CN114926104A - 工业互联网平台发展指数监测方法及系统 - Google Patents
工业互联网平台发展指数监测方法及系统 Download PDFInfo
- Publication number
- CN114926104A CN114926104A CN202210856196.9A CN202210856196A CN114926104A CN 114926104 A CN114926104 A CN 114926104A CN 202210856196 A CN202210856196 A CN 202210856196A CN 114926104 A CN114926104 A CN 114926104A
- Authority
- CN
- China
- Prior art keywords
- index data
- monitoring index
- data
- model
- model parameters
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
-
- 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
- H04L41/142—Network analysis or design using statistical or mathematical methods
Abstract
本发明涉及数据监测技术领域,具体涉及一种工业互联网平台发展指数监测方法及系统,该方法包括:获取实时二级监测指标数据,基于所述二级监测指标数据分析对应的至少一个一级监测指标数据,所述一级监测指标数据基于所述二级监测指标数据的统计数据的同比数据确定;基于监测指标数据的当前时刻前的第一时间段的历史数据,获取各个监测指标数据的当前时刻的目标值;基于各个监测指标数据的当前时刻的目标值与实际值的差值和各个所述监测指标数据的优先级分析工业互联网平台发展指数。本发明实现实时对工业互联网平台发展指数的动态变化的异常监测。
Description
技术领域
本发明涉及数据监测技术领域,具体涉及一种工业互联网平台发展指数监测方法及系统。
背景技术
工业互联网平台发展指数的监测分析将为政府部门、行业协会、研究机构、制造企业和平台服务商等各方力量协同推进平台建设、深化融合应用、完善平台服务体系提供科学依据和有效引导,有助于我国工业互联网发展走深向实,助力新一代信息技术与制造业加速融合发展。实现科学、有序地规范工业互联网平台健康发展已经成为国家和产业各界高度关注的重点问题,为了更好地把握工业互联网发展态势,亟需实现对工业互联网平台发展发展态势的动态跟踪和准确监测。
发明内容
针对上述现有技术存在的问题,本发明提供了一种工业互联网平台发展指数监测方法及系统,该技术方案包括:
第一方面,本申请公开了一种工业互联网平台发展指数监测方法,包括:
获取实时二级监测指标数据,基于所述二级监测指标数据分析对应的至少一个一级监测指标数据,所述一级监测指标数据基于所述二级监测指标数据的统计数据的同比数据确定;
基于监测指标数据的当前时刻前的第一时间段的历史数据,获取各个监测指标数据的当前时刻的目标值;
基于各个监测指标数据的当前时刻的目标值与实际值的差值和各个所述监测指标数据的优先级分析工业互联网平台发展指数。
在一些实施方式中,所述基于所述二级监测指标数据分析对应的至少一个一级监测指标数据,包括:
基于二级监测指标数据中属于同一一级监测指标数据的多个二级监测指标数据的不同年份的不同样本数据,获取属于同一一级监测指标数据的多个二级监测指标数据的每年的同比数据;
基于属于同一一级监测指标数据的多个二级监测指标数据的每年的同比数据获取所述一级监测指标数据的每年的数值。
在一些实施方式中,所述基于监测指标数据的当前时刻前的第一时间段的历史数据,获取各个监测指标数据的当前时刻的目标值,包括:
获取多个样本数据,每个所述样本数据包括一个工业互联网平台的一个二级监测指标数据的历史数据;
对每个样本数据基于时间段划分获取多个样本;
基于所有工业互联网平台的同一个二级监测指标数据的样本获取针对同一个二级监测指标数据的训练样本集;
基于所述二级监测指标数据的训练样本集输入至少两个不同的神经网络模型进行训练,获取针对输入样本的监测指标数据的至少两个输出预测结果;
基于所述针对输入样本的监测指标数据的至少两个输出预测结果进行融合分析,获取针对输入样本的监测指标数据的汇总输出预测结果;
基于所述针对输入样本的监测指标数据的汇总输出预测结果和所述针对输入样本的监测指标数据的目标预测结果的差异,反向迭代修正所述至少两个不同的神经网络模型的模型参数,直至所述汇总输出预测结果和目标预测结果的差异小于预设值或者达到预设最大迭代次数时,获取针对二级监测指标数据的目标预测模型;
基于二级监测指标数据的当前时刻前的第一时间段的历史数据输入至所述目标预测模型,获取所述二级监测指标数据的当前时刻的目标值。
在一些实施方式中,所述基于监测指标数据的当前时刻前的第一时间段的历史数据,获取各个监测指标数据的当前时刻的目标值,还包括:
基于属于同一一级监测指标数据的多个二级监测指标数据的当前时刻的目标值,获取所述一级监测指标数据的当前时刻的目标值。
在一些实施方式中,所述至少两个不同的神经网络模型中,包括一个第一神经网络模型,所述二级监测指标数据的训练样本集的训练样本输入到第一神经网络模型时:
基于上一时刻的输出和当前时刻的样本数据共同作为当前时刻的输入数据;
在一些实施方式中,所述基于所述二级监测指标数据的训练样本集输入至少两个不同的神经网络模型进行训练之前,还包括:
在模型参数的上下限范围内随机选择获取多个第一模型参数;
基于第一模型参数生成相反的第二模型参数,所述第一模型参数与第一限值之间的距离和第二模型参数与第二限值之间的距离相等,所述第一限值和第二限值分别为模型参数的上、下限中的一个数值;
基于神经网络模型的预设模型训练损失函数的函数值大小在多个第一模型参数和第二模型参数中获取预设个优选模型参数;
基于所述预设个优选模型参数作为待优化模型参数,基于在待优化模型参数下神经网络模型的预设模型训练损失函数的函数值最小化控制所述待优化模型参数在模型参数的上下限范围内更新变化,直至获取最优的模型参数。
在一些实施方式中,所述控制所述待优化模型参数在模型参数的上下限范围内更新变化的过程中,包括:
采用预设第一迭代更新算法对待优化模型参数进行迭代更新;
当当前时刻更新后的模型参数或者神经网络模型的预设模型训练损失函数的函数值与前预设数量次模型参数更新变化后的结果相比未发生变化,切换到预设第二更新算法对待优化模型参数进行一次更新。
在一些实施方式中,所述预设第二更新算法,包括:
其中,是当前时刻的模型参数基于预设第二更新算法更新后的模型参数,是当前时刻的模型参数中的使损失函数函数值最小的模型参数,是0和1之间均匀分布的随机数,为高斯窗函数,和分别为模型参数的当前更新次数和预设最大更新次数。
第一方面,本申请公开了一种工业互联网平台发展指数监测系统,包括:
监测指标数据获取单元,用于获取实时二级监测指标数据,基于所述二级监测指标数据分析对应的至少一个一级监测指标数据,所述一级监测指标数据基于所述二级监测指标数据的统计数据的同比数据确定;
期望数据获取单元,用于基于监测指标数据的当前时刻前的第一时间段的历史数据,获取各个监测指标数据的当前时刻的目标值;
数据监测单元,用于基于各个监测指标数据的当前时刻的目标值与实际值的差值和各个所述监测指标数据的优先级分析工业互联网平台发展指数。
在一些实施方式中,所述期望数据获取单元,包括:基于至少两个不同的神经网络模型,获取针对输入样本的监测指标数据的至少两个输出预测结果,基于所述针对输入样本的监测指标数据的至少两个输出预测结果进行融合分析,获取针对输入样本的监测指标数据的汇总输出预测结果。
本发明的一种工业互联网平台发展指数监测方法及系统,具备如下有益效果:本发明中对于工业互联网平台发展指数的监测,基于各个监测指标数据的当前时刻的目标值与实际值的差值和各个所述监测指标数据的优先级,分析当前时刻的各个监测指标数据的异常情况,实现实时对工业互联网平台发展指数的动态变化监测。
附图说明
图1是本申请实施例中工业互联网平台发展指数监测方法的流程示意图;
图2是本申请实施例中一级监测指标数据的获取流程示意图;
图3是本申请实施例中监测指标数据目标值的获取流程示意图;
图4是本申请实施例中第一神经网络模型中的数据处理过程示意图;
图5是本申请实施例中神经网络模型训练之前初始模型参数的获取方法流程图;
图6是本申请实施例中待优化模型参数的更新控制过程示意图。
具体实施方式
为了使得本申请的目的、技术方案和优点更为明显,下面将参照附图详细描述根据本申请的示例实施例。显然,所描述的实施例仅仅是本申请的一部分实施例,而不是本申请的全部实施例,应理解,本申请不受这里描述的示例实施例的限制。
参见图1,本申请实施例提供了一种工业互联网平台发展指数监测方法,包括如下步骤:
步骤1,获取实时二级监测指标数据,基于所述二级监测指标数据分析对应的至少一个一级监测指标数据,所述一级监测指标数据基于所述二级监测指标数据的统计数据的同比数据确定;
步骤2,基于监测指标数据的当前时刻前的第一时间段的历史数据,获取各个监测指标数据的当前时刻的目标值;
步骤3,基于各个监测指标数据的当前时刻的目标值与实际值的差值和各个所述监测指标数据的优先级分析工业互联网平台发展指数。
本申请实施例中,对于工业互联网平台发展指数的监测,基于各个监测指标数据的当前时刻的目标值与实际值的差值和各个所述监测指标数据的优先级,可以分析当前时刻的各个监测指标数据的异常情况,实现实时对工业互联网平台发展指数的动态变化监测。
可以理解,当监测指标数据的当前时刻的目标值与实际值的差值在预设允许范围内时,判定该监测指标数据的当前变化在预期中,否则,当监测指标数据的当前时刻的目标值与实际值的差值超出预设允许范围内时,判定该监测指标数据的当前变化存在异常变化的可能,进一步,当存在多个监测指标数据的当前变化存在异常时,根据不同监测指标数据对于工业互联网平台发展水平监测的重要性优先级,确定不同监测指标数据的异常告警级别,进一步的,监测指标数据的当前时刻的目标值与实际值的差值超出预设允许范围的偏差程度不同,设置不同的异常告警优先级,本申请中综合考虑了不同监测指标数据的告警优先级的不同和同一监测指标数据的不同偏差程度的告警优先级的不同,实现对监测指标数据异常监测的全面分析。
其中,对于工业互联网平台发展指数的监测指标,可以采用IIP10,也可以采用IIP27指数。本申请实施例中,以IIP10指数为例进行说明,其中的一级监测指标包括:工业设备连接、工业机理模型、工业 APP开发、平台应用推广和平台价值效益,其中工业设备连接指数下的二级监测指标可以包括工业设备接入数量、工业设备接入种类、工业协议兼容数量,工业机理模型指数下的二级监测指标可以包括工业机理模型种类和工业机理模型数量等。
进一步的,请参阅图2,上述步骤1中,基于所述二级监测指标数据分析对应的至少一个一级监测指标数据,包括:
步骤11,基于二级监测指标数据中属于同一一级监测指标数据的多个二级监测指标数据的不同年份的不同样本数据,获取属于同一一级监测指标数据的多个二级监测指标数据的每年的同比数据;
步骤12,基于属于同一一级监测指标数据的多个二级监测指标数据的每年的同比数据获取所述一级监测指标数据的每年的数值。
本申请实施例中,一级监测指标有多个类别,每个类别的一级监测指标下包括多个二级监测指标,基于实时采集的二级监测指标,用来计算分析对应的一级监测指标,其中,不同年份的不同样本数据,可以理解,每个二级监测指标数据样本来自不同的工业互联网平台,若记一级监测指标有a个,二级监测指标共计b个,则在每个工业互联网平台分别可以采集b个二级监测指标,且可以针对工业互联网平台在不同年份采集二级监测指标数据,基于不同年份的二级监测指标数据计算对应的二级监测指标数据的同比数据,基于属于同一一级监测指标数据的多个二级监测指标数据的同比数据进行综合分析,获取到对应的一级监测指标数据的数值。
进一步的,请参阅图3,上述步骤2中,基于监测指标数据的当前时刻前的第一时间段的历史数据,获取各个监测指标数据的当前时刻的目标值,包括:
步骤21,获取多个样本数据,每个所述样本数据包括一个工业互联网平台的一个二级监测指标数据的历史数据;
步骤22,对每个样本数据基于时间段划分获取多个样本;
步骤23,基于所有工业互联网平台的同一个二级监测指标数据的样本获取针对同一个二级监测指标数据的训练样本集;
步骤24,基于所述二级监测指标数据的训练样本集输入至少两个不同的神经网络模型进行训练,获取针对输入样本的监测指标数据的至少两个输出预测结果;
步骤25,基于所述针对输入样本的监测指标数据的至少两个输出预测结果进行融合分析,获取针对输入样本的监测指标数据的汇总输出预测结果;
步骤26,基于所述针对输入样本的监测指标数据的汇总输出预测结果和所述针对输入样本的监测指标数据的目标预测结果的差异,反向迭代修正所述至少两个不同的神经网络模型的模型参数,直至所述汇总输出预测结果和目标预测结果的差异小于预设值或者达到预设最大迭代次数时,获取针对二级监测指标数据的目标预测模型;
步骤27,基于二级监测指标数据的当前时刻前的第一时间段的历史数据输入至所述目标预测模型,获取所述二级监测指标数据的当前时刻的目标值。
本申请实施例中,对于二级监测指标数据的当前时刻的目标值,基于至少两个不同的神经网络模型获取至少两个输出预测结果,基于多个不同的神经网络模型避免单一神经网络模型预测结果准确性的不稳定,考虑到单一神经网络模型具有模型自身的缺点,在面对监测指标数据的历史数据中的不同数据变化特征,会存在预测结果准确性不稳定情况,本申请实施例中综合多个不同的神经网络模型对二级监测指标数据的变化过程进行学习,对于二级监测指标数据的当前时刻的目标值的获取,基于多个神经网络模型的输出预测结果进行融合分析,获取最为准确的输出预测结果。进一步的,多个神经网络模型可以包括LSTM网络、RNN模型等。
在一种实施方式中,请参阅图3,上述步骤2中,基于监测指标数据的当前时刻前的第一时间段的历史数据,获取各个监测指标数据的当前时刻的目标值,还包括:
步骤28,基于属于同一一级监测指标数据的多个二级监测指标数据的当前时刻的目标值,获取所述一级监测指标数据的当前时刻的目标值。
进一步的,请参阅图4,上述步骤24中的至少两个不同的神经网络模型中,包括一个第一神经网络模型,二级监测指标数据的训练样本集的训练样本输入到第一神经网络模型时,数据的处理过程包括:
步骤241,基于上一时刻的输出和当前时刻的样本数据共同作为当前时刻的输入数据;
步骤244,隐藏层基于第三激活函数对上一时刻的输出被当前时刻的输出接受的数据和当前时刻的样本数据进行映射转换,获取中间状态信息,其中上一时刻的输出被当前时刻的输出接受的数据即为第二控制参数与上一时刻的输出的乘积值;
本申请实施例中,采用了一个第一神经网络模型,该第一神经网络模型包括输入层、多个隐藏层、输出层,其中隐藏层的数据处理过程中,同时对上一隐藏层的输出有控制的接受部分数据到当前隐藏层的输出中,利用监测指标数据变化的时序相关性,将历史数据中的有用信息保留,提高了在基于监测指标数据的当前时刻前的第一时间段的历史数据,获取各个监测指标数据的当前时刻的目标值的准确性。其中,第一激活函数、第二激活函数采用Sigmoid函数,第三激活函数采用双曲正切函数。
进一步的,请参阅图5,上述步骤24中,基于所述二级监测指标数据的训练样本集输入至少两个不同的神经网络模型进行训练之前,还包括:
步骤246,在模型参数的上下限范围内随机选择获取多个第一模型参数;
步骤247,基于第一模型参数生成相反的第二模型参数,所述第一模型参数与第一限值之间的距离和第二模型参数与第二限值之间的距离相等,所述第一限值和第二限值分别为模型参数的上、下限中的一个数值;
步骤248,基于神经网络模型的预设模型训练损失函数的函数值大小在多个第一模型参数和第二模型参数中获取预设个优选模型参数;
步骤249,基于所述预设个优选模型参数作为待优化模型参数,基于在待优化模型参数下神经网络模型的预设模型训练损失函数的函数值最小化控制所述待优化模型参数在模型参数的上下限范围内更新变化,直至获取最优的模型参数。
本申请实施例中,对于神经网络模型的训练,在训练之前对模型参数的初始化参数的设置,采用上述获取的最优的模型参数进行训练,有效提高模型训练精度和训练效率,减小训练周期。其中,在随机生成第一模型参数的情况下,生成第二模型参数,可以理解,上述第一限值是模型参数的上限,第二限值对应是模型参数的下限,或者第一限值是模型参数的下限,第二限值是模型参数的上限,以第一限值是模型参数的上限为例,当第一模型参数比较接近上限时,与之相反的第二模型参数会比较接近下限,因此,所有的第一模型参数和第二模型参数实现了预设个优选模型参数的多样性,避免后期待优化模型参数的更新变化过程中陷入局部最优。可以理解,在待优化模型参数下神经网络模型的预设模型训练损失函数的函数值越小表征该待优化模型参数越适合用于神经网络模型的训练过程。
进一步的,请参阅图6,上述步骤249中,控制所述待优化模型参数在模型参数的上下限范围内更新变化的过程中,包括:
步骤2491,采用预设第一迭代更新算法对待优化模型参数进行迭代更新;
步骤2492,当当前时刻更新后的模型参数或者神经网络模型的预设模型训练损失函数的函数值与前预设数量次模型参数更新变化后的结果相比未发生变化,切换到预设第二更新算法对待优化模型参数进行一次更新。
本申请实施例中,为了避免在待优化模型参数的更新变化寻优过程中,发生更新停滞,模型参数连续多次未发生变化或者神经网络模型的预设模型训练损失函数的函数值连续多次未发生变化,则利用第二更新算法强制对待优化模型参数进行更新变化,以跳过第一迭代更新算法中模型参数的停滞期,利用第二更新算法更新后获取的待优化模型参数继续执行第一迭代更新算法,加强第一迭代更新算法的更新寻优能力。可以理解,其中的预设第一迭代更新算法包括智能优化算法,例如粒子群优化算法、遗传算法、差分进化算法、蚁群算法等。
进一步的,上述步骤2492中的预设第二更新算法,包括:
其中,是当前时刻的模型参数基于预设第二更新算法更新后的模型参数,是当前时刻的模型参数中的使损失函数函数值最小的模型参数,是0和1之间均匀分布的随机数,为高斯窗函数,和分别为模型参数的当前更新次数和预设最大更新次数。
本申请实施例中,利用预设第二更新算法对模型参数进行调整,对停滞期时刻的模型参数,基于调整行走步长,基于对当前时刻的进行调整,驱动模型参数向最优值方向变化,降低预设第一迭代更新算法的更新时长,提高预设第一迭代更新算法的更新效率,其中的行走步长采用正弦函数,增加了预设第二更新算法调整后的模型参数的多样性。
基于上述工业互联网平台发展指数监测方法,本申请实施例还提供了一种工业互联网平台发展指数监测系统,其特征在于,包括:
监测指标数据获取单元,用于获取实时二级监测指标数据,基于所述二级监测指标数据分析对应的至少一个一级监测指标数据,所述一级监测指标数据基于所述二级监测指标数据的统计数据的同比数据确定;
期望数据获取单元,用于基于监测指标数据的当前时刻前的第一时间段的历史数据,获取各个监测指标数据的当前时刻的目标值;
数据监测单元,用于基于各个监测指标数据的当前时刻的目标值与实际值的差值和各个所述监测指标数据的优先级分析工业互联网平台发展指数。
具体来说,上述期望数据获取单元执行的方法,包括基于至少两个不同的神经网络模型,获取针对输入样本的监测指标数据的至少两个输出预测结果,基于所述针对输入样本的监测指标数据的至少两个输出预测结果进行融合分析,获取针对输入样本的监测指标数据的汇总输出预测结果。
可以理解,上述工业互联网平台发展指数监测系统中各个单元所涉及的操作的更多细节已经在前文参考图1-图6进行了详细描述,因此这里不再重复描述。
工业互联网平台发展指数监测系统中的各个功能单元所涉及的操作的更多细节已经在前文参考图1-图6进行了详细描述,因此这里不再重复描述。应注意,该监测系统也可以根据不同的方式,而划分为更多或更少的模块,且每个模块还可以包括进一步的子模块来实现其所需要的功能,本申请对此不做限制,只要通过相关硬件和/或软件的组合体能够实现如前前面参考图1-图6描述的各项操作即可。
本发明不局限于上述具体的实施方式,本领域的普通技术人员从上述构思出发,不经过创造性的劳动,所做出的种种变换,均落在本发明的保护范围之内。
Claims (10)
1.一种工业互联网平台发展指数监测方法,其特征在于,包括:
获取实时二级监测指标数据,基于所述二级监测指标数据分析对应的至少一个一级监测指标数据,所述一级监测指标数据基于所述二级监测指标数据的统计数据的同比数据确定;
基于监测指标数据的当前时刻前的第一时间段的历史数据,获取各个监测指标数据的当前时刻的目标值;
基于各个监测指标数据的当前时刻的目标值与实际值的差值和各个所述监测指标数据的优先级分析工业互联网平台发展指数。
2.根据权利要求1所述的一种工业互联网平台发展指数监测方法,其特征在于,所述基于所述二级监测指标数据分析对应的至少一个一级监测指标数据,包括:
基于二级监测指标数据中属于同一一级监测指标数据的多个二级监测指标数据的不同年份的不同样本数据,获取属于同一一级监测指标数据的多个二级监测指标数据的每年的同比数据;
基于属于同一一级监测指标数据的多个二级监测指标数据的每年的同比数据获取所述一级监测指标数据的每年的数值。
3.根据权利要求1所述的一种工业互联网平台发展指数监测方法,其特征在于,所述基于监测指标数据的当前时刻前的第一时间段的历史数据,获取各个监测指标数据的当前时刻的目标值,包括:
获取多个样本数据,每个所述样本数据包括一个工业互联网平台的一个二级监测指标数据的历史数据;
对每个样本数据基于时间段划分获取多个样本;
基于所有工业互联网平台的同一个二级监测指标数据的样本获取针对同一个二级监测指标数据的训练样本集;
基于所述二级监测指标数据的训练样本集输入至少两个不同的神经网络模型进行训练,获取针对输入样本的监测指标数据的至少两个输出预测结果;
基于所述针对输入样本的监测指标数据的至少两个输出预测结果进行融合分析,获取针对输入样本的监测指标数据的汇总输出预测结果;
基于所述针对输入样本的监测指标数据的汇总输出预测结果和所述针对输入样本的监测指标数据的目标预测结果的差异,反向迭代修正所述至少两个不同的神经网络模型的模型参数,直至所述汇总输出预测结果和目标预测结果的差异小于预设值或者达到预设最大迭代次数时,获取针对二级监测指标数据的目标预测模型;
基于二级监测指标数据的当前时刻前的第一时间段的历史数据输入至所述目标预测模型,获取所述二级监测指标数据的当前时刻的目标值。
4.根据权利要求3所述的一种工业互联网平台发展指数监测方法,其特征在于,所述基于监测指标数据的当前时刻前的第一时间段的历史数据,获取各个监测指标数据的当前时刻的目标值,还包括:
基于属于同一一级监测指标数据的多个二级监测指标数据的当前时刻的目标值,获取所述一级监测指标数据的当前时刻的目标值。
5.根据权利要求3所述的一种工业互联网平台发展指数监测方法,其特征在于,所述至少两个不同的神经网络模型中,包括一个第一神经网络模型,所述二级监测指标数据的训练样本集的训练样本输入到第一神经网络模型时:
基于上一时刻的输出和当前时刻的样本数据共同作为当前时刻的输入数据;
6.根据权利要求3所述的一种工业互联网平台发展指数监测方法,其特征在于,所述基于所述二级监测指标数据的训练样本集输入至少两个不同的神经网络模型进行训练之前,还包括:
在模型参数的上下限范围内随机选择获取多个第一模型参数;
基于第一模型参数生成相反的第二模型参数,所述第一模型参数与第一限值之间的距离和第二模型参数与第二限值之间的距离相等,所述第一限值和第二限值分别为模型参数的上、下限中的一个数值;
基于神经网络模型的预设模型训练损失函数的函数值大小在多个第一模型参数和第二模型参数中获取预设个优选模型参数;
基于所述预设个优选模型参数作为待优化模型参数,基于在待优化模型参数下神经网络模型的预设模型训练损失函数的函数值最小化控制所述待优化模型参数在模型参数的上下限范围内更新变化,直至获取最优的模型参数。
7.根据权利要求6所述的一种工业互联网平台发展指数监测方法,其特征在于,所述控制所述待优化模型参数在模型参数的上下限范围内更新变化的过程中,包括:
采用预设第一迭代更新算法对待优化模型参数进行迭代更新;
当当前时刻更新后的模型参数或者神经网络模型的预设模型训练损失函数的函数值与前预设数量次模型参数更新变化后的结果相比未发生变化,切换到预设第二更新算法对待优化模型参数进行一次更新。
9.一种工业互联网平台发展指数监测系统,其特征在于,包括:
监测指标数据获取单元,用于获取实时二级监测指标数据,基于所述二级监测指标数据分析对应的至少一个一级监测指标数据,所述一级监测指标数据基于所述二级监测指标数据的统计数据的同比数据确定;
期望数据获取单元,用于基于监测指标数据的当前时刻前的第一时间段的历史数据,获取各个监测指标数据的当前时刻的目标值;
数据监测单元,用于基于各个监测指标数据的当前时刻的目标值与实际值的差值和各个所述监测指标数据的优先级分析工业互联网平台发展指数。
10.根据权利要求9所述的一种工业互联网平台发展指数监测系统,其特征在于,所述期望数据获取单元,包括:基于至少两个不同的神经网络模型,获取针对输入样本的监测指标数据的至少两个输出预测结果,基于所述针对输入样本的监测指标数据的至少两个输出预测结果进行融合分析,获取针对输入样本的监测指标数据的汇总输出预测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210856196.9A CN114926104A (zh) | 2022-07-21 | 2022-07-21 | 工业互联网平台发展指数监测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210856196.9A CN114926104A (zh) | 2022-07-21 | 2022-07-21 | 工业互联网平台发展指数监测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114926104A true CN114926104A (zh) | 2022-08-19 |
Family
ID=82816215
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210856196.9A Pending CN114926104A (zh) | 2022-07-21 | 2022-07-21 | 工业互联网平台发展指数监测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114926104A (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110008079A (zh) * | 2018-12-25 | 2019-07-12 | 阿里巴巴集团控股有限公司 | 监控指标异常检测方法、模型训练方法、装置及设备 |
CN112787878A (zh) * | 2019-11-08 | 2021-05-11 | 大唐移动通信设备有限公司 | 一种网络指标的预测方法及电子设备 |
CN114254928A (zh) * | 2021-12-22 | 2022-03-29 | 国家工业信息安全发展研究中心 | 一种工业互联网平台发展指数监测方法及系统 |
-
2022
- 2022-07-21 CN CN202210856196.9A patent/CN114926104A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110008079A (zh) * | 2018-12-25 | 2019-07-12 | 阿里巴巴集团控股有限公司 | 监控指标异常检测方法、模型训练方法、装置及设备 |
CN112787878A (zh) * | 2019-11-08 | 2021-05-11 | 大唐移动通信设备有限公司 | 一种网络指标的预测方法及电子设备 |
CN114254928A (zh) * | 2021-12-22 | 2022-03-29 | 国家工业信息安全发展研究中心 | 一种工业互联网平台发展指数监测方法及系统 |
Non-Patent Citations (1)
Title |
---|
胡昊等: "基于权重修正和DRSN-LSTM 模型的向家坝下游水位多时间尺度预测", 《水利水电技术》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110135630B (zh) | 基于随机森林回归和多步寻优的短期负荷需求预测方法 | |
CN111277434A (zh) | 一种基于vmd和lstm的网络流量多步预测方法 | |
CN111898867B (zh) | 一种基于深度神经网络的飞机总装生产线产能预测方法 | |
CN115271186B (zh) | 一种基于延时因子和PSO RNN Attention模型的水库水位预测预警方法 | |
CN112288137A (zh) | 一种计及电价和Attention机制的LSTM短期负荷预测方法及装置 | |
CN114444660A (zh) | 基于注意力机制和lstm的短期电力负荷预测方法 | |
CN107894710B (zh) | 一种裂解反应炉温度的主成分分析建模方法 | |
CN115115090A (zh) | 一种基于改进lstm-cnn的风功率短期预测方法 | |
CN106682773B (zh) | 一种基于模拟退火算法的人机焊接工时预测方法 | |
CN113156900A (zh) | 一种基于元强化学习的加工变形控制方法 | |
CN114926104A (zh) | 工业互联网平台发展指数监测方法及系统 | |
CN116258087B (zh) | 冰铜品位软测量方法、装置、电子设备及存储介质 | |
CN114282658B (zh) | 一种针对流量序列分析及预测的方法、设备和介质 | |
JPH06337852A (ja) | ニューラルネットワークによる時系列予測方法 | |
JPH06332506A (ja) | 非線形制御装置 | |
CN112766537B (zh) | 一种短期电负荷预测方法 | |
CN114239934A (zh) | 一种基于生成式对抗网络的电网负荷序列预测方法及系统 | |
CN115616163A (zh) | 气体精确配制与浓度测量系统 | |
CN114842921A (zh) | 基于线性回归和决策树模型的市政污水除磷药剂投加方法 | |
CN111885146B (zh) | 一种工业数据云端服务平台数据传输方法 | |
CN113762591A (zh) | 一种基于gru和多核svm对抗学习的短期电量预测方法及系统 | |
CN111369072A (zh) | 一种基于稀疏化方法的核最小均方时间序列在线预测模型 | |
Pascual-Pañacha et al. | Optimizing Online Time-ries Data Imputation rough Case-Based Reasoning | |
CN115879569B (zh) | 一种IoT观测数据的在线学习方法及系统 | |
CN116776600B (zh) | 基于自适应代理模型的风力机叶片优化设计方法及系统 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20220819 |
|
RJ01 | Rejection of invention patent application after publication |