CN112463847A - 一种基于时序数据的故障关联分析方法和装置 - Google Patents
一种基于时序数据的故障关联分析方法和装置 Download PDFInfo
- Publication number
- CN112463847A CN112463847A CN202011192507.3A CN202011192507A CN112463847A CN 112463847 A CN112463847 A CN 112463847A CN 202011192507 A CN202011192507 A CN 202011192507A CN 112463847 A CN112463847 A CN 112463847A
- Authority
- CN
- China
- Prior art keywords
- fault
- correlation
- piece
- association
- total number
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000010219 correlation analysis Methods 0.000 title claims abstract description 14
- 238000004364 calculation method Methods 0.000 claims description 21
- 239000013598 vector Substances 0.000 abstract description 5
- 238000004458 analytical method Methods 0.000 description 2
- 238000012098 association analyses Methods 0.000 description 2
- 238000012097 association analysis method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
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
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2462—Approximate or statistical queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2477—Temporal data queries
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Probability & Statistics with Applications (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Fuzzy Systems (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种基于时序数据的故障关联分析方法和装置,该方法包括:设置关联时间窗口;获取所述关联时间窗口内的各个故障之间的关联次数Rx→y,所述关联次数Rx→y具体为,前件故障x出现后,后件故障y在所述关联时间窗口内出现的总次数;当所述关联次数Rx→y为0时,认定所述前件故障x和所述后件故障y无法组成关联故障,不针对无法组成关联故障的所述前件故障x和所述后件故障y进行所述关联强度的计算;当所述关联次数Rx→y不为0时,认定所述前件故障x和所述后件故障y组成关联故障,即所述关联故障由前件故障x和后件故障y组成,所述前件故障x出现后,在所述关联时间窗口内,所述后件故障y出现;针对所述关联故障进行关联强度计算。本发明可快速挖掘时序故障数据的矢量关联关系。
Description
技术领域
本说明书涉及数据挖掘领域,特别是一种基于时序数据的故障关联分析方法和装置。
背景技术
关联分析可以从大量数据中发现项集之间有趣的关联和相关联系,传统关联分析方法主要是Apriori、FP-Tree,二者都是基于频繁项集次数统计的分析,通过过滤低于指定的最小支持度的项集减少计算量。
Apriori和FP-Tree有3个主要缺陷:1、最小支持度在计算前指定,计算后将丢失大量数据;2、更改最小支持度后需要重新进行大量计算;3、Apriori、FP-Tree不擅长处理时序性的事件集,关联事件不分发生先后,仅仅是依据支持度大小决定排序。
发明内容
本说明书实施例的目的在于,提供了一种基于时序数据的故障关联分析方法和装置,可快速挖掘时序故障数据的矢量关联关系。
为达到上述目的,一方面,本说明书实施例提供了一种基于时序数据的故障关联分析方法,包括:
设置关联时间窗口;
获取所述关联时间窗口内的各个故障之间的关联次数Rx→y,所述关联次数Rx→y具体为,前件故障x出现后,后件故障y在所述关联时间窗口内出现的总次数;
当所述关联次数Rx→y为0时,认定所述前件故障x和所述后件故障y无法组成关联故障,不针对无法组成关联故障的所述前件故障x和所述后件故障y进行所述关联强度的计算;
当所述关联次数Rx→y不为0时,认定所述前件故障x和所述后件故障y组成关联故障,即所述关联故障由前件故障x和后件故障y组成,所述前件故障x出现后,在所述关联时间窗口内,所述后件故障y出现;
针对所述关联故障进行关联强度计算。
另一方面,本说明书实施例还提供了一种基于时序数据的故障关联分析装置,包括:
关联时间窗口设置模块,用于设置关联时间窗口;
关联次数获取模块,用于获取所述关联时间窗口内的各个故障之间的关联次数Rx→y,所述关联次数Rx→y具体为,前件故障x出现后,后件故障y在所述关联时间窗口内出现的总次数;
关联故障认定模块,当所述关联次数Rx→y为0时,认定所述前件故障x和所述后件故障y无法组成关联故障,不针对无法组成关联故障的所述前件故障x和所述后件故障y进行所述关联强度的计算;当所述关联次数Rx→y不为0时,认定所述前件故障x和所述后件故障y组成关联故障,即所述关联故障由前件故障x和后件故障y组成,所述前件故障x出现后,在所述关联时间窗口内,所述后件故障y出现;
前件故障总次数获取模块和后件故障总次数获取模块,用于获取每组所述关联故障中的前件故障总次数Nx和后件故障总次数Ny,所述前件故障总次数Nx具体为所述前件故障x在所述关联时间窗口内出现的总次数,所述后件故障总次数Ny具体为所述后件故障y在所述关联时间窗口内出现的总次数;
支持度计算模块,用于基于每组所述关联故障的关联次数Rx→y、前件故障总次数Nx、和后件故障总次数Ny,计算所述关联故障的支持度support(x→y);
置信度计算模块,用于基于每组所述关联故障的关联次数Rx→y、前件故障总次数Nx,计算所述关联故障的置信度confidence(x→y);
关联强度计算模块,用于基于所述支持度support(x→y)和所述置信度confidence(x→y),计算所述关联故障的关联强度。
由以上本说明书实施例提供的技术方案可见,本发明可快速挖掘时序数据集的关联关系,无需事先指定最小支持度,可确立矢量关联的方向,直观地衡量故障数据关联的强弱。
附图说明
图1为本说明书一些实施例的基于时序数据的故障关联分析方法的流程图。
具体实施方式
为了使本技术领域的人员更好地理解本说明书中的技术方案,下面将结合本说明书实施例中的附图,对本说明书实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本说明书一部分实施例,而不是全部的实施例。基于本说明书中的实施例,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,都应当属于本说明书保护的范围。
如图1所示,本说明书一些实施例中提供了一种基于时序数据的故障关联分析方法,该方法包括以下步骤:
S102、设置关联时间窗口;获取所述关联时间窗口内的各个故障之间的关联次数Rx→y,所述关联次数Rx→y具体为,前件故障x出现后,后件故障y在所述关联时间窗口内出现的总次数;
S104、当所述关联次数Rx→y为0时,认定所述前件故障x和所述后件故障y无法组成关联故障,不针对无法组成关联故障的所述前件故障x和所述后件故障y进行所述关联强度的计算;
S106、当所述关联次数Rx→y不为0时,认定所述前件故障x和所述后件故障y组成关联故障,即所述关联故障由前件故障x和后件故障y组成,所述前件故障x出现后,在所述关联时间窗口内,所述后件故障y出现;
S108、针对所述关联故障进行关联强度计算。
在本说明书一些实施例中,针对所述关联故障进行关联强度计算,具体为,获取每组所述关联故障中的前件故障总次数Nx和后件故障总次数Ny,所述前件故障总次数Nx具体为所述前件故障x在所述关联时间窗口内出现的总次数,所述后件故障总次数Ny具体为所述后件故障y在所述关联时间窗口内出现的总次数;基于每组所述关联故障的关联次数Rx→y、前件故障总次数Nx、和后件故障总次数Ny,计算所述关联故障的支持度support(x→y);基于每组所述关联故障的关联次数Rx→y、前件故障总次数Nx,计算所述关联故障的置信度confidence(x→y);基于所述支持度support(x→y)和所述置信度confidence(x→y),计算所述关联故障的关联强度。
在本说明书一些实施例中,基于每组所述关联故障的关联次数Rx→y、前件故障总次数Nx、和后件故障总次数Ny,计算所述关联故障的支持度support(x→y),具体为,support(x→y)=2*(Rx→y)/(Nx+Ny)。
