CN112182193A - 一种交通行业中日志获取方法、设备及介质 - Google Patents

一种交通行业中日志获取方法、设备及介质 Download PDF

Info

Publication number
CN112182193A
CN112182193A CN202011115714.9A CN202011115714A CN112182193A CN 112182193 A CN112182193 A CN 112182193A CN 202011115714 A CN202011115714 A CN 202011115714A CN 112182193 A CN112182193 A CN 112182193A
Authority
CN
China
Prior art keywords
log
determining
sentence vector
question
edge device
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
Application number
CN202011115714.9A
Other languages
English (en)
Other versions
CN112182193B (zh
Inventor
于文才
张海涛
盖新平
殷忠源
刘凡
钟琴隆
杜明本
李鑫玉
张亚宁
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.)
Shandong Banner Information Co ltd
Original Assignee
Shandong Banner Information 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 Shandong Banner Information Co ltd filed Critical Shandong Banner Information Co ltd
Priority to CN202011115714.9A priority Critical patent/CN112182193B/zh
Publication of CN112182193A publication Critical patent/CN112182193A/zh
Application granted granted Critical
Publication of CN112182193B publication Critical patent/CN112182193B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/33—Querying
    • G06F16/332—Query formulation
    • G06F16/3329—Natural language query formulation or dialogue systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/279—Recognition of textual entities
    • G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/30—Semantic analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Biophysics (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Human Computer Interaction (AREA)
  • Databases & Information Systems (AREA)
  • Traffic Control Systems (AREA)

Abstract

本申请公开了一种交通行业中日志获取方法、设备及介质，方法包括：通过预先训练的文本模型确定用户输入的问题的问题句向量；通过所述文本模型确定，指定边缘设备在指定时间段内的各条日志的日志句向量；通过计算所述问题句向量与各所述日志句向量之间的欧几里得距离，确定所述各条日志与所述问题之间的相关性；根据所述相关性，获取相应的日志。在获取日志之前，通过计算两者之间的相关性，能够在大量的日志中更准确的选择出所需要的日志，不仅使得选择过程的时间缩短，而且可以使选择结果更加精准，达到了精准高效采集所需日志的需求。

