CN115758266A - 一种用于无人矿卡流式异常数据检测方法 - Google Patents
一种用于无人矿卡流式异常数据检测方法 Download PDFInfo
- Publication number
- CN115758266A CN115758266A CN202211371474.8A CN202211371474A CN115758266A CN 115758266 A CN115758266 A CN 115758266A CN 202211371474 A CN202211371474 A CN 202211371474A CN 115758266 A CN115758266 A CN 115758266A
- Authority
- CN
- China
- Prior art keywords
- data
- real
- time streaming
- abnormal
- streaming data
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开是关于一种用于无人矿卡流式异常数据检测方法、装置、电子设备以及存储介质。其中,该方法包括:基于话题订阅机制,采集无人矿卡的机器人操作系统中定位模块、局部路径规划模块和控制模块交互数据时产生的实时流式数据;将所述实时流式数据基于鲁棒随机森林建立数据结构树,生成无监督数据流异常检测模型;基于蓄水池采样策略,计算所述实时流式数据的数据结构树中每个样本点的异常得分值,并将所述异常得分值与预设阈值比较以确定异常样本点,实现对实时流式数据的异常数据检测。本公开基于鲁棒随机森林评估样本点异常的方法,可以更迅速和准确的发现无人矿卡中流式异常数据。
Description
技术领域
本公开涉及无人矿卡健康监测领域,具体而言,涉及一种用于无人矿卡流式异常数据检测方法、装置、电子设备以及计算机可读存储介质。
背景技术
随着自动驾驶技术的发展,越来越多无人矿卡应用落地。由于矿卡质量较大,刹车距离较长,及时、准确发现无人矿卡运行是否出现异常,对无人矿卡安全至关重要。无人矿卡各模块存在海量的交互数据,数据流从侧面反映无人矿卡的运行期间每个模块的信息交互状态。若无人矿卡正常运行,各模块交互数据流存在一定的规律性和平稳性。若数据流中出现异常数据,暗示无人矿卡运行可能会出现异常。从无人矿卡数据流中准确、及时判断异常数据,成为监测无人矿卡是否正常运行的重要手段之一。
从统计学中,在数据空间里,若一个区域内只有分布稀疏的点,表示数据点落在此区域的概率很低,因此可以认为这些区域的点是异常的。在最近几年的研究中,定义异常数据点为:包含该数据后模型的复杂度会大幅增加。
数据异常判断过程主要涉及构造数据结构、采样建模、异常评估三个步骤。其中最重要的步骤为采样建模。不同的算法模型,采样建模的效率不同。分层时间记忆网络(Hierarchical Temporal Memory,HTM)是常用数据流异常检测模型算法。该算法模型是基于对脑神经科学的了解、结合数学与电脑科学理论、最终组合起来的一种学习方法,是一种对人类大脑学习能力的模仿。HTM算法旨在模拟新大脑皮层的工作原理,将复杂的问题转化为模式匹配与预测。该算法模型非常容忍噪声数据,不断使用数据统计的变化,并检测非常微妙的异常,同时最大限度地减少误报。但是该模型算法需要消耗较多的时间和成本使用训练集训练模型参数,部署时间成本较高。
监督异常检测模型算法无需训练集训练模型参数,识别异常数据准确率与分层时间记忆网络等监督模型识别准确率相当,引起了众多研究者的关注。周志华等提出孤立森林模型算法,该算法主要应用场景针是连续型结构化数据中的异常点。该算法模型不借助类似距离、密度等指标去描述样本与其他样本的差异,而是直接去刻画样本间的疏离程度。该算法模型不断使用随机超平面切割数据空间,把最早被切割成独立空间点视为异常数据。但是孤立森林(Isolate Forest,IF)算法模型存在一些弊端,例如在针对流式数据的异常检测场景中,缺少对序列中时序的关系的考虑,算法模型仅仅把当前的点当做孤立的点进行建模。其次,孤立森林对待判断的数据,进行N次无放回的采样,通过对静态数据集进行划分而得到数据中每个样本点的异常得分。若针对流式数据,每次都要针对最新的数据进行采样,再去构造数据集,运行算法得到相应的结果,运行效率不高,无法及时处理流式数据。最后,孤立森林模型算法具有线性的时间复杂度,不适合处理高维数据。
因此,需要一种或多种方法解决上述问题。
