CN108197845B - 一种基于深度学习模型lstm的交易指标异常的监测方法 - Google Patents

一种基于深度学习模型lstm的交易指标异常的监测方法 Download PDF

Info

Publication number
CN108197845B
CN108197845B CN201810169957.7A CN201810169957A CN108197845B CN 108197845 B CN108197845 B CN 108197845B CN 201810169957 A CN201810169957 A CN 201810169957A CN 108197845 B CN108197845 B CN 108197845B
Authority
CN
China
Prior art keywords
index
value
lstm
model
transaction
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.)
Active
Application number
CN201810169957.7A
Other languages
English (en)
Other versions
CN108197845A (zh
Inventor
李开宇
王月超
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Sichuan XW Bank Co Ltd
Original Assignee
Sichuan XW Bank Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Sichuan XW Bank Co Ltd filed Critical Sichuan XW Bank Co Ltd
Priority to CN201810169957.7A priority Critical patent/CN108197845B/zh
Publication of CN108197845A publication Critical patent/CN108197845A/zh
Application granted granted Critical
Publication of CN108197845B publication Critical patent/CN108197845B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • 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
    • G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • G06Q40/06—Asset management; Financial planning or analysis

Landscapes

  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Development Economics (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Game Theory and Decision Science (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Educational Administration (AREA)
  • Physics & Mathematics (AREA)
  • Operations Research (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Technology Law (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于深度学习模型LSTM的交易指标异常的监测方法，方法步骤包括：步骤1、采集交易指标历史数据并进行处理；步骤2、将步骤1处理后的历史数据训练拥有交易指标时间序列预判的LSTM模型；步骤3、通过步骤2的LSTM模型，计算指标正常区间浮动值；步骤4、通过步骤2的LSTM模型预测指标当前值，并根据步骤3的指标正常区间浮动值对指标实际值进行捕获异常。本发明通过深度学习模型LSTM预测时序指标，预测指标当前值更加准确，也使得非规律性时序指标的预判准确率大大提升，后续异常捕获也更加准确；结合LSTM模型预测的输出结果，通过残差拟合公式和逻辑回归模型算法计算正常区间浮动值，使得异常捕获更加精准，也提升了效率。

