CN114189456A - 物联网设备的在线状态预测方法、装置及电子设备 - Google Patents
物联网设备的在线状态预测方法、装置及电子设备 Download PDFInfo
- Publication number
- CN114189456A CN114189456A CN202111387430.XA CN202111387430A CN114189456A CN 114189456 A CN114189456 A CN 114189456A CN 202111387430 A CN202111387430 A CN 202111387430A CN 114189456 A CN114189456 A CN 114189456A
- Authority
- CN
- China
- Prior art keywords
- time
- historical
- internet
- timestamp
- target
- 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
- 238000000034 method Methods 0.000 title claims abstract description 33
- 230000036541 health Effects 0.000 claims abstract description 7
- 230000005611 electricity Effects 0.000 claims description 27
- 230000008859 change Effects 0.000 claims description 19
- 238000003860 storage Methods 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 11
- 238000011156 evaluation Methods 0.000 claims description 8
- 230000007613 environmental effect Effects 0.000 claims description 6
- 230000002123 temporal effect Effects 0.000 claims description 4
- 230000002776 aggregation Effects 0.000 claims description 3
- 238000004220 aggregation Methods 0.000 claims description 3
- 238000012423 maintenance Methods 0.000 abstract description 17
- 230000004044 response Effects 0.000 abstract description 2
- 238000012549 training Methods 0.000 description 13
- 238000010586 diagram Methods 0.000 description 12
- 230000006870 function Effects 0.000 description 12
- 238000004590 computer program Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 5
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/147—Network analysis or design for predicting network behaviour
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请实施例提供了物联网设备的在线状态预测方法、装置及电子设备。本申请中，通过借助不同维度(设备因子、时域因子、空域因子等)上的时序数据，以及基于时序训练的故障预测模型预测物联网设备在当前时间戳之后的时间戳下的在线状态预测信息(包括在线或离线)，实现了预测物联网设备在未来一段时间内的在线状态比如在线或离线，有效把控物联网设备在整个生命周期的健康状态，真正做到“全程可控”，实现资源的智能规划，减少响应式运维所造成的运维不及时等问题。
Description
技术领域
本申请涉及物联网技术，特别涉及物联网设备的在线状态预测方法、装置及电子设备。
背景技术
在物联网应用中，传统的运维方式一般是响应式运维。所谓响应式运维，其是指在监控到物联网设备出现故障后才进行一系列的告警、分派故障工单、维修等处理。
但是，针对一些特殊应用，比如包含一些非常昂贵的部件的复杂系统诸如飞机引擎等，或者一些重大安保活动，一般是无法承受其出现故障的风险，目前的响应式运维无法满足需求。
发明内容
本申请实施例提供了物联网设备的在线状态预测方法、装置及电子设备，以预测物联网设备在未来时间戳的在线状态，提高故障发现的及时性。
本申请实施例提供了物联网设备的在线状态预测方法，该方法包括：
依据目标历史时长中各历史时间戳下的物联网设备的设备因子，生成与物联网设备对应的基于各历史时间戳的设备因子时序数据；设备因子时序数据包括：历史时间戳以及历史时间戳下的设备因子；设备因子至少包括：在线状态和/或物联网设备采集的图像数据信息；
依据各历史时间戳下与物联网设备关联的空域因子，生成物联网设备对应的基于各历史时间戳的空域因子时序数据；空域因子时序数据包括：历史时间戳以及历史时间戳下的空域因子；空域因子至少包括物联网设备关联的目标点位的在线状态和/或目标点位关联的目标取电点的在线状态；
依据各历史时间戳下与物联网设备相关联的时域因子，生成与物联网设备对应的基于各历史时间戳的时域因子时序数据，时域因子时序数据至少包括：历史时间戳以及在该历史时间戳下的时域因子；时域因子至少包括：在该历史时间戳之前的至少一个时长内物联网设备发生的变化情况；
依据设备因子时序数据、空域因子时序数据、时域因子时序数据生成完整的目标时序数据；所述目标时序数据包括所述历史时间戳对应的时序数据、以及在检测出所述目标历史时长中的历史时间戳不符合预设完整条件时增补的缺失时间戳对应的时序数据；将目标时序数据输入至已训练的故障预测模型得到物联网设备在当前时间戳之后的时间戳下的在线状态预测信息。
本申请实施例提供一种物联网设备的在线状态预测装置，该装置包括：
数据汇聚单元，用于依据目标历史时长中各历史时间戳下的物联网设备的设备因子，生成与物联网设备对应的基于历史时间戳的设备因子时序数据；设备因子时序数据包括：历史时间戳及历史时间戳下的设备因子；设备因子至少包括：在线状态和/或物联网设备采集的图像数据信息；以及，
依据各历史时间戳下与物联网设备关联的空域因子，生成物联网设备对应的基于各历史时间戳的空域因子时序数据；空域因子时序数据包括：历史时间戳以及历史时间戳下的空域因子；空域因子至少包括物联网设备关联的目标点位的在线状态和/或目标点位关联的目标取电点的在线状态；以及，
