CN114185881A - 异常数据自动修复方法、装置、设备及存储介质 - Google Patents
异常数据自动修复方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN114185881A CN114185881A CN202111525942.8A CN202111525942A CN114185881A CN 114185881 A CN114185881 A CN 114185881A CN 202111525942 A CN202111525942 A CN 202111525942A CN 114185881 A CN114185881 A CN 114185881A
- Authority
- CN
- China
- Prior art keywords
- data
- repairing
- abnormal data
- model
- training
- 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
Links
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 238
- 238000000034 method Methods 0.000 title claims abstract description 48
- 230000008439 repair process Effects 0.000 claims abstract description 177
- 238000012549 training Methods 0.000 claims abstract description 133
- 238000001514 detection method Methods 0.000 claims abstract description 13
- 238000004590 computer program Methods 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000007405 data analysis Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 2
- 238000013473 artificial intelligence Methods 0.000 abstract description 5
- 238000005516 engineering process Methods 0.000 abstract description 4
- 230000006870 function Effects 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 238000007726 management method Methods 0.000 description 5
- 238000011084 recovery Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000005457 optimization Methods 0.000 description 3
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009747 swallowing 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
- G06F16/21—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
- 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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Databases & Information Systems (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及人工智能技术,揭露一种异常数据自动修复方法,包括:根据训练异常数据和正常数据计算得到第一偏移值;逐一选取修复模型库中的修复模型计算训练异常数据的修复数据;根据修复数据和正常数据计算得到第二偏移值;根据第二偏移值和第一偏移值进行判断,根据判断结果进行计算,得到标准修复模型并返回选取修复模型的步骤;当所述修复模型库所有修复模型都选取完毕时,利用每一个标准修复模型对应的训练数据逐一与获取的真实异常数据进行相似度检测,并根据检测结果选取目标标准修复模型;利用目标标准修复模型修复异常数据得到正常数据。本发明还提出一种异常数据自动修复装置、设备以及介质。本发明可以提高异常数据修复的精确性。
Description
技术领域
本发明涉及人工智能技术领域,尤其涉及一种异常数据自动修复方法、装置、电子设备及计算机可读存储介质。
背景技术
数据是一切现代系统的基础,数据的完整性、准确性决定了数据分析决策的可靠性,因此保证数据完整、准确就是最重要的一步。实际应用中,各个系统都可能因为用户误操作或历史遗留问题,产生或多或少的异常数据,影响了数据分析决策的可靠性。传统的数据处理大多由人工介入,从发现问题、确定问题根源、制定解决方案、最终解决问题等流程需要投入较多的时间精力,耗时长,成本高,效率低;而利用技术手段计算数据修复的过程中,常常出现修复结果偏离,修复路径错误或者修复路径选择及修复过程耗时过长的问题。
