CN117114087A - 故障预测方法、计算机设备和可读存储介质 - Google Patents

故障预测方法、计算机设备和可读存储介质 Download PDF

Info

Publication number
CN117114087A
CN117114087A CN202311369291.7A CN202311369291A CN117114087A CN 117114087 A CN117114087 A CN 117114087A CN 202311369291 A CN202311369291 A CN 202311369291A CN 117114087 A CN117114087 A CN 117114087A
Authority
CN
China
Prior art keywords
parameter value
branch
parameter
gradient lifting
target
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.)
Granted
Application number
CN202311369291.7A
Other languages
English (en)
Other versions
CN117114087B (zh
Inventor
罗除
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Kaihong Digital Industry Development Co Ltd
Original Assignee
Shenzhen Kaihong Digital Industry Development Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shenzhen Kaihong Digital Industry Development Co Ltd filed Critical Shenzhen Kaihong Digital Industry Development Co Ltd
Priority to CN202311369291.7A priority Critical patent/CN117114087B/zh
Publication of CN117114087A publication Critical patent/CN117114087A/zh
Application granted granted Critical
Publication of CN117114087B publication Critical patent/CN117114087B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06N3/08—Learning methods
    • G06N3/0985—Hyperparameter optimisation; Meta-learning; Learning-to-learn
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computational Linguistics (AREA)
  • Computational Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Algebra (AREA)
  • Molecular Biology (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请涉及人工智能领域，特别涉及一种故障预测方法、计算机设备和可读存储介质，该方法包括：获取待检测的目标设备对应的设备状态数据；获取故障预测模型，故障预测模型为基于元学习算法，根据目标超参数对初始梯度提升树进行训练得到，目标超参数为基于元学习算法确定；将设备状态数据输入故障预测模型进行故障预测，获得目标设备的预测结果。上述故障预测方法，通过基于元学习算法，根据目标超参数对初始梯度提升树进行训练得到故障预测模型，将设备状态数据输入故障预测模型进行故障预测，实现结合元学习算法与梯度提升树进行故障预测，可以提高设备故障预测的效率和降低成本。