依据各历史时间戳下与物联网设备相关联的时域因子，生成与物联网设备对应的基于各历史时间戳的时域因子时序数据，时域因子时序数据至少包括：历史时间戳以及在该历史时间戳下的时域因子；时域因子至少包括：在该历史时间戳之前的至少一个时长内物联网设备发生的变化情况；
处理单元，用于依据设备因子时序数据、空域因子时序数据、时域因子时序数据生成完整的目标时序数据；所述目标时序数据包括所述历史时间戳对应的时序数据、以及在检测出所述目标历史时长中的历史时间戳不符合预设完整条件时增补的缺失时间戳对应的时序数据；将目标时序数据输入至已训练的故障预测模型得到物联网设备在当前时间戳之后的时间戳下的在线状态预测信息。
本申请实施例还提供了一种电子设备。该电子设备包括：处理器和机器可读存储介质；
所述机器可读存储介质存储有能够被所述处理器执行的机器可执行指令；
所述处理器用于执行机器可执行指令，以实现上述公开的方法的步骤。
由以上技术方案可以看出，本申请中，在本实施例中，通过借助上述不同维度(设备因子、时域因子、空域因子等)上的时序数据，以及基于时序训练的故障预测模型预测物联网设备在当前时间戳之后的预测时间戳下的在线状态预测信息(包括在线或离线)，实现了预测物联网设备在未来一段时间内的在线状态比如在线或离线。
进一步地，通过预测物联网设备在未来一段时间内的在线状态比如在线或离线，可以有效把控物联网设备在整个生命周期的健康状态，真正做到“全程可控”，实现资源的智能规划，有效减少响应式运维所造成的运维不及时等问题。
再进一步地，通过这种智能预测式的运维(预测物联网设备在未来一段时间内的在线状态比如在线或离线)，可以降低风险，提高工作效率，减少运维人员的人力投入。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。
图1为本申请实施例提供的方法流程图；
图2为本申请实施例提供的步骤104实现流程图；
图3为本申请实施例提供的装置结构图；
图4为本申请实施例提供的电子设备结构图。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
在本申请使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本申请。在本申请和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。
为了使本领域技术人员更好地理解本申请实施例提供的技术方案，并使本申请实施例的上述目的、特征和优点能够更加明显易懂，下面结合附图对本申请实施例中技术方案作进一步详细的说明。
本申请实施例侧重多维数据对物联网设备在未来时间的在线状态进行预测。其中，这里的多维数据除了物联网设备本身的设备因子比如在线状态和/ 或视频图像数据(VQD、录像)外，还侧重于与物联网设备关联的空域因子比如点位、取电点等的在线状态，以及与物联网设备关联的时域因子(在一段时间内物联网设备发生的诸如状态变更次数等变化情况)等。在本实施例中，在线状态是指在线或者离线。
为了实现基于多维数据对物联网设备在未来时间的在线状态进行预测，本申请实施例先基于多维数据再借鉴机器学习训练出故障预测模型，通过该故障预测模型最终预测出物联网设备在未来时间的在线状态。这里的故障预测模型是基于时序数据训练的模型，该时序数据具体可参考上述的多维数据，下文会具体描述故障预测模型的训练过程，这里暂不赘述。
参见图1，图1为本申请实施例提供的方法流程图。作为一个实施例，图1所示的方法应用于物联网设备管理平台或者后台服务器等，本实施例并不具体限定。
如图1所示，该流程可包括以下步骤：
步骤101，依据目标历史时长中各历史时间戳下的物联网设备的设备因子，生成与物联网设备对应的基于各历史时间戳的设备因子时序数据。
这里的目标历史时长可根据实际需求设置，比如过去的一个月等，本实施例并不具体限定。
在本实施例中，物联网设备的设备因子是按照周期或者定时采集的，上述的历史时间戳可为上述目标历史时长内采集设备因子的采集时间点，也可为根据实际需求指定的上述目标历史时长内的采集时间点，本实施例并不具体限定。
作为一个实施例，上述物联网设备的设备因子与物联网设备自身的状态相关，在具体实现时至少可包括：物联网设备的在线状态(包括在线或者离线，比如，在线通过“0”表示，离线通过“1”表示)、和/或物联网设备的历史故障工单记录、和/或物联网设备作为采集图像的设备时采集的图像数据信息比如视频图像质量、设备录像状态等。
如步骤101描述，最终可基于各历史时间戳下的物联网设备的设备因子，可生成基于历史时间戳的设备因子时序数据(至少由历史时间戳以及历史时间戳下物联网设备的设备因子组成)。
步骤102，依据各历史时间戳下与物联网设备关联的空域因子，生成物联网设备对应的基于各历史时间戳的空域因子时序数据。
作为一个实施例，上述物联网设备的空域因子与物联网设备的位置有关，在具体实现时至少可包括：物联网设备关联的目标点位的在线状态、和/或目标点位关联的目标取电点的在线状态、和/或处于目标点位的X米范围内的取电点的状态信息等。在本实施例中，目标点位是指物联网设备关联的点位。这里，所谓点位是指物联网设备的部署位置比如路口上设置的杆件(需要说明的是，一个杆件上可部署多个不同物联网设备)等，本实施例并不具体限定。另外，在本实施例中，目标取电点是指目标点位关联的取电点。这里，所谓取电点是为指定距离内的点位上部署的物联网设备进行供电的部件比如电源等，本实施例并不具体限定。
在一个例子中，针对每一历史时间戳，目标点位在该历史时间戳下的在线状态，与目标点位关联的各物联网设备在该历史时间戳下的在线状态有关，其中，当目标点位关联的任一物联网设备在该历史时间戳下的在线状态为在线，则该历史时间戳下目标点位的在线状态为在线，否则，该历史时间戳下目标点位的在线状态为离线。
在一个例子中，针对每一历史时间戳，目标取电点在该历史时间戳下的在线状态，与目标取电点关联的各点位在该历史时间戳下的在线状态有关，其中，当目标取电点关联的任一点位在该历史时间戳下的在线状态为在线，则该历史时间戳下目标取电点的在线状态为在线，否则，该历史时间戳下目标取电点的在线状态为离线。可以看出，目标取电点的在线状态是通过对点位的在线状态和点位与取电点的关联关系进行归并计算得到的。
在一个例子中，上述处于目标点位的X米范围内的取电点的状态信息至少包括：处于所述目标点位的X米范围内在线状态为在线的取电点的数量，以及，处于所述目标点位的X米范围内在线状态为离线的取电点的数量。在本实施例中，X可根据实际需求设置，比如设置为100米等，本实施例并不具体限定。
最终，基于各历史时间戳、以及各历史时间戳下与物联网设备关联的空域因子，生成了上述的空域因子时序数据(至少由各历史时间戳以及各历史时间戳下与物联网设备关联的空域因子组成)。
步骤103，依据各历史时间戳下与物联网设备相关联的时域因子，生成与物联网设备对应的基于各历史时间戳的时域因子时序数据。
