CN112347416A - 道岔转辙机电流数据的概念漂移检测方法及装置 - Google Patents

道岔转辙机电流数据的概念漂移检测方法及装置 Download PDF

Info

Publication number
CN112347416A
CN112347416A CN202011192106.8A CN202011192106A CN112347416A CN 112347416 A CN112347416 A CN 112347416A CN 202011192106 A CN202011192106 A CN 202011192106A CN 112347416 A CN112347416 A CN 112347416A
Authority
CN
China
Prior art keywords
current
current data
determining
representative mode
data
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
Application number
CN202011192106.8A
Other languages
English (en)
Inventor
肖骁
张永增
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.)
Traffic Control Technology TCT Co Ltd
Original Assignee
Traffic Control Technology TCT 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 Traffic Control Technology TCT Co Ltd filed Critical Traffic Control Technology TCT Co Ltd
Priority to CN202011192106.8A priority Critical patent/CN112347416A/zh
Publication of CN112347416A publication Critical patent/CN112347416A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Analysis (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Mathematics (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Train Traffic Observation, Control, And Security (AREA)

Abstract

本发明实施例提供一种道岔转辙机电流数据的概念漂移检测方法及装置，所述方法包括：确定当前时刻的道岔转辙机电流数据的过去代表模式，以及当前代表模式；根据过去代表模式以及当前代表模式，获取变化点分数序列；根据变化点分数序列确定当前时刻的道岔转辙机电流数据是否发生概念漂移。所述装置用于执行上述方法。本发明提供的道岔转辙机电流数据的概念漂移检测方法及装置，通过将当前时刻的道岔转辙机电流数据转换为一种变化点分数序列，确保对数据概念漂移检测实时性的同时，避免了因统计特征选取的不同出现概念漂移检测有误的情况，提高概念漂移检测的准确性。