在本说明书一些实施例中,基于关联次数Rx→y和前件故障总次数Nx,计算所述关联故障的置信度confidence(x→y),具体为,confidence(x→y)=P(y|x)=Rx→y/Nx。
在本说明书一些实施例中,基于所述支持度support(x→y)和所述置信度confidence(x→y),计算所述关联故障的关联强度,具体为,所述关联强度等于所述支持度support(x→y)和所述置信度confidence(x→y)的乘积。
在本说明书一些实施例中,所述关联时间窗口为30秒。
下面结合表1、表2、表3的实例详细解释如下:
故障名称 | 发生时间 |
A | 00:00:00 |
B | 00:00:05 |
C | 00:00:06 |
A | 00:10:00 |
B | 00:10:05 |
A | 00:30:00 |
C | 00:31:40 |
表格1:故障时序数据
表1中列举了故障名称以及故障对应的发生时间,针对表1中列举的故障数据,挖掘过程主要分为两步,第一步是对全量历史数据进行简单的数学统计,此步骤数据量虽大,但速度极快,得到中间数据集;第二步是对中间数据集的进一步计算处理,通过过滤中间数据集中的0值项可大大减少第二步的计算量。具体解释如下,首先我们指定一个关联时间窗口,在同一个关联时间窗口中的故障即可视为关联故障。考虑到网络延迟等因素,假设我们将关联时间窗口定为30s,在前件故障发生后的30s内出现后件故障,则视为前件故障和后件故障为关联故障,在关联时间窗口内,关联故障每出现1次,关联关系次数则加一。通过查表1可知,共有3种故障:A、B、C,我们依次假定A为前件故障,扫描全表,统计得到A与其他2种故障的关联数据及关联次数,针对B、C为前件故障的情形,进行同样的操作,获取对应的关联数据及关联次数。
表2中列举了基于表1中的数据所统计出的关联故障及对应的关联次数。
表2:关联次数统计结果
统计完所有相关次数后,关联次数为0的项即是毫无关联的项,比如前件故障为B且后件故障为A的情形,前述情形将被自动滤去,不参与后续的支持度、置信度、关联强度的计算,很大程度地减少了计算量。
由于实际情况,故障种类成百上千,每种故障的支持度在极大的基数中,都显得极低,使用Apriori方法,即使是指定了很小的支持度也会过滤掉大量的有效数据,且最小支持度的值通常难以确定。
本发明对支持度进行了改进,挖掘前件故障A对后件故障B的关联影响时,support(A→B)=2*(Rx→y)/(Nx+Ny),因此support(A→B)=2*2/5,支持度越大,意味着B对A的依赖越大,达到最大值1时,意味着B不会独立于A发生。由于Rx→y不可能大于min(Nx,Ny),因此(Rx→y)/(Nx+Ny)的值域为[0,0.5],为了便于描述概率,故将值域放大2倍至[0,1]。
传统支持度表示项集在总项集里出现的概率,改进后的支持度,每次只考虑关联项本身,因此令“总项集=Nx+Ny”,彻底消除了其他事件的噪音,如:分析A→B时,无需考虑C、D、E等其他事件。
置信度confidence(A→B)=P(y|x)=Rx→y/Nx,表示的是事件A发生的情况下,B发生的概率,因此confidence(A→B)=2/3,置信度越大,意味着A对B的影响越大,达到最大值1时,意味着A发生后,B肯定发生。
我们自定义的指标“关联强度”是综合“支持度”和“置信度”的结果,计算公式为:“支持度*置信度”,值域同样为[0,1],此指标对用户更加友好,从直观上即可感受到关联强度的高低。
以上关联项都是矢量,如A对B的关系、B对A的关系是两个不同的方向。
依据以上计算公式,以及表格2的数据,进一步得到表3:
前件故障 | 后件故障 | 支持度 | 置信度 | 关联强度 |
A | B | 4/5 | 2/3 | 8/15 |
A | C | 2/5 | 1/3 | 2/15 |
B | C | 1/2 | 1/2 | 1/4 |
表3
表3中则展示了对应故障之间的支持度、置信度、关联强度的分析结果,并可基于此分析结果进行故障关联强弱的判断,比如可以看出,表3中,前件故障为A且后件故障为B的情形,关联强度为8/15,而前件故障为A且后件故障为C的情形,关联强度为2/15。用户可以基于需求,设置关联强度阈值,自动滤除关联强度较低的关联故障。
综上,本发明通过高效的关联项划分方法,简单高效且科学实用的计算方式,达成快速挖掘时序数据集的关联关系的目的。本发明还可通过保留所有有效支持度,无需事先指定最小支持度,不丢失任何有效关联项结果。此外,本发明基于时序数据天然具有的前后依赖关系,以某事件为起点(称为“前件故障”),后续一定时窗内的其他事件,均可能为此“前件故障”的“后件故障”,以此规则确立矢量关联方向。本发明对“支持度”指标做了改进,提出新的计算方式,用于衡量后件数据项对前件数据项的依赖程度,通过“置信度”指标衡量前件数据项对后件数据项的影响程度,并提出了新的指标“关联强度”概念以及计算方式,用于综合“支持度”和“置信度”,使用户更易理解,更直观地感受到关联强弱的概念。