需要说明的是,在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解,因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
本公开的目的在于提供一种用于无人矿卡流式异常数据检测方法、装置、电子设备以及计算机可读存储介质,进而至少在一定程度上克服由于相关技术的限制和缺陷而导致的一个或者多个问题。
根据本公开的一个方面,提供一种用于无人矿卡流式异常数据检测方法,包括:
基于话题订阅机制,采集无人矿卡的机器人操作系统中定位模块、局部路径规划模块和控制模块交互数据时产生的实时流式数据;
将所述实时流式数据基于鲁棒随机森林建立数据结构树,生成无监督数据流异常检测模型;
基于蓄水池采样策略,计算所述实时流式数据的数据结构树中每个样本点的异常得分值,并将所述异常得分值与预设阈值比较以确定异常样本点,实现对实时流式数据的异常数据检测。
在本公开的一种示例性实施例中,所述方法还包括:
基于话题订阅机制,采集无人矿卡的机器人操作系统中定位模块、局部路径规划模块和控制模块交互数据时产生的实时流式数据,并将所述实时流式数据保留时间维度后进行重构生成高维数据。
在本公开的一种示例性实施例中,所述方法还包括:
计算所述实时流式数据的高维数据在每个维度上的跨度;
基于预设随机算法选择所述实时流式数据的高维数据的维度;
在所选择的维度中,基于均匀概率分布原则,随机确立所述维度中的切分点;
基于所述切分点完成对所述实时流式数据的高维数据的切分,生成基于鲁棒随机森林建立数据结构树。
在本公开的一种示例性实施例中,所述方法还包括:
基于所述切分点对所述实时流式数据的高维数据的切分生成子节点,若所述子节点中的节点数大于1,则基于预设随机算法选择所述实时流式数据的高维数据子节点的维度;
在所选择子节点的维度中,基于均匀概率分布原则,随机确立所述维度中子节点的切分点;
基于所述切分点完成对所述实时流式数据的高维数据的子节点切分,直至所述子节点中的节点数为1。
在本公开的一种示例性实施例中,所述方法还包括:
计算包含所述实时流式数据的数据结构树的无监督数据流异常检测模型的第一模型复杂度;
基于蓄水池采样策略,在所述实时流式数据的数据结构树中剔除包含样本点的预设数据集,并计算剔除包含样本点的预设数据集的实时流式数据的数据结构树的第二模型复杂度;
基于所述第一模型复杂度、第二模型复杂度计算所述样本点的异常得分值;
将所述异常得分值与预设阈值比较以确定异常样本点,实现对实时流式数据的异常数据检测。
在本公开的一个方面,提供一种用于无人矿卡流式异常数据检测装置,包括:
数据采集模块,用于基于话题订阅机制,采集无人矿卡的机器人操作系统中定位模块、局部路径规划模块和控制模块交互数据时产生的实时流式数据;
数据结构树建立模块,用于将所述实时流式数据基于鲁棒随机森林建立数据结构树,生成无监督数据流异常检测模型;
异常数据检测模块,用于基于蓄水池采样策略,计算所述实时流式数据的数据结构树中每个样本点的异常得分值,并将所述异常得分值与预设阈值比较以确定异常样本点,实现对实时流式数据的异常数据检测。
在本公开的一个方面,提供一种电子设备,包括:
处理器;以及
存储器,所述存储器上存储有计算机可读指令,所述计算机可读指令被所述处理器执行时实现根据上述任意一项所述的方法。
在本公开的一个方面,提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现根据上述任意一项所述的方法。
本公开的示例性实施例中的一种用于无人矿卡流式异常数据检测方法,其中,该方法包括:基于话题订阅机制,采集无人矿卡的机器人操作系统中定位模块、局部路径规划模块和控制模块交互数据时产生的实时流式数据;将所述实时流式数据基于鲁棒随机森林建立数据结构树,生成无监督数据流异常检测模型;基于蓄水池采样策略,计算所述实时流式数据的数据结构树中每个样本点的异常得分值,并将所述异常得分值与预设阈值比较以确定异常样本点,实现对实时流式数据的异常数据检测。本公开基于鲁棒随机森林评估样本点异常的方法,可以更迅速和准确的发现无人矿卡中流式异常数据。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本公开。
附图说明
通过参照附图来详细描述其示例实施例,本公开的上述和其它特征及优点将变得更加明显。
图1示出了根据本公开一示例性实施例的一种用于无人矿卡流式异常数据检测方法的流程图;
图2示出了根据本公开一示例性实施例的一种用于无人矿卡流式异常数据检测装置的示意框图;
图3示意性示出了根据本公开一示例性实施例的电子设备的框图;以及
图4示意性示出了根据本公开一示例性实施例的计算机可读存储介质的示意图。
