CN111538643A - 一种监控***报警信息过滤方法和*** - Google Patents

Abstract

本发明公开了一种监控***报警信息过滤方法和***，获取历史报警信息和与事件结果相关的报警信息；根据报警信息属性相对于工作岗位的关联度进行首次标记；根据产生事件结果的原因，对报警信息进行辅助标记；根据辅助标记，筛除与事件结果无直接关系的报警信息得到有效报警信息；若有效报警信息的首次标记没有特别关注或一般关注，则重新进行首次标记；提取经过首次标记和辅助标记过的报警信息样本集,送入学习模型进行训练，生成分类模型；使用已知样本集对分类模型进入测试，若测试结果符合预期，则使用分类模型对未知报警信息进行处理并显示。本发明解决了如何在大量报警信息中智能过滤关键报警信息的问题。

Description

一种监控***报警信息过滤方法和***

技术领域

本发明涉及信息处理领域，具体涉及一种监控***报警信息过滤方法和***。

背景技术

现有的综合监控***中常常会看到满屏的报警信息，造成报警泛滥，操作人员往往无法第一时间识别出哪个报警是最关键的报警，哪些报警是附属产生的报警，从而导致关键报警信息处理滞后。

综合监控***中的报警信息类别可以分为：设备上报的本体故障报警、传感器检测报警（如烟感、温感、水泵的水位等）、设备上报数值超限或动作状态报警（如防淹门的动作状态、服务器的CPU占用率等）和网络中断报警。

从海量报警中找出有价值的报警进行显示，现有技术有两种解决思路：

1.通过设备建模，根据设备实时状态来判断报警是否有价值。但由于设备种类很多，且同一用途、不同品牌、不同型号的设备模型不一定可以通用，更为棘手的是综合监控***中缺少设备的维保信息，难以建模。

2.通过对应的报警是否生成维修工单来判断报警是否有价值。但由于维修工单中的设备编号与综合监控***中的设备编号不一致，***难以自动判断；加之维修工单产生的时间一般都会大幅滞后于现场设备的报警，且同样缺少设备的维保信息，无法落地实现。

以上两种思路还有一个共同的问题，就是只针对了设备本体故障报警，而没有考虑另几类报警信息。

发明内容

通过报警本身的分类和预测方法来解决报警的过滤问题。

本发明所要解决的技术问题是监控***中报警信息泛滥带来的不能准确有效的识别关键报警信息，目的在于提供一种监控***报警信息过滤方法和***，解决了如何在大量报警信息中智能过滤关键报警信息的问题。

本发明通过下述技术方案实现：

一方面，本发明一种监控***报警信息过滤方法，包括以下步骤：S1：获取给定时间区间内的所有历史报警信息；S2：根据每条报警信息属性相对于工作岗位的关联度进行首次标记，所述首次标记根据关联度由小到大分为三个等级，分别为：无需关注、一般关注和特别关注；S3：获取与事件结果相关的报警信息，并将与事件结果相关的报警信息定义为事件相关报警信息，根据产生事件结果的原因，对所述事件相关报警信息进行辅助标记；S4：根据所述事件相关报警信息的辅助标记，筛除与所述事件结果无直接关系的报警信息，得到有效报警信息；S5：判断所述有效报警信息的首次标记，若所述有效报警信息的首次标记没有特别关注或一般关注，则根据每条有效报警信息属性相对于工作岗位的关联度重新进行首次标记，使得所述有效报警信息的首次标记至少有一个为特别关注或一般关注；S6：提取经过步骤S5首次标记和辅助标记过的报警信息样本集,将所述样本集送入学习模型进行训练，生成分类模型；S7：将通过人工进行首次标记和辅助标记的已知报警信息样本，送入所述分类模型进行测试，若测试结果准确率符合预期准确率，则使用所述分类模型对未知报警信息进行标记，并根据首次标记等级和辅助标记来显示报警信息。

