CN116302661B - 一种异常预测方法、装置、电子设备及存储介质 - Google Patents

Abstract

本申请提供了一种异常预测方法、装置、电子设备及存储介质；所述方法包括：获取主板特征数据集和售后异常主板数据集；基于所述售后异常主板数据集，确定所述主板特征数据集包括的异常样本和正常样本；基于所述异常样本和正常样本，确定样本数据集；基于所述样本数据集，训练预设的异常预测模型，得到第一预测模型；将待测数据输入所述第一预测模型，并将所述第一预测模型的输出作为异常预测结果。如此，能够智能地预测主板的异常情况，提高了异常预测的精度和效率。

Description

一种异常预测方法、装置、电子设备及存储介质

技术领域

本申请涉及计算机技术领域，尤其涉及一种异常预测方法、装置、电子设备及存储介质。

背景技术

随着计算机技术的快速发展和广泛使用，人们对主板的异常情况进行预测逐渐成为计算机技术应用的主流。现有的异常预测方法，需要人工分析主板的待测数据以及人工统计异常情况，无法实时地对主板的异常情况进行预测。主板异常预测过程人工操作的时间长且异常预测的精度较低，人们更希望能够减少人工操作的时间并提高异常预测的精度。

因此，如何智能地预测主板的异常情况，以提高异常预测的精度和效率是一直追求的目标。

发明内容

本申请实施例提供了一种异常预测方法、装置、电子设备及存储介质。

根据本申请的第一方面，提供了一种异常预测方法，该方法包括：获取主板特征数据集和售后异常主板数据集；基于所述售后异常主板数据集，确定所述主板特征数据集包括的异常样本和正常样本；基于所述异常样本和正常样本，确定样本数据集；基于所述样本数据集，训练预设的异常预测模型，得到第一预测模型；将待测数据输入所述第一预测模型，并将所述第一预测模型的输出作为异常预测结果。

根据本申请一实施方式，所述获取主板特征数据集和售后异常主板数据集，包括：基于预设的数据维度，获取主板特征数据；建立所述主板特征数据集，并将所述主板特征数据存储至所述主板特征数据集；获取所述售后异常主板数据集，所述售后异常主板数据集包括售后异常主板数据。

根据本申请一实施方式，所述基于所述售后异常主板数据集，确定所述主板特征数据集包括的异常样本和正常样本，包括：基于所述主板特征数据集，确定每个所述主板特征数据对应的每个主板名称；基于所述售后异常主板数据集，确定每个所述售后异常主板数据对应的每个售后异常主板数据名称；对所述主板名称和所述售后异常主板数据名称进行交集计算，得到异常样本标签；确定所述异常样本标签对应的主板特征数据；将所述异常样本标签对应的主板特征数据确定为所述异常样本，并将所述主板特征数据集中除所述异常样本外的主板特征数据确定为所述正常样本。

根据本申请一实施方式，所述基于所述异常样本和正常样本，确定样本数据集，包括：确定所述异常样本包括的第一样本，将所述异常样本中除所述第一样本外的主板特征数据作为第二样本；确定所述第一样本与所述第二样本之间的样本距离；响应于所述样本距离小于预设的距离阈值，将所述样本距离对应的第二样本确定为近邻样本；基于所述样本距离和所述近邻样本，对所述异常样本进行数据扩充，得到所述主板特征数据集对应的样本数据集。

根据本申请一实施方式，所述基于所述样本距离和所述近邻样本，对所述异常样本进行数据扩充，得到所述主板特征数据集对应的样本数据集，包括：基于所述异常样本和所述正常样本，确定采样倍率；基于所述采样倍率，确定所述近邻样本包括的第一近邻样本；基于所述第一近邻样本、所述样本距离和所述第一样本，确定所述第一样本对应的扩充样本；将所述扩充样本存储至所述主板特征数据集，得到所述样本数据集。

根据本申请一实施方式，所述基于所述异常样本和正常样本，确定样本数据集之前，所述方法还包括：基于所述主板特征数据集，确定主板特征数据包括的第一特征值和第二特征值；所述第一特征值用于表征所述主板特征数据的最大值，所述第二特征值用于表征所述主板特征数据的最小值；基于所述第一特征值和第二特征值，对所述主板特征数据集包括的主板特征数据进行归一化处理，得到归一化处理后的主板特征数据集。

根据本申请一实施方式，所述基于所述样本数据集，训练预设的异常预测模型，得到第一预测模型，包括：基于预设的第一比例，将所述样本数据集划分为训练数据集和验证数据集；将所述训练数据集包括的主板特征数据输入所述预设的异常预测模型，对所述预设的异常预测模型进行训练，得到训练后的异常预测模型；基于所述验证数据集，确定所述训练后的异常预测模型的第一预测结果；响应于所述第一预测结果满足预设的预测条件，将所述训练后的异常预测模型确定为所述第一预测模型。

根据本申请的第二方面，提供了一种异常预测装置，该异常预测装置包括：获取模块，用于获取主板特征数据集和售后异常主板数据集；确定模块，用于基于所述售后异常主板数据集，确定所述主板特征数据集包括的异常样本和正常样本；扩充模块，用于基于所述异常样本和正常样本，确定样本数据集；训练模块，用于基于所述样本数据集，训练预设的异常预测模型，得到第一预测模型；预测模块，用于将待测数据输入所述第一预测模型，并将所述第一预测模型的输出作为异常预测结果。

根据本申请一实施方式，所述获取模块用于：基于预设的数据维度，获取主板特征数据；建立所述主板特征数据集，并将所述主板特征数据存储至所述主板特征数据集；获取所述售后异常主板数据集，所述售后异常主板数据集包括售后异常主板数据。

根据本申请一实施方式，所述确定模块用于：基于所述主板特征数据集，确定每个所述主板特征数据对应的每个主板名称；基于所述售后异常主板数据集，确定每个所述售后异常主板数据对应的每个售后异常主板数据名称；对所述主板名称和所述售后异常主板数据名称进行交集计算，得到异常样本标签；确定所述异常样本标签对应的主板特征数据；将所述异常样本标签对应的主板特征数据确定为所述异常样本，并将所述主板特征数据集中除所述异常样本外的主板特征数据确定为所述正常样本。

根据本申请一实施方式，所述扩充模块用于：确定所述异常样本包括的第一样本，将所述异常样本中除所述第一样本外的主板特征数据作为第二样本；确定所述第一样本与所述第二样本之间的样本距离；响应于所述样本距离小于预设的距离阈值，将所述样本距离对应的第二样本确定为近邻样本；基于所述样本距离和所述近邻样本，对所述异常样本进行数据扩充，得到所述主板特征数据集对应的样本数据集。

根据本申请一实施方式，所述扩充模块用于：基于所述异常样本和所述正常样本，确定采样倍率；基于所述采样倍率，确定所述近邻样本包括的第一近邻样本；基于所述第一近邻样本、所述样本距离和所述第一样本，确定所述第一样本对应的扩充样本；将所述扩充样本存储至所述主板特征数据集，得到所述样本数据集。

根据本申请一实施方式，第一特征值用于表征主板特征数据的最大值，第二特征值用于表征主板特征数据的最小值，所述异常预测装置还包括归一化模块，所述归一化模块用于：基于所述主板特征数据集，确定所述主板特征数据包括的第一特征值和第二特征值；基于所述第一特征值和第二特征值，对所述主板特征数据集包括的主板特征数据进行归一化处理，得到归一化处理后的主板特征数据集。

根据本申请一实施方式，所述训练模块用于：基于预设的第一比例，将所述样本数据集划分为训练数据集和验证数据集；将所述训练数据集包括的主板特征数据输入所述预设的异常预测模型，对所述预设的异常预测模型进行训练，得到训练后的异常预测模型；基于所述验证数据集，确定所述训练后的异常预测模型的第一预测结果；响应于所述第一预测结果满足预设的预测条件，将所述训练后的异常预测模型确定为所述第一预测模型。

根据本申请的第三方面，提供了一种电子设备，包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行本申请所述的方法。

根据本申请的第四方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行本申请所述的方法。

本申请实施例的方法，获取主板特征数据集和售后异常主板数据集；基于所述售后异常主板数据集，确定所述主板特征数据集包括的异常样本和正常样本；基于所述异常样本和正常样本，确定样本数据集；基于所述样本数据集，训练预设的异常预测模型，得到第一预测模型；将待测数据输入所述第一预测模型，并将所述第一预测模型的输出作为异常预测结果。如此，能够智能地预测主板的异常情况，提高了异常预测的精度和效率。

需要理解的是，本申请的教导并不需要实现上面所述的全部有益效果，而是特定的技术方案可以实现特定的技术效果，并且本申请的其他实施方式还能够实现上面未提到的有益效果。

附图说明

通过参考附图阅读下文的详细描述，本申请示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中，以示例性而非限制性的方式示出了本申请的若干实施方式，其中：

在附图中，相同或对应的标号表示相同或对应的部分。

图1示出了本申请实施例提供的一种异常预测方法的处理流程示意图；

图2示出了本申请实施例提供的获取主板特征数据集和售后异常主板数据集的示意图；

图3示出了本申请实施例提供的确定主板特征数据集包括的异常样本和正常样本的示意图；

图4示出了本申请实施例提供的确定样本数据集的示意图；

图5示出了本申请实施例提供的确定归一化处理后的主板特征数据集的示意图；

图6示出了本申请实施例提供的确定第一预测模型的示意图；

图7示出了本申请实施例提供的一种异常预测方法的一种应用场景图；

图8示出了本申请实施例提供的一种异常预测方法的另一种应用场景图；

图9示出了本申请实施例提供的一种异常预测方法的又一种应用场景图；

图10示出了本申请实施例提供的一种异常预测方法的再一种应用场景图；

图11示出了本申请实施例提供的一种异常预测装置的一种可选示意图；

图12示出了本申请实施例提供的电子设备的组成结构示意图。

具体实施方式

为使本申请的目的、特征、优点能够更加的明显和易懂，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而非全部实施例。基于本申请中的实施例，本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

在以下的描述中，涉及到“一些实施例”，其描述了所有可能实施例的子集，但是可以理解，“一些实施例”可以是所有可能实施例的相同子集或不同子集，并且可以在不冲突的情况下相互结合。

除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本申请实施例的目的，不是旨在限制本申请。

对本申请实施例提供的异常预测方法中的处理流程进行说明。参见图1，图1是本申请实施例提供的异常预测方法的处理流程示意图，将结合图1示出的步骤S101-S105进行说明。

步骤S101，获取主板特征数据集和售后异常主板数据集。

在一些实施例中，步骤S101可以包括：基于预设的数据维度，获取主板特征数据；建立主板特征数据集，并将主板特征数据存储至主板特征数据集；获取售后异常主板数据集，售后异常主板数据集包括售后异常主板数据。其中，预设的数据维度可以包括：CPU（Central Processing Unit，中央处理器）品牌维度、CPU核数维度、CPU性能分数维度、GPU（graphics processing unit，图形处理器）品牌维度、GPU性能分数维度、S3相关数据维度（计算机待机唤醒数据）、S4相关数据维度（计算机休眠唤醒数据）、cgtt_single(double)（同时测试CPU和GPU）相关数据维度、Audio（音频）测试数据维度和USB（Universal SerialBus，通用串行总线）测试数据维度。主板特征数据可以包括：CPU品牌、CPU核数、CPU性能分数、GPU品牌、GPU性能分数、S3相关数据、S4相关数据、cgtt_single(double)相关数据、Audio测试数据和USB测试数据。售后异常主板数据可以包括：售后维修的主板数据。售后异常主板数据还可以包括：售后维修的主板其他组件的数据，本申请实施例不作限定。

步骤S102，基于售后异常主板数据集，确定主板特征数据集包括的异常样本和正常样本。

在一些实施例中，步骤S102可以包括：基于主板特征数据集，确定每个主板特征数据对应的每个主板名称；基于售后异常主板数据集，确定每个售后异常主板数据对应的每个售后异常主板数据名称；对主板名称和售后异常主板数据名称进行交集计算，得到异常样本标签；确定异常样本标签对应的主板特征数据；将异常样本标签对应的主板特征数据确定为异常样本，并将主板特征数据集中除异常样本外的主板特征数据确定为正常样本。其中，主板名称可以包括：笔记本电脑的sn（Serial Number，产品序列）号。售后异常主板数据名称可以包括：售后维修的主板名称。售后异常主板数据名称还可以包括：售后维修的主板其他组件的名称，本申请实施例不作限定。异常样本标签可以包括：主板名称与售后异常主板数据名称的交集名称。将异常样本标签对应的主板特征数据确定为异常样本可以包括：在异常样本标签对应的主板特征数据的最后一列之后添加异常标签。将主板特征数据集中除异常样本外的主板特征数据确定为正常样本可以包括：在除异常样本外的主板特征数据的最后一列之后添加正常标签。

步骤S102，在具体实施时，首先，在主板特征数据集中，确定每个主板特征数据对应的笔记本电脑的sn号，并存储至主板名称集合，然后，在售后异常主板数据集中，确定每个售后异常主板数据对应的售后维修的笔记本电脑的sn号，并存储至售后异常主板数据名称集合。对主板名称集合和售后异常主板数据名称集合进行交集计算，得到异常样本标签。最后，确定异常样本标签对应的主板特征数据，在异常样本标签对应的主板特征数据的最后一列之后添加异常标签，异常标签为1，并在除异常样本外的主板特征数据的最后一列之后添加正常标签，正常标签为0。

作为示例，对主板名称和售后异常主板数据名称进行交集计算，得到异常样本标签，可以通过下述公式（1）表示：

（1）

其中，Abnormal_set表示异常样本标签，T_set表示主板名称，AS_set表示售后异常主板数据名称。

步骤S103，基于异常样本和正常样本，确定样本数据集。

在一些实施例中，在步骤S103之前，异常检测方法还可以包括：基于主板特征数据集，确定主板特征数据包括的第一特征值和第二特征值；基于第一特征值和第二特征值，对主板特征数据集包括的主板特征数据进行归一化处理，得到归一化处理后的主板特征数据集。其中，第一特征值可以包括主板特征数据的最大值，第二特征值可以包括主板特征数据的最小值。

在具体实施时，主板特征数据集可以包括：数据类别1和数据类别2。确定数据类别1中主板特征数据的最大值和最小值，基于数据类别1中主板特征数据的最大值和最小值，对数据类别1包括的主板特征数据进行归一化处理；确定数据类别2中主板特征数据的最大值和最小值，基于数据类别2中主板特征数据的最大值和最小值，对数据类别2包括的主板特征数据进行归一化处理。

作为示例，基于第一特征值和第二特征值，对主板特征数据集包括的主板特征数据进行归一化处理，得到归一化处理后的主板特征数据集，可以通过下述公式（2）表示：

（2）

其中，表示归一化处理后的主板特征数据，X表示当前正在进行归一化处理的主板特征数据，X_min表示主板特征数据的最小值，X_max表示主板特征数据的最大值。

在一些实施例中，步骤S103可以包括：确定异常样本包括的第一样本，将异常样本中除第一样本外的主板特征数据作为第二样本；确定第一样本与第二样本之间的样本距离；响应于样本距离小于预设的距离阈值，将样本距离对应的第二样本确定为近邻样本；基于样本距离和近邻样本，对异常样本进行数据扩充，得到主板特征数据集对应的样本数据集。其中，第一样本可以包括：异常样本中的一个主板特征数据。样本距离可以包括：第一样本与每一个第二样本之间的欧式距离。数据扩充可以包括：通过smote算法进行数据构造扩充。数据扩充还可以包括其他扩充方法，本申请实施例不作限定。

针对基于样本距离和近邻样本，对异常样本进行数据扩充，得到主板特征数据集对应的样本数据集，在具体实施时可以包括：基于异常样本和正常样本，确定采样倍率；基于采样倍率，确定近邻样本包括的第一近邻样本；基于第一近邻样本、样本距离和第一样本，确定第一样本对应的扩充样本；将扩充样本存储至主板特征数据集，得到样本数据集。其中，采样倍率可以包括：采集近邻样本中的第一近邻样本的数量。样本数据集可以包括：存储正常样本、异常样本和扩充样本的数据集。

在一些实施例中，正常样本的数量与异常样本的数量的比值可以为5:1，则确定采样倍率为4。基于样本距离从近到远的顺序，对近邻样本进行排序。确定前4个样本距离最近的近邻样本为第一近邻样本。基于第一近邻样本、样本距离和第一样本，确定第一样本对应的扩充样本。将扩充样本存储至主板特征数据集，得到样本数据集。

作为示例，基于第一近邻样本、样本距离和第一样本，确定第一样本对应的扩充样本，可以通过下述公式（3）表示：

（3）

其中，表示数据扩充得到的扩充异常样本，Y表示第一样本，rand(0,1)表示0到1之间的随机数，/>表示第一近邻样本，/>表示第一样本与第一近邻样本之间的样本距离。

步骤S104，基于样本数据集，训练预设的异常预测模型，得到第一预测模型。

在一些实施例中，步骤S104可以包括：基于预设的第一比例，将样本数据集划分为训练数据集和验证数据集；将训练数据集包括的主板特征数据输入预设的异常预测模型，对预设的异常预测模型进行训练，得到训练后的异常预测模型；基于验证数据集，确定训练后的异常预测模型的第一预测结果；响应于第一预测结果满足预设的预测条件，将训练后的异常预测模型确定为第一预测模型。其中，预设的第一比例可以包括：预先设定的训练数据集和验证数据集的主板特征数据的划分比例。训练数据集可以包括：依照第一比例从样本数据集中随机选取的主板特征数据。验证数据集可以包括：依照第一比例从样本数据集中随机选取的主板特征数据。预设的异常预测模型可以包括：LightGBM（Light GradientBoosting Machine，梯度提升机）机器学习算法模型。异常预测模型还可以包括其他模型，本申请实施例不作限定。第一预测结果可以包括混淆矩阵的评价指标。评价指标可以包括：真异常率和假异常率。预设的预测条件可以包括：预先设定的真异常率和假异常率。响应于真异常率大于或等于预设的真异常率，且假异常率小于或等于预设的假异常率，确定第一预测结果满足预设的预测条件。

作为示例，基于验证数据集，确定训练后的异常预测模型的第一预测结果，可以通过下述公式（4）和（5）表示：

（4）

（5）

其中，TPR表示真异常率，TP表示预测训练数据集中异常样本的数量，FP表示实际训练数据集中异常样本的数量，FPR表示假异常率，FP表示预测训练数据集中正常样本的数量，TN表示实际训练数据集中正常样本的数量。

步骤S105，将待测数据输入第一预测模型，并将第一预测模型的输出作为异常预测结果。

在一些实施例中，待测数据可以包括：采集到的笔记本电脑的主板特征数据。异常预测结果可以包括：笔记本电脑的主板出现异常的概率。

在一些实施例中，获取主板特征数据集和售后异常主板数据集的示意图，如图2所示，包括：

步骤S201，基于预设的数据维度，获取主板特征数据。

步骤S202，建立主板特征数据集，并将主板特征数据存储至主板特征数据集。

步骤S203，获取售后异常主板数据集，售后异常主板数据集包括售后异常主板数据。

针对步骤S201-S203的每个步骤的具体说明，与上述步骤S101相同，这里不再赘述。

在一些实施例中，确定主板特征数据集包括的异常样本和正常样本的示意图，如图3所示，包括：

步骤S301，基于主板特征数据集，确定每个主板特征数据对应的每个主板名称。

步骤S302，基于售后异常主板数据集，确定每个售后异常主板数据对应的每个售后异常主板数据名称。

步骤S303，对主板名称和售后异常主板数据名称进行交集计算，得到异常样本标签。

步骤S304，确定异常样本标签对应的主板特征数据。

步骤S305，将异常样本标签对应的主板特征数据确定为异常样本，并将主板特征数据集中除异常样本外的主板特征数据确定为正常样本。

针对步骤S301-S305的每个步骤的具体说明，与上述步骤S102相同，这里不再赘述。

在一些实施例中，确定样本数据集的示意图，如图4所示，包括：

步骤S401，确定异常样本包括的第一样本，将异常样本中除第一样本外的主板特征数据作为第二样本。

步骤S402，确定第一样本与第二样本之间的样本距离。

步骤S403，响应于样本距离小于预设的距离阈值，将样本距离对应的第二样本确定为近邻样本。

步骤S404，基于异常样本和正常样本，确定采样倍率。

步骤S405，基于采样倍率，确定近邻样本包括的第一近邻样本。

步骤S406，基于第一近邻样本、样本距离和第一样本，确定第一样本对应的扩充样本。

步骤S407，将扩充样本存储至主板特征数据集，得到样本数据集。

针对步骤S401-S407的每个步骤的具体说明，与上述步骤S103相同，这里不再赘述。

在一些实施例中，确定归一化处理后的主板特征数据集的示意图，如图5所示，包括：

步骤S501，基于主板特征数据集，确定主板特征数据包括的第一特征值和第二特征值。

步骤S502，基于第一特征值和第二特征值，对主板特征数据集包括的主板特征数据进行归一化处理，得到归一化处理后的主板特征数据集。

针对步骤S501-S502的每个步骤的具体说明，与上述步骤S103相同，这里不再赘述。

在一些实施例中，确定第一预测模型的示意图，如图6所示，包括：

步骤S601，基于预设的第一比例，将样本数据集划分为训练数据集和验证数据集。

步骤S602，将训练数据集包括的主板特征数据输入预设的异常预测模型，对预设的异常预测模型进行训练，得到训练后的异常预测模型。

步骤S603，基于验证数据集，确定训练后的异常预测模型的第一预测结果。

步骤S604，响应于第一预测结果满足预设的预测条件，将训练后的异常预测模型确定为第一预测模型。

针对步骤S601-S604的每个步骤的具体说明，与上述步骤S104相同，这里不再赘述。

图7示出了本申请实施例提供的异常预测方法的一种应用场景图。

参考图7，本申请实施例提供的异常预测方法的一种应用场景。应用于笔记本电脑的主板测试数据的异常预测。首先，设计主板测试数据维度，再根据主板测试数据维度采集主板测试数据。获取售后数据，并将主板测试数据与售后数据进行标签匹配，确定出主板测试数据中的正常样本和异常样本。售后数据可以包括：售后维修的主板数据。对标签匹配后的主板测试数据进行归一化处理，以及对异常样本进行数据扩充，得到扩充样本。建立样本数据集，将归一化处理后的正常样本、异常样本和扩充样本存储至样本数据集。依照预设比例将样本数据集划分为训练集和测试集。基于训练集中的样本，训练LightGBM模型，得到训练后的LightGBM模型。基于测试集，对训练后的LightGBM模型进行模型验证，得到调优后的异常预测模型。最后将调优后的异常预测模型部署在实际产线中，对产线上的主板测试数据进行异常预测，得到异常预测结果。

可以理解，图7的异常预测方法的应用场景只是本申请实施例中的部分示例性的实施方式，本申请实施例中异常预测方法的应用场景包括但不限于图7所示的异常预测方法的应用场景。

图8示出了本申请实施例提供的异常预测方法的另一种应用场景图。

参考图8，本申请实施例提供的异常预测方法的另一种应用场景。应用于获取笔记本电脑的主板特征数据集。图8为在笔记本电脑生产测试阶段，基于预设的数据维度，通过数据采集工具采集到的笔记本电脑的主板特征数据集。笔记本电脑的主板特征数据集中的每一数据列均已完成数据脱敏。

可以理解，图8的异常预测方法的应用场景只是本申请实施例中的部分示例性的实施方式，本申请实施例中异常预测方法的应用场景包括但不限于图8所示的异常预测方法的应用场景。

图9示出了本申请实施例提供的异常预测方法的又一种应用场景图。

参考图9，本申请实施例提供的异常预测方法的又一种应用场景。应用于确定笔记本电脑的主板特征数据集包括的异常样本和正常样本。图9中正常样本的最后一数据列的label（标签）为0.0，表示笔记本电脑的主板正常。异常样本的最后一数据列的label为1.0，表示笔记本电脑的主板异常。

可以理解，图9的异常预测方法的应用场景只是本申请实施例中的部分示例性的实施方式，本申请实施例中异常预测方法的应用场景包括但不限于图9所示的异常预测方法的应用场景。

图10示出了本申请实施例提供的异常预测方法的再一种应用场景图。

参考图10，本申请实施例提供的异常预测方法的再一种应用场景。应用于将待测数据输入第一预测模型，得到的异常预测结果。其中，待测数据可以包括：采集到的笔记本电脑的主板特征数据。第一预测模型可以包括：调优训练后的LightGBM机器学习算法模型。LightGBM机器学习算法模型能够将待测数据的特征离散化为直方图，训练过程中可以采用单边梯度算法过滤梯度小的待测数据使LightGBM机器学习算法模型的运算速度更快，内存消耗更小，预测精度更高，且由于待测数据会有部分数据缺失情况，LightGBM机器学习算法模型不需要做主板测试数据缺失处理，LightGBM机器学习算法模型的树模型在分裂节点时，会自动选择特征。异常预测结果可以包括：笔记本电脑的主板出现异常的概率。

可以理解，图10的异常预测方法的应用场景只是本申请实施例中的部分示例性的实施方式，本申请实施例中异常预测方法的应用场景包括但不限于图10所示的异常预测方法的应用场景。

本申请实施例的方法，基于预设的数据维度，获取主板特征数据；建立主板特征数据集，并将主板特征数据存储至主板特征数据集；获取售后异常主板数据集，售后异常主板数据集包括售后异常主板数据。如此，能够自动统计主板特征数据和售后异常主板数据，减少了人工成本，提高了异常预测的精度和效率。

本申请实施例的方法，基于主板特征数据集，确定每个主板特征数据对应的每个主板名称；基于售后异常主板数据集，确定每个售后异常主板数据对应的每个售后异常主板数据名称；对主板名称和售后异常主板数据名称进行交集计算，得到异常样本标签；确定异常样本标签对应的主板特征数据；将异常样本标签对应的主板特征数据确定为异常样本，并将主板特征数据集中除异常样本外的主板特征数据确定为正常样本。如此，能够自动确定主板特征数据中的异常样本，无需人工统计数据，减少了人工成本，主板特征数据能够用于对异常预测的机器学习模型进行训练，提高了异常预测的精度和效率。

本申请实施例的方法，确定异常样本包括的第一样本，将异常样本中除第一样本外的主板特征数据作为第二样本；确定第一样本与第二样本之间的样本距离；响应于样本距离小于预设的距离阈值，将样本距离对应的第二样本确定为近邻样本；基于异常样本和正常样本，确定采样倍率；基于采样倍率，确定近邻样本包括的第一近邻样本；基于第一近邻样本、样本距离和第一样本，确定第一样本对应的扩充样本；将扩充样本存储至主板特征数据集，得到样本数据集。如此，能够自动生成主板对应的样本数据集，无需人工统计数据，减少了人工成本，提高了异常预测的精度和效率。

本申请实施例的方法，基于主板特征数据集，确定主板特征数据包括的第一特征值和第二特征值；基于第一特征值和第二特征值，对主板特征数据集包括的主板特征数据进行归一化处理，得到归一化处理后的主板特征数据集。如此，能够加快异常预测的机器学习模型收敛的速度，提高了异常预测的精度和效率，同时无需人工分析主板特征数据，减少了人工成本。

本申请实施例的方法，基于预设的第一比例，将样本数据集划分为训练数据集和验证数据集；将训练数据集包括的主板特征数据输入预设的异常预测模型，对预设的异常预测模型进行训练，得到训练后的异常预测模型；基于验证数据集，确定训练后的异常预测模型的第一预测结果；响应于第一预测结果满足预设的预测条件，将训练后的异常预测模型确定为第一预测模型。如此，能够基于训练调优后的异常预测模型对生产测试阶段的主板实时进行异常预测与监控，能够及时拦截异常主板且提高了异常预测的精度和效率，同时优化了生产测试阶段主板部件质量把控环节的工作效率，降低售后维修成本。

因此，与相关技术中需要人工分析主板的待测数据以及人工统计异常情况，无法实时地对主板的异常情况进行预测，进而导致主板异常预测过程人工操作的时间长且异常预测的精度较低相比，本申请实施例的方法，能够智能地预测主板的异常情况，提高了异常预测的精度和效率。

下面继续说明本申请实施例提供的异常预测装置90的实施为软件模块的示例性结构，在一些实施例中，如图11所示，异常预测装置90中的软件模块可以包括：获取模块901，用于获取主板特征数据集和售后异常主板数据集；确定模块902，用于基于售后异常主板数据集，确定主板特征数据集包括的异常样本和正常样本；扩充模块903，用于基于异常样本和正常样本，确定样本数据集；训练模块904，用于基于样本数据集，训练预设的异常预测模型，得到第一预测模型；预测模块905，用于将待测数据输入第一预测模型，并将第一预测模型的输出作为异常预测结果。

在一些实施例中，获取模块901可以用于：基于预设的数据维度，获取主板特征数据；建立主板特征数据集，并将主板特征数据存储至主板特征数据集；获取售后异常主板数据集，售后异常主板数据集包括售后异常主板数据。

在一些实施例中，确定模块902可以用于：基于主板特征数据集，确定每个主板特征数据对应的每个主板名称；基于售后异常主板数据集，确定每个售后异常主板数据对应的每个售后异常主板数据名称；对主板名称和售后异常主板数据名称进行交集计算，得到异常样本标签；确定异常样本标签对应的主板特征数据；将异常样本标签对应的主板特征数据确定为异常样本，并将主板特征数据集中除异常样本外的主板特征数据确定为正常样本。

在一些实施例中，扩充模块903可以用于：确定异常样本包括的第一样本，将异常样本中除第一样本外的主板特征数据作为第二样本；确定第一样本与第二样本之间的样本距离；响应于样本距离小于预设的距离阈值，将样本距离对应的第二样本确定为近邻样本；基于样本距离和近邻样本，对异常样本进行数据扩充，得到主板特征数据集对应的样本数据集。

在一些实施例中，扩充模块903可以用于：基于异常样本和正常样本，确定采样倍率；基于采样倍率，确定近邻样本包括的第一近邻样本；基于第一近邻样本、样本距离和第一样本，确定第一样本对应的扩充样本；将扩充样本存储至主板特征数据集，得到样本数据集。

在一些实施例中，第一特征值用于表征主板特征数据的最大值，第二特征值用于表征主板特征数据的最小值，异常预测装置90还可以包括归一化模块906，其中归一化模块906在图中未示出，归一化模块906可以用于：基于主板特征数据集，确定主板特征数据包括的第一特征值和第二特征值；基于第一特征值和第二特征值，对主板特征数据集包括的主板特征数据进行归一化处理，得到归一化处理后的主板特征数据集。

在一些实施例中，训练模块904可以用于：基于预设的第一比例，将样本数据集划分为训练数据集和验证数据集；将训练数据集包括的主板特征数据输入预设的异常预测模型，对预设的异常预测模型进行训练，得到训练后的异常预测模型；基于验证数据集，确定训练后的异常预测模型的第一预测结果。响应于第一预测结果满足预设的预测条件，将训练后的异常预测模型确定为第一预测模型。

需要说明的是，本申请实施例装置的描述，与上述方法实施例的描述是类似的，具有同方法实施例相似的有益效果，因此不做赘述。对于本申请实施例提供的异常预测装置中未尽的技术细节，可以根据图1至图10中任一附图的说明而理解。

根据本申请的实施例，本申请还提供了一种电子设备和一种非瞬时计算机可读存储介质。

图12示出了可以用来实施本申请的实施例的示例电子设备800的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本申请的实现。

如图12所示，电子设备800包括计算单元801，其可以根据存储在只读存储器（ROM）802中的计算机程序或者从存储单元808加载到随机访问存储器（RAM）803中的计算机程序，来执行各种适当的动作和处理。在RAM 803中，还可存储电子设备800操作所需的各种程序和数据。计算单元801、ROM 802以及RAM 803通过总线804彼此相连。输入/输出（I/O）接口805也连接至总线804。

电子设备800中的多个部件连接至I/O接口805，包括：输入单元806，例如键盘、鼠标等；输出单元807，例如各种类型的显示器、扬声器等；存储单元808，例如磁盘、光盘等；以及通信单元809，例如网卡、调制解调器、无线通信收发机等。通信单元809允许电子设备800通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。

计算单元801可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元801的一些示例包括但不限于中央处理单元（CPU）、图形处理单元（GPU）、各种专用的人工智能（AI）计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器（DSP）、以及任何适当的处理器、控制器、微控制器等。计算单元801执行上文所描述的各个方法和处理，例如异常预测方法。例如，在一些实施例中，异常预测方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元808。在一些实施例中，计算机程序的部分或者全部可以经由ROM 802和/或通信单元809而被载入和/或安装到电子设备800上。当计算机程序加载到RAM 803并由计算单元801执行时，可以执行上文描述的异常预测方法的一个或多个步骤。备选地，在其他实施例中，计算单元801可以通过其他任何适当的方式（例如，借助于固件）而被配置为执行异常预测方法。

本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列（FPGA）、专用集成电路（ASIC）、专用标准产品（ASSP）、芯片上系统的系统（SOC）、负载可编程逻辑设备（CPLD）、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。

用于实施本申请的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

在本申请的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器（RAM）、只读存储器（ROM）、可擦除可编程只读存储器（EPROM或快闪存储器）、光纤、便捷式紧凑盘只读存储器（CD-ROM）、光学储存设备、磁储存设备、或上述内容的任何合适组合。

为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置（例如，CRT（阴极射线管）或者LCD（液晶显示器）监视器）；以及键盘和指向装置（例如，鼠标或者轨迹球），用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈（例如，视觉反馈、听觉反馈、或者触觉反馈）；并且可以用任何形式（包括声输入、语音输入或者、触觉输入）来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统（例如，作为数据服务器）、或者包括中间件部件的计算系统（例如，应用服务器）、或者包括前端部件的计算系统（例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互）、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信（例如，通信网络）来将系统的部件相互连接。通信网络的示例包括：局域网（LAN）、广域网（WAN）和互联网。

计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，也可以为分布式系统的服务器，或者是结合了区块链的服务器。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本申请公开的技术方案所期望的结果，本文在此不进行限制。

此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或隐含地包括至少一个该特征。在本申请的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。

以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。

Claims (14)

1.一种异常预测方法，其特征在于，所述方法包括：

获取主板特征数据集和售后异常主板数据集；

基于所述售后异常主板数据集，确定所述主板特征数据集包括的异常样本和正常样本；

确定所述异常样本包括的第一样本，将所述异常样本中除所述第一样本外的主板特征数据作为第二样本；

确定所述第一样本与所述第二样本之间的样本距离；

响应于所述样本距离小于预设的距离阈值，将所述样本距离对应的第二样本确定为近邻样本；

基于所述样本距离和所述近邻样本，对所述异常样本进行数据扩充，得到所述主板特征数据集对应的样本数据集；

基于所述样本数据集，训练预设的异常预测模型，得到第一预测模型；

将待测数据输入所述第一预测模型，并将所述第一预测模型的输出作为异常预测结果。

2.根据权利要求1所述的方法，其特征在于，所述获取主板特征数据集和售后异常主板数据集，包括：

基于预设的数据维度，获取主板特征数据；

建立所述主板特征数据集，并将所述主板特征数据存储至所述主板特征数据集；

获取所述售后异常主板数据集，所述售后异常主板数据集包括售后异常主板数据。

3.根据权利要求2所述的方法，其特征在于，所述基于所述售后异常主板数据集，确定所述主板特征数据集包括的异常样本和正常样本，包括：

基于所述主板特征数据集，确定每个所述主板特征数据对应的每个主板名称；

基于所述售后异常主板数据集，确定每个所述售后异常主板数据对应的每个售后异常主板数据名称；

对所述主板名称和所述售后异常主板数据名称进行交集计算，得到异常样本标签；

确定所述异常样本标签对应的主板特征数据；

将所述异常样本标签对应的主板特征数据确定为所述异常样本，并将所述主板特征数据集中除所述异常样本外的主板特征数据确定为所述正常样本。

4.根据权利要求1所述的方法，其特征在于，所述基于所述样本距离和所述近邻样本，对所述异常样本进行数据扩充，得到所述主板特征数据集对应的样本数据集，包括：

基于所述异常样本和所述正常样本，确定采样倍率；

基于所述采样倍率，确定所述近邻样本包括的第一近邻样本；

基于所述第一近邻样本、所述样本距离和所述第一样本，确定所述第一样本对应的扩充样本；

将所述扩充样本存储至所述主板特征数据集，得到所述样本数据集。

5.根据权利要求1所述的方法，其特征在于，所述确定所述异常样本包括的第一样本，将所述异常样本中除所述第一样本外的主板特征数据作为第二样本之前，所述方法还包括：

基于所述主板特征数据集，确定主板特征数据包括的第一特征值和第二特征值；

所述第一特征值用于表征所述主板特征数据的最大值，所述第二特征值用于表征所述主板特征数据的最小值；

基于所述第一特征值和第二特征值，对所述主板特征数据集包括的主板特征数据进行归一化处理，得到归一化处理后的主板特征数据集。

6.根据权利要求1所述的方法，其特征在于，所述基于所述样本数据集，训练预设的异常预测模型，得到第一预测模型，包括：

基于预设的第一比例，将所述样本数据集划分为训练数据集和验证数据集；

将所述训练数据集包括的主板特征数据输入所述预设的异常预测模型，对所述预设的异常预测模型进行训练，得到训练后的异常预测模型；

基于所述验证数据集，确定所述训练后的异常预测模型的第一预测结果；

响应于所述第一预测结果满足预设的预测条件，将所述训练后的异常预测模型确定为所述第一预测模型。

7.一种异常预测装置，其特征在于，所述异常预测装置包括：

获取模块，用于获取主板特征数据集和售后异常主板数据集；

确定模块，用于基于所述售后异常主板数据集，确定所述主板特征数据集包括的异常样本和正常样本；

扩充模块，用于确定所述异常样本包括的第一样本，将所述异常样本中除所述第一样本外的主板特征数据作为第二样本；确定所述第一样本与所述第二样本之间的样本距离；响应于所述样本距离小于预设的距离阈值，将所述样本距离对应的第二样本确定为近邻样本；基于所述样本距离和所述近邻样本，对所述异常样本进行数据扩充，得到所述主板特征数据集对应的样本数据集；

训练模块，用于基于所述样本数据集，训练预设的异常预测模型，得到第一预测模型；

预测模块，用于将待测数据输入所述第一预测模型，并将所述第一预测模型的输出作为异常预测结果。

8.根据权利要求7所述的装置，其特征在于，所述获取模块用于：

基于预设的数据维度，获取主板特征数据；

建立所述主板特征数据集，并将所述主板特征数据存储至所述主板特征数据集；

获取所述售后异常主板数据集，所述售后异常主板数据集包括售后异常主板数据。

9.根据权利要求8所述的装置，其特征在于，所述确定模块用于：

基于所述主板特征数据集，确定每个所述主板特征数据对应的每个主板名称；

基于所述售后异常主板数据集，确定每个所述售后异常主板数据对应的每个售后异常主板数据名称；

对所述主板名称和所述售后异常主板数据名称进行交集计算，得到异常样本标签；

确定所述异常样本标签对应的主板特征数据；

将所述异常样本标签对应的主板特征数据确定为所述异常样本，并将所述主板特征数据集中除所述异常样本外的主板特征数据确定为所述正常样本。

10.根据权利要求7所述的装置，其特征在于，所述扩充模块用于：

基于所述异常样本和所述正常样本，确定采样倍率；

基于所述采样倍率，确定所述近邻样本包括的第一近邻样本；

基于所述第一近邻样本、所述样本距离和所述第一样本，确定所述第一样本对应的扩充样本；

将所述扩充样本存储至所述主板特征数据集，得到所述样本数据集。

11.根据权利要求7所述的装置，其特征在于，第一特征值用于表征主板特征数据的最大值，第二特征值用于表征主板特征数据的最小值，所述异常预测装置还包括归一化模块，所述归一化模块用于：

基于所述主板特征数据集，确定所述主板特征数据包括的第一特征值和第二特征值；

基于所述第一特征值和第二特征值，对所述主板特征数据集包括的主板特征数据进行归一化处理，得到归一化处理后的主板特征数据集。

12.根据权利要求7所述的装置，其特征在于，所述训练模块用于：

基于预设的第一比例，将所述样本数据集划分为训练数据集和验证数据集；

将所述训练数据集包括的主板特征数据输入所述预设的异常预测模型，对所述预设的异常预测模型进行训练，得到训练后的异常预测模型；

基于所述验证数据集，确定所述训练后的异常预测模型的第一预测结果；

响应于所述第一预测结果满足预设的预测条件，将所述训练后的异常预测模型确定为所述第一预测模型。

13.一种电子设备，其特征在于，包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-6中任一项所述的方法。

14.一种存储有计算机指令的非瞬时计算机可读存储介质，其特征在于，所述计算机指令用于使计算机执行根据权利要求1-6中任一项所述的方法。