在本实施例中，时域因子至少包括：在该历史时间戳之前的至少一个时长内物联网设备发生的变化情况。这里的变化情况可为在该历史时间戳之前的同一个时长(记为第一时长)内物联网设备发生的变化情况，比如在历史时间戳之前的第一指定时长内物联网设备的在线状态发生变更的次数、和/或上述目标点位在线状态比和/或上述目标取电点在线状态比等、和/或图像采集完好率，等等。
当然，这里的变化情况也可为在该历史时间戳之前的不同时长内物联网设备发生的变化情况，比如在历史时间戳之前的第一指定时长内物联网设备的在线状态发生变更的次数、和/或目标点位在线状态比、和/或目标取电点在线状态比、和/或图像采集完好率；和/或在历史时间戳之前的第二指定时长内物联网设备的在线状态发生变更的次数和/或上述目标点位在线状态比和/或上述目标取电点在线状态比等、和/或在上述第二指定时长内的图像采集完好率，等等。可选地，在一个例子中，第一指定时长小于第二指定时长，比如第一指定时长为1天，第二指定时长为1周等，本实施例并不具体限定。
可选地，上述的在线状态发生变更包括从在线变为离线、以及从离线变为在线。
可选地，上述目标点位在线状态比包括目标点位的在线时长占比，以及目标点位的离线时长占比。以第一指定时长内的目标点位在线状态比为例，则目标点位的在线时长占比可为目标点位在第一指定时长内在线所占用的时长除以第一指定时长得到的比值；目标点位的离线时长占比可为目标点位在第一指定时长内离线所占用的时长除以第一指定时长得到的比值。
可选地，上述目标取电点在线状态比包括目标取电点的在线时长占比，以及目标取电点的离线时长占比；以第一指定时长内的目标取电点在线状态比为例，则目标取电点的在线时长占比可为目标取电点在第一指定时长内在线所占用的时长除以第一指定时长得到的比值。目标取电点的离线时长占比可为目标取电点在第一指定时长内离线所占用的时长除以第一指定时长得到的比值。
最终，基于各历史时间戳下与物联网设备关联的时域因子生成了基于历史时间戳的时域因子时序数据(包括历史时间戳以及历史时间戳下的时域因子)。
步骤104，依据设备因子时序数据、空域因子时序数据、时域因子时序数据生成完整的目标时序数据；所述目标时序数据包括所述历史时间戳对应的时序数据、以及在检测出目标历史时长中的历史时间戳不符合预设完整条件时增补的缺失时间戳对应的时序数据。
如上描述，上述历史时间戳可为上述目标历史时长内的采集时间点。在一个例子中，采集时间点都是有规律的，比如相邻采集点相差固定时间间隔。基于此，在本实施例中，当各历史时间戳按照时间先后顺序排列后，任意两个相邻的历史时间戳相差固定时间间隔，则此时目标历史时长中的历史时间戳符合预设完整条件，反之，则认为目标历史时长中的历史时间戳不符合预设完整条件。
一旦检测出目标历史时长中的历史时间戳不符合预设完整条件，则应用于本步骤104，在目标历史时长中修复缺失的时间戳(记为缺失时间戳)，最终使得目标时序数据中的各时间戳按照时间先后顺序排列后任意两个相邻的时间戳相差固定时间间隔。之后，还会基于缺失时间戳修复对应的时序数据，最终形成了如上描述的完整的目标时序数据。下文会举例描述如何生成完整的目标时序数据，这里暂不赘述。
步骤105，将目标时序数据输入至已训练的故障预测模型得到物联网设备在当前时间戳之后的预测时间戳下的在线状态预测信息。
可选地，在本实施例中，预测时间戳可为当前时间戳之后的一时间戳，比如可为当前时间戳之后与与当前时间戳相差上述固定时间间隔的一个时间戳，等等，本实施例并不具体限定。
通过步骤105可以看出，本实施例借助基于时序训练的故障预测模型预测物联网设备在当前时间戳之后的预测时间戳下的在线状态预测信息(在线状态预测信息可为在线或者为离线)，下文会举例描述如何训练故障预测模型，这里暂不赘述。
最终通过借助上述不同维度(设备因子、时域因子、空域因子等)上的时序数据，以及基于时序训练的故障预测模型预测物联网设备在当前时间戳之后的预测时间戳下的在线状态预测信息(包括在线或离线)。
至此，完成图1所示流程。
通过图1所示流程可以看出，在本实施例中，通过借助上述不同维度 (设备因子、时域因子、空域因子等)上的时序数据，以及基于时序训练的故障预测模型预测物联网设备在当前时间戳之后的预测时间戳下的在线状态预测信息(包括在线或离线)，实现了预测物联网设备在未来一段时间内的在线状态比如在线或离线。
进一步地，通过预测物联网设备在未来一段时间内的在线状态比如在线或离线，可以有效把控物联网设备在整个生命周期的健康状态，真正做到“全程可控”，实现资源的智能规划，有效减少响应式运维所造成的运维不及时等问题。
再进一步地，通过这种智能预测式的运维(预测物联网设备在未来一段时间内的在线状态比如在线或离线)，可以降低风险，提高工作效率，减少运维人员的人力投入。
下面对上述步骤104中依据设备因子时序数据、空域因子时序数据、时域因子时序数据生成完整的目标时序数据进行描述：
参见图2，图2为本申请实施例提供的步骤104实现流程图。如图2所示，该流程可包括以下步骤：
步骤201，在检测出目标历史时长中的历史时间戳不符合预设完整条件时，修复目标历史时长中缺失的时间戳。
可选地，在步骤201执行之前，可先对上述设备因子时序数据、空域因子时序数据、时域因子时序数据进行数据预处理，以将其转换为可轻松提取状态指示器的形式。预处理包括诸如去噪、剔除异常值和删除缺失值等，这里不具体限定。
另外，在本实施例中，在步骤201执行之前，为保证最终的数据呈现出可轻松提取状态指示器的数据形式，还可先执行数据类型转换，比如，对于时间数据，将其转换为日期(date)类型，格式yyyy-MM-dd HH:mm:ss，格式转换失败异常默认值为1970-01-01 08:00:00。对于数值数据，将其转换为 double类型。
可选地，作为一个实施例，在本步骤201中，修复目标历史时长中缺失的时间戳(记为缺失时间戳)的方式举例可为：
步骤a1，生成第一数据集Dsrc。
在一个例子中，第一数据集Dsrc可包括物联网设备标识、以及上述目标历史时长中的各历史时间戳。
步骤a2，生成第二数据集。
可选地，第二数据集可包括物联网设备标识、以及基于随机数生成规则生成目标历史时长中的完整时间戳序列。其中，在该完整时间戳序列中，每两个相邻的时间戳之间均相差上述固定时间间隔。
步骤a3，将上述物联网设备标识与生成第二数据集利用笛卡尔积进行交叉连接，得到交叉连接后的第三数据集Dcp。
通过笛卡尔积进行交叉连接，最终得到的第三数据集Dcp实质是上述物联网设备标识与第二数据集中每一时间戳之间的关联。
步骤a4，将第三数据集Dcp与第一数据集Dsrc进行右连接(Right Join)合并，得到时间戳符合完整条件的时序数据集(Complete Sequence)，记为第四数据集Dcs。
通过第三数据集Dcp与第一数据集Dsrc进行右连接合并，则即可实现了在检测出目标历史时长中的历史时间戳不符合预设完整条件时，修复缺失的缺失时间戳(记为缺失时间戳，其具体可为第三数据集Dcp中存在的但第一数据集Dsrc中不存在的时间戳)。
