CN116975545A - 一种站台门异常检测方法、装置、电子设备及存储介质 - Google Patents
一种站台门异常检测方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN116975545A CN116975545A CN202310949238.8A CN202310949238A CN116975545A CN 116975545 A CN116975545 A CN 116975545A CN 202310949238 A CN202310949238 A CN 202310949238A CN 116975545 A CN116975545 A CN 116975545A
- Authority
- CN
- China
- Prior art keywords
- platform door
- detected
- sequence
- data
- symbolized
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 64
- 230000005856 abnormality Effects 0.000 title abstract description 35
- 238000000034 method Methods 0.000 claims abstract description 32
- 230000002159 abnormal effect Effects 0.000 claims description 7
- 238000006243 chemical reaction Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 3
- 238000012423 maintenance Methods 0.000 description 10
- 238000010801 machine learning Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
- G06F18/15—Statistical pre-processing, e.g. techniques for normalisation or restoring missing data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Computational Biology (AREA)
- Human Resources & Organizations (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Probability & Statistics with Applications (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Train Traffic Observation, Control, And Security (AREA)
Abstract
本申请公开了一种站台门异常检测方法、装置、电子设备及存储介质;所述方法包括:按照预定频率采集待检测的站台门的开门门速数据,并基于开门门速数据得到待检测的站台门对应的原始序列数据;将原始序列数据转换为待检测的站台门对应的符号化序列;基于待检测的站台门对应的符号化序列对待检测的站台门进行异常检测,得到待检测的站台门的异常检测结果。本申请实施例可以及时地对站台门进行检测和维护,不需要对数据进行大量的标注,实际应用更加方便,满足用户对站台门的安全性需求。
Description
技术领域
本申请实施例涉及人工智能技术领域,尤其涉及一种站台门异常检测方法、装置、电子设备及存储介质。
背景技术
站台门异常检测是指通过分析站台门运行过程中产生的数据,对站台门的失效、故障等异常状态进行识别。目前针对站台门运维的方案大多还属于周期性维修的范畴,这种方案容易造成“过维修”或者“欠维修”;其余采用智能运维的方案大多是基于特征工程和机器学习,主要有以下问题:(1)特征工程通常需要丰富的机理知识且需要较大的工作量才能得到较好效果;(2)机器学习和深度学习模型通常缺乏可解释性,难以在重视安全性的站台门场景中落地;(3)目前大多数智能运维方案采用的都是有监督机器学习模型,要求有大量带标签的数据,但是现实情况难以满足。
发明内容
本申请提供一种站台门异常检测方法、装置、电子设备及存储介质,可以及时地对站台门进行检测和维护,不需要对数据进行大量的标注,实际应用更加方便,满足用户对站台门的安全性需求。
第一方面,本申请实施例提供了一种站台门异常检测方法,所述方法包括:
按照预定频率采集待检测的站台门的开门门速数据,并基于所述开门门速数据得到所述待检测的站台门对应的原始序列数据;
将所述原始序列数据转换为所述待检测的站台门对应的符号化序列;
基于所述待检测的站台门对应的符号化序列对所述待检测的站台门进行异常检测,得到所述待检测的站台门的异常检测结果。
第二方面,本申请实施例还提供了一种站台门异常检测装置,所述装置包括:采集模块、转换模块和检测模块;其中,
所述采集模块,用于按照预定频率采集待检测的站台门的开门门速数据,并基于所述开门门速数据得到所述待检测的站台门对应的原始序列数据;