具体实施方式
现在将参考附图更全面地描述示例实施例。然而,示例实施例能够以多种形式实施,且不应被理解为限于在此阐述的实施例;相反,提供这些实施例使得本公开将全面和完整,并将示例实施例的构思全面地传达给本领域的技术人员。在图中相同的附图标记表示相同或类似的部分,因而将省略对它们的重复描述。
此外,所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中,提供许多具体细节从而给出对本公开的实施例的充分理解。然而,本领域技术人员将意识到,可以实践本公开的技术方案而没有所述特定细节中的一个或更多,或者可以采用其它的方法、组元、材料、装置、步骤等。在其它情况下,不详细示出或描述公知结构、方法、装置、实现、材料或者操作以避免模糊本公开的各方面。
附图中所示的方框图仅仅是功能实体,不一定必须与物理上独立的实体相对应。即,可以采用软件形式来实现这些功能实体,或在一个或多个软件硬化的模块中实现这些功能实体或功能实体的一部分,或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
在本示例实施例中,首先提供了一种用于无人矿卡流式异常数据检测方法;参考图1中所示,该一种用于无人矿卡流式异常数据检测方法可以包括以下步骤:
步骤S110,基于话题订阅机制,采集无人矿卡的机器人操作系统中定位模块、局部路径规划模块和控制模块交互数据时产生的实时流式数据;
步骤S120,将所述实时流式数据基于鲁棒随机森林建立数据结构树,生成无监督数据流异常检测模型;
步骤S130,基于蓄水池采样策略,计算所述实时流式数据的数据结构树中每个样本点的异常得分值,并将所述异常得分值与预设阈值比较以确定异常样本点,实现对实时流式数据的异常数据检测。
本公开的示例性实施例中的一种用于无人矿卡流式异常数据检测方法,其中,该方法包括:基于话题订阅机制,采集无人矿卡的机器人操作系统中定位模块、局部路径规划模块和控制模块交互数据时产生的实时流式数据;将所述实时流式数据基于鲁棒随机森林建立数据结构树,生成无监督数据流异常检测模型;基于蓄水池采样策略,计算所述实时流式数据的数据结构树中每个样本点的异常得分值,并将所述异常得分值与预设阈值比较以确定异常样本点,实现对实时流式数据的异常数据检测。本公开基于鲁棒随机森林评估样本点异常的方法,可以更迅速和准确的发现无人矿卡中流式异常数据。
下面,将对本示例实施例中的一种用于无人矿卡流式异常数据检测方法进行进一步的说明。
实施例一:
在步骤S110中,可以基于话题订阅机制,采集无人矿卡的机器人操作系统中定位模块、局部路径规划模块和控制模块交互数据时产生的实时流式数据。
在本示例的实施例中,所述方法还包括:
基于话题订阅机制,采集无人矿卡的机器人操作系统中定位模块、局部路径规划模块和控制模块交互数据时产生的实时流式数据,并将所述实时流式数据保留时间维度后进行重构生成高维数据。
在本示例的实施例中,
在步骤S120中,可以将所述实时流式数据基于鲁棒随机森林建立数据结构树,生成无监督数据流异常检测模型。
在本示例的实施例中,所述方法还包括:
计算所述实时流式数据的高维数据在每个维度上的跨度;
基于预设随机算法选择所述实时流式数据的高维数据的维度;
在所选择的维度中,基于均匀概率分布原则,随机确立所述维度中的切分点;
基于所述切分点完成对所述实时流式数据的高维数据的切分,生成基于鲁棒随机森林建立数据结构树。
在本示例的实施例中,所述方法还包括:
基于所述切分点对所述实时流式数据的高维数据的切分生成子节点,若所述子节点中的节点数大于1,则基于预设随机算法选择所述实时流式数据的高维数据子节点的维度;
在所选择子节点的维度中,基于均匀概率分布原则,随机确立所述维度中子节点的切分点;
基于所述切分点完成对所述实时流式数据的高维数据的子节点切分,直至所述子节点中的节点数为1。
在步骤S130中,可以基于蓄水池采样策略,计算所述实时流式数据的数据结构树中每个样本点的异常得分值,并将所述异常得分值与预设阈值比较以确定异常样本点,实现对实时流式数据的异常数据检测。
在本示例的实施例中,所述方法还包括:
计算包含所述实时流式数据的数据结构树的无监督数据流异常检测模型的第一模型复杂度;
基于蓄水池采样策略,在所述实时流式数据的数据结构树中剔除包含样本点的预设数据集,并计算剔除包含样本点的预设数据集的实时流式数据的数据结构树的第二模型复杂度;
基于所述第一模型复杂度、第二模型复杂度计算所述样本点的异常得分值;
将所述异常得分值与预设阈值比较以确定异常样本点,实现对实时流式数据的异常数据检测。
实施例二:
在本示例的实施例中,使用鲁棒随机森林模型的检测无人矿卡自动驾驶算法各模块中实时流式数据中异常判断方法,具体按照以下步骤实施:
步骤1、采集并重构无人矿卡实时流式数据;
步骤2、建立基于鲁棒随机森林的无监督数据流异常检测模型;
步骤3、输入高维数据,采用蓄水池采样策略,计算实时流式数据中每个样本点的异常得分值,比较实时数据流中样本点的异常得分值与阈值大小,划分异常样本点,实现实时流式数据中异常数据检测;
在本示例的实施例中,步骤1具体按照以下步骤实施:
步骤1.1、利用机器人操作系统(Robot Operating System,ROS)话题订阅机制,订阅无人矿卡实时流式数据;
在无人矿卡运行阶段,定位模块、局部路径规划模块和控制模块交互数据实时产生。每个模块的数据对无人矿卡运行安全至关重要。ROS中存在成熟的消息互传机制,使用ROS中话题订阅机制,订阅上述模块的实时数据。
步骤1.2、把订阅的无人矿卡数据,重构成高维数据流,以备鲁棒随机森林建模检测。
把上述三种模块中的数据重构成高维数据,同时保留时间维度,方便给出时间维度异常检测结果。
在本示例的实施例中,步骤2建立鲁棒随机森林模型具体按照以下步骤实施。
假设存在实时流式数据集为S,该数据维度为d。
步骤2.1计算流式数据集S在每个维度上的跨度:
其中xi是实时流式数据集S在某个维度的一个元素。
步骤2.2维度选择:
步骤2.3切分点选择:
在维度q中,按照均匀概率分布原则,随机选择该维度中的一个切分点Xi,其中,Xi∈[minxesxi,maxxesxi]。
步骤2.4切分分支点:
维度q和切分点Xi构成一个分支。该分支将实时流式数据集S切分为两个子节点:S1={x|x∈S,xi≤Xi},S2=S/S1。
步骤2.5定义叶子节点:
经过步骤2.4切分后,若集合中只有一个点,则将该数据节点标记为这颗树的叶子节点。
步骤2.6持续切分数据集S:
若经过步骤2.4后,子节点集合中点的数量大于1,则重复迭代步骤2.1~2.5,直到所有的点都变成叶子节点。
经过步骤2建立一定数量和高度的数据结构树,树的深度不益过长,否则会增加查询时间,不利于实时处理数据。对于流式数据,数据树深度一般设置为256。该参数也表示每颗数据树能容纳的样本大小。结构树数量一般在1-1000以内。结构树的数量越高,其异常检测越准确,但是相应的会增加检测时间。在具体应用场景中,根据数据流大小、检测结果调整结构书的大小、数量以及一次采集样本量大小。
在本示例的实施例中,步骤3具体按照以下步骤实施:
在开始步骤前,首先定义概念和表达式。在结构树T中,定义左分支表示0,右分支表示1。使用数据位表示数据点在结构树中的深度,例如一个结构树中只有2个叶子节点,数据点如果在左叶子节点,则数据位表示(q1,q2,0)。如果该数据点在右叶子节点,则数据位表示为(q1,q2,1)。使用位数可以清楚表达数据点在随机森林中层数以及随机森林的大小,方便计算模型复杂度。
给定数据集S和数据点y,y∈S。定义f(y,S,T)表示y在集合S构成的结构树T中的深度。相应的,如果从集合S中删除某个点x,则新集合中{S-{x}}构成的数据树表示为T(S-{x})。数据点y在结构树T(S-{X})中的深度表达式为:f(y,S-{X},T)。
步骤3.1包含样本点模型复杂度:
将包含实时流式数据点x的集合S构成鲁棒随机森林,计算鲁棒随机森林的模型复杂度|M(T)|。
其中x∈S,f(x,S,T)表示样本点在结构树T的深度。
步骤3.2剔除样本模型复杂度:
将点x从集合S构成的鲁棒随机森林剔除,计算模型的复杂度。
其中T′=T(S-{x})表示不包含样本x的集合构成的树,s-{x}表示集合S剔除y样本后构成的集合,y表示集合s-{x}中的元素。
步骤3.3计算模型复杂度的改变程度:
将点x的位位移或位移定义为集合S除了点x的增加的模型复杂度:
其中Pr[T]表示概率。
把一个点的异常得分定义为包含该点模型的改变程度:
如果一个样本点p离数据簇q较远,那么样本点p很容易被检测为异常数据。如果样本点p与周围的数据点非常接近,在统计学中这种现象称为异常值掩弊。在任何数据流中,近似之与重复值都是无法避免的存在着,为了提高鲁棒随机森林可以区分近似值和重复值,克服异常值掩弊现象。
把步骤3.1包含样本点改为包含一个集合C,其中Xi∈C。公式3.4修正为:
其中Disp(C,s)表示将位移的概念扩展为子集。
其中T″=T(S-C),表示集合S除去集合C构成的结构树。
如果不借助任何先验知识,一个点的位移会取集合C中所有样本点的平均值。因此依靠公式3.7确定集合C:
其中|C|表示集合C中元素的个数。
