CN111783487B - 一种读卡器设备的故障预警方法及装置 - Google Patents
一种读卡器设备的故障预警方法及装置 Download PDFInfo
- Publication number
- CN111783487B CN111783487B CN202010585023.9A CN202010585023A CN111783487B CN 111783487 B CN111783487 B CN 111783487B CN 202010585023 A CN202010585023 A CN 202010585023A CN 111783487 B CN111783487 B CN 111783487B
- Authority
- CN
- China
- Prior art keywords
- reading module
- card reading
- data
- prediction
- training
- 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.)
- Active
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06K—GRAPHICAL DATA READING; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
- G06K7/00—Methods or arrangements for sensing record carriers, e.g. for reading patterns
- G06K7/0095—Testing the sensing arrangement, e.g. testing if a magnetic card reader, bar code reader, RFID interrogator or smart card reader functions properly
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/18—Status alarms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- 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
-
- 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
- G06N3/045—Combinations of networks
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种读卡器设备的故障预警方法及装置,所述方法包括:获取读卡器设备的每个读卡模块的预测数据;对每个读卡模块的预测数据进行特征处理,获得每个读卡模块的预测特征数据;根据每个读卡模块的预测特征数据以及每个读卡模块的使用次数预测模型,获得每个读卡模块的预测使用次数;根据每个读卡模块的预测使用次数和当前累计使用次数,获得每个读卡模块的预测累计使用次数;若判断获知所述读卡模块的预测累计使用次数大于对应的使用阈值,则发出故障预警信息。所述装置用于执行上述方法。本发明实施例提供的读卡器设备的故障预警方法及装置,提高了读卡器设备的可靠性。
Description
技术领域
本发明涉及设备维护技术领域,具体涉及一种读卡器设备的故障预警方法及装置。
背景技术
读卡器设备可以配置在银行网点柜面,用于读取银行卡以及身份证的信息。
现有技术中,银行网点柜面使用的读卡器设备的维护方式是故障维护,即当读卡器设备发生故障时再进行维护,但是当读卡器设备发生故障时再维护,已经对读卡器设备的使用产生影响,并且读卡器设备的更换及维护也需要时间,会导致在一定时间内无法为客户提供服务,影响到客户业务的办理,会影响银行网点的客户服务体验。
发明内容
针对现有技术中的问题,本发明实施例提供一种读卡器设备的故障预警方法及装置,能够至少部分地解决现有技术中存在的问题。
一方面,本发明提出一种读卡器设备的故障预警方法,包括:
获取读卡器设备的每个读卡模块的预测数据;
对每个读卡模块的预测数据进行特征处理,获得每个读卡模块的预测特征数据;
根据每个读卡模块的预测特征数据以及每个读卡模块的使用次数预测模型,获得每个读卡模块的预测使用次数;其中,每个读卡模块的使用次数预测模型包括设定数量的预测子模型,所述设定数量的预测子模型是根据每个读卡模块的使用次数训练数据以及历史使用次数训练获得的;
根据每个读卡模块的预测使用次数和当前累计使用次数,获得每个读卡模块的预测累计使用次数;
若判断获知所述读卡模块的预测累计使用次数大于对应的使用阈值,则发出故障预警信息。
另一方面,本发明提供一种读卡器设备的故障预警装置,包括:
预测数据获取单元,用于获取读卡器设备的每个读卡模块的预测数据;
第一特征处理单元,用于对每个读卡模块的预测数据进行特征处理,获得每个读卡模块的预测特征数据;
预测单元,用于根据每个读卡模块的预测特征数据以及每个读卡模块的使用次数预测模型,获得每个读卡模块的预测使用次数;其中,每个读卡模块的使用次数预测模型包括设定数量的预测子模型,所述设定数量的预测子模型是根据每个读卡模块的使用次数训练数据以及历史使用次数训练获得的;
获得单元,用于根据每个读卡模块的预测使用次数和当前累计使用次数,获得每个读卡模块的预测累计使用次数;
判断单元,用于在判断获知所述读卡模块的预测累计使用次数大于对应的使用阈值之后,则发出故障预警信息。
再一方面,本发明提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现上述任一实施例所述读卡器设备的故障预警方法的步骤。
又一方面,本发明提供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任一实施例所述读卡器设备的故障预警方法的步骤。
本发明实施例提供的读卡器设备的故障预警方法及装置,能够获取读卡器设备的每个读卡模块的预测数据,对每个读卡模块的预测数据进行特征处理,获得每个读卡模块的预测特征数据,根据每个读卡模块的预测特征数据以及每个读卡模块的使用次数预测模型,获得每个读卡模块的预测使用次数,根据每个读卡模块的预测使用次数和当前累计使用次数,获得每个读卡模块的预测累计使用次数,在判断获知读卡模块的预测累计使用次数大于对应的使用阈值之后,发出故障预警信息,能够在读卡模块寿命到期前进行故障预警,以提前采取行动来维修或者更换读卡模块,实现对读卡器设备的主动维护,提高了读卡器设备的可靠性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有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发明的一些实施例,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。在附图中:
