CN113807462B - 一种基于ai的网络设备故障原因定位方法及其系统 - Google Patents
一种基于ai的网络设备故障原因定位方法及其系统 Download PDFInfo
- Publication number
- CN113807462B CN113807462B CN202111145772.0A CN202111145772A CN113807462B CN 113807462 B CN113807462 B CN 113807462B CN 202111145772 A CN202111145772 A CN 202111145772A CN 113807462 B CN113807462 B CN 113807462B
- Authority
- CN
- China
- Prior art keywords
- data
- model
- fault
- training
- data set
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
- Y04S10/52—Outage or fault management, e.g. fault detection or location
Abstract
本发明公开一种基于AI的网络设备故障原因定位方法及其系统,采集获取告警信息并经数据清洗得到样本数据;对样本数据进行特征抽取以区分出高级别特征与低级别特征,再对故障描述的文本进行向量化转化、对故障频率进行特征归一得到数据集;基于数据集选择现有成熟算法进行模型训练;使用交叉验证方法严格地使用训练集数据来评价模型在新数据集上的准确性;根据评估结果在对数据模型进行优化,将待检测的数据集输入训练好模型识别确认当前故障原因。本发明能够适当降低劳动人员的双手,提升故障维护效率。
Description
技术领域
本发明涉及网络设备故障检测技术领域,尤其涉及一一种基于AI的网络设备故障原因定位方法及其系统。
背景技术
目前已有的网络设备故障的处理方式大多是专家经验总结形成告警规则库,然后通过系统进行自动匹配派单,或者运维监控人员通过界面事实查看告警数据并根据业务经验进行人工派单,而告警的故障原因定位主要通过历史设备类型与故障频率相结合并通过人工总结规则库来进行匹配,然后才可以对故障原因进行具体的定位,整体准确率大概为60%,部分专业故障原因定位因为受限于技术支持,所以只能利用人工定位,而人工快速定位对维护人员的业务技能以及操作规范要求较高,所以相对来说准确率也会低一些,大概为40%。
发明内容
本发明的目的在于提供一种基于AI的网络设备故障原因定位方法及其系统。
本发明采用的技术方案是:
一种基于AI的网络设备故障原因定位方法,其包括以下步骤:
步骤1,采集获取告警信息并经数据清洗得到特征数据集和标注数据;
步骤2,对样本数据进行特征抽取以区分出高级别特征与低级别特征,再对故障描述的文本进行向量化转化、对故障频率进行特征归一得到数据集;
步骤3,基于数据集选择现有成熟算法进行模型训练;
步骤4,使用交叉验证方法严格地使用训练集数据来评价模型在新数据集上的准确性;
步骤5,判定模型的准确性是否满足设定要求;是则,保存当前模型参数得到训练好的模型并执行步骤6;否则,根据评估结果在对数据模型进行优化并执行步骤3;
步骤6,将训练好的模型进行应用封装得到对应模型应用;
步骤7,将待检测的数据集输入模型应用接口识别确认当前故障原因。
进一步地,步骤1中采用分布式ETL方案获取历史与新数据,并由用户来指定数据属性;对告警数据进行归一化处理使数据有相同的指标;根据告警数据时间属性的不同分配不同的样本权重。
进一步地,步骤2中高级别特征较为泛,低级别特征覆盖面较小,在告警数据中的故障类型、故障设备、故障区域、故障时间均为高级别特征;故障ID、操作人ID为低级别特征。
进一步地,步骤3的模型训练的具体步骤如下:
步骤3.1, 将数据集分为训练数据和测试数据,
步骤3.2,根据业务的不同目标选择合适的模型;具体地,结合故障原因定位的特点选择神经网络模型;
步骤3.2,神经网络模型包括输入层(input layer)、隐层(hidden layer)、阈值(bias)、输出层(output layer);输入层负责接收清洗后的历史告警以及故障定位数据,输出层输出所获得的结果,隐含层之所以这么叫是因为从用户的角度来看,它们是隐藏的。旁边的阈值是用来控制隐含层和输出层的值是否输出,即超过阈值的神经元才能输出。两两不同神经元之间的连接是权重,需要靠训练获得。当将告警数据接入神经网络模型后,算法会对数据进行反复的训练,直到达到一个满意的准确率。
进一步地,步骤5中具体做法有对神经网络层级、激活函数参数进行优化。
本发明还公开了一种基于AI的网络设备故障原因定位系统,包括数据处理模块、模型构建模块和应用封装模块;
