向用户终端发送告警信息方法、装置、系统与流程

本发明涉及通信领域，具体而言，涉及一种向用户终端发送告警信息方法、装置、系统、存储介质及电子装置。
背景技术：
：现有的智能井盖产品注重于井盖状态的检测，主要通过行程开关、重力传感器、磁感应开关、水银开关等，识别井盖开启\闭合状态，信息传递依靠传统的gprs(generalpacketradioservice，通用无线分组业务)、自建无线网(wifi(wirelessfidelity，无线保真)、zigbee(无线个域网)、lora等)等方式进行井盖数据交互。自2017年nb-iot(narrowbandinternetofthings，基于蜂窝的窄带物联网)网络商用以来，基于nb-iot技术的井盖状态监测产品也已经问世。然而，目前市场现有的产品通常只能通过井盖状态传感器将井盖状态通过无线通道进行反馈，一些具备井盖闭锁的产品其锁具只具备简单的闭锁与开锁功能，不具备锁具状态反馈功能。因此无法将锁具信息和井盖状态信息综合进行判断实现井盖正常开启和非法开启的智能判别，容易出现井盖状态变位信息的误报警。针对现有技术中，尚不存在对井盖的锁状态信息和井盖状态信息进行综合分析，以判断井盖状态是否异常的方案，目前尚未提出有效的解决方案。技术实现要素：本发明实施例提供了一种向用户终端发送告警信息方法、装置、系统、存储介质及电子装置，以至少解决相关技术中尚不存在对井盖的锁状态信息和井盖状态信息进行综合分析，以判断井盖状态是否异常的方案的问题。根据本发明的一个实施例，提供了一种向用户终端发送告警信息方法，包括：获取目标数据，其中，目标数据包括：物联网传感器对井盖的状态进行采集时得到的第一数据和智能设备上报的用于表示井盖的智能锁的开关状态的第二数据；使用第一模型对所述目标数据进行分析，得到输出结果，其中，第一模型为使用多组数据训练得来的，多组数据中的每组数据均包括经过特征提取后的目标数据；在输出结果表明井盖的状态为异常的情况下，向用户终端发送告警信息。可选地，使用第一模型对所述目标数据进行分析，包括：将所述目标数据输入至所述第一模型，得到阈值；根据所述阈值确定所述井盖状态告警类型；其中，所述告警信息中包括所述井盖状态告警类型。可选地，获取目标数据包括：接收目标消息队列；从目标消息队列的第一消息中解析出第一数据，并从目标消息队列的第二消息中解析出第二数据，其中，第一消息为由物联网传感器发送的消息中的最新消息，第二消息为由智能设备发送的用于表示智能锁的开关状态的消息中的最新消息。可选地，所述消息队列中包含所述目标数据，所述目标数据是通过nb-iot物联无线网络传输至所述目标消息队列的。可选地，从目标消息队列的第一消息中解析出第一数据，包括：从目标消息队列的第一消息中解析出由物联网传感器采集到的井盖的开关状态数据。可选地，从目标消息队列的第一消息中解析出第一数据还包括：从目标消息队列的第一消息中解析出在对井盖的状态进行采集时物联网传感器的状态数据，其中，物联网传感器的状态数据包括：温度数据、信号强度数据、电池状态数据。可选地，从目标消息队列的第一消息中解析出第一数据，还包括：从目标消息队列的第一消息中解析井盖的类型数据，其中，井盖类型包括：单层井盖和多层井盖。可选地，上述方法包括：在确定告警信息是误告警的情况下，删除用于训练第一模型的多组数据中产生误告警的告警信息的来源数据，得到清洗数据。可选地，在得到清洗数据之后，上述方法包括：使用清洗数据对决策树模型进行训练，得到第二模型，其中，第一模型是利用多组数据对决策树模型进行训练得到的；在获取到目标数据的情况下，利用第二模型输出与目标数据对应的输出结果。根据本发明的另一个实施例，提供了一种向用户终端发送告警信息装置，包括：获取模块，用于获取目标数据，其中，目标数据包括：物联网传感器对井盖的状态进行采集时得到的第一数据和智能设备上报的用于表示井盖的智能锁的开关状态的第二数据；分析模块，用于使用第一模型对所述目标数据进行分析，得到输出结果，其中，第一模型为使用多组数据训练得来的，多组数据中的每组数据均包括经过特征提取后的目标数据；发送模块，用于在输出结果表明井盖的状态为异常的情况下，向用户终端发送告警信息。