Description

故障预测方法、计算机设备和可读存储介质
技术领域
本申请涉及人工智能领域，尤其涉及一种故障预测方法、计算机设备和计算机可读存储介质。
背景技术
随着数字化技术的不断发展，设备运维的工作难度也在增加，尤其是在设备故障预测方面。虽然相关技术中的人工智能与机器学习技术能够进行设备故障预测，但是由于设备的种类众多、数据的类型存在差异，仅采用一种算法在不同设备和数据类型之间很难通用。如果对每种设备类型和数据类型单独定制一种算法，那么需要算法开发人员逐个进行设计并调试，工作量极大，导致故障预测的效率较低，并且成本极高。
因此，如何提高设备故障预测的效率和降低成本成为亟需解决的问题。
发明内容
本申请提供了一种故障预测方法、计算机设备和计算机可读存储介质，解决了相关技术在预测设备故障时，需要专业人员对每种设备类型和数据类型单独定制算法和调试导致故障预测效率低和成本高的问题。
第一方面，本申请提供了一种故障预测方法，所述方法包括：
获取待检测的目标设备对应的设备状态数据；获取故障预测模型，所述故障预测模型为基于元学习算法，根据目标超参数对初始梯度提升树进行训练得到，所述目标超参数为基于所述元学习算法确定；将所述设备状态数据输入所述故障预测模型进行故障预测，获得所述目标设备的预测结果。
上述故障预测方法，通过基于元学习算法，根据目标超参数对初始梯度提升树进行训练得到故障预测模型，将设备状态数据输入故障预测模型进行故障预测，实现结合元学习算法与梯度提升树进行故障预测，可以针对不同的设备类型和数据类型，以元学习算法探索出最佳的目标超参数，适应于不同的应用场景、硬件资源、数据类型等条件，无需人工设计算法与调试算法，并且梯度提升树的运行速度显著高于现有算法的运行速度，解决了相关技术需要专业人员对每种设备类型和数据类型单独定制算法和调试导致故障预测效率低和成本高的问题，可以提高设备故障预测的效率和降低成本。
第二方面，本申请还提供了一种计算机设备，所述计算机设备包括存储器和处理器；
所述存储器，用于存储计算机程序；
所述处理器，用于执行所述计算机程序并在执行所述计算机程序时实现如上述的故障预测方法。
第三方面，本申请还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时使所述处理器实现如上述的故障预测方法。
附图说明
为了更清楚地说明本申请实施例技术方案，下面将对实施例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是本申请实施例提供的一种计算机设备的结构示意性框图；
图2是本申请实施例提供的一种故障预测方法的示意性流程图；
图3是本申请实施例提供的一种训练故障预测模型的示意性流程图；
图4是本申请实施例提供的一种超参数选择训练的子步骤的示意性流程图；
图5是本申请实施例提供的一种学习率选择训练的子步骤的示意性流程图；
图6是本申请实施例提供的一种学习率对应的蒙特卡洛树的示意性图；
图7是本申请实施例提供的一种最大迭代次数选择训练的子步骤的示意性流程图；
图8是本申请实施例提供的一种最大迭代次数的蒙特卡洛树的示意性图；
图9是本申请实施例提供的一种最大叶子节点数选择训练的子步骤的示意性流程图；
图10是本申请实施例提供的一种最大叶子节点数的蒙特卡洛树的示意性图；
图11是本申请实施例提供的一种最小样本数选择训练的子步骤的示意性流程图；
图12是本申请实施例提供的一种最小样本数的蒙特卡洛树的示意性图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
附图中所示的流程图仅是示例说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解、组合或部分合并，因此实际执行的顺序有可能根据实际情况改变。
应当理解，在此本申请说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本申请。如在本申请说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
本申请的实施例提供了一种故障预测方法、计算机设备和计算机可读存储介质。该故障预测方法应用于计算机设备中，通过结合元学习算法与梯度提升树进行故障预测，可以针对不同的设备类型和数据类型，以元学习算法探索出最佳的目标超参数，适应于不同的应用场景、硬件资源、数据类型等条件，无需人工设计算法与调试算法，并且梯度提升树的运行速度显著高于现有算法的运行速度，解决了相关技术需要专业人员对每种设备类型和数据类型单独定制算法和调试导致故障预测效率低和成本高的问题，可以提高设备故障预测的效率和降低成本。
示例性的，计算机设备可以是服务器或终端。其中，服务器可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(Content Delivery Network，CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。终端可以是智能手机、平板电脑、笔记本电脑和台式电脑等电子设备，还可以是物联网中的各类通信设备，例如家居设备、机器人等等。
请参阅图1，图1是本申请实施例提供的一种计算机设备100的结构示意性框图。在图1中，计算机设备100包括处理器1001和存储器1002，其中，处理器1001和存储器1002通过总线连接，该总线比如为集成电路（Inter-integrated Circuit，I2C）总线等任意适用的总线。
其中，存储器1002可以包括存储介质和内存储器。存储介质可以是易失性存储介质，也可以是非易失性存储介质。存储介质可存储操作***和计算机程序。该计算机程序包括程序指令，该程序指令被执行时，可使得处理器执行任意一种故障预测方法。
处理器1001用于提供计算和控制能力，支撑整个计算机设备100的运行。
其中，处理器1001可以是中央处理单元(Central Processing Unit，CPU)，该处理器还可以是通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等类型的处理器。通用处理器可以是微处理器或者，通用处理器也可以是任何常规的处理器等。
其中，处理器1001用于运行存储在存储器1002中的计算机程序，并在执行计算机程序时实现如下步骤：
获取待检测的目标设备对应的设备状态数据；获取故障预测模型，故障预测模型为基于元学习算法，根据目标超参数对初始梯度提升树进行训练得到，目标超参数为基于元学习算法确定；将设备状态数据输入故障预测模型进行故障预测，获得目标设备的预测结果。
在一些实施例中，处理器1001在实现获取故障预测模型之前，还用于实现：