Description

一种交通行业中日志获取方法、设备及介质
技术领域
本申请涉及交通领域，具体涉及一种交通行业中日志获取方法、设备及介质。
背景技术
随着交通行业的发展，交通行业中的各边缘设备也越来越多，而边缘设备在运行过程中所生成的日志也越来越多。
现有技术中，各边缘设备生成的日志中，本身就存在很多没有使用价值的日志，并且随着边缘设备生成的日志量的增加，导致无用的日志越来越多。因此，在采集日志时，难以高效且精准的采集到的所需要的日志。
发明内容
为了解决上述问题，本申请提出了一种交通行业中日志获取方法，包括：通过预先训练的文本模型确定用户输入的问题的问题句向量；通过所述文本模型确定，指定边缘设备在指定时间段内的各条日志的日志句向量；通过计算所述问题句向量与各所述日志句向量之间的欧几里得距离，确定所述各条日志与所述问题之间的相关性；根据所述相关性，获取相应的日志。
在一个示例中，所述边缘设备包括：前端工控机、天线、计费设备、监控摄像头中的至少一种。
在一个示例中，根据所述相关性，获取相应的日志，包括：确定所述相关性高于预设值的对应的日志；获取所述对应的日志，以及所述对应的日志在上下文的预设范围内的日志。
在一个示例中，通过预先训练的文本模型确定用户输入的问题的问题句向量，包括：确定用户输入的问题；提取所述问题中的关键词；通过预先训练的文本模型提取各所述关键词对应的词向量；将所述词向量进行同维相加，得到所述问题的问题句向量。
在一个示例中，通过预先训练的文本模型提取各所述关键词对应的词向量之前，所述方法还包括：基于所述关键词的语义，确定所述问题的类型属于预设类型，所述预设类型包括：设备故障、车辆数据获取、违法数据获取中的至少一种。
在一个示例中，通过所述文本模型确定，指定边缘设备在指定时间段内的各条日志的日志句向量，包括：在所述问题中判断是否存在指定时间段；若是，则通过所述文本模型确定，指定边缘设备在指定时间段内的各条日志的日志句向量；否则，根据所述问题的类型，确定所述问题对应的重要性；基于所述问题对应的重要性，确定所述问题对应的时间范围；根据所述用户输入的时间点，以及所述时间范围，确定所述指定时间段；通过所述文本模型确定，指定边缘设备在指定时间段内的各条日志的日志句向量。
在一个示例中，通过预先训练的文本模型确定用户输入的问题的问题句向量之前，所述方法还包括：基于各边缘设备自身的属性，训练对应的神经网络模型；将所述神经网络模型发送至对应的所述边缘设备，以及所述边缘设备通过所述神经网络模型，对采集到的数据进行处理，并生成日志。
在一个示例中，所述属性包括：设备类别、硬件信息、应用场景中的至少一种。
另一方面，本申请还提出了一种交通行业中日志获取设备，包括：至少一个处理器；以及，与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如上述任意一个示例所述的方法。
另一方面，本申请还提出了一种交通行业中日志获取的非易失性计算机存储介质，存储有计算机可执行指令，所述计算机可执行指令设置为：如上述任意一个示例所述的方法
通过本申请提出日志获取方法能够带来如下有益效果：
在获取日志之前，通过计算两者之间的相关性，能够在大量的日志中更准确的选择出所需要的日志，不仅使得选择过程的时间缩短，而且可以使选择结果更加精准，达到了精准高效采集所需日志的需求。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1为本申请实施例中交通行业中日志获取方法的流程示意图；
图2为本申请实施例中交通行业中日志获取设备的示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚，下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
以下结合附图，详细说明本申请各实施例提供的技术方案。
如图1所示，本申请实施例提供一种交通行业中日志获取方法，包括：
S101、通过预先训练的文本模型确定用户输入的问题的问题句向量。
在实施本申请中的方法之前，可以预先训练相应的文本模型。其中，可以使用bert_wwm模型作为该文本模型。bert_wwm模型不仅仅是连续mask实体词和短语，而是连续mask所有能组成中文词语的字。具体做法是，针对中文，如果一个完整的词的部分字被mask，则同属该词的其他部分也会被mask，即对组成同一个词的汉字全部进行mask，即为全词mask。使用bert_wwm模型可以更精准的对中文句式进行分析。
在将文本模型训练完毕后，若用户有需要获取在相应条件下的日志，可以首先输入相关的问题。这里的问题指的是用户输入的，与交通行业相关的字符串。例如，当工控机日志报错主备RSU控制器之间网络状态异常，通常是代表主备之间网络连接出现了问题，或者天线模式设置的不对，一般不会对数据上传造成影响。工控机日志报错RSU初始化异常，说明RSU天线状态已经出了问题，无法正常工作。需要及时修复RSU天线，不然会对流水数据，车辆交易造成影响。此时用户输入的问题可以是：工控机天线异常。
服务器或其他相应的处理设备在获取到了用户输入的问题后，可以首先对该问题进行分析处理，得到相应的句向量，在此可以将该问题的句向量称作问题句向量。当然，如果用户输入的问题并非句子，而是一个或多个关键词，则可以获取相应的词向量，然后将词向量或词向量的叠加作为问题句向量。当然，如果问题本身是一个句子的形式，在确定了用户输入的问题后，可以首先提取问题中的关键词。其中，提取句子中的关键词可以使用相关的模型或者算法，例如TF-IDF、Topic Model等，在此不再赘述。然后，通过文本模型将提取到的关键词进行处理，得到各关键词所对应的的词向量，最后将各词向量进行同维相加，即可最终得到问题对应的问题句向量。
进一步地，在获取到了用户输入的问题之后，可以先根据得到的关键词的语义来判断用户输入的问题所对应的类型是否为预设类型。如果问题是预设类型，则可以再对问题进行处理，得到问题句向量；如果问题非预设类型，则可以不对问题进行处理。其中，预设类型可以是设备故障、车辆数据获取、违法数据获取等。例如，设备故障对应的问题可以是：天线超时无心跳、监控摄像头故障等，车辆数据获取对应的问题可以是：获取车牌号为鲁A12345车辆的行驶路线、获取某路段在某时间段内所有红色车辆的车牌号等，违法数据获取可以是：获取某路段内超速车辆的车辆信息等。
S102、通过所述文本模型确定，指定边缘设备在指定时间段内的各条日志的日志句向量。
边缘设备指的是设置在交通行业实际的工作场景中的相关设备，可以进行采集、处理、发送、接收等功能，其可以包括：前端工控机、天线、计费设备、监控摄像头等。通常情况下，例如监控摄像头等边缘设备都具有一定的数据处理功能，能够对采集到的图像等数据进行初步处理，得到处理后的数据并生成日志。当然，也有部分边缘设备不具备处理功能，只具有采集、接收、发送中的单一或多种功能，在进行执行这种功能时，也会产生相应的日志。在通过文本模型确定了问题句向量之后，即可再通过文本模型来确定各日志的句向量，在此可以将该句向量称作日志句向量。当然，在确定日志句向量时，首先要确定是采集哪些日志。
具体地，在确定日志时，需要确定的有两个方面。一方面是需要采集哪个边缘设备的日志。一般来说，需要采集的边缘设备都是用户选择的指定边缘设备。或者当用户未指定边缘设备时，如果用户输入的问题中出现了地理位置，可以是采集在该地理位置处的边缘设备。例如，如果问题是查询A路段所有经过车辆的车牌号，则可以查询在A路段中，所有监控摄像头采集到的车牌号对应的日志，并进行处理。
另一方面是需要采集哪个时间段中的日志。在确定时间段时，可以首先判断用户输入的问题中是否存在时间段，例如，如果问题是，查询1月1日在某路段所有经过车辆的车牌号，则可以直接将1月1日中监控摄像头采集到的车牌号所对应的日志进行处理。如果问题中不包含时间段，则需要用户输入一个时间点，然后根据该时间点以及相应的时间范围，确定出指定时间段。其中，时间点通常由用户输入，而时间范围则是通过计算得到。在计算时间范围时，首先可以确定问题的类型，然后根据该类型确定其重要性，根据重要性得到相对应的时间范围。通常情况下，不同类型的问题其重要性是不同的，例如，违法数据获取这一类型的问题的重要性较高，设备故障类型所对应的重要性略低于违法数据获取，而车辆数据获取类型对应的重要性则更低。对于重要性较高的问题，在采集日志时，应该采集较大时间范围的日志，此时可以将时间范围设置的较大，以采集更多的日志。反之，对于重要性较低的问题，采集较小时间范围的日志即可。
S103、通过计算所述问题句向量与各所述日志句向量之间的欧几里得距离，确定所述各条日志与所述问题之间的相关性。
S104、根据所述相关性，获取相应的日志。
在计算得到了问题句向量以及日志句向量后，可以计算两者之间的相关性。通常情况下，是计算两者之间的欧几里得距离，欧几里得距离越近，表示两者之间的相关性越高。然后即可根据该相关性，获取相关性高于预设值的日志，以及该日志的上下文日志。其中，在确定上下文日志时，可以是确定上下文预设范围行数的日志，在此不再限定。
在一个实施例中，服务器中可以预先针对不同的，且具有处理功能的边缘设备训练相对应的神经网络模型，然后将神经网络模型发送至边缘设备，边缘设备在处理数据时，既可以使用该神经网络模型进行处理。
具体地，在训练神经网络模型时，可以基于不同的边缘设备的属性来训练相对应的神经网络模型。边缘设备的属性可以包括设备类别、硬件信息、应用场景等。不同类别的设备在实际工作时所处理的设备不同，因此所需的神经网络模型也不同。以监控摄像头为例，不同的监控摄像头的硬件能力不同，在使用神经网络模型处理采集到的图像时，如果监控摄像头的硬件能力较高，则可以使用较为复杂神经网络模型，否则，使用较为简单的神经网络模型。另外，除了硬件能力，神经网络模型与应用场景也有关系，例如，在某些光照条件特别足的场景，训练神经网络模型时要针对光照条件足这一点进行训练，或者用于高速检测的监控摄像头，其使用的神经网络模型则需要有针对高速的车流的能力。
如图2所示，本申请实施例还提出了一种交通行业中日志获取设备，包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如上述任意一个实施例所述的方法。
本申请实施例还提出了一种交通行业中日志获取的非易失性计算机存储介质，存储有计算机可执行指令，所述计算机可执行指令设置为：如上述任意一个实施例所述的方法。
本申请中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于设备和介质实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
本申请实施例提供的设备和介质与方法是一一对应的，因此，设备和介质也具有与其对应的方法类似的有益技术效果，由于上面已经对方法的有益技术效果进行了详细说明，因此，这里不再赘述设备和介质的有益技术效果。
以上所述仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。

Claims (10)

1.一种交通行业中日志获取方法，其特征在于，包括：
通过预先训练的文本模型确定用户输入的问题的问题句向量；
通过所述文本模型确定，指定边缘设备在指定时间段内的各条日志的日志句向量；
通过计算所述问题句向量与各所述日志句向量之间的欧几里得距离，确定所述各条日志与所述问题之间的相关性；
根据所述相关性，获取相应的日志。
2.根据权利要求1所述的方法，其特征在于，所述边缘设备包括：前端工控机、天线、计费设备、监控摄像头中的至少一种。
3.根据权利要求1所述的方法，其特征在于，根据所述相关性，获取相应的日志，包括：
确定所述相关性高于预设值的对应的日志；
获取所述对应的日志，以及所述对应的日志在上下文的预设范围内的日志。
4.根据权利要求1所述的方法，其特征在于，通过预先训练的文本模型确定用户输入的问题的问题句向量，包括：
确定用户输入的问题；
提取所述问题中的关键词；
通过预先训练的文本模型提取各所述关键词对应的词向量；
将所述词向量进行同维相加，得到所述问题的问题句向量。
5.根据权利要求4所述的方法，其特征在于，通过预先训练的文本模型提取各所述关键词对应的词向量之前，所述方法还包括：
基于所述关键词的语义，确定所述问题的类型属于预设类型，所述预设类型包括：设备故障、车辆数据获取、违法数据获取中的至少一种。
6.根据权利要求5所述的方法，其特征在于，通过所述文本模型确定，指定边缘设备在指定时间段内的各条日志的日志句向量，包括：
在所述问题中判断是否存在指定时间段；
若是，则通过所述文本模型确定，指定边缘设备在指定时间段内的各条日志的日志句向量；
否则，根据所述问题的类型，确定所述问题对应的重要性；
基于所述问题对应的重要性，确定所述问题对应的时间范围；
根据所述用户输入的时间点，以及所述时间范围，确定所述指定时间段；
通过所述文本模型确定，指定边缘设备在指定时间段内的各条日志的日志句向量。
7.根据权利要求1所述的方法，其特征在于，通过预先训练的文本模型确定用户输入的问题的问题句向量之前，所述方法还包括：
基于各边缘设备自身的属性，训练对应的神经网络模型；
将所述神经网络模型发送至对应的所述边缘设备，以及所述边缘设备通过所述神经网络模型，对采集到的数据进行处理，并生成日志。
8.根据权利要求7所述的方法，其特征在于，所述属性包括：设备类别、硬件信息、应用场景中的至少一种。
9.一种交通行业中日志获取设备，其特征在于，包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1-8中任意一项权利要求所述的方法。
10.一种交通行业中日志获取的非易失性计算机存储介质，存储有计算机可执行指令，其特征在于，所述计算机可执行指令设置为：如权利要求1-8中任意一项权利要求所述的方法。
CN202011115714.9A 2020-10-19 2020-10-19 一种交通行业中日志获取方法、设备及介质 Active CN112182193B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011115714.9A CN112182193B (zh) 2020-10-19 2020-10-19 一种交通行业中日志获取方法、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011115714.9A CN112182193B (zh) 2020-10-19 2020-10-19 一种交通行业中日志获取方法、设备及介质

Publications (2)

Publication Number Publication Date
CN112182193A true CN112182193A (zh) 2021-01-05
CN112182193B CN112182193B (zh) 2023-01-13

Family

ID=73950794

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011115714.9A Active CN112182193B (zh) 2020-10-19 2020-10-19 一种交通行业中日志获取方法、设备及介质

Country Status (1)

Country Link
CN (1) CN112182193B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112862248A (zh) * 2021-01-06 2021-05-28 山东旗帜信息有限公司 一种路段抽稀方法、设备及介质
CN113723047A (zh) * 2021-07-27 2021-11-30 山东旗帜信息有限公司 一种基于法律文件的图谱构建方法、设备及介质

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100179948A1 (en) * 2009-01-12 2010-07-15 Alibaba Group Holding Limited Method and system for querying information
CN102609433A (zh) * 2011-12-16 2012-07-25 北京大学 基于用户日志进行查询推荐的方法及系统
WO2012130145A1 (zh) * 2011-03-31 2012-10-04 百度在线网络技术（北京）有限公司 获取和搜索相关知识信息的方法及装置
CN106484664A (zh) * 2016-10-21 2017-03-08 竹间智能科技（上海）有限公司 一种短文本间相似度计算方法
CN108012121A (zh) * 2017-12-14 2018-05-08 安徽大学 一种边缘计算和云计算融合的实时视频监控方法及系统
CN109063204A (zh) * 2018-09-14 2018-12-21 郑州云海信息技术有限公司 基于人工智能的日志查询方法、装置、设备及存储介质
CN109191167A (zh) * 2018-07-17 2019-01-11 阿里巴巴集团控股有限公司 一种目标用户的挖掘方法和装置
CN109597986A (zh) * 2018-10-16 2019-04-09 深圳壹账通智能科技有限公司 异常问题的定位方法、装置、设备及存储介质
CN109783459A (zh) * 2019-01-04 2019-05-21 平安科技（深圳）有限公司 从日志中提取数据的方法、装置及计算机可读存储介质
CN110704390A (zh) * 2019-09-17 2020-01-17 平安科技（深圳）有限公司 获取服务器维护脚本的方法、装置、电子设备及介质
CN110955757A (zh) * 2019-12-06 2020-04-03 阳光电源股份有限公司 光伏电站设备日志检索方法和系统
CN111143191A (zh) * 2019-11-20 2020-05-12 上海灵羚科技有限公司 网站测试方法、装置、计算机设备和存储介质

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100179948A1 (en) * 2009-01-12 2010-07-15 Alibaba Group Holding Limited Method and system for querying information
WO2012130145A1 (zh) * 2011-03-31 2012-10-04 百度在线网络技术（北京）有限公司 获取和搜索相关知识信息的方法及装置
CN102609433A (zh) * 2011-12-16 2012-07-25 北京大学 基于用户日志进行查询推荐的方法及系统
CN106484664A (zh) * 2016-10-21 2017-03-08 竹间智能科技（上海）有限公司 一种短文本间相似度计算方法
CN108012121A (zh) * 2017-12-14 2018-05-08 安徽大学 一种边缘计算和云计算融合的实时视频监控方法及系统
CN109191167A (zh) * 2018-07-17 2019-01-11 阿里巴巴集团控股有限公司 一种目标用户的挖掘方法和装置
CN109063204A (zh) * 2018-09-14 2018-12-21 郑州云海信息技术有限公司 基于人工智能的日志查询方法、装置、设备及存储介质
CN109597986A (zh) * 2018-10-16 2019-04-09 深圳壹账通智能科技有限公司 异常问题的定位方法、装置、设备及存储介质
CN109783459A (zh) * 2019-01-04 2019-05-21 平安科技（深圳）有限公司 从日志中提取数据的方法、装置及计算机可读存储介质
CN110704390A (zh) * 2019-09-17 2020-01-17 平安科技（深圳）有限公司 获取服务器维护脚本的方法、装置、电子设备及介质
CN111143191A (zh) * 2019-11-20 2020-05-12 上海灵羚科技有限公司 网站测试方法、装置、计算机设备和存储介质
CN110955757A (zh) * 2019-12-06 2020-04-03 阳光电源股份有限公司 光伏电站设备日志检索方法和系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112862248A (zh) * 2021-01-06 2021-05-28 山东旗帜信息有限公司 一种路段抽稀方法、设备及介质
CN113723047A (zh) * 2021-07-27 2021-11-30 山东旗帜信息有限公司 一种基于法律文件的图谱构建方法、设备及介质

Also Published As

Publication number Publication date
CN112182193B (zh) 2023-01-13

Similar Documents

Publication Publication Date Title
US20240275805A1 (en) Cognitive neuro-linguistic behavior recognition system for multi-sensor data fusion
US10013679B1 (en) Method and system for generating vehicle service content from metadata representing meaning of vehicle service data
CN110443274B (zh) 异常检测方法、装置、计算机设备及存储介质
CN112287126B (zh) 一种适于多模态知识图谱的实体对齐方法及设备
US11599563B2 (en) Programmatically identifying a personality of an autonomous vehicle
CN108983748B (zh) 一种车辆故障检测方法及终端设备
US11626013B2 (en) Traffic data analysis method, electronic device, vehicle and storage medium
US20110035094A1 (en) System and method for automatic fault detection of a machine
WO2016210268A1 (en) Selecting representative video frames for videos
CN112182193B (zh) 一种交通行业中日志获取方法、设备及介质
US9489582B2 (en) Video anomaly detection based upon a sparsity model
JP2017538229A (ja) 神経言語挙動認識システム用の知覚関連メモリ
CN110895566A (zh) 一种车辆评估方法和装置
CN115913710A (zh) 异常检测方法、装置、设备及存储介质
US11586914B2 (en) Systems and methods for evaluating perception systems for autonomous vehicles using quality temporal logic
CN112069833B (zh) 日志分析方法、日志分析装置及电子设备
CN117407507A (zh) 基于大语言模型的事件处理方法、装置、设备及介质
CN116384844B (zh) 基于地理信息云平台的决策方法及装置
US20230341832A1 (en) Versatile anomaly detection system for industrial systems
CN116563604A (zh) 端到端目标检测模型训练、图像目标检测方法及相关设备
CN113064966B (zh) 用于故障定位的方法、系统及装置
CN115310011A (zh) 页面展示方法、系统以及可读存储介质
CN114008638A (zh) 一种使用选择性深度生成重放模块对深度神经网络模型执行可调连续学习的方法和装置
CN113434193B (zh) 根因变更的定位方法和装置
CN117972123B (zh) 一种基于5g消息的客服信息系统、方法、设备及介质

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