图1是本发明一实施例提供的读卡器设备的故障预警方法的流程示意图。
图2是本发明另一实施例提供的读卡器设备的故障预警方法的流程示意图。
图3是本发明又一实施例提供的读卡器设备的故障预警方法的流程示意图。
图4是本发明再一实施例提供的读卡器设备的故障预警方法的流程示意图。
图5是本发明一实施例提供的读卡器设备的故障预警装置的结构示意图。
图6是本发明另一实施例提供的读卡器设备的故障预警装置的结构示意图。
图7是本发明又一实施例提供的读卡器设备的故障预警装置的结构示意图。
图8是本发明再一实施例提供的读卡器设备的故障预警装置的结构示意图。
图9是本发明一实施例提供的电子设备的实体结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚明白,下面结合附图对本发明实施例做进一步详细说明。在此,本发明的示意性实施例及其说明用于解释本发明,但并不作为对本发明的限定。需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互任意组合。
图1是本发明一实施例提供的读卡器设备的故障预警方法的流程示意图,如图1所示,本发明实施例提供的读卡器设备的故障预警方法,包括:
S101、获取读卡器设备的每个读卡模块的预测数据;
具体地,通过对读卡器设备的每个读卡模块的过去第一预设时间段的历史记录数据进行预处理,可以获得每个读卡模块的预测数据,服务器可以获取所述读卡器设备的每个读卡模块的预测数据。其中,所述读卡模块可以是磁条式读写模块、接触式IC卡读写模块、射频IC卡读写模块和身份证阅读模块中的任意一个,所述读卡器设备包括至少一个读卡模块。每个读卡模块的历史记录数据可以包括设备本身数据、周期性数据、发薪和社保数据、节假日数据、使用次数统计数据、同期使用次数数据、往期使用次数数据、平均使用次数数据和环比使用次数数据等,根据实际需要进行设置,本发明实施例不做限定。所述第一预设时间段例如为3个月,根据实际需要进行设置,本发明实施例不做限定。其中,本发明实施例提供的读卡器设备的故障预警方法的执行主体包括但不限于服务器。
例如,可以通过银行内部***或者网上爬虫获取到读卡器设备的每个读卡模块的历史记录数据。设备本身数据可以包括所属地区位置、所属网点、网点内读卡器设备数量、使用窗口(对公或者个人)等信息。周期性数据可以包括月份、月初/月中/月末、当月几号、当月第几周、周几等信息。发薪和社保数据可以包括是否为发薪日、前N天是否发薪、后N天是否发薪、是否为社保日、前N天是否发社保、后N天是否发社保等信息。节假日数据包括是否为节假日、前N天中有几天为节假日、后N天中有几天为节假日等信息。使用次数统计数据可以包括前N天使用次数的最大值、前N天中使用次数的最小值、前N天使用次数的平均值、前N天使用次数的中位数、前N天使用次数的方差等信息。同期使用次数数据可以包括上周同天使用次数、上月同天使用次数、去年同期使用次数等信息。往期使用次数数据可以包括昨天使用次数、前天使用次数、前三天使用次数、前四天使用次数等信息。平均使用次数数据可以包括上周平均使用次数、上月平均使用次数、上月同周几平均使用次数等信息。环比使用次数数据可以包括前N天的天环比、前N天的周环比、前N天的月环比、前N天的年环比等信息。其中,为了预测下一天读卡模块的预测使用次数,N的取值范围为大于等于1且小于等于7,根据实际情况进行设置,本发明实施例不做限定。
例如,对每个读卡模块的历史记录数据进行预处理可以包括通过填充缺失值、光滑噪声和识别离群点等方式,纠正历史记录数据中的不一致。在填充缺失值时,采取均值、中位数来填充;在处理噪声数据和离群点时,首先通过箱线图的上下边缘来确定噪声数据,通过聚类算法来检测离群点,然后结合具体业务经验来标注噪声数据和离群点,最后计算前后几期的平均值来对噪声数据和离群点进行修复。
对所述每个读卡模块的历史记录数据进行预处理可以包括对历史记录数据进行集成。由于***获取的数据来源多样,存在代表同一概念的属性在不同数据源中可能会有不同的名字或单位,会导致数据不一致性和冗余,在本发明实施例中可以采用相关性分析的方法对数据进行集成。
对每个读卡模块的历史记录数据进行预处理可以包括对每个读卡模块的历史记录数据进行规约。通过归约技术可以得到数据的简化表示,简化后的数据占用空间会变小,但是能产生近乎相同的分析结果,可以提高读卡器设备的故障预警方法的数据处理效率。
对每个读卡模块的历史记录数据进行预处理可以包括对每个读卡模块的历史记录数据进行数据变换,通过数据变换使得每个读卡模块的历史记录数据更适用于进行数据挖掘。比如对地理位置信息的变换,将地理位置信息进行分类,同一类别使用同一个数字表示,这样文本数据就变换成为离散的数值数据。
S102、对每个读卡模块的预测数据进行特征处理,获得每个读卡模块的预测特征数据;
具体地,所述服务器在获得每个读卡模块的预测数据之后,可以对每个读卡模块的预测数据进行特征处理,获得每个读卡模块的预测特征数据。
例如,对每个读卡模块的预测数据进行特征处理可以包括特征构建。所述特征构建用于从每个读卡模块的预测数据中构建出不同类型的特征,基于设备本身数据可以构建出设备本身特征,基于周期性数据可以构建出周期特征,基于发薪和社保数据可以构建出发薪社保特征,基于节假日数据可以构建出节假日特征,基于使用次数统计数据可以构建出使用次数统计特征,基于同期使用次数数据可以构建出同期使用特征,基于往期使用次数数据可以构建出往期使用特征,基于平均使用次数数据可以构建出平均使用特征,基于环比使用次数数据可以构建出环比使用特征。
S103、根据每个读卡模块的预测特征数据以及每个读卡模块的使用次数预测模型,获得每个读卡模块的预测使用次数;其中,每个读卡模块的使用次数预测模型包括设定数量的预测子模型,所述设定数量的预测子模型是根据每个读卡模块的使用次数训练数据以及历史使用次数训练获得的;
具体地,所述服务器在获得每个读卡模块的预测特征数据之后,可以将每个读卡模块的预测特征数据输入到每个读卡模块的使用次数预测模型中,经过每个读卡模块的使用次数预测模型的处理,输出每个读卡模块的预测使用次数。其中,每个读卡模块的使用次数预测模型包括设定数量的预测子模型,所述设定数量的预测子模型是根据每个读卡模块的使用次数训练数据以及历史使用次数训练获得的。其中,所述设定数量根据实际情况进行设置,本发明实施例不做限定。
S104、根据每个读卡模块的预测使用次数和当前累计使用次数,获得每个读卡模块的预测累计使用次数;
具体地,所述服务器在获得每个读卡模块的预测使用次数之后,还可以获取每个读卡模块的当前累计使用次数,每个读卡模块在使用的时候都会被记录,可以统计获得每个读卡模块的当前累计使用次数。对于每个读卡模块,所述服务器计算所述读卡模块的预测使用次数与当前累计使用次数之和,将求和的结果作为所述读卡模块的预测累计使用次数。其中,所述读卡模块的当前累计使用次数,是指所述读卡模块从开始投入使用到进行使用次数预测前总共的使用次数。