经过上述修正后,样本点的异常得修正异常得分CoDiap(x,s,|z|)的定义:
步骤3.4筛选异常点:
根据鲁棒随机森林评估样本的异常点得分,把样本异常点得分与设定阈值做对比,确定流式数据中异常数据点出现的时刻和异常数据。
在本示例的实施例中,本发明重构无人矿卡中控制、局部路径规划和定位模块等关键模块实时流式数据。与使用统计方法相比,能同时监测更多的数据;采用无监督鲁棒随机森林模型算法,无需训练集训练模型参数,具有较低的时间成本部署模型;可以高效检测无人矿卡中流式高维数据,修正异常得分计算方式,抑制异常掩蔽现象,可以更加准确发现异常值。同时异常值检测方法容纳环境噪声,对抗疲劳警报现象,具有较高的鲁棒性。
需要说明的是,尽管在附图中以特定顺序描述了本公开中方法的各个步骤,但是,这并非要求或者暗示必须按照该特定顺序来执行这些步骤,或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选的,可以省略某些步骤,将多个步骤合并为一个步骤执行,以及/或者将一个步骤分解为多个步骤执行等。
此外,在本示例实施例中,还提供了一种用于无人矿卡流式异常数据检测装置。参照图2所示,该一种用于无人矿卡流式异常数据检测装置200可以包括:数据采集模块210、数据结构树建立模块220以及异常数据检测模块230。其中:
数据采集模块210,用于基于话题订阅机制,采集无人矿卡的机器人操作系统中定位模块、局部路径规划模块和控制模块交互数据时产生的实时流式数据;
数据结构树建立模块220,用于将所述实时流式数据基于鲁棒随机森林建立数据结构树,生成无监督数据流异常检测模型;
异常数据检测模块230,用于基于蓄水池采样策略,计算所述实时流式数据的数据结构树中每个样本点的异常得分值,并将所述异常得分值与预设阈值比较以确定异常样本点,实现对实时流式数据的异常数据检测。
上述中各一种用于无人矿卡流式异常数据检测装置模块的具体细节已经在对应的一种用于无人矿卡流式异常数据检测方法中进行了详细的描述,因此此处不再赘述。
应当注意,尽管在上文详细描述中提及了一种用于无人矿卡流式异常数据检测装置200的若干模块或者单元,但是这种划分并非强制性的。实际上,根据本公开的实施方式,上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之,上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
此外,在本公开的示例性实施例中,还提供了一种能够实现上述方法的电子设备。
所属技术领域的技术人员能够理解,本发明的各个方面可以实现为系统、方法或程序产品。因此,本发明的各个方面可以具体实现为以下形式,即:完全的硬件实施例、完全的软件实施例(包括固件、微代码等),或硬件和软件方面结合的实施例,这里可以统称为“电路”、“模块”或“系统”。
下面参照图3来描述根据本发明的这种实施例的电子设备300。图3显示的电子设备300仅仅是一个示例,不应对本发明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以通用计算设备的形式表现。电子设备300的组件可以包括但不限于:上述至少一个处理单元310、上述至少一个存储单元320、连接不同系统组件(包括存储单元320和处理单元310)的总线330、显示单元340。
其中,所述存储单元存储有程序代码,所述程序代码可以被所述处理单元310执行,使得所述处理单元310执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施例的步骤。例如,所述处理单元310可以执行如图1中所示的步骤S110至步骤S130。
存储单元320可以包括易失性存储单元形式的可读介质,例如随机存取存储单元(RAM)3201和/或高速缓存存储单元3202,还可以进一步包括只读存储单元(ROM)3203。
存储单元320还可以包括具有一组(至少一个)程序模块3205的程序/实用工具3204,这样的程序模块3205包括但不限于:操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线330可以为表示几类总线结构中的一种或多种,包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备300也可以与一个或多个外部设备370(例如键盘、指向设备、蓝牙设备等)通信,还可与一个或者多个使得用户能与该电子设备300交互的设备通信,和/或与使得该电子设备300能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口350进行。并且,电子设备300还可以通过网络适配器360与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器360通过总线330与电子设备300的其它模块通信。应当明白,尽管图中未示出,可以结合电子设备300使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
