CN111130840A - 无人值守服务中心管理方法、系统、介质及电子设备 - Google Patents

Abstract

本发明的实施例提供了无人值守服务中心管理方法、系统、设备及存储介质，其在检测到与无人值守服务中心关联的监控指标中一个或多个的当前值超过预设的预警阈值时，从区块链中获取训练好的故障分类器来判断可能出现的故障类型，并基于故障分类器输出的故障类型生成预警通知；同时将当前检测到的各个监控指标及所述故障分类器输出的故障类型作为故障案例样本保存至区块链中。本发明实施例的技术方案可自动识别无人值守服务中心可能发生的服务故障，及时对相关系统维护人员提供准确的预警信息，保证了无人值守服务中心的可靠运行。

Description

无人值守服务中心管理方法、系统、介质及电子设备

技术领域

本发明涉及区块链技术，尤其涉及基于区块链的无人值守服务中心管理方法、系统、存储介质及电子设备。

背景技术

随着人工智能、互联网、智能监控等技术的发展，无人值守模式已在许多工业行业中得到应用，越来越多企业或机构开始采用无人值守的自助服务中心来为客户提供24小时服务，不仅能节省人力成本，而且给客户带来了更多便利性。在无人值守场景中很重要的一点就是要保证安全可靠，即保证无人值守服务中心的各种自助终端设备能正常运行，能可靠地为客户提供服务，并保证客户信息的安全。通常在无人值守服务中心都会安装有远程监控设备，由监控系统对各自助终端设备的相关数据进行实时采集，并安排专人定期检查维护等。但还是会出现在检测到故障时，维护人员不能及时赶到现场的情况，或者维护人员到了现场，但是没有携带与特定故障相关的部件而不得不多次往返的情况。这不仅加重了系统维护的负担，而且还延迟了自助服务终端恢复正常的时间，从而导致无人值守服务中心便利性大打折扣。

发明内容

因此，本发明实施例的目的在于提供一种基于区块链的无人值守服务中心管理方法、系统、介质及电子设备，自动识别无人值守服务中心可能发生的服务故障，及时对相关系统维护人员提供准确的预警信息，以提前排除故障，尽量保证无人值守服务中心的可靠运行。

上述目的是通过以下技术方案实现的：

根据本发明实施例的第一方面，提供了一种无人值守服务中心管理方法，包括：响应于检测到与无人值守服务中心关联的监控指标中的一个或多个的当前值超过预设的预警阈值，从区块链中获取训练好的故障分类器，其中所述故障分类器是基于区块链中保存的多个故障案例样本作为样本集来训练的；以当前检测的与该无人值守服务中心关联的监控指标构建特征向量作为所述故障分类器的输入，基于所述故障分类器输出的故障类型生成预警通知；以及以当前检测到的与该无人值守服务中心关联的监控指标及所述故障分类器输出的故障类型构建故障案例样本并保存至区块链中。

在本发明的一些实施例中，该方法还可包括响应于新故障案例样本记入区块链中或者定期地重新训练所述故障分类器。

在本发明的一些实施例中，所述故障分类器可以采用多分类支持向量机模型或神经网络分类器。

在本发明的一些实施例中，该方法还可包括将所生成的预警通知发送至与该无人值守服务中心关联的维护方的终端设备，以指示其按照预警通知中包含的故障类型准备维护工作。

在本发明的一些实施例中，该方法还可包括：将对于无人值守服务中心实时采集的监测信息保存至区块链中；以及基于所述实时采集的监测信息确定与该无人值守服务中心关联的监控指标的当前值。

在本发明的一些实施例中，其中所述故障案例样本可以包括发生该故障案例时与无人值守服务中心关联的监控指标、无人值守服务中心的位置、发生该故障案例的当前时间信息以及为该故障案例标注的故障类型。

在本发明的一些实施例中，所述故障分类器的训练是由具有特定权限的区块链节点来完成的；以及该方法仅允许来自该特定权限的区块链节点的故障分类器对应的模型参数记入区块链中。

根据本发明实施例的第二方面，还提供了一种无人值守服务中心管理系统，包括分类模型训练装置和与无人值守服务中心关联的监控服务器。其中监控服务器用于：响应于检测到与无人值守服务中心关联的监控指标中的一个或多个的当前值超过预设的预警阈值，从区块链中获取训练好的故障分类器；以当前检测的与该无人值守服务中心关联的监控指标构建特征向量作为所述故障分类器的输入，基于所述故障分类器输出的故障类型生成预警通知；以及将当前检测到的与该无人值守服务中心关联的监控指标及所述故障分类器输出的故障类型作为故障案例样本保存至区块链中。所述分类模型训练装置用于基于区块链中保存的多个故障案例样本作为样本集来训练所述故障分类器，以及将训练好的故障分类器对应的模型参数保存至区块链中。