本说明书一些实施例中还提供了一种基于时序数据的故障关联分析装置,该装置包括:关联时间窗口设置模块,用于设置关联时间窗口;关联次数获取模块,用于获取所述关联时间窗口内的各个故障之间的关联次数Rx→y,所述关联次数Rx→y具体为,前件故障x出现后,后件故障y在所述关联时间窗口内出现的总次数;关联故障认定模块,当所述关联次数Rx→y为0时,认定所述前件故障x和所述后件故障y无法组成关联故障,不针对无法组成关联故障的所述前件故障x和所述后件故障y进行所述关联强度的计算;当所述关联次数Rx→y不为0时,认定所述前件故障x和所述后件故障y组成关联故障,即所述关联故障由前件故障x和后件故障y组成,所述前件故障x出现后,在所述关联时间窗口内,所述后件故障y出现;前件故障总次数获取模块和后件故障总次数获取模块,用于获取每组所述关联故障中的前件故障总次数Nx和后件故障总次数Ny,所述前件故障总次数Nx具体为所述前件故障x在所述关联时间窗口内出现的总次数,所述后件故障总次数Ny具体为所述后件故障y在所述关联时间窗口内出现的总次数;支持度计算模块,用于基于每组所述关联故障的关联次数Rx→y、前件故障总次数Nx、和后件故障总次数Ny,计算所述关联故障的支持度support(x→y);置信度计算模块,用于基于每组所述关联故障的关联次数Rx→y、前件故障总次数Nx,计算所述关联故障的置信度confidence(x→y);关联强度计算模块,用于基于所述支持度support(x→y)和所述置信度confidence(x→y),计算所述关联故障的关联强度。
虽然上文描述的过程流程包括以特定顺序出现的多个操作,但是,应当清楚了解,这些过程可以包括更多或更少的操作,这些操作可以顺序执行或并行执行(例如使用并行处理器或多线程环境)。本发明是参照根据本发明实施例的方法的流程图和/或方框图来描述的。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括要素的过程、方法或者设备中还存在另外的相同要素。
本说明书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,对于方法实施例而言,由于其基本相似于装置实施例,所以描述的比较简单,相关之处参见装置实施例的部分说明即可。以上仅为本说明书的实施例而已,并不用于限制本说明书。对于本领域技术人员来说,本说明书可以有各种更改和变化。凡在本说明书的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本说明书的权利要求范围之内。
Claims (7)
1.一种基于时序数据的故障关联分析方法,其特征在于,所述方法包括:
设置关联时间窗口;
获取所述关联时间窗口内的各个故障之间的关联次数Rx→y,所述关联次数Rx→y具体为,前件故障x出现后,后件故障y在所述关联时间窗口内出现的总次数;
当所述关联次数Rx→y为0时,认定所述前件故障x和所述后件故障y无法组成关联故障,不针对无法组成关联故障的所述前件故障x和所述后件故障y进行所述关联强度的计算;
当所述关联次数Rx→y不为0时,认定所述前件故障x和所述后件故障y组成关联故障,即所述关联故障由前件故障x和后件故障y组成,所述前件故障x出现后,在所述关联时间窗口内,所述后件故障y出现;
针对所述关联故障进行关联强度计算。
2.根据权利要求1所述的基于时序数据的故障关联分析方法,其特征在于,还包括,
针对所述关联故障进行关联强度计算,具体为,
获取每组所述关联故障中的前件故障总次数Nx和后件故障总次数Ny,所述前件故障总次数Nx具体为所述前件故障x在所述关联时间窗口内出现的总次数,所述后件故障总次数Ny具体为所述后件故障y在所述关联时间窗口内出现的总次数;
基于每组所述关联故障的关联次数Rx→y、前件故障总次数Nx、和后件故障总次数Ny,计算所述关联故障的支持度support(x→y);
基于每组所述关联故障的关联次数Rx→y、前件故障总次数Nx,计算所述关联故障的置信度confidence(x→y);
基于所述支持度support(x→y)和所述置信度confidence(x→y),计算所述关联故障的关联强度。
3.根据权利要求2所述的基于时序数据的故障关联分析方法,其特征在于,还包括,
基于每组所述关联故障的关联次数Rx→y、前件故障总次数Nx、和后件故障总次数Ny,计算所述关联故障的支持度support(x→y),具体为,support(x→y)=2*(Rx→y)/(Nx+Ny)。
4.根据权利要求3所述的基于时序数据的故障关联分析方法,其特征在于,还包括,