基于元学习算法，根据目标设备对应的样本数据对初始梯度提升树进行超参数选择训练，确定初始梯度提升树的目标超参数的目标参数值；基于目标超参数的目标参数值对初始梯度提升树进行迭代训练，得到训练好的目标梯度提升树；根据目标梯度提升树，确定故障预测模型。
在一些实施例中，处理器1001在实现根据目标设备对应的样本数据对初始梯度提升树进行超参数选择训练，确定初始梯度提升树的目标超参数的目标参数值时，用于实现：
获取多个目标超参数，依次将每个目标超参数确定为当前超参数；
确定当前超参数对应的至少一个候选参数值；构建当前超参数对应的蒙特卡洛树，蒙特卡洛树包括每个候选参数值对应的分支，每个分支包括预设数量的初始梯度提升树；对每个候选参数值对应的分支下的初始梯度提升树进行超参数选择训练，得到每个分支下的梯度提升树对应的性能平均值；将最大性能平均值的分支对应的候选参数值，确定为当前超参数对应的目标参数值。
在一些实施例中，处理器1001在实现对每个候选参数值对应的分支下的初始梯度提升树进行超参数选择训练，得到每个分支下的梯度提升树对应的性能平均值时，用于实现：
确定第一参数值集合，第一参数值集合包括最大迭代次数对应的参数值、最大叶子节点数对应的参数值以及最小样本数对应的参数值；根据第一参数值集合，对每个候选参数值对应的分支下的初始梯度提升树进行学***均值。
在一些实施例中，样本数据包括训练数据集和验证数据集；处理器1001在实现根据第一参数值集合，对每个候选参数值对应的分支下的初始梯度提升树进行学***均值时，用于实现：
根据第一参数值集合与训练数据集对每个候选参数值对应的分支下的初始梯度提升树进行学***均值。
在一些实施例中，处理器1001在实现对每个候选参数值对应的分支下的初始梯度提升树进行超参数选择训练，得到每个分支下的梯度提升树对应的性能平均值时，用于实现：
确定第二参数值集合，第二参数值集合包括学***均值。
在一些实施例中，处理器1001在实现对每个候选参数值对应的分支下的初始梯度提升树进行超参数选择训练，得到每个分支下的梯度提升树对应的性能平均值时，用于实现：
确定第三参数值集合，第三参数值集合包括学***均值。
在一些实施例中，处理器1001在实现对每个候选参数值对应的分支下的初始梯度提升树进行超参数选择训练，得到每个分支下的梯度提升树对应的性能平均值时，用于实现：
确定第四参数值集合，第四参数值集合包括学***均值。
下面结合附图，对本申请的一些实施方式作详细说明。在不冲突的情况下，下述的实施例及实施例中的特征可以相互组合。请参阅图2，图2是本申请实施例提供的一种故障预测方法的示意性流程图。如图2所示，该故障预测方法可以包括步骤S101至步骤S103。
步骤S101、获取待检测的目标设备对应的设备状态数据。
示例性的，可以获取待检测的目标设备的设备状态数据。例如，可以从本地数据库或本地磁盘中读取目标设备记录或存储的设备状态数据。
示例性的，设备状态数据可以包括但不限于处理器使用信息、内存占用信息、网络流量、软件应用的运行速度以及硬件组件的运行速度等等。其中，处理器使用信息可以包括处理器使用的百分比；内存占用信息可以包括内存占用的百分比。例如，软件应用的运行速度可以是AI（Applications of artificial intelligence，人工智能）应用的每秒浮点运算次数（floating-poin to peration sper second，FLOPS）。
需要说明的是，在本申请实施例中，设备状态数据用于衡量目标设备的运行状态，通过对设备状态数据进行故障检测，可以判断目标设备的运行状态是否出现异常，也可以判断目标设备在将来一定时间内是否会出现异常，进而可以提前对目标设备进行维护。
步骤S102、获取故障预测模型，故障预测模型为基于元学习算法，根据目标超参数对初始梯度提升树进行训练得到，目标超参数为基于元学习算法确定。
示例性的，可以获取预先训练好的故障预测模型。其中，故障预测模型为基于元学习算法，根据目标超参数对初始梯度提升树进行训练得到，目标超参数为基于元学习算法确定。
需要说明的是，在本申请实施例中，梯度提升树可以作为分类模型使用，通过基于元学习算法，根据目标超参数对初始梯度提升树进行训练，将训练后的梯度提升树作为故障预测模型。梯度提升树的训练需要设定多个超参数，其中，有一部分超参数是固定的，作为默认值使用，无需通过元学习算法进行确定；另外一部分超参数是可变化的，在本申请实施例中称为目标超参数，需要通过元学习算法确定目标超参数的目标参数值。
示例性的，固定的超参数可以包括：（1）损失函数超参数，可以选用二分类的交叉熵损失函数，也可以选用其它类型的损失函数。（2）最大深度超参数，可以选用无最大深度限制。（3）正则化超参数，可以选用0，即无L2正则化。（4）非数值属性特征超参数，可以选用无非数值属性特征。（5）单调约束超参数，可以选用无单调约束。（6）相互作用约束超参数，可以选用无相互作用约束。（7）早停超参数，可以选用无早停。此外，任何其他与早停相关的超参数也都不被选用。（8）类权重超参数，可以选用无类权重。（9）最大分段数超参数，可以选用255，也可以选用其它的分段数。
示例性的，目标超参数可以包括：（1）学习率，可以包括：0.001、0.01、0.1等参数值。（2）最大迭代次数，可以包括：100、200、300、400、500等参数值。（3）最大叶子节点数超参数，可以包括：8、9、...、30、31等参数值。（4）叶子节点处所需的最小样本数超参数，可以包括：10、11、...、29、30等参数值。
需要说明的是，在本申请实施例中，可以先基于元学习算法确定上述目标超参数的目标参数值，进而可以基于元学习算法，根据目标超参数的目标参数值对初始梯度提升树进行训练。
可以理解的是，元学习算法是指希望使得模型获取一种学会学习调参的能力，使模型可以在获取已有知识的基础上快速学习新的任务。
在一些实施例中，在本申请实施例中，梯度提升树可以是直方图梯度提升树（Histogram Gradient Boosting Tree）。需要说明的是，直方图梯度提升树与传统的梯度提升树相比，直方图梯度提升树的运算速度更快。在本申请实施例中，通过采用直方图梯度提升树进行训练得到故障预测模型，可以提高故障预测模型的预测速度。
步骤S103、将设备状态数据输入故障预测模型进行故障预测，获得目标设备的预测结果。
示例性的，在获取待检测的目标设备对应的设备状态数据以及获取故障预测模型之后，可以将设备状态数据输入故障预测模型进行故障预测，获得目标设备的预测结果。其中，预测结果可以包括目标设备的运行状态正常和目标设备的运行状态异常两种情况。
需要说明的是，故障预测的具体过程，可以参见相关技术，在此不作赘述。
上述实施例，通过基于元学习算法，根据目标超参数对初始梯度提升树进行训练得到故障预测模型，将设备状态数据输入故障预测模型进行故障预测，实现结合元学习算法与梯度提升树进行故障预测，可以针对不同的设备类型和数据类型，以元学习算法探索出最佳的目标超参数，适应于不同的应用场景、硬件资源、数据类型等条件，无需人工设计算法与调试算法，并且梯度提升树的运行速度显著高于现有算法的运行速度，解决了相关技术需要专业人员对每种设备类型和数据类型单独定制算法和调试导致故障预测效率低和成本高的问题，可以提高设备故障预测的效率和降低成本。
在本申请实施例中，故障预测模型是基于元学习算法，根据目标超参数对初始梯度提升树进行训练得到的，以下将对如何训练梯度提升树作详细说明。
请参阅图3，图3是本申请实施例提供的一种训练故障预测模型的示意性流程图，具体可以包括以下步骤S201至步骤S203。
步骤S201、基于元学习算法，根据目标设备对应的样本数据对初始梯度提升树进行超参数选择训练，确定初始梯度提升树的目标超参数的目标参数值。
在一些实施例中，可以基于元学习算法，根据目标设备对应的样本数据对初始梯度提升树进行超参数选择训练，确定初始梯度提升树的目标超参数的目标参数值。
需要说明的是，目标超参数的目标参数值是指使得梯度提升树的分类效果最好时的参数值，即目标超参数的最佳值。
示例性的，样本数据包括以下至少一项：处理器使用信息，内存占用信息，网络流量，软件应用运行速度，硬件组件运行速度。其中，样本数据可以分为训练数据集和验证数据集。训练数据集与验证数据集都可以包括处理器使用信息，内存占用信息，网络流量，软件应用运行速度，硬件组件运行速度中的至少一项，训练数据集用于训练梯度提升树，验证数据集用于对训练后的梯度提升树进行验证，以确定训练后的梯度提升树的性能。
上述实施例，基于元学习算法，根据目标设备对应的样本数据对初始梯度提升树进行超参数选择训练，可以实现全自动的元学习方式探索超参数最佳的参数值，可以适应于不同的应用场景、硬件资源、数据类型等条件，无需人工设计算法与调试算法，解决了相关技术需要专业人员对每种设备类型和数据类型单独定制算法和调试导致故障预测效率低和成本高的问题，可以提高设备故障预测的效率和降低成本。
请参阅图4，图4是本申请实施例提供的一种超参数选择训练的子步骤的示意性流程图，步骤S201可以包括以下步骤S301至步骤S305。
步骤S301、获取多个目标超参数，依次将每个目标超参数确定为当前超参数。
示例性的，目标超参数可以包括学习率、最大迭代次数、最大叶子节点数以及叶子节点所需的最小样本数。例如，在第一训练阶段，可以将学习率确定为当前超参数，学习率可以记为Rb；在第二训练阶段，可以将最大迭代次数确定为当前超参数，最大迭代次数可以记为Ib；在第三训练阶段，可以将最大叶子节点数确定为当前超参数，最大叶子节点数可以记为Nb；在第四训练阶段，可以将最小样本数确定为当前超参数，最小样本数可以记为Mb。
步骤S302、确定当前超参数对应的至少一个候选参数值。
示例性的，在依次将每个目标超参数确定为当前超参数之后，可以确定当前超参数对应的至少一个候选参数值。
例如，若当前超参数为学习率，则当前超参数对应的候选参数值可以为0.001、0.01、0.1等等。又例如，若当前超参数为最大迭代次数，则当前超参数对应的候选参数值可以为100、200、300、400、500等等。
步骤S303、构建当前超参数对应的蒙特卡洛树，蒙特卡洛树包括每个候选参数值对应的分支，每个分支包括预设数量的初始梯度提升树。
示例性的，在确定当前超参数对应的至少一个候选参数值之后，可以根据候选参数值构建当前超参数对应的蒙特卡洛树，其中，蒙特卡洛树包括每个候选参数值对应的分支，每个分支包括预设数量的初始梯度提升树。
需要说明的是，当前超参数对应的蒙特卡洛树的分支的个数，可以根据当前超参数对应的候选参数值的个数决定。例如，若当前超参数为学习率，对应的候选参数值有3个，则可以构建具有3个分支的蒙特卡洛树。又例如，若当前超参数为最大迭代次数，对应的候选参数值有5个，则可以构建具有5个分支的蒙特卡洛树。
其中，蒙特卡洛树（Monte Carlo Tree Search）是一种树搜索算法，其核心思想是把资源放在更值得搜索的分枝上，主要包括选择、扩展、模拟和回溯四个步骤。在本申请实施例中，通过采用蒙特卡洛树对梯度提升树进行学习训练，可以降低计算复杂度，提高梯度提升树训练的效率。
示例性的，在构建的蒙特卡洛树中，每个分支包括预设数量的初始梯度提升树。其中，预设数量可以根据实际情况设定，具体数值在此不作限定。例如，在本申请实施例中，预设数量可以是10个。
上述实施例，通过根据候选参数值构建当前超参数对应的蒙特卡洛树，得到的蒙特卡洛树中的分支与候选参数值对应，由于蒙特卡洛树的计算复杂度较低，因此提高对初始梯度提升树进行超参数选择训练的效率。
步骤S304、对每个候选参数值对应的分支下的初始梯度提升树进行超参数选择训练，得到每个分支下的梯度提升树对应的性能平均值。
在一些实施例中，在构建当前超参数对应的蒙特卡洛树之后，可以对每个候选参数值对应的分支下的初始梯度提升树进行超参数选择训练，得到每个分支下的梯度提升树对应的性能平均值。
示例性的，若当前超参数为学***均值。
示例性的，若当前超参数为最大迭代次数，对应的5个候选参数值分别为：100、200、300、400、500，则可以基于元学***均值。
示例性的，性能平均值可以是ROC-AUC的平均值。需要说明的是，ROC（ReceiverOperating Characteristic，受试者工作特征曲线）-AUC（arear-under-curve，曲线下面积）是指ROC曲线与横轴构成的面积。ROC-AUC越大，曲线下的面积越大，曲线越向左上角凸起，说明模型的效果越好。例如，可以将每个分支下的10个梯度提升树对应的ROC-AUC值取均值，得到性能平均值。
上述实施例，通过对每个候选参数值对应的分支下的初始梯度提升树进行超参数选择训练，可以得到每个分支下的梯度提升树对应的性能平均值，后续可以根据性能平均值选择当前超参数最佳的目标参数值。
步骤S305、将最大性能平均值的分支对应的候选参数值，确定为当前超参数对应的目标参数值。
示例性的，在对每个候选参数值对应的分支下的初始梯度提升树进行超参数选择训练，得到每个分支下的梯度提升树对应的性能平均值之后，可以将最大性能平均值的分支对应的候选参数值，确定为当前超参数对应的目标参数值。其中，若有两个或两个以下的分支对应的性能平均值都是最大值，则可以多个最大性能平均值对应的候选参数值中的最小候选参数值，确定为当前超参数对应的目标参数值。
上述实施例，通过将最大性能平均值的分支对应的候选参数值，确定为当前超参数对应的目标参数值，可以使得梯度提升树中的目标超参数都具有最佳的参数值，进而可以提高梯度提升树的性能以及分类的准确性。
步骤S202、基于目标超参数的目标参数值对初始梯度提升树进行迭代训练，得到训练好的目标梯度提升树。
示例性的，在确定初始梯度提升树的目标超参数的目标参数值之后，可以基于目标超参数的目标参数值对初始梯度提升树进行迭代训练，得到训练好的目标梯度提升树。
示例性的，可以根据学习率Rb、最大迭代次数Ib、最大叶子节点数Nb以及叶子节点所需的最小样本数Mb各自对应的目标参数值，对初始梯度提升树进行迭代训练，得到训练好的目标梯度提升树。
需要说明的是，在本申请实施例中，学习率、最大迭代次数、最大叶子节点数以及叶子节点所需的最小样本数各自对应的目标参数值，用于设置初始梯度提升树中的超参数，得到设置超参数后的初始梯度提升树。然后，根据目标设备或其它设备对应的样本数据对设置超参数后的初始梯度提升树进行迭代训练，得到训练好的目标梯度提升树。训练好的目标梯度提升树可以记为T。其中，迭代训练的具体过程，可以参见相关技术，在此不作限定。
上述实施例，通过基于目标超参数的目标参数值对初始梯度提升树进行迭代训练，可以得到训练好的目标梯度提升树。
步骤S203、根据目标梯度提升树，确定故障预测模型。
示例性的，在得到训练好的目标梯度提升树之后，可以将目标梯度提升树，确定为故障预测模型。
需要说明的是，通过将目标梯度提升树，确定为故障预测模型，由于目标梯度提升树采用的目标超参数是基于元学习算法探索的超参数，并且梯度提升树的运行速度显著高于现有算法的运行速度，因此，故障预测模型可以适应于不同的应用场景、硬件资源、数据类型等条件，无需人工设计算法与调试算法，解决了相关技术需要专业人员对每种设备类型和数据类型单独定制算法和调试导致故障预测效率低和成本高的问题，可以提高设备故障预测的效率和降低成本。
在本申请实施例中，对于目标超参数：学习率、最大迭代次数、最大叶子节点数以及叶子节点所需的最小样本数，可以分别对每个目标超参数进行选择训练，以确定每个目标超参数对应的目标参数值。以下将对每个目标超参数的选择训练过程作详细说明。
请参阅图5，图5是本申请实施例提供的一种学习率选择训练的子步骤的示意性流程图，步骤S304可以包括以下步骤S401和步骤S402。
步骤S401、确定第一参数值集合，第一参数值集合包括最大迭代次数对应的参数值、最大叶子节点数对应的参数值以及最小样本数对应的参数值。
在一些实施例中，可以根据最大迭代次数对应的参数值、最大叶子节点数对应的参数值以及最小样本数对应的参数值进行组合，生成第一参数值集合。
需要说明的是，由于学习率、最大迭代次数、最大叶子节点数以及叶子节点所需的最小样本数都是梯度提升树中可变的超参数，因此在进行学习率选择训练时，需要固定最大迭代次数、最大叶子节点数以及叶子节点所需的最小样本数各自的参数值。
示例性的，可以将最大迭代次数、最大叶子节点数以及叶子节点所需的最小样本数各自的候选参数值进行随机组合，例如，最大迭代次数对应的参数值可以为100，最大叶子节点数对应的参数值可以为10，叶子节点所需的最小样本数对应的参数值可以为15。
上述实施例，通过固定最大迭代次数对应的参数值、最大叶子节点数对应的参数值以及最小样本数对应的参数值，可以实现在进行学习率选择训练时，只有学习率一个变量，避免最大迭代次数、最大叶子节点数以及最小样本数影响训练的准确性。
步骤S402、根据第一参数值集合，对每个候选参数值对应的分支下的初始梯度提升树进行学***均值。
示例性的，在确定第一参数值集合之后，可以基于元学***均值。
在一些实施例中，根据第一参数值集合，对每个候选参数值对应的分支下的初始梯度提升树进行学***均值，可以包括：根据第一参数值集合与训练数据集对每个候选参数值对应的分支下的初始梯度提升树进行学***均值。
请参阅图6，图6是本申请实施例提供的一种学***均值。其中，学习率选择训练、学习率选择验证的具体过程，可以参见相关技术，在此不作限定。
其中，在进行学习率选择验证时，若任何一个梯度提升树的训练过程因为硬件资源不足等问题而导致执行失败，则将该梯度提升树的ROC-AUC值记为0。
上述实施例，通过根据验证数据集对每个分支下训练后的梯度提升树进行学***均值，后续可以通过每个分支下训练后的梯度提升树对应的性能平均值，确定学习率最佳的参数值。
请参阅图7，图7是本申请实施例提供的一种最大迭代次数选择训练的子步骤的示意性流程图，步骤S304还可以包括以下步骤S501和步骤S502。
步骤S501、确定第二参数值集合，第二参数值集合包括学习率对应的参数值、最大叶子节点数对应的参数值以及最小样本数对应的参数值。
在一些实施例中，可以根据学习率对应的参数值、最大叶子节点数对应的参数值以及最小样本数对应的参数值进行组合，生成第二参数值集合。
需要说明的是，由于学习率、最大迭代次数、最大叶子节点数以及叶子节点所需的最小样本数都是梯度提升树中可变的超参数，因此在进行最大迭代次数选择训练时，需要固定学习率、最大叶子节点数以及叶子节点所需的最小样本数各自的参数值。
示例性的，可以将学习率、最大叶子节点数以及叶子节点所需的最小样本数各自的候选参数值进行随机组合，例如，学习率对应的参数值可以为0.01，最大叶子节点数对应的参数值可以为10，叶子节点所需的最小样本数对应的参数值可以为15。
上述实施例，通过固定学习率对应的参数值、最大叶子节点数对应的参数值以及最小样本数对应的参数值，可以实现在进行最大迭代次数选择训练时，只有最大迭代次数一个变量，避免学习率、最大叶子节点数以及最小样本数影响训练的准确性。
步骤S502、根据第二参数值集合，对每个候选参数值对应的分支下的初始梯度提升树进行最大迭代次数选择训练，得到每个分支下的梯度提升树对应的性能平均值。
示例性的，在确定第二参数值集合之后，可以基于元学***均值。
在一些实施例中，根据第二参数值集合，对每个候选参数值对应的分支下的初始梯度提升树进行最大迭代次数选择训练，得到每个分支下的梯度提升树对应的性能平均值，可以包括：根据第二参数值集合与训练数据集对每个候选参数值对应的分支下的初始梯度提升树进行最大迭代次数选择训练至收敛，得到每个分支下训练后的梯度提升树；根据验证数据集对每个分支下训练后的梯度提升树进行最大迭代次数选择验证，得到每个分支下训练后的梯度提升树对应的性能平均值。
请参阅图8，图8是本申请实施例提供的一种最大迭代次数对应的蒙特卡洛树的示意性图。如图8所示，最大迭代次数对应的候选参数值可以为100、200、...、500；可以先根据第二参数值集合初始化每个候选参数值对应的分支下的各初始梯度提升树中的学***均值。其中，最大迭代次数选择训练、最大迭代次数选择验证的具体过程，可以参见相关技术，在此不作限定。
其中，在进行最大迭代次数选择验证时，若任何一个梯度提升树的训练过程因为硬件资源不足等问题而导致执行失败，则将该梯度提升树的ROC-AUC值记为0。
上述实施例，通过根据验证数据集对每个分支下训练后的梯度提升树进行最大迭代次数选择验证，得到每个分支下训练后的梯度提升树对应的性能平均值，后续可以通过每个分支下训练后的梯度提升树对应的性能平均值，确定最大迭代次数最佳的参数值。
请参阅图9，图9是本申请实施例提供的一种最大叶子节点数选择训练的子步骤的示意性流程图，步骤S304还可以包括以下步骤S601和步骤S602。
步骤S601、确定第三参数值集合，第三参数值集合包括学习率对应的参数值、最大迭代次数对应的参数值以及最小样本数对应的参数值。
在一些实施例中，可以根据学习率对应的参数值、最大迭代次数对应的参数值以及最小样本数对应的参数值进行组合，生成第三参数值集合。
需要说明的是，由于学习率、最大迭代次数、最大叶子节点数以及叶子节点所需的最小样本数都是梯度提升树中可变的超参数，因此在进行最大叶子节点数选择训练时，需要固定学习率、最大迭代次数以及叶子节点所需的最小样本数各自的参数值。
示例性的，可以将学习率、最大迭代次数以及叶子节点所需的最小样本数各自的候选参数值进行随机组合，例如，学习率对应的参数值可以为0.01，最大迭代次数对应的参数值可以为100，叶子节点所需的最小样本数对应的参数值可以为15。
上述实施例，通过固定学习率对应的参数值、最大迭代次数对应的参数值以及最小样本数对应的参数值，可以实现在进行最大叶子节点数选择训练时，只有最大叶子节点数一个变量，避免学习率、最大迭代次数以及最小样本数影响训练的准确性。
步骤S602、根据第三参数值集合，对每个候选参数值对应的分支下的初始梯度提升树进行最大叶子节点数选择训练，得到每个分支下的梯度提升树对应的性能平均值。
示例性的，在确定第三参数值集合之后，可以基于元学***均值。
在一些实施例中，根据第三参数值集合，对每个候选参数值对应的分支下的初始梯度提升树进行最大叶子节点数选择训练，得到每个分支下的梯度提升树对应的性能平均值，可以包括：根据第三参数值集合与训练数据集对每个候选参数值对应的分支下的初始梯度提升树进行最大叶子节点数选择训练至收敛，得到每个分支下训练后的梯度提升树；根据验证数据集对每个分支下训练后的梯度提升树进行最大叶子节点数选择验证，得到每个分支下训练后的梯度提升树对应的性能平均值。
请参阅图10，图10是本申请实施例提供的一种最大叶子节点数对应的蒙特卡洛树的示意性图。如图10所示，最大叶子节点数对应的候选参数值可以为8、9、...、31；可以先根据第三参数值集合初始化每个候选参数值对应的分支下的各初始梯度提升树中的学***均值。其中，最大叶子节点数选择训练、最大叶子节点数选择验证的具体过程，可以参见相关技术，在此不作限定。
其中，在进行最大叶子节点数选择验证时，若任何一个梯度提升树的训练过程因为硬件资源不足等问题而导致执行失败，则将该梯度提升树的ROC-AUC值记为0。
上述实施例，通过根据验证数据集对每个分支下训练后的梯度提升树进行最大叶子节点数选择验证，得到每个分支下训练后的梯度提升树对应的性能平均值，后续可以通过每个分支下训练后的梯度提升树对应的性能平均值，确定最大叶子节点数最佳的参数值。
请参阅图11，图11是本申请实施例提供的一种最小样本数选择训练的子步骤的示意性流程图，步骤S304还可以包括以下步骤S701和步骤S702。
步骤S701、确定第四参数值集合，第四参数值集合包括学习率对应的参数值、最大迭代次数对应的参数值以及最大叶子节点数对应的参数值。
在一些实施例中，可以根据学习率对应的参数值、最大迭代次数对应的参数值以及最大叶子节点数对应的参数值进行组合，生成第四参数值集合。
需要说明的是，由于学习率、最大迭代次数、最大叶子节点数以及叶子节点所需的最小样本数都是梯度提升树中可变的超参数，因此在进行最小样本数选择训练时，需要固定学习率、最大迭代次数以及最大叶子节点数所需的最小样本数各自的参数值。
示例性的，可以将学习率、最大迭代次数以及最大叶子节点数各自的候选参数值进行随机组合，例如，学习率对应的参数值可以为0.1，最大迭代次数对应的参数值可以为100，最大叶子节点数对应的参数值可以为10。
上述实施例，通过固定学习率对应的参数值、最大迭代次数对应的参数值以及最大叶子节点数对应的参数值，可以实现在进行最小样本数选择训练时，只有最小样本数一个变量，避免学习率、最大迭代次数以及最大叶子节点数影响训练的准确性。
步骤S702、根据第四参数值集合，对每个候选参数值对应的分支下的初始梯度提升树进行最小样本数选择训练，得到每个分支下的梯度提升树对应的性能平均值。
示例性的，在确定第四参数值集合之后，可以基于元学***均值。
在一些实施例中，根据第四参数值集合，对每个候选参数值对应的分支下的初始梯度提升树进行最小样本数选择训练，得到每个分支下的梯度提升树对应的性能平均值，可以包括：根据第四参数值集合与训练数据集对每个候选参数值对应的分支下的初始梯度提升树进行最小样本数选择训练至收敛，得到每个分支下训练后的梯度提升树；根据验证数据集对每个分支下训练后的梯度提升树进行最小样本数选择验证，得到每个分支下训练后的梯度提升树对应的性能平均值。
请参阅图12，图12是本申请实施例提供的一种最小样本数对应的蒙特卡洛树的示意性图。如图12所示，最小样本数对应的候选参数值可以为10、11、...、30；可以先根据第四参数值集合初始化每个候选参数值对应的分支下的各初始梯度提升树中的学***均值。其中，最小样本数选择训练、最小样本数选择验证的具体过程，可以参见相关技术，在此不作限定。
其中，在进行最小样本数选择验证时，若任何一个梯度提升树的训练过程因为硬件资源不足等问题而导致执行失败，则将该梯度提升树的ROC-AUC值记为0。
上述实施例，通过根据验证数据集对每个分支下训练后的梯度提升树进行最小样本数选择验证，得到每个分支下训练后的梯度提升树对应的性能平均值，后续可以通过每个分支下训练后的梯度提升树对应的性能平均值，确定最小样本数最佳的参数值。
本申请的实施例中还提供一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序中包括程序指令，处理器执行程序指令，实现本申请实施例提供的任一项故障预测方法。例如，该计算机程序被处理器加载，可以执行如下步骤：
获取待检测的目标设备对应的设备状态数据；获取故障预测模型，故障预测模型为基于元学习算法，根据目标超参数对初始梯度提升树进行训练得到，目标超参数为基于元学习算法确定；将设备状态数据输入故障预测模型进行故障预测，获得目标设备的预测结果。
以上各个操作的具体实施可参见前面的实施例，在此不再赘述。
其中，计算机可读存储介质可以是前述实施例的计算机设备的内部存储单元，例如计算机设备的硬盘或内存。计算机可读存储介质也可以是计算机设备的外部存储设备，例如计算机设备上配备的插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字卡(Secure Digital，SD)，闪存卡(Flash Card)等。
以上，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。

Claims (12)

1.一种故障预测方法，其特征在于，包括：
获取待检测的目标设备对应的设备状态数据；
获取故障预测模型，所述故障预测模型为基于元学习算法，根据目标超参数对初始梯度提升树进行训练得到，所述目标超参数为基于所述元学习算法确定；
将所述设备状态数据输入所述故障预测模型进行故障预测，获得所述目标设备的预测结果。
2.根据权利要求1所述的故障预测方法，其特征在于，所述获取故障预测模型之前，所述方法还包括：
基于所述元学习算法，根据所述目标设备对应的样本数据对所述初始梯度提升树进行超参数选择训练，确定所述初始梯度提升树的目标超参数的目标参数值；
基于所述目标超参数的目标参数值对所述初始梯度提升树进行迭代训练，得到训练好的目标梯度提升树；
根据所述目标梯度提升树，确定所述故障预测模型。
3.根据权利要求2所述的故障预测方法，其特征在于，所述根据所述目标设备对应的样本数据对所述初始梯度提升树进行超参数选择训练，确定所述初始梯度提升树的目标超参数的目标参数值，包括：
获取多个目标超参数，依次将每个所述目标超参数确定为当前超参数；
确定所述当前超参数对应的至少一个候选参数值；
构建所述当前超参数对应的蒙特卡洛树，所述蒙特卡洛树包括每个所述候选参数值对应的分支，每个所述分支包括预设数量的初始梯度提升树；
对每个所述候选参数值对应的分支下的初始梯度提升树进行超参数选择训练，得到每个所述分支下的梯度提升树对应的性能平均值；
将最大性能平均值的分支对应的候选参数值，确定为所述当前超参数对应的目标参数值。
4.根据权利要求3所述的故障预测方法，其特征在于，所述目标超参数包括学习率、最大迭代次数、最大叶子节点数以及叶子节点所需的最小样本数。
5.根据权利要求4所述的故障预测方法，其特征在于，所述对每个所述候选参数值对应的分支下的初始梯度提升树进行超参数选择训练，得到每个所述分支下的梯度提升树对应的性能平均值，包括：
确定第一参数值集合，所述第一参数值集合包括所述最大迭代次数对应的参数值、所述最大叶子节点数对应的参数值以及所述最小样本数对应的参数值；
根据所述第一参数值集合，对每个所述候选参数值对应的分支下的初始梯度提升树进行学***均值。
6.根据权利要求5所述的故障预测方法，其特征在于，所述样本数据包括训练数据集和验证数据集；所述根据所述第一参数值集合，对每个所述候选参数值对应的分支下的初始梯度提升树进行学***均值，包括：
根据所述第一参数值集合与所述训练数据集对每个所述候选参数值对应的分支下的初始梯度提升树进行学习率选择训练至收敛，得到每个所述分支下训练后的梯度提升树；
根据所述验证数据集对每个所述分支下训练后的梯度提升树进行学***均值。
7.根据权利要求4所述的故障预测方法，其特征在于，所述对每个所述候选参数值对应的分支下的初始梯度提升树进行超参数选择训练，得到每个所述分支下的梯度提升树对应的性能平均值，包括：
确定第二参数值集合，所述第二参数值集合包括所述学习率对应的参数值、所述最大叶子节点数对应的参数值以及所述最小样本数对应的参数值；
根据所述第二参数值集合，对每个所述候选参数值对应的分支下的初始梯度提升树进行最大迭代次数选择训练，得到每个所述分支下的梯度提升树对应的性能平均值。
8.根据权利要求4所述的故障预测方法，其特征在于，所述对每个所述候选参数值对应的分支下的初始梯度提升树进行超参数选择训练，得到每个所述分支下的梯度提升树对应的性能平均值，包括：
确定第三参数值集合，所述第三参数值集合包括所述学习率对应的参数值、所述最大迭代次数对应的参数值以及所述最小样本数对应的参数值；
根据所述第三参数值集合，对每个所述候选参数值对应的分支下的初始梯度提升树进行最大叶子节点数选择训练，得到每个所述分支下的梯度提升树对应的性能平均值。
9.根据权利要求4所述的故障预测方法，其特征在于，所述对每个所述候选参数值对应的分支下的初始梯度提升树进行超参数选择训练，得到每个所述分支下的梯度提升树对应的性能平均值，包括：
确定第四参数值集合，所述第四参数值集合包括所述学习率对应的参数值、所述最大迭代次数对应的参数值以及所述最大叶子节点数对应的参数值；
根据所述第四参数值集合，对每个所述候选参数值对应的分支下的初始梯度提升树进行最小样本数选择训练，得到每个所述分支下的梯度提升树对应的性能平均值。
10.根据权利要求2-9任一项所述的故障预测方法，其特征在于，所述样本数据包括以下至少一项：处理器使用信息，内存占用信息，网络流量，软件应用运行速度，硬件组件运行速度。
11.一种计算机设备，其特征在于，所述计算机设备包括存储器和处理器；
所述存储器用于存储计算机程序；
所述处理器，用于执行所述计算机程序并在执行所述计算机程序时实现如权利要求1至10中任一项所述的故障预测方法。
12.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时使所述处理器实现如权利要求1至10中任一项所述的故障预测方法。
CN202311369291.7A 2023-10-23 2023-10-23 故障预测方法、计算机设备和可读存储介质 Active CN117114087B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311369291.7A CN117114087B (zh) 2023-10-23 2023-10-23 故障预测方法、计算机设备和可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311369291.7A CN117114087B (zh) 2023-10-23 2023-10-23 故障预测方法、计算机设备和可读存储介质