根据本发明实施例的第三方面，提供了一种计算机可读存储介质，其上存储有计算机程序，所述程序被执行时实现如上述实施例第一方面所述的无人值守服务中心管理方法。

根据本发明实施例的第四方面，提供了一种电子设备，包括处理器和存储器，其中存储器用于存储可执行指令；所述处理器被配置为经由执行所述可执行指令来实现如上述实施例中第一方面所述的无人值守服务中心管理方法。

本发明实施例提供的技术方案可以包括以下有益效果：

通过区块链上存储的信息跟踪多个无人值守服务中心出现的故障案例的历史数据，自动识别无人值守服务中心可能发生的服务故障，及时对相关系统维护人员提供准确的预警信息，以提前排除故障，尽量保证无人值守服务中心的可靠运行，并减轻了系统维护负担，改善了管理效率。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本发明。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

在附图中：

图1为根据本发明一个实施例的无人值守服务中心管理方法的流程示意图。

图2示出了根据本发明一个实施例的无人值守服务中心管理系统的结构示意图。

图3示出了根据本发明又一个实施例的无人值守服务中心管理系统的结构示意图。

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，以下结合附图通过具体实施例对本发明进一步详细说明。应当理解，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动下获得的所有其他实施例，都属于本发明保护的范围。

此外，所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中，提供许多具体细节从而给出对本发明的实施例的充分理解。然而，本领域技术人员将意识到，可以实践本发明的技术方案而没有特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知方法、装置、实现或者操作以避免模糊本发明的各方面。

附图中所示的方框图仅仅是功能实体，不一定必须与物理上独立的实体相对应。即，可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。

附图中所示的流程图仅是示例性说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解，而有的操作/步骤可以合并或部分合并，因此实际执行的顺序有可能根据实际情况改变。

图1给出了根据本发明一个实施例的无人值守服务中心管理方法的流程示意图。概况而言，该方法包括：S101，响应于检测到与无人值守服务中心关联的监控指标中的一个或多个的当前值超过预设的预警阈值，从区块链中获取训练好的故障分类器；S102，基于当前检测的与该无人值守服务中心关联的监控指标构建特征向量作为所述故障分类器的输入，基于所述故障分类器输出的故障类型生成预警通知；S103，以当前检测到的与该无人值守服务中心关联的监控指标及所述故障分类器输出的故障类型构建故障案例样本并保存至区块链中。该方法的执行主体可以是服务器或用于进行无人值守服务中心管理的任何一个或多个计算装置及其组合。

更具体地，在步骤S101，响应于检测到与无人值守服务中心关联的监控指标中的一个或多个的当前值超过预设的预警阈值，从区块链中获取训练好的故障分类器。如上文介绍的，通常在无人值守服务中心都会安装有远程监控设备，由监控系统对各自助终端设备的相关数据进行实时采集。以自助收据打印终端为例，通常可以通过设置的相应传感器部件检测打印纸的剩余量或使用量、墨的使用量、检测电源使用量或剩余量、统计收据打印次数的计数器等等。在获取到实时采集的数据之后，可以就这些采集的数据来确定与无人值守服务中心关联的各个监控指标的当前值。监控指标的类型和数量可以根据实际需求来设置，例如可以根据无人值守服务中心可能会发生的故障类型来设置一个或多个监控指标。仍以提供自助收据打印终端为例，经常会出现由于纸用完或墨用完而无法打印收据、或者由于电力不够而停止工作等故障，因此其监控指标可以设置为纸的剩余量、墨的剩余量、电源的剩余量等等。这样，通过这些监控指标识别出具体故障类型后，可以及时通知维护人员携带纸、墨或电池到相应的无人值守服务中心进行维护。应理解，上述监控指标和故障类型仅是举例说明，很多故障并非仅仅与某个监控指标有关，而是可能与多个监控指标有关，由此有时需要综合多个监控指标才能发现潜在的故障。