发明内容
本发明提供一种异常数据自动修复方法、装置及计算机可读存储介质,其主要目的在于解决进行异常数据修复的精确度较低的问题。
为实现上述目的,本发明提供的一种异常数据自动修复方法,包括:
获取训练异常数据以及对应的正常数据,根据所述训练异常数据和所述正常数据计算得到第一偏移值;
从预设的修复模型库中选取其中一个修复模型对所述训练异常数据进行计算,得到所述训练异常数据对应的修复数据;
计算得到所述修复数据和所述正常数据之间的第二偏移值,并判断所述第二偏移值是否小于所述第一偏移值;
若所述第二偏移值大于或等于所述第一偏移值,则返回从预设的修复模型库中选取其中一个修复模型对所述训练异常数据进行计算的步骤;
若所述第二偏移值小于所述第一偏移值,则判断所述第二偏移值是否小于预设阈值;
若所述第二偏移值小于或等于预设阈值,则确定所述修复模型为标准修复模型,并将所述标准修复模型加入标准修复模型库中,并返回从预设的修复模型库中选取其中一个修复模型对所述训练异常数据进行计算的步骤;
若所述第二偏移值大于预设阈值,则利用所述第二偏移值对所述修复模型进行优化,并确定优化后的修复模型为标准修复模型,并将所述标准修复模型加入标准修复模型库中,并返回从预设的修复模型库中选取其中一个修复模型对所述训练异常数据进行计算的步骤;
当所述修复模型库所有修复模型都选取完毕时,获取真实异常数据,利用所述标准修复模型库中的每一个标准修复模型对应的训练数据逐一与所述真实异常数据进行相似度检测,得到所述真实异常数据与每一种训练数据的相似度分值;
选取相似度分值最高的训练数据对应的标准修复模型作为目标标准修复模型;
利用所述目标标准修复模型对所述真实异常数据进行修复,得到所述真实异常数据对应的正常数据。
可选地,所述从预设的修复模型库中选取其中一个修复模型对所述训练异常数据进行计算,得到所述训练异常数据对应的修复数据,包括:
将所述训练异常数据转换为向量矩阵;
从所述修复模型库中选取其中一个修复模型为目标修复模型;
利用所述修复模型对所述向量矩阵进行预设次数的卷积、池化以及激活处理,得到修复数据。
可选地,所述获取真实异常数据,包括:
调用数据访问接口,并利用所述数据访问接口在存储区域中逐一对数据执行检索;
判断检索到的数据是否符合预设的配置规则;
若检索到的数据符合预设的配置规则,则不抓取所述数据;
若检索到的数据不符合预设的配置规则,则抓取所述数据作为真实异常数据。
可选地,所述利用所述标准修复模型库中的每一个标准修复模型对应的训练数据逐一与所述真实异常数据进行相似度检测,得到所述真实异常数据与每一种训练数据的相似度分值,包括:
提取所述标准修复模型库中的每一个标准修复模型对应的训练数据;
计算所述训练数据与所述真实异常数据的余弦相似度;
根据所述余弦相似度确定所述真实异常数据与每一种训练数据的相似度分值。
可选地,所述计算所述训练数据与所述真实异常数据的余弦相似度,包括:
通过如下公式计算所述训练数据与所述真实异常数据的距离值:
其中,所述cosθ为相似度分值,a为所述真实异常数据,bi为第i种标准修复模型对应的训练数据。
可选地,所述根据所述训练异常数据和所述正常数据计算得到第一偏移值,包括:
通过如下公式计算计算所述训练异常数据和所述正常数据的第一偏移值:
其中,D为所述第一偏移值,R为所述训练异常数据中的其中一个异常数据,T为所述正常数据中对应的正常数据,θ为预设系数。
可选地,所述得到所述真实异常数据对应的正常数据之后,所述方法还包括:
获取所述异常数据中的参数信息;
提取所述参数信息中的参数标签;
将所述参数标签和所述参数信息存储至预设的异常数据分析表中。
为了解决上述问题,本发明还提供一种异常数据自动修复装置,所述装置包括:
初始数据获取模块,用于获取训练异常数据以及对应的正常数据,根据所述训练异常数据和所述正常数据计算得到第一偏移值;
偏移值计算模块,用于从预设的修复模型库中选取其中一个修复模型对所述异常数据进行计算,得到训练异常数据对应的修复数据;计算得到所述修复数据和所述正常数据之间的第二偏移值;
标准修复模型库生成模块,用于当所述第二偏移值小于所述第一偏移值时,判断所述第二偏移值是否小于预设阈值;若所述第二偏移值小于或等于预设阈值,则确定所述修复模型为标准修复模型;若所述第二偏移值大于预设阈值,则利用所述第二偏移值对所述修复模型进行优化,并确定优化后的修复模型为标准修复模型;将标准修复模型加入标准修复模型库中,并返回从预设的修复模型库中选取其中一个修复模型对所述训练异常数据进行计算的步骤;
目标修复模型获取模块,用于当所述修复模型库所有修复模型都选取完毕时,获取真实异常数据,,利用所述标准修复模型库中的每一个标准修复模型对应的训练数据逐一与所述真实异常数据进行相似度检测,得到所述真实异常数据与每一种训练数据的相似度分值;选取相似度分值最高的训练数据对应的标准修复模型作为目标标准修复模型;
正常数据获取模块,用于利用所述目标标准修复模型对所述真实异常数据进行修复,得到所述真实异常数据对应的正常数据。
为了解决上述问题,本发明还提供一种电子设备,所述电子设备包括:
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计算机程序,所述计算机程序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上述所述的异常数据自动修复方法。
为了解决上述问题,本发明还提供一种计算机可读存储介质,所述计算机可读存储介质中存储有至少一个计算机程序,所述至少一个计算机程序被电子设备中的处理器执行以实现上述所述的异常数据自动修复方法。
