 |
CN107464044A (zh) * | 2017-07-21 | 2017-12-12 | 国网浙江省电力公司绍兴供电公司 | 基于热点边缘提取的电网运行态势感知方法及系统 |
CN107506922A (zh) * | 2017-08-22 | 2017-12-22 | 国网浙江新昌县供电公司 | 基于茶叶品种的茶区临时变压器转接负荷切换模型 |
CN108197951A (zh) * | 2017-12-28 | 2018-06-22 | 广州美诚汇信息科技有限公司 | 一种化妆品许可责任履约监控平台及方法 |
CN108416022A (zh) * | 2018-03-07 | 2018-08-17 | 电信科学技术第五研究所有限公司 | 一种流式数据实时保真曲线绘制模型实现系统及方法 |
CN110032490A (zh) * | 2018-12-28 | 2019-07-19 | 中国银联股份有限公司 | 用于检测系统异常的方法及其装置 |
CN110674126A (zh) * | 2019-10-12 | 2020-01-10 | 珠海格力电器股份有限公司 | 得到异常数据的方法及系统 |
CN110674126B (zh) * | 2019-10-12 | 2020-12-11 | 珠海格力电器股份有限公司 | 得到异常数据的方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN106649050B (zh) | 2019-03-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106649050A (zh) | 时序系统多参数运行态势图形表示方法 | |
CN110008259A (zh) | 可视化数据分析的方法及终端设备 | |
CN104077407B (zh) | 一种智能数据搜索系统及方法 | |
CN109741112A (zh) | 一种基于移动大数据的用户购买意向预测方法 | |
CN106682835B (zh) | 一种数据驱动的复杂机电系统服役质量状态评估方法 | |
CN104636631A (zh) | 一种基于糖尿病系统大数据的糖尿病概率计算方法 | |
KR20190142375A (ko) | 인간참여형(human-in-the-loop) 인터랙티브 모델 훈련 | |
CN108734216A (zh) | 基于负荷曲线形态的电力用户分类方法、装置及存储介质 | |
CN108647730A (zh) | 一种基于历史行为共现的数据划分方法及系统 | |
Gu et al. | Application of fuzzy decision tree algorithm based on mobile computing in sports fitness member management | |
CN107590262A (zh) | 大数据分析的半监督学习方法 | |
US20080189238A1 (en) | Detecting and displaying exceptions in tabular data | |
CN110457595A (zh) | 突发事件报警方法、装置、系统、电子设备及存储介质 | |
CN113051317A (zh) | 一种数据探查方法和系统、数据挖掘模型更新方法和系统 | |
CN103493067B (zh) | 识别视频的字符的方法和装置 | |
CN102902614B (zh) | 一种动态监测及智能引导方法 | |
CN110310123A (zh) | 风险判断方法和装置 | |
CN109670015A (zh) | 数据分析方法、计算机可读存储介质及终端设备 | |
CN116881799A (zh) | 一种卷烟生产数据分类方法 | |
CN110909050A (zh) | 一种数据统计分析系统 | |
CN116738041A (zh) | 一种运动方案智能推荐方法、系统及电子设备 | |
CN116665305A (zh) | 基于计算机视觉和知识图谱的工人行为检测方法和系统 | |
CN115167965A (zh) | 交易进度条的处理方法及装置 | |
US8930362B2 (en) | System and method for streak discovery and prediction | |
CN117453805B (zh) | 一种不确定性数据的可视化分析方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20190312 |