S105、若判断获知所述读卡模块的预测累计使用次数大于对应的使用阈值,则发出故障预警信息。
具体地,所述服务器在获得每个读卡模块的预测累计使用次数之后,对于每个读卡模块,将所述读卡模块的预测累计使用次数与所述读卡模块对应的使用阈值进行比较,如果所述读卡模块的预测累计使用次数大于所述读卡模块对应的使用阈值,说明所述读卡模块即将出现故障,那么所述服务器可以发出故障预警信息,以便工作人员进行运维准备工作。如果所述读卡模块的预测累计使用次数小于等于所述读卡模块对应的使用阈值,说明所述读卡模块依然能够使用,无需进行维护。其中,每个读卡模块对应的使用阈值根据实际情况进行设置,本发明实施例不做限定。可理解的是读卡器设备的任何一个读卡模块的预测累计使用次数大于对应的使用阈值,都会发出故障预警信息,在所述故障预警信息中可以表明需要维护的读卡模块。
例如,所述读卡模块为磁条式读写模块,预计能够刷2000次,即磁条式读写模块对应的使用阈值为2000,如果所述服务器获得下一日磁条式读写模块的预测使用次数为300次,并获取到磁条式读写模块的当前累计使用次数为1800次,所述服务器计算磁条式读写模块的预测累计使用次数为1800+300=2100次,由于磁条式读写模块的预测累计使用次数2100大于磁条式读写模块对应的使用阈值2000,所述服务器会发出故障预警信息,比如通过手机短信的方式通知工作人员,磁条式读写模块在下一日会达到使用阈值,需要进行更换。
本发明实施例提供的读卡器设备的故障预警方法,能够获取读卡器设备的每个读卡模块的预测数据,对每个读卡模块的预测数据进行特征处理,获得每个读卡模块的预测特征数据,根据每个读卡模块的预测特征数据以及每个读卡模块的使用次数预测模型,获得每个读卡模块的预测使用次数,根据每个读卡模块的预测使用次数和当前累计使用次数,获得每个读卡模块的预测累计使用次数,在判断获知读卡模块的预测累计使用次数大于对应的使用阈值之后,发出故障预警信息,能够在读卡模块寿命到期前进行故障预警,以提前采取行动来维修或者更换读卡模块,实现对读卡器设备的主动维护,提高了读卡器设备的可靠性。此外,还能够减少对由于读卡器设备故障导致的业务办理的中断,减小对客户服务的影响。
图2是本发明另一实施例提供的读卡器设备的故障预警方法的流程示意图,如图2所示,在上述各实施例的基础上,进一步地,所述根据每个读卡模块的预测特征数据以及每个读卡模块的使用次数预测模型,获得每个读卡模块的预测使用次数包括:
S1031、根据所述读卡模块的预测特征数据以及所述设定数量的预测子模型,获得所述读卡模块的设定数量个使用次数;
具体地,所述服务器将所述读卡模块的预测特征数据输入到每个预测子模型,可以输出所述读卡模块在每个预测子模型下的使用次数,所述预测子模型有设定数量个,那么所述服务器可以获得所述读卡模块的设定数量个使用次数。
S1032、所述读卡模块的设定数量个使用次数以及各个使用次数对应的权重,获得所述读卡模块的预测使用次数;其中,所述读卡模块的各个使用次数对应的权重是预先获得的。
具体地,所述服务器在获得所述读卡模块的设定数量个使用次数之后,根据所述读卡模块的设定数量个使用次数以及各个使用次数对应的权重,计算所述读卡模块的预测使用次数。其中,各个使用次数对应的权重是预先获得的,例如预先设定或者动态生成。
例如,所述读卡模块为身份证阅读模块,所述服务器获得身份证阅读模块的n个使用次数,可以根据公式计算获得身份证阅读模块的预测使用次数P,其中,Qi为身份证阅读模块的第i个使用次数,ki为Qi对应的权重,i为正整数且i小于n。
每个读卡模块的各个使用次数对应的权重可以根据预测子模型的数量以及权重向量产生算法预先生成。第一步,给定N和H,N为预测子模型的数量,即设定数量,1/H代表权重变化的粒度,集合M={1,1,1,1,...,1},集合M中一共包含H个1;第二步,使用插空法将集合M中的1分为N组,由排列组合思想可以得到共种分配方式;第三步,分别把每种分配方式中每组的1加起来,并除以H,即可得到共有/>个均匀分布的权重向量的集合。
例如,第一步,假设N=2和H=3,即预测子模型的数量为2,权重变化的粒度为3。第二步,根据排列思想中的插空法,得到4种分配方式为{{零个1,三个1},{1个1,两个1},{两个1,一个1},{三个1,零个1}}。第三步,先将每种分配方式中的1相加得到{{0,3},{1,2},{2,1},{3,0}},分别除以H=3得到的权重向量集合为:{{0,1},{1/3,2/3},{2/3,1/3},{1,0}},共四组权重。
在获得权重的向量集合之后,可以根据所述读卡模块的验证集和验证集对应的历史使用次数对各个预测子模型对权重向量集合中的每组权重向量的效果进行评估,从中选择出最优的一组权重。首先,根据所述验证集以及每个预测子模型,获得每个预测子模型对应的使用次数;然后,根据各个预测子模型对应的使用次数以及各组权重,计算所述读卡模块在每组权重下的组合使用次数;最后,使用RMSE(标准误差)方法计算每组权重对应的组合使用次数与历史使用次数的RMSE值,即对于每组权重,计算验证集中所述读卡模块的组合使用次数与历史使用次数的均方根误差之和,RMSE取值最小的一组权重即为所求最优权重向量。其中,所述读卡模块的验证集的获取过程见下文所述。
图3是本发明又一实施例提供的读卡器设备的故障预警方法的流程示意图,如图3所示,在上述各实施例的基础上,进一步地,根据每个读卡模块的使用次数训练数据以及历史使用次数训练获得每个读卡模块的使用次数预测模型包括:
S301、获取所述读卡模块的使用次数训练数据以及历史使用次数;
具体地,通过对读卡器设备的每个读卡模块的过去第二预设时间段的历史记录数据进行预处理,可以获得每个读卡模块的使用次数训练数据。历史使用次数可以是每个读卡模块过去第二预设时间段内每天的使用次数,根据实际需要进行设置,本发明实施例不做限定。所述服务器可以获取所述读卡模块的使用次数训练数据以及历史使用次数。其中,所述第二预设时间段例如为3年,根据实际需要进行设置,本发明实施例不做限定。可理解的是,如果历史使用次数是每天的使用次数,那么训练获得的读卡模块的使用次数预测模型是对所述读卡模块的下一天的使用次数进行预测;如果历史使用次数是每三天的使用次数,那么训练获得的读卡模块的使用次数预测模型是对所述读卡模块的未来三天的使用次数进行预测。
S302、根据所述读卡模块的使用次数训练数据,获得所述读卡模块的使用次数特征数据;
具体地,所述服务器在获得所述读卡模块的使用次数训练数据之后,可以对所述读卡模块的使用次数训练数据进行特征处理,获得所述读卡模块的使用次数特征数据。
例如,从所述读卡模块的使用次数训练数据中构建出不同类型的特征,基于设备本身数据可以构建出设备本身特征,基于周期性数据可以构建出周期特征,基于发薪和社保数据可以构建出发薪社保特征,基于节假日数据可以构建出节假日特征,基于使用次数统计数据可以构建出使用次数统计特征,基于同期使用次数数据可以构建出同期使用特征,基于往期使用次数数据可以构建出往期使用特征,基于平均使用次数数据可以构建出平均使用特征,基于环比使用次数数据可以构建出环比使用特征。