步骤202，针对每一缺失时间戳，依据包含该缺失时间戳在内的预设时长内的网络状态因子、和/或环境因子、和/或人为因子，以及与该缺失时间戳相邻的至少一个历史时间戳下的设备因子和/或时域因子和/或空域因子，确定该缺失时间戳对应的缺失数据。
可选地，在本实施例中，网络状态因子可为用于反映网络状态的因子，比如网络延迟率、丢包率、流量、网络带宽等，本实施例并不具体限定。
可选地，在本实施例中，环境因子在具体实现时可为用于反映环境的因子，比如天气类型、风向、风力、最低温度、设备监控方向等，本实施例并不具体限定。
可选地，在本实施例中，人为因子可为因为人为原因而影响物联网设备在线状态的因素，比如停电、施工、光纤被挖断等因子。
最终，通过步骤202可依据包含该缺失时间戳在内的预设时长内的网络状态因子、和/或环境因子、和/或人为因子，以及与该缺失时间戳相邻的至少一个历史时间戳下的设备因子和/或时域因子和/或空域因子，确定出一个比较准确的反映该缺失时间戳下真实状态的数据。比如，基于上述网络状态因子、和/或环境因子、和/或人为因子等反映出的对应数值，同时与该缺失时间戳相邻的至少一个历史时间戳下的设备因子和/或时域因子和/或空域因子加权平均，最终得到的结果为该缺失时间戳下对应的缺失数据。需要说明的是，针对缺失数据也可执行上述的数据类型转换，以使所有的数据都呈现出可轻松提取状态指示器的数据形式。
步骤203，将设备因子时序数据、空域因子时序数据、时域因子时序数据、以及缺失时间戳对应的缺失数据进行合并，得到物联网设备的完整的参考时序数据。
可选地，在本步骤203中，基于设备因子时序数据、空域因子时序数据、时域因子时序数据中各历史时间戳下的数据、以及缺失时间戳对应的缺失数据按照时间先后顺序排列合并，则最终会生成物联网设备的完整的参考时序数据。
步骤204，依据参考时序数据，确定目标时序数据。
可选地，在本实施例中，可直接将上述参考时序数据确定为上述目标时序数据。
可选地，在本实施例中，也可按照设定原则衍生出时序特征数据，通过将衍生出的时序特征数据和上述参考时序数据进行合并得到上述目标时序数据。
可选地，衍生出的时序特征数据至少包括：参考时序数据中的时间戳、以及该时间戳下的衍生特征信息。
在应用中，通常情况下，白天、夜间，或周末等各时段下，物联网设备在线情况可能也不尽相同。一般而言，在白天，物联网设备被调取访问的频率会大幅上升，较容易发生故障。而在夜间，大部分工作人员都下班，物联网设备的访问量下降，不容易发生故障。同时，工作日和周末相比，在工作日，物联网设备出现故障的概率更高一些。基于此，作为一个实施例，上述衍生特征信息可为基于时间特征衍生出的信息，比如，可包括：时间戳所属的时间特征属性、和/或时间戳所属的滑窗窗口内的在线统计信息。
可选地，在本实施例中，通过分割截取时间戳格式“yyyy-MM-dd HH:mm:ss”中的年月日时分秒，最终衍生出白天(daytime)、黑夜 (night)、周末(weekend)三个时间特征属性。基于此，在一个例子中，上述时间戳所属的时间特征属性可为白天、晚上、或者周末。
在具体实现时，时间戳所属的时间特征属性可通过如下表1所示的数据替换规则确定：
| 序号 | 字段 | 替换类型 | 替换规则 |
| 1 | daytime | CASE | When hours>＝8 and hours<＝18 Then 1 Else 0 |
| 2 | night | CASE | When hours>＝22 and hours<＝6 Then 1 Else 0 |
| 3 | weekend | CASE | When dayofweek＝6 or dayofweek＝7 Then 1 |
表1
至于上述时间戳所属的滑窗窗口，其可根据具体需求设置，比如设置每隔3天为一个滑窗窗口等，本实施例并不具体限定。基于设定的滑窗窗口，则该滑窗窗口内的在线统计信息具体是统计物联网设备在该滑窗窗口这一段时间内的在线统计值。比如，获得上述参考时序数据中属于该滑窗窗口这一段时间内的各时间戳，统计物联网设备在该各时间戳下的在线状态(其中，在线通过“0”表示，离线通过“1”表示)，基于统计的物联网设备在该各时间戳下的在线状态(其中，在线通过“0”表示，离线通过“1”表示)确定在线统计值比如最小值，最大值，均值，标准差，偏度，峰度，中位数等，本实施例并不具体限定。需要说明的是，在本实施例中，上述参考时序数据中属于该滑窗窗口这一段时间内的各时间戳所属的该滑窗窗口内的在线统计信息相同。
在本实施例中，通过上述步骤105得到的在线状态预测信息包括：在线或离线。如上描述，预测时间戳与当前时间戳相差固定时间间隔，依次类推，最终按照图1所示流程会统计出未来多个不同时间戳的在线状态预测信息。基于此，作为一个实施例，在步骤105后可进一步执行以下步骤：
统计已得到的所述物联网设备在未来不同时间戳的在线状态预测信息；
依据统计出的未来不同时间戳的在线状态预测信息，统计所述物联网设备在未来时长内的离线概率，以通过所述离线概率辅助用户对所述物联网设备健康度进行评估决策，比如在智能运维场景下的资源重规划、重大安保、管理决策等。可选地，在上面描述中，未来时长为未来不同时间戳中最早的时间戳至最晚的时间戳的时长。
作为一个实施例，上述离线概率可通过以下公式确定：
P(onlinestatus＝1|Δt)表示离线概率。离线记录总数表示在线状态预测信息为离线的总数量，在线记录总数表示在线状态预测信息为在线的总数量。需要说明的是，其中，未来时长(Δt)可根据需求进行设置。例如，在日常运维中，Δt可以设置为1个月，这样用户可以有余地调整资源；而在关键活动风控时，Δt要求尽量小，例如1周或者每日等，本实施例并不具体限定。
下面对本申请实施例提供的故障预测模型的训练进行描述：
按照上述得到目标时序数据的方式，最终会得到不同样本设备对应的不同样本时序数据。在本实施例中，可将不同样本设备对应的不同样本时序数据中的一部分作为训练数据，另一部分作为测试数据。
其中，借助训练数据来训练故障预测模型，以预测物联网设备在未来的时间戳下的在线状态预测信息。
可选地，在本实施例中，可运用分类、回归和时序建模技术利用训练数据训练故障预测模型。梯度提升树(GBDT)是一个以CART TREE(分类回归树)为弱学习器、以Boosting为框架的集成学习算法。GBDT通过多轮迭代，每轮迭代产生一个弱分类器，每个分类器在上一轮分类器的损失函数的基础上进行训练。其中，损失函数用于评价模型性能，损失函数越小，模型性能越好，如果损失函数持续下降比如损失函数沿着梯度方向下降，模型就能不断提升性能。
具体地，在利用训练数据训练故障预测模型时，先进行一些算法参数配置，比如，算法参数配置的一种实施例如下：
损失函数类型：squared
最大树深度[1,30]：4
叶节点最少样本数[1,1000]：1
特征最大分裂数[2,5000]：32
学习速率(0,1]：0.1
迭代次数[1,100]：20
训练数据采样比例(0,1]：1
可分裂节点最小样本数[2,1000]：2
叶节点最小权重[0,1]：0
训练特征数量选择：all
随机种子：NaN
