CN115629938A - 故障状态类型信息生成方法、装置、设备、介质和产品 - Google Patents

Abstract

本公开的实施例公开了故障状态类型信息生成方法、装置、设备、介质和产品。该方法的一具体实施方式包括：获取目标地区的各个场景监控设备在预设时间段内的故障状态日志信息集合；对故障状态日志信息集合中的各个故障状态日志信息进行序列化处理，得到故障状态日志信息序列；将故障状态日志信息序列输入至预先训练的故障状态类型信息预测模型的第一嵌入层，得到故障状态日志嵌入向量序列；根据故障状态日志嵌入向量序列，确定隐藏状态向量；将隐藏状态向量输入至分类层，得到故障状态类型信息。该实施方式提高了生成的故障状态类型信息的准确率，提高了监控设备工作的效率。

Description

故障状态类型信息生成方法、装置、设备、介质和产品

技术领域

本公开的实施例涉及计算机技术领域，具体涉及故障状态类型信息生成方法、装置、设备、介质和产品。

背景技术

随着计算机技术的发展，可以实现对监控设备故障的预测。目前，在预测监控设备的故障状态类型时，通常采用的方式为：通过预先训练的模型和监控设备在局部时间的故障信息，对故障状态类型进行预测。

然而，发明人发现，当采用上述方式对故障状态类型进行预测时，经常会存在如下技术问题：

第一，未考虑长时间的故障自相关性对故障状态类型的影响，导致故障状态类型的准确率较低，进而导致不能快速的提前发现故障状态类型信息对应的监控设备的故障，导致监控设备工作的效率较低。

第二，未对预测故障状态类型所使用的模型参数进一步优化，导致生成的故障状态类型的准确率较低，进而不能快速的提前发现故障状态类型信息对应的监控设备的故障，导致监控设备工作的效率较低。

该背景技术部分中所公开的以上信息仅用于增强对本发明构思的背景的理解，并因此，其可包含并不形成本国的本领域普通技术人员已知的现有技术的信息。

发明内容

本公开的内容部分用于以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。本公开的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。

本公开的一些实施例提出了故障状态类型信息生成方法、装置、电子设备、计算机可读介质和计算机程序产品，来解决以上背景技术部分提到的技术问题中的一项或多项。

第一方面，本公开的一些实施例提供了一种故障状态类型信息生成方法，该方法包括：获取目标地区的各个场景监控设备在预设时间段内的故障状态日志信息集合；对上述故障状态日志信息集合中的各个故障状态日志信息进行序列化处理，得到故障状态日志信息序列；将上述故障状态日志信息序列输入至预先训练的故障状态类型信息预测模型的第一嵌入层，得到故障状态日志嵌入向量序列，其中，上述故障状态类型信息预测模型还包括：分类层；根据上述故障状态日志嵌入向量序列，确定隐藏状态向量；将上述隐藏状态向量输入至上述分类层，得到故障状态类型信息，其中，上述故障状态类型信息包括：待选故障状态类型序列和上述待选故障状态类型序列对应的概率值序列，上述待选故障状态类型序列中的待选故障状态类型对应上述故障状态日志信息集合中的故障状态日志信息。

第二方面，本公开的一些实施例提供了一种故障状态类型信息生成装置，装置包括：获取单元，被配置成获取目标地区的各个场景监控设备在预设时间段内的故障状态日志信息集合；序列化单元，被配置成对上述故障状态日志信息集合中的各个故障状态日志信息进行序列化处理，得到故障状态日志信息序列；第一输入单元，被配置成将上述故障状态日志信息序列输入至预先训练的故障状态类型信息预测模型的第一嵌入层，得到故障状态日志嵌入向量序列，其中，上述故障状态类型信息预测模型还包括：分类层；确定单元，被配置成根据上述故障状态日志嵌入向量序列，确定隐藏状态向量；第二输入单元，被配置成将上述隐藏状态向量输入至上述分类层，得到故障状态类型信息，其中，上述故障状态类型信息包括：待选故障状态类型序列和上述待选故障状态类型序列对应的概率值序列，上述待选故障状态类型序列中的待选故障状态类型对应上述故障状态日志信息集合中的故障状态日志信息。

第三方面，本公开的一些实施例提供了一种电子设备，包括：一个或多个处理器；存储装置，其上存储有一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现上述第一方面任一实现方式所描述的方法。

第四方面，本公开的一些实施例提供了一种计算机可读介质，其上存储有计算机程序，其中，程序被处理器执行时实现上述第一方面任一实现方式所描述的方法。

第五方面，本公开的一些实施例提供了一种计算机程序产品，包括计算机程序，计算机程序在被处理器执行时实现上述第一方面任一实现方式所描述的方法。

本公开的上述各个实施例具有如下有益效果：通过本公开的一些实施例的故障状态类型信息生成方法，提高了生成的故障状态类型信息的准确率，提高了监控设备工作的效率。具体来说，生成的故障状态类型信息的准确率较低和监控设备工作效率较低的原因在于：未考虑长时间的故障自相关性对故障状态类型的影响，导致故障状态类型的准确率较低，进而导致不能快速的提前发现故障状态类型信息对应的监控设备的故障，导致监控设备工作的效率较低。基于此，本公开的一些实施例的故障状态类型信息生成方法，首先，获取目标地区的各个场景监控设备在预设时间段内的故障状态日志信息集合。由此，可以得到故障状态日志信息集合，从而可以用于预测故障状态类型信息。其次，对上述故障状态日志信息集合中的各个故障状态日志信息进行序列化处理，得到故障状态日志信息序列。由此，可以得到长时期的具有时间关系的故障状态日志信息序列。然后，将上述故障状态日志信息序列输入至预先训练的故障状态类型信息预测模型的第一嵌入层，得到故障状态日志嵌入向量序列。其中，上述故障状态类型信息预测模型还包括：分类层。由此，可以得到低维向量表示的故障状态日志嵌入向量序列。从而，可以增强模型的收敛效果。之后，根据上述故障状态日志嵌入向量序列，确定隐藏状态向量。由此，可以得到隐藏状态向量。从而，可以用于预测故障状态类型信息。最后，将上述隐藏状态向量输入至上述分类层，得到故障状态类型信息。其中，上述故障状态类型信息包括：待选故障状态类型序列和上述待选故障状态类型序列对应的概率值序列。上述待选故障状态类型序列中的待选故障状态类型对应上述故障状态日志信息集合中的故障状态日志信息。由此，可以得到故障状态类型信息。从而，可以提前获取要发生故障的监控设备的故障信息。也因为通过具有长时期的具有时间关系的故障状态日志信息序列，可以获取具有长时期的故障自相关性影响的隐藏状态向量。从而，可以快速的提前发现故障状态类型信息对应的监控设备的故障。进而，提高了生成的故障状态类型信息的准确率，提高了监控设备工作的效率。