S303、将所述读卡模块的使用次数特征数据划分为训练集和验证集;
具体地,所述服务器在获得所述读卡模块的使用次数特征数据之后,可以将所述读卡模块的使用次数特征数据划分为训练集和验证集,所述训练集用于模型训练,所述验证集用于模型验证。
例如,训练集占所述读卡模块的使用次数特征数据的80%,验证集占所述读卡模块的使用次数特征数据的20%,且训练集和验证集没有重叠。
S304、根据所述训练集、所述训练集对应的历史使用次数以及预设数量个预设模型,训练获得预设数量个待定预测子模型;其中,所述预设数量大于等于所述设定数量;
具体地,所述服务器根据所述训练集和所述训练集对应的历史使用次数,对每个预设模型进行模型训练,获得每个待定预测子模型。所述待定预测子模型的数量有预设数量个,可以获得预设个待定预测子模型。其中,所述预设数量大于等于所述设定数量。所述预设数量根据实际需要进行设置,本发明实施例不做限定。所述预设模型包括但不限于支持向量机回归算法、K近邻回归算法、随机森林回归算法、GBDT回归算法、xgboost回归算法、长短期记忆网络(Long Short-Term Memory,简称LSTM)算法等,根据实际需要进行设置,本发明实施例不做限定。LSTM算法是神经网络算法,可以通过反向传播的方式来训练模型。可理解的是,在每个预设模型在训练的过程中,可以进行超参数自动调优,直到获得使模型预测效果全局最优或者局部最优的参数为止,在超参数调优过程中,基于预设的参数取值范围和取值变化步长,来动态寻找使模型预测效果最优的超参数,使用的超参数搜索算法包括不局限于网格搜索(GridSearchCV)、随机搜索(RandomizedSearchCV)等,根据实际需要进行设置,本发明实施例不做限定。
S305、根据所述验证集以及所述验证集对应的历史使用次数对所述预设数量个待定预测子模型进行验证,获得每个待定预测子模型的R平方值;
具体地,所述服务器在获得所述预设数量个待定预测子模型之后,对于每个待定预测子模型,将所述验证集输入到所述待定预测子模型中,输出所述验证集中每个特征数据对应的预估使用次数。所述服务器可以根据所述验证集中每个特征数据对应的预估使用次数和所述验证集中每个特征数据对应的历史使用次数,计算所述待定预测子模型的R平方(R-squared)值。所述服务器可以获得所述预设数量个待定预测子模型的R平方值。其中,R平方值越大,说明所述待定预测子模型的使用次数预测效果越好。
S306、根据每个待定预测子模型的R平方值,从所述预设数量个待定预测子模型中选择出所述设定数量个预测子模型。
具体地,所述服务器在获得所述预设数量个待定预测子模型的R平方值之后,可以对所述预设数量个待定预测子模型的R平方值按照R平方值的大小进行排序,如果所有相邻两个待定预测子模型的R平方值的差值的绝对值小于预设值,说明所述预设数量个待定预测子模型的R平方值差别不大,可以取所述预设数量个待定预测子模型作为所述设定数量个预测子模型。其中,所述预设值根据实际经验进行设置,本发明实施例不做限定。
如果所有相邻两个待定预测子模型的R平方值的差值中,存在相邻两个待定预测子模型的R平方值的差值的绝对值大于等于所述预设值,说明所述预设数量个待定预测子模型的R平方值差别较大,可以取设定数量个R平方值最大的待定预测子模型,作为所述设定数量个销量预测子模型,并且所述设定数量大于等于4。
从预设数量个待定预测子模型中选出R平方值满足要求的待定预测子模型作为预测子模型,用于进行使用次数预测,能够提高对读卡模块的使用次数预测的准确性。
图4是本发明再一实施例提供的读卡器设备的故障预警方法的流程示意图,如图4所示,在上述各实施例的基础上,进一步地,所述根据所述读卡模块的使用次数训练数据,获得所述读卡模块的使用次数特征数据包括:
S3021、对所述读卡模块的使用次数训练数据进行特征构建,获得多类训练特征数据;
具体地,所述服务器在获得所述读卡模块的使用次数训练数据之后,可以对所述读卡模块的使用次数训练数据进行特征构建,获得多类训练特征数据。其中,所述多类训练特征数据可以包括设备本身特征、周期特征、发薪社保特征、节假日特征、使用次数统计特征、同期使用特征、往期使用特征、平均使用特征和环比使用特征等,根据实际需要进行设置,本发明实施例不做限定。
S3022、根据特征选择算法从所述多类训练特征数据中,选择出所述读卡模块的使用次数特征数据。
具体地,所述服务器在获得所述多类训练特征数据之后,可以采用特征选择算法从所述多类训练特征数据中选出所述读卡模块的使用次数特征数据。其中,所述特征选择算法包括但不限于定向搜索、最优优先搜索、序列前向选择、序列后向选择、序列浮动选择等算法,根据实际情况进行设置,本发明实施例不做限定。通过特征选择算法从所述多类训练特征数据中选出所述读卡模块的使用次数特征数据,可以更加准确的实现对所述读卡模块的使用次数的预测。可理解的是使用次数特征数据至少包括使用次数统计特征。
可理解的是,在本发明实施例提供的读卡器设备的故障预警方法投入使用之后,可以收集每个读卡模块的实际使用次数,当收集到一定数量时,可以根据所述读卡模块的实际使用次数和预测使用次数计算所述读卡模块的使用次数预测模型的R平方值,通过R平方值对所述读卡模块的使用次数预测模型进行评估。当所述读卡模块的使用次数预测模型的R平方值小于设定值时,重新训练获得所述读卡模块的使用次数预测模型。其中,所述一定数量和所述设定值根据实际经验进行设置,本发明实施例不做限定。
图5是本发明一实施例提供的读卡器设备的故障预警装置的结构示意图,如图5所示,本发明实施例提供的读卡器设备的故障预警装置包括预测数据获取单元501、第一特征处理单元502、预测单元503、获得单元504和判断单元505,其中:
预测数据获取单元501用于获取读卡器设备的每个读卡模块的预测数据;第一特征处理单元502用于对每个读卡模块的预测数据进行特征处理,获得每个读卡模块的预测特征数据;预测单元503用于根据每个读卡模块的预测特征数据以及每个读卡模块的使用次数预测模型,获得每个读卡模块的预测使用次数;其中,每个读卡模块的使用次数预测模型包括设定数量的预测子模型,所述设定数量的预测子模型是根据每个读卡模块的使用次数训练数据以及历史使用次数训练获得的;获得单元504用于根据每个读卡模块的预测使用次数和当前累计使用次数,获得每个读卡模块的预测累计使用次数;判断单元505用于在判断获知所述读卡模块的预测累计使用次数大于对应的使用阈值之后,则发出故障预警信息。
具体地,通过对读卡器设备的每个读卡模块的过去第一预设时间段的历史记录数据进行预处理,可以获得每个读卡模块的预测数据,获取单元501可以获取所述读卡器设备的每个读卡模块的预测数据。其中,所述读卡模块可以是磁条式读写模块、接触式IC卡读写模块、射频IC卡读写模块和身份证阅读模块中的任意一个,所述读卡器设备包括至少一个读卡模块。每个读卡模块的历史记录数据可以包括设备本身数据、周期性数据、发薪和社保数据、节假日数据、使用次数统计数据、同期使用次数数据、往期使用次数数据、平均使用次数数据和环比使用次数数据等,根据实际需要进行设置,本发明实施例不做限定。所述第一预设时间段例如为3个月,根据实际需要进行设置,本发明实施例不做限定。