本发明是通过对报警信息标记和预测学习模型来对报警信息进行自动过滤。对报警信息的标记分为两部分：一是针对报警信息内容对每个工作岗位的关联所做的首次标记，首次标记根据报警信息对工作岗位的重要程序，由小到大分为三个等级，分别为无需关注、一般关注和特别关注；二是从产生报警信息的事件结果来看，判断报警信息是由什么事件产生的，根据报警信息对于事件结果产生的因果关系，将报警信息进行辅助标记的分类。根据事件产生的结果，对事件结果相关的所有报警信息进行过滤，将与事件产生无直接关系的报警信息筛除，留下与事件结果有直接关系的报警信息，即留下有效的关键报警信息，祛除了与当前工作岗位不相关的报警信息，直接精炼出了关键报警信息，有利于相关工作岗位做出有效的应对。本发明方法一方面并非针对单一的设备本体来设计，而是针对报警信息本身的属性来进行两种标记，保障不同设备种类、品牌或用途的报警信息都能被处理，也保障了设备之外的报警信息也能被处理。本发明方法另一方面通过对设备故障产生的事件后果，做反向推导，重新对报警信息的首次标记和或辅助标记进行调整，保障了报警信息两种标记的准确性。

建立机器学习模型，将经过首次标记和辅助标记后的报警信息，送入机器学习模型进行训练，从而建立报警信息的分类规则，即分类模型。为了提高分类模型的准确率，在其训练过程中，使用人工进行首次标记和辅助标记的已知报警信息样本，对分类模型进行测试，若测试结果准确率是处于可以接受范围，则使用该分类模型对未知报警信息进行处理过滤。本发明方法的分类模型建立起一套成熟的报警信息过滤方法，可以将其直接用于对陌生报警信息的处理，提高了对未知报警信息的处理效率，提高了工作人员对未知故障的处理效率。

进一步的，若测试结果准确率不符合预期准确率，则重复步骤S2-S7。通过报警信息数据样本对分类模型的反复调整，达到分类模型准确率的提高，得到可以用于对未知报警信息进行处理的分类模型。

进一步的，当有延伸线接入或设备替换改造时，重新生成首次标记和辅助标记的已知报警信息样本。监控对象有重大改造和调整时，报警信息定会出现极大变化，因此要重新建立报警信息样本，对分类模块重新进行训练，得到适合的分类模型。

进一步的，所述报警信息属性包括线路、车站、子***、设备类型、设备编号、设备品牌型号、设备安装位置、报警时间、报警类型和报警值；所述工作岗位包括站长、值班站长、站务、行调、电环调、维调和值班主任；所述辅助标记包括故障相关、联动相关、附属报警、施工产生、误报警和无。

进一步的，对于同一工作岗位，辅助标记为附属报警的报警信息，其首次标记的等级低于其所附属的主报警的首次标记，所述主报警为与事件结果有直接关系的报警信息。对于附属报警，对同一个岗位，如果其首次标记被划入的等级高于主报警的等级，需要由该工作岗位用户重新划分。

进一步的，所述事件结果包括：维修工单的产生或执行、故障报警的设备在24小时内产生了维修工单、报警触发了联动和联动被确认执行。

进一步的，通过决策树算法或神经网络算法训练所述学习模型。

进一步的，所述监控***报警信息包括设备本体故障报警、传感器报警、设备上报数值超限报警、设备动作状态报警和网络中断报警。

另一方面，本发明提供一种监控***报警信息过滤***，包括：

报警信息提取模块：用于获取给定时间区间内的所有历史报警信息；用于获取与事件结果相关的报警信息；

报警信息标记模块：用于根据每条报警信息属性相对于工作岗位的关联度进行首次标记，所述首次标记由小到大分为：无需关注、一般关注和特别关注；用于将与事件结果相关的报警信息定义为事件相关报警信息，根据产生事件结果的原因，对所述事件相关报警信息进行辅助标记；

报警信息处理模块：用于根据所述事件相关报警信息的辅助标记，筛除与所述事件结果无直接关系的报警信息，得到有效报警信息；用于判断所述有效报警信息的首次标记，若所述有效报警信息的首次标记没有特别关注或一般关注，则根据每条有效报警信息属性相对于工作岗位的关联度重新进行首次标记，保障所述有效报警信息的首次标记至少有一个为特别关注或一般关注；