如上文提到的，等到发生故障后才派维修人员去维护延迟了自助服务终端恢复正常的时间，导致无人值守服务中心便利性大打折扣。因此，在该实施例中为每个监控指标设置了相应的预警阈值，当一个或多个监控指标的当前值超过了该预警阈值时，及时通过训练好的故障分类器来预测可能会发生的故障，从而及时生成预警通知。仍以自助收据打印终端为例，当检测打印纸的剩余量以及达到或低于设定的预警阈值时，需要进行故障预测。虽然此时的自助收据打印终端还可以正常运行，但有可能会出现缺纸故障，该缺纸故障并非仅与纸的剩余量有关，还与当前时间段收据打印次数有关。如果当前时间为深夜，该自助收据打印终端几乎很少被使用，那么出现缺纸故障的可能性就很小，没必要在深夜发出预警通知。而如果当前时间为比较忙碌的上午工作时间，通过计数器统计的一段时间内收据打印次数非常多，则出现缺纸故障的可能性就很大。因此，在本发明的实施例中采用预先训练好的故障分类器综合多个监控指标来预测可能发生的故障类型。优选地，该故障分类器的输入除了包括上文提到的与无人值守服务中心关联的各个监控指标之外，还可以包括监控指标的当前采集时间以及无人值守服务中心的位置。这是因为哪些时间打印收据比较频繁，哪些时间打印收据比较少可能会与无人值守服务中心的位置有关。例如，如果该无人值守服务中心位于居民区，则可能是下班后的时间段使用频繁，如果位于写字楼，则可能是工作时间或午休时间使用比较频繁。

在该实施例中，用于训练故障分类器的样本集包括多个故障案例样本，这些故障案例样本可以是从多个不同位置甚至是不同机构的无人值守服务器中心收集的曾发生的故障案例。每个故障案例样本至少包括发生该故障案例时与无人值守服务中心关联的监控指标以及为该故障案例标注的故障类型。在优选的实施例中，每个故障案例样本可包括发生该故障案例时与无人值守服务中心关联的监控指标、无人值守服务中心的位置、发生该故障案例的当前时间信息以及为该故障案例标注的故障类型。这样可以将监控指标与无人值守服务中心的位置和使用时间段相结合来更准确地预测故障。在已经设定好可能发生的故障类型和已标注故障类型的多个故障案例样本的情况下，可以采用多种分类方法来训练故障分类器。例如可以采用诸如多分类支持向量机、神经网络分类器等分类器模型来基于当前输入识别会发生哪种类型的故障。

继续参考图1，在步骤S102，以当前检测的与该无人值守服务中心关联的监控指标构建特征向量作为所述故障分类器的输入，基于所述故障分类器输出的故障类型生成预警通知。在利用当前检测的与该无人值守服务中心关联的监控指标构建特征向量时，所构建的特征向量应于训练故障分类器是使用的样本集中特征向量相一致。例如，在包括发生该故障案例时与无人值守服务中心关联的监控指标和为该故障案例标注的故障类型的故障案例样本训练故障分类器的实施例中，直接以当前检测的与该无人值守服务中心关联的各个监控指标构建特征向量即可。而在故障案例样本还包括无人值守服务中心的位置和使用时间段的实施例中，所构建的特征向量除了包括与无人值守服务中心关联的各个监控指标之外，还包括该无人值守服务中心的位置、采集各监控指标相关数据的当前时间信息。在通过训练好的故障分类器识别出可能发生的故障类型之后，可以生成预警通知。例如，可以将所生成的预警通知发送至与该无人值守服务中心关联的维护方的终端设备，以指示其按照预警通知中包含的故障类型准备维护工作。