在获得每个读卡模块的预测数据之后,第一特征处理单元502可以对每个读卡模块的预测数据进行特征处理,获得每个读卡模块的预测特征数据。
在获得每个读卡模块的预测特征数据之后,预测单元503可以将每个读卡模块的预测特征数据输入到每个读卡模块的使用次数预测模型中,经过每个读卡模块的使用次数预测模型的处理,输出每个读卡模块的预测使用次数。其中,每个读卡模块的使用次数预测模型包括设定数量的预测子模型,所述设定数量的预测子模型是根据每个读卡模块的使用次数训练数据以及历史使用次数训练获得的。其中,所述设定数量根据实际情况进行设置,本发明实施例不做限定。
在获得每个读卡模块的预测使用次数之后,获得单元504还可以获取每个读卡模块的当前累计使用次数,每个读卡模块在使用的时候都会被记录,可以统计获得每个读卡模块的当前累计使用次数。对于每个读卡模块,获得单元504计算所述读卡模块的预测使用次数与当前累计使用次数之和,将求和的结果作为所述读卡模块的预测累计使用次数。其中,所述读卡模块的当前累计使用次数,是指所述读卡模块从开始投入使用到进行使用次数预测前总共的使用次数。
在获得每个读卡模块的预测累计使用次数之后,对于每个读卡模块,判断单元505将所述读卡模块的预测累计使用次数与所述读卡模块对应的使用阈值进行比较,如果所述读卡模块的预测累计使用次数大于所述读卡模块对应的使用阈值,说明所述读卡模块即将出现故障,那么所述服务器可以发出故障预警信息,以便工作人员进行运维准备工作。如果所述读卡模块的预测累计使用次数小于等于所述读卡模块对应的使用阈值,说明所述读卡模块依然能够使用,无需进行维护。其中,每个读卡模块对应的使用阈值根据实际情况进行设置,本发明实施例不做限定。可理解的是读卡器设备的任何一个读卡模块的预测累计使用次数大于对应的使用阈值,都会发出故障预警信息,在所述故障预警信息中可以表明需要维护的读卡模块。
本发明实施例提供的读卡器设备的故障预警装置,能够获取读卡器设备的每个读卡模块的预测数据,对每个读卡模块的预测数据进行特征处理,获得每个读卡模块的预测特征数据,根据每个读卡模块的预测特征数据以及每个读卡模块的使用次数预测模型,获得每个读卡模块的预测使用次数,根据每个读卡模块的预测使用次数和当前累计使用次数,获得每个读卡模块的预测累计使用次数,在判断获知读卡模块的预测累计使用次数大于对应的使用阈值之后,发出故障预警信息,能够在读卡模块寿命到期前进行故障预警,以提前采取行动来维修或者更换读卡模块,实现对读卡器设备的主动维护,提高了读卡器设备的可靠性。此外,还能够减少对由于读卡器设备故障导致的业务办理的中断,减小对客户服务的影响。
图6是本发明另一实施例提供的读卡器设备的故障预警装置的结构示意图,如图6所示,在上述各实施例的基础上,进一步地,预测单元503包括预测子单元5031和计算子单元5032,其中:
预测子单元5031用于根据所述读卡模块的预测特征数据以及所述设定数量的预测子模型,获得所述读卡模块的设定数量个使用次数;计算子单元5032用于根据所述读卡模块的设定数量个使用次数以及各个使用次数对应的权重,计算所述读卡模块的预测使用次数;其中,所述读卡模块的各个使用次数对应的权重是预先获得的。
具体地,预测子单元5031将所述读卡模块的预测特征数据输入到每个预测子模型,可以输出所述读卡模块在每个预测子模型下的使用次数,所述预测子模型有设定数量个,那么所述服务器可以获得所述读卡模块的设定数量个使用次数。
在获得所述读卡模块的设定数量个使用次数之后,计算子单元5032根据所述读卡模块的设定数量个使用次数以及各个使用次数对应的权重,计算所述读卡模块的预测使用次数。其中,各个使用次数对应的权重是预先获得的,例如预先设定或者动态生成。
图7是本发明又一实施例提供的读卡器设备的故障预警装置的结构示意图,如图7所示,在上述各实施例的基础上,进一步地,本发明实施例提供的读卡器设备的故障预警装置还包括训练数据获取单元506、第二特征处理单元507、划分单元508、训练单元509、验证单元510和选择单元511,其中:
训练数据获取单元506用于获取所述读卡模块的使用次数训练数据以及历史使用次数;第二特征处理单元507用于根据所述读卡模块的使用次数训练数据,获得所述读卡模块的使用次数特征数据;划分单元508用于将所述读卡模块的使用次数特征数据划分为训练集和验证集;训练单元509用于根据所述训练集、所述训练集对应的历史使用次数以及预设数量个预设模型,训练获得预设数量个待定预测子模型;其中,所述预设数量大于等于所述设定数量;验证单元510用于根据所述验证集以及所述验证集对应的历史使用次数对所述预设数量个待定预测子模型进行验证,获得每个待定预测子模型的R平方值;选择单元511用于根据每个待定预测子模型的R平方值,从所述预设数量个待定预测子模型中选择出所述设定数量个预测子模型。
具体地,通过对读卡器设备的每个读卡模块的过去第二预设时间段的历史记录数据进行预处理,可以获得每个读卡模块的使用次数训练数据。历史使用次数可以是每个读卡模块过去第二预设时间段内每天的使用次数,根据实际需要进行设置,本发明实施例不做限定。训练数据获取单元506可以获取所述读卡模块的使用次数训练数据以及历史使用次数。其中,所述第二预设时间段例如为3年,根据实际需要进行设置,本发明实施例不做限定。可理解的是,如果历史使用次数是每天的使用次数,那么训练获得的读卡模块的使用次数预测模型是对所述读卡模块的下一天的使用次数进行预测;如果历史使用次数是每三天的使用次数,那么训练获得的读卡模块的使用次数预测模型是对所述读卡模块的未来三天的使用次数进行预测。
在获得所述读卡模块的使用次数训练数据之后,第二特征处理单元507可以对所述读卡模块的使用次数训练数据进行特征处理,获得所述读卡模块的使用次数特征数据。
在获得所述读卡模块的使用次数特征数据之后,划分单元508可以将所述读卡模块的使用次数特征数据划分为训练集和验证集,所述训练集用于模型训练,所述验证集用于模型验证。
训练单元509根据所述训练集和所述训练集对应的历史使用次数,对每个预设模型进行模型训练,获得每个待定预测子模型。所述待定预测子模型的数量有预设数量个,可以获得预设个待定预测子模型。其中,所述预设数量大于等于所述设定数量。所述预设数量根据实际需要进行设置,本发明实施例不做限定。所述预设模型包括但不限于支持向量机回归算法、K近邻回归算法、随机森林回归算法、GBDT回归算法、xgboost回归算法、LSTM算法等,根据实际需要进行设置,本发明实施例不做限定。LSTM算法是神经网络算法,可以通过反向传播的方式来训练模型。可理解的是,在每个预设模型在训练的过程中,可以进行超参数自动调优,直到获得使模型预测效果全局最优或者局部最优的参数为止,在超参数调优过程中,基于预设的参数取值范围和取值变化步长,来动态寻找使模型预测效果最优的超参数,使用的超参数搜索算法包括不局限于GridSearchCV、RandomizedSearchCV等,根据实际需要进行设置,本发明实施例不做限定。