报警信息分类规则建立模块：用于提取经过所述报警信息处理模块首次标记和辅助标记过的报警信息样本集,将所述样本集送入学习模型进行训练，生成分类模型；用于将通过人工进行首次标记和辅助标记的已知报警信息样本，送入所述分类模型进行测试，若测试结果准确率符合预期准确率，则使用所述分类模型对未知报警信息进行标记；

报警信息显示模块：根据报警信息的首次标记和辅助标记，向对应工作岗位显示所述报警信息的内容，并按首次标记的等级进行颜色区分。

进一步的，所述报警信息属性包括线路、车站、子***、设备类型、设备编号、设备品牌型号、设备安装位置、报警时间、报警类型和报警值；所述工作岗位包括站长、值班站长、站务、行调、电环调、维调和值班主任；所述辅助标记包括故障相关、联动相关、附属报警、施工产生、误报警和无；所述事件结果包括维修工单的产生或执行、故障报警的设备在24小时内产生了维修工单、报警触发了联动和联动被确认执行。

本发明与现有技术相比，具有如下的优点和有益效果：

对报警信息的首次标记和辅助标记的目的：

首次标记用于基于用户岗位的报警过滤策略学习；

辅助标记用于对首次标记进行修正，同时提供一些额外的信息，比如：初步的设备故障预测，提示用户适当关注；提供主要报警和附属报警的报警链，方便故障分析。

经过训练后建立的分类模型，通过用已知的测试样本集评估分类规则的准确率，如果准确率是可以接受的，则使用该模型对未知报警进行预测。其中，准确率的判断依靠3种指标：Kappa统计、识别准确度和识别精确度。当Kappa>=0.75，识别准确度达到95%以上，识别精确度达到90%以上时，表示准确率是可以接受的。

分类是有监督的学习，需要定期收集用户反馈，尤其是有延伸线接入或设备替换改造时，需要调整训练集对模型重新进行训练。

1、准确有效的筛选出关键报警信息，消除了报警信息的泛滥和冗余；

2、对于附属报警信息特别多时，也就是所谓的“报警雪崩”，可以通过本发明方法获取报警链，方便故障分析；

3、提高了工作岗位对突发事故的处理效率，从而避免由于错失关键报警信息引起的其他事故；

4、本发明方法随着监控对象的结构调整或其他变化，可以自适应的随时调整。

附图说明

此处所说明的附图用来提供对本发明实施例的进一步理解，构成本申请的一部分，并不构成对本发明实施例的限定。在附图中：

图1为本发明方法流程示意图；

图2为本发明标记分类图；

图3为实施例3过滤后的报警信息分类。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明白，下面结合实施例和附图，对本发明作进一步的详细说明，本发明的示意性实施方式及其说明仅用于解释本发明，并不作为对本发明的限定。

实施例1

本实施例1一种监控***报警信息过滤方法，包括以下步骤：S1：获取给定时间区间内的所有历史报警信息；S2：根据每条报警信息属性相对于工作岗位的关联度进行首次标记，首次标记根据关联度由小到大分为三个等级，分别为：无需关注、一般关注和特别关注；S3：获取与事件结果相关的报警信息，并将与事件结果相关的报警信息定义为事件相关报警信息，根据产生事件结果的原因，对事件相关报警信息进行辅助标记；S4：根据事件相关报警信息的辅助标记，筛除与事件结果无直接关系的报警信息，得到有效报警信息；事件结果包括：维修工单的产生或执行、故障报警的设备在24小时内产生了维修工单、报警触发了联动和联动被确认执行；S5：判断有效报警信息的首次标记，若有效报警信息的首次标记没有特别关注或一般关注，则根据每条有效报警信息属性相对于工作岗位的关联度重新进行首次标记，使得有效报警信息的首次标记至少有一个为特别关注或一般关注；S6：提取经过步骤S5首次标记和辅助标记过的报警信息样本集,将样本集送入学习模型进行训练，通过决策树算法或神经网络算法训练学习模型，最后生成分类模型；S7：将通过人工进行首次标记和辅助标记的已知报警信息样本，送入分类模型进行测试，若测试结果准确率符合预期准确率，则使用分类模型对未知报警信息进行标记，并根据标记状态显示报警信息。

对报警信息的标记分为两部分：一是针对报警信息内容对每个工作岗位的关联所做的首次标记，首次标记根据报警信息对工作岗位的重要程序，由小到大分为三个等级，分别为无需关注、一般关注和特别关注；二是从产生报警信息的事件结果来看，判断报警信息是由什么事件产生的，根据报警信息对于事件结果产生的因果关系，将报警信息进行辅助标记的分类。根据事件产生的结果，对事件结果相关的所有报警信息进行过滤，将与事件产生无直接关系的报警信息筛除，留下与事件结果有直接关系的报警信息，即留下有效的关键报警信息。

建立机器学习模型，将经过首次标记和辅助标记后的报警信息，送入机器学习模型进行训练，从而建立报警信息的分类规则，即分类模型。为了提高分类模型的准确率，在其训练过程中，使用人工进行首次标记和辅助标记的已知报警信息样本，对分类模型进行测试，若测试结果准确率是处于可以接受范围，则使用该分类模型对未知报警信息进行处理过滤。其中，测试结果准确率的判断依靠3种指标：Kappa统计、识别准确度和识别精确度。当Kappa>=0.75，识别准确度达到95%以上，识别精确度达到90%以上时，表示测试结果准确率是可以接受的。

若测试结果准确率不符合预期准确率，则重复步骤S2-S7。通过报警信息数据样本对分类模型的反复调整，达到分类模型准确率的提高，得到可以用于对未知报警信息进行处理的分类模型。

当有延伸线接入或设备替换改造时，重新生成首次标记和辅助标记的已知报警信息样本。监控对象有重大改造和调整时，报警信息定会出现极大变化，因此要重新建立报警信息样本，对分类模块重新进行训练，得到适合的分类模型。

报警信息属性包括线路、车站、子***、设备类型、设备编号、设备品牌型号、设备安装位置、报警时间、报警类型和报警值；工作岗位包括站长、值班站长、站务、行调、电环调、维调和值班主任；辅助标记包括故障相关、联动相关、附属报警、施工产生、误报警和无。

对于同一工作岗位，辅助标记为附属报警的报警信息，其首次标记的等级低于其所附属的主报警的首次标记，所述主报警为与事件结果有直接关系的报警信息。对于附属报警，对同一个岗位，如果其首次标记被划入的等级高于主报警的等级，需要由该工作岗位用户重新划分。

监控***报警信息包括设备本体故障报警、传感器检测报警、设备上报数值超限报警、设备动作状态报警和网络中断报警。

实施例2

本实施例2是通过报警本身的标记和预测方法来解决报警的过滤问题。如图1所示。

报警属性可以分为：线路（分期）、车站、子***、设备类型、设备编号、设备品牌及型号、设备安装位置、报警时间、报警类型、报警值（模拟量）等。

人员岗位可以分为车站的站长、值班站长、站务等；控制中心的调度（行调、电环调、维调、值班主任等）。

这样，过滤报警的问题就转换为：对于每一个岗位，根据报警的属性，将其标记为“无需关注、一般关注、特别关注”3类。

首先，从综合监控***中导出近期的所有历史报警，由不同岗位的用户分别进行首次标记（“无需关注、一般关注、特别关注、不确定”4类标记）

由于用户可能会对报警分类做出错误判断（尤其是将需要关注的类型错误的划分为不需关注的类型），因此还需要结合报警是否是附属报警，以及是否产生了直接后果来进行辅助标记，例如：故障报警的设备是否在24小时内产生了维修工单；报警是否触发了联动，联动又是否被确认执行。对于产生了直接后果的报警，如果前期被所有岗位用户都标记成了“无需关注”，则需要由用户重新划分，至少应有一个岗位将其标记为“一般关注”或者“特别关注”类型，同时辅助标记为“故障相关”；对于附属报警，对同一个岗位，如果其被首次标记的等级高于其所附属的主报警的等级，也需要由该岗位用户重新标记。同时，需要收集地铁的施工信息，包括施工的时间段、地点、影响范围等，对报警是否由施工产生进行标记。对于有条件的设备，还可以对误报警进行标记。所有的辅助标记可以分为“故障相关、联动相关、附属报警、施工产生、误报警、无”6类。

辅助标记的数据准备，可以反向进行，也就是说：不是通过报警去寻找后果，而是通过后果来寻找报警。由于维修工单和联动（日志）的数量远小于报警数量（相差若干个数量级），由此可以避免过大的工作量。附属报警则需要相关业务知识，应由对应子***的业务专家进行判断。

经过首次标记和辅助标记后得到的结果集作为训练集进行训练，通过构造机器学习方法进行训练，主要使用的算法包括决策树算法和神经网络算法，学习后建立分类模型，得到训练规则。然后通过用已知的测试样本集评估标记规则的准确率，如果准确率是可以接受的，则使用该模型对未知报警进行预测。其中，准确率的判断依靠3种指标：Kappa统计、识别准确度和识别精确度。当Kappa>=0.75，识别准确度达到95%以上，识别精确度达到90%以上时，表示准确率是可以接受的。

标记是有监督的学习，需要定期收集用户反馈，尤其是有延伸线接入或设备替换改造时，需要调整训练集对模型重新进行训练。

实施例3

本实施例3是成都地铁4号线综合监控***的报警显示处理过程：

1、导出近期所有的历史报警；（监控***中保留了10个月的历史报警），如下表所示的部分报警信息的内容。

综合监控***中的报警信息主要分为以下几类：

1）设备上报的本体故障报警；

2）传感器检测报警，如烟感、温感、水泵的水位等；

3）设备上报数值超限或动作状态报警，如防淹门的动作状态、服务器的CPU占用率等；

4）网络中断报警。

每条报警记录的属性包含：节点名（车站、控制中心、停车场、车辆段），Tag点名，Tag点描述，设备描述，报警类型，报警时间，状态，类名，子***，报警描述，当前值，旧值，报警id，报警区域等。

2、如图2所示各岗位对报警进行首次标记，首次标记的等级包括：无需关注、一般关注、特别关注、不确定共4类；各用户根据报警类型，结合自己的岗位职责和经验，来区分报警的关注级别。比如电环调调度岗，首先其岗位职责只需要关注电力、环控***等几个***的报警。那其他***的报警就是“无需关注”的。在需要关注的***中，某些设备的故障对运营的影响最大，与这些故障相关的报警就是“特别关注”。其他设备的故障对运营的影响不那么大，就是“一般关注”。某些设备的小故障对运营没有任何影响，设备是可以带这些故障运行的，那这些报警可以被列为“无需关注”。“不确定”作为一个默认项，标明无法标记的选项。岗位人员标记的主观性比较强，规则性比较强，实际使用中会有很多例外情况，所以主要是作为一个基准，需要进行辅助标记来调整。

接着进行辅助标记调整，辅助标记类型包括：故障相关、联动相关、附属报警、施工产生、误报警、无、不确定 共7类；故障相关：在维保***中，产生了维修工单，安排了工作人员去维修甚至更换的；

联动相关：主要是传感器报警，比如烟感，用来探测烟雾从而触发火灾报警，但是经常会误报，那就要从联动日志中去判断，哪些是误报，哪些是真的发生过火灾（可能只是很小的火苗，甚至于抽烟，这些都要算进来，但是其他由于灰尘等造成的误报要排除掉）；

附属报警：这一类报警需要专业知识来判断，以电力***居多，电网内一处跳闸，可能会导致其他多处跳闸，那第一个跳闸的报警是主报警，由这个跳闸引起的其他跳闸和其他报警（比如UPS的失电报警）都属于附属报警；

施工产生：施工作业是有记录的，在施工过程中，会对设备进行很多操作，这些操作可能会产生报警，根据施工作业的时间和范围（影响的车站和***），就可以判断出来是否施工引起的；

误报警：比如前面说到的烟感的误报警，以及其他设备被确认的误报警；

无：不属于上述任何一种类型。

不确定：作为一个默认项，标明无法分类的选项。

故障相关、联动相关的，要做为强相关因素；附属报警、施工产生的，做为弱相关因素。

调整辅助标记，是用客观性和实际后果来抵消用户标记的主观性，找出规则以外的例外情况可能具有的规律。

3、建立分类模型；常用的建立分类模型的方法有决策树和神经网络。

4、根据分类模型，显示报警。

首先，需要使用历史数据，使用分类算法训练出来一个分类模型。当一个新的报警产生后，根据报警的种类、属性、当前登录***的岗位、施工信息、电网状态等，通过模型进行预测分类，属于当前登录的用户的哪一类报警（无需关注、一般关注、特别关注）。对于无需关注类型的，不在主界面展示（但可以在详细报警页面查询出来）；对于一般关注和特别关注类型的，展示在主界面上，其中特别关注的类型，采用颜色闪烁、报警声音等方式引起用户的注意力。