下面以无人值守的保险服务中心为例对上述训练过程进行举例说明，通常在该无人值守保险服务中心部署的ATM自动服务机具有语音服务导航、保单查询、保单打印以及保全处理等功能。在训练故障分类器之前，需要设定好可能发生的故障类型。例如，针对语音服务导航功能，ATM自助服务机可能发生的故障包括：语音服务器故障F1、语音传输网络拥堵F2、声音传感器故障F3等；针对保单查询功能，可能发生的故障包括：保单查询服务器服务队列拥堵F4、保单查询服务器数据存储磁盘故障F5、保单个人信息未及时更新F6；针对保单打印功能，可能发生的故障包括：打印机连接故障F7、打印机电源故障F8，打印机墨粉缺失F9；针对保全处理功能，可能发生的故障包括：触摸屏故障F10(操作按键无反应，处理卡顿)。由此可设定针对无人值守保险服务中心可能发生10种故障类型，即F1-F10。训练集中的故障案例样本为标注有这10中故障类型的其中之一的故障案例，每个故障案例中还包括发生该故障案例的无人值守保险服务中心的位置x1，发生该故障案例的时间x2，语音服务器运行状态x3，网络传输状态x4，声音传感器信号是否正常x5，语音是否卡顿x6，保单查询服务器运行状态x7，数据存储磁盘工作状态x8，打印机工作状态x9，触摸屏操作响应状态x10等特征，将各个特征值进行量化、分级化或归一化预处理后，可形成特征向量X＝[x1,x2,...,x10]。这样，样本集中N个故障案例的特征向量组成特征矩阵M＝[X1；X2；...；XN]。假定从1到10分别对上文确定的无人值守保险服务中心可能发生的10种故障进行编码，根据相对应的编码值，对每一个故障案例进行故障类型标注。样本集中N个故障案例的标注值组成目标向量label。选择SVM模型作为分类器，以特征矩阵M作为模型输入，以对应的标签向量label作为模型输出，对模型进行训练得到对应模型参数。这样，当被监测的无人值守保险服务中心实时获取监测数据，基于获取的数据提取与故障训练分类器对应的特征x1,x3,x4,x5,x6,x7,x8,x9,x10，若x3至x10中有任意一个或多个特征发生状态异常(比如语音卡顿，传输网络拥堵，声音传感器信号异常等)，则将由提取的特征x1-x10构成的特征向量输入训练好的故障分类器进行故障识别，该故障分类器的输出即为故障识别结果(发生某类特定故障)，并发出预警给相关系统维护人员。

继续参考图1，在获得故障分类器识别的故障类型之后，在步骤S103，基于当前检测到的与该无人值守服务中心关联的监控指标及所述故障分类器输出的故障类型构建故障案例样本并保存至区块链中，以供后续训练使用。优选地，可以在收到来自维护方对于在步骤S102识别的故障类型的确认信息后，再执行步骤S103，从而保证所记录的故障案例样本的准确性。

在本发明的实施例中，从无人值守服务中心实时采集的数据、所确定的监控指标的具体值、用于训练故障分类器的故障案例样本、训练好的故障分类器对应的模型参数等信息都通过区块链来保存，以保证信息的真实安全和可靠性。区块链采用分布式记账方式，每次交易只有被记账者计入区块链中才算是生效。交易记账由区块链网络中多个节点共同完成，每一个节点都记录的是完整的账目，每一个节点在参与记录的同时也来验证其他节点记录结果的正确性。只有当区块链网络中大部分节点都同时认为这个记录正确时，或者所有参与记录的节点都比对结果一致通过后，记录的真实性才能得到全网认可，记录数据才允许上链。使用者可使用账户通过区块链进行各种交易操作，通过具有记账权的节点将与交易相关的数据和信息打包存入区块链中。区块链是按照时间顺序将数据区块以顺序相连的方式组合成的链式数据结构，并以密码学方式保证了不可篡改和不可伪造。因此，通过多个节点构成的区块链网络来存储信息，可确保信息可追溯且不易篡改，解决了进行无人值守服务中心管理操作的多方之间的信任问题。

在一些实施例中，该方法还可包括响应于新故障案例样本记入区块链中或者定期地重新训练故障分类器，从而通过在更多的更新的样本案例上进行训练来保证故障分类器的时效性和准确性。在又一些实施例中，对于故障分类器的训练是由具有特定权限的指定设备或区块链节点来完成的；也仅允许将来自该特定权限的指定设备或区块链节点的故障分类器对应的模型参数记入区块链中，从而进一步保证系统安全和可靠性。

图2给出了根据本发明一个实施例的无人值守服务中心管理系统200的结构示意图。如图2所示，该系统200包括与无人值守服务中心关联的监控服务器201和分类模型训练装置202。尽管该框图以功能上分开的方式来描述组件，但这样的描述仅为了说明的目的。明显地，在图中描绘的组件可以任意地进行组合或被分为独立的软件、固件和/或硬件组件。而且，显然无论这样的组件是如何被组合或划分的，它们都可以在同一主机或多个主机上执行，其中多个主机可以是由一个或多个网络连接。

其中监控服务器201采用如上文结合图1所述的方法响应于检测到与无人值守服务中心关联的监控指标中的一个或多个的当前值超过预设的预警阈值，从区块链中获取训练好的故障分类器；以当前检测的与该无人值守服务中心关联的监控指标构建特征向量作为故障分类器的输入，基于该故障分类器输出的故障类型生成预警通知；以及将当前检测到的与该无人值守服务中心关联的监控指标及该故障分类器输出的故障类型作为故障案例样本保存至区块链中。分类模型训练装置202采用如上文结合图1所述的训练过程，基于区块链中保存的多个故障案例样本作为样本集来训练所述故障分类器，以及将训练好的故障分类器对应的模型参数保存至区块链中，在此不再赘述。