附图说明

结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，元件和元素不一定按照比例绘制。

图1是根据本公开的故障状态类型信息生成方法的一些实施例的流程图；

图2是根据本公开的故障状态类型信息生成装置的一些实施例的结构示意图；

图3是适于用来实现本公开的一些实施例的电子设备的结构示意图。

具体实施方式

下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例。相反，提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。

另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。

需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。

需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。

本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。

图1示出了根据本公开的故障状态类型信息生成方法的一些实施例的流程100。该故障状态类型信息生成方法，包括以下步骤：

步骤101，获取目标地区的各个场景监控设备在预设时间段内的故障状态日志信息集合。

在一些实施例中，故障状态类型信息生成方法的执行主体(例如计算设备)可以通过有线连接方式或者无线连接方式从日志信息数据库获取目标地区的各个场景监控设备在预设时间段内的故障状态日志信息集合。其中，上述日志信息数据库可以为用于存储目标地区的日志信息的数据库。上述目标地区可以为任意地区。上述场景监控设备可以为能够采集现场的图像的设备。例如，上述场景监控设备可以包括但不限于：云台摄像机、红外摄像机、普通彩色摄像机和红外低照度彩色摄像机。上述现场可以为任意现场。上述故障状态日志信息集合可以为目标地区的各个场景监控设备在预设时间内的故障状态日志信息的集合。上述故障状态日志信息集合中的每个故障状态日志信息对应预设时间段内的一个子时间段。上述故障状态日志信息可以表征预设子时间段内的故障状态。作为示例，当前时间可以为本月的第七天。本月的第一天可以为星期一，当前时间可以为星期日。则预设时间段可以为本月的第一个星期对应的“星期一至星期日”。则上述故障状态日志信息集合对应的各个子时间段可以为“星期一”、“星期二”、“星期三”、“星期四”、“星期五”、“星期六”和“星期日”。这里，上述故障状态可以包括但不限于：监控摄像机无图像、监控摄像机图像不清晰和监控摄像机有杂音。需要指出的是，上述无线连接方式可以包括但不限于3G/4G连接、WiFi连接、蓝牙连接、WiMAX连接、Zigbee连接、UWB(ultra wideband)连接、以及其他现在已知或将来开发的无线连接方式。

步骤102，对故障状态日志信息集合中的各个故障状态日志信息进行序列化处理，得到故障状态日志信息序列。

实践中，上述执行主体可以对上述故障状态日志信息集合中的各个故障状态日志信息按照时间顺序进行升序排列，得到故障状态日志信息序列。

步骤103，将故障状态日志信息序列输入至预先训练的故障状态类型信息预测模型的第一嵌入层，得到故障状态日志嵌入向量序列。

在一些实施例中，上述执行主体可以将上述故障状态日志信息序列输入至预先训练的故障状态类型信息预测模型的第一嵌入层，得到故障状态日志嵌入向量序列。其中，上述故障状态类型信息预测模型还包括：分类层。上述故障状态类型信息预测模型可以为以故障状态日志信息为输入，以故障状态日志信息对应的故障状态类型和概率值为输出的神经网络模型。例如，上述故障状态类型信息预测模型可以为GRU网络(Gated RecurrentUnit，门控循环单元)。上述第一嵌入层可以为通过Embedding处理使数据从高维向量表示转化为低维向量表示的网络层。这里，第一嵌入层可以为通过Embedding处理使高维的故障状态日志信息序列转换为低维的故障状态日志嵌入向量序列的网络层。

在一些实施例的一些可选的实现方式中，在上述将上述故障状态日志信息序列输入至预先训练的故障状态类型信息预测模型的第一嵌入层之前，上述执行主体还可以执行以下步骤：

第一步，对上述故障状态日志信息序列中的各个故障状态日志信息进行归一化处理，得到归一化处理后的故障状态日志信息序列作为归一化故障状态日志信息序列。

在一些实施例中，上述执行主体可以对上述故障状态日志信息序列中的各个故障状态日志信息进行归一化处理，得到归一化处理后的故障状态日志信息序列作为归一化故障状态日志信息序列。这里，上述归一化处理可以包括但不限于：线性函数归一化处理和零均值归一化处理。实践中，上述执行主体可以对上述故障状态日志信息序列中的各个故障状态日志信息进行线性函数归一化处理，得到线性函数归一化处理后的故障状态日志信息序列作为归一化故障状态日志信息序列。

第二步，对上述归一化故障状态日志信息序列中的各个归一化故障状态日志信息进行独热编码处理，得到故障状态日志信息向量序列。

在一些实施例中，上述执行主体可以对上述归一化故障状态日志信息序列中的各个归一化故障状态日志信息进行独热编码处理，得到故障状态日志信息向量序列。其中，上述故障状态日志信息向量序列可以表征各个故障状态日志信息的高维的向量存储方式。

第三步，将上述故障状态日志信息向量序列确定为故障状态日志信息序列，以对故障状态日志信息序列进行更新。

在一些实施例的一些可选的实现方式中，上述故障状态类型信息预测模型是可以通过以下方式训练得到的：

第一步，获取样本集。其中，上述样本集中的样本可以包括样本故障状态日志信息，以及与样本故障状态日志信息对应的样本故障状态类型和概率值。其中，上述样本故障状态日志信息可以表征预设子时间段内的故障状态。上述样本故障状态类型可以为对应上述样本故障状态日志信息的样本标签。需要说明的是，训练上述故障状态类型信息预测模型的执行主体可以是上述执行主体，也可以是其他计算设备。

第二步，基于样本集执行以下训练步骤：

第一训练步骤，将样本集中的至少一个样本的样本故障状态日志信息分别输入至初始故障状态类型信息预测模型中，得到上述至少一个样本中的每个样本对应的故障状态类型和概率值。其中，上述故障状态类型信息预测模型可以是能够根据故障状态日志信息得到故障状态类型和概率值的初始神经网络。上述初始神经网络可以为待训练的神经网络。具体地，上述初始神经网络可以为循环神经网络。例如，上述初始神经网络可以为GRU网络(Gate Recurrent Unit,门控循环单元结构)。