本发明实施例通过训练修复模型库中的修复模型,实现了对各种异常数据的修复,即实现了异常数据修复的全面性和差异性;通过异常数据以及修复模型库中每一种修复模型的训练数据,计算得到对应的修复模型,提高了确定修复方法进行异常数据修复的效率;每一种修复模型对应着一种异常数据类型的修复方法,提高了异常数据修复的精确性。因此本发明提出的异常数据自动修复方法、装置、电子设备及计算机可读存储介质,可以解决异常数据修复的精确度较低的问题。
附图说明
图1为本发明一实施例提供的异常数据自动修复方法的流程示意图;
图2为本发明一实施例提供的训练异常数据对应的修复数据的流程示意图;
图3为本发明一实施例提供的计算相似度分值的流程示意图;
图4为本发明一实施例提供的异常数据自动修复装置的功能模块图;
图5为本发明一实施例提供的实现所述异常数据自动修复方法的电子设备的结构示意图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本申请实施例提供一种异常数据自动修复方法。所述异常数据自动修复方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之,所述异常数据自动修复方法可以由安装在终端设备或服务端设备的软件或硬件来执行,所述软件可以是区块链平台。所述服务端包括但不限于:单台服务器、服务器集群、云端服务器或云端服务器集群等。所述服务器可以是独立的服务器,也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(ContentDelivery Network,CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。
参照图1所示,为本发明一实施例提供的异常数据自动修复方法的流程示意图。在本实施例中,所述异常数据自动修复方法包括:
S1、获取训练异常数据以及对应的正常数据,根据所述训练异常数据和所述正常数据计算得到第一偏移值;
本发明实施例中,所述训练异常数据包括缺少部分数据的数据集、出现错误数据的数据集等,所述训练异常数据和所述正常数据可以由业务人员进行人为标注得到。
进一步地,本发明实施例可通过如下公式计算计算所述训练异常数据和所述正常数据的第一偏移值:
其中,R为所述训练异常数据中的其中一个异常数据,T为所述正常数据中对应的正常数据,θ为预设系数,D为所述异常数据R的所述第一偏移值。
S2、从预设的修复模型库中选取其中一个修复模型对所述训练异常数据进行计算,得到所述训练异常数据对应的修复数据;
本发明实施例中,所述预设的修复模型库中的每一种修复模型都可以为卷积神经网络构建,通过不同类型的异常数据进行训练后,可以将异常数据修复为正常数据或修复为接近正常数据。例如,修复模型A是由缺少部分数据的异常数据训练得到,则训练完成的所述修复模型A可以实现将缺少部分数据的异常数据中的缺失部分修复完整。其中,所述训练异常数据中的每一种异常数据都包括异常数据类型标签,所述异常数据类型标签可用于标识异常类型。
本发明实施例中,参阅图2所示,所述从预设的修复模型库中选取其中一个修复模型对所述训练异常数据进行计算,得到所述训练异常数据对应的修复数据,包括:
S21、将所述训练异常数据转换为向量矩阵;
S22、从所述修复模型库中选取其中一个修复模型为目标修复模型;
S23、利用所述目标修复模型对所述向量矩阵进行预设次数的卷积、池化以及激活处理,得到修复数据。
S3、计算得到所述修复数据和所述正常数据之间的第二偏移值,并判断所述第二偏移值是否小于所述第一偏移值;
本发明实施例中,所述计算得到所述修复数据和所述正常数据之间的第二偏移值的步骤与S1中根据所述异常数据和所述正常数据计算得到第一偏移值的步骤相同,在此不过多赘述。
本发明实施例中,通过判断所述第二偏移值是否小于第一偏移值来确定选择的修复模型是否正确,若所述第二偏移值小于所述第一偏移值,则说明选择的修复模型正确;若所述第二偏移值小于所述第一偏移值,则说明选择的修复模型不正确,需要从修复模型库中选择其他的修复模型进行修复。
若所述第二偏移值大于或等于所述第一偏移值,则返回S2;
本发明实施例中,若所述第二偏移值大于或等于所述第一偏移值,则说明所述修复模型不适用于所述训练异常数据的修复,需要重新选择修复模型库中其他的修复模型对所述训练异常数据进行修复。
若所述第二偏移值小于所述第一偏移值,则执行S4、判断所述第二偏移值是否小于预设阈值;
本发明实施例中,通过所述修复模型计算得到的修复数据,可能存在未达到修复要求的情况,即修复之后的异常数据虽然与正常数据计算得到第二偏移值小于第一偏移值,但是与正常数据之间仍然存在的较大偏差,因此通过设置阈值进行偏移值比较来确定修复数据是否符合标准。
若所述第二偏移值小于或等于预设阈值,则执行S5、确定所述修复模型为标准修复模型,并将所述标准修复模型加入标准修复模型库中;
S6、判断所述修复模型库所有修复模型是否都选取完毕;
若所述修复模型库所有修复模型未全部选取完毕,则返回S2;
本发明实施例中,若所述第二偏移值小于或等于所述阈值,则说明所述修复模型满足所述异常数据的修复,即可以作为标准修复模型对与所述异常数据类型类似的异常数据进行修复。
若所述第二偏移值大于预设阈值,则执行S7、利用所述第二偏移值对所述修复模型进行优化,并确定优化后的修复模型为标准修复模型,并将所述标准修复模型加入标准修复模型库中,并返回S6;
本发明实施例中,若所述第二偏移值大于所述阈值,则说明所述修复模型可以对所述异常数据进行修复,但是修复后的修复数据未能满足要求。