基于关联次数Rx→y和前件故障总次数Nx,计算所述关联故障的置信度confidence(x→y),具体为,confidence(x→y)=P(y|x)=Rx→y/Nx。
5.根据权利要求4所述的基于时序数据的故障关联分析方法,其特征在于,
基于所述支持度support(x→y)和所述置信度confidence(x→y),计算所述关联故障的关联强度,具体为,所述关联强度等于所述支持度support(x→y)和所述置信度confidence(x→y)的乘积。
6.根据权利要求5所述的基于时序数据的故障关联分析方法,其特征在于,
所述关联时间窗口为30秒。
7.一种基于时序数据的故障关联分析装置,其特征在于,包括
关联时间窗口设置模块,用于设置关联时间窗口;
关联次数获取模块,用于获取所述关联时间窗口内的各个故障之间的关联次数Rx→y,所述关联次数Rx→y具体为,前件故障x出现后,后件故障y在所述关联时间窗口内出现的总次数;
关联故障认定模块,当所述关联次数Rx→y为0时,认定所述前件故障x和所述后件故障y无法组成关联故障,不针对无法组成关联故障的所述前件故障x和所述后件故障y进行所述关联强度的计算;当所述关联次数Rx→y不为0时,认定所述前件故障x和所述后件故障y组成关联故障,即所述关联故障由前件故障x和后件故障y组成,所述前件故障x出现后,在所述关联时间窗口内,所述后件故障y出现;
前件故障总次数获取模块和后件故障总次数获取模块,用于获取每组所述关联故障中的前件故障总次数Nx和后件故障总次数Ny,所述前件故障总次数Nx具体为所述前件故障x在所述关联时间窗口内出现的总次数,所述后件故障总次数Ny具体为所述后件故障y在所述关联时间窗口内出现的总次数;
支持度计算模块,用于基于每组所述关联故障的关联次数Rx→y、前件故障总次数Nx、和后件故障总次数Ny,计算所述关联故障的支持度support(x→y);
置信度计算模块,用于基于每组所述关联故障的关联次数Rx→y、前件故障总次数Nx,计算所述关联故障的置信度confidence(x→y);
关联强度计算模块,用于基于所述支持度support(x→y)和所述置信度confidence(x→y),计算所述关联故障的关联强度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011192507.3A CN112463847A (zh) | 2020-10-30 | 2020-10-30 | 一种基于时序数据的故障关联分析方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011192507.3A CN112463847A (zh) | 2020-10-30 | 2020-10-30 | 一种基于时序数据的故障关联分析方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112463847A true CN112463847A (zh) | 2021-03-09 |
Family
ID=74834797
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011192507.3A Pending CN112463847A (zh) | 2020-10-30 | 2020-10-30 | 一种基于时序数据的故障关联分析方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112463847A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130042147A1 (en) * | 2010-03-11 | 2013-02-14 | Nec Corporation | Fault analysis rule extraction device, fault analysis rule extraction method and storage medium |
CN106300293A (zh) * | 2016-08-31 | 2017-01-04 | 华中科技大学 | 一种基于电力系统底层故障信息的复杂故障串联整合方法 |
CN106874491A (zh) * | 2017-02-22 | 2017-06-20 | 北京科技大学 | 一种基于动态关联规则的设备故障信息挖掘方法 |
CN107203450A (zh) * | 2016-03-16 | 2017-09-26 | 伊姆西公司 | 故障的分类方法和设备 |
CN109358602A (zh) * | 2018-10-23 | 2019-02-19 | 山东中创软件商用中间件股份有限公司 | 一种故障分析方法、装置及相关设备 |