基于上述算法参数配置，则可将训练数据作为算法输入，最终训练出上述故障预测模型。比如，训练数据可能包括：衍生出的时序特征数据比如时间特征(年、月、日、时、分、星期、是否白天、是否夜晚、是否工作日)、统计特征(最小值，最大值，均值，标准差，偏度，峰度，中位数)等，时域因子时序数据(近七日取电状态比、近七日点位状态比、近七日录像完整率、近七日VQD完好率、近七日在线状态变更次数等)、设备因子时域数据、环境因子时序数据(天气类型、风力级别、风向、最低温度等)；人为因子时序数据(市政施工范围是否覆盖等)、资产档案时序数据(安装方式、监控方向等)。故障预测模型基于上述算法输入最终输出的在线预测状态。
可选地，在本实施例中，还可将上述测试数据作为故障预测模型输入，输出值用来进行回归评估故障预测模型。故障预测模型的准确性需要通过不断评估优化。在一个例子中，模型评估指标可采用：平均绝对误差(MAE)、平均平方误差(MSE)、均方根误差(RMSE)、平均百分比误差(MAPE)、决定系数(R-Square)等。
以下是对于几个评价指标的分析：
1)平均绝对误差(MAE：Mean Absolute Error)
其中，yi表示真实值，
表示预测值。由公式2可以看出，真实值yi与预测值
之间的误差越大，平均绝对误差MAE就越大。
2)均方误差(MSE：Mean Squared Error)
由公式3可以看出，真实值yi与预测值
之间的误差越大误差越大，均方误差MSE就越大。
此外，和方差(SSE)与MSE之间差一个系数n，即SSE＝n*MSE，二者效果相同。
3)均方根误差(RMSE：Root Mean Square Error,)：均方根误差是 MSE的算数平均根，即：
由公式4可以看出，真实值yi与预测值
之间的误差越大，均方根误差 RMSE就越大。
4)平均绝对百分比误差(MAPE：Mean Absolute Percentage Error)
由公式5可以看出，真实值yi与预测值
之间的误差越大，平均绝对百分比误差MAPE就越大。注意：当真实值有数据等于0时，存在分母0除问题，该公式5不可用。
5)确定系数(R-Square or R2)：
首先，残差平方和为：
总平均值为：
基于公式6、公式7，R2表达式为：
R2用于度量因变量的变异中可由自变量解释部分所占的比例，取值范围是0～1，R2越接近1,表明回归平方和占总平方和的比例越大,回归线与各观测点越接近，回归的拟合程度就越好。在一个例子中，R2也称为拟合优度 (Goodness of Fit)的统计量。R2越高表示拟合效果越好。
下面对本申请实施例提供的应用进行描述：
基于上述故障预测模型，本实施例可生成不同物联网设备未来一段时间内“物联网设备标识(简称资源编码)-时间戳-在线状态(0表示在线，1表示离线)”的记录集，如表2所示：
| ef1d065ccc59453998434ae3d67f3d27 | 2021-02-03 02:40:00 | 0 |
| ef1d065ccc59453998434ae3d67f3d27 | 2021-02-03 02:41:00 | 0 |
| ef1d065ccc59453998434ae3d67f3d27 | 2021-02-03 02:42:00 | 0 |
| ef1d065ccc59453998434ae3d67f3d27 | 2021-02-03 02:43:00 | 0 |
| ef1d065ccc59453998434ae3d67f3d27 | 2021-02-03 02:44:00 | 1 |
| 770e04983a3c432ab8b83690ab8620c2 | 2021-02-03 02:40:00 | 0 |
| 770e04983a3c432ab8b83690ab8620c2 | 2021-02-03 02:41:00 | 1 |
| 770e04983a3c432ab8b83690ab8620c2 | 2021-02-03 02:42:00 | 1 |
| 770e04983a3c432ab8b83690ab8620c2 | 2021-02-03 02:43:00 | 1 |
| 770e04983a3c432ab8b83690ab8620c2 | 2021-02-03 02:44:00 | 1 |
表2
之后，应用服务可根据上述公式1计算物联网设备(设备编码 ef1d065ccc59453998434ae3d67f3d27)在未来时长(2021-02-03 02:40:00 至2021-02-03 02:44:00)这5分钟内的离线概率，具体为：
类似地，也可计算物联网设备(设备编码 770e04983a3c432ab8b83690ab8620c2)在未来时长(2021-02-03 02:40:00 至2021-02-03 02:44:00)这未来5分钟内的离线概率：
之后，可将计算出的离线概率推荐给用户。用户在接收后，可基于此进行其他应用和服务的开发，例如智能运维场景下的资源规划、重大安保、管理决策等，本实施例并不具体限定。
另外，在本实施例中，也可基于各物联网设备在未来的时间戳以及在线状态预测信息生成未来在线状态时序数据，之后可以绘制出每一物联网设备在未来时长的单体态势曲线比如该物联网设备在未来时长的设备在线/离线概率态势曲线或者在线/离线时长趋势曲线。
再进一步地，在本实施例中，还可基于各物联网设备在未来的时间戳以及在线状态预测信息生成未来在线状态时序数据，之后按照设备类型、区域、用户、项目等维度进行统计，绘制出按维度统计的未来时长的群体态势曲线，包括在/离线概率、在/离线时长等。
再进一步地，在本实施例中，还可基于上述单体态势曲线或者群体态势曲线确定出单一物联网设备的离线概率或群体离线概率超过预警阈值(默认 50％)，则会产生告警事件，并联动发送邮件或者短信等发送给用户，以帮助用户更好地决策。
以上对本申请实施例提供的方法进行了描述，下面对本申请实施例提供的装置进行描述：
参见图3，图3为本申请实施例提供的装置结构图。该装置包括：
数据汇聚单元，用于依据目标历史时长中各历史时间戳下的物联网设备的设备因子，生成与物联网设备对应的基于历史时间戳的设备因子时序数据；设备因子时序数据包括：历史时间戳及历史时间戳下的设备因子；设备因子至少包括：在线状态和/或物联网设备采集的图像数据信息；以及，
依据各历史时间戳下与物联网设备关联的空域因子，生成物联网设备对应的基于各历史时间戳的空域因子时序数据；空域因子时序数据包括：历史时间戳以及历史时间戳下的空域因子；空域因子至少包括物联网设备关联的目标点位的在线状态和/或目标点位关联的目标取电点的在线状态；以及，
依据各历史时间戳下与物联网设备相关联的时域因子，生成与物联网设备对应的基于各历史时间戳的时域因子时序数据，时域因子时序数据至少包括：历史时间戳以及在该历史时间戳下的时域因子；时域因子至少包括：在该历史时间戳之前的至少一个时长内物联网设备发生的变化情况；
处理单元，用于依据设备因子时序数据、空域因子时序数据、时域因子时序数据生成完整的目标时序数据；所述目标时序数据包括所述历史时间戳对应的时序数据、以及在检测出所述目标历史时长中的历史时间戳不符合预设完整条件时增补的缺失时间戳对应的时序数据；将目标时序数据输入至已训练的故障预测模型得到物联网设备在当前时间戳之后的时间戳下的在线状态预测信息。