本发明实施例中,可利用优化算法(如Adam优化算法)优化所述修复模型,Adam优化算法可自适应调节修复模型训练过程中的学习率,使得修复模型更加精确,提升异常数据的修复性能。
本发明一可选实施例中,可以使用最小损失分配策略进行模型训练,即根据正常数据,对于所有输出的修复数据,将第二偏移值最小的修复数据被选为正样本,其他的修复数据都是负样本,并利用正样本及负样本迭代训练预设次数(如80次)至学习率降低至预设学习率(例如5e-5),继续重复迭代预设次数(如80次)直至修复模型的参数收敛,得到标准修复模型。
若所述修复模型库所有修复模型都选取完毕,则执行S8、获取真实异常数据,利用所述标准修复模型库中的每一个标准修复模型对应的训练数据逐一与所述真实异常数据进行相似度检测,得到所述真实异常数据与每一种训练数据的相似度分值;
本发明实施例中,可以实时获取或者周期性的抓取所述不符合预设规则的异常数据作为真实异常数据,本发明实施例可以采用爬虫技术,从存储区域中抓取符合预设标准的身份信息;还可以利用具有数据抓取功能的python语句从用于存储数据的区块链节点中抓取识别到的所述真实异常数据,利用区块链对数据的高吞性,可提高获取真实异常数据的效率。
本发明实施例中,在获取真实常数据之前,可以提取数据库中数据属性显示为错误的数据,并将所述数据存储在异常数据表中;在获取真实异常数据时,可以从所述异常数据表中逐一提取异常数据进行修复。
本发明实施例中,所述获取真实异常数据,包括:
调用数据访问接口,并利用所述数据访问接口在存储区域中逐一对数据执行检索;
判断检索到的数据是否符合预设的配置规则;
若检索到的数据符合预设的配置规则,则不抓取所述数据;
若检索到的数据不符合预设的配置规则,则抓取所述数据作为真实异常数据。
其中,所述存储区域包括但不限于数据库、区块链节点、网络缓存等。
本发明实施例中,所述配置规则可以预先写入系统,当存在数据不符合预设规则时,会写显示数据错误的标识。
本发明实施例中,参阅图3所示,所述利用所述标准修复模型库中的每一个标准修复模型对应的训练数据逐一与所述真实异常数据进行相似度检测,得到所述真实异常数据与每一种训练数据的相似度分值,包括:
S81、提取所述标准修复模型库中的每一个标准修复模型对应的训练数据;
S82、计算所述训练数据与所述真实异常数据的余弦相似度;
S83、根据所述余弦相似度确定所述真实异常数据与每一种训练数据的相似度分值。
进一步地,本发明实施例可通过如下公式计算所述训练数据与所述真实异常数据的距离值:
其中,所述cosθ为相似度分值,a为所述真实异常数据,bi为第i种标准修复模型对应的训练数据。
本发明实施例中,相似度分值越大则说明所述真实异常数据与该相似度分值对应的训练数据越相似。
例如,假设存在训练数据A、B、C、D,真实异常数据分别与所述训练数据A、B、C、D进行余弦相似度计算,分别得到相似度值为0.8、0.7、0.2、0.2,因此确定训练数据A与所述真实异常数据更相似。
S9、选取相似度分值最高的训练数据对应的标准修复模型作为目标标准修复模型;
本发明实施例中,相似度分值越高则说明该相似度对应的训练数据与所述异常数据越相似,因此训练数据训练得到的标准修复模型可以用来修复所述异常数据。
S10、利用所述目标标准修复模型对所述真实异常数据进行修复,得到所述真实异常数据对应的正常数据。
本发明实施例中,所述利用所述目标标准修复模型对所述真实异常数据进行修复的步骤与S2中逐一从预设的修复模型库中选取其中一个修复模型对所述训练异常数据进行计算的步骤相同,在此不过多赘述。
本发明实施例中,所述得到所述真实异常数据对应的正常数据之后,还包括:
获取所述真实异常数据中的参数信息;
提取所述参数信息中的参数标签;
将所述参数标签和所述参数信息存储至预设的异常数据分析表中。
本发明实施例中,所述参数信息包括参数标签为系统来源、问题来源、时间区间、所属业务线等的信息,通过所述参数信息存储至异常数据分析表中,可以系统的整理出异常数据相关信息,便于分析异常数据的产生原因。
本发明实施例通过训练修复模型库中的修复模型,实现了对各种异常数据的修复,即实现了异常数据修复的全面性和差异性;通过异常数据以及修复模型库中每一种修复模型的训练数据,计算得到对应的修复模型,提高了确定修复方法进行异常数据修复的效率;每一种修复模型对应着一种异常数据类型的修复方法,提高了异常数据修复的精确性。因此本发明提出的异常数据自动修复方法,可以解决异常数据修复的精确度较低的问题。
如图4所示,是本发明一实施例提供的异常数据自动修复装置的功能模块图。
本发明所述异常数据自动修复装置100可以安装于电子设备中。根据实现的功能,所述异常数据自动修复装置100可以包括初始数据获取模块101、偏移值计算模块102、标准修复模型库生成模块103、目标修复模型获取模块104及正常数据获取模块105。本发明所述模块也可以称之为单元,是指一种能够被电子设备处理器所执行,并且能够完成固定功能的一系列计算机程序段,其存储在电子设备的存储器中。
在本实施例中,关于各模块/单元的功能如下:
所述初始数据获取模块101,用于获取训练异常数据以及对应的正常数据,根据所述训练异常数据和所述正常数据计算得到第一偏移值;
所述偏移值计算模块102,用于从预设的修复模型库中选取其中一个修复模型对所述异常数据进行计算,得到训练异常数据对应的修复数据;计算得到所述修复数据和所述正常数据之间的第二偏移值;