所述转换模块,用于将所述原始序列数据转换为所述待检测的站台门对应的符号化序列;
所述检测模块,用于基于所述待检测的站台门对应的符号化序列对所述待检测的站台门进行异常检测,得到所述待检测的站台门的异常检测结果。
第三方面,本申请实施例提供了一种电子设备,包括:
一个或多个处理器;
存储器,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现本申请任意实施例所述的站台门异常检测方法。
第四方面,本申请实施例提供了一种存储介质,其上存储有计算机程序,该程序被处理器执行时实现本申请任意实施例所述的站台门异常检测方法。
本申请实施例提出了一种站台门异常检测方法、装置、电子设备及存储介质,先按照预定频率采集待检测的站台门的开门门速数据,并基于开门门速数据得到待检测的站台门对应的原始序列数据;然后将原始序列数据转换为待检测的站台门对应的符号化序列;再基于待检测的站台门对应的符号化序列对待检测的站台门进行异常检测,得到待检测的站台门的异常检测结果。也就是说,在本申请的技术方案中,将原始序列数据转换为对应的符号化序列,并基于该符号化序列进行异常检测。而在现有技术中,目前大多数智能运维方案采用的都是有监督机器学习模型,要求有大量带标签的数据,但是现实情况难以满足。因此,和现有技术相比,本申请实施例提出的站台门异常检测方法、装置、电子设备及存储介质,可以及时地对站台门进行检测和维护,不需要对数据进行大量的标注,实际应用更加方便,满足用户对站台门的安全性需求;并且,本申请实施例的技术方案实现简单方便、便于普及,适用范围更广。
附图说明
图1为本申请实施例提供的站台门异常检测方法的第一流程示意图;
图2为本申请实施例提供的站台门异常检测方法的第二流程示意图;
图3为本申请实施例提供的站台门异常检测方法的第三流程示意图;
图4为本申请实施例提供的站台门异常检测装置的结构示意图;
图5为本申请实施例提供的电子设备的结构示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本申请,而非对本申请的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本申请相关的部分而非全部结构。
实施例一
图1为本申请实施例提供的站台门异常检测方法的第一流程示意图,该方法可以由站台门异常检测装置或者电子设备来执行,该装置或者电子设备可以由软件和/或硬件的方式实现,该装置或者电子设备可以集成在任何具有网络通信功能的智能设备中。如图1所示,站台门异常检测方法可以包括以下步骤:
S101、按照预定频率采集待检测的站台门的开门门速数据,并基于开门门速数据得到待检测的站台门对应的原始序列数据。
在本步骤中,电子设备可以按照预定频率采集待检测的站台门的开门门速数据,并基于开门门速数据得到待检测的站台门对应的原始序列数据。本申请实施例中的站台门是指安装在地铁车站站台边缘,将行车区与站台候车区隔开,设有与列车门相对应、可多级控制开启与关闭的滑动门连续屏障。站台门异常检测是通过分析站台门运行过程中产生的数据,对站台门的失效、故障等异常状态进行识别。在站台门运行的过程中,如果发生门体倾斜、皮带老化、门体遇阻等问题,都会影响站台门的运行,并在开门门速数据中反映出来。本申请所使用的开门门速数据是长度固定为110,采样间隔为45ms,单位为mm/s的序列数据,每次开门动作会产生一条开门门速数据。
S102、将原始序列数据转换为待检测的站台门对应的符号化序列。
在本步骤中,电子设备可以将原始序列数据转换为待检测的站台门对应的符号化序列。具体地,电子设备可以先将原始序列数据进行标准化,得到原始序列数据对应的标准化后的序列数据;然后对标准化后的序列数据求近似序列,得到标准化后的序列数据对应的近似序列;再将标准化后的序列数据对应的近似序列转换为待检测的站台门对应的符号化序列。
S103、基于待检测的站台门对应的符号化序列对待检测的站台门进行异常检测,得到待检测的站台门的异常检测结果。
在本步骤中,电子设备可以基于待检测的站台门对应的符号化序列对待检测的站台门进行异常检测,得到待检测的站台门的异常检测结果。具体地,电子设备可以计算待检测的站台门对应的符号化序列与预先确定的符号序列标准集的距离;若待检测的站台门对应的符号化序列与符号序列标准集的距离大于或者等于预定阈值,则电子设备可以判定待检测的站台门的状态异常;若待检测的站台门对应的符号化序列与符号序列标准集的距离小于预定阈值,则电子设备可以判定待检测的站台门的状态正常。
本申请实施例提出的站台门异常检测方法,先按照预定频率采集待检测的站台门的开门门速数据,并基于开门门速数据得到待检测的站台门对应的原始序列数据;然后将原始序列数据转换为待检测的站台门对应的符号化序列;再基于待检测的站台门对应的符号化序列对待检测的站台门进行异常检测,得到待检测的站台门的异常检测结果。也就是说,在本申请的技术方案中,将原始序列数据转换为对应的符号化序列,并基于该符号化序列进行异常检测。而在现有技术中,目前大多数智能运维方案采用的都是有监督机器学习模型,要求有大量带标签的数据,但是现实情况难以满足。因此,和现有技术相比,本申请实施例提出的站台门异常检测方法,可以及时地对站台门进行检测和维护,不需要对数据进行大量的标注,实际应用更加方便,满足用户对站台门的安全性需求;并且,本申请实施例的技术方案实现简单方便、便于普及,适用范围更广。
