CN115668243A - 意外事项预报系统 - Google Patents

Abstract

根据本公开的一个方面，提供了一种用于生成所监测系统的意外事项预报模拟的意外事项预报系统。该意外事项预报系统包括被配置为实现以下项的一个或多个计算机处理器：输入模块，该输入模块被配置为接收各自描述所监测系统在所监测系统的所监测事件期间的状态的多个所监测事件记录，每个所监测事件记录包括所监测系统的多个变量中的每个变量的所监测属性；提取模块，该提取模块被配置为根据所监测值是否满足相应正则条件的确定来提取该多个所监测事件记录中的一个或多个所监测事件记录作为反常事件记录；修改模块，该修改模块被配置为生成一个或多个经修改事件记录，每个经修改事件记录通过修改所监测事件记录中的一个所监测事件记录的所监测属性中的至少一个所监测属性来生成；选择模块，该选择模块被配置为从包括所提取反常事件记录和所生成的经修改事件记录的事件记录的集合选择意外事件记录的子集；以及预报模拟模块，该预报模拟模块被配置为将一种或多种预报技术应用于所选择的意外事件记录的子集以生成一个或多个输出参数作为该意外事项预报模拟。

Description

意外事项预报系统

技术领域

本公开整体涉及一种用于生成所监测系统的意外事项(contingency)预报模拟的意外事项预报系统。本公开的各方面涉及该意外事项预报系统、一种生成所监测系统的意外事项预报模拟的方法以及一种计算机可读介质。

背景技术

通常的做法是监测系统并且记录与系统在不同的场景或事件期间的状态相关联的数据。

所记录的数据可包括所监测系统的多个变量中的每个变量在每个事件期间的属性或值。这样，可通过每个事件的属性的相应组合来描述所监测系统的状态。所记录的数据还可包括指示事件对所监测系统的操作的影响的数据，例如包括指示所监测系统在每个事件期间的性能的一个或多个测量结果。

随时间推移，可针对所监测系统在大范围的事件中的操作记录数据，并且可识别对系统的操作产生重大影响或负面影响的那些事件或那些事件的属性。

通过识别此类事件或属性的组合，可改善系统以减轻此类事件的影响(如果此类事件未来重新发生的话)，从而提高所监测系统的稳健性。

然而，以这种方式改进系统的稳健性的问题在于，所监测系统仅针对历史事件或属性的组合进行优化。因此，存在所监测系统对未来可能发生的前所未有的事件或属性的组合准备不充分的风险。

由上文可推断，所监测系统遇到足够广泛的事件以提供期望稳健性水平所花费的时间也可能长到不尽如人意。

正是在这样的背景下设想了本公开。

发明内容

根据本公开的一个方面，提供了一种用于生成所监测系统的意外事项预报模拟的意外事项预报系统。该意外事项预报系统包括被配置为实现以下项的一个或多个计算机处理器：输入模块，该输入模块被配置为接收各自描述所监测系统在所监测系统的所监测事件期间的状态的多个所监测事件记录，每个所监测事件记录包括所监测系统的多个变量中的每个变量的所监测属性(或值)；提取模块，该提取模块被配置为根据所监测值是否满足相应正则条件的确定来提取该多个所监测事件记录中的一个或多个所监测事件记录作为反常事件记录；修改模块，该修改模块被配置为生成一个或多个经修改事件记录，每个经修改事件记录通过修改所监测事件记录中的一个所监测事件记录的这些变量中的至少一个变量的所监测属性来生成；选择模块，该选择模块被配置为从包括所提取反常事件记录和所生成的经修改事件记录的事件记录的集合选择意外事件记录的子集；以及预报模拟模块，该预报模拟模块被配置为将一种或多种预报技术应用于所选择的意外事件记录的子集以生成一个或多个输出参数作为该意外事项预报模拟。

有利地，意外事项预报系统被配置为生成经修改事件记录，这些经修改事件记录将意外事项预报模拟的覆盖范围扩展为包括可能但并非先前遇到的所监测系统的所监测属性的组合。此外，意外事项预报系统有利地被配置为选择意外事项预报模拟所基于的意外事件记录的子集，以平衡意外事项预报模拟的覆盖范围的广度与生成该模拟的计算要求。

预期本公开将能够增加对未来可能发生并影响所监测系统的反常事件的感知度。因此，可使用意外事项预报模拟来确定所监测系统将如何在此类反常事件期间执行，并且例如确定改进所监测系统在此类条件下的稳健性所采取的适当措施。

应当理解，在事件的上下文中，在以下描述中使用术语意外事项旨在意指可能但不一定发生的事件。因此，‘意外事项预报模拟’在经受意外事件的子集时可采取所监测系统的预测计算机模型的形式，即响应于可能但不一定发生的意外事件中的每个意外事件的所监测属性而对所监测系统的操作进行计算机建模。

所监测系统的变量中的每个变量可以是可测量的，例如以数值的形式提供所监测属性，和/或可以是可分类的，例如以所选择的项目的形式提供所监测属性，其可与所测量的属性相关联。例如，所选的项目可根据一个或多个可测量属性从多个项目选择。

在一个示例中，提取模块可被配置为通过将一种或多种异常检测技术应用于每个所监测事件记录的所监测属性来提取反常事件记录。此类异常检测技术可被配置为识别包括阈值量的(例如，至少一个)异常属性的那些所监测事件记录。

例如，一种或多种异常检测技术可选自以下项：所监测属性的发生计数；和/或所监测属性的聚类分析。

在一个示例中，修改模块可被配置为通过将相应所监测事件记录的至少一个变量的所监测属性改变为在所监测事件记录中的另一个所监测事件记录中的该变量的所监测属性来生成每个经修改事件记录。有利地，这可允许所监测事件记录之间的知识传输。

任选地，选择模块被配置为：估计事件记录的集合中的每个事件记录的一个或多个风险因素；以及基于所估计风险因素从该事件记录的集合选择所提取反常事件记录和经修改事件记录中的一者或多者。有利地，此类风险因素可被配置为基于事件记录的一些优先级的属性来过滤输出到预报模拟模块的事件记录。

例如，该一个或多个风险因素可包括：该事件记录的所监测属性的发生的可能性或频率；和/或指示该事件记录的所监测属性对所监测系统的操作的相对影响的影响分数。任选地，影响分数可以是相对影响分数。这样，意外事项预报系统被配置为对更有可能发生和/或显著影响所监测系统的操作的那些所监测事件记录进行优先级排序。