第二训练步骤，将上述至少一个样本中的每个样本对应的故障状态类型和概率值与对应的样本故障状态类型和概率值进行比较。这里，首先，比较可以为上述至少一个样本中的每个样本对应的故障状态类型和与对应的样本故障状态类型是否为同一个故障状态类型。然后，在故障类型相同的情况下，上述比较可以是上述至少一个样本中的每个样本对应的故障状态类型的概率值与对应的样本故障状态类型的概率值大小的比较。

第三训练步骤，根据比较结果确定初始故障状态类型信息预测模型是否达到预设的优化目标。这里，上述优化目标可以为在预测的故障状态类型相同的情况下，上述初始故障状态类型信息预测模型的损失函数值是否达到预设损失阈值。其中，在预测的故障状态类型不相同的情况下，则认为初始故障状态类型信息预测模型没有达到预设的优化目标。这里，上述损失函数值可以为交叉熵损失函数值。上述预设损失阈值可以为0.1。

第四训练步骤，响应于确定初始故障状态类型信息预测模型达到上述优化目标，将初始故障状态类型信息预测模型确定为训练完成的故障状态类型信息预测模型。

可选地，训练得到上述故障状态类型信息预测模型的步骤还可以包括：

第三步，响应于确定初始故障状态类型信息预测模型未达到上述优化目标，调整初始故障状态类型信息预测模型的网络参数，以及使用未用过的样本组成样本集，使用调整后的初始故障状态类型信息预测模型作为初始故障状态类型信息预测模型，再次执行上述训练步骤。作为示例，可以采用反向传播算法(Back Propgation Algorithm，BP算法)和梯度下降法(例如小批量梯度下降算法)对上述初始故障状态类型信息预测模型的网络参数进行调整。

步骤104，根据故障状态日志嵌入向量序列，确定隐藏状态向量。

实践中，根据上述故障状态日志嵌入向量序列，上述执行主体可以通过以下步骤确定隐藏状态向量：

第一步，对于上述故障状态日志嵌入向量序列中的每个故障状态日志嵌入向量，执行以下第一循环步骤：

第一子步骤，将上述故障状态日志嵌入向量确定为当前时刻输入向量。

第二子步骤，根据对应上述当前时刻输入向量的上一时刻隐藏状态向量和第一预设重置系数，生成第一重置向量。

实践中，上述执行主体可以将上述上一时刻隐藏状态向量和上述第一预设重置系数的乘积确定为第一重置向量。其中，上述当前时刻输入向量为第一个时刻输入向量时，对应上述当前时刻输入向量的上一时刻隐藏状态向量可以为零向量，即初始时刻隐藏状态向量可以为零向量。

第三子步骤，根据上述当前时刻输入向量和第二预设重置系数，生成第二重置向量。实践中，上述执行主体可以将上述当前时刻输入向量和上述第二预设重置系数的乘积确定为第二重置向量。

第四子步骤，根据上述第一重置向量、上述第二重置向量和第一预设函数，生成重置向量。实践中，上述执行主体可以将上述第一重置向量与上述第二重置向量的和输入至上述第一预设函数，得到重置向量。其中，上述第一预设函数可以为Sigmoid函数。

第五子步骤，根据上述当前时刻输入向量和第三预设重置系数，生成第三重置向量。实践中，上述执行主体可以将上述当前时刻输入向量和上述第三预设重置系数的乘积确定为第三重置向量。

第六子步骤，根据上述上一时刻隐藏状态向量、上述重置向量和第四预设重置系数，生成第四重置向量。实践中，首先，上述执行主体可以将上述上一时刻隐藏状态向量和上述重置向量的哈达玛积确定为哈达玛向量。然后，将上述哈达玛向量和上述第四预设重置系数的乘积确定为第四重置向量。

第七子步骤，根据上述第三重置向量、上述第四重置向量和第二预设函数，生成当前时刻候选隐藏状态向量。实践中，上述执行主体可以将上述第三重置向量和上述第四重置向量的和输入至上述第二预设函数，得到当前时刻候选隐藏状态向量。其中，上述第二预设函数可以为双曲正切函数。

第八子步骤，根据上述当前时刻输入向量和第一预设更新系数，生成第一更新向量。实践中，上述执行主体可以将上述当前时刻输入向量和第一预设更新系数的乘积确定为第一更新向量。

第九子步骤，根据上述上一时刻隐藏状态向量和第二预设更新系数，生成第二更新向量。实践中，上述执行主体可以将上述上一时刻隐藏状态向量和第二预设更新系数的乘积确定为第二更新向量。

第十子步骤，根据上述第一更新向量、上述第二更新向量和上述第一预设函数，生成更新向量。实践中，上述执行主体可以将上述第一更新向量与上述第二更新向量的和输入上述第一预设函数，得到更新向量。

第十一子步骤，基于上述更新向量与上述当前时刻候选隐藏状态向量，生成第一当前时刻隐藏状态向量。实践中，上述执行主体可以将上述更新向量与上述当前时刻候选隐藏状态向量的哈达玛积确定为第一当前时刻隐藏状态向量。

第十二子步骤，基于上述上一时刻隐藏状态向量和上述更新向量，生成第二当前时刻隐藏状态向量。实践中，首先，上述执行主体可以将1与上述更新向量的差值确定为遗忘向量。然后，可以将上述遗忘向量与上述上一时刻隐藏状态向量的哈达玛积确定为第二当前时刻隐藏状态向量。

第十三子步骤，基于上述第一当前时刻隐藏状态向量和上述第二当前时刻隐藏状态向量，生成当前时刻隐藏状态向量。实践中，上述执行主体可以将上述第一当前时刻隐藏状态向量与上述第二当前时刻隐藏状态向量的和确定为当前时刻隐藏状态向量。

第十四子步骤，将上述当前时刻隐藏状态向量确定为上述故障状态日志嵌入向量的下一故障状态日志嵌入向量的上一时刻隐藏状态向量，再次执行上述第一循环步骤。

在一些实施例中，上述执行主体可以将上述当前时刻隐藏状态向量确定为上述故障状态日志嵌入向量的下一故障状态日志嵌入向量的上一时刻隐藏状态向量，再次执行上述第一循环步骤。其中，上述当前时刻隐藏状态向量为上述故障状态日志嵌入向量序列中最后一个故障状态日志嵌入向量对应的当前时刻隐藏状态向量时，上述故障状态日志嵌入向量的下一故障状态日志嵌入向量不存在。