可选地，所述物联网设备关联的目标点位的在线状态通过以下步骤确定：针对每一历史时间戳，当所述目标点位关联的任一物联网设备在该历史时间戳下的在线状态为在线，则该历史时间戳下目标点位的在线状态为在线，否则，该历史时间戳下目标点位的在线状态为离线；
所述目标点位关联的目标取电点的在线状态通过以下步骤确定：针对每一历史时间戳，当所述目标取电点关联的任一点位在该历史时间戳下的在线状态为在线，则该历史时间戳下目标取电点的在线状态为在线，否则，该历史时间戳下目标取电点的在线状态为离线。
可选地，所述空域因子还包括：
处于所述目标点位的X米范围内在线状态为在线的取电点的数量，以及，处于所述目标点位的X米范围内在线状态为离线的取电点的数量。
可选地，所述在该历史时间戳之前的至少一个时长内物联网设备发生的变化情况至少包括：
在该历史时间戳之前的第一指定时长内物联网设备的在线状态发生变更的次数、和/或目标点位在线状态比、和/或目标取电点在线状态比、和/或图像采集完好率；和/或，
在该历史时间戳之前的第二指定时长内物联网设备的在线状态发生变更的次数、和/或目标点位在线状态比、和/或目标取电点在线状态比、和/或图像采集完好率；其中，第一指定时长小于第二指定时长；
其中，所述在线状态发生变更包括从在线变为离线、以及从离线变为在线；所述目标点位在线状态比包括所述目标点位的在线时长占比，以及目标点位的离线时长占比；所述目标取电点在线状态比包括所述目标取电点的在线时长占比，以及所述目标取电点的离线时长占比。
可选地，处理单元依据设备因子时序数据、空域因子时序数据、时域因子时序数据生成完整的目标时序数据包括：
在检测出目标历史时长中的历史时间戳不符合预设完整条件时，修复所述目标历史时长中缺失的缺失时间戳；
针对每一缺失时间戳，依据包含该缺失时间戳在内的预设时长内的网络状态因子、和/或环境因子、和/或人为因子，以及与该缺失时间戳相邻的至少一个历史时间戳下的设备因子和/或时域因子和/或空域因子，确定该缺失时间戳对应的缺失数据；
将所述设备因子时序数据、空域因子时序数据、时域因子时序数据、以及缺失时间戳对应的缺失数据进行合并，得到物联网设备的完整的参考时序数据；依据所述参考时序数据，确定所述目标时序数据。
可选地，处理单元依据所述参考时序数据，确定所述目标时序数据包括：
将所述参考时序数据确定为所述目标时序数据；或者，
获得衍生出的时序特征数据，将所述时序特征数据和所述参考时序数据合并为所述目标时序数据；所述时序特征数据至少包括：所述参考时序数据中的时间戳、以及该时间戳下的衍生特征信息；所述衍生特征信息至少包括：时间戳所属的时间特征属性、和/或时间戳所属的滑窗窗口内的在线统计信息。
可选地，所述在线状态预测信息包括：在线或离线；处理单元进一步统计已得到的所述物联网设备在未来不同时间戳的在线状态预测信息；依据统计出的未来不同时间戳的在线状态预测信息，统计所述物联网设备在未来时长内的离线概率，以通过所述离线概率辅助用户对所述物联网设备健康度进行评估决策；所述未来时长为未来不同时间戳中最早的时间戳至最晚的时间戳的时长。
至此，完成图3所示装置的结构图。
本申请实施例还提供了图3所示装置的硬件结构。参见图4，图4为本申请实施例提供的电子设备结构图。如图4所示，该硬件结构可包括：处理器和机器可读存储介质，机器可读存储介质存储有能够被所述处理器执行的机器可执行指令；所述处理器用于执行机器可执行指令，以实现本申请上述示例公开的方法。
基于与上述方法同样的申请构思，本申请实施例还提供一种机器可读存储介质，所述机器可读存储介质上存储有若干计算机指令，所述计算机指令被处理器执行时，能够实现本申请上述示例公开的方法。
示例性的，上述机器可读存储介质可以是任何电子、磁性、光学或其它物理存储装置，可以包含或存储信息，如可执行指令、数据，等等。例如，机器可读存储介质可以是：RAM(Radom Access Memory，随机存取存储器)、易失存储器、非易失性存储器、闪存、存储驱动器(如硬盘驱动器)、固态硬盘、任何类型的存储盘(如光盘、dvd等)，或者类似的存储介质，或者它们的组合。
上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机，计算机的具体形式可以是个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件收发设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任意几种设备的组合。
为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本申请时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可以由计算机程序指令实现流程图和 /或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其它可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其它可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
而且，这些计算机程序指令也可以存储在能引导计算机或其它可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或者多个流程和/或方框图一个方框或者多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其它可编程数据处理设备上，使得在计算机或者其它可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其它可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
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)
1.一种物联网设备的在线状态预测方法，其特征在于，该方法包括：
依据目标历史时长中各历史时间戳下的物联网设备的设备因子，生成与物联网设备对应的基于各历史时间戳的设备因子时序数据；设备因子时序数据包括：历史时间戳以及历史时间戳下的设备因子；设备因子至少包括：在线状态和/或物联网设备采集的图像数据信息；
依据各历史时间戳下与物联网设备关联的空域因子，生成物联网设备对应的基于各历史时间戳的空域因子时序数据；空域因子时序数据包括：历史时间戳以及历史时间戳下的空域因子；空域因子至少包括物联网设备关联的目标点位的在线状态和/或目标点位关联的目标取电点的在线状态；
依据各历史时间戳下与物联网设备相关联的时域因子，生成与物联网设备对应的基于各历史时间戳的时域因子时序数据，时域因子时序数据至少包括：历史时间戳以及在该历史时间戳下的时域因子；时域因子至少包括：在该历史时间戳之前的至少一个时长内物联网设备发生的变化情况；