实施例二
图2为本申请实施例提供的站台门异常检测方法的第二流程示意图。基于上述技术方案进一步优化与扩展,并可以与上述各个可选实施方式进行结合。
如图2所示,站台门异常检测方法可以包括以下步骤:
S201、按照预定频率采集待检测的站台门的开门门速数据,并基于开门门速数据得到待检测的站台门对应的原始序列数据。
S202、将原始序列数据进行标准化,得到原始序列数据对应的标准化后的序列数据。
在本步骤中,电子设备可以将原始序列数据进行标准化,得到原始序列数据对应的标准化后的序列数据。具体地,电子设备可以先将原始序列数据作为历史正常状态数据集,分别计算历史正常状态数据集的均值和标准差S;然后基于历史正常状态数据集的均值/>和标准差S,将原始序列数据进行标准化,得到原始序列数据对应的标准化后的序列数据。例如,原始序列数据为C,原始序列数据对应的标准化后的序列数据为Cz;按照以下公式将原始序列数据中的各个开门门速数据进行标准化:/>其中,X是原始序列数据中的开门门速数据;/>为历史正常状态数据集的均值;S为历史正常状态数据集的标准差。
S203、对标准化后的序列数据求近似序列,得到标准化后的序列数据对应的近似序列。
在本步骤中,电子设备可以对标准化后的序列数据求近似序列,得到标准化后的序列数据对应的近似序列。具体地,电子设备可以先将标准化后的序列数据划分成等长的预定长度的子序列;然后各个子序列替换为各个子序列对应的均值;并基于各个子序列对应的均值得到标准化后的序列数据对应的近似序列。具体地,假设标准化后的序列数据为设定近似后的序列长度为w,本步骤中可以将Cz划分成等长的w个子序列,并按照以下公式求得近似序列/>需要注意的是,本申请实施例需要保证/>为整数。较佳地,对本申请中的站台门异常检测场景所选取的开门门速数据,设置近似后的序列长度w=10。
S204、将标准化后的序列数据对应的近似序列转换为待检测的站台门对应的符号化序列。
在本步骤中,电子设备可以将标准化后的序列数据对应的近似序列转换为待检测的站台门对应的符号化序列。具体地,电子设备可以先按照预先设定的区间范围,计算标准化后的序列数据对应的近似序列中每一个近似数据所在的区间;然后根据每一个近似数据所在的区间,将每一个近似数据替换为该区间对应的字母。具体地,本申请实施例中预先设定的区间范围可以包括:3区间、4区间、5区间、6区间、7区间和8区间;其中,3区间对应的间断点为β1和β2;β1和β2分别为-0.43和0.43。4区间对应的间断点为β1、β2和β3;β1、β2和β3分别为-0.67、0和0.67。5区间对应的间断点为β1、β2、β3和β4;β1、β2、β3和β4分别为-0.84、-0.25、0.25和0.84。6区间对应的间断点为β1、β2、β3、β4和β5;β1、β2、β3、β4和β5分别为-0.97、-0.43、0、0.43和0.97。7区间对应的间断点为β1、β2、β3、β4、β5和β6;β1、β2、β3、β4、β5和β6分别为-1.07、-0.57、-0.18、0.18、0.57和1.07。8区间对应的间断点为β1、β2、β3、β4、β5、β6和β7;β1、β2、β3、β4、β5、β6和β7分别为-1.15、-0.67、-0.32、0、0.32、0.67、1.15。
对于近似序列设定区间数为k,那么根据上述区间范围,若则用字母a替代/>若/>则用字母b替代/>以此类推;将/>都用字母替代,最后得到字符序列/>在本申请的具体实施例中,区间数k设置为8,即最后得到的字符序列/>最多由8种字符组成。
S205、基于待检测的站台门对应的符号化序列对待检测的站台门进行异常检测,得到待检测的站台门的异常检测结果。
本申请实施例提出的站台门异常检测方法,先按照预定频率采集待检测的站台门的开门门速数据,并基于开门门速数据得到待检测的站台门对应的原始序列数据;然后将原始序列数据转换为待检测的站台门对应的符号化序列;再基于待检测的站台门对应的符号化序列对待检测的站台门进行异常检测,得到待检测的站台门的异常检测结果。也就是说,在本申请的技术方案中,将原始序列数据转换为对应的符号化序列,并基于该符号化序列进行异常检测。而在现有技术中,目前大多数智能运维方案采用的都是有监督机器学习模型,要求有大量带标签的数据,但是现实情况难以满足。因此,和现有技术相比,本申请实施例提出的站台门异常检测方法,可以及时地对站台门进行检测和维护,不需要对数据进行大量的标注,实际应用更加方便,满足用户对站台门的安全性需求;并且,本申请实施例的技术方案实现简单方便、便于普及,适用范围更广。
实施例三
图3为本申请实施例提供的站台门异常检测方法的第三流程示意图。基于上述技术方案进一步优化与扩展,并可以与上述各个可选实施方式进行结合。
如图3所示,站台门异常检测方法可以包括以下步骤:
S301、按照预定频率采集待检测的站台门的开门门速数据,并基于开门门速数据得到待检测的站台门对应的原始序列数据。
S302、将原始序列数据进行标准化,得到原始序列数据对应的标准化后的序列数据。
S303、对标准化后的序列数据求近似序列,得到标准化后的序列数据对应的近似序列。
S304、将标准化后的序列数据对应的近似序列转换为待检测的站台门对应的符号化序列。
S305、计算待检测的站台门对应的符号化序列与预先确定的符号序列标准集的距离。