根据本发明的另一个实施例，提供了一种向用户终端发送告警信息系统，包括：物联网传感器，用于对井盖的状态进行采集，得到第一数据；智能设备，用于采集表示所述井盖的智能锁的开关状态的第二数据；服务器，用于获取包括所述第一数据和所述第二数据的目标数据，使用第一模型对所述目标数据进行分析，得到输出结果，其中，所述第一模型为使用多组数据训练得来的，所述多组数据中的每组数据均包括经过特征提取后的所述目标数据；用户终端，用于接收所述服务器发送的告警信息，其中，所述告警信息是在所述输出结果表明所述井盖的状态为异常的情况下发送的。可选地，所述系统还包括：nb-iot无线传输模块，用于通过nb-iot物联无线网络将所述目标数据传输至目标消息队列。根据本发明的又一个实施例，还提供了一种存储介质，所述存储介质中存储有计算机程序，其中，所述计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。根据本发明的又一个实施例，还提供了一种电子装置，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行上述任一项方法实施例中的步骤。通过本发明，由于通过第一模型得到与对物联网传感器对井盖的状态进行采集时得到的第一数据和智能设备上报的用于表示井盖的智能锁的开关状态的第二数据相对应的输出结果，在输出结果表明井盖的状态为异常的情况下，向用户终端发送告警信息。因此，可以解决尚不存在对井盖的锁状态信息和井盖状态信息进行综合分析，以判断井盖状态是否异常的方案问题，达到提高判断井盖状态是否异常的精准度的效果。附图说明此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：图1是本发明实施例的一种向用户终端发送告警信息的硬件结构框图；图2是根据本发明实施例的向用户终端发送告警信息的流程图；图3是根据本发明实施例的总体方案流程图；图4是根据本发明实施例的nb-iot设备锁控安全防误功能流程图；图5是根据本发明实施例的构建决策树算法流程图；图6是根据本发明实施例的决策树的剪枝图；图7是根据本发明实施例的向用户终端发送告警信息装置的结构框图。具体实施方式本申请的目的在于利用nb-iot设备特性，克服现有技术的不足，提供一套能够提高nb-iot设备锁控防误、实时告警和预测告警的自动化解决方案。基于消息队列遥测传输技术的锁控防误系统能够实时对设备当前状态信息监控和授权操作，基于决策树算法的告警系统能发送实时和预测告警信息，降低人工巡检的开销，降低了设备故障的风险，节约了电网运行的成本和设备检修时间。下文中将参考附图并结合实施例来详细说明本发明。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组合。需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。本申请实施例一所提供的方法实施例可以在移动终端、计算机终端或者类似的运算装置中执行。以运行在移动终端上为例，图1是本发明实施例的一种向用户终端发送告警信息方法的移动终端的硬件结构框图。如图1所示，移动终端10可以包括一个或多个(图1中仅示出一个)处理器102(处理器102可以包括但不限于微处理器mcu或可编程逻辑器件fpga等的处理装置)和用于存储数据的存储器104，可选地，上述移动终端还可以包括用于通信功能的传输设备106以及输入输出设备108。本领域普通技术人员可以理解，图1所示的结构仅为示意，其并不对上述移动终端的结构造成限定。例如，移动终端10还可包括比图1中所示更多或者更少的组件，或者具有与图1所示不同的配置。存储器104可用于存储计算机程序，例如，应用软件的软件程序以及模块，如本发明实施例中的向用户终端发送告警信息方法对应的计算机程序，处理器102通过运行存储在存储器104内的计算机程序，从而执行各种功能应用以及数据处理，即实现上述的方法。存储器104可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器104可进一步包括相对于处理器102远程设置的存储器，这些远程存储器可以通过网络连接至移动终端10。