依据设备因子时序数据、空域因子时序数据、时域因子时序数据生成完整的目标时序数据；所述目标时序数据包括所述历史时间戳对应的时序数据、以及在检测出所述目标历史时长中的历史时间戳不符合预设完整条件时增补的缺失时间戳对应的时序数据；将目标时序数据输入至已训练的故障预测模型，得到物联网设备在当前时间戳之后的时间戳下的在线状态预测信息。
2.根据权利要求1所述的方法，其特征在于，所述物联网设备关联的目标点位的在线状态通过以下步骤确定：针对每一历史时间戳，当所述目标点位关联的任一物联网设备在该历史时间戳下的在线状态为在线，则该历史时间戳下目标点位的在线状态为在线，否则，该历史时间戳下目标点位的在线状态为离线；
所述目标点位关联的目标取电点的在线状态通过以下步骤确定：针对每一历史时间戳，当所述目标取电点关联的任一点位在该历史时间戳下的在线状态为在线，则该历史时间戳下目标取电点的在线状态为在线，否则，该历史时间戳下目标取电点的在线状态为离线。
3.根据权利要求2所述的方法，其特征在于，所述空域因子还包括：
处于所述目标点位的X米范围内在线状态为在线的取电点的数量，以及，处于所述目标点位的X米范围内在线状态为离线的取电点的数量。
4.根据权利要求1所述的方法，其特征在于，所述在该历史时间戳之前的至少一个时长内物联网设备发生的变化情况至少包括：
在该历史时间戳之前的第一指定时长内物联网设备的在线状态发生变更的次数、和/或目标点位在线状态比、和/或目标取电点在线状态比、和/或图像采集完好率；和/或，
在该历史时间戳之前的第二指定时长内物联网设备的在线状态发生变更的次数、和/或目标点位在线状态比、和/或目标取电点在线状态比、和/或图像采集完好率；其中，第一指定时长小于第二指定时长；
其中，所述在线状态发生变更包括从在线变为离线、以及从离线变为在线；所述目标点位在线状态比包括所述目标点位的在线时长占比，以及目标点位的离线时长占比；所述目标取电点在线状态比包括所述目标取电点的在线时长占比，以及所述目标取电点的离线时长占比。
5.根据权利要求1所述的方法，其特征在于，所述依据设备因子时序数据、空域因子时序数据、时域因子时序数据生成完整的目标时序数据包括：
在检测出目标历史时长中的历史时间戳不符合预设完整条件时，修复所述目标历史时长中缺失的缺失时间戳；
针对每一缺失时间戳，依据包含该缺失时间戳在内的预设时长内的网络状态因子、和/或环境因子、和/或人为因子，以及与该缺失时间戳相邻的至少一个历史时间戳下的设备因子和/或时域因子和/或空域因子，确定该缺失时间戳对应的缺失数据；
将所述设备因子时序数据、空域因子时序数据、时域因子时序数据、以及缺失时间戳对应的缺失数据进行合并，得到物联网设备的完整的参考时序数据；依据所述参考时序数据，确定所述目标时序数据。
6.根据权利要求5所述的方法，其特征在于，所述依据所述参考时序数据，确定所述目标时序数据包括：
将所述参考时序数据确定为所述目标时序数据；或者，
获得衍生出的时序特征数据，将所述时序特征数据和所述参考时序数据合并为所述目标时序数据；所述时序特征数据至少包括：所述参考时序数据中的时间戳、以及该时间戳下的衍生特征信息；所述衍生特征信息至少包括：时间戳所属的时间特征属性、和/或时间戳所属的滑窗窗口内的在线统计信息。
7.根据权利要求1所述的方法，其特征在于，所述在线状态预测信息包括：在线或离线；该方法进一步包括：
统计已得到的所述物联网设备在未来不同时间戳的在线状态预测信息；
依据统计出的未来不同时间戳的在线状态预测信息，统计所述物联网设备在未来时长内的离线概率，以通过所述离线概率辅助用户对所述物联网设备健康度进行评估决策；所述未来时长为未来不同时间戳中最早的时间戳至最晚的时间戳的时长。
8.一种物联网设备的在线状态预测装置，其特征在于，该装置包括：
数据汇聚单元，用于依据目标历史时长中各历史时间戳下的物联网设备的设备因子，生成与物联网设备对应的基于历史时间戳的设备因子时序数据；设备因子时序数据包括：历史时间戳及历史时间戳下的设备因子；设备因子至少包括：在线状态和/或物联网设备采集的图像数据信息；以及，
依据各历史时间戳下与物联网设备关联的空域因子，生成物联网设备对应的基于各历史时间戳的空域因子时序数据；空域因子时序数据包括：历史时间戳以及历史时间戳下的空域因子；空域因子至少包括物联网设备关联的目标点位的在线状态和/或目标点位关联的目标取电点的在线状态；以及，
依据各历史时间戳下与物联网设备相关联的时域因子，生成与物联网设备对应的基于各历史时间戳的时域因子时序数据，时域因子时序数据至少包括：历史时间戳以及在该历史时间戳下的时域因子；时域因子至少包括：在该历史时间戳之前的至少一个时长内物联网设备发生的变化情况；
处理单元，用于依据设备因子时序数据、空域因子时序数据、时域因子时序数据生成完整的目标时序数据；所述目标时序数据包括所述历史时间戳对应的时序数据、以及在检测出所述目标历史时长中的历史时间戳不符合预设完整条件时增补的缺失时间戳对应的时序数据；将目标时序数据输入至已训练的故障预测模型得到物联网设备在当前时间戳之后的时间戳下的在线状态预测信息。
9.根据权利要求8所述的装置，其特征在于，所述在线状态预测信息包括：在线或离线；
所述处理单元进一步统计已得到的所述物联网设备在未来不同时间戳的在线状态预测信息；依据统计出的未来不同时间戳的在线状态预测信息，统计所述物联网设备在未来时长内的离线概率，以通过所述离线概率辅助用户对所述物联网设备健康度进行评估决策；所述未来时长为未来不同时间戳中最早的时间戳至最晚的时间戳的时长。
10.一种电子设备，其特征在于，该电子设备包括：处理器和机器可读存储介质；
所述机器可读存储介质存储有能够被所述处理器执行的机器可执行指令；
所述处理器用于执行机器可执行指令，以实现权利要求1-7任一项的方法步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111387430.XA CN114189456B (zh) | 2021-11-22 | 2021-11-22 | 物联网设备的在线状态预测方法、装置及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111387430.XA CN114189456B (zh) | 2021-11-22 | 2021-11-22 | 物联网设备的在线状态预测方法、装置及电子设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114189456A true CN114189456A (zh) | 2022-03-15 |
| CN114189456B CN114189456B (zh) | 2024-02-27 |
Family
ID=80541173