Description

一种基于深度学习模型LSTM的交易指标异常的监测方法
技术领域
本发明涉及交易指标异常的监测方法领域，具体涉及一种基于深度学习模型LSTM的交易指标异常的监测方法领域。
背景技术
现在的社会企业中，信息化程度越来越高，大数据的应用也越来越广泛。企业越来越多的信息可以通过数据来反应，这类数据往往称为指标；其中交易指标是金融企业十分关注的。不论是系统故障还是外部事件，如果对业务产生影响，最先都好在交易指标上有所表现；对交易指标进行异常监控，可以即时的发现问题、响应问题，提升业务稳定性，避免不必要的损失。
现有技术一般通过经典时间序列模型ARIMA与异常指标库建设，来完成对交易指标的监测。时序模型ARIMA负责建立数据随时间变化的对应关系；异常指标库则负责判断预测值与实际值是否属于异常，随着异常指标库建设不断完善，异常的判断也会被不断修正。
具体交易指标异常监测步骤如下：
1.采集某一交易指标的历史数据；
2.交易指标数据清洗、标准化；
3.训练时间序列模型ARIMA；
4.判断当前交易指标的值是否异常。
其中指标数据清洗，是将数据中的异常值如：NA、null或不符合模型训练的值，通过程序遍历并取出掉；同时对时间格式进行标准化，对指标数据做统一的标准处理，如相同时间间隔中，取数据的合计值、平均值或最大值等。
判断当前交易指标的值是否异常：一般是通过判断当前实际值是否在合理区间之内，如果在则无异常、如果不在区间内则有异常；而这个合理区间是根据时序模型的预测值与异常库指标库的值做参考，计算出来的。计算方式如下：预测值与实际值之间距离，简称当前比较距离，与历史预测值与异常点之间的距离，简称历史比较距离，进行比较，如果两个距离接近，或当前比较距离大于历史比较距离判断为异常。
现有的交易指标异常的监测方法，由于采用ARIMA模型，只能对于时序趋势十分有“规律”的指标判断准确；而对于规律不明显的指标的趋势判断容易出现失误；这样在指标异常捕获是容易出现异常捕获不准、捕获不到的情况。
同时，异常判断过程中，现有技术面临对历史异常信息的记录严重依赖；在没有异常记录的情况下，只能通过懂业务的人员，凭经验给出比较阀值，这样会增加很多人工工作量；而很多时候异常指标值覆盖不够全面或没有，导致异常捕获很容易失准。
发明内容
本发明的目的在于：解决现有检测方法异常捕获对非规律性时序指标判断易出现失误，以及异常捕获对历史异常信息记录依赖严重，无异常记录时需人工参与，容易导致异常指标值覆盖不全面导致异常捕获失准的问题，提供一种更通用，对有规律和无规律的时序指标异常捕获都有效，减少指标异常判断人工参与力度，高效且准确的基于深度学习模型LSTM的交易指标异常的监测方法。
本发明采用的技术方案如下：
一种基于深度学习模型LSTM的交易指标异常的监测方法，方法步骤包括：
步骤1、采集交易指标历史数据并进行处理；
步骤2、将步骤1处理后的历史数据训练拥有交易指标时间序列预判的LSTM模型；
步骤3、通过步骤2的LSTM模型，计算指标正常区间浮动值；
步骤4、通过步骤2的LSTM模型预测指标当前值，并根据步骤3的指标正常区间浮动值对指标实际值进行捕获异常。
进一步，所述步骤1采集交易指标历史数据的方式是将交易指标历史数据按照相同的时间间隔存储，每一条数据存储内容包括数值和时间。
进一步，所述步骤1处理交易指标历史数据是将交易指标历史数据进行清洗去掉数值的不正常值和将时间标准化为统一格式。
进一步，所述步骤2将处理后的历史数据训练拥有交易指标时间序列预判的LSTM模型是通过TensorFlow开源框架来构建LSTM模型参数。
进一步，所述步骤3还包括通过步骤2的LSTM模型得到多组指标预测结果步骤。
进一步，所述步骤3还包括结合多组指标预测结果，设计指标正常区间浮动值的计算方式步骤，指标正常区间浮动值的计算公式为残差拟合公式，使用的算法为LR逻辑回归算法和SVM模型拟合算法中的一种。
进一步，所述步骤4还包括指标当前值的上限和下限计算步骤，上限＝指标当前值+指标正常区间浮动值，下限＝指标当前值-指标正常区间浮动值，指标实际值如果在上限与下限之间，则不捕获异常，指标实际值如果不在上限与下限之间则捕获异常。
综上所述，由于采用了上述技术方案，本发明的有益效果是：