所述标准修复模型库生成模块103,用于当所述第二偏移值小于所述第一偏移值时,判断所述第二偏移值是否小于预设阈值;若所述第二偏移值小于或等于预设阈值,则确定所述修复模型为标准修复模型;若所述第二偏移值大于预设阈值,则利用所述第二偏移值对所述修复模型进行优化,并确定优化后的修复模型为标准修复模型;将标准修复模型加入标准修复模型库中,并返回从预设的修复模型库中选取其中一个修复模型对所述训练异常数据进行计算的步骤;
所述目标修复模型获取模块104,用于当所述修复模型库所有修复模型都选取完毕时,获取真实异常数据,,利用所述标准修复模型库中的每一个标准修复模型对应的训练数据逐一与所述真实异常数据进行相似度检测,得到所述真实异常数据与每一种训练数据的相似度分值;选取相似度分值最高的训练数据对应的标准修复模型作为目标标准修复模型;
所述正常数据获取模块105,用于利用所述目标标准修复模型对所述真实异常数据进行修复,得到所述真实异常数据对应的正常数据。
详细地,本发明实施例中所述异常数据自动修复装置100中所述的各模块在使用时采用与上述图1至图3中所述的异常数据自动修复方法一样的技术手段,并能够产生相同的技术效果,这里不再赘述。
如图5所示,是本发明一实施例提供的实现异常数据自动修复方法的电子设备的结构示意图。
所述电子设备1可以包括处理器10、存储器11、通信总线12以及通信接口13,还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序,如异常数据自动修复程序。
其中,所述处理器10在一些实施例中可以由集成电路组成,例如可以由单个封装的集成电路所组成,也可以是由多个相同功能或不同功能封装的集成电路所组成,包括一个或者多个中央处理器(Central Processing unit,CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(ControlUnit),利用各种接口和线路连接整个电子设备的各个部件,通过运行或执行存储在所述存储器11内的程序或者模块(例如执行异常数据自动修复程序等),以及调用存储在所述存储器11内的数据,以执行电子设备的各种功能和处理数据。
所述存储器11至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如:SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备的内部存储单元,例如该电子设备的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备的外部存储设备,例如电子设备上配备的插接式移动硬盘、智能存储卡(Smart Media Card,SMC)、安全数字(Secure Digital,SD)卡、闪存卡(Flash Card)等。进一步地,所述存储器11还可以既包括电子设备的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备的应用软件及各类数据,例如异常数据自动修复程序的代码等,还可以用于暂时地存储已经输出或者将要输出的数据。
所述通信总线12可以是外设部件互连标准(peripheral componentinterconnect,简称PCI)总线或扩展工业标准结构(extended industry standardarchitecture,简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
所述通信接口13用于上述电子设备与其他设备之间的通信,包括网络接口和用户接口。可选地,所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等),通常用于在该电子设备与其他电子设备之间建立通信连接。所述用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard)),可选地,用户接口还可以是标准的有线接口、无线接口。可选地,在一些实施例中,显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode,有机发光二极管)触摸器等。其中,显示器也可以适当的称为显示屏或显示单元,用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。
图5仅示出了具有部件的电子设备,本领域技术人员可以理解的是,图5示出的结构并不构成对所述电子设备1的限定,可以包括比图示更少或者更多的部件,或者组合某些部件,或者不同的部件布置。
例如,尽管未示出,所述电子设备还可以包括给各个部件供电的电源(比如电池),优选地,电源可以通过电源管理装置与所述至少一个处理器10逻辑相连,从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备还可以包括多种传感器、蓝牙模块、Wi-Fi模块等,在此不再赘述。
应该了解,所述实施例仅为说明之用,在专利申请范围上并不受此结构的限制。
所述电子设备1中的所述存储器11存储的异常数据自动修复程序是多个指令的组合,在所述处理器10中运行时,可以实现:
获取训练异常数据以及对应的正常数据,根据所述训练异常数据和所述正常数据计算得到第一偏移值;
从预设的修复模型库中选取其中一个修复模型对所述训练异常数据进行计算,得到所述训练异常数据对应的修复数据;
计算得到所述修复数据和所述正常数据之间的第二偏移值,并判断所述第二偏移值是否小于所述第一偏移值;
若所述第二偏移值大于或等于所述第一偏移值,则返回从预设的修复模型库中选取其中一个修复模型对所述训练异常数据进行计算的步骤;
若所述第二偏移值小于所述第一偏移值,则判断所述第二偏移值是否小于预设阈值;