在获得所述预设数量个待定预测子模型之后,对于每个待定预测子模型,验证单元510将所述验证集输入到所述待定预测子模型中,输出所述验证集中每个特征数据对应的预估使用次数。验证单元510可以根据所述验证集中每个特征数据对应的预估使用次数和所述验证集中每个特征数据对应的历史使用次数,计算所述待定预测子模型的R平方(R-squared)值。验证单元510可以获得所述预设数量个待定预测子模型的R平方值。其中,R平方值越大,说明所述待定预测子模型的使用次数预测效果越好。
在获得所述预设数量个待定预测子模型的R平方值之后,选择单元511可以对所述预设数量个待定预测子模型的R平方值按照R平方值的大小进行排序,如果所有相邻两个待定预测子模型的R平方值的差值的绝对值小于预设值,说明所述预设数量个待定预测子模型的R平方值差别不大,可以取所述预设数量个待定预测子模型作为所述设定数量个预测子模型。其中,所述预设值根据实际经验进行设置,本发明实施例不做限定。
如果所有相邻两个待定预测子模型的R平方值的差值中,存在相邻两个待定预测子模型的R平方值的差值的绝对值大于等于所述预设值,说明所述预设数量个待定预测子模型的R平方值差别较大,可以取设定数量个R平方值最大的待定预测子模型,作为所述设定数量个销量预测子模型,并且所述设定数量大于等于4。
图8是本发明再一实施例提供的读卡器设备的故障预警装置的结构示意图,如图8所示,在上述各实施例的基础上,进一步地,第二特征处理单元507包括构建子单元5071和选择子单元5072,其中:
构建子单元5071用于对所述读卡模块的使用次数训练数据进行特征构建,获得多类训练特征数据;选择子单元5072用于根据特征选择算法从所述多类训练特征数据中,选择出所述读卡模块的使用次数特征数据。
具体地,在获得所述读卡模块的使用次数训练数据之后,构建子单元5071可以对所述读卡模块的使用次数训练数据进行特征构建,获得多类训练特征数据。其中,所述多类训练特征数据可以包括设备本身特征、周期特征、发薪社保特征、节假日特征、使用次数统计特征、同期使用特征、往期使用特征、平均使用特征和环比使用特征等,根据实际需要进行设置,本发明实施例不做限定。
在获得所述多类训练特征数据之后,选择子单元5072可以采用特征选择算法从所述多类训练特征数据中选出所述读卡模块的使用次数特征数据。其中,所述特征选择算法包括但不限于定向搜索、最优优先搜索、序列前向选择、序列后向选择、序列浮动选择等算法,根据实际情况进行设置,本发明实施例不做限定。通过特征选择算法从所述多类训练特征数据中选出所述读卡模块的使用次数特征数据,可以更加准确的实现对所述读卡模块的使用次数的预测。可理解的是使用次数特征数据至少包括使用次数统计特征。
本发明实施例提供的装置的实施例具体可以用于执行上述各方法实施例的处理流程,其功能在此不再赘述,可以参照上述方法实施例的详细描述。
图9是本发明一实施例提供的电子设备的实体结构示意图,如图9所示,该电子设备可以包括:处理器(processor)901、通信接口(Communications Interface)902、存储器(memory)903和通信总线904,其中,处理器901,通信接口902,存储器903通过通信总线904完成相互间的通信。处理器901可以调用存储器903中的逻辑指令,以执行如下方法:获取读卡器设备的每个读卡模块的预测数据;对每个读卡模块的预测数据进行特征处理,获得每个读卡模块的预测特征数据;根据每个读卡模块的预测特征数据以及每个读卡模块的使用次数预测模型,获得每个读卡模块的预测使用次数;其中,每个读卡模块的使用次数预测模型包括设定数量的预测子模型,所述设定数量的预测子模型是根据每个读卡模块的使用次数训练数据以及历史使用次数训练获得的;根据每个读卡模块的预测使用次数和当前累计使用次数,获得每个读卡模块的预测累计使用次数;若判断获知所述读卡模块的预测累计使用次数大于对应的使用阈值,则发出故障预警信息。
此外,上述的存储器903中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
本实施例公开一种计算机程序产品,所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,计算机能够执行上述各方法实施例所提供的方法,例如包括:获取读卡器设备的每个读卡模块的预测数据;对每个读卡模块的预测数据进行特征处理,获得每个读卡模块的预测特征数据;根据每个读卡模块的预测特征数据以及每个读卡模块的使用次数预测模型,获得每个读卡模块的预测使用次数;其中,每个读卡模块的使用次数预测模型包括设定数量的预测子模型,所述设定数量的预测子模型是根据每个读卡模块的使用次数训练数据以及历史使用次数训练获得的;根据每个读卡模块的预测使用次数和当前累计使用次数,获得每个读卡模块的预测累计使用次数;若判断获知所述读卡模块的预测累计使用次数大于对应的使用阈值,则发出故障预警信息。
本实施例提供一种计算机可读存储介质,所述计算机可读存储介质存储计算机程序,所述计算机程序使所述计算机执行上述各方法实施例所提供的方法,例如包括:获取读卡器设备的每个读卡模块的预测数据;对每个读卡模块的预测数据进行特征处理,获得每个读卡模块的预测特征数据;根据每个读卡模块的预测特征数据以及每个读卡模块的使用次数预测模型,获得每个读卡模块的预测使用次数;其中,每个读卡模块的使用次数预测模型包括设定数量的预测子模型,所述设定数量的预测子模型是根据每个读卡模块的使用次数训练数据以及历史使用次数训练获得的;根据每个读卡模块的预测使用次数和当前累计使用次数,获得每个读卡模块的预测累计使用次数;若判断获知所述读卡模块的预测累计使用次数大于对应的使用阈值,则发出故障预警信息。
本领域内的技术人员应明白,本发明的实施例可提供为方法、***、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在本说明书的描述中,参考术语“一个实施例”、“一个具体实施例”、“一些实施例”、“例如”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上所述的具体实施例,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例而已,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)
1.一种读卡器设备的故障预警方法,其特征在于,包括:
获取读卡器设备的每个读卡模块的预测数据;其中,每个读卡模块的预测数据是通过对读卡器设备的每个读卡模块的过去第一预设时间段的历史记录数据进行预处理获得的;
对每个读卡模块的预测数据进行特征处理,获得每个读卡模块的预测特征数据;其中,对每个读卡模块的预测数据进行特征处理包括特征构建,所述特征构建用于从每个读卡模块的预测数据中构建出不同类型的特征;
根据每个读卡模块的预测特征数据以及每个读卡模块的使用次数预测模型,获得每个读卡模块的未来一段时间内的预测使用次数;其中,每个读卡模块的使用次数预测模型包括设定数量的预测子模型,所述设定数量的预测子模型是根据每个读卡模块的使用次数训练数据以及历史使用次数训练获得的;