1、本发明中，通过深度学习模型LSTM预测时序指标，时序模型预测当前值更加准确，也使得非规律性时序指标的预判准确率大大提升，后续异常捕获也更加准确；
2、本发明中，结合LSTM模型预测的输出结果，设计指标正常区间浮动值的计算方式，通过残差拟合公式和逻辑回归模型算法计算正常区间浮动值，使得异常捕获更加精准，异常捕获传统方法准确率为52.77％，覆盖率为68.2％，本发明方法准确率为81.49％，覆盖率为76.11％，同时，节省了建设异常指标库所带来的人工分析的工作量，提升了效率。
附图说明
图1为本发明方法流程图；
图2为本发明训练LSTM模型构建模型参数框架图；
图3为本发明ARIMA模型预测值效果图；
图4为本发明LSTM模型预测值效果图；
图5为本发明异常指标捕获提升效果图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
一种基于深度学习模型LSTM的交易指标异常的监测方法，方法步骤为：
步骤1、采集交易指标历史数据并进行处理，具体为：
将某一指标数据，按照相同的时间间隔如：1分钟或5分钟，存储到文本或数据库中，每一条数据存储记录为：数值、时间；
将采集存储的交易指标历史数据，进行清洗，去掉数值不正常的值，如NA、null、或者不符合业务逻辑的值等，比如：负值；同时将时间处理为统一格式：yyyy-MM-dd HH：mm：ss。
步骤2、将步骤1处理后的历史数据训练拥有交易指标时间序列预判的LSTM模型，具体为：
将清洗后的历史数据训练LSTM模型，通过TensorFlow开源框架，构建模型参数如图2所示，其中data为历史数据，batch_size为组大小、window_size为窗口大小，理解为模型训练，每次随机抽取batch_size个序列进行训练，每个序列长度为window_size，num_features＝1表示单变量时间序列，即每个时间点上观察到的量只是一个单独的数值。num_units＝128表示使用隐层为128大小的LSTM模型。LSTM模型可以使用CNN模型，如AR模型替换，但LSTM模型是最佳方式，CNN模型可能导致时序预测的准确率会略有下降。
步骤3、通过步骤2的LSTM模型，计算指标正常区间浮动值，具体为：
使用上一步训练的LSTM时序模型，在测试集历史数据中随机抽取长度为1200序列数据，以前1000预测未来的200，得到多组指标预测结果：预测值、预测值概率以及预测值与实际值之间绝对值；结合多组指标预测结果设计残差拟合公式：绝对值差值＝(1+预测概率)*波动距离+偏移量权重*5，通过LR逻辑回归模型算法，拟合上述多组数据得到“波动距离”与“偏移量权”即为正常区间浮动值。设计残差拟合公式使用的算法为LR逻辑回归模型算法，也可使用SVM模型拟合算法。
步骤4、通过步骤2的LSTM模型预测指标当前值，根据步骤3的指标正常区间浮动值对指标实际值进行捕获异常，具体为：
通过LSTM模型预测指标当前值，并根据步骤3的正常区间浮动值计算当前值的上限和下限，上限＝指标当前值+指标正常区间浮动值，下限＝指标当前值-指标正常区间浮动值。指标实际值如果在上限与下限之间，则不捕获异常，指标实际值如果不在上限与下限之间则捕获异常。
本发明通过深度学习模型LSTM预测时序指标，预测当前值更加准确，效果对比图如图3、图4所示，同时使得非规律性时序指标的预判准确率大大提升，后续异常捕获也更加准确。
本发明通过残差拟合公式计算出来的正常区间浮动值，使得异常捕获更加精准的同时，节省了建设异常指标库所带来的人工分析的工作量，提升了效率，异常指标捕获效果明显，提升效果如图5所示。
技术术语的名词解释：
模型RNN：RNNs的目的使用来处理序列数据。在传统的神经网络模型中，是从输入层到隐含层再到输出层，层与层之间是全连接的，每层之间的节点是无连接的。但是这种普通的神经网络对于很多问题却无能无力。即一个序列当前的输出与前面的输出也有关。具体的表现形式为网络会对前面的信息进行记忆并应用于当前输出的计算中，即隐藏层之间的节点不再无连接而是有连接的，并且隐藏层的输入不仅包括输入层的输出还包括上一时刻隐藏层的输出。