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111387430.XA Active CN114189456B (zh) | 2021-11-22 | 2021-11-22 | 物联网设备的在线状态预测方法、装置及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114189456B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114924901A (zh) * | 2022-05-25 | 2022-08-19 | 远景智能国际私人投资有限公司 | 设备数据的存储方法、装置、计算机设备及存储介质 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108304960A (zh) * | 2017-12-29 | 2018-07-20 | 中车工业研究院有限公司 | 一种轨道交通设备故障诊断方法 |
| CN110425694A (zh) * | 2019-08-09 | 2019-11-08 | 长江慧控科技(武汉)有限公司 | 基于phm的高铁智能车站暖通空调能效控制管理方法 |
| US10826684B1 (en) * | 2019-06-06 | 2020-11-03 | Syniverse Technologies, Llc | System and method of validating Internet of Things (IOT) devices |
-
2021
- 2021-11-22 CN CN202111387430.XA patent/CN114189456B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108304960A (zh) * | 2017-12-29 | 2018-07-20 | 中车工业研究院有限公司 | 一种轨道交通设备故障诊断方法 |
| US10826684B1 (en) * | 2019-06-06 | 2020-11-03 | Syniverse Technologies, Llc | System and method of validating Internet of Things (IOT) devices |
| CN110425694A (zh) * | 2019-08-09 | 2019-11-08 | 长江慧控科技(武汉)有限公司 | 基于phm的高铁智能车站暖通空调能效控制管理方法 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114924901A (zh) * | 2022-05-25 | 2022-08-19 | 远景智能国际私人投资有限公司 | 设备数据的存储方法、装置、计算机设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114189456B (zh) | 2024-02-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Meng et al. | Rating the crisis of online public opinion using a multi-level index system | |
| CN113313303A (zh) | 基于混合深度学习模型的城市区域路网过车流量预测方法及其系统 | |
| US20110085649A1 (en) | Fluctuation Monitoring Method that Based on the Mid-Layer Data | |
| CN105574593B (zh) | 基于云计算和大数据的轨道状态静态检控系统及方法 | |
| US9652728B2 (en) | Methods and systems for generating a business process control chart for monitoring building processes | |
| US9299051B2 (en) | Methods and systems for evaluating the performance of building processes | |
| CN109979193B (zh) | 一种基于马尔科夫模型的数据异常诊断方法 | |
| CN108376292A (zh) | 一种人群流量预测方法、系统及设备 | |
| Vahedian et al. | Predicting urban dispersal events: A two-stage framework through deep survival analysis on mobility data | |
| CN116914917A (zh) | 一种基于大数据的配电柜运行状态监测管理系统 | |
| JP5925229B2 (ja) | 設備点検順位設定装置及びプログラム | |
| CN103154904A (zh) | 操作管理设备、操作管理方法和程序 | |
| CN115375205A (zh) | 一种用水用户画像的确定方法、装置及设备 | |
| CN110807508B (zh) | 计及复杂气象影响的母线峰值负荷预测方法 | |
| Elshenawy et al. | Automatic imputation of missing highway traffic volume data | |
| CN114189456B (zh) | 物联网设备的在线状态预测方法、装置及电子设备 | |
| Ghassemi et al. | Optimal surrogate and neural network modeling for day-ahead forecasting of the hourly energy consumption of university buildings | |
| Ding et al. | A framework for short-term activity-aware load forecasting | |
| CN102184638B (zh) | 行人交通数据的数据预处理方法 | |
| CN113112795B (zh) | 一种路况预测方法、装置及设备 | |
| CN101350731B (zh) | 一种节点永久离开判别方法及长期数据维护方案 | |
| JP2010102462A (ja) | 障害推定装置、方法及びプログラム | |
| CN112561153A (zh) | 一种基于模型集成的景区人群聚集预测方法 | |
| CN111752991A (zh) | 一种表计数据统计方法、装置和获取表计统计数据方法 | |
| CN117172138B (zh) | 一种基于深度学习的城市交通碳排放预测方法及装置 |
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 |