CN111143103A (zh) * | 2019-12-26 | 2020-05-12 | 北京浪潮数据技术有限公司 | 一种关联关系确定方法、装置、设备及可读存储介质 |
-
2020
- 2020-10-30 CN CN202011192507.3A patent/CN112463847A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130042147A1 (en) * | 2010-03-11 | 2013-02-14 | Nec Corporation | Fault analysis rule extraction device, fault analysis rule extraction method and storage medium |
CN107203450A (zh) * | 2016-03-16 | 2017-09-26 | 伊姆西公司 | 故障的分类方法和设备 |
CN106300293A (zh) * | 2016-08-31 | 2017-01-04 | 华中科技大学 | 一种基于电力系统底层故障信息的复杂故障串联整合方法 |
CN106874491A (zh) * | 2017-02-22 | 2017-06-20 | 北京科技大学 | 一种基于动态关联规则的设备故障信息挖掘方法 |
CN109358602A (zh) * | 2018-10-23 | 2019-02-19 | 山东中创软件商用中间件股份有限公司 | 一种故障分析方法、装置及相关设备 |
CN111143103A (zh) * | 2019-12-26 | 2020-05-12 | 北京浪潮数据技术有限公司 | 一种关联关系确定方法、装置、设备及可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11561954B2 (en) | Method and system to estimate the cardinality of sets and set operation results from single and multiple HyperLogLog sketches | |
CN105956628B (zh) | 数据分类方法和用于数据分类的装置 | |
CN103365765A (zh) | 测试用例筛选方法和系统 | |
CN103020212B (zh) | 一种基于用户查询日志实时发现热点视频的方法和装置 | |
CN107870956B (zh) | 一种高效用项集挖掘方法、装置及数据处理设备 | |
CN110377521B (zh) | 一种目标对象验证方法及装置 | |
CN107688589A (zh) | 数据库系统优化的方法及装置 | |
CN110889526B (zh) | 一种用户升级投诉行为预测方法及系统 | |
Bao et al. | Spectral rigidity for addition of random matrices at the regular edge | |
TW201543394A (zh) | 點擊率預估模型建立方法、裝置及資訊提供方法、系統 | |
CN108009715A (zh) | 一种自动分析指标波动根因的方法 | |
CN115422464A (zh) | 一种序列事件的参与人数的确定方法、装置及存储介质 | |
CN108171570A (zh) | 一种数据筛选方法、装置及终端 | |
CN114401158A (zh) | 流量计费方法、装置、电子设备及存储介质 | |
CN112463847A (zh) | 一种基于时序数据的故障关联分析方法和装置 | |
CN109033352B (zh) | 一种增值业务推荐方法及装置 | |
CN108243058B (zh) | 一种基于告警定位故障的方法和装置 | |
CN112732242A (zh) | 宽表加工脚本的生成方法及装置 | |
CN106908258A (zh) | 性能测试的方法及装置 | |
CN107870913B (zh) | 有效时间的高期望权重项集挖掘方法、装置及处理设备 | |
CN106708880B (zh) | 话题关联词的获取方法和装置 | |
CN117130851A (zh) | 一种高性能计算集群运行效率评价方法及系统 | |
US9398441B2 (en) | Method and apparatus for identifying re-subscribed user | |
CN114760190B (zh) | 一种面向服务的融合网络性能异常检测方法 | |
CN111368104A (zh) | 信息处理方法、装置及设备 |
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 |