基于频繁共现模式挖掘的服务事件关联分析方法与装置

本发明涉及数据挖掘领域，更具体地说，涉及一种基于频繁共现模式挖掘的服务事件关联分析方法与装置。

背景技术：

1、随着物联网的发展，工业设备上安装了大量的传感器，用来监控工业设备的状态。为了提高工业设备的可靠性，工厂需要对传感器监测的传感数据进行研究与分析，并使用故障检测或时间序列预测等算法来预测传感器数值的变化，以提前对传感器数值异常发出预警，从而避免工业设备发生重大损坏。

2、异常预测的核心是对时间序列数据进行预测，近年来也有很多关于时间序列预测方法的研究，常用的神经网络算法有lstm和gru等。但是传统方法大多只从单一传感器的历史监测数据关联分析的角度来对传感器的监测数据进行数据分析和异常预测，并没有考虑引起设备异常的各个因素之间的因果关系，因而无法准确的进行异常预测，也无法获取到异常事件的成因问题。

技术实现思路

1、因此，本发明的目的在于克服上述现有技术的缺陷，提供一种基于频繁共现模式挖掘的服务事件关联分析方法与装置。

2、本发明的目的是通过以下技术方案实现的：

3、根据本发明的第一方面，提供一种应用于设备事件预测的模型的训练方法，所述模型为时序卷积模型，所述方法包括：

4、获取训练集，其包括多个训练样本，每个所述训练样本包括部署在待分析设备中的参考传感器的监测值序列以及目标传感器的监测值序列，其中，所述参考传感器的监测值与所述目标传感器的监测值存在因果关系；

5、利用所述训练集训练所述模型根据参考传感器的监测值序列中一个时间片内的数据输出目标传感器在该时间片之后预测点的预测值，并根据所述预测值以及所述目标传感器的监测值序列中该预测点对应的监测值计算的损失值更新所述模型的参数。

6、在本发明的一些实施例中，所述参考传感器按照以下方式确定：

7、s1、获取部署在待分析设备中的所有原始传感器的监测值序列与所述目标传感器的监测值序列；

8、s2、基于预设的滞后时间对所述目标传感器的监测值序列进行滞后处理，得到所述目标传感器的滞后监测值序列；

9、s3、对所有原始传感器的监测值序列和所述滞后监测值序列进行格兰杰因果关系校验，并根据所述格兰杰因果关系校验的决策结果确定所述监测值序列与所述滞后监测值序列的因果关系；

10、s4、选择与所述滞后监测值序列存在因果关系的监测值序列所对应的原始传感器作为所述参考传感器。

11、在本发明的一些实施例中，所述步骤s4包括：

12、s41、计算与所述滞后监测值序列存在因果关系的监测值序列的重要度，并初始化一个空的特征集；

13、s42、基于重要度由高到低的顺序依次选取一个监测值序列添加到特征集中，并在每次添加后使用添加后的特征集训练预设的神经网络模型，若所述神经网络模型的精度升高或不变，保留添加到特征集的监测值序列，否则，从所述特征集中剔除此次添加的监测值序列，直至与所述滞后检测值序列存在因果关系的所有监测值序列均已加入过特征集；

14、s43、选择最终特征集中的监测值序列所对应的原始传感器作为所述参考传感器。

15、在本发明的一些实施例中，所述模型包括第一时序卷积网络子模型、第二时序卷积网络子模型以及双线性汇合层，其中，所述第一时序卷积网络子模型和第二时序卷积网络子模型对输入的参考传感器的监测值序列的感受野不同；

16、所述第一时序卷积网络子模型用于根据所述参考传感器的监测值序列中一个时间片内的数据输出所述目标传感器在该时间片的第一预测值序列；

17、所述第二时序卷积网络子模型用于根据所述参考传感器的监测值序列中一个时间片内的数据输出所述目标传感器在该时间片的第二预测值序列；

18、所述双线性汇合层用于融合所述第一预测值序列和所述第二预测值序列，得到格拉姆矩阵，并对所述格拉姆矩阵进行规范化处理以输出所述目标传感器在该时间片之后预测点的预测值。

19、在本发明的一些实施例中，按照以下方式设置所述第一时序卷积网络子模型以及第二时序卷积网络子模型以使得两者对输入的参考传感器的监测值序列的感受野不同：

20、所述第二时序卷积网络子模型的膨胀卷积层的层数比第一时序卷积网络子模型的膨胀卷积层的层数更多，并且两者的所有膨胀卷积层的卷积核的膨胀因子的取值形成的集合不同。

21、在本发明的一些实施例中，按照以下方式设置所述第一时序卷积网络子模型以及第二时序卷积网络子模型：

22、所述第一时序卷积网络子模型包括依次连接的四个膨胀卷积层，且所述四个膨胀卷积层的卷积核的膨胀因子依次设为1、2、4和8；

23、所述第二时序卷积网络子模型包括依次连接的五个膨胀卷积层，且所述五个膨胀卷积层的卷积核的膨胀因子依次设为1、2、4、8和16。

24、在本发明的一些实施例中，在所述双线性汇合层中按如下方式对所述格拉姆矩阵进行规范化处理：

25、

26、其中，y表示预测值，k表示格拉姆矩阵的对角线元素。

27、根据本发明的第二方面，提供一种基于频繁共现模式挖掘的设备服务事件关联分析方法，其中，在设备中部署多个服务，每个服务服务于一个目标传感器，每个目标传感器对应多个参考传感器，其中，每个服务被配置为用于按照第一方面所述的训练好的模型根据其服务的目标传感器对应的参考传感器的监测值序列中一个时间片内的数据预测该服务的目标传感器在该时间片之后预测点的预测值，并基于所述预测值与其当前监测值的差值所处区间确定落入预设的多个区间中相应区间的异常事件的标识符；其中，不同区间所对应的标识符不同，不同服务所对应的异常事件的标识符不同；其中，所述方法包括：

28、实时获取部署在待分析设备中的所有原始传感器的监测值序列，并将每个服务对应的参考传感器的监测值序列输入到对应的服务，获取每个服务按时序预测的异常事件组成的序列，得到多个异常事件序列；

29、基于所述异常事件序列中每个异常事件的标识符挖掘多个异常事件序列中不同异常事件子序列之间以前因后果形式出现的频繁共现模式，以及每个服务预测出现相应前因事件之时所关联的另一服务将发生后果事件的概率；其中，所述异常事件子序列中的异常事件来自于相同的异常事件序列或不同的异常事件序列，且所述异常事件子序列中的异常事件于同一时间段内发生。

30、在本发明的一些实施例中，所述基于所述预测值与其当前监测值的差值所处区间确定落入预设的多个区间中相应区间的异常事件的标识符包括：

31、配置不同类型的标识符及其对应的区间，其中，不同类型的标识符基于预测值相对于其当前监测值的数值升高程度和数值降低程度来配置；

32、计算预测值与其当前监测值的差值，并根据所述差值与第一预设阈值的大小判断是否发生异常事件；若所述差值大于或等于所述第一预设阈值，判断发生异常事件，并根据所述差值所处区间确定对应异常事件的标识符。

33、在本发明的一些实施例中，所述基于所述异常事件的标识符挖掘多个异常事件序列中不同异常事件子序列之间以前因后果形式出现的频繁共现模式包括：

34、提取所述异常事件子序列中每个异常事件的标识符并构建异常事件子序列对应的标识符子序列；

35、根据所述标识符子序列中每个标识符对应的异常时间判断任意两个所述标识符子序列中最大的异常时间间隔是否位于预设时间间隔范围内，若是，则两个所述标识符子序列形成以前因后果形式出现的共现模式；

36、判断所述共现模式的出现频率是否大于预设频率阈值，若是，则两个所述标识符子序列形成以前因后果形式出现的频繁共现模式。

37、在本发明的一些实施例中，所述某个服务预测出现相应前因事件之时所关联的另一服务将发生后果事件的概率为：

38、

39、其中，γ(kpost,kpre)表示前因事件kpre发生之后后果事件kpost发生的概率，其中，freq(kpost|kpre)表示后果事件kpost在前因事件kpre出现之后出现的频率，freq(k)是k＝{kpost∪kpre}出现的频率。

40、根据本发明的第三方面，提供一种基于频繁共现模式挖掘的设备服务事件关联分析装置，其中，在设备中部署多个服务，每个服务服务于一个目标传感器，每个目标传感器对应多个参考传感器，其中，每个服务被配置为用于按照第一方面所述的方法训练好的模型根据其服务的目标传感器对应的参考传感器的监测值序列中一个时间片内的数据预测该服务的目标传感器在该时间片之后预测点的预测值，并基于所述预测值与其当前监测值的差值所处区间确定落入预设的多个区间中相应区间的异常事件的标识符，其中，不同区间所对应的标识符不同，不同服务所对应的异常事件的标识符不同；其中，所述装置包括：

41、异常事件序列预测模块，用于实时获取部署在待分析设备中的所有原始传感器的监测值序列，并将每个服务对应的参考传感器的监测值序列输入到对应的服务，获取每个服务按时序预测的异常事件组成的序列，得到多个异常事件序列；

42、挖掘模块，用于基于所述异常事件序列中每个异常事件的标识符挖掘多个异常事件序列中不同异常事件子序列之间以前因后果形式出现的频繁共现模式，以及每个服务预测出现相应前因事件之时所关联的另一服务将发生后果事件的概率；其中，所述异常事件子序列中的异常事件来自于相同的异常事件序列或不同的异常事件序列，且所述异常事件子序列中的异常事件于同一时间段内发生。

43、根据本发明的第四方面，提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序可被处理器执行以实现第一方面或第二方面所述方法的步骤。

44、根据本发明的第五方面，提供一种电子设备，包括：

45、一个或多个处理器；以及

46、存储器，其中存储器用于存储可执行指令；

47、所述一个或多个处理器被配置为经由执行所述可执行指令以实现第一方面或第二方面所述方法的步骤。

48、与现有技术相比，本发明的优点在于：

49、通过分析部署在工业设备上的原始传感器的监测值序列之间的因果关联关系来解决多因素共同作用下的多元时间序列数据的异常预测以及异常事件的成因分析问题，从而准确并及时的进行异常预测。