通过以上的实施例的描述,本领域的技术人员易于理解,这里描述的示例实施例可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本公开实施例的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本公开实施例的方法。
在本公开的示例性实施例中,还提供了一种计算机可读存储介质,其上存储有能够实现本说明书上述方法的程序产品。在一些可能的实施例中,本发明的各个方面还可以实现为一种程序产品的形式,其包括程序代码,当所述程序产品在终端设备上运行时,所述程序代码用于使所述终端设备执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施例的步骤。
参考图4所示,描述了根据本发明的实施例的用于实现上述方法的程序产品400,其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码,并可以在终端设备,例如个人电脑上运行。然而,本发明的程序产品不限于此,在本文件中,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。
所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、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。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(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。
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,其中承载了可读程序代码。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。可读信号介质还可以是可读存储介质以外的任何可读介质,该可读介质可以发送、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。
可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于无线、有线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等,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设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算设备,或者,可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
此外,上述附图仅是根据本发明示例性实施例的方法所包括的处理的示意性说明,而不是限制目的。易于理解,上述附图所示的处理并不表明或限制这些处理的时间顺序。另外,也易于理解,这些处理可以是例如在多个模块中同步或异步执行的。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本公开的其他实施例。本申请旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的真正范围和精神由权利要求指出。
应当理解的是,本公开并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限。
Claims (8)
1.一种用于无人矿卡流式异常数据检测方法,其特征在于,所述方法包括:
基于话题订阅机制,采集无人矿卡的机器人操作系统中定位模块、局部路径规划模块和控制模块交互数据时产生的实时流式数据;
将所述实时流式数据基于鲁棒随机森林建立数据结构树,生成无监督数据流异常检测模型;
基于蓄水池采样策略,计算所述实时流式数据的数据结构树中每个样本点的异常得分值,并将所述异常得分值与预设阈值比较以确定异常样本点,实现对实时流式数据的异常数据检测。