在本步骤中,电子设备可以计算待检测的站台门对应的符号化序列与预先确定的符号序列标准集的距离。具体地,电子设备可以先计算待检测的站台门对应的符号化序列与预先确定的符号序列标准集中所有符号序列的距离;然后将待检测的站台门对应的符号化序列与所有符号序列的距离的最小值确定为待检测的站台门对应的符号化序列与预先确定的符号序列标准集的距离。更具体地,对于根据历史正常状态下的开门门速数据,计算得到包括m条符号序列的符号序列标准集与待检测数据生成的符号序列/>通过下列公式计算两者之间的距离: 即符号序列与符号序列集合之间的距离定义为:序列与集合中所有序列距离的最小值;其中,序列与序列之间的距离可以按照以下公式计算:/>即序列与序列之间的距离,定义为同样位置符号之间的距离和;其中,符号之间的距离可以按照以下公式计算:若/>与/>相同或者相邻,则/>与/>的距离/>为0;若/>与/>不同且不相邻,则/>与/>的距离/>为1。举例来说,对于序列abc和序列ace之间由上述公式定义的距离为1,计算过程如下:(1)对第一位字符,两个序列都是字符a,求得dist(a,a)为0;(2)对第二位字符,两个序列分别是b和c,而b、c相邻,所以dist(b,c)为0;(3)对第三位字符,两个序列分别是c和e,且c、e不相邻,所以dist(c,e)为1;(4)对每一位置上的字符距离求和,可知dist(abc,ace)=1。
S306、若待检测的站台门对应的符号化序列与符号序列标准集的距离大于或者等于预定阈值,则判定待检测的站台门的状态异常;若待检测的站台门对应的符号化序列与符号序列标准集的距离小于预定阈值,则判定待检测的站台门的状态正常。
本申请实施例提出的站台门异常检测方法,先按照预定频率采集待检测的站台门的开门门速数据,并基于开门门速数据得到待检测的站台门对应的原始序列数据;然后将原始序列数据转换为待检测的站台门对应的符号化序列;再基于待检测的站台门对应的符号化序列对待检测的站台门进行异常检测,得到待检测的站台门的异常检测结果。也就是说,在本申请的技术方案中,将原始序列数据转换为对应的符号化序列,并基于该符号化序列进行异常检测。而在现有技术中,目前大多数智能运维方案采用的都是有监督机器学习模型,要求有大量带标签的数据,但是现实情况难以满足。因此,和现有技术相比,本申请实施例提出的站台门异常检测方法,可以及时地对站台门进行检测和维护,不需要对数据进行大量的标注,实际应用更加方便,满足用户对站台门的安全性需求;并且,本申请实施例的技术方案实现简单方便、便于普及,适用范围更广。
实施例四
图4为本申请实施例提供的站台门异常检测装置的结构示意图。如图4所示,所述站台门异常检测装置包括:采集模块401、转换模块402和检测模块403;其中,
所述采集模块401,用于按照预定频率采集待检测的站台门的开门门速数据,并基于所述开门门速数据得到所述待检测的站台门对应的原始序列数据;
所述转换模块402,用于将所述原始序列数据转换为所述待检测的站台门对应的符号化序列;
所述检测模块403,用于基于所述待检测的站台门对应的符号化序列对所述待检测的站台门进行异常检测,得到所述待检测的站台门的异常检测结果。
上述站台门异常检测装置可执行本申请任意实施例所提供的方法,具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节,可参见本申请任意实施例提供的站台门异常检测方法。
实施例五
图5为本申请实施例提供的电子设备的结构示意图。图5示出了适于用来实现本申请实施方式的示例性电子设备的框图。图5显示的电子设备12仅仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
如图5所示,电子设备12以通用计算设备的形式表现。电子设备12的组件可以包括但不限于:一个或者多个处理器或者处理单元16,***存储器28,连接不同***组件(包括***存储器28和处理单元16)的总线18。
总线18表示几类总线结构中的一种或多种,包括存储器总线或者存储器控制器,***总线,图形加速端口,处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说,这些体系结构包括但不限于工业标准体系结构(ISA)总线,微通道体系结构(MAC)总线,增强型ISA总线、视频电子标准协会(VESA)局域总线以及***组件互连(PCI)总线。
电子设备12典型地包括多种计算机***可读介质。这些介质可以是任何能够被电子设备12访问的可用介质,包括易失性和非易失性介质,可移动的和不可移动的介质。
***存储器28可以包括易失性存储器形式的计算机***可读介质,例如随机存取存储器(RAM)30和/或高速缓存存储器32。电子设备12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机***存储介质。仅作为举例,存储***34可以用于读写不可移动的、非易失性磁介质(图5未显示,通常称为“硬盘驱动器”)。尽管图5中未示出,可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器,以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下,每个驱动器可以通过一个或者多个数据介质接口与总线18相连。存储器28可以包括至少一个程序产品,该程序产品具有一组(例如至少一个)程序模块,这些程序模块被配置以执行本申请各实施例的功能。
具有一组(至少一个)程序模块42的程序/实用工具40,可以存储在例如存储器28中,这样的程序模块42包括但不限于操作***、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。程序模块42通常执行本申请所描述的实施例中的功能和/或方法。