若所述第二偏移值小于或等于预设阈值,则确定所述修复模型为标准修复模型,并将所述标准修复模型加入标准修复模型库中,并返回从预设的修复模型库中选取其中一个修复模型对所述训练异常数据进行计算的步骤;
若所述第二偏移值大于预设阈值,则利用所述第二偏移值对所述修复模型进行优化,并确定优化后的修复模型为标准修复模型,并将所述标准修复模型加入标准修复模型库中,并返回从预设的修复模型库中选取其中一个修复模型对所述训练异常数据进行计算的步骤;
当所述修复模型库所有修复模型都选取完毕时,获取真实异常数据,利用所述标准修复模型库中的每一个标准修复模型对应的训练数据逐一与所述真实异常数据进行相似度检测,得到所述真实异常数据与每一种训练数据的相似度分值;
选取相似度分值最高的训练数据对应的标准修复模型作为目标标准修复模型;
利用所述目标标准修复模型对所述真实异常数据进行修复,得到所述真实异常数据对应的正常数据。
具体地,所述处理器10对上述指令的具体实现方法可参考附图对应实施例中相关步骤的描述,在此不赘述。
进一步地,所述电子设备1集成的模块/单元如果以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存储介质中。所述计算机可读存储介质可以是易失性的,也可以是非易失性的。例如,所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)。
本发明还提供一种计算机可读存储介质,所述可读存储介质存储有计算机程序,所述计算机程序在被电子设备的处理器所执行时,可以实现:
获取训练异常数据以及对应的正常数据,根据所述训练异常数据和所述正常数据计算得到第一偏移值;
从预设的修复模型库中选取其中一个修复模型对所述训练异常数据进行计算,得到所述训练异常数据对应的修复数据;
计算得到所述修复数据和所述正常数据之间的第二偏移值,并判断所述第二偏移值是否小于所述第一偏移值;
若所述第二偏移值大于或等于所述第一偏移值,则返回从预设的修复模型库中选取其中一个修复模型对所述训练异常数据进行计算的步骤;
若所述第二偏移值小于所述第一偏移值,则判断所述第二偏移值是否小于预设阈值;
若所述第二偏移值小于或等于预设阈值,则确定所述修复模型为标准修复模型,并将所述标准修复模型加入标准修复模型库中,并返回从预设的修复模型库中选取其中一个修复模型对所述训练异常数据进行计算的步骤;
若所述第二偏移值大于预设阈值,则利用所述第二偏移值对所述修复模型进行优化,并确定优化后的修复模型为标准修复模型,并将所述标准修复模型加入标准修复模型库中,并返回从预设的修复模型库中选取其中一个修复模型对所述训练异常数据进行计算的步骤;
当所述修复模型库所有修复模型都选取完毕时,获取真实异常数据,利用所述标准修复模型库中的每一个标准修复模型对应的训练数据逐一与所述真实异常数据进行相似度检测,得到所述真实异常数据与每一种训练数据的相似度分值;
选取相似度分值最高的训练数据对应的标准修复模型作为目标标准修复模型;
利用所述目标标准修复模型对所述真实异常数据进行修复,得到所述真实异常数据对应的正常数据。
在本发明所提供的几个实施例中,应该理解到,所揭露的设备,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块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。
另外,在本发明各个实施例中的各功能模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。
因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain),本质上是一个去中心化的数据库,是一串使用密码学方法相关联产生的数据块,每一个数据块中包含了一批次网络交易的信息,用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中,人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
此外,显然“包括”一词不排除其他单元或步骤,单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一、第二等词语用来表示名称,而并不表示任何特定的顺序。
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限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或等同替换,而不脱离本发明技术方案的精神和范围。
Claims (10)
1.一种异常数据自动修复方法,其特征在于,所述方法包括:
获取训练异常数据以及对应的正常数据,根据所述训练异常数据和所述正常数据计算得到第一偏移值;
从预设的修复模型库中选取其中一个修复模型对所述训练异常数据进行计算,得到所述训练异常数据对应的修复数据;
计算得到所述修复数据和所述正常数据之间的第二偏移值,并判断所述第二偏移值是否小于所述第一偏移值;
若所述第二偏移值大于或等于所述第一偏移值,则返回从预设的修复模型库中选取其中一个修复模型对所述训练异常数据进行计算的步骤;
若所述第二偏移值小于所述第一偏移值,则判断所述第二偏移值是否小于预设阈值;
若所述第二偏移值小于或等于预设阈值,则确定所述修复模型为标准修复模型,并将所述标准修复模型加入标准修复模型库中,并返回从预设的修复模型库中选取其中一个修复模型对所述训练异常数据进行计算的步骤;