第二步，将上述故障状态日志嵌入向量序列中最后一个故障状态日志嵌入向量对应的当前时刻隐藏状态向量确定为隐藏状态向量。

在一些实施例中，上述执行主体可以将上述故障状态日志嵌入向量序列中最后一个故障状态日志嵌入向量对应的当前时刻隐藏状态向量确定为隐藏状态向量。

可选地，上述故障状态类型信息预测模型还可以包括时刻分类层和第二嵌入层。在上述根据上述故障状态日志嵌入向量序列，确定隐藏状态向量之后，上述执行主体还可以执行以下步骤：

第一步骤，将上述故障状态日志嵌入向量序列中各个故障状态日志嵌入向量进行倒序处理，得到故障状态日志嵌入向量倒序序列。

第二步骤，将上述故障状态日志嵌入向量倒序序列的第一个故障状态日志嵌入向量对应的当前时刻隐藏状态向量确定为当前时刻还原隐藏状态向量。

第三步骤，对于上述故障状态日志嵌入向量倒序序列中每个故障状态日志嵌入向量对应的当前时刻还原隐藏状态向量，执行以下第二循环步骤：

第一子步骤，将上述当前时刻还原隐藏状态向量输入至上述时刻分类层，得到当前时刻输出向量。实践中，上述执行主体可以将上述当前时刻还原隐藏状态向量输入至上述时刻分类层，得到当前时刻输出向量。其中，上述时刻分类层可以为通过Softmax多分类函数将上述当前时刻还原隐藏状态向量转化为当前时刻输出向量的分类层。

第二子步骤，将上述当前时刻输出向量输入至上述第二嵌入层，得到当前时刻嵌入输出向量。实践中，上述执行主体可以将上述当前时刻输出向量输入至上述第二嵌入层，得到当前时刻嵌入输出向量。其中，上述第二嵌入层可以为通过Embedding处理使数据从高维向量表示转化为低维向量表示的网络层。这里，上述第二嵌入层可以为通过Embedding处理使高维向量表示的当前时刻输出向量转化为低维向量表示的当前时刻嵌入输出向量的网络层。

第三子步骤，根据上述当前时刻嵌入输出向量和第五预设重置系数，生成第五重置向量。实践中，上述执行主体可以将上述当前时刻嵌入输出向量和第五预设重置系数的乘积确定为第五重置向量。

第四子步骤，根据上述当前时刻还原隐藏状态向量和第六预设重置系数，生成第六重置向量。实践中，上述执行主体可以将上述当前时刻还原隐藏状态向量和第六预设重置系数的乘积确定为第六重置向量。

第五子步骤，根据上述第五重置向量、上述第六重置向量和上述第一预设函数，生成还原重置向量。实践中，上述执行主体可以将上述第五重置向量与上述第六重置向量的和输入至上述第一预设函数，得到还原重置向量。

第六子步骤，根据上述当前时刻嵌入输出向量和第三预设更新系数，生成第三更新向量。实践中，上述执行主体可以将上述当前时刻嵌入输出向量和第三预设更新系数的乘积确定为第三更新向量。

第七子步骤，根据上述当前时刻还原隐藏状态向量和第四预设更新系数，生成第四更新向量。实践中，上述执行主体可以将上述当前时刻还原隐藏状态向量和第四预设更新系数的乘积确定为第四更新向量。

第八子步骤，根据上述第三更新向量、上述第四更新向量和上述第一预设函数，生成还原更新向量。实践中，上述执行主体可以将上述第三更新向量和上述第四更新向量的和输入至上述第一预设函数，得到还原更新向量。

第九子步骤，根据上述当前时刻还原隐藏状态向量、上述还原重置向量和第七预设重置系数，生成第七重置向量。实践中，首先，上述执行主体可以将上述当前时刻还原隐藏状态向量和上述还原重置向量的哈达玛积确定为还原遗忘向量。然后，可以将上述还原遗忘向量和上述第七预设重置系数的乘积确定为第七重置向量。

第十子步骤，根据上述当前时刻嵌入输出向量和第八预设重置系数，生成第八重置向量。实践中，上述执行主体可以将上述当前时刻嵌入输出向量和第八预设重置系数的乘积确定为第八重置向量。

第十一子步骤，根据上述第七重置向量、上述第八重置向量和上述第二预设函数，生成上一时刻还原候选隐藏状态向量。实践中，上述执行主体可以将上述第七重置向量与上述第八重置向量的和输入至上述第二预设函数，得到上一时刻还原候选隐藏状态向量。

第十二子步骤，基于上述上一时刻还原候选隐藏状态向量、上述还原更新向量和上述当前时刻还原隐藏状态向量，生成上一时刻还原隐藏状态向量。实践中，首先，上述执行主体可以将上述上一时刻还原候选隐藏状态向量与上述还原更新向量的哈达玛积确定为第一哈达玛向量。其次，可以将1与上述还原更新向量的差值确定为遗忘还原更新向量。然后，可以将上述遗忘还原更新向量和上述当前时刻还原隐藏状态向量的哈达玛积确定为第二哈达玛向量。最后，可以将上述第一哈达玛向量与上述第二哈达玛向量的和确定为上一时刻还原隐藏状态向量。

第十三子步骤，将上述上一时刻还原隐藏状态向量确定为上述故障状态日志嵌入向量的下一故障状态日志嵌入向量的当前时刻还原隐藏状态向量，再次执行上述第二循环步骤。

在一些实施例的一些可选的实现方式中，上述执行主体还可以执行以下步骤：

第四步骤，将所生成的各个当前时刻输出向量确定为还原故障状态日志嵌入向量序列。作为示例，所生成的各个当前时刻输出向量可以为：S5、S4、S3、S2和S1。上述还原故障状态日志嵌入向量序列可以为[S5，S4，S3，S2，S1]。

第五步骤，将上述还原故障状态日志嵌入向量序列中的各个还原故障状态日志嵌入向量进行倒序处理，得到还原故障状态日志嵌入向量倒序序列。其中，上述还原故障状态日志嵌入向量倒序序列中的还原故障状态日志嵌入向量对应上述故障状态日志嵌入向量序列中的故障状态日志嵌入向量。作为示例，上述还原故障状态日志嵌入向量倒序序列可以为[S1，S2，S3，S4，S5]。上述故障状态日志嵌入向量序列可以为[T1，T2，T3，T4，T5]。上述还原故障状态日志嵌入向量倒序序列中的还原故障状态日志嵌入向量S1对应上述故障状态日志嵌入向量序列中的故障状态日志嵌入向量T1。

第六步骤，确定上述故障状态日志嵌入向量序列中的每个故障状态日志嵌入向量与上述故障状态日志嵌入向量对应的还原故障状态日志嵌入向量的损失函数值，得到损失函数值集合。

实践中，上述执行主体可以通过交叉熵损失函数确定上述故障状态日志嵌入向量序列中的每个故障状态日志嵌入向量与上述故障状态日志嵌入向量对应的还原故障状态日志嵌入向量的损失函数值，得到损失函数值集合。其中，上述损失函数值可以为交叉熵损失函数值。

第七步骤，将上述损失函数值集合中最小的损失函数值确定为目标损失函数值。实践中，上述执行主体可以通过冒泡排序的方式确定上述损失函数值集合中最小的损失函数值，以及将最小的损失函数值确定为目标损失函数值。

第八步骤，根据上述目标损失函数值对应的故障状态日志嵌入向量，对第一预设重置系数、第二预设重置系数、第三预设重置系数、第四预设重置系数、第一预设更新系数和第二预设更新系数进行参数调整处理，以及对于上述故障状态日志嵌入向量序列中的每个故障状态日志嵌入向量，采用参数调整处理后的第一预设重置系数、第二预设重置系数、第三预设重置系数、第四预设重置系数、第一预设更新系数和第二预设更新系数，再次执行上述第一循环步骤，得到各个更新的当前时刻隐藏状态向量。

实践中，上述执行主体可以通过以下步骤对第一预设重置系数、第二预设重置系数、第三预设重置系数、第四预设重置系数、第一预设更新系数和第二预设更新系数进行参数调整处理：

第一子步骤，将上述目标损失函数值对应的故障状态日志嵌入向量进行上述第一循环步骤和上述第二循环步骤的训练，得到上述故障状态日志嵌入向量对应的还原故障状态日志嵌入向量。

第二子步骤，采用梯度下降法(例如小批量梯度下降算法)对上述训练进行上述参数调整处理，以使上述故障状态日志嵌入向量和对应的还原故障状态日志嵌入向量的交叉熵损失函数值达到预设阈值。这里预设阈值可以为0.1。

第九步骤，将上述故障状态日志嵌入向量序列中最后一个故障状态日志嵌入向量对应的更新的当前时刻隐藏状态向量确定为隐藏状态向量，以对在先生成的隐藏状态向量进行更新。

上述第一步骤至第九步骤及其相关内容作为本公开的实施例的一个发明点，解决了背景技术提及的技术问题二“未对预测故障状态类型所使用的模型参数进一步优化，导致生成的故障状态类型的准确率较低，进而不能快速的提前发现故障状态类型信息对应的监控设备的故障，导致监控设备工作的效率较低”。导致生成的故障状态类型信息的准确率较低和监控设备工作效率较低的因素往往如下：未对预测故障状态类型所使用的模型参数进一步优化，导致生成的故障状态类型的准确率较低，进而不能快速的提前发现故障状态类型信息对应的监控设备的故障，导致监控设备工作的效率较低。如果解决了上述因素，就能达到提高生成的故障状态类型信息的准确率和提高监控设备工作的效率的效果。为了达到这一效果，首先，将上述故障状态日志嵌入向量序列中各个故障状态日志嵌入向量进行倒序处理，得到故障状态日志嵌入向量倒序序列。将上述故障状态日志嵌入向量倒序序列的第一个故障状态日志嵌入向量对应的当前时刻隐藏状态向量确定为当前时刻还原隐藏状态向量。对于上述故障状态日志嵌入向量倒序序列中每个故障状态日志嵌入向量对应的当前时刻还原隐藏状态向量，执行以下第二循环步骤：将上述当前时刻还原隐藏状态向量输入至上述时刻分类层，得到当前时刻输出向量。由此，可以得到故障状态日志嵌入向量对应的当前时刻输出向量，从而可以用于获取上述故障状态日志嵌入向量的下一故障状态日志嵌入向量对应的当前时刻输出向量。其次，将上述当前时刻输出向量输入至上述第二嵌入层，得到当前时刻嵌入输出向量。根据上述当前时刻嵌入输出向量和第五预设重置系数，生成第五重置向量。根据上述当前时刻还原隐藏状态向量和第六预设重置系数，生成第六重置向量。根据上述第五重置向量、上述第六重置向量和上述第一预设函数，生成还原重置向量。根据上述当前时刻嵌入输出向量和第三预设更新系数，生成第三更新向量。根据上述当前时刻还原隐藏状态向量和第四预设更新系数，生成第四更新向量。根据上述第三更新向量、上述第四更新向量和上述第一预设函数，生成还原更新向量。根据上述当前时刻还原隐藏状态向量、上述还原重置向量和第七预设重置系数，生成第七重置向量。根据上述当前时刻嵌入输出向量和第八预设重置系数，生成第八重置向量。根据上述第七重置向量、上述第八重置向量和上述第二预设函数，生成上一时刻还原候选隐藏状态向量。基于上述上一时刻还原候选隐藏状态向量、上述还原更新向量和上述当前时刻还原隐藏状态向量，生成上一时刻还原隐藏状态向量。由此，可以得到上一时刻还原隐藏状态向量，从而可以用于获取上一时刻还原隐藏状态向量对应的当前时刻输出向量。然后，将上述上一时刻还原隐藏状态向量确定为上述故障状态日志嵌入向量的下一故障状态日志嵌入向量的当前时刻还原隐藏状态向量，再次执行上述第二循环步骤。由此，通过多次执行上述第二循环步骤，可以用于获取各个当前时刻输出向量。之后，将所生成的各个当前时刻输出向量确定为还原故障状态日志嵌入向量序列。将上述还原故障状态日志嵌入向量序列中的各个还原故障状态日志嵌入向量进行倒序处理，得到还原故障状态日志嵌入向量倒序序列。其中，上述还原故障状态日志嵌入向量倒序序列中的还原故障状态日志嵌入向量对应上述故障状态日志嵌入向量序列中的故障状态日志嵌入向量。由此，可以得到故障状态日志嵌入向量序列对应的还原故障状态日志嵌入向量倒序序列，从而可以用于确定进一步优化模型的损失函数值。接着，确定上述故障状态日志嵌入向量序列中的每个故障状态日志嵌入向量与上述故障状态日志嵌入向量对应的还原故障状态日志嵌入向量的损失函数值，得到损失函数值集合。将上述损失函数值集合中最小的损失函数值确定为目标损失函数值。由此，可以得到损失函数值集合中的目标损失函数值，从而可以用于确定要优化的模型参数。最后，根据上述目标损失函数值对应的故障状态日志嵌入向量，对第一预设重置系数、第二预设重置系数、第三预设重置系数、第四预设重置系数、第一预设更新系数和第二预设更新系数进行参数调整处理，以及对于上述故障状态日志嵌入向量序列中的每个故障状态日志嵌入向量，采用参数调整处理后的第一预设重置系数、第二预设重置系数、第三预设重置系数、第四预设重置系数、第一预设更新系数和第二预设更新系数，再次执行上述第一循环步骤，得到各个更新的当前时刻隐藏状态向量。将上述故障状态日志嵌入向量序列中最后一个故障状态日志嵌入向量对应的更新的当前时刻隐藏状态向量确定为隐藏状态向量，以对在先生成的隐藏状态向量进行更新。由此，可以得到模型优化后的隐藏状态向量，从而可以用于对故障状态类型信息作更准确的预测。也因为对预测的故障状态类型信息所使用的模型参数做了进一步优化，可以得到用于预测故障状态类型信息更高准确率的隐藏状态向量。从而，提高了预测的故障状态类型信息的准确率，提高了监控设备工作的效率。