5、定期收集用户反馈，调整分类模型，重复步骤1-5。

用户使用一段时间后，发现某些报警的标记不符合他的要求，应该是特别关注的，被划分为了无需关注。这就需要根据用户的反馈，分析这类报警分类不正确的原因，排除掉***本身实现的缺陷外，是否存在前期对该报警的信息收集不全的情况。补充收集信息后，对训练集进行调整，重新训练模型。

6、根据调整后的分类模型，调整显示的报警，如图3所示。

实施例2和实施例3中的“不确定”作为一个默认项，标明无法分类的选项，通过实施实施例2或实施例3的方法之后，最终都会标记为无需关注、一般关注或特别关注；同理辅助标记中的“不确定”作为一个默认项，标明无法分类的选项，通过实施实施例2或实施例3的方法之后，最终都会标记为故障相关、联动相关、附属报警、施工产生、误报警或无。

在另一些实施例中，会将首次标记中的“不确定”归入“无需关注”中；将辅助标记中的“不确定”归入“无”中。

实施例4

本实施例是一种监控***报警信息过滤***，包括：

报警信息提取模块：用于获取给定时间区间内的所有历史报警信息；用于获取与事件结果相关的报警信息；

报警信息标记模块：用于根据每条报警信息属性相对于工作岗位的关联度进行首次标记，首次标记由小到大分为：无需关注、一般关注和特别关注；用于将与事件结果相关的报警信息定义为事件相关报警信息，根据产生事件结果的原因，对事件相关报警信息进行辅助标记；

报警信息处理模块：用于根据事件相关报警信息的辅助标记，筛除与事件结果无直接关系的报警信息，得到有效报警信息；用于判断有效报警信息的首次标记，若有效报警信息的首次标记没有特别关注或一般关注，则根据每条有效报警信息属性相对于工作岗位的关联度重新进行首次标记，保障有效报警信息的首次标记至少有一个为特别关注或一般关注；

报警信息分类规则建立模块：用于提取经过报警信息处理模块首次标记和辅助标记过的报警信息样本集,将样本集送入学习模型进行训练，生成分类模型；用于将通过人工进行首次标记和辅助标记的已知报警信息样本，送入分类模型进行测试，若测试结果准确率符合预期准确率，则使用分类模型对未知报警信息进行标记；

报警信息显示模块：根据报警信息的首次标记和辅助标记，向对应工作岗位显示报警信息的内容，并按首次标记的等级进行颜色区分。

报警信息属性包括线路、车站、子***、设备类型、设备编号、设备品牌型号、设备安装位置、报警时间、报警类型和报警值；工作岗位包括站长、值班站长、站务、行调、电环调、维调和值班主任；辅助标记包括故障相关、联动相关、附属报警、施工产生、误报警和无；事件结果包括维修工单的产生或执行、故障报警的设备在24小时内产生了维修工单、报警触发了联动和联动被确认执行。

以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种监控***报警信息过滤方法，其特征在于，包括以下步骤：

S1：获取给定时间区间内的所有历史报警信息；

S2：根据每条报警信息属性相对于工作岗位的关联度进行首次标记，所述首次标记根据关联度由小到大分为三个等级，分别为：无需关注、一般关注和特别关注；

S3：获取与事件结果相关的报警信息，并将与事件结果相关的报警信息定义为事件相关报警信息，根据产生事件结果的原因，对所述事件相关报警信息进行辅助标记；

S4：根据所述事件相关报警信息的辅助标记，筛除与所述事件结果无直接关系的报警信息，得到有效报警信息；

S5：判断所述有效报警信息的首次标记，若所述有效报警信息的首次标记没有特别关注或一般关注，则根据每条有效报警信息属性相对于工作岗位的关联度重新进行首次标记，使得所述有效报警信息的首次标记至少有一个为特别关注或一般关注；