若所述第二偏移值大于预设阈值,则利用所述第二偏移值对所述修复模型进行优化,并确定优化后的修复模型为标准修复模型,并将所述标准修复模型加入标准修复模型库中,并返回从预设的修复模型库中选取其中一个修复模型对所述训练异常数据进行计算的步骤;
当所述修复模型库所有修复模型都选取完毕时,获取真实异常数据,利用所述标准修复模型库中的每一个标准修复模型对应的训练数据逐一与所述真实异常数据进行相似度检测,得到所述真实异常数据与每一种训练数据的相似度分值;
选取相似度分值最高的训练数据对应的标准修复模型作为目标标准修复模型;
利用所述目标标准修复模型对所述真实异常数据进行修复,得到所述真实异常数据对应的正常数据。
2.如权利要求1所述的异常数据自动修复方法,其特征在于,所述从预设的修复模型库中选取其中一个修复模型对所述训练异常数据进行计算,得到所述训练异常数据对应的修复数据,包括:
将所述训练异常数据转换为向量矩阵;
从所述修复模型库中选取其中一个修复模型为目标修复模型;
利用所述目标修复模型对所述向量矩阵进行预设次数的卷积、池化以及激活处理,得到修复数据。
3.如权利要求1所述的异常数据自动修复方法,其特征在于,所述获取真实异常数据,包括:
调用数据访问接口,并利用所述数据访问接口在存储区域中逐一对数据执行检索;
判断检索到的数据是否符合预设的配置规则;
若检索到的数据符合预设的配置规则,则不抓取所述数据;
若检索到的数据不符合预设的配置规则,则抓取所述数据作为真实异常数据。
4.如权利要求1所述的异常数据自动修复方法,其特征在于,所述利用所述标准修复模型库中的每一个标准修复模型对应的训练数据逐一与所述真实异常数据进行相似度检测,得到所述真实异常数据与每一种训练数据的相似度分值,包括:
提取所述标准修复模型库中的每一个标准修复模型对应的训练数据;
计算所述训练数据与所述真实异常数据的余弦相似度;
根据所述余弦相似度确定所述真实异常数据与每一种训练数据的相似度分值。
7.如权利要求1所述的异常数据自动修复方法,其特征在于,所述得到所述真实异常数据对应的正常数据之后,所述方法还包括:
获取所述异常数据中的参数信息;
提取所述参数信息中的参数标签;
将所述参数标签和所述参数信息存储至预设的异常数据分析表中。
8.一种异常数据自动修复装置,其特征在于,所述装置包括:
初始数据获取模块,用于获取训练异常数据以及对应的正常数据,根据所述训练异常数据和所述正常数据计算得到第一偏移值;
偏移值计算模块,用于从预设的修复模型库中选取其中一个修复模型对所述异常数据进行计算,得到训练异常数据对应的修复数据;计算得到所述修复数据和所述正常数据之间的第二偏移值;
标准修复模型库生成模块,用于当所述第二偏移值小于所述第一偏移值时,判断所述第二偏移值是否小于预设阈值;若所述第二偏移值小于或等于预设阈值,则确定所述修复模型为标准修复模型;若所述第二偏移值大于预设阈值,则利用所述第二偏移值对所述修复模型进行优化,并确定优化后的修复模型为标准修复模型;将标准修复模型加入标准修复模型库中,并返回从预设的修复模型库中选取其中一个修复模型对所述训练异常数据进行计算的步骤;
目标修复模型获取模块,用于当所述修复模型库所有修复模型都选取完毕时,获取真实异常数据,,利用所述标准修复模型库中的每一个标准修复模型对应的训练数据逐一与所述真实异常数据进行相似度检测,得到所述真实异常数据与每一种训练数据的相似度分值;选取相似度分值最高的训练数据对应的标准修复模型作为目标标准修复模型;
正常数据获取模块,用于利用所述目标标准修复模型对所述真实异常数据进行修复,得到所述真实异常数据对应的正常数据。
9.一种电子设备,其特征在于,所述电子设备包括:
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计算机程序,所述计算机程序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至7中任意一项所述的异常数据自动修复方法。
10.一种计算机可读存储介质,存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7中任意一项所述的异常数据自动修复方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111525942.8A CN114185881B (zh) | 2021-12-14 | 2021-12-14 | 异常数据自动修复方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111525942.8A CN114185881B (zh) | 2021-12-14 | 2021-12-14 | 异常数据自动修复方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114185881A true CN114185881A (zh) | 2022-03-15 |
CN114185881B CN114185881B (zh) | 2024-06-04 |
Family
ID=80543719
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111525942.8A Active CN114185881B (zh) | 2021-12-14 | 2021-12-14 | 异常数据自动修复方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114185881B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112148577A (zh) * | 2020-10-09 | 2020-12-29 | 平安科技(深圳)有限公司 | 数据异常检测方法、装置、电子设备及存储介质 |