电子设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信,还可与一个或者多个使得用户能与该电子设备12交互的设备通信,和/或与使得该电子设备12能与一个或多个其它计算设备进行通信的任何设备(例如网卡,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22进行。并且,电子设备12还可以通过网络适配器20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20通过总线18与电子设备12的其它模块通信。应当明白,尽管图5中未示出,可以结合电子设备12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***、磁带驱动器以及数据备份存储***等。
处理单元16通过运行存储在***存储器28中的程序,从而执行各种功能应用以及数据处理,例如实现本申请实施例所提供的站台门异常检测方法。
实施例六
本申请实施例提供了一种计算机存储介质。
本申请实施例的计算机可读存储介质,可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的***、装置或器件,或者任意以上的组合。计算机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、便携式计算机磁盘、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、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中,计算机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***、装置或者器件使用或者与其结合使用。
计算机可读的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,其中承载了计算机可读的程序代码。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。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。
计算机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、电线、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或其组合来编写用于执行本申请操作的计算机程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,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机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
注意,上述仅为本申请的较佳实施例及所运用技术原理。本领域技术人员会理解,本申请不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本申请的保护范围。因此,虽然通过以上实施例对本申请进行了较为详细的说明,但是本申请不仅仅限于以上实施例,在不脱离本申请构思的情况下,还可以包括更多其他等效实施例,而本申请的范围由所附的权利要求范围决定。
Claims (10)
1.一种站台门异常检测方法,其特征在于,所述方法包括:
按照预定频率采集待检测的站台门的开门门速数据,并基于所述开门门速数据得到所述待检测的站台门对应的原始序列数据;
将所述原始序列数据转换为所述待检测的站台门对应的符号化序列;
基于所述待检测的站台门对应的符号化序列对所述待检测的站台门进行异常检测,得到所述待检测的站台门的异常检测结果。
2.根据权利要求1所述的方法,其特征在于,将所述原始序列数据转换为所述待检测的站台门对应的符号化序列,包括:
将所述原始序列数据进行标准化,得到所述原始序列数据对应的标准化后的序列数据;
对所述标准化后的序列数据求近似序列,得到所述标准化后的序列数据对应的近似序列;
将所述标准化后的序列数据对应的近似序列转换为所述待检测的站台门对应的符号化序列。
3.根据权利要求2所述的方法,其特征在于,将所述原始序列数据进行标准化,得到所述原始序列数据对应的标准化后的序列数据,包括:
将所述原始序列数据作为历史正常状态数据集,分别计算所述历史正常状态数据集的均值和标准差;
基于所述历史正常状态数据集的均值和标准差,将所述原始序列数据进行标准化,得到所述原始序列数据对应的标准化后的序列数据。
4.根据权利要求2所述的方法,其特征在于,对所述标准化后的序列数据求近似序列,得到所述标准化后的序列数据对应的近似序列,包括:
将所述标准化后的序列数据划分成等长的预定长度的子序列;