图3给出了根据本发明又一个实施例的无人值守服务中心管理系统300的结构示意图。如图3所示，该系统300包括区块链网络构建子系统301、信息存储子系统302、故障管理子系统303。下面是对每个子系统功能的具体介绍。

区块链网络构建子系统301用于选择区块链节点及构建区块链网络。例如，以公司基层营业机构用于监控其下属无人值守服务中心的监控服务器为最小节点，或者也可以是以每个无人值守服务中心作为区块链的最小节点，一个或多个集团/公司参与无人值守服务中心管理的各设备或装置共同构建区块链网络。在区块链网络节点至少可分为两类节点：普通节点和记账节点，其中普通节点可供使用者进行交易事务、查询和接收来自区块链的信息；记账节点用于将与交易相关的数据和信息打包存入区块链中，其上存储有区块链的完整副本，可验证交易的有效性、对交易进行确认、发布和传播交易以及创建新区块。在构建区块链网络时，可以在企业内部各基层营业机构设定或配置上述两类区块链节点来构建企业内部区块链网络。或者可以在多个企业或组织结构设定或配置上述两类区块链节点来构建用于进行无人值守服务中心管理的区块链网络。在优选的实施例中，在所构建的区块链中可以设置具有特定权限的节点来训练故障分类器，并且也仅允许将来自该特定权限的指定设备或区块链节点的故障分类器对应的模型参数记入区块链中，从而进一步保证系统安全和可靠性。在一些实施例中，该用于训练故障分类器的节点还可以响应于新故障案例样本记入区块链中或者定期地重新训练故障分类器，从而通过在更多的更新的样本案例上进行训练来保证故障分类器的时效性和准确性。

信息存储子系统302用于将从无人值守服务中心实时采集的数据、所确定的监控指标的具体值、用于训练故障分类器的故障案例样本、训练好的故障分类器对应的模型参数等信息以交易信息的形式存储至区块链中。仍以上文提到的无人值守保险服务中心为例，可以通过类似如表1所示的数据结构来存储无人值守保险服务器中心故障案例

表1

在表1所示的数据结构中，由于故障案例相关的一些信息材料或证明材料等有时会包括一些图像、文档等数据量比较大的信息，因此为了提高存储效率和解决区块信息过大的问题，在本发明的实施例中，可以将诸如文档、图像、视频等形式的材料以链接的形式存放在区块中，这个链接的值是通过哈希函数对材料进行加密得到的哈希值，比如SHA1等，这种通过哈希函数得到的指针链接的方式能够保证内容不可篡改。这些相关材料可以保存在区块链节点的局部存储设备中，又可以云存储的方式进行存放。同时，为保证材料存储的高可靠性，可以采用冗余编码的方式对材料进行存储，例如采用前向纠错编码、低密度奇偶校验编码的方式对其材料进行冗余编码处理。应理解，上述示例仅是举例说明而非进行任何限制。

继续参考图3，故障管理子系统303采用如上文结合图1所述的方法响应于检测到与无人值守服务中心关联的监控指标中的一个或多个的当前值超过预设的预警阈值，从区块链中获取训练好的故障分类器；以当前检测的与该无人值守服务中心关联的监控指标构建特征向量作为故障分类器的输入，基于该故障分类器输出的故障类型生成预警通知；以及将当前检测到的与该无人值守服务中心关联的监控指标及该故障分类器输出的故障类型作为故障案例样本保存至区块链中，在此不再赘述。

在本发明的又一个实施例中，还提供了一种计算机可读存储介质，其上存储有计算机程序或可执行指令，当所述计算机程序或可执行指令被执行时实现如前述实施例中所述的技术方案，其实现原理类似，此处不再赘述。在本发明的实施例中，计算机可读存储介质可以是任何能够存储数据且可以被计算装置读取的有形介质。计算机可读存储介质的实例包括硬盘驱动器、网络附加存储器(NAS)、只读存储器、随机存取存储器、CD-ROM、CD-R、CD-RW、磁带以及其它光学或非光学数据存储装置。计算机可读存储介质也可以包括分布在网络耦合计算机系统上的计算机可读介质，以便可以分布式地存储和执行计算机程序或指令。