Description

道岔转辙机电流数据的概念漂移检测方法及装置
技术领域
本发明涉及轨道交通技术领域，尤其涉及一种道岔转辙机电流数据的概念漂移检测方法及装置。
背景技术
概念漂移，是指在进行预测分析时，有关目标变量的统计分析特性随着时间的推移发生了不可预见的变化，使得依靠历史数据训练好的机器学习模型不再适用于当前获得的数据，如果继续利用先前训练好的机器学习模型进行预测，模型预测的准确率必然会出现下降的现象。概念漂移的本质是数据的分布随着时间的推移发生了变化，为防止部署到线上的机器学习模型出现这种情况，有必要对当前获取的数据进行实时的分析，一旦检测到概念漂移，需要对模型进行重训练，使得模型能够适应新数据的变化。
目前，常用的概念漂移检测方法主要有基于模型的方法和基于数据的方法。基于模型的方法是指对模型预测的准确率进行监控，如果一段时间内，模型的准确率持续下降并下降到某一值时，则判断数据的分布发生了变换，需要更新模型，但该方法往往不能及时的检测到概念漂移现象的发生；基于数据的方法与基于模型的方法不同，该方法从数据的角度出发，常采用窗口化的机制，如建立两个大小相同/不同的窗口，通过分析两个窗口内的数据统计分布差异判断数据的分布是否发生变化，与基于模型的方法相比，该方法可以及时的检测到概念漂移，但该方法判断的依据受限于选取的数据统计分布特征值，针对不同的数据需要根据领域知识选择不同的统计分布特征值，其次，对于窗口大小的选取还需要根据经验做出选择，概念漂移检测的准确性不足。
目前尚难有一种有效方法，确保对数据概念漂移检测实时性的同时，提高概念漂移检测的准确性。
发明内容
本发明实施例提供的一种道岔转辙机电流数据的概念漂移检测方法及装置，用于克服现有技术中存在对数据概念漂移检测时无法兼顾实时性与准确性的缺陷，能够确保对数据概念漂移检测实时性的同时，提高概念漂移检测的准确性。
第一方面，本发明实施例提供的道岔转辙机电流数据的概念漂移检测方法，包括：
确定当前时刻的道岔转辙机电流数据的过去代表模式，以及当前代表模式；
根据所述过去代表模式以及所述当前代表模式，获取变化点分数序列；
根据所述变化点分数序列确定所述当前时刻的道岔转辙机电流数据是否发生概念漂移。
进一步地，所述确定当前时刻的道岔转辙机电流数据的过去代表模式，包括：
根据所述当前时刻之前的第一预设时间段内的道岔转辙机电流数据，确定所述第一预设时间段内的道岔转辙机电流数据的列向量；
根据所述第一预设时间段内的道岔转辙机电流数据的列向量，构建汉克尔矩阵，并确定所述汉克尔矩阵的奇异值以及特征向量；
根据所述奇异值以及所述特征向量，确定所述过去代表模式。
进一步地，所述确定当前时刻的道岔转辙机电流数据的当前代表模式，包括：
根据所述当前时刻之前的第二预设时间段内的道岔转辙机电流数据，确定所述第二预设时间段内的道岔转辙机电流数据的列向量；
根据所述第二预设时间段内的道岔转辙机电流数据的列向量，构建汉克尔矩阵，并确定所述汉克尔矩阵的奇异值以及特征向量；
根据所述奇异值以及所述特征向量，确定所述当前代表模式。
进一步地，所述根据所述奇异值以及所述特征向量，确定所述过去代表模式或当前代表模式，包括：
将所述奇异值按照从大到小的顺序进行排列，选取前预设数量个所述特征向量，以确定所述过去代表模式或当前代表模式；
其中，所述特征向量是由所述奇异值确定。
进一步地，所述根据所述过去代表模式以及所述当前代表模式，获取变化点分数序列，包括：
根据所述过去代表模式以及所述当前代表模式，获取所述当前代表模式在所述过去代表模式所在超平面的投影值；
根据所述投影值，确定变化点分数；
根据所述变化点分数，获取所述变化点分数序列。
进一步地，所述根据所述投影值，确定变化点分数，包括：
根据所述投影值的均值，确定所述变化点分数。
进一步地，所述根据所述变化点分数序列确定所述当前时刻的道岔转辙机电流数据是否发生概念漂移，包括：
将所述变化点分数序列与预设阈值进行比较，若所述变化点分数序列大于所述预设阈值，则确定所述当前时刻的道岔转辙机电流数据发生概念漂移。
第二方面，本发明实施例还提供一种道岔转辙机电流数据的概念漂移检测装置，包括：
数据获取模块、数据处理模块以及确定模块；