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。传输装置106用于经由一个网络接收或者发送数据。上述的网络具体实例可包括移动终端10的通信供应商提供的无线网络。在一个实例中，传输装置106包括一个网络适配器(networkinterfacecontroller，简称为nic)，其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输装置106可以为射频(radiofrequency，简称为rf)模块，其用于通过无线方式与互联网进行通讯。在本实施例中提供了一种运行于上述移动终端的向用户终端发送告警信息方法，图2是根据本发明实施例的向用户终端发送告警信息方法的流程图，如图2所示，该流程包括如下步骤：步骤s202，获取目标数据，其中，所述目标数据包括：物联网传感器对井盖的状态进行采集时得到的第一数据和智能设备上报的用于表示所述井盖的智能锁的开关状态的第二数据；其中，第一数据包括：物联网传感器对井盖的状态进行采集时，物联网传感器自身的状态数据，如传感器电池的使用状况、传感器的信号强度、芯片温度等，以及物联网传感器所采集到的井盖的开关状态数据；第二数据包括井盖的智能锁的开关状态数据。步骤s204，使用第一模型对所述目标数据进行分析，得到输出结果，其中，所述第一模型为使用多组数据训练得来的，所述多组数据中的每组数据均包括经过特征提取后的所述目标数据；其中，第一模型是人工智能算法模型，如决策树算法模型，人工神经网络模型等。将物联网传感器采集到的目标数据代入该模型输出结果，第一模型是经过反复训练得来的，下面举例说明对第一模型的反复训练：使用第一模型对获取到的目标数据进行分析得到分析结果，在结果表明所述井盖的状态为异常的情况下，向用户终端发送告警信息，工作人员现场检查井盖是否异常，若发现发生的错误告警则向系统反馈上述误告警信息(告警表明井盖异常，现场检验发现实际并没出现异常情况)，对获取的目标数据进行清洗，筛除产生错误告警的源数据，并对清洗后的数据进行特征提取，然后使用特征提取后的数据对第一模型进行训练。若再次获取到目标数据，则使用最新的第一模型(使用上次经过清洗、特征提取后的目标数据进行训练得到的最新的第一模型)对本次获取到的目标数据进行分析，以此类推，重复使用对上次获取到的目标数据进行数据清洗、特征提取后的数据训练第一模型，以此达到第一模型能够根据正确的数据和结果被反复的训练，其输出的结果会越来越准确，由此能够避免产生错误告警的情况。步骤s206，在所述输出结果表明所述井盖的状态为异常的情况下，向用户终端发送告警信息。其中，通过设备告警类型和第一模型得到的阀值，对设备实时状态信息进行判断，当第一模型的输出结果表明井盖的状态异常的情况下，向用户终端发送实时告警信息，并通过rpc消息队列发送到app云服务器，最终通过邮件、手机短信、手机app推送消息等方式告知设备相关人员。井盖状态异常的情况包括：物联网传感器的状态异常，如，电量不够、信号强度弱、芯片温度过高，以及井盖的开关状态与井盖锁的开关状态不一致，如井盖关闭锁开、井盖开锁关闭、井盖开启时间超时、井盖非法打开等。通过上述步骤，由于通过第一模型得到与对物联网传感器对井盖的状态进行采集时得到的第一数据和智能设备上报的用于表示井盖的智能锁的开关状态的第二数据相对应的输出结果，在输出结果表明井盖的状态为异常的情况下，向用户终端发送告警信息。因此，可以解决尚不存在对井盖的锁状态信息和井盖状态信息进行综合分析，以判断井盖状态是否异常的方案问题，达到提高判断井盖状态是否异常的精准度的效果。可选地，上述步骤的执行主体可以为终端等，但不限于此。在一个可选实施例，使用第一模型对所述目标数据进行分析，包括：将所述目标数据输入至所述第一模型，得到阈值；根据所述阈值确定所述井盖状态告警类型；其中，所述告警信息中包括所述井盖状态告警类型。在本实施例中，通过第一模型对获取到的目标数据进行计算得到阈值，根据阈值确定告警的类型。在一个可选实施例，获取目标数据包括：接收目标消息队列；从目标消息队列的第一消息中解析出第一数据，并从目标消息队列的第二消息中解析出第二数据，其中，第一消息为由物联网传感器发送的消息中的最新消息，第二消息为由智能设备发送的用于表示智能锁的开关状态的消息中的最新消息。在本实施例中，智能终端与系统后台之间是以消息队列的方式传递信息，nb-iot设备(对应于物联网传感器)日常工作状态下，监测模块能够按照预设的时间间隔定时通过无线网络(nb-iot、lora或gprs)向系统后台汇报设备状态以及自身电池电量信息。通过消息队列遥测传输(messagequeuingtelemetrytransport)接收iot-nb物联状态信息数据包括：nb-iot设备状态(位置数据(经纬度)、电池电压、温度告警、信号强度))、设备状态(对应于井盖状态)、锁状态(对应于井盖锁状态)等。如附图3中所示的总体方案流程图，其中，在步骤301至步骤303，iot设备将其检测到的井盖的开关状态通过iot消息服务发送至后台服务，后台服务在消息队列中解析出井盖的开关状态和iot设备的状态，并将解析出来的数据写入到状态记录表中，每检测到井盖或iot设备的状态发生改变就更新一次表格中的数据。将最新的数据记录到状态记录表中。在附图3的步骤304至步骤311是用户通过智能设备开关井盖锁的全过程。用户通过智能app请求开启或者关闭井盖锁，智能app获取用户的解锁权限信息，通过消息队列向后台服务发送接收队列服务信息，后台服务读取设备权限信息和防误信息并通过消息队列的形式向app反馈相关信息。井盖锁通过鉴权判断用户是否具有权限，当用户不具有权限的情况下，智能井盖向智能终端反馈提示信息，提示用户不具有开关锁的权限。当用户具有权限的情况下，智能井盖将当前用户的操作(开锁或者关锁)的信息上传至解锁记录，后台服务系统通过消息队列中的mqtt(messagequeuingtelemetrytransport，消息队列遥测传输)接收手机app锁控操作信息(物联设备锁控记录)。后台系统从消息队列中解析出井盖锁的开关状态信息，并将解析出来的井盖锁的状态数据写入到状态记录表中，每检测到井盖锁状态发生改变就更新一次记录表中的数据。nb-iot设备锁控安全防误功能流程图如图4所示，井盖开启时须使用具有授权的解锁器打开井盖闭锁机构，锁控授权可由系统后台送给指定的智能app或用户使用智能app向后台申请授权，经审批后智能app获得开锁授权。智能app通过蓝牙通信将授权信息发送到解锁器，由解锁器执行井盖开锁操作。为方便用户使用，系统支持作业(巡检)开锁和外借两种模式。在一个可选实施例，所述消息队列中包含所述目标数据，所述目标数据是通过nb-iot物联无线网络传输至所述目标消息队列的。在本实施例中，井盖状态通过传感器进行采集，可以通过nb-iot物联网无线通道发送至目标消息队列，进而通过消息队列反馈给系统，当然还可以通过现有技术中的其他网络传输消息队列，例如公共无线通信网络，在此不做限定，优选方案是nb-iot物联网无线网络。在一个可选实施例，从目标消息队列的第一消息中解析出第一数据，包括：从目标消息队列的第一消息中解析出由物联网传感器采集到的井盖的开关状态数据。在本实施例中，后台服务系统从消息队列中的第一消息汇中解析出的第一数据包括nb-iot采集到的井盖的开关状态数据。在一个可选实施例，从目标消息队列的第一消息中解析出第一数据还包括：从目标消息队列的第一消息中解析出在对井盖的状态进行采集时物联网传感器的状态数据，其中，物联网传感器的状态数据包括：温度数据、信号强度数据、电池状态数据。在本实施例中，后台服务系统从消息队列中的第一消息汇中解析出的第一数据还包括nb-iot(对应于物联网传感器)的状态数据，具体的包括：nb-iot设备的芯片温度、信号强度、电池使用状况(电量剩余，电池电压等)，以及nb-iot设备的位置数据(经纬度数据)。在一个可选实施例，从目标消息队列的第一消息中解析出第一数据，还包括：从目标消息队列的第一消息中解析井盖的类型数据，其中，井盖类型包括：单层井盖和多层井盖。在本实施例中，井盖分为单层和多层，后台服务系统从消息队列中解析出的第一数据还包括井盖的类型数据，单层井盖或多层井盖。在一个可选实施例，上述方法包括：在确定告警信息是误告警的情况下，删除用于训练第一模型的多组数据中产生误告警的告警信息的来源数据，得到清洗数据。在本实施例中，后台服务系统将告警信息写入告警记录表，并将告警信息通过rpc消息队列发送设备权限信息、告警信息等信息到app设备进行数据通讯。用户智能终端接收到告警信息后，用户需要现场复原井盖状态，并通过智能终端将现场复原后的信息反馈给服务后台。根据告警反馈信息(现场已处理、已撤销、已动手复归、已报修等处理结果)。若现场发现告警信息是错误的，智能终端将撤销告警信息，并将该告警信息是错误的消息通过消息队列发送至后台服务系统，后台服务系统更新告警记录表，对现场告警信息数据集和关联的设备状态信息数据集进行自动清洗，删除与误告警信息相对性的训练数据。并从原始数据中提取出物联状态信息数据和告警时间数据。在一个可选实施例，在得到清洗数据之后，上述方法包括：使用清洗数据对决策树模型进行训练，得到第二模型，其中，第一模型是利用多组数据对决策树模型进行训练得到的；在获取到目标数据的情况下，利用第二模型输出与目标数据对应的输出结果。在本实施例中，使用经过特征提取后的清洗数据继续训练决策树模型，得到第二模型。其中，第二模型是在第一模型的基础上，使用物联网传感器采集到的数据经过清洗，特征提取后继续训练得到的第二决策树模型。也就是说，数据的采集分析和模型的训练是一个循环往复的过程。本次采集到的数据通过上次训练好的模型进行分析判断，而本次采集后的数据经过清洗和特征提取后继续训练模型，得到下一次对采集到的数据进行分析的算法模型。对于提取后的物联状态信息数据集，使用特征向量形式表示，如下表1和表2中所示：表1告警类型特征值锁状态特征值电池电压特征值信号强度特征值非法打开告警0正常0正常0正常0忘闭锁告警1异常1异常1异常1电池电压异常告警2芯片温度告警3信号强度告警4离线告警5事故6其他7表2对于离散型的特征属性(包括：设备状态、锁状态和结构特征)，按照一个属性一个分支进行构建决策树。对于连续型的特征属性(包括：电池电压、芯片温度、信号强度)，可以确定一个值作为分裂点split_point，按照split_point和<＝split_point生成两个分支(如果是范围值需要两个分裂点生成两层共四个分支，类似kd-tree(k-dimensional树))。表2中，序号1对应的第一行的特征向量表示为x＝[1，0，0，0，0，1]，告警分类y＝0；同理，序号2对应的第二行的特征向量可以表示成x＝[0，1，0，0，0，1]，告警分类y＝1；序号3对应的第三行的特征向量可以表示成x＝[0，0，1，0，0，0]，告警分类y＝2，序号4对应的第四行的特征向量可以表示成x＝[0，0，0，1，0，0]，告警分类y＝3；序号5对应的第五行的特征向量可以表示成x＝[0，0，0，0，1，0]，告警分类y＝4…最终得到以上格式的数据集合，准备提供给以下决策树模型进行训练。决策树构建模型训练准备用到的相关计算公式：熵：$entropy(d)＝-\sum_{i＝1}^np_ilog_2p_i$，其中，d为数据集，i为数据集d的可能分类标签，$p_i$为该标签的概率。数学表达式为：l(xi)＝-log2p(xi)，其中，i(x)用来表示随机变量的信息，p(xi)指的是当发生时的概率。其中，d为数据集，i为数据集d的可能分类标签,$p_i$为该标签的概率。条件熵：$entropy(d，a)＝\sum_{i＝1}^k\frac{d_{a_i}}{d}log_2d_{a_i}$其中a表示约束特征，k表示a特征的种类。数学表达式为：其中，pi＝p(x＝xi)，随机变量x在给定条件下随机变量y的条件熵，对定义描述为：x给定条件下y的条件概率分布的熵对x的数学期望。信息增益:$gain(d,a)＝entropy(d)-entropy(d,a)$其中，待分类的集合d的熵(以某特征划分数据集前)和选定某个特征a(以某特征划分数据集后)的条件熵之差，在决策树中是用来选择特征的指标，信息增益越大，则这个特征是的选择性越好。数学表达式为：g(d,a)＝h(d)-h(d|a)信息增益率：$gain_rate(d,a)＝gain(d,a)/entropy(d,a)$其中，信息增益率$gain_rate(d,a)＝信息增益gain(d,a)*惩罚参数，entropy(d,a)$为经验熵。