任选地，该选择模块被配置为基于该事件记录的集合中的这些事件记录中的每个事件记录的这些风险因素的加权和来选择该意外事件记录的子集。有利地，加权和允许风险因素的范围与指示此类风险因素的相对重要性的相对加权组合。特别地，相对加权指示对意外事项预报模拟的相对需要，以包括与那些风险因素的更大风险相关联的那些事件记录。

在一个示例中，该选择模块被配置为通过将该事件记录的集合中的这些事件记录中的每个事件记录的这些风险因素的该加权和与阈值进行比较来选择该意外事件记录的子集。

在另一个示例中，该选择模块被配置为基于该事件记录的集合中的这些事件记录中的每个事件记录的这些相应风险因素的加权和来对该事件记录的集合进行排序来选择该意外事件记录的子集；确定该事件记录的集合中的最高排序事件记录的这些相应风险因素的累积加权和；以及从该事件记录的集合选择该累积加权和小于或等于阈值的那些事件记录。这样，阈值可平衡意外事项预报模拟的覆盖范围的广度与确定意外事项预报模拟的计算要求。

任选地，提取模块被配置为提取该多个所监测事件记录中的一个或多个所监测事件记录作为包括异常所监测属性或超过阈值量的异常所监测属性的反常事件记录，并且提取多个所监测事件记录中的一个或多个所监测事件记录作为不包括异常所监测属性或者包括小于阈值量的异常所监测属性的正则事件记录。每个事件记录的其他所监测属性可被视为预期的或正则属性。

在一个示例中，该提取模块可被配置为通过对该一个或多个反常事件记录进行模式挖掘来确定每个反常事件记录的非正则模式，和/或通过对该一个或多个正则事件记录进行模式挖掘来确定每个正则事件记录的正则模式。该修改模块可被配置为以经修改模式的形式生成经修改事件记录，每个经修改模式通过修改这些非正则模式中的相应非正则模式或这些正则模式中的相应正则模式的所监测属性中的至少一个所监测属性来生成。

每个模式可以是针对所监测事件记录中的相应所监测事件记录的多维图形结构。模式可表示具有细节的相应所监测事件记录，诸如被省略或忽略的时间或其他性能测量。

例如，每个模式可包括该相应事件记录的所监测属性中的一个或多个所监测属性以及该模式中的每对所监测属性之间的成对连接的值。具体地，每个模式可包括由边连接的多个顶点或每对顶点之间的成对连接。在每个顶点处，该模式可包括相应所监测事件记录的特定变量的所监测属性，并且模式的每个边可被指派一个权重或多个权重，以向所监测系统的变量的所监测属性之间的成对连接提供数值。

在模式形式中，所监测事件记录提供了生成经修改事件记录的特别有效的方式，这些经修改事件记录扩大了意外事项预报模拟的覆盖范围，同时在数值上估计经修改事件记录与相应所监测事件记录的偏差，如在以下描述中应清楚的。有利地，这意味着覆盖范围可限于对应于所监测系统可能经历的事件的经修改事件记录。

任选地，该提取模块被配置为使用选自以下项的一种或多种模式挖掘方法来确定该一个或多个非正则模式和/或该一个或多个正则模式：频繁模式挖掘技术；Apriori算法；和/或Eclat算法。

在一个示例中，该修改模块被配置为通过以下方式中的至少一者来生成每个经修改模式：将相应正则模式的不为异常所监测属性的所监测属性改变为反常事件记录中的该变量的异常所监测属性；以及将相应非正则模式的不为异常所监测属性的所监测属性改变为正则事件记录中的不为异常所监测属性的该变量的另一个所监测属性。

任选地，修改模块可被配置为将经修改模式输出到选择模块。输出到该选择模块的每个经修改模式可具有小于阈值距离的与该相应非正则模式或该相应正则模式的成对距离的加权和。与相应非正则模式或相应正则模式的成对距离的加权和可通过改变所监测属性来导致。可根据对应的度量来计算阈值距离。

在一个示例中，修改模块被配置为通过以下方式从所生成的经修改模式选择要输出到选择模块的经修改模式的集合：确定所生成的每个经修改模式和该相应非正则模式或该相应正则模式之间的成对距离的加权和；以及选择具有小于该阈值距离的成对距离的加权和的经修改模式。

在一个示例中，该意外事件记录的子集中的每个反常事件记录采取这些非正则模式中的相应非正则模式的形式，并且该意外事件记录的子集中的每个经修改事件记录采取经修改模式中的相应经修改模式的形式。该选择模块可被配置为从该一个或多个非正则模式和该一个或多个经修改模式选择该意外事件记录的子集。

根据本公开的另一个方面，提供了一种生成所监测系统的意外事项预报模拟的计算机实现的方法。该方法包括：接收各自描述所监测系统在所监测系统的所监测事件期间的状态的多个所监测事件记录，每个所监测事件记录包括所监测系统的多个变量中的每个变量的所监测属性；根据所监测值是否满足相应正则条件的确定来提取该多个所监测事件记录中的一个或多个所监测事件记录作为反常事件记录；生成一个或多个经修改事件记录，每个经修改事件记录通过修改所监测事件记录中的一个所监测事件记录的这些变量中的至少一个变量的所监测属性来生成；从包括所提取反常事件记录和所生成的经修改事件记录的事件记录的集合选择意外事件记录的子集；以及通过将一种或多种预报技术应用于所选择的意外事件记录的子集来生成一个或多个输出参数作为该意外事项预报模拟。

根据本公开的另外的方面，提供了一种非暂态计算机可读介质，该非暂态计算机可读介质在其上存储有指令，这些指令在由计算机执行时致使该计算机执行在本公开的先前方面中描述的方法。

应当理解，本公开的每个方面的优选和/或任选特征也可单独地或以适当的组合并入本公开的其他方面中。

附图说明

现在将参考附图描述本公开的示例，其中：

图1示出了根据本公开的实施方案的示例性意外事项预报系统的示意图；

图2示意性地展示了根据本公开的实施方案的操作图1所示的意外事项预报系统的示例性方法；

图3示意性地展示了图2所示的方法中的步骤的示例性子步骤；

图4示意性地展示了图2所示的方法中的另一个步骤的示例性子步骤；并且

图5示意性地展示了图2所示的方法中的另外的步骤的示例性子步骤。

具体实施方式

本公开的实施方案涉及一种用于生成所监测系统的意外事项预报模拟的意外事项预报系统。这种意外事项预报模拟可用于产生风险感知快照，以用于提高所监测系统的稳健性。

更详细地考虑，意外事项预报系统被配置为接收包括多个所监测事件记录的数据集合，该多个所监测事件记录可各自描述所监测系统在监测系统的相应事件或场景期间的状态。

应当理解，系统可能先前已经监测达包括多个此类事件的时段，从而提供此种数据。

对于所监测系统的多个变量中的每个变量，每个所监测事件记录可包括所监测属性或值。这样，每个所监测事件记录可包括描述所监测系统在该事件期间的状态的属性的组合。每个所监测事件记录还可包括指示所监测系统在该事件期间的性能的一个或多个性能测量，从而指示该事件对所监测系统的操作的影响。

意外事项预报系统被配置为分析多个所监测事件记录并且识别或提取包括不满足相应正则条件的所监测属性的一个或多个反常事件记录。换句话讲，意外事项预报系统可被配置为检测包括至少一个异常属性的一个或多个反常事件记录。识别此类反常事件记录以突出显示对系统的操作可具有重大影响的不寻常事件。

意外事项预报模拟可以单独基于此类反常事件记录，但有利地，意外事项预报系统被配置为通过基于多个所监测事件记录来生成一个或多个经修改事件记录来增加意外事项预报模拟的覆盖范围。通过修改相应所监测事件记录的所监测属性中的至少一个所监测属性来生成每个经修改事件记录。例如，所监测事件记录中的第一所监测事件记录的一个变量的所监测属性可改变为所监测事件记录中的第二所监测事件记录中的该变量的所监测属性。

这样，每个经修改事件记录提供描述所监测系统在可能、但非先前未遇到的事件期间的状态的所监测属性的模拟组合。

为了给出示例，在应用于机场的所监测系统时，第一事件记录可描述在第一事件期间监测的第一机场的状态。第一事件记录可包括与该机场处的天气变量有关的第一所监测属性诸如降雨量，以及与另一个变量有关的第二所监测属性诸如在事件期间第一机场处的飞行器到达的量。

例如由于异常大量的降雨，意外事项预报系统可将第一事件记录识别为反常事件。

因此，意外事项预报系统可通过将第一事件记录中的与飞行器到达的数量有关的第二所监测属性改变为记录在第二事件记录中的飞行器到达的数量来生成经修改事件记录。第二事件记录可描述第一机场在第二事件期间的状态，其中降雨量是可忽略的，或者第二事件记录可描述第二机场在相应事件期间的状态。

以上述方式修改事件记录允许事件记录之间的知识传输，从而生成所监测系统的所监测属性的可能、但非先前遇到的组合。

意外事项预报系统被进一步配置为通过选择包括一个或多个反常事件记录和/或意外事项预报模拟所基于的一个或多个经修改事件记录意外事件记录的子集，有利地平衡覆盖范围的广度与生成意外事项预报模拟的计算要求。

预期本公开将能够增加对未来可能发生并影响所监测系统的反常事件的感知度。然后，可使用意外事项预报模拟来确定所监测系统将如何在此类反常事件期间执行，并且例如确定改进所监测系统在此类条件下的稳健性所采取的适当措施。

图1示意性地展示了用于生成所监测系统(未示出)的意外事项预报模拟的示例性意外事项预报系统1。

仅以举例的方式，在以下描述中，所监测系统采取包括第一机场、第二机场和第三机场的机场的所监测系统的形式。

应当理解，此示例仅为了清楚起见而提供并且不旨在限制本公开的范围。尽管如此，机场的示例性系统表明本公开适用于有效地包括一个或多个子系统(诸如第一机场、第二机场和第三机场)的系统。

在其他示例中，所监测系统可采取任何其他合适的形式，包括所监测交通工具系统，诸如特定的飞行器、火车或汽车，或交通工具(诸如飞行器机队)的所监测系统。在其他另外的示例中，所监测系统可以是功率指派或管理电路的系统，其中记录包括负载、电压和电流的变量等其他变量。所监测系统还可采取制造设施的形式，其中记录包括所执行的任务、材料库存和操作的机器的变量等其他变量。在另一个示例中，所监测系统可采取制造设施内的机器的形式，其中监测诸如机器的输入和输出的变量等其他变量。

意外事项预报系统1包括输入模块2、提取模块4、修改模块6、选择模块8和预报模拟模块10。也就是说，在所述示例中，示出了五个功能元件、单元或模块。这些单元或模块中的每一者可由使用常规或客户处理器和存储器在任何合适的计算基板上运行的合适的软件来提供。单元或模块中的一些或全部可使用公共计算基板(例如，它们可在同一服务器上运行)或单独的基板，或者模块的不同组合可分布在多个计算设备之间。

输入模块2被配置为接收和/或存储多个所监测事件记录。例如，每个所监测事件记录可描述所监测系统在监测所监测系统(或者具体地所监测系统的子系统)的相应事件或场景期间的状态。

对于所监测系统的多个变量中的每个变量，每个所监测事件记录包括所监测属性或值。组合地，多个所监测属性描述所监测系统在该事件期间的状态。

在包括所监测系统的多个子系统的示例中，该多个所监测属性可包括在相应事件期间监测的子系统的识别。例如，在所述示例中，每个事件记录可包括所监测属性，所监测属性描述所监测事件记录涉及的机场的识别，即，识别第一机场、第二机场或第三机场，并且描述机场在事件期间的状态。

每个所监测事件记录还可包括指示所监测系统在该事件期间的性能的一个或多个性能测量。例如，可包括所监测系统完成例如相应任务的时间的性能测量结果与其他所监测事件记录中的对应性能测量结果相当，以指示每个事件或所监测属性的组合对所监测系统的操作的影响。

以举例的方式，第一事件记录可描述第一机场在第一事件期间的状态，第二事件记录可描述第一机场在第二事件期间的状态，并且第三事件记录可描述第二机场在第一事件或第二事件期间的状态。

第一事件记录、第二事件记录和第三事件记录中的每一者可包括第一机场、第二机场和第三机场的多个变量中的每个变量的所监测属性。该多个变量可包括被监测的机场的识别、该机场的大小、该机场的位置、该机场处的温度或天气条件、该机场处的当日时间和/或在该机场处发生的一个或多个操作，诸如例如到达该机场处的飞行器的数量、离开该机场的飞行器的数量、对该机场处的一个或多个飞行器执行的补充注油、除冰和/或技术检查。

第一事件记录、第二事件记录和第三事件记录中的每一者还可包括相应机场在该事件期间的一个或多个性能测量结果，诸如飞行器到达相应机场和离开相应机场之间的持续时间。

出于接收和/或存储此种数据的目的，输入模块2可采取存储器存储模块的形式，诸如云存储系统或计算机可读存储介质(例如，非暂态计算机可读存储介质)。计算机可读存储介质可包括用于以机器或电子处理器/计算设备可读的形式存储信息的任何机制，包括但不限于：磁存储介质(例如，软盘)；光学存储介质(例如，CD-ROM)；磁电机光学存储介质；只读存储器(ROM)；随机存取存储器(RAM)；可擦除可编程存储器(例如，EPROM和EEPROM)；闪存存储器；或用于存储此类信息/指令的电或其他类型的介质。

输入模块2可从任何合适的源接收多个所监测事件记录，该源包括例如被配置为观察所监测系统的计算设备或一个或多个传感器系统。

提取模块4被配置为从输入模块2接收多个所监测事件记录并且提取包括不满足相应正则条件的一个或多个所监测属性的一个或多个反常事件记录。

出于此目的，提取模块4可还包括异常检测模块12。异常检测模块12可被配置为识别包括被视为异常的阈值量的所监测属性的一个或多个反常事件记录，例如包括至少一个异常属性的所监测事件记录。反常事件记录的其他所监测属性可被视为足够正则和/或类似于其他所监测属性，使得它们不能被视为异常。此类所监测属性可被视为预期属性。

异常检测模块12还可被配置为识别或提取包括小于阈值量的异常属性的一个或多个正则事件记录。例如，正则事件记录中的每个正则事件记录可不包括任何异常属性，并且替代地仅包括所监测属性的组合，该所监测属性的组合在整个多个所监测事件记录中以足够的正则性和/或与所监测属性的其他组合的类似性重复，使得它们不能被视为异常。

如应清楚的，异常检测模块12可被配置为通过将一种或多种异常检测技术应用于每个所监测事件记录的所监测属性来确定反常事件记录和/或正则事件记录。

应当理解，预期属性和异常属性可取决于一个或多个其他所监测属性(诸如例如所监测事件记录的子系统的识别)，并且因此例如可被视为与该一个或多个其他所监测属性组合。

为了进一步说明这一点，机场的示例性系统中的反常事件记录可对应于异常天气条件，诸如第一机场处的前所未有的降雪，并且反常事件记录的所监测属性中的一些所监测属性可以是异常属性，例如指示温度和/或降雪量的那些所监测属性。

第一正则事件记录可对应于普通天气条件，诸如第一机场处的中等温度且无降雨，并且所监测属性可以是彼此组合的预期属性。

然而，第二正则事件记录可对应于第二机场的普通天气条件，并且此类天气条件可与第一机场处的普通天气条件不同。例如，第二机场的普通天气条件可包括一些降雪，并且第二正则事件记录的包括例如非零量的降雪的所监测属性可以是彼此组合的预期属性。

在一个示例中，提取模块4可有利地进一步被配置为对正则事件记录和反常事件记录进行模式挖掘，以识别描述所监测事件记录内的特定模式的规则并且确定相应的正则和非正则模式。

出于此目的，提取模块4还可包括模式挖掘模块14，该模式挖掘模块被配置为确定每个反常事件记录的非正则模式和每个正则事件记录的正则模式。可使用一种或多种模式挖掘方法来确定此类模式，如在以下描述中应清楚的。

这样，模式挖掘模块14可被配置为针对所监测事件记录中的每个所监测事件记录输出模式或多维图形结构。模式表示具有细节的相应所监测事件记录，诸如被忽略以避免模糊其他信息的时间或其他性能测量。

例如，每个模式可包括由边连接的多个顶点或每对顶点之间的成对连接。在每个顶点处，该模式可包括相应所监测事件记录的特定变量的所监测属性，并且模式的每个边可被指派一个权重或多个权重，以向所监测系统的变量的所监测属性之间的成对连接提供数值。

这样，每个模式提供相应事件记录的替代性表示，并且可提供所监测系统在相应事件期间的状态的表示。非正则模式包括阈值量，例如一个或多个异常属性，同时正则模式在很大程度上具有普通和/或预期属性的特征，其具有小于阈值量的或零异常属性。

应当理解，关于以下描述中的模式描述的操作中的每个操作可同样适用于相应事件记录并且反之亦然。

在模式形式中，所监测事件记录提供了生成经修改事件记录的特别有效的方式，这些经修改事件记录扩大了意外事项预报模拟的覆盖范围，同时在数值上估计经修改事件记录与相应所监测事件记录的偏差，如在以下描述中应清楚的。有利地，这意味着覆盖范围可限于对应于所监测系统可能经历的事件的经修改事件记录。

修改模块6被配置为基于多个所监测事件记录来生成一个或多个经修改事件记录。通过修改相应所监测事件记录的所监测属性中的至少一个所监测属性来生成经修改事件记录中的每个经修改事件记录。

为了将知识从一个事件记录传输到另一个事件记录，修改模块6可有利地被配置为通过将相应所监测事件记录的至少一个变量的所监测属性改变为在所监测事件记录中的另一个事件记录中的该变量的所监测属性来生成经修改事件记录中的每个经修改事件记录。

例如，在所述示例中，修改模块6可通过将第一事件记录中的降雨量改变为记录在第二事件记录中的降雨量来生成经修改事件记录。

在一个示例中，修改模块6可被配置为仅将经修改事件记录输出到被视为可行和/或充分可能发生的选择模块8。

出于此目的，修改模块6可被配置为以基于正则模式中的相应模式或非正则模式中的相应模式的经修改模式的形式生成每个经修改事件记录，如上所述。

这样，修改模块6可被配置为仅输出具有小于阈值距离的与原始(即，相应的正则或非正则)模式的成对距离的加权和(根据一些距离度量)的经修改模式，如在以下描述中应清楚的。

例如，修改模块6可被配置为通过将原始模式的至少一个顶点的所监测属性改变为另一个正则或非正则模式的对应顶点中的所监测属性来生成每个经修改模式。

应当理解，这对应于将原始事件记录的至少一个变量的所监测属性改变为另一个所监测事件记录中的该变量的所监测属性。

在一个示例中，修改模块6可通过将非正则模式的预期属性中的至少一个预期属性改变为另一个模式中的那些变量的预期属性来生成至少一个经修改模式。

在一个示例中，修改模块6可通过将非正则模式的预期属性中的至少一个预期属性改变为另一个模式中的那些变量的异常属性来生成至少一个经修改模式。

在其他示例中，修改模块6可不将非正则模式的预期属性改变为异常属性，因为所监测属性的这种组合可被视为不可行或太不可能发生。

在一个示例中，例如，修改模块6可通过将正则模式的至少一个预期属性改变为另一个预期属性或者另一个模式中的那些变量的异常属性来生成至少一个经修改模式。

修改模块6还可被配置为确定或以其他方式重新确定经修改模式的连接顶点之间的成对连接的距离。换句话讲，修改模块6可重新确定改变的顶点和经修改模式的连接顶点中的每个连接顶点之间的成对连接的距离。

经修改模式和原始模式之间的成对距离的加权和可采取经修改模式的成对距离的加权总数和原始模式的成对距离的加权总数之间的差值的形式。

因此，为了确保仅将充分可能发生的那些经修改模式输出到选择模块8，修改模块6可被配置为仅输出具有小于阈值距离的与原始模式的成对距离的加权和的经修改模式。

在一个示例中，修改模块可还包括过滤模块16，该过滤模块被配置为选择要输出到选择模块8的满足此条件的经修改模式的集合。

过滤模块16可被配置为确定每个经修改模式和相应原始模式之间的成对距离的加权和。例如，每个模式的顶点之间的成对连接中的每个成对连接的相应权重可存储在过滤模块16的存储器存储设备中。

在此基础上，过滤模块16可选择距离相应原始模式的成对距离的加权和小于阈值距离的那些经修改模式，并且所选择的修改的模式可形成输出到选择模块8的经修改模式的集合。

为了对此给出一些背景，参考上述机场的示例性系统，如果第一机场和第二机场足够类似(例如，就大小和天气/气候而言)以使得成对距离的加权和小于阈值距离，过滤模块16可被配置为仅输出通过将所监测机场的识别从原始模式中的第一机场改变为经修改模式中的第二机场来生成的经修改模式。

应当理解，具有类似的属性减少了原始模式和经修改模式之间的成对距离。

这样，确定每个经修改模式的成对距离的加权和并且将该距离与阈值距离进行比较提供了二元分类器(在阈值内或在阈值之外)。

在一个示例中，可利用主动学习调整过滤模块16以确定合适的距离阈值。在主动学习中，专家用户输入(即，对一些样本数据的分类)用于提高过滤模块16的准确度。在一个示例中，主动学习可以使得在学习的影响最大化的同时限制用户输入的方式选择样本。

选择模块8被配置为接收一个或多个所提取反常事件记录和一个或多个经修改事件记录，并且将两者合并成事件记录的单个集合。应当理解，在一个示例中，可以一个或多个非正则模式的形式接收一个或多个所提取反常事件记录，并且可以一个或多个经修改模式的形式接收一个或多个经修改事件记录。

在此基础上，选择模块8被进一步配置为将事件记录的集合过滤到输出到预报模拟模块10的意外事件记录的子集中。

出于此目的，选择模块8可被配置为基于每个事件记录的一个或多个风险因素来对组合的异常和经修改事件记录进行排序。

一个或多个风险因素可包括该事件记录的所监测属性的发生的可能性和/或指示该事件记录的所监测属性对所监测系统的操作的相对影响的影响分数。

例如，选择模块8可被配置为确定经修改模式和非正则模式中的每一者的发生的可能性和重要性分数。重要性分数和发生的可能性可各自基于使用所监测属性和每个模式的所监测属性之间的成对距离的相应算法来确定。

例如，经修改模式可包括描述第一机场处的30cm的降雪的所监测属性，并且因此经修改模式可被视为相对不可能发生的(因为此类条件将是异常的)。

因此，选择模块8可被配置为使用识别各自包括描述相应机场处的类似量的降雪的所监测属性的一个或多个相当模式的相应算法来量化发生的可能性。使用此信息，算法可例如通过评估这些模式中的这种降雪的发生的频率和/或通过评估每个机场与第一机场的类似性来确定经修改模式的发生的可能性。以举例的方式，特定机场和第一机场之间的类似性可通过比较两个机场的一个或多个所监测属性(包括地理位置和/或平均天气条件等其他相关属性)来确定。

选择模块8可以基本上类似的方式确定经修改模式的重要性分数。例如，选择模块8可使用相应算法，该相应算法有效地使用降雪对相当模式中的机场中的每个机场处的性能测量结果的所测量的影响。使用此信息，算法可通过进一步评估相当模式中的每个机场与第一机场的类似性并且在该基础上决定是否应当预期类似的效果来估计降雪对第一机场的影响。例如，可通过比较包括到达和/或离开所述机场的飞行器的数量等其他相关属性的一个或多个所监测属性来确定类似性。

应当理解，选择模块8并且特别是确定重要性分数和/或未来发生的可能性的方法可通过主动学习来调整。

在一个示例中，选择模块8可有利地被配置为使用排序功能基于风险因素来对模式进行排序，并且将最高排序模式输出到预报模拟模块10作为意外事项模式的子集。例如，可基于每个模式的风险因素的加权和来对模式进行排序。

在一个示例中，选择模块8可被配置为接收风险因素的加权和的阈值，并且通过将每个模式的风险因素的加权和与阈值进行比较来过滤经排序的模式。

可确定阈值以便平衡过滤之后的意外事项模式的子集的大小和通过将意外事项模式的子集输出到预报模拟模块10而获得的覆盖范围之间的折衷。

在另一个示例中，选择模块8可被配置为通过基于相应风险因素的加权和来根据排序功能对模式进行排序来选择意外事项记录的子集，从而确定最高排序模式的相应风险因素的累积加权和并且选择累积加权和小于或等于阈值的那些模式。

这样，意外事项预报系统1被配置为有利地平衡意外事项预报模拟的覆盖范围的广度与处理意外事项模式的子集的计算要求。

预报模拟模块10被配置为生成一个或多个输出参数作为意外事项预报模拟。出于此目的，预报模拟模块10可将一种或多种预报技术应用于可以模式的形式接收的所选择的意外事件记录的子集，以确定风险感知快照。

合适的预报技术在本领域中是众所周知的，并且此处不详细描述以避免模糊本公开。尽管如此，应当理解，预报系统的风险感知快照或未来事件预测可用于识别或以其他方式确定所监测系统的薄弱区域，以实现减轻可能事件对所监测系统的操作的影响的改善。

参考上文所述的机场的示例性系统，一个或多个输出参数可包括一个或多个性能测量估计，例如在特定机场处下雪的情况下，预测连续起飞/着陆之间的时间可能增加X量。

基于此类信息，可通过识别用于在这种事件期间重定向空气流量以使得可适当地控制空气流量以满足该机场的减小的容量的合适的机场来改进机场的所监测系统的稳健性。

现在将另外参考图2至图5描述意外事项预报系统1的操作。

图2示出了根据本公开的实施方案的生成所监测系统的意外事项预报模拟的示例性方法20。

在步骤22中，意外事项预报系统1包括多个所监测事件记录，每个所监测事件记录描述所监测系统在所监测系统被监测的在相应事件或场景期间的状态。

例如，多个所监测事件记录可被接收在输入模块2处和/或存储在该输入模块中，该输入模块已经由被配置为观察所监测系统的一个或多个计算设备或传感器系统确定。在步骤22中，输入模块2可将多个所监测事件记录输出到提取模块4。

在步骤24中，意外事项预报系统1基于多个所监测事件记录来确定一个或多个正则事件记录和一个或多个反常事件记录。

意外事项预报系统还可确定正则事件记录中的每个正则事件记录的正则模式和反常事件记录中的每个反常事件记录的非正则模式。

例如，提取模块4可接收多个所监测事件记录，识别反常事件记录和正则事件记录，并且将反常事件记录与正则事件记录分开进行模式挖掘，以便确定相应非正则模式和正则模式。

出于此目的，方法20可还包括子步骤26和28，如图3所示，现在这将更详细地描述。

在子步骤26中，提取模块4提取或识别包括阈值量的异常属性的一个或多个反常事件记录。提取模块4还识别不包括异常属性的一个或多个正则事件记录，或者以其他方式包括小于阈值量的异常属性。

在一个示例中，异常检测模块12可接收多个所监测事件记录并且将一种或多种异常检测技术应用于每个所监测事件记录的所监测属性以识别正则事件记录和反常事件记录。在这样做时，异常检测技术可例如确定预期属性的集合和异常属性的集合。

出于此目的，异常检测技术是本领域众所周知的，并且异常检测模块12可使用例如聚类方法和/或发生计数以识别正则事件记录和反常事件记录。此处不详细描述此类异常检测技术以避免模糊本公开。

在子步骤28中，提取模块4并且具体地模式挖掘模块14可通过对一个或多个正则事件记录进行模式挖掘来确定正则模式。模式挖掘模块14还可通过对一个或多个反常事件记录进行模式挖掘来确定非正则模式。

出于此目的，模式挖掘方法在本领域中是众所周知的，并且模式挖掘模块14可将频繁模式挖掘技术(例如Apriori算法和/或Eclat算法)应用于确定相应正则模式和非正则模式。此处不详细描述此类模式挖掘方法以避免模糊本公开。

在子步骤28结束时，提取模块4可将一个或多个正则模式和一个或多个非正则模式输出到修改模块6。

返回到图2所示的方法20，在步骤30中，意外事项预报系统1基于在步骤24中确定的正则事件记录和/或反常事件记录来生成经修改事件记录。

在一个有利的示例中，在步骤30中，意外事项预报系统1可基于正则模式和/或非正则模式来以经修改模式的形式生成经修改事件记录。

经修改模式基于现有模式来有效地提供新的模式，以预期可能影响所监测系统的操作的未来事件。

出于此目的，方法20可还包括子步骤32至40，如图4所示，现在这将更详细地描述。

在子步骤32中，修改模块6可基于一个或多个正则模式和/或一个或多个非正则模式来生成一个或多个经修改模式。

具体地，修改模块6可针对正则模式中的每个正则模式和非正则模式中的每个非正则模式确定多个经修改模式。

修改模块6可通过修改相应正则模式或相应非正则模式的一个或多个所监测属性来生成每个经修改模式。例如，可通过将相应正则模式的所监测属性改变为正则或非正则模式中的另一者中的相同变量的所监测属性来生成经修改模式。

以举例的方式，可通过将相应正则模式中的第一所监测属性(诸如第一降雨量)改变为记录在另一个模式中的第二所监测属性(诸如第二降雨量)来生成经修改模式。这样，修改模块6将不同模式的所监测属性组合以创建经修改模式，同时通过改变成对距离保持与原始模式的偏差的量度。

在子步骤34中，过滤模块16针对每个经修改模式确定该经修改模式和被修改以创建经修改模式的相应正则模式或相应非正则模式(即原始模式)之间的成对距离的加权和。

应当理解，经修改模式和原始模式之间的成对距离的加权和取决于所改变的一个或多个所监测属性。具体地，成对距离的加权和可取决于所改变的属性的加权以及每个变化的距离。就这一点而言，成对连接的加权可表示不同变量对所监测系统的操作的相对影响。例如，到达机场的飞行器的可变数量可具有比通过该机场处的安检处的行李件的可变数量更大的权重。变化的距离可表示从原始模式中的所监测属性到经修改模式中的所监测属性的偏离的量度。例如，将到达机场的飞行器的数量从从原始模式中的500个飞行器增加到第一经修改模式中的700个飞行器将具有比从原始模式中的500个飞行器增加到第二经修改模式中的600个飞行器更大的成对距离。

因此，每个变化的距离可基于相应所监测属性结合模式的其他所监测属性的发生的相对可能性。

在子步骤36中，过滤模块16将与每个经修改模式相关联的成对距离的加权和与阈值距离进行比较。

在子步骤38中，过滤模块16保留与小于或等于阈值距离的成对距离的加权和相关联的那些经修改模式，从而形成输出到选择模块8的经修改模式的集合。

相反，在子步骤40中，过滤模块16从输出到选择模块8的经修改模式的集合过滤或移除剩余经修改模式，即移除与超过阈值距离的成对距离的加权和相关联的那些经修改模式。

在步骤42中，意外事项预报系统1从包括经修改事件记录和反常事件记录的事件记录的集合选择要输出到预报模拟模块10的意外事件记录的子集。

在一个有利的示例中，意外事项预报系统1可基于步骤30中的经修改模式输出和在步骤24中确定的非正则模式来有效地选择要输出的意外事件记录的子集。

出于此目的，方法20可还包括子步骤44至52，如图5所示，现在这将更详细地描述。

在子步骤44中，选择模块8接收从过滤模块16输出的经修改模式和由提取模块4确定的一个或多个非正则模式，并且该选择模块将这些模式合并成意外事项模式的初始集合。

在子步骤46中，选择模块8确定意外事项模式的初始集合中每个模式的一个或多个风险因素，并且基于这些风险因素来对那些模式进行排序。

此类风险因素可包括每个模式的重要性分数和每个模式的发生的估计频率或可能性。

具体地，选择模块8可基于重要性分数算法来确定每个模式的重要性分数，该重要性分数算法被配置为在要发生该模式的情况下估计该模式对所监测系统的操作的相对影响的量度。例如，可使用主动学习来训练所使用的算法。

选择模块8可基于被配置为估计该模式的发生的可能性的频率算法来确定每个模式的发生的估计频率或可能性。例如，频率算法可以是至少部分地基于该模式的所监测属性在该多个所监测事件记录内的聚类分析和/或发生计数。

然后，选择模块8可确定每个模式的发生的重要性分数和估计频率或可能性的加权和。和的权重可由用户输入提供到选择模块8和/或使用主动学习进行训练。

发生的重要性分数和估计频率或可能性的加权和提供了意外事项模式的初始集合中的模式中的每个模式的数值加权和值，该数值加权和值可用于对意外事项模式的初始集合中的模式进行排序。

在子步骤48中，选择模块8选择要输出到预报模拟模块10的那些模式，即意外事项模式的子集。

出于此目的，选择模块8可将意外事项模式的初始集合中的模式中的每个模式的加权和值与可从存储器存储设备读取和/或通过主动学习计算的过滤阈值进行比较。

在子步骤50中，选择模块8从意外事项模式的子集排除与小于过滤阈值的加权和值相关联的那些模式。所排除模式对应于不被视为足够重要和/或可能发生的可能事件以使对包括那些移除的模式的数据集合执行意外事项预报模拟的计算要求合理化。

在子步骤52中，选择模块8选择与超过过滤阈值的加权和值相关联的那些模式，以形成输出到预报模拟模块10的意外事项模式的子集的一部分。意外事项模式的子集对应于被视为足够重要和/或可能发生的可能事件，使得基于这些模式的意外事项预报模拟被合理化。

这样，方法20平衡过滤之后的意外事项模式的子集的大小和通过将意外事项模式的子集输出到预报模拟模块10而获得的覆盖范围之间的折衷。

在步骤54中，预报模拟模块10通过将一种或多种预报技术应用于意外事件记录或模式的子集来生成一个或多个输出参数作为意外事项预报模拟。在此示例中，预报模拟模块10基于意外事项模式或事件记录的子集来形成风险感知快照，该风险感知快照可包括与所监测系统的操作有关的事件预测。

可基于风险感知快照来改善所监测系统，以减轻对应于此类模式的可能事件对所监测系统的操作的影响(如果这些事件未来发生的话)。

例如，该一个或多个输出参数可包括每个机场在由意外事件记录的子集描述的事件中的每个事件期间的性能的一个或多个估计值和每个事件的发生的估计频率。给定机场的性能的估计值可指示如果在特定机场处下雪，则连续起飞/着陆之间所花费的时间可增加60分钟。

基于此类信息，可通过将第二机场或第三机场识别为用于在此类事件期间重定向空气流量的合适的机场来改进机场的所监测系统的稳健性。这样，可适当地控制空气流量以满足该机场的减小的容量，从而改进所监测系统的稳健性。

在不脱离所附权利要求的范围的情况下，可以对上述示例进行许多修改。

在一个示例中，修改模块6可被配置为仅生成距离原始事件记录或模式的成对距离的加权和小于阈值距离的经修改事件记录或模式。例如，修改模块6可被配置为仅将原始模式或事件记录的一个或多个变量的所监测属性改变为(由变化引起的)成对距离的加权和保持小于阈值距离的程度。这样，可能无需过滤在将其输出到选择模块8之前生成的经修改模式或事件记录。

在另一个示例中，修改模块6可被配置为将生成的经修改事件记录或模式中的所有经修改事件记录或模式输出到选择模块8。在此示例中，选择模块8可具有较大的处理要求以确保意外事项模式的子集对应于被视为足够重要和/或可能发生的可能事件，使得基于这些模式的意外事项预报模拟被合理化。

在另一个示例中，意外事项预报系统可不包括上述选择模块，并且预报模拟模块可从提取模块接收由修改模块生成的经修改模式或事件记录中的所有经修改模式或事件记录和/或可呈非正则模式的形式的所有反常事件记录。在这种示例中，预报模拟模块可确定接收到的事件记录或模式中的每个事件记录或模式的意外事项预报模拟。这可提供具有更大计算要求的更广泛的风险感知快照。

Claims (19)

1.一种用于生成所监测系统的意外事项预报模拟的意外事项预报系统，所述意外事项预报系统包括被配置为实现以下项的一个或多个计算机处理器：

输入模块，所述输入模块被配置为接收各自描述所述监测系统在所述监测系统的所监测事件期间的状态的多个所监测事件记录，每个所监测事件记录包括所述监测系统的多个变量中的每个变量的所监测属性；

提取模块，所述提取模块被配置为根据所监测值是否满足相应正则条件的确定来提取所述多个所监测事件记录中的一个或多个所监测事件记录作为反常事件记录；

修改模块，所述修改模块被配置为生成一个或多个经修改事件记录，每个经修改事件记录通过修改所述监测事件记录中的一个所监测事件记录的所述变量中的至少一个变量的所述监测属性来生成；

选择模块，所述选择模块被配置为从包括所提取反常事件记录和所生成的经修改事件记录的事件记录的集合选择意外事件记录的子集；以及

预报模拟模块，所述预报模拟模块被配置为将一种或多种预报技术应用于所选择的意外事件记录的子集以生成一个或多个输出参数作为所述意外事项预报模拟。

2.根据权利要求1所述的意外事项预报系统，其中所述提取模块被配置为通过将一种或多种异常检测技术应用于每个所监测事件记录的所述监测属性来提取所述反常事件记录。

3.根据权利要求2所述的意外事项预报系统，其中所述一种或多种异常检测技术选自以下项：

所述监测属性的发生计数；以及/或者

所述监测属性的聚类分析。

4.根据任一前述权利要求所述的意外事项预报系统，其中所述修改模块被配置为通过将相应所述监测事件记录的至少一个变量的所述监测属性改变为所述监测事件记录中的另一个所监测事件记录中的所述变量的所述监测属性来生成每个经修改事件记录。

5.根据任一前述权利要求所述的意外事项预报系统，其中所述选择模块被配置为：

估计所述事件记录的集合中的每个事件记录的一个或多个风险因素；以及

基于所估计风险因素来从所述事件记录的集合选择所提取反常事件记录和所述经修改事件记录中的一者或多者。

6.根据权利要求5所述的意外事项预报系统，其中所述一个或多个风险因素包括：

所述事件记录的所述监测属性的发生的可能性或频率；以及/或者

指示所述事件记录的所述监测属性对所述监测系统的操作的相对影响的影响分数。

7.根据权利要求5或权利要求6所述的意外事项预报系统，其中所述选择模块被配置为基于所述事件记录的集合中的所述事件记录中的每个事件记录的所述风险因素的加权和来选择所述意外事件记录的子集。

8.根据权利要求7所述的意外事项预报系统，其中所述选择模块被配置为通过将所述事件记录的集合中的所述事件记录中的每个事件记录的所述风险因素的所述加权和与阈值进行比较来选择所述意外事件记录的子集。

9.根据权利要求7所述的意外事项预报系统，其中所述选择模块被配置为通过以下方式选择所述意外事件记录的子集：

基于所述事件记录的集合中的所述事件记录中的每个事件记录的相应的所述风险因素的所述加权和来对所述事件记录的集合进行排序；

确定所述事件记录的集合中的最高排序事件记录的所述相应风险因素的累积的所述加权和；以及

从所述事件记录的集合选择所述累积加权和小于或等于阈值的所述事件记录。

10.根据任一前述权利要求所述的意外事项预报系统，其中所述提取模块被配置为提取所述多个所述监测事件记录中的一个或多个所监测事件记录作为包括异常所监测属性的反常事件记录，并且提取所述多个所监测事件记录中的一个或多个所监测事件记录作为不包括异常所监测属性的正则事件记录。

11.根据权利要求10所述的意外事项预报系统，其中所述提取模块被配置为通过对一个或多个所述反常事件记录进行模式挖掘来确定每个反常事件记录的非正则模式，以及/或者通过对一个或多个所述正则事件记录进行模式挖掘来确定每个正则事件记录的正则模式，并且

其中所述修改模块被配置为以经修改模式的形式生成所述经修改事件记录，每个经修改模式通过修改所述非正则模式中的相应非正则模式或所述正则模式中的相应正则模式的所述监测属性中的至少一个所监测属性来生成。

12.根据权利要求11所述的意外事项预报系统，其中所述提取模块被配置为使用选自以下项的一种或多种模式挖掘方法来确定所述一个或多个非正则模式和/或所述一个或多个正则模式：

频繁模式挖掘技术；

Apriori算法；以及/或者

Eclat算法。

13.根据权利要求11或权利要求12所述的意外事项预报系统，其中每个模式包括相应的所述事件记录的所述监测属性中的一个或多个所监测属性以及所述模式中的每对所监测属性之间的成对连接的值。

14.根据权利要求11至13中任一项所述的意外事项预报系统，其中所述修改模块被配置为通过以下方式中的至少一者来生成每个经修改模式：

将相应正则模式的不为异常所监测属性的所监测属性改变为反常事件记录中的所述变量的异常所监测属性；以及

将相应非正则模式的不为异常所监测属性的所监测属性改变为正则事件记录中的不为异常所监测属性的所述变量的另一个所监测属性。

15.根据权利要求11至14中任一项所述的意外事项预报系统，其中所述修改模块被配置为将经修改模式输出到所述选择模块，输出到所述选择模块的每个经修改模式具有小于阈值距离的与所述相应非正则模式或所述相应正则模式的成对距离的加权和。

16.根据权利要求15所述的意外事项预报系统，其中所述修改模块被配置为通过以下方式从所生成的经修改模式选择要输出到所述选择模块的经修改模式的集合：

确定所生成的每个经修改模式和所述相应非正则模式或所述相应正则模式之间的成对距离的加权和；以及

选择具有小于所述阈值距离的成对距离的加权和的所述经修改模式。

17.根据权利要求11至16中任一项所述的意外事项预报系统，其中所述意外事件记录的子集中的每个反常事件记录采取所述非正则模式中的相应非正则模式的形式，并且所述意外事件记录的子集中的每个经修改事件记录采取所述经修改模式中的相应经修改模式的形式，所述选择模块被配置为从所述一个或多个非正则模式和所述一个或多个经修改模式选择所述意外事件记录的子集。

18.一种生成所监测系统的意外事项预报模拟的计算机实现的方法，所述方法包括：

接收各自描述所述监测系统在所述监测系统的所监测事件期间的状态的多个所监测事件记录，每个所监测事件记录包括所述监测系统的多个变量中的每个变量的所监测属性；

根据所监测值是否满足相应正则条件的确定来提取所述多个所监测事件记录中的一个或多个所监测事件记录作为反常事件记录；

生成一个或多个经修改事件记录，每个经修改事件记录通过修改所述监测事件记录中的一个所监测事件记录的所述变量中的至少一个变量的所述监测属性来生成；

从包括所提取反常事件记录和所生成的经修改事件记录的事件记录的集合选择意外事件记录的子集；以及

通过将一种或多种预报技术应用于所选择的意外事件记录的子集来生成一个或多个输出参数作为所述意外事项预报模拟。

19.一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质在其上存储有指令，所述指令在由计算机执行时致使所述计算机执行根据权利要求18所述的方法。

Images