一种混合型航标报警智能检测方法

摘要

本发明提供一种混合型航标报警智能检测方法，其步骤包括：1)根据历史定时数据和历史报警数据发现相似站点，得到相似站点划分及相似站点数据；2)根据上述相似站点划分及相似站点数据、历史报警数据及该报警时刻向前一段时间的历史定时数据进行报警模型训练，生成二次报警的模型；3)将实时报警数据及该报警时刻向前一段时间的历史定时数据输入所述二次报警的模型，进行报警结果判断；4)根据上述报警结果及人工反馈的报警结果，对步骤2)中所述报警模型进行修正。该方法能够在充分利用领域知识的前提下，结合数据挖掘方法和人工反馈，实现对航标异常进行报警。且该方法能够有效提高报警判断的准确率。

权利要求

1.一种混合型航标报警智能检测方法，其步骤包括：

1)根据历史定时数据和历史报警数据发现相似站点，得到相似站点划分及相似站点数据，包括：

1-1)将每个站点作为聚类的一个元素，选取每个站点的基本信息特征和历史定时数据特征，并根据选取的特征，计算每个站点对应的各个特征的数值或数值组；所述基本信息特征包括但不仅仅包括站点的经度、纬度、历史水位、历史温度；所述历史定时数据特征包括但不仅仅包括<时间/时间范围，偏移量>、<时间/时间范围，灯质>、<时间/时间范围，电压>；

1-2)将历史报警数据按站点进行划分，选取每个站点的历史报警数据特征，并根据选取的特征，计算每个站点对应的历史报警数据特征的数值；

1-3)根据步骤1-1)及步骤1-2)计算得到的结果进行相似站点的发现，并输出相似站点划分及相似站点数据；

2)根据上述相似站点划分及相似站点数据、历史报警数据及该报警时刻向前一段时间的历史定时数据进行报警模型训练，生成二次报警的模型；

3)将实时报警数据及该报警时刻向前一段时间的历史定时数据输入所述二次报警的模型，进行报警结果判断；

4)根据上述报警结果及人工反馈的报警结果，对步骤2)中所述报警模型进行修正。

2.如权利要求1所述的方法，其特征在于，步骤1-2)中所述历史报警数据特征包括但不仅仅包括<时间/时间范围，报警总量>、<报警类型，报警次数>；步骤1-3)采用聚类方法进行相似站点的发现，其中所述聚类方法是指K-means、KNN、层次聚类。

3.如权利要求1所述的方法，其特征在于，步骤2)包括：

2-1)对于每一条历史报警数据，提取历史报警数据特征；

2-2)以每一条历史报警数据报警的时间作为基础时间，从历史定时数据中提取该报警时刻向前一段时间的历史定时数据以及历史定时数据特征；

2-3)根据步骤2-1)提取的历史报警数据特征、步骤2-2)提取的历史定时数据特征、步骤1)获取的相似站点划分及相似站点数据、历史处置情况给出报警正确、错误的标签特征，并进行报警模型训练，生成二次报警的模型。

4.如权利要求3所述的方法，其特征在于，步骤2-3)中所述历史处置是指历史报警发生后，相关人员进行的具体处置，以及给出的该报警是否为正确报警的结论；所述报警模型训练采用支持向量机或随机森林传统机器学习方法。

5.如权利要求1所述的方法，其特征在于，所述该报警时刻向前一段时间根据历史报警数据或实时报警数据上报频率、实际场景确定。

6.如权利要求1所述的方法，其特征在于，步骤3)包括：

3-1)提取实时报警数据特征；

3-2)根据实时报警数据发生的时间，获取该报警时刻向前一段时间的历史定时数据，并提取该历史定时数据特征；

3-3)将步骤3-1)提取的实时报警数据特征和步骤3-2)提取的历史定时数据特征输入步骤2)生成的二次报警的模型进行汇聚，得到二次报警结果。

7.如权利要求6所述的方法，其特征在于，步骤3-1)中所述实时报警数据特征包括但不仅仅包括<时间/时间范围，报警总量>、<报警类型，报警次数>。

8.如权利要求1所述的方法，其特征在于，步骤4)包括：

4-1)根据上述报警结果及人工反馈的报警结果，输出报警结果反馈数据；其中所述人工反馈的报警结果是指：在报警发生后，工作人员对报警的严重级别进行评估，并进行现场处置的结果；

4-2)将上述报警结果反馈数据作为输入，再次反馈到上述步骤2)中所述报警模型进行训练，以修正报警模型。

说明书

一种混合型航标报警智能检测方法

技术领域

[0001] 本发明涉及航道、水运领域，尤其涉及一种混合型航标报警智能检测方法。

背景技术

[0002] 基于物联网、大数据分析的航标遥测遥控系统，综合运用无线数字通信GPRS技术、北斗和GPS定位技术、微处理器技术、嵌入式系统等现代信息处理技术，实现了航标灯工作情况的自动监测与分析、高精度航标位移定位的自动监测与分析、航标附属设备工作情况的自动监测与分析。

[0003] 在航标遥测遥控系统中，远程终端单元(RTU)能够实时采集航标状态，并定时返回给控制中心。然而，由于能耗、传输成本等因素，远程终端单元无法实现高频率的实时数据传输，一般只针对低频定时数据以及报警数据进行传输。

[0004] 由于远程终端单元在传输上的限制，使得对航标的报警判断均集中在RTU端实现。在传统的RTU报警判断中，主要以基于规则的判断为主。仅在RTU端使用基于规则的方法进行报警存在较大问题。首先，一些航标的异常具有区域性，而在RTU端的计算，无法结合相邻RTU的数据进行判断。其次，一些航标的异常是一个逐渐变化的过程(如航标位置偏移)，但基于规则的方法灵活性较差，在此类场景下报警效果较差。

发明内容

[0005] 由于航标上负责采集数据的传感器采集的时间粒度较大，且针对航标报警的判断主要是基于规则的判断，以致于航标报警效率较低，本发明提供一种混合型航标报警智能检测方法，以提高报警判断的准确率。

[0006] 为达上述目的，本发明所采用的技术方案为：

[0007] 一种混合型航标报警智能检测方法，其步骤包括：

[0008] 1)根据历史定时数据和历史报警数据发现相似站点，得到相似站点划分及相似站点数据；

[0009] 2)根据上述相似站点划分及相似站点数据、历史报警数据及该报警时刻向前一段时间的历史定时数据进行报警模型训练，生成二次报警的模型；

[0010] 3)将实时报警数据及该报警时刻向前一段时间的历史定时数据输入所述二次报警的模型，进行报警结果判断；

[0011] 4)根据上述报警结果及人工反馈的报警结果，对步骤2)中所述报警模型进行修正。

[0012] 进一步地，步骤1)包括：

[0013] 1-1)将每个站点作为聚类的一个元素，选取每个站点的基本信息特征和历史定时数据特征，并根据选取的特征，计算每个站点对应的各个特征的数值或数值组；

[0014] 1-2)将历史报警数据按站点进行划分，选取每个站点的历史报警数据特征，并根据选取的特征，计算每个站点对应的历史报警数据特征的数值；

[0015] 1-3)根据步骤1-1)及步骤1-2)计算得到的结果进行相似站点的发现，并输出相似站点划分及相似站点数据。

[0016] 更进一步地，步骤1-1)中所述基本信息特征包括但不仅仅包括站点的经度、纬度、历史水位、历史温度；所述历史定时数据特征包括但不仅仅包括<时间/时间范围，偏移量>、<时间/时间范围，灯质>、<时间/时间范围，电压>。

[0017] 更进一步地，步骤1-2)中所述历史报警数据特征包括但不仅仅包括<时间/时间范围，报警总量>、<报警类型，报警次数>；步骤1-3)采用聚类方法进行相似站点的发现，其中所述聚类方法是指K-means、KNN、层次聚类。

[0018] 进一步的，步骤2)包括：

[0019] 2-1)对于每一条历史报警数据，提取历史报警数据特征；

[0020] 2-2)以每一条历史报警数据报警的时间作为基础时间，从历史定时数据中提取该报警时刻向前一段时间的历史定时数据以及历史定时数据特征；

[0021] 2-3)根据步骤2-1)提取的历史报警数据特征、步骤2-2)提取的历史定时数据特征、步骤1)获取的相似站点划分及相似站点数据、历史处置情况给出报警正确、错误的标签特征，并进行报警模型训练，生成二次报警的模型。

[0022] 更进一步地，步骤2-3)中所述历史处置是指历史报警发生后，相关人员进行的具体处置，以及给出的该报警是否为正确报警的结论；所述报警模型训练采用支持向量机(SVM)或随机森林传统机器学习方法。

[0023] 进一步地，所述该报警时刻向前一段时间根据历史报警数据或实时报警数据上报频率、实际场景确定。

[0024] 进一步地，步骤3)包括：

[0025] 3-1)提取实时报警数据特征；

[0026] 3-2)根据实时报警数据发生的时间，获取该报警时刻向前一段时间的历史定时数据，并提取该历史定时数据特征；

[0027] 3-3)将步骤3-1)提取的实时报警数据特征和步骤3-2)提取的历史定时数据特征输入步骤2)生成的二次报警的模型进行汇聚，得到二次报警结果。

[0028] 进一步地，步骤3-1)中所述实时报警数据特征包括但不仅仅包括<时间/时间范围，报警总量>、<报警类型，报警次数>。

[0029] 进一步的，步骤4)包括：

[0030] 4-1)根据上述报警结果及人工反馈的报警结果，输出报警结果反馈数据；其中所述人工反馈的报警结果是指：在报警发生后，工作人员对报警的严重级别进行评估，并进行现场处置的结果；

[0031] 4-2)将上述报警结果反馈数据作为输入，再次反馈到上述步骤2)中所述报警模型进行训练，以修正报警模型。

[0032] 本发明的有益效果在于：本发明提供一种混合型航标报警智能检测方法，该方法能够在充分利用领域知识的前提下，结合数据挖掘方法和人工反馈，实现对航标异常进行报警。相较传统仅基于规则或仅基于数据挖掘方法的报警系统，本发明方法在准确性和结果的可解释性上更具优势。

附图说明

[0033] 图1为本发明提供的一种混合型航标报警智能检测方法流程图。

[0034] 图2为本发明提供的一种混合型航标报警智能检测方法的具体流程图。

具体实施方式

[0035] 为使本发明的上述特征和优点能更明显易懂，下文特举实施例，并配合所附图作详细说明如下。

[0036] 本发明提供一种混合型航标报警智能检测方法，请参考图1和图2，其步骤包括：

[0037] 1.根据历史数据进行相似站点发现；其具体包括以下步骤：

[0038] 1.1针对历史定时数据，将每个站点作为聚类的一个元素，选取每个站点的基本信息特征和历史定时数据特征，并根据选取的特征，计算每个站点对应的各个特征的数值(或数值组)。其中所述基本信息特征包括站点的经度、纬度、历史水位、历史温度等信息。所述历史定时数据特征包括<时间/时间范围，偏移量>、<时间/时间范围，灯质>、<时间/时间范围，电压>等信息。在具体实施时，一方面，为保证历史定时数据应用在相似站点发现的合理性，根据场景选取合适的特征；另一方面，为降低特征纬度，可以将特征进行聚合计算。如表1所示，该表为某一站点的历史定时数据。所述历史定时数据是指由传感器采集后，定时传送到服务器端的数据。

[0039] 表1：某一站点的历史定时数据

[0040] 站点名 时间 偏移量 灯质 电流 电压S1 2016-01-01-10-00-00 10 单闪3秒 240 3.8
S1 2016-01-01-11-00-00 15 单闪3秒 260 3.7
S1 2016-01-01-12-00-00 16 双闪6秒 255 3.75
… … … … … …

[0041] 针对站点S1的历史定时数据，其一种历史定时数据特征计算的结果如表2所示。对于每一条历史定时数据，在实现时，作为向量的一个元素进行计算。

[0042] 表2：站点S1的某一历史定时数据特征计算结果

[0043]

[0044] 1.2针对历史报警数据，将报警信息首先按站点进行划分，选取每个站点的历史报警数据特征，并根据选取的特征，计算每个站点对应的历史报警数据特征的数值。其中所述历史报警数据特征包括<时间/时间范围，报警总量>、<报警类型，报警次数>等信息。在具体实施时，为实现更便捷的聚类，时间/时间范围的选取请参考1.1的选取。如表3所示，该表为某一站点的历史报警数据。

[0045] 表3：某一站点的历史报警数据

[0046]站点名 时间 报警类型 上报方式
S1 2016-01-02-10-00-00 灯质异常 GPRS
S1 2016-02-02-11-00-00 航标偏移 GPRS
S1 2016-02-20-23-00-00 上报数据异常 GPRS
… … … …

[0047] 针对站点S1的历史报警数据，其一种历史报警数据特征计算的结果如表4所示。对于每一条历史报警数据，在实现时，作为向量的一个元素进行计算。

[0048] 表4：站点S1的某一历史报警数据特征计算结果

[0049]

[0050] 1.3在相关特征选取并计算完毕后，使用聚类方法进行相似站点的发现。在聚类方法的选取上，可以选择K-means,、KNN、层次聚类等不同的聚类方法，最终输出相似站点的划分，如表5所示。之后将发现的相似站点数据进行保存，并作为支持后续训练报警模型的数据集。

[0051] 表5：相似站点的划分

[0052] 输入站点 输出相似站点S1,S2,S3,S4,S5,S6,S7,S8,S9,S10 (S1,S3,S6),(S2,S7),(S4,S10),(S5,S8,S9)[0053] 2.根据上述相似站点划分及相似站点数据、历史报警数据及该报警时刻向前一段时间的历史定时数据，训练报警模型生成二次报警的模型；其中所述二次报警的模型针对的是第二次报警。对于第一次报警，是从航标根据传统规则返回的报警数据，也可以理解为是本发明方法的一个输入。其具体包括以下步骤：

[0054] 2.1根据历史报警数据，对历史报警数据特征进行提取。对于每一条历史报警数据，提取其历史报警数据特征，所述历史报警数据特征包括<时间/时间范围，报警总量>、<报警类型，报警次数>等信息。

[0055] 2.2以每一条历史报警数据报警的时间作为基础时间，从历史定时数据中提取该报警时刻向前一段时间(该时间可根据历史报警数据上报频率、实际场景等因素确定)的历史定时数据以及历史定时数据特征，所述历史定时数据特征包括<时间/时间范围，偏移量>、<时间/时间范围，灯质>、<时间/时间范围，电压>等信息。

[0056] 下面以报警类型为例，表示对报警类型的特征计算(Python语言)。

[0057]

[0058]

[0059] 该代码主要的功能是根据不同的报警类型进行初始的标签标注。例如，首先对报警类型的文字进行归类，整理为航标偏移报警分类、灯质异常报警分类、黑夜不亮报警分类、电压电流异常分类、定时上报异常分类、离线六类，然后将航标偏移报警分类、灯质异常报警分类、黑夜不亮报警分类、电压电流异常分类、定时上报异常分类、离线分别映射为1、2、3、4、5、6。

[0060] 2.3根据步骤2.1提取的历史报警数据特征、步骤2.2提取的历史定时数据特征、步骤1获取的相似站点划分及相似站点数据、历史处置情况给出报警正确、错误的标签特征，使用机器学习方法对历史报警数据进行分类模型训练。在该过程中，可以使用支持向量机、随机森林等传统机器学习方法进行模型训练。其中所述历史处置是指历史报警发生后，相关人员进行的具体处置，给出的该报警是否为正确报警的结论。

[0061] 2.4通过报警模型训练后生成二次报警的模型，将该二次报警的模型的结果进行保存，并作为支持后续二次报警判断的模型。

[0062] 3.针对RTU的实时报警数据，在控制中心进行再次报警判断。

[0063] 在传统航标报警系统中，一般都嵌入了实时报警模块。在RTU根据规则判断，产生报警后，实时报警模块将实时报警数据发送到控制中心。在此时，步骤2训练的二次报警模型，从实时报警数据中提取实时报警数据特征，并根据该报警时刻向前一段时间(该时间可根据实时报警数据上报频率、实际场景等因素确定)的历史定时数据选取的历史定时数据特征，代入二次报警模型，产生报警结果的判断，报警结果将返回当前报警为有效或无效的判断。其具体步骤包括：

[0064] 3.1在实时报警发生后，对实时报警数据特征进行提取，其提取方法与步骤1.1相同，且实时报警数据特征与步骤1.2的历史报警数据特征相同。提取的实时报警数据特征将作为二次报警判断的输入数据。

[0065] 3.2根据实时报警数据发生的时间，获取该报警时刻向前一段时间的历史定时数据，并对该历史定时数据特征进行提取，其提取方法与步骤2.2中历史定时数据特征提取方法相同。提取的历史定时数据特征将作为二次报警判断的输入数据。

[0066] 3.3将步骤3.1提取的实时报警数据特征和步骤3.2提取的历史定时数据特征输入步骤2.4生成的二次报警的模型进行汇聚，得到二次报警结果。

[0067] 4.根据人工反馈的报警结果，对报警模型进行修正。

[0068] 在报警发生后，一般场景下，工作人员会对报警的严重级别进行评估，并进行现场处置。在此步骤中，将现场处置的结果，反馈到二次报警的模型。二次报警的模型将再次执行步骤2，实现对模型的修正。其具体步骤包括：

[0069] 4.1将报警发生后的二次报警结果进行输出，结合人工判断及处置，输出报警结果反馈数据。其中所述报警结果反馈数据是指人工反馈的报警结果的数据化。其一般形式是一条具体的数据，包括报警标识(可能具有时间、报警类型等)、人工处置结果(可能反馈为数字表示的是否有效或正确报警)。

[0070] 4.2将报警结果反馈数据作为输入，再次反馈到报警模型进行训练，以修正报警模型。

[0071] 表6：传统方法与本发明方法准确率对比

[0072]正样本比例(有效报警数据所占比例) 本发明方法准确率 传统方法准确率
0.5000 0.8480 0.5000
0.6667 0.8652 0.6667
0.7500 0.8870 0.7500
0.8000 0.8939 0.8000
0.8333 0.9031 0.8333
0.8571 0.9237 0.8571
0.8750 0.9234 0.8750
0.8889 0.9310 0.8889

[0073] 为验证本发明方法能够提高报警判断的准确率，针对某数据集，分别采用本发明方法及传统方法进行了报警判断的准确率对比，如表6所示。其中由于传统方法将第一次报警后数据均当作有效报警，因此其准确率与正样本比例相同。

[0074] 由表6可知，本发明方法相较于传统方法能够极大的提高报警判断的准确率，且正样本比例越高，采用本发明方法报警判断的准确率越高。

[0075] 以上实施仅用以说明本发明的技术方案而非对其进行限制，本领域的普通技术人员可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明的精神和范围，本发明的保护范围应以权利要求书所述为准。