数学表达式为：其中，h(d)，对于样本集合d，将当前特征a作为随机变量(取值是特征a的各个特征值)，求得经验熵，gr(d，a)为信息增益率，g(d，a)为信息增益。图3的步骤315中，使用c4.5算法选择具有最高信息增益的属性。c4.5算法是id3算法的扩展，能够处理连续型的属性。首先将连续型属性离散化，把连续型属性的值分成不同的区间，依据是比较各个分裂点gian值的大小，比较取每个分界点的信息增益，选择最大的一个。计算公式如下：其中，表示属性a第j个划分的权重。信息率：图3的步骤316中，构建决策树算法流程图如图5所示：决策树的构造就是进行属性选择度量，确定各个特征属性之间的拓扑结构(树结构)；构建决策树的关键步骤就是分裂属性，分裂属性是指在某个节点按照某一类特征属性的不同划分构建不同的分支，其目标就是让各个分裂子集尽可能的“纯”(让一个分裂子类中待分类的项尽可能的属于同一个类别)。构建步骤如下：1)将所有的特征看成一个一个的节点；2)遍历当前特征的每一种分割方式，找到最好的分割点；将数据划分为不同的子节点，例如：n1、n2…nm；计算划分之后所有子节点的“纯度”信息；3)使用第二步遍历所有特征，选择出最优的特征以及该特征的最优的划分方式；得出最终的子节点：n1、n2…nm4)对于节点n1、n2…nm分别继续执行2)-3)步骤，直到每个最终的子节点都足够“纯”。5)使用信息增益最大、信息增益比最大或基尼指数最小作为特征选择的准则。决策树的生成通过计算信息增益或其他指标，从根节点开始，递归地产生决策树。这相当于信息增益或其他准则不断地选取局部最优的特征，或将训练集分割为能够基本正确分类的子集。图3的步骤317中，决策树的修剪(pruning)如图6所示的决策树的剪枝图：由于生成的决策树存在过拟合问题，需要对它进行剪枝，以简化学到的决策树，决策树的剪枝，往往从已生成的树上剪掉，一些叶节点或叶节点以上的子树，并将其父节点或根节点作为新的叶节点，从而简化生成的决策树。从已经生成的树上裁掉一些子树或叶节点，并将其根节点或父节点作为新的叶子节点，从而简化分类树模型。实现方式：极小化决策树整体的损失函数或代价函数来实现。决策树学习的损失函数定义为：cα(t)＝∑|t|t＝1ntht(t)+α|t|其中，参数意义分别为：tt表示这棵子树的叶子节点，ht(t)表示第t个叶子的熵，nt表示该叶子所含的训练样例的个数，αα表示惩罚系数，|t|表示子树的叶子节点的个数。因为：所以有：cα(t)＝c(t)+α|t|其中：其中，参数意义分别为：c(t)表示模型对训练数据的预测误差，即模型与训练数据的拟合程度；|t表示模型复杂度。α参数α>＝0控制两者之间的影响，较大的α促使选择较简单的模型(树)，较小的α促使选择较复杂的模型(树)，α＝0意味着只考虑模型与训练数据的拟合程度，不考虑模型的复杂度。剪枝就是当α确定时，选择损失函数最小的模型，即损失函数最小的子树。当α值确定时，子树越大，往往与训练数据的拟合越好，但是模型的复杂度越高；子树越小，模型的复杂度就越低，但是往往与训练数据的拟合不好损失函数正好表示了对两者的平衡。损失函数认为对于每个分类终点(叶子节点)的不确定性程度就是分类的损失因子，而叶子节点的个数是模型的复杂程度，作为惩罚项，损失函数的第一项是样本的训练误差，第二项是模型的复杂度。如果一棵子树的损失函数值越大，说明这棵子树越差，因此我们希望让每一棵子树的损失函数值尽可能得小，损失函数最小化就是用正则化的极大似然估计进行模型选择的过程。图3的步骤318中，决策树决策过程：从根节点开始，测试待分类项中对应的特性属性，并按照其值选择输出分支，直到叶子节点，将叶子节点的存放的类别作为决策结果。具体的实现方式为：依靠训练数据构造了决策树之后，我们可以将它用于实际数据的分类。在执行数据分类时，需要决策树以及用于构造树的标签向量。然后，程序比较测试数据与决策树上的数值，递归执行该过程直到进入叶子结点；最后将测试数据定义为叶子结点所属的类型。以上决策树逻辑过程使用sklearn进行代码编写实现，具体代码略。本申请将井盖状态通过传感器进行采集，并通过nb-iot物联网无线通道反馈给系统，同时，井盖锁的开锁状态信息通过手持终端利用公共无线通信网络反馈给系统，在系统端实现对两路状态反馈信息的汇总和综合判断，并根据当前井盖设备的锁控授权记录等任务要素，应用基于消息队列遥测传输及决策树算法分析，实现井盖状态告警信息的可靠反馈，避免由于合理正常操作而产生误报警的情况。本申请可以达到以下技术效果：基于消息队列遥测传输技术的锁控防误系统能够实时对iot-nb设备当前状态信息监控和授权操作；基于决策树算法的告警系统能发送实时和预测告警信息；降低人工巡检的开销；降低了设备故障的风险；节约了电网运行的成本和设备检修时间。在本申请实施例中，基于消息队列遥测传输技术的可以使用其他传输方式，例如restful、webservice等方式，不一定会使用消息队列，或使用其他消息队列方式代替。基于决策树算法的告警系统能发送实时和预测告警信息，可以使用不同的机器学习工具代替，例如sklearn、tensorflow、spark等。整个交互流程图会进行细节上修改，但是基本的重要步骤与第二部分的过程出现重合。本申请实施例还包括：基于消息队列遥测传输技术的iot-nb设备状态监测及防误闭锁系统，包括整个数据交互流程方案。基于决策树算法分析的告警系统，包括基于告警反馈信息的自动特征提取、数据清洗、定期训练、实时预测告警、定期质量检查，整个循环自动化决策树算法模型学习过程。基于本系统的iot-nb设备管理及控制方法。通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到根据上述实施例的方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。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(如rom/ram、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，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的方法。在本实施例中还提供了一种向用户终端发送告警信息装置，该装置用于实现上述实施例及优选实施方式，已经进行过说明的不再赘述。如以下所使用的，术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。图7是根据本发明实施例的向用户终端发送告警信息装置的结构框图，如图7所示，该装置包括：获取模块72，用于获取目标数据，其中，目标数据包括：物联网传感器对井盖的状态进行采集时得到的第一数据和智能设备上报的用于表示井盖的智能锁的开关状态的第二数据；分析模块74，用于使用第一模型对所述目标数据进行分析，得到输出结果，其中，第一模型为使用多组数据训练得来的，多组数据中的每组数据均包括经过特征提取后的目标数据；发送模块76，用于在输出结果表明井盖的状态为异常的情况下，向用户终端发送告警信息。在一个可选实施例，上述第一获取模块72还用于，接收目标消息队列；从目标消息队列的第一消息中解析出第一数据，并从目标消息队列的第二消息中解析出第二数据，其中，第一消息为由物联网传感器发送的消息中的最新消息，第二消息为由智能设备发送的用于表示智能锁的开关状态的消息中的最新消息。在一个可选实施例，上述分析模块74通过如下方式实现使用第一模型对所述目标数据进行分析：将所述目标数据输入至所述第一模型，得到阈值；根据所述阈值确定所述井盖状态告警类型；其中，所述告警信息中包括所述井盖状态告警类型。在一个可选实施例，上述第一获取模块72还用于，从目标消息队列的第一消息中解析出第一数据，包括：从目标消息队列的第一消息中解析出由物联网传感器采集到的井盖的开关状态数据。在一个可选实施例，所述消息队列中包含所述目标数据，所述目标数据是通过nb-iot物联无线网络传输至所述目标消息队列的。在一个可选实施例，上述第一获取模块72还用于，从目标消息队列的第一消息中解析出第一数据还包括：从目标消息队列的第一消息中解析出在对井盖的状态进行采集时物联网传感器的状态数据，其中，物联网传感器的状态数据包括：温度数据、信号强度数据、电池状态数据。在一个可选实施例，上述第一获取模块72还用于，从目标消息队列的第一消息中解析出第一数据，还包括：从目标消息队列的第一消息中解析井盖的类型数据，其中，井盖类型包括：单层井盖和多层井盖。在一个可选实施例，上述装置还用于，在确定告警信息是误告警的情况下，删除用于训练第一模型的多组数据中产生误告警的告警信息的来源数据，得到清洗数据。在一个可选实施例，上述装置还用于，在得到清洗数据之后，使用清洗数据对决策树模型进行训练，得到第二模型，其中，第一模型是利用多组数据对决策树模型进行训练得到的；在获取到目标数据的情况下，利用第二模型输出与目标数据对应的输出结果。需要说明的是，上述各个模块是可以通过软件或硬件来实现的，对于后者，可以通过以下方式实现，但不限于此：上述模块均位于同一处理器中；或者，上述各个模块以任意组合的形式分别位于不同的处理器中。本发明的实施例还提供了一种向用户终端发送告警信息系统，包括：物联网传感器，用于对井盖的状态进行采集，得到第一数据；智能设备，用于采集表示所述井盖的智能锁的开关状态的第二数据；服务器，用于获取包括所述第一数据和所述第二数据的目标数据，使用第一模型对所述目标数据进行分析，得到输出结果，其中，所述第一模型为使用多组数据训练得来的，所述多组数据中的每组数据均包括经过特征提取后的所述目标数据；用户终端，用于接收所述服务器发送的告警信息，其中，所述告警信息是在所述输出结果表明所述井盖的状态为异常的情况下发送的。在一个可选实施例，上述系统还包括：nb-iot无线传输模块，用于通过nb-iot物联无线网络将所述目标数据传输至目标消息队列。本发明的实施例还提供了一种存储介质，该存储介质中存储有计算机程序，其中，该计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。可选地，在本实施例中，上述存储介质可以被设置为存储用于执行以下步骤的计算机程序：s1，获取目标数据，其中，所述目标数据包括：物联网传感器对井盖的状态进行采集时得到的第一数据和智能设备上报的用于表示所述井盖的智能锁的开关状态的第二数据；s2，使用第一模型对所述目标数据进行分析，得到输出结果，其中，所述第一模型为使用多组数据训练得来的，所述多组数据中的每组数据均包括经过特征提取后的所述目标数据；s3，在所述输出结果表明所述井盖的状态为异常的情况下，向用户终端发送告警信息。可选地，在本实施例中，上述存储介质可以包括但不限于：u盘、只读存储器(read-onlymemory，简称为rom)、随机存取存储器(randomaccessmemory，简称为ram)、移动硬盘、磁碟或者光盘等各种可以存储计算机程序的介质。本发明的实施例还提供了一种电子装置，包括存储器和处理器，该存储器中存储有计算机程序，该处理器被设置为运行计算机程序以执行上述任一项方法实施例中的步骤。可选地，上述电子装置还可以包括传输设备以及输入输出设备，其中，该传输设备和上述处理器连接，该输入输出设备和上述处理器连接。可选地，在本实施例中，上述处理器可以被设置为通过计算机程序执行以下步骤：s1，获取目标数据，其中，所述目标数据包括：物联网传感器对井盖的状态进行采集时得到的第一数据和智能设备上报的用于表示所述井盖的智能锁的开关状态的第二数据；s2，使用第一模型对所述目标数据进行分析，得到输出结果，其中，所述第一模型为使用多组数据训练得来的，所述多组数据中的每组数据均包括经过特征提取后的所述目标数据；s3，在所述输出结果表明所述井盖的状态为异常的情况下，向用户终端发送告警信息。可选地，本实施例中的具体示例可以参考上述实施例及可选实施方式中所描述的示例，本实施例在此不再赘述。显然，本领域的技术人员应该明白，上述的本发明的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，并且在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明不限制于任何特定的硬件和软件结合。以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。当前第1页12