Publications (2)

Publication Number Publication Date
CN117114087A true CN117114087A (zh) 2023-11-24
CN117114087B CN117114087B (zh) 2024-02-13

Family

ID=88800523

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311369291.7A Active CN117114087B (zh) 2023-10-23 2023-10-23 故障预测方法、计算机设备和可读存储介质

Country Status (1)

Country Link
CN (1) CN117114087B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20200125945A1 (en) * 2018-10-18 2020-04-23 Drvision Technologies Llc Automated hyper-parameterization for image-based deep model learning
CN113866642A (zh) * 2021-09-22 2021-12-31 中国华能集团清洁能源技术研究院有限公司 一种基于梯度提升树的锂离子电池故障诊断方法
CN115238752A (zh) * 2022-08-15 2022-10-25 福州亿力卓越管理顾问有限公司 一种基于人工智能的充电桩故障预测***
CN116089870A (zh) * 2022-12-16 2023-05-09 清华大学 基于元学习的小样本条件下工业设备故障预测方法及装置
CN116166967A (zh) * 2023-04-21 2023-05-26 深圳开鸿数字产业发展有限公司 基于元学习与残差网络的数据处理方法、设备和存储介质

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20200125945A1 (en) * 2018-10-18 2020-04-23 Drvision Technologies Llc Automated hyper-parameterization for image-based deep model learning
CN113866642A (zh) * 2021-09-22 2021-12-31 中国华能集团清洁能源技术研究院有限公司 一种基于梯度提升树的锂离子电池故障诊断方法
CN115238752A (zh) * 2022-08-15 2022-10-25 福州亿力卓越管理顾问有限公司 一种基于人工智能的充电桩故障预测***
CN116089870A (zh) * 2022-12-16 2023-05-09 清华大学 基于元学习的小样本条件下工业设备故障预测方法及装置
CN116166967A (zh) * 2023-04-21 2023-05-26 深圳开鸿数字产业发展有限公司 基于元学习与残差网络的数据处理方法、设备和存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
FENG, YONG ET AL: "Meta-learning as a promising approach for few-shot cross-domain fault diagnosis: Algorithms, applications, and prospects", 《KNOWLEDGE-BASED SYSTEMS》, vol. 235, pages 1 - 27 *
曹亚伟: "基于风电状态大数据的风机故障预测", 《中国优秀硕士学位论文全文数据库》, no. 02, pages 1 - 62 *

Also Published As

Publication number Publication date
CN117114087B (zh) 2024-02-13

Similar Documents

Publication Publication Date Title
KR102302609B1 (ko) 신경망 아키텍처 최적화
CN109120462B (zh) 机会网络链路的预测方法、装置及可读存储介质
US10452702B2 (en) Data clustering
JP2018533153A (ja) 機械学習に基づくネットワークモデル構築方法及び装置
US11295242B2 (en) Automated data and label creation for supervised machine learning regression testing
CN107251021B (zh) 过滤数据沿袭图
US20220147877A1 (en) System and method for automatic building of learning machines using learning machines
CN111047563B (zh) 一种应用于医学超声图像的神经网络构建方法
CN114503108A (zh) 向经过训练的机器学习模型添加对抗鲁棒性
US11196633B2 (en) Generalized correlation of network resources and associated data records in dynamic network environments
GB2530516A (en) Intelligent Software Test Augmenting
CN106033425A (zh) 数据处理设备和数据处理方法
US12013840B2 (en) Dynamic discovery and correction of data quality issues
CN114492601A (zh) 资源分类模型的训练方法、装置、电子设备及存储介质
US10970196B1 (en) Semantic-aware fuzz-based functional testing
CN116166967B (zh) 基于元学习与残差网络的数据处理方法、设备和存储介质
CN116341634B (zh) 神经结构搜索模型的训练方法、装置及电子设备
CN111935005A (zh) 数据传输方法、装置、处理设备及介质
CN117114087B (zh) 故障预测方法、计算机设备和可读存储介质
CN116822927A (zh) 一种业务流程优化方法、装置及存储介质
CN118159943A (zh) 人工智能模型学习自省
CN111737319B (zh) 用户集群的预测方法、装置、计算机设备和存储介质
US11676050B2 (en) Systems and methods for neighbor frequency aggregation of parametric probability distributions with decision trees using leaf nodes
US11074508B2 (en) Constraint tracking and inference generation
WO2022199261A1 (zh) 一种模型推荐的方法、装置和计算机设备

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