所述数据获取模块，用于确定当前时刻的道岔转辙机电流数据的过去代表模式，以及当前代表模式；
所述数据处理模块，用于根据所述过去代表模式以及所述当前代表模式，获取变化点分数序列；
所述确定模块，用于根据所述变化点分数序列确定所述当前时刻的道岔转辙机电流数据是否发生概念漂移。
第三方面，本发明实施例还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述道岔转辙机电流数据的概念漂移检测方法的步骤。
本发明实施例还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述道岔转辙机电流数据的概念漂移检测方法的步骤。
本发明实施例提供的一种道岔转辙机电流数据的概念漂移检测方法及装置，通过将当前时刻的道岔转辙机电流数据进行概念偏移检测，确保对道岔转辙机电流数据概念漂移检测的实时性，同时，通过将当前时刻的道岔转辙机电流数据转换为一种变化点分数序列，从而将在原始当前时刻的道岔转辙机电流数据的序列上的检测转为在变化点分数序列上的检测，避免了因统计特征选取的不同出现概念漂移检测有误的情况，提高概念漂移检测的准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图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。
图1为本发明实施例提供的一种道岔转辙机电流数据的概念漂移检测方法的流程示意图；
图2为本发明实施例提供的一种道岔转辙机电流数据的概念漂移检测装置的结构示意图；
图3为本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，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作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
图1为本发明实施例提供的一种道岔转辙机电流数据的概念漂移检测方法的流程示意图，如图1所示，方法包括：
S1、确定当前时刻的道岔转辙机电流数据的过去代表模式，以及当前代表模式；
S2、根据过去代表模式以及当前代表模式，获取变化点分数序列；
S3、根据变化点分数序列确定当前时刻的道岔转辙机电流数据是否发生概念漂移。
需要说明的是，本发明实施例提供的当前时刻的道岔转辙机电流数据是实时获取的道岔转辙机电流数据。其中，可以根据实际应用场景，选择数据采集板卡、工控机、ARM处理器等来实时采集道岔转辙机电流数据，对此本发明实施例不作具体限定。
需要说明的是，上述方法的执行主体可以是计算机设备，例如超级计算机、工业控制计算机、网络计算机以及个人计算机等。
本发明实施例提供的一种道岔转辙机电流数据的概念漂移检测方法，通过将当前时刻的道岔转辙机电流数据进行概念偏移检测，确保对道岔转辙机电流数据概念漂移检测的实时性，同时，通过将当前时刻的道岔转辙机电流数据转换为一种变化点分数序列，从而将在原始当前时刻的道岔转辙机电流数据的序列上的检测转为在变化点分数序列上的检测，避免了因统计特征选取的不同出现概念漂移检测有误的情况，提高概念漂移检测的准确性。
进一步地，在一个实施例中，步骤S1包括：
S11、根据当前时刻之前的第一预设时间段内的道岔转辙机电流数据，确定第一预设时间段内的道岔转辙机电流数据的列向量；
具体地，采用谱分析的方法确定过去代表模式。首先，假设当前时刻t之前的第一预设时间段内获取的道岔转辙机电流数据序列可由式(1)表示，将式(1)获取的道岔转辙机电流数据序列离散化确定与式(1)长度为ω的离散化连续子序列式(2)，将式(2)转置，并在[(t-n)～(t-1)]时间段内每隔第一预设时间间隔选取一个道岔转辙机电流数据点，并选取n个道岔转辙机电流数据作为当前时刻之前的第一预设时间段内的道岔转辙机电流数据的列向量，确定与式(2)相对应的列向量可由式(3)表示。
T＝{x(1),x(2),...,x(t),...} (1)
Tss＝{x(t-ω),...,x(t-2),x(t-1)} (2)