模型LSTM：长短期记忆模型即long-short term memory，是一种特殊的RNN模型，是为了解决RNN模型梯度弥散的问题而提出的；在传统的RNN中，训练算法使用的是BPTT，当时间比较长时，需要回传的残羞会指数下降，导致网络权重更新缓慢，无法体现出RNN的长期记忆的效果，因此需要一个存储单元来存储记忆，因此LSTM模型被提出。
LR逻辑回归模型：广义线性回归是探索“响应变量的期望”与“自变量”的关系，以实现对非线性关系的某种拟合。这里面涉及到一个“连接函数”和一个“误差函数”，“响应变量的期望”经过连接函数作用后，与“自变量”存在线性关系。选取不同的“连接函数”与“误差函数”可以构造不同的广义回归模型。当误差函数取“二项分布”而连接函数取“logit函数”时，就是常见的“logistic回归模型”，在0-1响应的问题中得到了大量的应用。
时间序列或称动态数列：是指将同一统计指标的数值按其发生的时间先后顺序排列而成的数列。时间序列分析的主要目的是根据已有的历史数据对未来进行预测。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种基于深度学习模型LSTM的交易指标异常的监测方法，其特征在于：方法步骤包括：
步骤1、采集交易指标历史数据并进行处理；
步骤2、将步骤1处理后的历史数据训练拥有交易指标时间序列预判的LSTM模型；
步骤3、通过步骤2的LSTM模型，计算指标正常区间浮动值；其具体过程为：
使用步骤2训练的LSTM模型，在测试集历史数据中随机抽取长度为1200序列数据，以前1000预测未来的200，得到多组指标预测结果：预测值、预测值概率以及预测值与实际值之间绝对值；结合多组指标预测结果设计残差拟合公式：绝对值差值＝(1+预测概率)*波动距离+偏移量权重*5，通过LR逻辑回归模型算法，拟合上述多组数据得到“波动距离”与“偏移量权”即为正常区间浮动值；
步骤4、通过步骤2的LSTM模型预测指标当前值，并根据步骤3的指标正常区间浮动值对指标实际值进行捕获异常。
2.根据权利要求1所述的一种基于深度学习模型LSTM的交易指标异常的监测方法，其特征在于：所述步骤1采集交易指标历史数据的方式是将交易指标历史数据按照相同的时间间隔存储，每一条数据存储内容包括数值和时间。
3.根据权利要求2所述的一种基于深度学习模型LSTM的交易指标异常的监测方法，其特征在于：所述步骤1处理交易指标历史数据是将交易指标历史数据进行清洗去掉数值的不正常值和将时间标准化为统一格式。
4.根据权利要求1所述的一种基于深度学习模型LSTM的交易指标异常的监测方法，其特征在于：所述步骤2将处理后的历史数据训练拥有交易指标时间序列预判的LSTM模型是通过TensorFlow开源框架来构建LSTM模型参数。
5.根据权利要求1所述的一种基于深度学习模型LSTM的交易指标异常的监测方法，其特征在于：所述步骤3还包括通过步骤2的LSTM模型得到多组指标预测结果步骤。
6.根据权利要求5所述的一种基于深度学习模型LSTM的交易指标异常的监测方法，其特征在于：所述步骤3还包括结合多组指标预测结果，设计指标正常区间浮动值的计算方式步骤，指标正常区间浮动值的计算公式为残差拟合公式，使用的算法为LR逻辑回归算法和SVM模型拟合算法中的一种。
7.根据权利要求1所述的一种基于深度学习模型LSTM的交易指标异常的监测方法，其特征在于：所述步骤4还包括指标当前值的上限和下限计算步骤，上限＝指标当前值+指标正常区间浮动值，下限＝指标当前值-指标正常区间浮动值，指标实际值如果在上限与下限之间，则不捕获异常，指标实际值如果不在上限与下限之间则捕获异常。
CN201810169957.7A 2018-02-28 2018-02-28 一种基于深度学习模型lstm的交易指标异常的监测方法 Active CN108197845B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810169957.7A CN108197845B (zh) 2018-02-28 2018-02-28 一种基于深度学习模型lstm的交易指标异常的监测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810169957.7A CN108197845B (zh) 2018-02-28 2018-02-28 一种基于深度学习模型lstm的交易指标异常的监测方法

Publications (2)

Publication Number Publication Date
CN108197845A CN108197845A (zh) 2018-06-22
CN108197845B true CN108197845B (zh) 2022-03-18

Family

ID=62594316

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810169957.7A Active CN108197845B (zh) 2018-02-28 2018-02-28 一种基于深度学习模型lstm的交易指标异常的监测方法

Country Status (1)

Country Link
CN (1) CN108197845B (zh)

Families Citing this family (25)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109672795B (zh) * 2018-11-14 2022-03-11 平安科技（深圳）有限公司 呼叫中心资源管理方法及装置、电子设备、存储介质
CN109583729B (zh) * 2018-11-19 2023-06-20 创新先进技术有限公司 用于平台在线模型的数据处理方法和装置
CN109919744B (zh) * 2018-11-23 2023-01-10 创新先进技术有限公司 基于神经网络的检测方法以及装置
CN109615226B (zh) * 2018-12-12 2020-12-29 焦点科技股份有限公司 一种运营指标异常监测方法
CN109659035A (zh) * 2018-12-13 2019-04-19 平安医疗健康管理股份有限公司 基于机器学习的就诊数据异常识别方法、设备及存储介质
CN109636421A (zh) * 2018-12-13 2019-04-16 平安医疗健康管理股份有限公司 基于机器学习的就诊数据异常识别方法、设备及存储介质
CN109615012A (zh) * 2018-12-13 2019-04-12 平安医疗健康管理股份有限公司 基于机器学习的就诊数据异常识别方法、设备及存储介质
CN109685671A (zh) * 2018-12-13 2019-04-26 平安医疗健康管理股份有限公司 基于机器学习的就诊数据异常识别方法、设备及存储介质
CN110770753B (zh) * 2019-03-15 2023-05-09 香港应用科技研究院有限公司 高维数据实时分析的装置和方法
CN110084610B (zh) * 2019-04-23 2023-06-23 东华大学 一种基于孪生神经网络的网络交易欺诈检测系统
CN110880128A (zh) * 2019-10-31 2020-03-13 支付宝(杭州)信息技术有限公司 异常信息挖掘方法、装置、系统及终端设备
CN110874744B (zh) * 2019-11-18 2022-08-02 中国银联股份有限公司 一种数据异常检测方法及装置
CN111125195B (zh) * 2019-12-25 2023-09-08 亚信科技（中国）有限公司 一种数据异常检测方法及装置
CN111178456B (zh) * 2020-01-15 2022-12-13 腾讯科技（深圳）有限公司 异常指标检测方法、装置、计算机设备和存储介质
CN111382020A (zh) * 2020-03-06 2020-07-07 中国工商银行股份有限公司 交易流量监控方法及系统
CN111566684B (zh) * 2020-04-13 2022-05-27 支付宝(杭州)信息技术有限公司 用于优化广告的用户分组的方法和系统
CN111460005B (zh) * 2020-04-22 2021-08-13 北京工业大学 一种基于jsd的时序数据的离群点检测方法
CN111798263A (zh) * 2020-05-22 2020-10-20 北京国电通网络技术有限公司 一种交易趋势的预测方法和装置
CN112799709B (zh) * 2021-01-29 2024-04-12 中国工商银行股份有限公司 一种针对云上容器灰度发布的性能、交易验证方法及装置
CN113159790A (zh) * 2021-05-19 2021-07-23 中国银行股份有限公司 一种异常交易识别方法和装置
CN113419934B (zh) * 2021-06-18 2022-07-08 南瑞集团有限公司 一种基于回归预测的kpi指标多元异常监测方法
CN113886917B (zh) * 2021-09-30 2022-05-03 电子科技大学 基于cnn-lstm模型的铁路沿线区域地面沉降预测预警方法
CN114615051A (zh) * 2022-03-09 2022-06-10 黄河水利职业技术学院 一种网络安全检测方法和系统
CN115099371B (zh) * 2022-08-24 2022-11-29 广东粤港澳大湾区硬科技创新研究院 一种lstm异常检测方法、装置、设备及存储介质
CN117455666A (zh) * 2023-10-16 2024-01-26 厦门国际银行股份有限公司 一种基于神经网络的交易技术指标预测方法、装置及设备

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105976077A (zh) * 2016-03-04 2016-09-28 国家电网公司 一种输变电工程造价动态控制目标计算系统及计算方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10453142B2 (en) * 2009-02-11 2019-10-22 Johnathan Mun System and method for modeling and quantifying regulatory capital, key risk indicators, probability of default, exposure at default, loss given default, liquidity ratios, and value at risk, within the areas of asset liability management, credit risk, market risk, operational risk, and liquidity risk for banks
US20120330719A1 (en) * 2011-05-27 2012-12-27 Ashutosh Malaviya Enhanced systems, processes, and user interfaces for scoring assets associated with a population of data
CN107102969A (zh) * 2017-04-28 2017-08-29 湘潭大学 一种时间序列数据的预测方法和系统
CN107292383B (zh) * 2017-07-06 2019-12-03 郑保宁 基于深度学习算法与混合整数线性规划相结合的水质波动区间预测方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105976077A (zh) * 2016-03-04 2016-09-28 国家电网公司 一种输变电工程造价动态控制目标计算系统及计算方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于自适应权重的面板数据聚类方法;李因果等;《系统工程理论与实践》;20130215(第02期);118-125 *
我国上市公司信用风险评价和度量——基于面板数据Logit模型的实证分析;唐亮等;《工业技术经济》;20110225;第30卷(第02期);140-147 *

Also Published As

Publication number Publication date
CN108197845A (zh) 2018-06-22

Similar Documents

Publication Publication Date Title
CN108197845B (zh) 一种基于深度学习模型lstm的交易指标异常的监测方法
CN109033450B (zh) 基于深度学习的电梯设备故障预测方法
CN111046564B (zh) 两阶段退化产品的剩余寿命预测方法
CN110335168B (zh) 基于gru优化用电信息采集终端故障预测模型的方法及系统
CN111461551B (zh) 一种基于深度学习和spc准则的电潜泵故障预警方法
CN117235649B (zh) 一种基于大数据的工业设备状态智能监测系统及方法
Wan et al. Economic design of an integrated adaptive synthetic chart and maintenance management system
CN115454778A (zh) 大规模云网络环境下的时序指标异常智能监控系统
US20230019404A1 (en) Data Processing for Industrial Machine Learning
CN116457802A (zh) 利用未被标记的传感器数据对工业系统中的罕见故障的自动实时检测、预测和阻止
CN115758908A (zh) 一种基于深度学习的报警泛滥情况下的报警在线预测方法
WO2020036851A1 (en) Optimizing accuracy of machine learning algorithms for monitoring industrial machine operation
CN113780986A (zh) 一种用于软件研发过程的度量方法、系统、设备和介质
CN105741184B (zh) 一种变压器状态评估方法及装置
CN109472449B (zh) 基于群决策的城市轨道交通信号设备健康状态评价方法
CN112347069B (zh) 一种基于制造大数据的制造企业预测型维修服务方法
CN114779739A (zh) 基于概率图模型的云边端协同下工业过程的故障监测方法
CN114943328A (zh) 基于bp神经网络非线性组合的sarima-gru时序预测模型
CN115858606A (zh) 时序数据的异常检测方法、装置、设备及存储介质
D’Orazio Some Approaches to Outliers’ Detection in R
CN110990236A (zh) 一种基于隐马尔科夫随机场的SaaS软件性能问题识别方法
CN109978038A (zh) 一种集群异常判定方法及装置
Purmala et al. Analysis of machine repair time prediction using machine learning at one of leading footwear manufacturers in Indonesia
Bai Network Equipment Fault Maintenance Decision System Based on Bayesian Decision Algorithm
CN117453489A (zh) 一种检测方法、装置、电子设备及存储介质

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