CN112507902A (zh) * | 2020-12-15 | 2021-03-16 | 深圳市城市交通规划设计研究中心股份有限公司 | 交通标志异常检测方法、计算机设备及存储介质 |
CN113011646A (zh) * | 2021-03-15 | 2021-06-22 | 腾讯科技(深圳)有限公司 | 一种数据处理方法、设备以及可读存储介质 |
CN113377568A (zh) * | 2021-06-29 | 2021-09-10 | 北京同创永益科技发展有限公司 | 一种异常检测方法、装置、电子设备及存储介质 |
CN113688923A (zh) * | 2021-08-31 | 2021-11-23 | 中国平安财产保险股份有限公司 | 订单异常智能检测方法、装置、电子设备及存储介质 |
-
2021
- 2021-12-14 CN CN202111525942.8A patent/CN114185881B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112148577A (zh) * | 2020-10-09 | 2020-12-29 | 平安科技(深圳)有限公司 | 数据异常检测方法、装置、电子设备及存储介质 |
CN112507902A (zh) * | 2020-12-15 | 2021-03-16 | 深圳市城市交通规划设计研究中心股份有限公司 | 交通标志异常检测方法、计算机设备及存储介质 |
CN113011646A (zh) * | 2021-03-15 | 2021-06-22 | 腾讯科技(深圳)有限公司 | 一种数据处理方法、设备以及可读存储介质 |
CN113377568A (zh) * | 2021-06-29 | 2021-09-10 | 北京同创永益科技发展有限公司 | 一种异常检测方法、装置、电子设备及存储介质 |
CN113688923A (zh) * | 2021-08-31 | 2021-11-23 | 中国平安财产保险股份有限公司 | 订单异常智能检测方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN114185881B (zh) | 2024-06-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112446025A (zh) | 联邦学习防御方法、装置、电子设备及存储介质 | |
CN112052850A (zh) | 车牌识别方法、装置、电子设备及存储介质 | |
CN115146865A (zh) | 基于人工智能的任务优化方法及相关设备 | |
CN114979120A (zh) | 数据上传方法、装置、设备及存储介质 | |
CN112668575A (zh) | 关键信息提取方法、装置、电子设备及存储介质 | |
CN112732567A (zh) | 基于ip的mock数据测试方法、装置、电子设备及存储介质 | |
CN115471775A (zh) | 基于录屏视频的信息验证方法、装置、设备及存储介质 | |
CN114187489B (zh) | 车辆异常驾驶风险检测方法、装置、电子设备及存储介质 | |
CN114997263A (zh) | 基于机器学习的结训率分析方法、装置、设备及存储介质 | |
CN114862140A (zh) | 基于行为分析的潜力评估方法、装置、设备及存储介质 | |
CN116756710B (zh) | 基于特征标记追踪技术的开源治理方法、系统及电子设备 | |
CN114220536A (zh) | 基于机器学习的疾病分析方法、装置、设备及存储介质 | |
CN113627160A (zh) | 文本纠错方法、装置、电子设备及存储介质 | |
CN112052310A (zh) | 基于大数据的信息获取方法、装置、设备及存储介质 | |
CN113313211A (zh) | 文本分类方法、装置、电子设备及存储介质 | |
CN114185881A (zh) | 异常数据自动修复方法、装置、设备及存储介质 | |
CN115146064A (zh) | 意图识别模型优化方法、装置、设备及存储介质 | |
CN114518993A (zh) | 基于业务特征的系统性能监控方法、装置、设备及介质 | |
CN114398890A (zh) | 文本增强方法、装置、设备及存储介质 | |
CN113918296A (zh) | 模型训练任务调度执行方法、装置、电子设备及存储介质 | |
CN113419951A (zh) | 人工智能模型优化方法、装置、电子设备及存储介质 | |
CN113657546A (zh) | 信息分类方法、装置、电子设备及可读存储介质 | |
CN112215336A (zh) | 基于用户行为的数据标注方法、装置、设备及存储介质 | |
CN114689975B (zh) | 基于谐波电流的产品测试方法、装置、设备及存储介质 | |
CN115098688B (zh) | 多标签分类模型训练方法、装置、电子设备及存储介质 |
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 |