将各个子序列替换为各个子序列对应的均值;并基于各个子序列对应的均值得到所述标准化后的序列数据对应的近似序列。
5.根据权利要求2所述的方法,其特征在于,将所述标准化后的序列数据对应的近似序列转换为所述待检测的站台门对应的符号化序列,包括:
按照预先设定的区间范围,计算所述标准化后的序列数据对应的近似序列中每一个近似数据所在的区间;
根据每一个近似数据所在的区间,将每一个近似数据替换为该区间对应的字母。
6.根据权利要求1所述的方法,其特征在于,基于所述待检测的站台门对应的符号化序列对所述待检测的站台门进行异常检测,得到所述待检测的站台门的异常检测结果,包括:
计算所述待检测的站台门对应的符号化序列与预先确定的符号序列标准集的距离;
若所述待检测的站台门对应的符号化序列与所述符号序列标准集的距离大于或者等于预定阈值,则判定所述待检测的站台门的状态异常;若所述待检测的站台门对应的符号化序列与所述符号序列标准集的距离小于所述预定阈值,则判定所述待检测的站台门的状态正常。
7.根据权利要求6所述的方法,其特征在于,计算所述待检测的站台门对应的符号化序列与预先确定的符号序列标准集的距离,包括:
计算所述待检测的站台门对应的符号化序列与所述预先确定的符号序列标准集中所有符号序列的距离;
将所述待检测的站台门对应的符号化序列与所有符号序列的距离的最小值确定为所述待检测的站台门对应的符号化序列与预先确定的符号序列标准集的距离。
8.一种站台门异常检测装置,其特征在于,所述装置包括:采集模块、转换模块和检测模块;其中,
所述采集模块,用于按照预定频率采集待检测的站台门的开门门速数据,并基于所述开门门速数据得到所述待检测的站台门对应的原始序列数据;
所述转换模块,用于将所述原始序列数据转换为所述待检测的站台门对应的符号化序列;
所述检测模块,用于基于所述待检测的站台门对应的符号化序列对所述待检测的站台门进行异常检测,得到所述待检测的站台门的异常检测结果。
9.一种电子设备,其特征在于,包括:
一个或多个处理器;
存储器,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1至7中任一项所述的站台门异常检测方法。
10.一种存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1至7中任一项所述的站台门异常检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310949238.8A CN116975545A (zh) | 2023-07-31 | 2023-07-31 | 一种站台门异常检测方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310949238.8A CN116975545A (zh) | 2023-07-31 | 2023-07-31 | 一种站台门异常检测方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116975545A true CN116975545A (zh) | 2023-10-31 |
Family
ID=88479153
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310949238.8A Pending CN116975545A (zh) | 2023-07-31 | 2023-07-31 | 一种站台门异常检测方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116975545A (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102867052A (zh) * | 2012-09-13 | 2013-01-09 | 河海大学 | 一种基于特征点符号聚集近似的时间序列异常挖掘方法 |
US20150269050A1 (en) * | 2014-03-18 | 2015-09-24 | Microsoft Corporation | Unsupervised anomaly detection for arbitrary time series |
CN109034028A (zh) * | 2018-07-16 | 2018-12-18 | 河北工业大学 | 一种基于符号化与tf-idf的机械设备故障特征提取方法 |
CN110532297A (zh) * | 2019-08-01 | 2019-12-03 | 河海大学 | 一种基于层次聚类的符号化水文时间序列异常模式检测方法 |
CN114819260A (zh) * | 2022-03-11 | 2022-07-29 | 河海大学 | 一种水文时间序列预测模型动态生成方法 |
CN115659208A (zh) * | 2022-08-12 | 2023-01-31 | 佳都科技集团股份有限公司 | 一种站台门异常检测方法、装置、终端设备及存储介质 |
CN116028326A (zh) * | 2023-01-31 | 2023-04-28 | 杭州网易再顾科技有限公司 | 异常数据检测方法、介质、装置和计算设备 |
-
2023