数据处理模块:采集获取告警信息并经数据清洗得到样本数据;对样本数据进行特征抽取以区分出高级别特征与低级别特征,再对故障描述的文本进行向量化转化、对故障频率进行特征归一得到数据集;
模型构建模块:基于数据集选择现有成熟算法进行模型训练;使用交叉验证方法严格地使用训练集数据来评价模型在新数据集上的准确性;根据评估结果在对数据模型进行优化;
应用封装模块:将训练好模型封装成应用,并待检测的数据集输入训练好模型识别确认当前故障原因。
本发明采用以上技术方案,通过对已有的告警信息进行整理、分析,可以做到对故障原因进行精确的定位,直指故障根源,方便维护人员快速解决问题,减少故障处理时常,同时可以解决告警量大,告警信息繁杂等问题,并可以过滤掉很多错误的告警,更进一步的优化告警派单服务体系,提升用户体验。
附图说明
以下结合附图和具体实施方式对本发明做进一步详细说明;
图1为本发明一种基于AI的网络设备故障原因定位系统的架构示意图;
图2为本发明数据清洗路径示意图;
图3为神经网络模型架构图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图对本申请实施例中的技术方案进行清楚、完整地描述。
AI(Artificial Intelligence)即人工智能,作为计算机科学的一个重要分支,它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。随着网络中数据量的上涨,其研究领域在不断地扩大,包括专家系统、机器学习、进化计算、模糊逻辑、计算机视觉、自然语言处理、推荐系统等等。在这其中,机器学习是使用算法来解析数据、从中学习,然后对真实世界中的事件做出决策和预测,相应的,根据我们所阐述的故障原因精准定位需求,我们即需采用大量的数据来“训练”数据模型,然后对新的告警信息进行判断,从而精准获取故障的准确位置。
如图1至图3之一所示,本发明公开了一种基于AI的网络设备故障原因定位方法,其包括以下步骤:
步骤1,采集获取告警信息并经数据清洗得到特征数据集和标注数据;
步骤2,对样本数据进行特征抽取以区分出高级别特征与低级别特征,再对故障描述的文本进行向量化转化、对故障频率进行特征归一得到数据集;
步骤3,基于数据集选择现有成熟算法进行模型训练;
步骤4,使用交叉验证方法严格地使用训练集数据来评价模型在新数据集上的准确性;
步骤5,判定模型的准确性是否满足设定要求;是则,保存当前模型参数得到训练好的模型并执行步骤6;否则,根据评估结果在对数据模型进行优化并执行步骤3;
步骤6,将训练好的模型进行应用封装得到对应模型应用;
步骤7,将待检测的数据集输入模型应用接口识别确认当前故障原因。
进一步地,步骤1中采用分布式ETL方案获取历史与新数据,并由用户来指定数据属性;对告警数据进行归一化处理使数据有相同的指标;根据告警数据时间属性的不同分配不同的样本权重。
进一步地,步骤2中高级别特征较为泛,低级别特征覆盖面较小,在告警数据中的故障类型、故障设备、故障区域、故障时间均为高级别特征;故障ID、操作人ID为低级别特征。
进一步地,步骤3的模型训练的具体步骤如下:
步骤3.1, 将数据集分为训练数据和测试数据,
步骤3.2,根据业务的不同目标选择合适的模型;具体地,结合故障原因定位的特点选择神经网络模型;
步骤3.2,神经网络模型包括输入层(input layer)、隐层(hidden layer)、阈值(bias)、输出层(output layer);输入层负责接收清洗后的历史告警以及故障定位数据,输出层输出所获得的结果,隐含层之所以这么叫是因为从用户的角度来看,它们是隐藏的。旁边的阈值是用来控制隐含层和输出层的值是否输出,即超过阈值的神经元才能输出。两两不同神经元之间的连接是权重,需要靠训练获得。当将告警数据接入神经网络模型后,算法会对数据进行反复的训练,直到达到一个满意的准确率。
进一步地,步骤5中具体做法有对神经网络层级、激活函数参数进行优化。
如图1所示,本发明还公开了一种基于AI的网络设备故障原因定位系统,其包括数据处理模块、模型构建模块和应用封装模块;
(1)数据处理模块:该模块主要用来采集告警信息,经数据清洗后提供给模型构建模块进行机器学习建模;具体包括以下部分:
(1.1)告警数据接入。告警数据接入采用分布式ETL解决方案,利用Hadoop/Oracle平台的数据存储以及机器学习对结构化和非结构化的数据支持。由用户来指定数据属性,对故障告警的海量数据机器学习训练数据的接入。
(1.2)告警数据清洗。有了大量的原始数据之后,为了能够提高数据的可用性,方便数据模型的构建,我们会通过一系列方法处理并清洗出特征数据集和标注数据,具体的几种做法路径如图2所示。在海量的告警数据中,会有一些数据的特征值是缺失或者错误的,例如定位信息、故障原因等,这样的数据我们会采取补全、修正以及去除等操作,还有一些数据的特征值是数据建模过程中不需要的,例如受理单号,这样的数据我们会采取去除操作;然后为了使样本中的数据具有相同的指标,即使数据处于同一起跑线上,需要对数据进行归一化处理,即将数据映射到[0,1]或者[-1,1];在这,如果训练的数据集过大,会导致正负比例失调从而无法训练处合适的数据模型,所以需要进行一定的数据采样以及样本权重的分配,比如时间过于久远的数据权重分配的较小一些。经过清洗操作后,可以对数据进行建模操作。