在本发明的又一个实施例中，还提供了一种电子设备，包括处理器和存储器，其中所述存储器用于存储可由处理器执行的可执行指令，其中所述处理器被配置为执行存储器上存储的可执行指令，所述可执行指令被执行时实现前述任一实施例中介绍的技术方案，其实现原理类似，此处不再赘述。

本说明书中针对“各个实施例”、“一些实施例”、“一个实施例”、或“实施例”等的参考指代的是结合所述实施例所描述的特定特征、结构、或性质包括在至少一个实施例中。因此，短语“在各个实施例中”、“在一些实施例中”、“在一个实施例中”、或“在实施例中”等在整个说明书中各地方的出现并非必须指代相同的实施例。此外，特定特征、结构、或性质可以在一个或多个实施例中以任何合适方式组合。因此，结合一个实施例中所示出或描述的特定特征、结构或性质可以整体地或部分地与一个或多个其他实施例的特征、结构、或性质无限制地组合，只要该组合不是非逻辑性的或不能工作。

本说明书中“包括”和“具有”以及类似含义的术语表达，意图在于覆盖不排他的包含，例如包含了一系列步骤或单元的过程、方法、系统、产品或设备并不限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其他步骤或单元。“一”或“一个”也不排除多个的情况。另外，本申请附图中的各个元素仅仅为了示意说明，并非按比例绘制。

虽然本发明已经通过上述实施例进行了描述，然而本发明并非局限于这里所描述的实施例，在不脱离本发明范围的情况下还包括所做出的各种改变以及变化。

Claims (10)

1.一种无人值守服务中心管理方法，包括：

响应于检测到与无人值守服务中心关联的监控指标中的一个或多个的当前值超过预设的预警阈值，从区块链中获取训练好的故障分类器，其中所述故障分类器是基于区块链中保存的多个故障案例样本作为样本集来训练的；

以当前检测的与该无人值守服务中心关联的监控指标构建特征向量作为所述故障分类器的输入，基于所述故障分类器输出的故障类型生成预警通知；以及

以当前检测到的与该无人值守服务中心关联的监控指标及所述故障分类器输出的故障类型构建故障案例样本并保存至区块链中。

2.根据权利要求1所述的方法，其特征在于，还包括响应于新故障案例样本记入区块链中或者定期地重新训练所述故障分类器。

3.根据权利要求1所述的方法，其特征在于，所述故障分类器采用多分类支持向量机模型或神经网络分类器。

4.根据权利要求1-3中任一项所述的方法，其特征在于，还包括将所生成的预警通知发送至与该无人值守服务中心关联的维护方的终端设备，以指示其按照预警通知中包含的故障类型准备维护工作。

5.根据权利要求1-3中任一项所述的方法，其特征在于，还包括：

将对于无人值守服务中心实时采集的监测信息保存至区块链中；

基于所述实时采集的监测信息确定与该无人值守服务中心关联的监控指标的当前值。

6.根据权利要求1-3中任一项所述的方法，其特征在于，所述故障案例样本包括发生该故障案例时与无人值守服务中心关联的监控指标、无人值守服务中心的位置、发生该故障案例的当前时间信息以及为该故障案例标注的故障类型。

7.根据权利要求1-3中任一项所述的方法，其特征在于，所述故障分类器的训练是由具有特定权限的区块链节点来完成的；以及该方法还包括仅允许来自该特定权限的区块链节点的故障分类器对应的模型参数记入区块链中。

8.一种无人值守服务中心管理系统，包括分类模型训练装置和与无人值守服务中心关联的监控服务器，其中

所述监控服务器用于：响应于检测到与无人值守服务中心关联的监控指标中的一个或多个的当前值超过预设的预警阈值，从区块链中获取训练好的故障分类器；以当前检测的与该无人值守服务中心关联的监控指标构建特征向量作为所述故障分类器的输入，基于所述故障分类器输出的故障类型生成预警通知；以及将当前检测到的与该无人值守服务中心关联的监控指标及所述故障分类器输出的故障类型作为故障案例样本保存至区块链中；以及

所述分类模型训练装置用于基于区块链中保存的多个故障案例样本作为样本集来训练所述故障分类器，以及将训练好的故障分类器对应的模型参数保存至区块链中。

9.一种计算机可读存储介质，其上存储有计算机程序，所述程序被执行时实现权利要求1-7所述的方法。

10.一种电子设备，包括处理器和存储器，其中存储器用于存储可执行指令；所述处理器被配置为经由执行所述可执行指令来执行权利要求1-7所述的方法。

Images