- 2023-07-31 CN CN202310949238.8A patent/CN116975545A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102867052A (zh) * | 2012-09-13 | 2013-01-09 | 河海大学 | 一种基于特征点符号聚集近似的时间序列异常挖掘方法 |
US20150269050A1 (en) * | 2014-03-18 | 2015-09-24 | Microsoft Corporation | Unsupervised anomaly detection for arbitrary time series |
CN109034028A (zh) * | 2018-07-16 | 2018-12-18 | 河北工业大学 | 一种基于符号化与tf-idf的机械设备故障特征提取方法 |
CN110532297A (zh) * | 2019-08-01 | 2019-12-03 | 河海大学 | 一种基于层次聚类的符号化水文时间序列异常模式检测方法 |
CN114819260A (zh) * | 2022-03-11 | 2022-07-29 | 河海大学 | 一种水文时间序列预测模型动态生成方法 |
CN115659208A (zh) * | 2022-08-12 | 2023-01-31 | 佳都科技集团股份有限公司 | 一种站台门异常检测方法、装置、终端设备及存储介质 |
CN116028326A (zh) * | 2023-01-31 | 2023-04-28 | 杭州网易再顾科技有限公司 | 异常数据检测方法、介质、装置和计算设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112436968B (zh) | 一种网络流量的监测方法、装置、设备及存储介质 | |
US10811125B2 (en) | Cognitive framework to identify medical case safety reports in free form text | |
US9747150B2 (en) | Two stage log normalization | |
JP2021524954A (ja) | 異常検知 | |
EP3814860A1 (en) | Machine learning analysis of piping and instrumentation diagrams | |
US8732666B2 (en) | Automatic identification of subroutines from test scripts | |
CN110826494B (zh) | 标注数据质量评价方法、装置、计算机设备及存储介质 | |
CN111832382A (zh) | 基于视觉和文本内容的光学字符识别错误校正 | |
CN113420822B (zh) | 模型训练方法和装置、文本预测方法和装置 | |
CN111079432A (zh) | 文本检测方法、装置、电子设备及存储介质 | |
US20140122069A1 (en) | Automatic Speech Recognition Accuracy Improvement Through Utilization of Context Analysis | |
CN109118420B (zh) | 水印识别模型建立及识别方法、装置、介质及电子设备 | |
US20230359943A1 (en) | Knowledge based artificial intelligence architecture for industrial systems | |
CN114298050A (zh) | 模型的训练方法、实体关系抽取方法、装置、介质、设备 | |
CN111881683A (zh) | 关系三元组的生成方法、装置、存储介质和电子设备 | |
US11308944B2 (en) | Intent boundary segmentation for multi-intent utterances | |
CN113380238A (zh) | 处理音频信号的方法、模型训练方法、装置、设备和介质 | |
CN113468035B (zh) | 日志异常检测方法、装置、训练方法、装置及电子设备 | |
CN117633813A (zh) | 一种安全漏洞检测方法、装置、电子设备及存储介质 | |
CN113553309A (zh) | 一种日志模板的确定方法、装置、电子设备及存储介质 | |
CN116975545A (zh) | 一种站台门异常检测方法、装置、电子设备及存储介质 | |
CN110910905B (zh) | 静音点检测方法及装置、存储介质、电子设备 | |
CN115719433A (zh) | 图像分类模型的训练方法、装置及电子设备 | |
US11349856B2 (en) | Exploit kit detection | |
CN114238641A (zh) | 运维知识的挖掘方法、装置、设备、存储介质和程序产品 |
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 |