2.如权利要求1所述的方法,其特征在于,所述方法还包括:
基于话题订阅机制,采集无人矿卡的机器人操作系统中定位模块、局部路径规划模块和控制模块交互数据时产生的实时流式数据,并将所述实时流式数据保留时间维度后进行重构生成高维数据。
3.如权利要求2所述的方法,其特征在于,所述方法还包括:
计算所述实时流式数据的高维数据在每个维度上的跨度;
基于预设随机算法选择所述实时流式数据的高维数据的维度;
在所选择的维度中,基于均匀概率分布原则,随机确立所述维度中的切分点;
基于所述切分点完成对所述实时流式数据的高维数据的切分,生成基于鲁棒随机森林建立数据结构树。
4.如权利要求3所述的方法,其特征在于,所述方法还包括:
基于所述切分点对所述实时流式数据的高维数据的切分生成子节点,若所述子节点中的节点数大于1,则基于预设随机算法选择所述实时流式数据的高维数据子节点的维度;
在所选择子节点的维度中,基于均匀概率分布原则,随机确立所述维度中子节点的切分点;
基于所述切分点完成对所述实时流式数据的高维数据的子节点切分,直至所述子节点中的节点数为1。
5.如权利要求4所述的方法,其特征在于,所述方法还包括:
计算包含所述实时流式数据的数据结构树的无监督数据流异常检测模型的第一模型复杂度;
基于蓄水池采样策略,在所述实时流式数据的数据结构树中剔除包含样本点的预设数据集,并计算剔除包含样本点的预设数据集的实时流式数据的数据结构树的第二模型复杂度;
基于所述第一模型复杂度、第二模型复杂度计算所述样本点的异常得分值;
将所述异常得分值与预设阈值比较以确定异常样本点,实现对实时流式数据的异常数据检测。
6.一种用于无人矿卡流式异常数据检测装置,其特征在于,所述装置包括:
数据采集模块,用于基于话题订阅机制,采集无人矿卡的机器人操作系统中定位模块、局部路径规划模块和控制模块交互数据时产生的实时流式数据;
数据结构树建立模块,用于将所述实时流式数据基于鲁棒随机森林建立数据结构树,生成无监督数据流异常检测模型;
异常数据检测模块,用于基于蓄水池采样策略,计算所述实时流式数据的数据结构树中每个样本点的异常得分值,并将所述异常得分值与预设阈值比较以确定异常样本点,实现对实时流式数据的异常数据检测。
7.一种电子设备,其特征在于,包括
处理器;以及
存储器,所述存储器上存储有计算机可读指令,所述计算机可读指令被所述处理器执行时实现根据权利要求1至5中任一项所述的方法。
8.一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现根据权利要求1至5中任一项所述方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211371474.8A CN115758266A (zh) | 2022-11-03 | 2022-11-03 | 一种用于无人矿卡流式异常数据检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211371474.8A CN115758266A (zh) | 2022-11-03 | 2022-11-03 | 一种用于无人矿卡流式异常数据检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115758266A true CN115758266A (zh) | 2023-03-07 |
Family
ID=85357755
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211371474.8A Pending CN115758266A (zh) | 2022-11-03 | 2022-11-03 | 一种用于无人矿卡流式异常数据检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115758266A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118070200A (zh) * | 2024-04-19 | 2024-05-24 | 天津市第五中心医院 | 一种基于大数据的类器官异常监测系统 |
-
2022
- 2022-11-03 CN CN202211371474.8A patent/CN115758266A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118070200A (zh) * | 2024-04-19 | 2024-05-24 | 天津市第五中心医院 | 一种基于大数据的类器官异常监测系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11522881B2 (en) | Structural graph neural networks for suspicious event detection | |
JP6725700B2 (ja) | 異常なユーザ行動関連アプリケーションデータを検出するための方法、装置、およびコンピュータ読み取り可能な媒体 | |
US20210136098A1 (en) | Root cause analysis in multivariate unsupervised anomaly detection | |
Guan et al. | Ensemble of Bayesian predictors and decision trees for proactive failure management in cloud computing systems. | |
US9626600B2 (en) | Event analyzer and computer-readable storage medium | |
CN107003992B (zh) | 用于神经语言行为识别系统的感知联想记忆 | |
CN107111610B (zh) | 用于神经语言行为识别系统的映射器组件 | |
CN108108743B (zh) | 异常用户识别方法和用于识别异常用户的装置 | |
US20190163552A1 (en) | System and method for contextual event sequence analysis | |
EP3871120B1 (en) | Apparatus and method for detecting an anomaly among successive events and computer program product therefor | |
CN111709765A (zh) | 一种用户画像评分方法、装置和存储介质 | |
CN107111609B (zh) | 用于神经语言行为识别系统的词法分析器 | |
WO2017034512A1 (en) | Interactive analytics on time series | |
US10909322B1 (en) | Unusual score generators for a neuro-linguistic behavioral recognition system | |
CN114169604A (zh) | 性能指标的异常检测方法、异常检测装置、电子设备和存储介质 | |
Alnegheimish et al. | Sintel: A machine learning framework to extract insights from signals | |
CN115758266A (zh) | 一种用于无人矿卡流式异常数据检测方法 | |
US20230274160A1 (en) | Automatically training and implementing artificial intelligence-based anomaly detection models | |
CN116539994A (zh) | 基于多源时间序列数据的变电站主设备运行状态检测方法 | |
CN114020715A (zh) | 一种日志数据的处理方法、装置、介质及设备 | |
CN117648858A (zh) | 机车状态评估方法、装置、设备和介质 | |
US11586874B2 (en) | Anomaly score adjustment across anomaly generators | |
US20120078912A1 (en) | Method and system for event correlation | |
US11914956B1 (en) | Unusual score generators for a neuro-linguistic behavioral recognition system | |
JP2018181052A (ja) | モデル同定装置、予測装置、監視システム、モデル同定方法および予測方法 |
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 |