S6：提取经过步骤S5首次标记和辅助标记过的报警信息样本集,将所述样本集送入学习模型进行训练，生成分类模型；

S7：将通过人工进行首次标记和辅助标记的已知报警信息样本，送入所述分类模型进行测试，若测试结果准确率符合预期准确率，则使用所述分类模型对未知报警信息进行标记，并根据首次标记等级和辅助标记来显示报警信息。

2.根据权利要求1所述的监控***报警信息过滤方法，其特征在于，若测试结果准确率不符合预期准确率，则重复步骤S2-S7。

3.根据权利要求2所述的监控***报警信息过滤方法，其特征在于，当有延伸线接入或设备替换改造时，重新生成首次标记和辅助标记的已知报警信息样本。

4.根据权利要求1所述的监控***报警信息过滤方法，其特征在于，所述报警信息属性包括线路、车站、子***、设备类型、设备编号、设备品牌型号、设备安装位置、报警时间、报警类型和报警值；所述工作岗位包括站长、值班站长、站务、行调、电环调、维调和值班主任；所述辅助标记包括故障相关、联动相关、附属报警、施工产生、误报警和无。

5.根据权利要求4所述的监控***报警信息过滤方法，其特征在于，对于同一工作岗位，辅助标记为附属报警的报警信息，其首次标记的等级低于其所附属的主报警的首次标记，所述主报警为与事件结果有直接关系的报警信息。

6.根据权利要求1所述的监控***报警信息过滤方法，其特征在于，所述事件结果包括：维修工单的产生或执行、故障报警的设备在24小时内产生了维修工单、报警触发了联动和联动被确认执行。

7.根据权利要求1所述的监控***报警信息过滤方法，其特征在于，通过决策树算法或神经网络算法训练所述学习模型。

8.根据权利要求1所述的监控***报警信息过滤方法，其特征在于，所述监控***报警信息包括设备本体故障报警、传感器检测报警、设备上报数值超限报警、设备动作状态报警和网络中断报警。

9.一种监控***报警信息过滤***，其特征在于，包括：

报警信息提取模块：用于获取给定时间区间内的所有历史报警信息；用于获取与事件结果相关的报警信息；

报警信息标记模块：用于根据每条报警信息属性相对于工作岗位的关联度进行首次标记，所述首次标记由小到大分为：无需关注、一般关注和特别关注；用于将与事件结果相关的报警信息定义为事件相关报警信息，根据产生事件结果的原因，对所述事件相关报警信息进行辅助标记；

报警信息处理模块：用于根据所述事件相关报警信息的辅助标记，筛除与所述事件结果无直接关系的报警信息，得到有效报警信息；用于判断所述有效报警信息的首次标记，若所述有效报警信息的首次标记没有特别关注或一般关注，则根据每条有效报警信息属性相对于工作岗位的关联度重新进行首次标记，保障所述有效报警信息的首次标记至少有一个为特别关注或一般关注；

报警信息分类规则建立模块：用于提取经过所述报警信息处理模块首次标记和辅助标记过的报警信息样本集,将所述样本集送入学习模型进行训练，生成分类模型；用于将通过人工进行首次标记和辅助标记的已知报警信息样本，送入所述分类模型进行测试，若测试结果准确率符合预期准确率，则使用所述分类模型对未知报警信息进行标记；

报警信息显示模块：根据报警信息的首次标记和辅助标记，向对应工作岗位显示所述报警信息的内容，并按首次标记的等级进行颜色区分。

10.一种根据权利要求9所述的监控***报警信息过滤***，其特征在于，所述报警信息属性包括线路、车站、子***、设备类型、设备编号、设备品牌型号、设备安装位置、报警时间、报警类型和报警值；所述工作岗位包括站长、值班站长、站务、行调、电环调、维调和值班主任；所述辅助标记包括故障相关、联动相关、附属报警、施工产生、误报警和无；所述事件结果包括维修工单的产生或执行、故障报警的设备在24小时内产生了维修工单、报警触发了联动和联动被确认执行。

Images