步骤105，将当前时刻隐藏状态向量输入至分类层，得到故障状态类型信息。

在一些实施例中，上述执行主体可以将上述当前时刻隐藏状态向量输入至上述分类层，得到故障状态类型信息。其中，上述故障状态类型信息包括：待选故障状态类型序列和上述待选故障状态类型序列对应的概率值序列，上述待选故障状态类型序列中的待选故障状态类型对应上述故障状态日志信息集合中的故障状态日志信息。上述分类层可以为通过Softmax多分类函数对输入数据进行分类的网络层。

可选地，对上述待选故障状态类型序列中的每个待选故障状态类型，上述执行主体可以执行以下步骤：

第一步，将上述概率值序列中对应上述待选故障状态类型的概率值确定为目标概率值。

第二步，响应于确定上述目标概率值大于第一预设阈值，将上述待选故障状态类型确定为故障状态类型。

在一些实施例中，响应于确定上述目标概率值大于第一预设阈值，上述执行主体可以将上述待选故障状态类型确定为故障状态类型。其中，上述第一预设阈值可以为0.3。

第三步，响应于确定上述目标概率值小于等于上述第一预设阈值，将上述待选故障状态类型从上述待选故障状态类型序列中删除。

第四步，确定预设的故障处理流程信息集合中是否存在对应上述故障状态类型的故障处理流程信息。

在一些实施例中，上述执行主体可以确定预设的故障处理流程信息集合中是否存在对应上述故障状态类型的故障处理流程信息。其中，上述故障处理流程信息集合中的故障处理流程信息对应有故障状态类型。上述故障处理流程信息可以为解决上述故障状态类型对应的设备故障的流程相关信息。上述故障处理流程信息可以包括流程信息序列。上述流程信息序列中的流程信息可以表征处理设备故障的一个流程。作为示例，上述故障处理流程信息对应的故障状态类型可以为监控摄像机无图像。监控摄像机无图像对应的故障处理流程信息可以为：a、检查电源是否接好，电源电压是否足够。b、检查刺刀螺母连接器(Bayonet Nut Connector，BNC)或视频电缆是否接触不良。c、检查镜头光圈有否打开。d、检查视频或直流驱动的自动光圈镜头控制线是否接对。e、如果是其它原因，请返厂维修。

实践中，上述执行主体可以从日志信息数据库中获取上述故障状态类型以确定预设的故障处理流程信息集合中是否存在对应上述故障状态类型的故障处理流程信息。

第五步，响应于确定上述故障处理流程信息集合中存在对应上述故障状态类型的故障处理流程信息，将上述故障处理流程信息集合中对应上述故障状态类型的故障处理流程信息确定为目标故障处理流程信息。

在一些实施例中，响应于确定上述故障处理流程信息集合中存在对应上述故障状态类型的故障处理流程信息，上述执行主体可以将上述故障处理流程信息集合中对应上述故障状态类型的故障处理流程信息确定为目标故障处理流程信息。

第六步，将上述故障状态类型对应的故障状态日志信息确定为目标故障状态日志信息。

第七步，将上述目标故障状态日志信息对应的场景监控设备确定为目标场景监控设备。

第八步，基于上述目标故障处理流程信息，控制相关联的故障维修机器人对上述目标场景监控设备进行故障处理操作。实践中，基于上述目标故障处理流程信息，上述执行主体可以控制相关联的故障维修机器人对上述目标场景监控设备进行故障处理操作。其中，上述故障维修机器人可以为能够对监控设备进行维修的机器人。

第九步，响应于确定上述故障处理流程信息集合中不存在对应上述故障状态类型的故障处理流程信息，控制相关联的声音播放设备播放人工维修提示信息。

实践中，响应于确定上述故障处理流程信息集合中不存在对应上述故障状态类型的故障处理流程信息，上述执行主体可以控制相关联的声音播放设备播放人工维修提示信息。其中，上述声音播放设备可以为用于播放声音的设备。例如，声音播放设备可以包括但不限于：功放机、音箱、多媒体控制台和数字调音台。上述人工维修提示信息可以为提示监控设备维修人员维修监控设备的信息。例如，上述人工维修提示信息可以为“监控设备001出现故障，请求人工支援”。

本公开的上述各个实施例具有如下有益效果：通过本公开的一些实施例的故障状态类型信息生成方法，提高了生成的故障状态类型信息的准确率，提高了监控设备工作的效率。具体来说，生成的故障状态类型信息的准确率较低和监控设备工作效率较低的原因在于：未考虑长时间的故障自相关性对故障状态类型的影响，导致故障状态类型的准确率较低，进而导致不能快速的提前发现故障状态类型信息对应的监控设备的故障，导致监控设备工作的效率较低。基于此，本公开的一些实施例的故障状态类型信息生成方法，首先，获取目标地区的各个场景监控设备在预设时间段内的故障状态日志信息集合。由此，可以得到故障状态日志信息集合，从而可以用于预测故障状态类型信息。其次，对上述故障状态日志信息集合中的各个故障状态日志信息进行序列化处理，得到故障状态日志信息序列。由此，可以得到长时期的具有时间关系的故障状态日志信息序列。然后，将上述故障状态日志信息序列输入至预先训练的故障状态类型信息预测模型的第一嵌入层，得到故障状态日志嵌入向量序列。其中，上述故障状态类型信息预测模型还包括：分类层。由此，可以得到低维向量表示的故障状态日志嵌入向量序列。从而，可以增强模型的收敛效果。之后，根据上述故障状态日志嵌入向量序列，确定隐藏状态向量。由此，可以得到隐藏状态向量。从而，可以用于预测故障状态类型信息。最后，将上述隐藏状态向量输入至上述分类层，得到故障状态类型信息。其中，上述故障状态类型信息包括：待选故障状态类型序列和上述待选故障状态类型序列对应的概率值序列。上述待选故障状态类型序列中的待选故障状态类型对应上述故障状态日志信息集合中的故障状态日志信息。由此，可以得到故障状态类型信息。从而，可以提前获取要发生故障的监控设备的故障信息。也因为通过具有长时期的具有时间关系的故障状态日志信息序列，可以获取具有长时期的故障自相关性影响的隐藏状态向量。从而，可以快速的提前发现故障状态类型信息对应的监控设备的故障。进而，提高了生成的故障状态类型信息的准确率，提高了监控设备工作的效率。