(2)模型构建模块:该模块分为数据特征提取、模型训练以及模型的评估及优化。结合人工智能中的机器学习技术,通过对特征数据建模(包括业务分析建模、数据特征提取、模型训练、模型评估及优化等),提供给应用层,实现故障原因定位准确度的提升;\
(2.1)数据特征提取。在经过数据层的数据清洗后,为了尽可能的避免维度灾难,降低模型复杂度,提高模型的可解释性,我们选择在训练数据之前对数据进行特征抽取。首先要区分出高级别特征与低级别特征,其中高级别特征较为泛,低级别特征覆盖面较小,在告警数据中,故障类型、故障设备、故障区域、故障时间等均为高级别特征,而故障ID,操作人ID等即为低级别特征。将特征进行区分后,再进行对故障描述的文本进行向量化转化、对故障频率等进行特征归一等,一些特征例如告警单号是不需要的,所以可以选择不进行提取。
(2.2)模型训练。有了以上的操作后,这一部分可以选择相应的算法进行模型训练。主要分为以下几个部分。
a. 数据准备。数据集应分为训练数据和测试数据,为了不影响,这两部分的数据集应尽可能的保持一致。
b. 算法选择。算法选择就是为实际问题选择模型。可以根据业务的不同目标,选择合适的模型。模型选择是机器学习过程比较难的部分,复杂、迭代,经常不断的去“试错”和重复验证。结合故障原因定位的特点,我们选择神经网络,作为一门重要的机器学习技术,它是目前最为火热的研究方向--深度学习的基础。由大量的、同时也是很简单的的处理单元(或称之为神经元)广泛地互相连接而形成的复杂网络,是分析故障的方法中较为实用的方法,具有多种模式及联想、推测以及记忆功能,反应速度快,适合应用于故障原因定位。
图3为神经网络架构图,由输入层(input layer)、隐层(hidden layer)、阈值(bias)、输出层(output layer)几部分构成。输入层负责接收清洗后的历史告警以及故障定位数据,输出层输出我们所获得的结果,隐含层之所以这么叫是因为从用户的角度来看,它们是隐藏的。旁边的阈值是用来控制隐含层和输出层的值是否输出(即超过阈值的神经元才能输出)。两两不同神经元之间的连接是权重,只是一些数字,需要靠训练获得。当我们将告警数据接入其中后,算法会对数据进行反复的训练,直到达到一个满意的准确率,然后再进行下一步的模型评估。
(2.3)模型的评估及优化。在将数据模型投入使用之前,需要对训练好的模型进行评估,使其能够更好地估计模型在新数据集上的效果,以此来确定该模型的效率以及精准度。而模型在训练集数据上的误差不能反映其在新数据集上的误差情况。为了更好地估计模型在新数据集上的错误率,我们使用更复杂的方法,即交叉验证(cross validation),它严格地使用训练集数据来评价模型在新数据集上的准确。随后根据评估结果,在对数据模型进行优化,具体做法有对神经网络层级、激活函数参数进行优化等。
(3)应用封装模块:根据能力层训练出的模型,在应用结合实际的需求,实现故障根原因定位分析,最终实现故障全流程智能化目标。该模块通过采用机器学习技术中的神经网络技术,依托对海量数据特征的智慧学习,提升故障原因的识别能力,实现故障原因定位的准确度提升。本阶段主要训练及优化出故障原因定位模型并结合实际数据验证。
本发明采用以上技术方案,通过对已有的告警信息进行整理、分析,可以做到对故障原因进行精确的定位,直指故障根源,方便维护人员快速解决问题,减少故障处理时常,同时可以解决告警量大,告警信息繁杂等问题,并可以过滤掉很多错误的告警,更进一步的优化告警派单服务体系,提升用户体验。本发明为了提升故障原因定位的精准度,并且适当降低人工的参与度,引入人工智能技术,利用其中的机器学习技术对历史告警信息以及派单数据进行自动化和智能化的建模学习,在生成数据模型后,可以自动对新收到的告警信息进行故障原因的准确定位,从而提高派单的效率以及精准度,更进一步的,这样的方式也能够适当降低劳动人员的双手,提升故障维护效率。目前,根据本发明所涉及方法进行故障原因定位,实验测试准确率效果已达到90%以上,达到工业应用标准目标。
显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此,本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。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,都属于本申请保护的范围。
Claims (3)
1.一种基于AI的网络设备故障原因定位方法,其特征在于:其包括以下步骤:
步骤1,采集获取告警信息并经数据清洗得到特征数据集和标注数据;步骤1中采用分布式ETL方案获取历史与新数据,并由用户来指定数据属性;对告警数据进行补全或去除;对告警数据进行归一化处理使数据有相同的指标;根据告警数据时间属性的不同分配不同的样本权重;
步骤2,对样本数据进行特征抽取以区分出高级别特征与低级别特征,再对故障描述的文本进行向量化转化、对故障频率进行特征归一得到数据集;告警数据的故障类型、故障设备、故障区域、故障时间均为高级别特征;故障ID、操作人ID为低级别特征;
步骤3,基于数据集选择现有成熟算法进行模型训练;模型训练的具体步骤如下:
步骤3.1, 将数据集分为训练数据和测试数据,
步骤3.2,根据业务的不同目标选择合适的模型;结合故障原因定位的特点选择神经网络模型;神经网络模型包括输入层、隐层、阈值、输出层;输入层负责接收清洗后的历史告警以及故障定位数据,输出层输出所获得的结果,隐含层为配置在输入层和输出层之间相对用户隐藏的层级;阈值用来控制隐含层和输出层的值是否输出,即超过阈值的神经元才能输出;两两不同神经元之间的连接是权重,权重,靠训练获得;
步骤4,使用交叉验证方法严格地使用训练集数据来评价模型在新数据集上的准确性;
步骤5,判定模型的准确性是否满足设定要求;是则,保存当前模型参数得到训练好的模型并执行步骤6;否则,根据评估结果在对数据模型进行优化并执行步骤3;
步骤6,将训练好的模型进行应用封装得到对应模型应用;
步骤7,将待检测的数据集输入模型应用接口识别确认当前故障原因。
2.根据权利要求1所述的一种基于AI的网络设备故障原因定位方法,其特征在于:步骤5中具体做法有对神经网络层级、激活函数参数进行优化。
3.一种基于AI的网络设备故障原因定位系统,采用了权利要求1至2之一所述的一种基于AI的网络设备故障原因定位方法,其特征在于:系统包括数据处理模块、模型构建模块和应用封装模块;
数据处理模块:采集获取告警信息并经数据清洗得到样本数据;对样本数据进行特征抽取以区分出高级别特征与低级别特征,再对故障描述的文本进行向量化转化、对故障频率进行特征归一得到数据集;
模型构建模块:基于数据集选择现有成熟算法进行模型训练;使用交叉验证方法严格地使用训练集数据来评价模型在新数据集上的准确性;根据评估结果在对数据模型进行优化;
应用封装模块:将训练好模型封装成应用,并待检测的数据集输入训练好模型识别确认当前故障原因。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111145772.0A CN113807462B (zh) | 2021-09-28 | 2021-09-28 | 一种基于ai的网络设备故障原因定位方法及其系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111145772.0A CN113807462B (zh) | 2021-09-28 | 2021-09-28 | 一种基于ai的网络设备故障原因定位方法及其系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113807462A CN113807462A (zh) | 2021-12-17 |
CN113807462B true CN113807462B (zh) | 2023-07-04 |
Family
ID=78938767
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111145772.0A Active CN113807462B (zh) | 2021-09-28 | 2021-09-28 | 一种基于ai的网络设备故障原因定位方法及其系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113807462B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114595211A (zh) * | 2022-01-25 | 2022-06-07 | 杭州新中大科技股份有限公司 | 一种基于深度学习的产品数据清洗方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109800995A (zh) * | 2019-01-30 | 2019-05-24 | 北京数介科技有限公司 | 一种电网设备故障识别方法及系统 |
CN111985561A (zh) * | 2020-08-19 | 2020-11-24 | 安徽蓝杰鑫信息科技有限公司 | 一种智能电表的故障诊断方法、系统及电子装置 |
CN112508243A (zh) * | 2020-11-25 | 2021-03-16 | 国网浙江省电力有限公司信息通信分公司 | 电力信息系统多故障预测网络模型的训练方法及装置 |