根据每个读卡模块的未来一段时间内的预测使用次数和当前累计使用次数,获得每个读卡模块的预测累计使用次数;其中,所述读卡模块的预测累计使用次数等于所述读卡模块的未来一段时间内的预测使用次数与当前累计使用次数之和;
若判断获知所述读卡模块的预测累计使用次数大于对应的使用阈值,则发出故障预警信息。
2.根据权利要求1所述的方法,其特征在于,所述根据每个读卡模块的预测特征数据以及每个读卡模块的使用次数预测模型,获得每个读卡模块的预测使用次数包括:
根据所述读卡模块的预测特征数据以及所述设定数量的预测子模型,获得所述读卡模块的设定数量个使用次数;
根据所述读卡模块的设定数量个使用次数以及各个使用次数对应的权重,计算所述读卡模块的预测使用次数;其中,所述读卡模块的各个使用次数对应的权重是预先获得的。
3.根据权利要求1或2所述的方法,其特征在于,根据每个读卡模块的使用次数训练数据以及历史使用次数训练获得每个读卡模块的使用次数预测模型包括:
获取所述读卡模块的使用次数训练数据以及历史使用次数;
根据所述读卡模块的使用次数训练数据,获得所述读卡模块的使用次数特征数据;
将所述读卡模块的使用次数特征数据划分为训练集和验证集;
根据所述训练集、所述训练集对应的历史使用次数以及预设数量个预设模型,训练获得预设数量个待定预测子模型;其中,所述预设数量大于等于所述设定数量;
根据所述验证集以及所述验证集对应的历史使用次数对所述预设数量个待定预测子模型进行验证,获得每个待定预测子模型的R平方值;
根据每个待定预测子模型的R平方值,从所述预设数量个待定预测子模型中选择出所述设定数量个预测子模型。
4.根据权利要求3所述的方法,其特征在于,所述根据所述读卡模块的使用次数训练数据,获得所述读卡模块的使用次数特征数据包括:
对所述读卡模块的使用次数训练数据进行特征构建,获得多类训练特征数据;
根据特征选择算法从所述多类训练特征数据中,选择出所述读卡模块的使用次数特征数据。
5.一种读卡器设备的故障预警装置,其特征在于,包括:
预测数据获取单元,用于获取读卡器设备的每个读卡模块的预测数据;其中,每个读卡模块的预测数据是通过对读卡器设备的每个读卡模块的过去第一预设时间段的历史记录数据进行预处理获得的;
第一特征处理单元,用于对每个读卡模块的预测数据进行特征处理,获得每个读卡模块的预测特征数据;其中,对每个读卡模块的预测数据进行特征处理包括特征构建,所述特征构建用于从每个读卡模块的预测数据中构建出不同类型的特征;
预测单元,用于根据每个读卡模块的预测特征数据以及每个读卡模块的使用次数预测模型,获得每个读卡模块的未来一段时间内的预测使用次数;其中,每个读卡模块的使用次数预测模型包括设定数量的预测子模型,所述设定数量的预测子模型是根据每个读卡模块的使用次数训练数据以及历史使用次数训练获得的;
获得单元,用于根据每个读卡模块的未来一段时间内的预测使用次数和当前累计使用次数,获得每个读卡模块的预测累计使用次数;其中,所述读卡模块的预测累计使用次数等于所述读卡模块的未来一段时间内的预测使用次数与当前累计使用次数之和;
判断单元,用于在判断获知所述读卡模块的预测累计使用次数大于对应的使用阈值之后,则发出故障预警信息。
6.根据权利要求5所述的装置,其特征在于,所述预测单元包括:
预测子单元,用于根据所述读卡模块的预测特征数据以及所述设定数量的预测子模型,获得所述读卡模块的设定数量个使用次数;
计算子单元,用于根据所述读卡模块的设定数量个使用次数以及各个使用次数对应的权重,计算所述读卡模块的预测使用次数;其中,所述读卡模块的各个使用次数对应的权重是预先获得的。
7.根据权利要求5或6所述的装置,其特征在于,还包括:
训练数据获取单元,用于获取所述读卡模块的使用次数训练数据以及历史使用次数;
第二特征处理单元,用于根据所述读卡模块的使用次数训练数据,获得所述读卡模块的使用次数特征数据;
划分单元,用于将所述读卡模块的使用次数特征数据划分为训练集和验证集;
训练单元,用于根据所述训练集、所述训练集对应的历史使用次数以及预设数量个预设模型,训练获得预设数量个待定预测子模型;其中,所述预设数量大于等于所述设定数量;
验证单元,用于根据所述验证集以及所述验证集对应的历史使用次数对所述预设数量个待定预测子模型进行验证,获得每个待定预测子模型的R平方值;
选择单元,用于根据每个待定预测子模型的R平方值,从所述预设数量个待定预测子模型中选择出所述设定数量个预测子模型。
8.根据权利要求7所述的装置,其特征在于,所述第二特征处理单元包括:
构建子单元,用于对所述读卡模块的使用次数训练数据进行特征构建,获得多类训练特征数据;
选择子单元,用于根据特征选择算法从所述多类训练特征数据中,选择出所述读卡模块的使用次数特征数据。
9.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,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4任一项所述方法的步骤。
10.一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4任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010585023.9A CN111783487B (zh) | 2020-06-24 | 2020-06-24 | 一种读卡器设备的故障预警方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010585023.9A CN111783487B (zh) | 2020-06-24 | 2020-06-24 | 一种读卡器设备的故障预警方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111783487A CN111783487A (zh) | 2020-10-16 |
CN111783487B true CN111783487B (zh) | 2023-08-25 |
Family
ID=72759749
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010585023.9A Active CN111783487B (zh) | 2020-06-24 | 2020-06-24 | 一种读卡器设备的故障预警方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111783487B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112464563A (zh) * | 2020-11-27 | 2021-03-09 | 河北建设投资集团有限责任公司 | 一种蒸汽涡轮机故障诊断的数据挖掘方法 |