s(t-1)＝{x(t-ω),...,x(t-2),x(t-1)}T (3)
其中，T代表道岔转辙机电流数据序列，Tss代表长度为ω的离散化连续子序列式，s(t-1)代表列向量，t代表当前时刻。
S12、根据第一预设时间段内的道岔转辙机电流数据的列向量，构建汉克尔矩阵，并确定汉克尔矩阵的奇异值以及特征向量；
具体地，根据第一预设时间段内的道岔转辙机电流数据的列向量可以用式(3)表示，并通过式(3)所示的列向量构造如式(4)所示的汉克尔矩阵H(t)：
H(t)＝[s(t-n),...,s(t-2),s(t-1)] (4)
使用奇异值分解方法对式(4)的汉克尔矩阵进行求解，确定式(4)汉克尔矩阵的奇异值和特征向量，具体公式如式(5)所示：
H(t)＝U(t)S(t)V(t)T (5)
其中，S(t)表示奇异值矩阵，且S(i-1,i-1)≥S(i,i)≥S(i+1,i+1)，U(t)和V(t)表示酉矩阵，U(t)矩阵中的每一列表示特征向量，i代表奇异值矩阵S(t)中元素的行下标或列下标。
S13、根据奇异值以及特征向量，确定过去代表模式。
具体地，根据奇异值矩阵S(t)，从特征向量矩阵U(t)中选取部分特征向量作为当前时刻的道岔转辙机电流数据序列的过去代表模式。
本发明实施例提供的一种道岔转辙机电流数据的概念漂移检测方法，通过采用谱分析的方法确定当前时刻的道岔转辙机电流数据的过去代表模式，为后续通过过去代表模式将当前时刻的道岔转辙机电流数据转化为变化点分数序列，并进一步确定当前时刻的道岔转辙机电流数据是否发生概念漂移提供了依据，从而避免了现有技术中因统计特征选取的不同出现概念漂移检测有误的情况，提高概念漂移检测的准确性。
进一步地，在一个实施例中，步骤S1还包括：
S14、根据当前时刻之前的第二预设时间段内的道岔转辙机电流数据，确定第二预设时间段内的道岔转辙机电流数据的列向量；
具体地，采用谱分析的方法确定过去代表模式。首先，将当前时刻t之前的第二预设时间段内获取的道岔转辙机电流数据序列获取的道岔转辙机电流数据序列离散化处理确定长度为ω的离散化连续子序列，将其转置，在[(t+g)～(t+g+m-1)]时间段内每隔第二预设时间间隔选取一个道岔转辙机电流数据点，并选取的m个道岔转辙机电流数据作为当前时刻之前的第二预设时间段内的道岔转辙机电流数据的列向量，确定长度为ω的离散化连续子序列的列向量如式(6)所示。
r(t+g)＝(x(t+g),...,x(t+g+ω-2),x(t+g+ω-1))T (6)
需要说明的是，第二预设时间段内道岔转辙机电流数据点的总个数大于第一预设时间段内道岔转辙机电流数据点的总个数，m＞n，且第二预设时间段大于第一预设时间段的长度，第一预设时间间隔与第二预设时间间隔的设置一致。
S15、根据所述第二预设时间段内的道岔转辙机电流数据的列向量，构建汉克尔矩阵，并确定汉克尔矩阵的奇异值以及特征向量；
具体地，根据第二预设时间段内的道岔转辙机电流数据的列向量可以用式(6)表示，并通过式(6)所示的列向量构造如式(7)所示的汉克尔矩阵G(t)：
G(T)＝[r(t+g),...,r(t+g+m-2),r(t+g+m-1)] (7)
使用奇异值分解方法对式(7)的汉克尔矩阵进行求解，确定式(7)汉克尔矩阵的奇异值和特征向量，具体公式如式(8)所示：
G(t)＝M(t)S(t)N(t)T (8)
其中，S(t)表示奇异值矩阵，且S(i-1,i-1)≥S(i,i)≥S(i+1,i+1)，M(t)和N(t)表示酉矩阵，M(t)矩阵中的每一列表示特征向量，i代表奇异值矩阵S(t)中元素的行下标或列下标。
S16、根据奇异值以及特征向量，确定当前代表模式。
具体地，根据奇异值矩阵S(t)，从特征向量矩阵M(t)中选取部分特征向量作为当前时刻的道岔转辙机电流数据序列的过去代表模式。
本发明实施例提供的一种道岔转辙机电流数据的概念漂移检测方法，通过采用谱分析的方法确定当前时刻的道岔转辙机电流数据的当前代表模式，为后续通过当前代表模式将当前时刻的道岔转辙机电流数据转化为变化点分数序列，并进一步确定当前时刻的道岔转辙机电流数据是否发生概念漂移提供了依据，从而避免了现有技术中因统计特征选取的不同出现概念漂移检测有误的情况，提高概念漂移检测的准确性。