CN112749509A (zh) * | 2020-12-30 | 2021-05-04 | 西华大学 | 一种基于lstm神经网络的智能变电站故障诊断方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110334740A (zh) * | 2019-06-05 | 2019-10-15 | 武汉大学 | 人工智能推理融合的电力设备故障检测定位方法 |
-
2021
- 2021-09-28 CN CN202111145772.0A patent/CN113807462B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109800995A (zh) * | 2019-01-30 | 2019-05-24 | 北京数介科技有限公司 | 一种电网设备故障识别方法及系统 |
CN111985561A (zh) * | 2020-08-19 | 2020-11-24 | 安徽蓝杰鑫信息科技有限公司 | 一种智能电表的故障诊断方法、系统及电子装置 |
CN112508243A (zh) * | 2020-11-25 | 2021-03-16 | 国网浙江省电力有限公司信息通信分公司 | 电力信息系统多故障预测网络模型的训练方法及装置 |
CN112749509A (zh) * | 2020-12-30 | 2021-05-04 | 西华大学 | 一种基于lstm神经网络的智能变电站故障诊断方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113807462A (zh) | 2021-12-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20200374720A1 (en) | Method for Detecting Abnormal Data in Sensor Network | |
WO2021184630A1 (zh) | 基于知识图谱定位排污对象的方法及相关设备 | |
CN109871401A (zh) | 一种时间序列异常检测方法及装置 | |
CN111507376B (zh) | 一种基于多种无监督方法融合的单指标异常检测方法 | |
CN112383052B (zh) | 基于电力物联网的电网故障修复方法和装置 | |
CN107949812A (zh) | 用于检测配水系统中的异常的组合方法 | |
CN106295807A (zh) | 一种信息处理的方法及装置 | |
CN112859822A (zh) | 基于人工智能的设备健康分析及故障诊断的方法及系统 | |
CN110139067A (zh) | 一种野生动物监测数据管理信息系统 | |
CN108647707B (zh) | 概率神经网络创建方法、故障诊断方法及装置、存储介质 | |
CN111126820A (zh) | 反窃电方法及系统 | |
CN108830417B (zh) | 一种基于arma和回归分析的生活能源消费预测方法及系统 | |
CN108470022A (zh) | 一种基于运维管理的智能工单质检方法 | |
CN109800995A (zh) | 一种电网设备故障识别方法及系统 | |
CN103886030B (zh) | 基于代价敏感决策树的信息物理融合系统数据分类方法 | |
CN109978215A (zh) | 巡防管理方法和装置 | |
CN113807462B (zh) | 一种基于ai的网络设备故障原因定位方法及其系统 | |
Azvine et al. | Intelligent business analytics—a tool to build decision-support systems for eBusinesses | |
CN115330268A (zh) | 一种应对矿山灾难的综合性应急指挥方法及系统 | |
CN112988843B (zh) | 一种基于SQL Server数据库的SMT贴片机故障管理及诊断系统 | |
CN106910075A (zh) | 移动通信客户投诉的智能处理系统和方法 | |
CN113609393A (zh) | 一种基于数据服务和数据管理的数字化平台 | |
CN114548494A (zh) | 一种可视化造价数据预测智能分析系统 | |
CN112580260A (zh) | 管网水流量的预测方法、装置以及计算机可读存储介质 | |
CN207516464U (zh) | 一种便携式计量自动化终端故障诊断装置 |
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 |