进一步参考图2，作为对上述各图所示方法的实现，本公开提供了一种故障状态类型信息生成装置的一些实施例，这些装置实施例与图1所示的那些方法实施例相对应，该装置具体可以应用于各种电子设备中。

如图2所示，一些实施例的故障状态类型信息生成装置200包括：获取单元201、序列化单元202、第一输入单元203、确定单元204和第二输入单元205。其中，获取单元201被配置成获取目标地区的各个场景监控设备在预设时间段内的故障状态日志信息集合；序列化单元202被配置成对上述故障状态日志信息集合中的各个故障状态日志信息进行序列化处理，得到故障状态日志信息序列；第一输入单元203被配置成将上述故障状态日志信息序列输入至预先训练的故障状态类型信息预测模型的第一嵌入层，得到故障状态日志嵌入向量序列，其中，上述故障状态类型信息预测模型还包括：分类层；确定单元204被配置成根据上述故障状态日志嵌入向量序列，确定隐藏状态向量；第二输入单元205被配置成将上述隐藏状态向量输入至上述分类层，得到故障状态类型信息，其中，上述故障状态类型信息包括：待选故障状态类型序列和上述待选故障状态类型序列对应的概率值序列，上述待选故障状态类型序列中的待选故障状态类型对应上述故障状态日志信息集合中的故障状态日志信息。

可以理解的是，故障状态类型信息生成装置200中记载的诸单元与参考图1描述的方法中的各个步骤相对应。由此，上文针对方法描述的操作、特征以及产生的有益效果同样适用于故障状态类型信息生成装置200及其中包含的单元，在此不再赘述。

下面参考图3，其示出了适于用来实现本公开的一些实施例的电子设备300的结构示意图。图3示出的电子设备仅仅是一个示例，不应对本公开的实施例的功能和使用范围带来任何限制。

如图3所示，电子设备300可以包括处理装置(例如中央处理器、图形处理器等)301，其可以根据存储在只读存储器(ROM)302中的程序或者从存储装置308加载到随机访问存储器(RAM)303中的程序而执行各种适当的动作和处理。在RAM 303中，还存储有电子设备300操作所需的各种程序和数据。处理装置301、ROM 302以及RAM303通过总线304彼此相连。输入/输出(I/O)接口305也连接至总线304。

通常，以下装置可以连接至I/O接口305：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置306；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置307；包括例如磁带、硬盘等的存储装置308；以及通信装置309。通信装置309可以允许电子设备300与其他设备进行无线或有线通信以交换数据。虽然图3示出了具有各种装置的电子设备300，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图3中示出的每个方框可以代表一个装置，也可以根据需要代表多个装置。

特别地，根据本公开的一些实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的一些实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的一些实施例中，该计算机程序可以通过通信装置309从网络上被下载和安装，或者从存储装置308被安装，或者从ROM 302被安装。在该计算机程序被处理装置301执行时，执行本公开的一些实施例的方法中限定的上述功能。

需要说明的是，本公开的一些实施例中记载的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的一些实施例中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开的一些实施例中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。

在一些实施方式中，客户端、服务器可以利用诸如HTTP(Hyper Text TransferProtocol，超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信(例如，通信网络)互连。通信网络的示例包括局域网(“LAN”)，广域网(“WAN”)，网际网(例如，互联网)以及端对端网络(例如，ad hoc端对端网络)，以及任何当前已知或未来研发的网络。

上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：获取目标地区的各个场景监控设备在预设时间段内的故障状态日志信息集合；对上述故障状态日志信息集合中的各个故障状态日志信息进行序列化处理，得到故障状态日志信息序列；将上述故障状态日志信息序列输入至预先训练的故障状态类型信息预测模型的第一嵌入层，得到故障状态日志嵌入向量序列，其中，上述故障状态类型信息预测模型还包括：分类层；根据上述故障状态日志嵌入向量序列，确定隐藏状态向量；将上述隐藏状态向量输入至上述分类层，得到故障状态类型信息，其中，上述故障状态类型信息包括：待选故障状态类型序列和上述待选故障状态类型序列对应的概率值序列，上述待选故障状态类型序列中的待选故障状态类型对应上述故障状态日志信息集合中的故障状态日志信息。

可以以一种或多种程序设计语言或其组合来编写用于执行本公开的一些实施例的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本公开的一些实施例中的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括获取单元、序列化单元、第一输入单元、确定单元和第二输入单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，获取单元还可以被描述为“获取目标地区的各个场景监控设备在预设时间段内的故障状态日志信息集合的单元”。

本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。

本公开的一些实施例还提供一种计算机程序产品，包括计算机程序，计算机程序在被处理器执行时实现上述的任一种故障状态类型信息生成方法。

以上描述仅为本公开的一些较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开的实施例中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开的实施例中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (10)

1.一种故障状态类型信息生成方法，包括：

获取目标地区的各个场景监控设备在预设时间段内的故障状态日志信息集合；

对所述故障状态日志信息集合中的各个故障状态日志信息进行序列化处理，得到故障状态日志信息序列；

将所述故障状态日志信息序列输入至预先训练的故障状态类型信息预测模型的第一嵌入层，得到故障状态日志嵌入向量序列，其中，所述故障状态类型信息预测模型还包括：分类层；

根据所述故障状态日志嵌入向量序列，确定隐藏状态向量；

将所述隐藏状态向量输入至所述分类层，得到故障状态类型信息，其中，所述故障状态类型信息包括：待选故障状态类型序列和所述待选故障状态类型序列对应的概率值序列，所述待选故障状态类型序列中的待选故障状态类型对应所述故障状态日志信息集合中的故障状态日志信息。

2.根据权利要求1所述的方法，其中，所述方法还包括：

对所述待选故障状态类型序列中的每个待选故障状态类型，执行以下步骤：

将所述概率值序列中对应所述待选故障状态类型的概率值确定为目标概率值；

响应于确定所述目标概率值大于第一预设阈值，将所述待选故障状态类型确定为故障状态类型；

响应于确定所述目标概率值小于等于所述第一预设阈值，将所述待选故障状态类型从所述待选故障状态类型序列中删除；

确定预设的故障处理流程信息集合中是否存在对应所述故障状态类型的故障处理流程信息，其中，所述故障处理流程信息集合中的故障处理流程信息对应有故障状态类型；

响应于确定所述故障处理流程信息集合中存在对应所述故障状态类型的故障处理流程信息，将所述故障处理流程信息集合中对应所述故障状态类型的故障处理流程信息确定为目标故障处理流程信息；

将所述故障状态类型对应的故障状态日志信息确定为目标故障状态日志信息；

将所述目标故障状态日志信息对应的场景监控设备确定为目标场景监控设备；

基于所述目标故障处理流程信息，控制相关联的故障维修机器人对所述目标场景监控设备进行故障处理操作；

响应于确定所述故障处理流程信息集合中不存在对应所述故障状态类型的故障处理流程信息，控制相关联的声音播放设备播放人工维修提示信息。

3.根据权利要求1所述的方法，其中，在所述将所述故障状态日志信息序列输入至预先训练的故障状态类型信息预测模型的第一嵌入层之前，所述方法还包括：

对所述故障状态日志信息序列中的各个故障状态日志信息进行归一化处理，得到归一化处理后的故障状态日志信息序列作为归一化故障状态日志信息序列；

对所述归一化故障状态日志信息序列中的各个归一化故障状态日志信息进行独热编码处理，得到故障状态日志信息向量序列；

将所述故障状态日志信息向量序列确定为故障状态日志信息序列，以对故障状态日志信息序列进行更新。

4.根据权利要求1所述的方法，其中，所述根据所述故障状态日志嵌入向量序列，确定隐藏状态向量，包括：

对于所述故障状态日志嵌入向量序列中的每个故障状态日志嵌入向量，执行以下第一循环步骤：

将所述故障状态日志嵌入向量确定为当前时刻输入向量；

根据对应所述当前时刻输入向量的上一时刻隐藏状态向量和第一预设重置系数，生成第一重置向量；

根据所述当前时刻输入向量和第二预设重置系数，生成第二重置向量；

根据所述第一重置向量、所述第二重置向量和第一预设函数，生成重置向量；

根据所述当前时刻输入向量和第三预设重置系数，生成第三重置向量；

根据所述上一时刻隐藏状态向量、所述重置向量和第四预设重置系数，生成第四重置向量；

根据所述第三重置向量、所述第四重置向量和第二预设函数，生成当前时刻候选隐藏状态向量；

根据所述当前时刻输入向量和第一预设更新系数，生成第一更新向量；

根据所述上一时刻隐藏状态向量和第二预设更新系数，生成第二更新向量；

根据所述第一更新向量、所述第二更新向量和所述第一预设函数，生成更新向量；

基于所述更新向量与所述当前时刻候选隐藏状态向量，生成第一当前时刻隐藏状态向量；

基于所述上一时刻隐藏状态向量和所述更新向量，生成第二当前时刻隐藏状态向量；

基于所述第一当前时刻隐藏状态向量和所述第二当前时刻隐藏状态向量，生成当前时刻隐藏状态向量；

将所述当前时刻隐藏状态向量确定为所述故障状态日志嵌入向量的下一故障状态日志嵌入向量的上一时刻隐藏状态向量，再次执行所述第一循环步骤；

将所述故障状态日志嵌入向量序列中最后一个故障状态日志嵌入向量对应的当前时刻隐藏状态向量确定为隐藏状态向量。

5.根据权利要求1所述的方法，其中，所述故障状态类型信息预测模型是通过以下方式训练得到的：

获取样本集，其中，所述样本集中的样本包括样本故障状态日志信息，以及与样本故障状态日志信息对应的样本故障状态类型和概率值；

基于样本集执行以下训练步骤：

将样本集中的至少一个样本的样本故障状态日志信息分别输入至初始故障状态类型信息预测模型中，得到所述至少一个样本中的每个样本对应的故障状态类型和概率值；

将所述至少一个样本中的每个样本对应的故障状态类型和概率值与对应的样本故障状态类型和概率值进行比较；

根据比较结果确定初始故障状态类型信息预测模型是否达到预设的优化目标；

响应于确定初始故障状态类型信息预测模型达到所述优化目标，将初始故障状态类型信息预测模型确定为训练完成的故障状态类型信息预测模型。

6.根据权利要求5所述的方法，其中，训练得到所述故障状态类型信息预测模型的步骤还包括：

响应于确定初始故障状态类型信息预测模型未达到所述优化目标，调整初始故障状态类型信息预测模型的网络参数，以及使用未用过的样本组成样本集，使用调整后的初始故障状态类型信息预测模型作为初始故障状态类型信息预测模型，再次执行所述训练步骤。

7.一种故障状态类型信息生成装置，包括：

获取单元，被配置成获取目标地区的各个场景监控设备在预设时间段内的故障状态日志信息集合；

序列化单元，被配置成对所述故障状态日志信息集合中的各个故障状态日志信息进行序列化处理，得到故障状态日志信息序列；

第一输入单元，被配置成将所述故障状态日志信息序列输入至预先训练的故障状态类型信息预测模型的第一嵌入层，得到故障状态日志嵌入向量序列，其中，所述故障状态类型信息预测模型还包括：分类层；

确定单元，被配置成根据所述故障状态日志嵌入向量序列，确定隐藏状态向量；

第二输入单元，被配置成将所述隐藏状态向量输入至所述分类层，得到故障状态类型信息，其中，所述故障状态类型信息包括：待选故障状态类型序列和所述待选故障状态类型序列对应的概率值序列，所述待选故障状态类型序列中的待选故障状态类型对应所述故障状态日志信息集合中的故障状态日志信息。

8.一种电子设备，包括：

一个或多个处理器；

存储装置，其上存储有一个或多个程序，

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-6中任一所述的方法。

9.一种计算机可读介质，其上存储有计算机程序，其中，所述程序被处理器执行时实现如权利要求1-6中任一所述的方法。

10.一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现如权利要求1-6中任一所述的方法。

Images