进一步地，在一个实施例中，步骤S13可以具体包括：
S131、将奇异值按照从大到小的顺序进行排列，选取前预设数量个特征向量，以确定过去代表模式；
其中，特征向量是由奇异值确定。
具体地，将奇异值矩阵S(t)中奇异值按照由大到小的顺序进行排列，在特征向量矩阵U(t)中位置越靠前的特征向量在过去代表模式中所占的比重越大，选取U(t)矩阵中的前η个特征向量作为道岔转辙机电流数据在当前时刻x(t)的过去代表模式。
进一步地，在一个实施例中，步骤S16可以具体包括：
S161、将奇异值按照从大到小的顺序进行排列，选取前预设数量个特征向量，以确定当前代表模式；
其中，特征向量是由奇异值确定。
具体地，将奇异值矩阵S(t)中奇异值按照由大到小的顺序进行排列，在特征向量矩阵M(t)中位置越靠前的特征向量在过去代表模式中所占的比重越大，选取M(t)矩阵中的前η个特征向量作为道岔转辙机电流数据在当前时刻x(t)的当前代表模式。
本发明实施例提供的一种道岔转辙机电流数据的概念漂移检测方法，通过采用谱分析的方法确定当前时刻的道岔转辙机电流数据的过去代表模式以及当前代表模式，为后续通过过去代表模式以及当前代表模式将当前时刻的道岔转辙机电流数据转化为变化点分数序列，并进一步确定当前时刻的道岔转辙机电流数据是否发生概念漂移提供了依据，从而避免了现有技术中因统计特征选取的不同出现概念漂移检测有误的情况，提高概念漂移检测的准确性。
进一步地，在一个实施例中，步骤S2包括：
S21、根据过去代表模式以及当前代表模式，获取当前代表模式在过去代表模式所在超平面的投影值；
S22、根据投影值，确定变化点分数；
S23、根据变化点分数，获取变化点分数序列。
进一步地，在一个实施例中，步骤S22可以具体包括：
S221、根据投影值的均值，确定变化点分数。
具体地，为了降低噪声对概念漂移检测的影响，从U(t)矩阵中选取前η个特征向量作为道岔转辙机电流数据在当前时刻x(t)的过去代表模式如式(9)所示，以及从M(t)矩阵中的选取前η个特征向量作为道岔转辙机电流数据在当前时刻x(t)的当前代表模式如式(10)所示：
Uη＝[u1,u2,...,uη] (9)
Mη＝[m1,m2,...,mη] (10)
需要说明的是，如果在当前时刻未出现概念漂移，则认为当前时刻的当前代表模式中的向量均位于过去代表模式定义的超平面上，反之，如果在当前时刻出现概念漂移，则认为当前时刻的当前代表模式中的向量均位于过去代表模式定义的超平面之外。具体地，将当前时刻x(t)的当前代表模式中的η个模式分别向过去代表模式u1到uη定义的超平面上做投影，获取投影值，并取投影值的均值作为当前时刻的变化点分数，其具体计算公式如式(11)所示：
Figure BDA0002753019300000101
经过式(11)的计算，当前时刻的道岔转辙机电流数据可转换为区间为[0,1]之间的值。需要说明的是，α(t)越大，表示在当前时刻的道岔转辙机电流数据出现概念漂移的概率越大，反之，α(t)越小，表示在当前时刻的道岔转辙机电流数据出现概念漂移的概率越小。
选取多个当前时刻的道岔转辙机电流数据的过去代表模式以及多个当前代表模式，重复步骤S21以及S22，获取多个变化点分数，根据多个变化点分数确定变化点分数序列。
本发明实施例提供的一种道岔转辙机电流数据的概念漂移检测方法，通过将当前时刻的道岔转辙机电流数据转换为一种变化点分数序列，从而将在原始当前时刻的道岔转辙机电流数据的序列上的检测转为在变化点分数序列上的检测，避免了因统计特征选取的不同出现概念漂移检测有误的情况，提高概念漂移检测的准确性，同时，选取多个过去代表模式和当前代表模式而不是单一的代表模式，降低原始当前时刻的道岔转辙机电流数据的序列上的噪声影响，进一步提高了概念偏移检测的准确性。
进一步地，在一个实施例中，步骤S3包括：
S31、将变化点分数序列与预设阈值进行比较，若变化点分数序列大于预设阈值，则确定当前时刻的道岔转辙机电流数据发生概念漂移。
具体地，将变化点分数序列中的每一个值与预设阈值进行比较，若变化点分数大于预设阈值，则认为在当前时刻发生概念漂移，反之，若变化点分数小于该阈值，则认为在当前时刻未发生概念漂移。
本发明实施例提供的一种道岔转辙机电流数据的概念漂移检测方法，通过将当前时刻的道岔转辙机电流数据转换为一种变化点分数序列，从而将在原始当前时刻的道岔转辙机电流数据的序列上的检测转为在变化点分数序列上的检测，避免了因统计特征选取的不同出现概念漂移检测有误的情况，提高概念漂移检测的准确性。
进一步地，在一个实施例中，方法还包括：
S4、若确定当前时刻的道岔转辙机电流数据发生概念漂移，更新部署到线上进行概念漂移检测的机器学习模型。
具体地，若确定当前时刻的道岔转辙机电流数据发生概念漂移，则将部署到线上的机器学习模型重新训练，并对数据采集模块实时发送的道岔转辙机电流数据数据继续进行概念漂移检测；
若确定当前时刻的道岔转辙机电流数据未发生概念漂移，则机器学习模型保持不变，继续对数据采集模块实时发送的道岔转辙机电流数据数据进行概念漂移检测。
本发明实施例提供的一种道岔转辙机电流数据的概念漂移检测方法，通过对当前时刻获取的道岔转辙机电流数据进行实时的分析，当检测到概念漂移时，能够及时更新线上部署的机器学习模型进行重训练，使得模型能够适应新数据的变化，并及时对实时获取的道岔转辙机电流继续进行概念漂移检测，保证了机器学习模型进行数据概念漂移检测的准确率。
图2为本发明实施例提供的一种道岔转辙机电流数据的概念漂移检测装置的结构示意图，如图2所示，所述装置包括：数据获取模块210，数据处理模块220，确定模块230，
数据获取模块210用于确定当前时刻的道岔转辙机电流数据的过去代表模式，以及当前代表模式；
数据处理模块220，用于根据过去代表模式以及当前代表模式，获取变化点分数序列；
确定模块230，用于根据变化点分数序列确定当前时刻的道岔转辙机电流数据是否发生概念漂移。
本发明实施例提供的一种道岔转辙机电流数据的概念漂移检测装置，通过数据获取模块210确保对道岔转辙机电流数据概念漂移检测的实时性，通过与数据处理模块220的结合将当前时刻的道岔转辙将当前时刻的道岔转辙机电流数据转换为一种变化点分数序列，最后通过确定模块230将在原始当前时刻的道岔转辙机电流数据的序列上的检测转为在变化点分数序列上的检测，避免了因统计特征选取的不同出现概念漂移检测有误的情况，提高概念漂移检测的准确性。
图3为本发明实施例提供的一种电子设备的实体结构示意图，如图3所示，该电子设备可以包括：处理器(processor)310、通信接口(communication interface)320、存储器(memory)330和总线(bus)340，其中，处理器310，通信接口320，存储器330通过总线340完成相互间的通信。处理器310可以调用存储器330中的逻辑指令，以执行如下方法：
确定当前时刻的道岔转辙机电流数据的过去代表模式，以及当前代表模式；
根据过去代表模式以及当前代表模式，获取变化点分数序列；
根据变化点分数序列确定当前时刻的道岔转辙机电流数据是否发生概念漂移。
此外，上述的存储器中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
进一步地，本发明实施例公开一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法实施例所提供的方法，例如包括：
确定当前时刻的道岔转辙机电流数据的过去代表模式，以及当前代表模式；
根据过去代表模式以及当前代表模式，获取变化点分数序列；
根据变化点分数序列确定当前时刻的道岔转辙机电流数据是否发生概念漂移。
另一方面，本发明实施例还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各实施例提供的传输方法，例如包括：
确定当前时刻的道岔转辙机电流数据的过去代表模式，以及当前代表模式；
根据过去代表模式以及当前代表模式，获取变化点分数序列；
根据变化点分数序列确定当前时刻的道岔转辙机电流数据是否发生概念漂移。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种道岔转辙机电流数据的概念漂移检测方法，其特征在于，包括：
确定当前时刻的道岔转辙机电流数据的过去代表模式，以及当前代表模式；
根据所述过去代表模式以及所述当前代表模式，获取变化点分数序列；
根据所述变化点分数序列确定所述当前时刻的道岔转辙机电流数据是否发生概念漂移。
2.根据权利要求1所述的道岔转辙机电流数据的概念漂移检测方法，其特征在于，所述确定当前时刻的道岔转辙机电流数据的过去代表模式，包括：
根据所述当前时刻之前的第一预设时间段内的道岔转辙机电流数据，确定所述第一预设时间段内的道岔转辙机电流数据的列向量；
根据所述第一预设时间段内的道岔转辙机电流数据的列向量，构建汉克尔矩阵，并确定所述汉克尔矩阵的奇异值以及特征向量；
根据所述奇异值以及所述特征向量，确定所述过去代表模式。
3.根据权利要求1所述的道岔转辙机电流数据的概念漂移检测方法，其特征在于，所述确定当前时刻的道岔转辙机电流数据的当前代表模式，包括：
根据所述当前时刻之前的第二预设时间段内的道岔转辙机电流数据，确定所述第二预设时间段内的道岔转辙机电流数据的列向量；
根据所述第二预设时间段内的道岔转辙机电流数据的列向量，构建汉克尔矩阵，并确定所述汉克尔矩阵的奇异值以及特征向量；
根据所述奇异值以及所述特征向量，确定所述当前代表模式。
4.根据权利要求2或3所述的道岔转辙机电流数据的概念漂移检测方法，其特征在于，所述根据所述奇异值以及所述特征向量，确定所述过去代表模式或当前代表模式，包括：
将所述奇异值按照从大到小的顺序进行排列，选取前预设数量个所述特征向量，以确定所述过去代表模式或当前代表模式；
其中，所述特征向量是由所述奇异值确定。
5.根据权利要求1所述的道岔转辙机电流数据的概念漂移检测方法，其特征在于，所述根据所述过去代表模式以及所述当前代表模式，获取变化点分数序列，包括：
根据所述过去代表模式以及所述当前代表模式，获取所述当前代表模式在所述过去代表模式所在超平面的投影值；
根据所述投影值，确定变化点分数；
根据所述变化点分数，获取所述变化点分数序列。
6.根据权利要求5所述的道岔转辙机电流数据的概念漂移检测方法，其特征在于，所述根据所述投影值，确定变化点分数，包括：
根据所述投影值的均值，确定所述变化点分数。
7.根据权利要求1所述的道岔转辙机电流数据的概念漂移检测方法，其特征在于，所述根据所述变化点分数序列确定所述当前时刻的道岔转辙机电流数据是否发生概念漂移，包括：
将所述变化点分数序列与预设阈值进行比较，若所述变化点分数序列大于所述预设阈值，则确定所述当前时刻的道岔转辙机电流数据发生概念漂移。
8.一种道岔转辙机电流数据的概念漂移检测装置，其特征在于，包括：数据获取模块、数据处理模块以及确定模块；
所述数据获取模块，用于确定当前时刻的道岔转辙机电流数据的过去代表模式，以及当前代表模式；
所述数据处理模块，用于根据所述过去代表模式以及所述当前代表模式，获取变化点分数序列；
所述确定模块，用于根据所述变化点分数序列确定所述当前时刻的道岔转辙机电流数据是否发生概念漂移。
9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至7任一项所述的道岔转辙机电流数据的概念漂移检测方法的步骤。
10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1至7任一项所述的道岔转辙机电流数据的概念漂移检测方法的步骤。
CN202011192106.8A 2020-10-30 2020-10-30 道岔转辙机电流数据的概念漂移检测方法及装置 Pending CN112347416A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011192106.8A CN112347416A (zh) 2020-10-30 2020-10-30 道岔转辙机电流数据的概念漂移检测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011192106.8A CN112347416A (zh) 2020-10-30 2020-10-30 道岔转辙机电流数据的概念漂移检测方法及装置

Publications (1)

Publication Number Publication Date
CN112347416A true CN112347416A (zh) 2021-02-09

Family

ID=74356239

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011192106.8A Pending CN112347416A (zh) 2020-10-30 2020-10-30 道岔转辙机电流数据的概念漂移检测方法及装置

Country Status (1)

Country Link
CN (1) CN112347416A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113033643A (zh) * 2021-03-17 2021-06-25 上海交通大学 基于带权重采样的概念漂移检测方法、系统及电子设备
CN113344196A (zh) * 2021-06-01 2021-09-03 京东城市(北京)数字科技有限公司 预测模型的训练方法、装置、计算机设备及存储介质
CN114441845A (zh) * 2021-12-17 2022-05-06 际络科技(上海)有限公司 电压漂移监控方法及装置

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3623964A1 (en) * 2018-09-14 2020-03-18 Verint Americas Inc. Framework for the automated determination of classes and anomaly detection methods for time series
CN111797122A (zh) * 2020-05-28 2020-10-20 浙江大学 高维重现概念漂移流数据的变化趋势预测方法及装置

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3623964A1 (en) * 2018-09-14 2020-03-18 Verint Americas Inc. Framework for the automated determination of classes and anomaly detection methods for time series
CN111797122A (zh) * 2020-05-28 2020-10-20 浙江大学 高维重现概念漂移流数据的变化趋势预测方法及装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
陈璐等: "基于某商业银行KPI数据的概念漂移检测和关联性分析", 中国优秀博硕士学位论文全文数据库, 10 October 2020 (2020-10-10), pages 2 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113033643A (zh) * 2021-03-17 2021-06-25 上海交通大学 基于带权重采样的概念漂移检测方法、系统及电子设备
CN113344196A (zh) * 2021-06-01 2021-09-03 京东城市(北京)数字科技有限公司 预测模型的训练方法、装置、计算机设备及存储介质
CN114441845A (zh) * 2021-12-17 2022-05-06 际络科技(上海)有限公司 电压漂移监控方法及装置
CN114441845B (zh) * 2021-12-17 2024-07-02 嬴彻星创智能科技(上海)有限公司 电压漂移监控方法及装置

Similar Documents

Publication Publication Date Title
CN112347416A (zh) 道岔转辙机电流数据的概念漂移检测方法及装置
US20220405682A1 (en) Inverse reinforcement learning-based delivery means detection apparatus and method
CN113835408A (zh) 用于自主驾驶交通工具的稳健多模态传感器融合
US10747784B2 (en) Identifying reason codes from gradient boosting machines
US20110066579A1 (en) Neural network system for time series data prediction
US20240193068A1 (en) Anomaly monitoring method and apparatus for timing data, electronic device, and storage medium
CN110363748B (zh) 关键点的抖动处理方法、装置、介质及电子设备
JP6950504B2 (ja) 異常候補抽出プログラム、異常候補抽出方法および異常候補抽出装置
US20200334557A1 (en) Chained influence scores for improving synthetic data generation
JP2019204190A (ja) 学習支援装置および学習支援方法
CN111064617B (zh) 基于经验模态分解聚类的网络流量预测方法及装置
CN110866527A (zh) 一种图像分割方法、装置、电子设备及可读存储介质
CN115588192A (zh) 细胞图像分类方法和图像分类系统、电子设备及存储介质
CN114440858A (zh) 移动机器人定位丢失检测方法、系统、设备及存储介质
JP2014063359A (ja) 信号処理装置および信号処理方法、出力装置および出力方法、並びにプログラム
JP2020170252A (ja) 画像処理装置、情報処理方法及びプログラム
CN116503320A (zh) 高光谱图像异常检测方法、装置、设备及可读存储介质
US20210232947A1 (en) Signal processing device, signal processing method, and computer program product
CN115393429A (zh) 姿态基准角生成方法及装置
CN115937870A (zh) 字符级文本检测模型的训练方法及装置、介质、终端
CN113554685A (zh) 遥感卫星运动目标检测方法、装置、电子设备及存储介质
US20200160500A1 (en) Prediction device, prediction method, and storage medium
CN114098764A (zh) 数据处理方法、装置、电子设备和存储介质
Lee et al. Warningnet: A deep learning platform for early warning of task failures under input perturbation for reliable autonomous platforms
CN110009579B (zh) 一种基于头脑风暴优化算法的图像复原方法及系统

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