CN113920428A (zh) * | 2021-09-23 | 2022-01-11 | 国网河北省电力有限公司营销服务中心 | 计量现场作业终端的测试方法、装置及测试终端 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0589315A (ja) * | 1991-09-30 | 1993-04-09 | Omron Corp | 制御機器 |
CN104361404A (zh) * | 2014-10-28 | 2015-02-18 | 哈尔滨工业大学 | 机载无线数据通讯中继单元剩余寿命预测方法与预测装置 |
CN106740801A (zh) * | 2016-12-13 | 2017-05-31 | 中车株洲电力机车有限公司 | 一种轨道列车制动控制***的监测方法 |
CN207282429U (zh) * | 2017-07-21 | 2018-04-27 | 安徽信息工程学院 | 断路器使用寿命预警器 |
CN110623679A (zh) * | 2019-09-20 | 2019-12-31 | 四川九八村信息科技有限公司 | 一种单采血浆机设备故障预测***及方法 |
CN111049571A (zh) * | 2019-12-29 | 2020-04-21 | 苏州浪潮智能科技有限公司 | 光模块故障预测方法、装置及计算机可读存储介质 |
CN111078446A (zh) * | 2019-11-22 | 2020-04-28 | 北京达佳互联信息技术有限公司 | 一种故障信息获取方法、装置、电子设备及存储介质 |
-
2020
- 2020-06-24 CN CN202010585023.9A patent/CN111783487B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0589315A (ja) * | 1991-09-30 | 1993-04-09 | Omron Corp | 制御機器 |
CN104361404A (zh) * | 2014-10-28 | 2015-02-18 | 哈尔滨工业大学 | 机载无线数据通讯中继单元剩余寿命预测方法与预测装置 |
CN106740801A (zh) * | 2016-12-13 | 2017-05-31 | 中车株洲电力机车有限公司 | 一种轨道列车制动控制***的监测方法 |
CN207282429U (zh) * | 2017-07-21 | 2018-04-27 | 安徽信息工程学院 | 断路器使用寿命预警器 |
CN110623679A (zh) * | 2019-09-20 | 2019-12-31 | 四川九八村信息科技有限公司 | 一种单采血浆机设备故障预测***及方法 |
CN111078446A (zh) * | 2019-11-22 | 2020-04-28 | 北京达佳互联信息技术有限公司 | 一种故障信息获取方法、装置、电子设备及存储介质 |
CN111049571A (zh) * | 2019-12-29 | 2020-04-21 | 苏州浪潮智能科技有限公司 | 光模块故障预测方法、装置及计算机可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111783487A (zh) | 2020-10-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110400022B (zh) | 自助柜员机现金用量预测方法及装置 | |
Zhang et al. | A novel probabilistic formulation for locating and sizing emergency medical service stations | |
CN110929879A (zh) | 基于决策引擎和模型平台的业务决策逻辑更新方法 | |
CN109583629A (zh) | 基于偏差自校正的改进相似日短期负荷预测方法及装置 | |
CN102567391A (zh) | 一种分类预测混合模型的建立方法及装置 | |
CN111783487B (zh) | 一种读卡器设备的故障预警方法及装置 | |
CN103778474A (zh) | 资源负载量预测方法、分析预测***及业务运营监控*** | |
US20170124495A1 (en) | Method and system for mitigating risk in a supply chain | |
CN111177485B (zh) | 基于参数规则匹配设备故障的预测方法、设备及介质 | |
CN113469578B (zh) | 基于多目标优化的业务策略生成方法、装置及*** | |
US11265688B2 (en) | Systems and methods for anomaly detection and survival analysis for physical assets | |
CN115550053A (zh) | 一种监控报警预测方法及装置 | |
CN116915710A (zh) | 流量预警方法、装置、设备及可读存储介质 | |
CN116645132A (zh) | 基于多因子变量的时序预测方法、装置、电子设备及介质 | |
CN111738507A (zh) | 银行清算头寸资金备付量预测方法和装置、设备及介质 | |
CN111783486B (zh) | 一种读卡器设备的维护预警方法及装置 | |
CN115858606A (zh) | 时序数据的异常检测方法、装置、设备及存储介质 | |
CN111105050B (zh) | 风机维护计划的生成方法、装置、设备及存储介质 | |
US11500340B2 (en) | Performance evaluation based on resource dynamics | |
CN114997879B (zh) | 一种支付路由方法、装置、设备和存储介质 | |
CN107203545A (zh) | 一种数据处理方法及装置 | |
CN109978299B (zh) | 用于海上风电业务的数据分析方法、装置和存储介质 | |
CN115577996A (zh) | 一种电网停电计划的风险评估方法、***、设备和介质 | |
Mohammadi et al. | Machine learning assisted stochastic unit commitment: A feasibility study | |
US20180005249A1 (en) | Optimize a resource allocation plan corresponding to a legacy software product sustenance |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |