CN118036673A - 资源交互设备的状态检测方法、装置和计算机设备 - Google Patents
资源交互设备的状态检测方法、装置和计算机设备 Download PDFInfo
- Publication number
- CN118036673A CN118036673A CN202410301278.6A CN202410301278A CN118036673A CN 118036673 A CN118036673 A CN 118036673A CN 202410301278 A CN202410301278 A CN 202410301278A CN 118036673 A CN118036673 A CN 118036673A
- Authority
- CN
- China
- Prior art keywords
- resource interaction
- interaction data
- model
- resource
- hidden layer
- 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
- 230000003993 interaction Effects 0.000 title claims abstract description 544
- 238000001514 detection method Methods 0.000 title claims abstract description 113
- 238000000034 method Methods 0.000 claims abstract description 54
- 238000012545 processing Methods 0.000 claims description 28
- 230000015654 memory Effects 0.000 claims description 25
- 238000012549 training Methods 0.000 claims description 25
- 238000004590 computer program Methods 0.000 claims description 21
- 238000011176 pooling Methods 0.000 claims description 20
- 230000003213 activating effect Effects 0.000 claims description 8
- 230000005059 dormancy Effects 0.000 claims description 6
- 230000002829 reductive effect Effects 0.000 abstract description 9
- 230000004044 response Effects 0.000 description 14
- 230000002159 abnormal effect Effects 0.000 description 11
- 230000002452 interceptive effect Effects 0.000 description 11
- 238000003062 neural network model Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 8
- 239000011159 matrix material Substances 0.000 description 8
- 230000005856 abnormality Effects 0.000 description 7
- 238000013527 convolutional neural network Methods 0.000 description 6
- 230000014509 gene expression Effects 0.000 description 6
- 238000010801 machine learning Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 230000004913 activation Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 230000007423 decrease Effects 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000013145 classification model Methods 0.000 description 2
- 238000004880 explosion Methods 0.000 description 2
- 230000006266 hibernation Effects 0.000 description 2
- 230000000670 limiting effect Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 230000007958 sleep Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 102100033620 Calponin-1 Human genes 0.000 description 1
- 102100033591 Calponin-2 Human genes 0.000 description 1
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 208000033999 Device damage Diseases 0.000 description 1
- 101000945318 Homo sapiens Calponin-1 Proteins 0.000 description 1
- 101000945403 Homo sapiens Calponin-2 Proteins 0.000 description 1
- 230000004931 aggregating effect Effects 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
Classifications
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及一种资源交互设备的状态检测方法、装置和计算机设备。该方法包括:获取待检测的资源交互设备对应于不同资源交互特征的资源交互数据;在资源交互数据至少一个不为零的情况下,获取资源交互数据的采集时间段匹配的,对应于各资源交互数据的权重参数;根据各权重参数对各资源交互数据进行加权处理,并将加权后的各资源交互数据输入至预先训练的设备状态检测模型,通过设备状态检测模型的邻居遗忘门,得到与加权后的各资源交互数据匹配的状态特征;根据各资源交互数据匹配的状态特征,得到资源交互设备的设备状态检测结果。采用本方法能够降低资源交互设备的检测成本。
Description
技术领域
本申请涉及设备检测技术领域,特别是涉及一种资源交互设备的状态检测方法、装置和计算机设备。
背景技术
在资源管理系统中,相比于柜台的人工服务,自助的资源交互设备具有无人看管,业务量大的特性。在日常生活中,用户在使用资源交互设备进行资源交互时,可能会出现机器损坏、卡顿、死机等异常状态,因此,关于资源交互设备资源交互状态的特征分析和异常检测就极具必要性。
目前,在对资源交互设备异常检测的研究上主要是通过基于传统机器学习的方法,常用于构建分类模型的方法有随机树、K-means、支持向量机等。
然而,目前的资源交互设备异常检测方法,存在检测成本过高的问题。
发明内容
基于此,有必要针对上述技术问题,提供一种能够降低检测成本的资源交互设备的状态检测方法、装置和计算机设备。
第一方面,本申请提供了一种资源交互设备的状态检测方法,该方法包括:
获取待检测的资源交互设备对应于不同资源交互特征的资源交互数据;
在资源交互数据至少一个不为零的情况下,获取资源交互数据的采集时间段匹配的,对应于各资源交互数据的权重参数;
根据各权重参数对各资源交互数据进行加权处理,并将加权后的各资源交互数据输入至预先训练的设备状态检测模型,通过设备状态检测模型的邻居遗忘门,得到与加权后的各资源交互数据匹配的状态特征;
根据各资源交互数据匹配的状态特征,得到资源交互设备的设备状态检测结果。
在其中一个实施例中,获取资源交互数据的采集时间段匹配的,对应于各资源交互数据的权重参数,包括:
将不同资源交互特征的资源交互数据输入到预先训练的权重获取模型,通过权重获取模型,获取不同资源交互特征对应的权重参数;
将不同资源交互特征对应的权重参数作为各资源交互特征的资源交互数据的权重参数。
在其中一个实施例中,权重获取模型的训练方式,包括:
获取不同资源交互特征的样本资源交互数据,以及各样本资源交互数据的采集时间段匹配的样本权重参数;
将各样本资源交互数据输入至待训练的权重获取模型,通过权重获取模型,得到各样本资源交互数据的采集时间段对应的预测权重参数;
基于各样本资源交互数据的采集时间段匹配的样本权重参数和各样本资源交互数据的采集时间段对应的预测权重参数,对权重获取模型进行训练。
在其中一个实施例中,基于各样本资源交互数据的采集时间段匹配的样本权重参数和各样本资源交互数据的采集时间段对应的预测权重参数,对权重获取模型进行训练,包括:
获取基于不同的采集时间段确定的损失参数;
获取各样本资源交互数据的采集时间段匹配的样本权重参数和各样本资源交互数据的采集时间段对应的预测权重参数之间的初始损失值;
根据各初始损失值和损失参数,得到目标损失值;并基于目标损失值,对权重获取模型进行训练。
在其中一个实施例中,设备状态检测模型包括第一子模型和第二子模型;第一子模型包括多个卷积层;
通过设备状态检测模型的邻居遗忘门,得到与加权后的各资源交互数据匹配的状态特征,包括:
在当前卷积层为第一子模型的首个卷积层的情况下,提取加权后的各资源交互数据分别对应的第一卷积特征;
通过第一子模型的第一池化层,将第一卷积特征激活后作为下一卷积层的卷积输入特征;
在当前卷积层为第一子模型的最后一个卷积层的情况下,对卷积输入特征进行卷积处理,得到第二卷积特征;并通过第一子模型的第二池化层,将第二卷积特征激活后作为第一子模型输出的各资源交互数据的初始状态特征;
将各资源交互数据的初始状态特征输入第二子模型,通过第二子模型的邻居遗忘门,得到各资源交互数据匹配的状态特征。
在其中一个实施例中,第二子模型包括多个隐藏层,各隐藏层包括多个类型的门结构;多个类型的门结构包括输入门结构、遗忘门结构、邻居遗忘门结构和输出门结构中的至少一种;
通过第二子模型的邻居遗忘门,得到各资源交互数据匹配的状态特征,包括:
获取当前隐藏层,以及当前隐藏层的输入状态特征;
将输入状态特征输入至各个类型的门结构,根据各个类型的门结构分别对应的门结构参数以及输入状态特征,得到各个类型的门结构对应的子状态特征;其中,门结构参数包括门结构的权重和门结构的偏置量;
根据各子状态特征,得到当前隐藏层的输出状态特征;
基于最后一个隐藏层的输出状态特征,得到各资源交互数据匹配的状态特征。
在其中一个实施例中,获取当前隐藏层,以及当前隐藏层的输入状态特征,包括:
在当前隐藏层为第二子模型的首个隐藏层的情况下,根据各资源交互数据的初始状态特征,得到当前隐藏层的输入状态特征;
在当前隐藏层为第二子模型的第二个隐藏层的情况下,基于各资源交互数据的初始状态特征,以及首个隐藏层的输出状态特征,得到当前隐藏层的输入状态特征;
在当前隐藏层为除首个隐藏层以及第二个隐藏层以外的隐藏层的情况下,基于当前隐藏层上一隐藏层的输出状态特征以及当前隐藏层上两层隐藏层的输出状态特征,得到当前隐藏层的输入状态特征。
在其中一个实施例中,获取待检测的资源交互设备对应于不同资源交互特征的资源交互数据之后,还包括:
在各资源交互数据均为零的情况下,获取资源交互设备的电流数据;
在电流数据为零的情况下,生成资源交互设备的损坏结果;
在电流数据不为零的情况下,生成资源交互设备的休眠结果。
第二方面,本申请还提供了一种资源交互设备的状态检测装置,该装置包括:
交互数据获取模块,用于获取待检测的资源交互设备对应于不同资源交互特征的资源交互数据;
权重参数获取模块,用于在资源交互数据至少一个不为零的情况下,获取资源交互数据的采集时间段匹配的,对应于各资源交互数据的权重参数;
模型输入模块,用于根据各权重参数对各资源交互数据进行加权处理,并将加权后的各资源交互数据输入至预先训练的设备状态检测模型,通过设备状态检测模型的邻居遗忘门,得到与加权后的各资源交互数据匹配的状态特征;
检测结果获取模块,用于根据各资源交互数据匹配的状态特征,得到资源交互设备的设备状态检测结果。
第三方面,本申请还提供了一种计算机设备,包括存储器和处理器,存储器存储有计算机程序,处理器执行计算机程序时实现上述的方法的步骤。
第四方面,本申请还提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述的方法的步骤。
第五方面,本申请还提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现上述的方法的步骤。
上述资源交互设备的状态检测方法、装置和计算机设备,通过获取待检测的资源交互设备对应于不同资源交互特征的资源交互数据;在资源交互数据至少一个不为零的情况下,获取资源交互数据的采集时间段匹配的,对应于各资源交互数据的权重参数;并根据各权重参数对各资源交互数据进行加权处理,能够将加权后的各资源交互数据输入至预先训练的设备状态检测模型,通过设备状态检测模型的邻居遗忘门,得到与加权后的各资源交互数据匹配的状态特征;如此可以根据各资源交互数据匹配的状态特征,得到资源交互设备的设备状态检测结果。与传统技术相比,本申请可以通过对不同资源交互特征类型的资源交互数据进行对应于不同时间段的加权处理,使得不同资源交互特征的资源交互数据在不同时间段可以具有权重差异性,从而可以提高资源交互设备的状态检测的准确性,并且通过带有邻居遗忘门结构的设备状态检测模型对加权的不同资源交互特征的资源交互数据进行预测,能够有效地得到设备状态检测结果,并且能够减少人工对于资源交互特征的选择处理,使得设备状态检测模型能够同时处理更多的特征数,减少状态检测的投入时间,从而可以降低资源交互设备的检测成本。
附图说明
为了更清楚地说明本申请实施例或相关技术中的技术方案,下面将对实施例或相关技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为一个实施例中资源交互设备的状态检测方法的流程示意图;
图2为一个实施例中不同资源交互特征的相互关联示意图;
图3为一个实施例中对权重获取模型进行训练步骤的流程示意图;
图4为一个实施例中得到与加权后的各资源交互数据匹配的状态特征步骤的流程示意图;
图5为一个实施例中设备状态检测模型的门结构示意图;
图6为一个实施例中获取当前隐藏层和当前隐藏层的输入状态特征步骤的流程示意图;
图7为一个实施例中设备状态检测模型的整体结构示意图;
图8为另一个实施例中资源交互设备的状态检测方法的流程示意图;
图9为一个实施例中资源交互设备的状态检测装置的结构框图;
图10为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
现有技术多使用传统编程方法和传统机器学习方法来分析计算资源交互设备资源交互状态指标,该技术获取的特征参数少,而资源交互设备资源交互状态受到的影响因素多,考虑不全面。其次,现有技术方法处理的特征信息少,难以提高异常状态的检测准确率。最后,现有技术多未使用深度学习的方法检测,模型的自主学习能力欠佳。
在资源管理系统中,相比于柜台服务,资源交互设备具有无人看管,业务量大的特性。在日常生活中,用户在使用资源交互设备进行资源交互时,可能会出现机器损坏、卡顿、死机等异常状态,因此,关于资源交互设备的资源交互状态的特征分析和异常检测就极具必要性。目前,在对资源交互设备的异常检测的研究上主要是通过基于传统机器学习的方法,常用于构建分类模型的方法有随机树、K-means、支持向量机等。资源交互设备相关联的网络数据较为复杂,其特征数量较多,在使用机器学习方法进行异常检测时,往往需要人工进行特征选择和特征处理,这会加大时间成本和人力成本。
基于上述原因,本申请提供了一种资源交互设备的状态检测方法、装置和计算机设备。可以缓解上述的传统机器学习处理特征数少,投入时间、人力成本高的问题,本申请设计了一种基于深度学习的串行神经网络模型结构的设备状态检测模型,使用具有自主学习的深度学习方法,自动检测资源交互设备的使用状态并及时提出预警,告知工作人员进行检修处理,可以提高资源交互设备的运作效率,同时提升用户的体验感。
在一个示例性的实施例中,如图1所示,提供了一种资源交互设备的状态检测方法,本实施例以该方法应用于服务器进行举例说明,可以理解的是,该方法也可以应用于终端,还可以应用于包括终端和服务器的系统,并通过终端和服务器的交互实现。本实施例中,该方法包括S102至S108,其中:
S102,获取待检测的资源交互设备对应于不同资源交互特征的资源交互数据。
其中,资源交互设备可以是用于资源交互的设备,例如,资源交互设备可以是ATM(Automated Teller Machine,自动柜员机);资源交互设备还可以是用于其他资源交互的设备,例如,其他资源交互可以指的是物品资源交互,资源交互设备可以是自助售货机器等。资源交互特征可以指的是资源交互数据的类型,例如,资源交互特征可以是资源交互量、资源交互成功率、资源交互响应率和设备的系统吞吐量等。资源交互数据可以指的是资源交互特征的具体数据,如,资源交互特征对应的具体数值。
示例性地,服务器可以获取采集得到的资源交互设备不同资源交互特征的资源交互数据。例如,服务器可以通过资源交互设备的数据中心,得到其采集的资源交互设备的资源交互量、资源交互成功率、资源交互响应率,设备的交互吞吐量。其中,资源交互量可以是资源交互的量,资源交互成功率可以是资源交互的成功率,资源交互响应率可以是资源交互过程中设备的响应率,设备的系统吞吐量可以是用于衡量设备性能的指标。
可选地,不同资源交互特征包括资源交互量、资源交互成功率、资源交互响应率和设备的系统吞吐量,服务器可以获取资源交互量的初始资源交互数据、资源交互成功率的初始资源交互数据、资源交互响应率的初始资源交互数据和系统吞吐量的初始资源交互数据;并且可以分别对资源交互成功率的初始资源交互数据、资源交互响应率的初始资源交互数据作标准差,作为资源交互成功率的资源交互数据和资源交互响应率的资源交互数据,从而可以使得资源交互成功率以及资源交互响应率的数据特征更加明显,有利于提高资源交互设备的状态检测准确性。
可选地,可以每100秒采集资源交互设备对应于不同资源交互特征的资源交互数据,并且可以将每小时采集到的资源交互数据转成资源交互特征对应的36×36的特征矩阵,可以将资源交互特征对应的矩阵进行S104步骤的处理。
S104,在资源交互数据至少一个不为零的情况下,获取资源交互数据的采集时间段匹配的,对应于各资源交互数据的权重参数。
其中,采集时间段可以是采集资源交互数据的时间所对应的时间段,例如,采集时间段可以是该资源交互数据采集的月份,该月份可以作为一个时间段。权重参数可以是用于体现资源交互数据权重差异性的参数。
示例性地,如果资源交互数据存在至少一个不为零,那么说明资源交互设备处于开机状态,则服务器可以获取该资源交互设备的资源交互数据对应的采集时间段匹配的,各个资源交互特征的权重参数,并且可以将当前资源交互特征的权重参数作为当前资源交互特征的资源交互数据的权重参数。其中,当前资源交互特征可以是任意一个资源交互特征。权重参数可以针对时间段预先设置,也可以通过资源交互数据实时更新获取。
可选地,权重参数是与采集时间段匹配的,例如,在节假日等资源交互量大的时,可以资源交互量的权重占比,在资源交互量少时,可以增大资源交互成功率的占比。可以以节假日作为标签,获取各资源交互数据的权重参数。
可选地,如果资源交互数据均为零,说明资源交互设备可能已经损坏或者处于休眠状态,则可以通过资源交互设备的其他数据确定其状态,例如,可以通过资源交互设备的电流数据确定其状态,还可以通过资源交互设备上一次资源交互的时间,获取该资源交互设备持续没有交互的持续时间,判断其是否发生故障。
S106,根据各权重参数对各资源交互数据进行加权处理,并将加权后的各资源交互数据输入至预先训练的设备状态检测模型,通过设备状态检测模型的邻居遗忘门,得到与加权后的各资源交互数据匹配的状态特征。
其中,设备状态检测模型可以是用于根据多个不同资源交互特征的资源交互数据,检测资源交互设备的神经网络模型。邻居遗忘门可以是基于邻居节点的信息得到的遗忘门。遗忘门可以是LSTM(Long short term memory,长短时记忆网络)中的门结构。状态特征可以是资源交互数据在当前隐藏层对应的网络特征的状态。
示例性地,服务器可以根据各资源交互数据的权重参数,分别对各资源交互数据进行加权,得到加权后的各资源交互数据,并且服务器可以将加权后的各资源交互数据输入至预先训练的设备状态检测模型,通过设备状态检测模型的邻居遗忘门,处理得到与加权后的各资源交互数据匹配的状态特征。如此,可以实现对多个不同资源交互特征的资源交互数据进行处理,设备状态检测模型能够同时处理更多的特征数,减少资源交互设备的状态检测的投入时间。
可选地,资源交互量、资源交互成功率、资源交互响应率,交互吞吐量四种资源交互特征之间的相互关联如图2所示,当资源交互量增加或减少时,系统吞吐量和资源交互响应率会随之增加或减少。反之,资源交互成功率、系统吞吐量和资源交互响应率的下降导致资源交互设备的资源交互缓慢或重复交互,促使用户减少在该资源交互设备的资源交互。如此,可以利用本申请提供的设备状态检测模型学习处理上述多个资源交互特征之间的关联关系,根据多个资源交互特征之间的关系进行预测资源交互设备的状态,从而可以提高检测准确性。
S108,根据各资源交互数据匹配的状态特征,得到资源交互设备的设备状态检测结果。
其中,设备状态检测结果可以用于表征资源交互设备是否异常,例如,设备状态检测结果可以通过异常概率表征,在异常概率大于预设概率阈值的况下,可以认为资源交互设备发生异常。
示例性地,可以通过设备状态检测模型,根据各资源交互数据匹配的状态特征,得到资源交互设备的设备状态检测结果,例如,可以通过设备状态检测模型,基于各资源交互数据匹配的状态特征,计算资源交互设备的异常概率,在该异常概率大于或等于预设概率阈值的情况下,生成资源交互设备的检测异常信息;在该异常概率小于预设概率阈值的情况下,生成资源交互设备的检测正常信息。
本实施例中,通过获取待检测的资源交互设备对应于不同资源交互特征的资源交互数据;在资源交互数据至少一个不为零的情况下,获取资源交互数据的采集时间段匹配的,对应于各资源交互数据的权重参数;并根据各权重参数对各资源交互数据进行加权处理,能够将加权后的各资源交互数据输入至预先训练的设备状态检测模型,通过设备状态检测模型的邻居遗忘门,得到与加权后的各资源交互数据匹配的状态特征;如此可以根据各资源交互数据匹配的状态特征,得到资源交互设备的设备状态检测结果。与传统技术相比,本实施例可以通过对不同资源交互特征类型的资源交互数据进行对应于不同时间段的加权处理,使得不同资源交互特征的资源交互数据在不同时间段可以具有权重差异性,从而可以提高资源交互设备的状态检测的准确性,并且通过带有邻居遗忘门结构的设备状态检测模型对加权的不同资源交互特征的资源交互数据进行预测,能够有效地得到设备状态检测结果,并且能够减少人工对于资源交互特征的选择处理,使得设备状态检测模型能够同时处理更多的特征数,减少状态检测的投入时间,从而可以降低资源交互设备的检测成本。
在一个示例性的实施例中,获取资源交互数据的采集时间段匹配的,对应于各资源交互数据的权重参数,包括:
将不同资源交互特征的资源交互数据输入到预先训练的权重获取模型,通过权重获取模型,获取不同资源交互特征对应的权重参数;
将不同资源交互特征对应的权重参数作为各资源交互特征的资源交互数据的权重参数。
其中,权重获取模型可以是用于获取权重参数的神经网络模型。
示例性地,服务器可以将不同资源交互特征的资源交互数据输入到预先训练的权重获取模型,通过权重获取模型,获取各个资源交互特征对应的权重参数在当前采集时间段的权重参数。当前采集时间段可以指的是S104步骤中的资源交互数据的采集时间段。服务器可以将各资源交互特征在当前采集时间段对应的权重参数分别作为各资源交互特征的资源交互数据的权重参数。
本实施例中,通过将不同资源交互特征的资源交互数据输入到权重获取模型,可以实时获取到不同资源交互特征的资源交互数据的权重参数,从而可以提高资源交互设备的状态检测的准确性。
在一个示例性的实施例中,权重获取模型的训练方式,包括:
获取不同资源交互特征的样本资源交互数据,以及各样本资源交互数据的采集时间段匹配的样本权重参数;
将各样本资源交互数据输入至待训练的权重获取模型,通过权重获取模型,得到各样本资源交互数据的采集时间段对应的预测权重参数;
基于各样本资源交互数据的采集时间段匹配的样本权重参数和各样本资源交互数据的采集时间段对应的预测权重参数,对权重获取模型进行训练。
其中,样本资源交互数据可以是用于训练权重获取模型的资源交互数据。样本权重参数可以是样本资源交互数据在该采集时间段下的实际权重标签。实际权重标签指的是用于训练权重获取模型的权重对应的实际标签。预测权重参数可以是权重获取模型预测得到的预测值。
示例性地,服务器可以获取用于训练权重获取模型的不同资源交互特征的样本资源交互数据,以及各样本资源交互数据的在同一采集时间段对应的样本权重参数。服务器可以获取多个不同资源交互特征对应于同一采集时间段的样本权重参数。可以理解的是,不同资源交互特征对应于同一采集时间段的样本权重参数,也就是各不同资源交互特征的样本资源交互数据的采集时间段匹配的样本权重参数。进一步,服务器可以将各不同资源交互特征的样本资源交互数据输入到待训练的权重获取模型,通过待训练的权重获取模型,预测得到各不同资源交互特征对应于上述同一采集时间段的预测权重参数。可以基于不同资源交互特征对应于同一采集时间段的样本权重参数,以及不同资源交互特征对应于上述同一采集时间段的预测权重参数之间的差异,对权重获取模型进行训练,可以得到训练完成的权重获取模型。
可选地,对于不同的采集时间段,资源交互特征可以对应有不同的样本权重参数。可以基于资源交互特征在各个采集时间段匹配的样本权重参数,训练权重获取模型,如此,可以得到能够预测资源交互特征在不同时间段的权重参数的权重获取模型。
本实施例中,通过各样本资源交互数据的采集时间段匹配的样本权重参数输入至待训练的权重获取模型,能够通过权重获取模型,得到各样本资源交互数据的采集时间段对应的预测权重参数;如此可以基于各样本资源交互数据的采集时间段匹配的样本权重参数和各样本资源交互数据的采集时间段对应的预测权重参数,对权重获取模型进行训练,得到训练完成的权重获取模型,为实时获取权重参数提供了模型基础,从而可以利用该权重获取模型实时获取权重参数,提高资源交互设备的状态检测的准确性。
在一个示例性的实施例中,如图3所示,基于各样本资源交互数据的采集时间段匹配的样本权重参数和各样本资源交互数据的采集时间段对应的预测权重参数,对权重获取模型进行训练,包括S302至S306,其中:
S302,获取基于不同的采集时间段确定的损失参数;
S304,获取各样本资源交互数据的采集时间段匹配的样本权重参数和各样本资源交互数据的采集时间段对应的预测权重参数之间的初始损失值;
S306,根据各初始损失值和损失参数,得到目标损失值;并基于目标损失值,对权重获取模型进行训练。
其中,损失参数可以是用于确定损失值的参数。初始损失值可以是通过一个损失函数,计算样本权重参数和预测权重参数确定的损失值。目标损失值可以是通过多个样本权重参数对应的损失值和损失参数确定的最终的损失值。
示例性地,服务器可以确定不同的采集时间段对应的损失参数,可以利用该损失参数对权重获取模型进行训练。可以通过预先设置的损失函数,获取当前样本资源交互数据的采集时间段对应的样本权重参数和当前样本资源交互数据的采集时间段对应的预测权重参数之间的初始损失值;其中,当前样本资源交互数据可以是任意一个资源交互特征的样本资源交互数据。进一步,可以根据损失参数和多个样本资源交互数据对应的初始损失,确定用于训练该权重获取模型的目标损失值。如此,可以通过并行损失函数,使得样本资源交互数据在不同的采集时间段有不同的权重参数,从而可以提高资源交互设备的状态检测准确性。
可选地,可以通过以下表达式(1)(2)确定目标损失值:
其中,为目标损失值,为初始损失值,M为损失参数,k表示资源交互特
征的种类,N表示每个资源交互特征的特征数,表示样本权重参数,表示模型的预测权
重参数。
通过上述表达式(1)(2)的并行损失函数,能够使得样本资源交互数据在不同的采集时间段有不同的权重参数。例如,可以在12月至次年2月与6月至8月的时间段(属于春节与暑假期间),资源交互设备的资源交互数量较大,可以设置M={4,2,2,2},此时权重获取模型可以增加资源交互量的权重。在3月至5月,9月至11月期间,资源交互人数会有所下降,可以设置M={2,3,3,2},此时权重获取模型可以增加资源交互成功率和资源交互响应率的权重。
本实施例中,通过获取基于不同的采集时间段确定的损失参数;获取各样本资源交互数据的采集时间段匹配的样本权重参数和各样本资源交互数据的采集时间段对应的预测权重参数之间的初始损失值;能够根据各初始损失值和损失参数,得到目标损失值;并基于目标损失值,对权重获取模型进行训练。如此,可以通过并行损失函数,确定最终的目标值损失值,能够通过损失参数,使得资源交互数据在不同的采集时间段有不同的权重参数,从而可以提高源交互设备的状态检测准确性。
在一个示例性的实施例中,设备状态检测模型包括第一子模型和第二子模型;第一子模型包括多个卷积层;
如图4所示,通过设备状态检测模型的邻居遗忘门,得到与加权后的各资源交互数据匹配的状态特征,包括S402至S408,其中:
S402,在当前卷积层为第一子模型的首个卷积层的情况下,提取加权后的各资源交互数据分别对应的第一卷积特征;
S404,通过第一子模型的第一池化层,将第一卷积特征激活后作为下一卷积层的卷积输入特征;
S406,在当前卷积层为第一子模型的最后一个卷积层的情况下,对卷积输入特征进行卷积处理,得到第二卷积特征;并通过第一子模型的第二池化层,将第二卷积特征激活后作为第一子模型输出的各资源交互数据的初始状态特征;
S408,将各资源交互数据的初始状态特征输入第二子模型,通过第二子模型的邻居遗忘门,得到各资源交互数据匹配的状态特征。
其中,第一子模型可以是设备状态检测模型的第一个神经网络模型,可以是卷积神经网络模型,第二子模型可以是设备状态检测模型的第一个神经网络模型,可以是基于LSTM改进的神经网络模型。当前卷积层可以是多个卷积层中的任意一个,对于任意一个卷积层,均可以通过本实施提供的方式进行处理。第一卷积特征可以是通过卷积层处理后得到的数据特征。第一池化层可以是连接第一卷积层的池化层,还可以连接下一卷积层。卷积输入特征可以是输入下一卷积层的数据特征。第二池化层可以是连接最后一个卷积层的池化层,还可以连接第二子模型。第一卷积特征可以是首个卷积层输出的卷积特征,第二卷积特征可以是最后一个卷积层输出的卷积特征。卷积特征可以是卷积层卷积处理后得到的数据特征。
示例性地,如果当前卷积层为第一子模型的首个卷积层,则可以用于数据低级特征的提取,通过首个卷积层的卷积处理,提取加权后的各资源交互数据分别对应的第一卷积特征。可以通过第一子模型中与首个卷积层连接的最大池化层(第一池化层),将第一卷积特征激活后作为下一卷积层的卷积输入特征。中间卷积层可以对卷积输入特征进行卷积处理后得到该卷积输出的卷积特征,通过与该卷积层连接的最大池化层激活后得到下一卷积层的卷积输出特征。中间卷积层可以是首个卷积层和最后一个卷积层中间的卷积层。如果当前卷积层为第一子模型的最后一个卷积层,则对最后一个卷积层的卷积输入特征进行卷积处理,得到卷积特征输出的第二卷积特征;可以通过与最后一个卷积层连接的最大池化层(第二池化层),将第二卷积特征激活后作为第一子模型输出的各资源交互数据的初始状态特征。
可选地,可以按照以下表达式(3)的激活函数,激活卷积特征:
其中,z为卷积输入特征,为激活后的特征。通过表达式(3),能够为卷积神经
网络提供非线性建模能力,同时保证在输入信息小于0的时候也有信息通过神经元,能够增
强模型的鲁棒性。
可选地,可以使用两个卷积层和两个最大池化层,第一个卷积层用于加权后的各资源交互数据的低级特征的提取,第二个卷积层学习加权后的各资源交互数据的更深层更复杂的空间特征。可以将卷积神经网络(第一子模型)的通道数设置为5,为保持输入输出的一致性,将卷积核的大小设置为5×5。
本实施例中,通过第一子模型的多个卷积层以及最大池化层,对加权后的各资源交互数据进行卷积后激活处理,有利于各资源交互数据对应的数据特征的处理,可以保证第一子模型具有非线性建模的能力,从而可以提高第一子模型输出各资源交互数据匹配的状态特征的准确性。
在一个示例性的实施例中,第二子模型包括多个隐藏层,各隐藏层包括多个类型的门结构;多个类型的门结构包括输入门结构、遗忘门结构、邻居遗忘门结构和输出门结构中的至少一种;
通过第二子模型的邻居遗忘门,得到各资源交互数据匹配的状态特征,包括:
获取当前隐藏层,以及当前隐藏层的输入状态特征;
将输入状态特征输入至各个类型的门结构,根据各个类型的门结构分别对应的门结构参数以及输入状态特征,得到各个类型的门结构对应的子状态特征;其中,门结构参数包括门结构的权重和门结构的偏置量;
根据各子状态特征,得到当前隐藏层的输出状态特征;
基于最后一个隐藏层的输出状态特征,得到各资源交互数据匹配的状态特征。
其中,当前隐藏层可以是多个隐藏层中的任意一个隐藏层,对于任意一个隐藏层,均可以通过本实施提供的方式进行数据处理。输入状态特征可以是资源交互数据在卷积神经网络模型(第一子模型)进行处理后得到的状态特征。门结构参数可以是各个类型的门结构的参数,可以用于计算该门结构对应的状态特征。子状态特征可以是门通过结构计算得到的状态特征。门结构的权重可以是决定门结构的权重参数,可以是权重矩阵,可以是针对门结构中各个变量设置的权重。输出状态特征可以是隐藏层输出的状态特征。
示例性地,在第二子模型中,可以确定当前隐藏层的输入状态特征,并且可以将该输入状态特征输入到当前隐藏层的各个类型的门结构,通过各个类型门结构的门结构参数,计算得到各个类型的门结构的子状态结构。进一步,可以根据多个门结构对应的子状态特征,计算得到当前隐藏层的输出状态特征。可以将当前隐藏层的输出状态特征作为下一隐藏层的输入状态特征,经过多个隐藏层处理后可以得到各个资源交互特征的资源交互数据对应的状态特征;进一步可以根据多个资源交互数据对应的状态特征,得到资源交互设备的状态检测结果。
可选地,输入门结构来决定哪些信息会进入到当前时刻的状态;遗忘门结构来决定哪些信息会被丢弃和保留;邻居遗忘门结构来对邻居结点的信息进行聚合;输出门结构根据当前时刻输入、上一时刻隐藏层的状态以及最新状态决定该时刻的输出。各个类型的门结构如下表达式:
其中,为输入门结构;为遗忘门结构;为邻居遗忘门结构;为输出门结构;
s=1,2,......,p,p表示资源交互特征的资源交互数据的数量;为sigmoid函数;、、和表示权重矩阵,为偏置向量。各个类型的门结构的设计可以将当前隐藏层的时
刻的残差特征d,上一时刻结点的隐藏层状态h和邻居结点的上一时刻状态结合,从时间的
维度上对数据的分布状态进行记忆。
上述多个类型的门结构形成的LSTM-in-LSTM神经网络模型可以将邻居结点的隐藏状态加权求和,利用了特征对象(资源交互数据的网络特征)之间的位置相似度来学习特征之间的依赖关系。本实施例提供的串行神经网络模型(LSTM-in-LSTM)可以使用三个带邻居遗忘门结构的LSTM隐藏层,如图5所示。
LSTM隐藏层在t-1时刻,将各个特征的状态(输入状态特征)求和作平均,作为
t-1时刻的邻居结点状态,同时将t-1时刻的特征状态(输入状态特征)与当前t时
刻的残差特征作为输入门结构、遗忘门结构和输出门结构的输入。通过如下表达式(8)
(9)(10)得到当前时刻特征的状态特征(输出状态特征),其中为点积,为tanh(.)
函数:
其中,为输入调制门,、、和表示权重矩阵,为偏置向量,为上一
时刻的长期状态特征,为当前时刻的邻居长期状态特征。
本实施例中,通过将当前隐藏层的输入状态特征输入至各个类型的门结构,根据各个类型的门结构分别对应的门结构参数以及输入状态特征,能够得到各个类型的门结构对应的子状态特征;根据各子状态特征,得到当前隐藏层的输出状态特征;基于最后一个隐藏层的输出状态特征,能够得到各资源交互数据匹配的状态特征。如此,能够在加入邻居遗忘门结构的串行神经网络模型(第二子模型)中学习资源交互特征之间的依赖关系,更加充分地学习了特征信息,更全面地检测了资源交互设备的资源交互特征的资源交互数据间的动态变化,提高检测准确率。
在一个示例性的实施例中,如图6所示,获取当前隐藏层,以及当前隐藏层的输入状态特征,包括S602至S606,其中:
S602,在当前隐藏层为第二子模型的首个隐藏层的情况下,根据各资源交互数据的初始状态特征,得到当前隐藏层的输入状态特征;
S604,在当前隐藏层为第二子模型的第二个隐藏层的情况下,基于各资源交互数据的初始状态特征,以及首个隐藏层的输出状态特征,得到当前隐藏层的输入状态特征;
S606,在当前隐藏层为除首个隐藏层以及第二个隐藏层以外的隐藏层的情况下,基于当前隐藏层上一隐藏层的输出状态特征以及当前隐藏层上两层隐藏层的输出状态特征,得到当前隐藏层的输入状态特征。
示例性地,如果当前隐藏层是第二子模型的首个隐藏层,则可以根据卷积神经网络模型(第一子模型)输出的各资源交互数据的初始状态特征,处理得到当前隐藏层的输入状态特征。如果当前隐藏层是第二子模型的第二个隐藏层,则可以根据卷积神经网络模型(第一子模型)输出的各资源交互数据的初始状态特征,以及首个隐藏层输出的输出状态特征,处理得到当前隐藏层的输入状态特征。例如,可以将初始状态特征和首个隐藏层输出的输出状态特征进行求和后得到第二个隐藏层的输入状态特征。如果当前隐藏层是除首个隐藏层和第二个隐藏层以外的其他隐藏层,则可以根据当前隐藏层的上一个隐藏层的输出状态特征以及当前隐藏层的上两个层隐藏层的输出状态特征,得到当前隐藏层的输入状态特征;例如,可以将上一个隐藏层的输出状态特征和上两个层隐藏层的输出状态特征求和后得到当前隐藏层的输入状态特征。其中,当前隐藏层上两层隐藏层为当前隐藏层上一个隐藏层的上一个隐藏层;例如,当前隐藏层为第3个隐藏层,则当前隐藏层上一隐藏层为第2个隐藏层,当前隐藏层上两层隐藏层为第1个隐藏层。
可选地,设备状态检测模型如图7所示,使用了基于LSTM的残差连接,将LSTM隐藏层的上一个隐藏层的输出跳跃至该LSTM隐藏层的下一个隐藏层作为输入,可以提供更好的灵活性来处理学习过程中的梯度消失和梯度爆炸问题。其中,36×36为输入的资源交互特征的资源交互数据矩阵,CNN1为第一子模型的首个卷积层,CNN2为第一子模型的最后一个卷积层,maxpooling为第一子模型的最大池化层,LSTM unit1为第二子模型的首个隐藏层,LSTM unit2为第二子模型的第二隐藏层,LSTM unit3为第二子模型的输出层,也是设备状态检测模型的输出层。
本实施例中,通过对不同的隐藏层确定其输入状态特征,可以将其中一个隐藏层的上一个隐藏层的输出跳跃至该隐藏层的下一个隐藏层作为输入,从而可以更好地避免梯度消失和梯度爆炸问题,提高了资源交互设备的状态检测的准确性。
在一个示例性的实施例中,获取待检测的资源交互设备对应于不同资源交互特征的资源交互数据之后,还包括:
在各资源交互数据均为零的情况下,获取资源交互设备的电流数据;
在电流数据为零的情况下,生成资源交互设备的损坏结果;
在电流数据不为零的情况下,生成资源交互设备的休眠结果。
其中,电流数据可以是资源交互设备的通电电流。损坏结果可以表征资源交互设备损坏。休眠结果可以表征资源交互设备处于休眠状态。
示例性地,如果资源交互设备的各资源交互数据均为零,则说明该资源交互设备没有处于工作状态,则该资源交互设备可能已经损坏或者处于休眠状态,可以通过资源交互设备的电流数据做进一步判断。服务器可以在各资源交互数据均为零的情况下,获取资源交互设备的电流数据。进一步地,如果电流数据为零,则可以说明资源交互设备可能已经损坏,服务器可以生成资源交互设备的损坏结果;如果电流数据不为零,则可以说明资源交互设备可能处于休眠状态,则服务器可以生成资源交互设备的休眠结果。
本实施例中,通过在各资源交互数据均为零的情况下,获取资源交互设备的电流数据;能够在电流数据为零的情况下,生成资源交互设备的损坏结果;还能够在电流数据不为零的情况下,生成资源交互设备的休眠结果。如此,电流数据可以作为资源交互设备的状态检测的补充检测数据,从而可以进一步提高资源交互设备的状态检测的准确性。
在一个示例性的实施例中,服务器可以通过邮件报警的方式,结合django前端开发技术进行前端界面的搭建,实现将设备状态检测模型的预测的设备状态检测结果进行实时记录和反馈,同时结合数据库技术将预测的设备状态检测结果发送至维护人员邮箱或短信实现实时监控。
如图8所示,提供了一种资源交互设备的状态检测方法,包括:
S801,采集资源交互设备对应于不同资源交互特征的资源交互数据,资源交互特征包括资源交互量、资源交互成功率、资源交互响应率和系统吞吐量。
S802,对不同资源交互特征的资源交互数据进行预处理。
S803,判断是否资源交互数据至少一个为零;在资源交互数据至少一个不为零的情况下,执行S804,将不同资源交互特征的资源交互数据输入到预先训练的权重获取模型,得到资源交互数据的采集时间段匹配的,对应于各资源交互数据的权重参数。
S805,将加权后的各资源交互数据输入至预先训练的设备状态检测模型,得到设备状态检测结果,设备状态检测结果通过设备检测异常概率进行表征。
在各资源交互数据均为零的情况下,执行S806,获取资源交互设备的电流数据,并判断电流数据是否为零;在电流数据为零的情况下,执行S807,生成资源交互设备的损坏结果;在电流数据不为零的情况下,执行S808,生成资源交互设备的休眠结果。
S809,进行异常报警。
在一些具体实施例中,通过上述提供的任意一个实施例或者多个实施例之间的自由组合,能够使资源交互设备在资源交互过程中根据时间段不同而具有权重差异性,实现不同场景下的不同检测方案,提高模型检测的准确度;通过使用串行神经网络,使网络学习资源交互设备参数在该时刻的空间分布状况的同时,也能联系前一时刻的数据分布状态学习参数的变化情况,使网络具有时间上的记忆。通过结合资源交互设备的参数特性从多维度上学习参数特征,增加了神经网络学习的特征信息量;通过使用LSTM-in-LSTM神经网络,加入邻居遗忘门的门控设计,使网络学习特征之间的依赖关系,更加充分地学习了特征信息,更全面地检测了资源交互设备特征数据间的动态变化,提高检测准确率。能够实现基于深度学习的资源交互设备异常检测方法,来提高资源交互设备的资源交互效率,加强对资源交互设备的维护,减少在资源交互设备上的成本。
应该理解的是,虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思,本申请实施例还提供了一种用于实现上述所涉及的资源交互设备的状态检测方法的资源交互设备的状态检测装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似,故下面所提供的一个或多个资源交互设备的状态检测装置实施例中的具体限定可以参见上文中对于资源交互设备的状态检测方法的限定,在此不再赘述。
在一个示例性的实施例中,如图9所示,提供了一种资源交互设备的状态检测装置,包括:交互数据获取模块910、权重参数获取模块920、模型输入模块930和检测结果获取模块940,其中:
交互数据获取模块910,用于获取待检测的资源交互设备对应于不同资源交互特征的资源交互数据。
权重参数获取模块920,用于在资源交互数据至少一个不为零的情况下,获取资源交互数据的采集时间段匹配的,对应于各资源交互数据的权重参数。
模型输入模块930,用于根据各权重参数对各资源交互数据进行加权处理,并将加权后的各资源交互数据输入至预先训练的设备状态检测模型,通过设备状态检测模型的邻居遗忘门,得到与加权后的各资源交互数据匹配的状态特征。
检测结果获取模块940,用于根据各资源交互数据匹配的状态特征,得到资源交互设备的设备状态检测结果。
在一个示例性的实施例中,权重参数获取模块包括权重获取模型输入单元和权重参数确定单元。
权重获取模型输入单元用于将不同资源交互特征的资源交互数据输入到预先训练的权重获取模型,通过权重获取模型,获取不同资源交互特征对应的权重参数。权重参数确定单元用于将不同资源交互特征对应的权重参数作为各资源交互特征的资源交互数据的权重参数。
在一个示例性的实施例中,权重参数获取模块还包括样本权重获取单元、预测权重获取单元和权重获取模型训练单元。
样本权重获取单元用于获取不同资源交互特征的样本资源交互数据,以及各样本资源交互数据的采集时间段匹配的样本权重参数。预测权重获取单元用于将各样本资源交互数据输入至待训练的权重获取预测权重参数模型,通过权重获取模型,得到各样本资源交互数据的采集时间段对应的。权重获取模型训练单元用于基于各样本资源交互数据的采集时间段匹配的样本权重参数和各样本资源交互数据的采集时间段对应的预测权重参数,对权重获取模型进行训练。
在一个示例性的实施例中,权重获取模型训练单元包括损失参数获取单元、初始损失值确定单元和目标损失值确定单元。
损失参数获取单元用于获取基于不同的采集时间段确定的损失参数。初始损失值确定单元用于获取各样本资源交互数据的采集时间段匹配的样本权重参数和各样本资源交互数据的采集时间段对应的预测权重参数之间的初始损失值。目标损失值确定单元用于根据各初始损失值和损失参数,得到目标损失值;并基于目标损失值,对权重获取模型进行训练。
在一个示例性的实施例中,设备状态检测模型包括第一子模型和第二子模型;第一子模型包括多个卷积层。模型输入模块包括第一卷积特征提取单元、特征激活单元、初始状态特征输出单元和第二子模型单元。
第一卷积特征提取单元用于在当前卷积层为第一子模型的首个卷积层的情况下,提取加权后的各资源交互数据分别对应的第一卷积特征。特征激活单元用于通过第一子模型的第一池化层,将第一卷积特征激活后作为下一卷积层的卷积输入特征。初始状态特征输出单元用于在当前卷积层为第一子模型的最后一个卷积层的情况下,对卷积输入特征进行卷积处理,得到第二卷积特征;并通过第一子模型的第二池化层,将第二卷积特征激活后作为第一子模型输出的各资源交互数据的初始状态特征。第二子模型单元用于将各资源交互数据的初始状态特征输入第二子模型,通过第二子模型的邻居遗忘门,得到各资源交互数据匹配的状态特征。
在一个示例性的实施例中,第二子模型包括多个隐藏层,各隐藏层包括多个类型的门结构;多个类型的门结构包括输入门结构、遗忘门结构、邻居遗忘门结构和输出门结构中的至少一种。
第二子模型单元包括输入状态特征单元、子状态特征确定单元、输出状态特征单元和匹配的状态特征确定单元。
输入状态特征单元用于获取当前隐藏层,以及当前隐藏层的输入状态特征。子状态特征确定单元用于将输入状态特征输入至各个类型的门结构,根据各个类型的门结构分别对应的门结构参数以及输入状态特征,得到各个类型的门结构对应的子状态特征;其中,门结构参数包括门结构的权重和门结构的偏置量。输出状态特征单元用于根据各子状态特征,得到当前隐藏层的输出状态特征。匹配的状态特征确定单元用于基于最后一个隐藏层的输出状态特征,得到各资源交互数据匹配的状态特征。
在一个示例性的实施例中,输入状态特征单元包括首个隐藏层单元、第二个隐藏层单元和其他隐藏层单元。
首个隐藏层单元用于在当前隐藏层为第二子模型的首个隐藏层的情况下,根据各资源交互数据的初始状态特征,得到当前隐藏层的输入状态特征。第二个隐藏层单元用于在当前隐藏层为第二子模型的第二个隐藏层的情况下,基于各资源交互数据的初始状态特征,以及首个隐藏层的输出状态特征,得到当前隐藏层的输入状态特征。其他隐藏层单元用于在当前隐藏层为除首个隐藏层以及第二个隐藏层以外的隐藏层的情况下,基于当前隐藏层上一隐藏层的输出状态特征以及当前隐藏层上两层隐藏层的输出状态特征,得到当前隐藏层的输入状态特征。
在一个示例性的实施例中,该装置还包括电流数据获取单元、损坏结果生成单元和休眠结果生成单元。
电流数据获取单元用于在各资源交互数据均为零的情况下,获取资源交互设备的电流数据。损坏结果生成单元用于在电流数据为零的情况下,生成资源交互设备的损坏结果。休眠结果生成单元用于在电流数据不为零的情况下,生成资源交互设备的休眠结果。
上述资源交互设备的状态检测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个示例性的实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图10所示。该计算机设备包括处理器、存储器、输入/输出接口(Input/Output,简称I/O)和通信接口。其中,处理器、存储器和输入/输出接口通过系统总线连接,通信接口通过输入/输出接口连接到系统总线。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储资源交互数据。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种资源交互设备的状态检测方法。
本领域技术人员可以理解,图10中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,还提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现上述各方法实施例中的步骤。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
在一个实施例中,提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
需要说明的是,本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等),均为经用户授权或者经过各方充分授权的信息和数据,且相关数据的收集、使用和处理需要符合相关规定。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory,MRAM)、铁电存储器(Ferroelectric Random Access Memory,FRAM)、相变存储器(Phase Change Memory,PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器等。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory,DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等,不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等,不限于此。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请的保护范围应以所附权利要求为准。
Claims (12)
1.一种资源交互设备的状态检测方法,其特征在于,所述方法包括:
获取待检测的资源交互设备对应于不同资源交互特征的资源交互数据;
在所述资源交互数据至少一个不为零的情况下,获取所述资源交互数据的采集时间段匹配的,对应于各所述资源交互数据的权重参数;
根据各所述权重参数对各所述资源交互数据进行加权处理,并将加权后的各所述资源交互数据输入至预先训练的设备状态检测模型,通过所述设备状态检测模型的邻居遗忘门,得到与所述加权后的各所述资源交互数据匹配的状态特征;
根据所述各所述资源交互数据匹配的状态特征,得到所述资源交互设备的设备状态检测结果。
2.根据权利要求1所述的方法,其特征在于,所述获取所述资源交互数据的采集时间段匹配的,对应于各所述资源交互数据的权重参数,包括:
将所述不同资源交互特征的资源交互数据输入到预先训练的权重获取模型,通过所述权重获取模型,获取所述不同资源交互特征对应的权重参数;
将所述不同资源交互特征对应的权重参数作为各所述资源交互特征的资源交互数据的权重参数。
3.根据权利要求2所述的方法,其特征在于,所述权重获取模型的训练方式,包括:
获取不同资源交互特征的样本资源交互数据,以及各所述样本资源交互数据的采集时间段匹配的样本权重参数;
将各所述样本资源交互数据输入至待训练的权重获取模型,通过所述权重获取模型,得到各所述样本资源交互数据的采集时间段对应的预测权重参数;
基于各所述样本资源交互数据的采集时间段匹配的样本权重参数和各所述样本资源交互数据的采集时间段对应的预测权重参数,对所述权重获取模型进行训练。
4.根据权利要求3所述的方法,其特征在于,所述基于各所述样本资源交互数据的采集时间段匹配的样本权重参数和各所述样本资源交互数据的采集时间段对应的预测权重参数,对所述权重获取模型进行训练,包括:
获取基于不同的采集时间段确定的损失参数;
获取各所述样本资源交互数据的采集时间段匹配的样本权重参数和各所述样本资源交互数据的采集时间段对应的预测权重参数之间的初始损失值;
根据各所述初始损失值和所述损失参数,得到目标损失值;并基于所述目标损失值,对所述权重获取模型进行训练。
5.根据权利要求1所述的方法,其特征在于,所述设备状态检测模型包括第一子模型和第二子模型;所述第一子模型包括多个卷积层;
所述通过所述设备状态检测模型的邻居遗忘门,得到与所述加权后的各所述资源交互数据匹配的状态特征,包括:
在当前卷积层为所述第一子模型的首个卷积层的情况下,提取加权后的各所述资源交互数据分别对应的第一卷积特征;
通过所述第一子模型的第一池化层,将所述第一卷积特征激活后作为下一卷积层的卷积输入特征;
在当前卷积层为所述第一子模型的最后一个卷积层的情况下,对所述卷积输入特征进行卷积处理,得到第二卷积特征;并通过所述第一子模型的第二池化层,将所述第二卷积特征激活后作为所述第一子模型输出的各所述资源交互数据的初始状态特征;
将各所述资源交互数据的初始状态特征输入所述第二子模型,通过所述第二子模型的邻居遗忘门,得到各所述资源交互数据匹配的状态特征。
6.根据权利要求5所述的方法,其特征在于,所述第二子模型包括多个隐藏层,各所述隐藏层包括多个类型的门结构;所述多个类型的门结构包括输入门结构、遗忘门结构、邻居遗忘门结构和输出门结构中的至少一种;
所述通过所述第二子模型的邻居遗忘门,得到各所述资源交互数据匹配的状态特征,包括:
获取当前隐藏层,以及所述当前隐藏层的输入状态特征;
将所述输入状态特征输入至各个类型的门结构,根据各个类型的门结构分别对应的门结构参数以及所述输入状态特征,得到各个类型的门结构对应的子状态特征;其中,所述门结构参数包括所述门结构的权重和所述门结构的偏置量;
根据各所述子状态特征,得到所述当前隐藏层的输出状态特征;
基于最后一个隐藏层的输出状态特征,得到所述各所述资源交互数据匹配的状态特征。
7.根据权利要求6所述的方法,其特征在于,所述获取当前隐藏层,以及所述当前隐藏层的输入状态特征,包括:
在所述当前隐藏层为所述第二子模型的首个隐藏层的情况下,根据各所述资源交互数据的初始状态特征,得到所述当前隐藏层的输入状态特征;
在所述当前隐藏层为所述第二子模型的第二个隐藏层的情况下,基于各所述资源交互数据的初始状态特征,以及所述首个隐藏层的输出状态特征,得到所述当前隐藏层的输入状态特征;
在所述当前隐藏层为除所述首个隐藏层以及所述第二个隐藏层以外的隐藏层的情况下,基于所述当前隐藏层上一隐藏层的输出状态特征以及当前隐藏层上两层隐藏层的输出状态特征,得到所述当前隐藏层的输入状态特征。
8.根据权利要求1所述的方法,其特征在于,所述获取待检测的资源交互设备对应于不同资源交互特征的资源交互数据之后,还包括:
在各所述资源交互数据均为零的情况下,获取所述资源交互设备的电流数据;
在所述电流数据为零的情况下,生成所述资源交互设备的损坏结果;
在所述电流数据不为零的情况下,生成所述资源交互设备的休眠结果。
9.一种资源交互设备的状态检测装置,其特征在于,所述装置包括:
交互数据获取模块,用于获取待检测的资源交互设备对应于不同资源交互特征的资源交互数据;
权重参数获取模块,用于在所述资源交互数据至少一个不为零的情况下,获取所述资源交互数据的采集时间段匹配的,对应于各所述资源交互数据的权重参数;
模型输入模块,用于根据各所述权重参数对各所述资源交互数据进行加权处理,并将加权后的各所述资源交互数据输入至预先训练的设备状态检测模型,通过所述设备状态检测模型的邻居遗忘门,得到与所述加权后的各所述资源交互数据匹配的状态特征;
检测结果获取模块,用于根据所述各所述资源交互数据匹配的状态特征,得到所述资源交互设备的设备状态检测结果。
10.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至8中任一项所述的方法的步骤。
11.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至8中任一项所述的方法的步骤。
12.一种计算机程序产品,包括计算机程序,其特征在于,该计算机程序被处理器执行时实现权利要求1至8中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410301278.6A CN118036673A (zh) | 2024-03-15 | 2024-03-15 | 资源交互设备的状态检测方法、装置和计算机设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410301278.6A CN118036673A (zh) | 2024-03-15 | 2024-03-15 | 资源交互设备的状态检测方法、装置和计算机设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN118036673A true CN118036673A (zh) | 2024-05-14 |
Family
ID=91004127
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410301278.6A Pending CN118036673A (zh) | 2024-03-15 | 2024-03-15 | 资源交互设备的状态检测方法、装置和计算机设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118036673A (zh) |
-
2024
- 2024-03-15 CN CN202410301278.6A patent/CN118036673A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Salehi et al. | Emerging artificial intelligence methods in structural engineering | |
Rafiq et al. | Regularized LSTM based deep learning model: first step towards real-time non-intrusive load monitoring | |
Han et al. | Learning sparse latent graph representations for anomaly detection in multivariate time series | |
CN114220271A (zh) | 基于动态时空图卷积循环网络的交通流预测方法、设备及存储介质 | |
KR20220117336A (ko) | 소비 전력을 예측하기 위한 방법 및 장치, 디바이스 및 판독 가능한 저장 매체 | |
CN118094439B (zh) | 一种银行异常交易检测方法、系统及装置 | |
Gao et al. | Adversarial mobility learning for human trajectory classification | |
CN117494871A (zh) | 一种考虑船舶交互影响的船舶轨迹预测方法 | |
CN118152901B (zh) | 基于数据驱动的设备故障预测方法及系统 | |
CN117977028B (zh) | 基于车辆电池监测的智能充电方法及系统 | |
CN116500335B (zh) | 基于一维特征和二维特征的智能电网窃电检测方法及系统 | |
CN117154256A (zh) | 锂电池的电化学修复方法 | |
CN116822702A (zh) | 碳排放预测方法、装置、计算机设备和存储介质 | |
CN118036673A (zh) | 资源交互设备的状态检测方法、装置和计算机设备 | |
CN116205376B (zh) | 行为预测方法、行为预测模型的训练方法和装置 | |
Choi et al. | Highly Accurate Short-Term Gas Consumption and Elapsed Time Forecasting Using Multi-Channel Deep Neural Network | |
Chakri et al. | Time-Series Neural Network Predictions Using LSTM for Clustering and Forecasting GPS Data of Bird Immigration | |
Vani et al. | Plant Disease Identification Tracking and Forecasting Using Machine Learning | |
CN117009883B (zh) | 对象分类模型构建方法、对象分类方法、装置和设备 | |
CN113744081B (zh) | 窃电行为分析方法 | |
Mitchell | Predicting Bike-Sharing Traffic Flow using Machine Learning | |
CN118521390A (zh) | 资源转移异常识别方法、装置、计算机设备和存储介质 | |
Peratoner | AutoML for Advanced Monitoring in Digital Manufacturing and Industry 4.0 | |
Khampuengson | Machine learning methods for detecting and correcting data errors in water level telemetry systems | |
CN118708940A (zh) | 电力设备智能监测方法、装置、计算机设备和存储介质 |
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 |