机器学习模型的训练方法、异常预测方法及相关装置制造方法及图纸

本申请实施例公开了一种机器学习模型的训练方法、异常预测方法及相关装置。该方法通过训练后的第一机器学习模型对所述T‑M时刻至T时刻的训练数据进行处理，得到T+N时刻的预测数据；根据所述T+N时刻的预测数据和T+N时刻的真实数据确定可信异常度，通过所述第二机器学习模型对T‑M时刻至T时刻的训练数据进行处理，得到预测异常度，根据所述预测异常度和所述可信异常度的误差反向传播到第二机器学习模型，调节第二机器学习模型的当前模型参数，实现了可预测未来时刻数据异常的第二机器学习模型的无监督学习。而且，基于时间段的训练数据的训练，考虑了连续数据之间的关系，可提高模型预测的准确性。

【技术实现步骤摘要】
机器学习模型的训练方法、异常预测方法及相关装置
本申请涉及机器学习
，尤其涉及一种机器学习模型的训练方法、异常预测方法及相关装置。
技术介绍
在生产环境中，器件的正常状态数据是广泛存在的，异常状态数据较少。对机器学习算法而言，相似数据分布比例越高，越容易学习。样本分布比例越高，越容易学习，容易学习的结果是学习误差较小，反之亦然。目前，在故障预测领域，主要通过有监督的方法来学习故障模式和正常模式，这种方法存在如下两个问题：第一，需要大量故障的标签数据，而标签数据在实际生产中较难获取；第二，故障多种多样，很难有一定的类模式，难以学习。
技术实现思路
本申请实施例提供一种机器学习模型的训练方法、异常预测方法及相关装置，可实现了可预测未来时刻数据异常的第二机器学习模型的无监督学习，进而实现提前预测到故障。第一方面，本申请实施例提供了一种用于异常预测的机器学习模型的训练方法，包括：训练设备接收训练样本，所述训练样本包括T-M时刻至T时刻的训练数据和T+N时刻的真实数据，其中，T＞0、N＞0，M≥0，T≥M；通过数据预测模型对所述T-M时刻至T时刻的训练数据进行处理，得到T+N时刻的预测数据；根据所述T+N时刻的预测数据和所述T+N时刻的真实数据确定可信异常度，所述可信异常度用于表示所述T+N时刻的真实数据偏离所述T+N时刻的预测数据的程度；通过第二机器学习模型对所述T-M时刻至T时刻的训练数据进行处理，得到预测异常度；根据所述预测异常度和所述可信异常度的误差调节所述第二机器学习模型的当前模型参数。应理解，上述用于异常预测的机器学习模型的训练方法的执行主体还可以是模型训练装置、处理器或芯片等，本申请以训练设备为例来说明。可见，本申请实施例通过训练后的第一机器学习模型对所述T-M时刻至T时刻的训练数据进行处理，得到T+N时刻的预测数据；根据所述T+N时刻的预测数据和T+N时刻的真实数据确定可信异常度，通过所述第二机器学习模型对T-M时刻至T时刻的训练数据进行处理，得到预测异常度，根据所述预测异常度和所述可信异常度的误差反向传播到第二机器学习模型，调节第二机器学习模型的当前模型参数，实现了可预测未来时刻数据异常的第二机器学习模型的无监督学习。而且，基于时间段的训练数据的训练，考虑了连续数据之间的关系，可提高模型预测的准确性。结合第一方面，在一种可能的实现中，所述通过数据预测模型对T-M时刻至T时刻的训练数据进行处理，得到T+N时刻的预测数据之前，所述方法还包括：训练设备通过第一机器学习模型对S-M时刻至S时刻的训练数据进行处理，得到S+N时刻的预测数据，其中，S＞0、N＞0，M≥0，S≥M；将根据所述S+N时刻的预测数据和S+N时刻的真实数据的误差调节所述第一机器学习模型的当前模型参数，得到数据预测模型。结合第一方面，在一种可能的实现中，所述T+N时刻的真实数据和所述T+N时刻的预测数据分别包括多个特征项，所述根据所述T+N时刻的预测数据和所述T+N时刻的真实数据确定所述可信异常度为：其中，i为所述多个特征项的索引，C为所述多个特征项的总个数，i、C为正整数，且i≤C；QT+N为所述可信异常度、C为正整数，i≤C，y'T+N,i为所述T+N时刻的预测数据中的特征项i的值，yT+N,i为所述T+N时刻的真实数据中的特征项i的值。通过执行上述方法，提供一种可信异常度的构建方法，为第二机器学习模型的训练构建标签数据，实现第二机器学习模型的无监督学习。第二方面，本申请实施例还提供了一种异常预测方法，包括：执行设备通过异常预测模型对T-M时刻至T时刻的测试数据进行处理，得到T+N时刻的测试异常度，T＞0、N＞0，M≥0，T≥M，所述T+N时刻的测试异常度用于指示所述T+N时刻的数据异常的程度；在所述T+N时刻的测试异常度满足预设条件时，输出用于指示所述T+N时刻的数据预测异常的指示信息。应理解，本申请实施例中异常预测方法的执行设备还可以是异常预测装置、处理器或其他设备，本申请实施例以执行设备为例来说明。通过执行上述方法，可以实现在设备故障或异常发生之前预测到异常的发生，进而提前预防故障发生或者排除故障发生的因素，保证设备的正常运转。结合第二方面，在一种可能的实现中，所述T+N时刻的预测异常度满足预设条件包括：所述T+N时刻的预测异常度大于第一阈值。结合第二方面，在一种可能的实现中，所述方法还包括：通过数据预测模型对所述T-M时刻至T时刻的测试数据进行处理，得到所述T+N时刻的预测数据；以及，根据所述T+N时刻的测试异常度和所述T+N时刻的预测数据计算所述T+N时刻的相对异常度；其中，所述T+N时刻的预测异常度满足预设条件包括：所述T+N时刻的相对异常度大于第二阈值。结合第二方面，在一种可能的实现中，所述T+N时刻的相对异常度的计算方法包括：其中，Qtest为所述T+N时刻的测试异常度，为所述T+N时刻的相对异常度，y′test，i为所述T+N时刻的预测数据中的特征项i的值，i为所述T+N时刻的预测数据中特征项的位置索引，C位所述T+N时刻的预测数据中特征项的总数，i、C为正整数，且i≤C。通过执行上述方法，可以避免测试数据的值变化比较大，通过固定的第一阈值很难准确得定义阈值的大小，进而提高异常识别的准确性。结合第二方面，在一种可能的实现中，所述异常预测模型为通过如第一方面所述的用于异常预测的机器学习模型的训练方法训练第二机器学习得到的模型。第三方面，本申请实施例还提供了一种模型训练装置，包括：接收单元，用于：接收训练样本，所述训练样本包括T-M时刻至T时刻的训练数据和T+N时刻的真实数据，其中，T＞0、N＞0，M≥0，T≥M；第一处理单元，用于通过数据预测模型对所述T-M时刻至T时刻的训练数据进行处理，得到T+N时刻的预测数据；标签构建单元，用于根据所述T+N时刻的预测数据和所述T+N时刻的真实数据确定可信异常度，所述可信异常度用于表示所述T+N时刻的真实数据偏离所述T+N时刻的预测数据的程度；第二处理单元，用于通过第二机器学习模型对所述T-M时刻至T时刻的训练数据进行处理，得到预测异常度；第一调节单元，用于根据所述预测异常度和所述可信异常度的误差调节所述第二机器学习模型的当前模型参数。结合第三方面，在一种可能的实现中，所述模型训练装置还包括：第三处理单元，用于通过第一机器学习模型对S-M时刻至S时刻的训练数据进行处理，得到S+N时刻的预测数据，其中，S＞0、N＞0，M≥0，S≥M；第二调节单元，用于将根据所述S+N时刻的预测数据和S+N时刻的真实数据的误差调节所述第一机器学习模型的当前模型参数，得到数据预测模型。结合第三方面，在一种可能的实现中，所述T+N时刻的真实数据和所述T+N时刻的预测数据分别包括多个特征项，所述根据所述T+N时刻的预测数据和所述T+N时刻的真实数据确定所述可信异常度为：其中，i为所述多个特征项的索引，C为所述多个特征项的总个数，i、C为正整数，且i≤C；QT+N为所述可信异常度、C为正整数，i≤C，y'T+N,i为所述T+N时刻的预测数据中的特征项i的值，yT+N,i为所述T+N时刻的真实数据中的特征项i的值。第四方面，本申请实施例还提供了一种异常预测装置，包括：处理单元，用于：通过异本文档来自技高网...

【技术保护点】
1.一种用于异常预测的机器学习模型的训练方法，其特征在于，包括：接收训练样本，所述训练样本包括T‑M时刻至T时刻的训练数据和T+N时刻的真实数据，其中，T＞0、N＞0，M≥0，T≥M；通过数据预测模型对所述T‑M时刻至T时刻的训练数据进行处理，得到T+N时刻的预测数据；根据所述T+N时刻的预测数据和所述T+N时刻的真实数据确定可信异常度，所述可信异常度用于表示所述T+N时刻的真实数据偏离所述T+N时刻的预测数据的程度；通过第二机器学习模型对所述T‑M时刻至T时刻的训练数据进行处理，得到预测异常度；根据所述预测异常度和所述可信异常度的误差调节所述第二机器学习模型的当前模型参数。

【技术特征摘要】
1.一种用于异常预测的机器学习模型的训练方法，其特征在于，包括：接收训练样本，所述训练样本包括T-M时刻至T时刻的训练数据和T+N时刻的真实数据，其中，T＞0、N＞0，M≥0，T≥M；通过数据预测模型对所述T-M时刻至T时刻的训练数据进行处理，得到T+N时刻的预测数据；根据所述T+N时刻的预测数据和所述T+N时刻的真实数据确定可信异常度，所述可信异常度用于表示所述T+N时刻的真实数据偏离所述T+N时刻的预测数据的程度；通过第二机器学习模型对所述T-M时刻至T时刻的训练数据进行处理，得到预测异常度；根据所述预测异常度和所述可信异常度的误差调节所述第二机器学习模型的当前模型参数。2.根据权利要求1所述的方法，其特征在于，所述通过数据预测模型对T-M时刻至T时刻的训练数据进行处理，得到T+N时刻的预测数据之前，所述方法还包括：通过第一机器学习模型对S-M时刻至S时刻的训练数据进行处理，得到S+N时刻的预测数据，其中，S＞0、N＞0，M≥0，S≥M；将根据所述S+N时刻的预测数据和S+N时刻的真实数据的误差调节所述第一机器学习模型的当前模型参数，得到数据预测模型。3.根据权利要求1或2所述的方法，其特征在于，所述T+N时刻的真实数据和所述T+N时刻的预测数据分别包括多个特征项，所述根据所述T+N时刻的预测数据和所述T+N时刻的真实数据确定所述可信异常度为：其中，i为所述多个特征项的索引，C为所述多个特征项的总个数，i、C为正整数，且i≤C；QT+N为所述可信异常度、C为正整数，i≤C，y'T+N,i为所述T+N时刻的预测数据中的特征项i的值，yT+N,i为所述T+N时刻的真实数据中的特征项i的值。4.一种异常预测方法，其特征在于，包括：通过异常预测模型对T-M时刻至T时刻的测试数据进行处理，得到T+N时刻的测试异常度，T＞0、N＞0，M≥0，T≥M，所述T+N时刻的测试异常度用于指示所述T+N时刻的数据异常的程度；在所述T+N时刻的测试异常度满足预设条件时，输出用于指示所述T+N时刻的数据预测异常的指示信息。5.根据权利要求4所述的方法，其特征在于，所述T+N时刻的预测异常度满足预设条件包括：所述T+N时刻的预测异常度大于第一阈值。6.根据权利要求4或5所述的方法，其特征在于，所述方法还包括：通过数据预测模型对所述T-M时刻至T时刻的测试数据进行处理，得到所述T+N时刻的预测数据；以及，根据所述T+N时刻的测试异常度和所述T+N时刻的预测数据计算所述T+N时刻的相对异常度；其中，所述T+N时刻的预测异常度满足预设条件包括：所述T+N时刻的相对异常度大于第二阈值。7.根据权利要求6所述的方法，其特征在于，所述T+N时刻的相对异常度的计算方法包括：其中，Qtest为所述T+N时刻的测试异常度，为所述T+N时刻的相对异常度，y′test,i为所述T+N时刻的预测数据中的特征项i的值，i为所述T+N时刻的预测数据中特征项的位置索引，C位所述T+N时刻的预测数据中特征项的总数，i、C为正整数，且i≤C。8.根据权利要求4-7任一项所述的方法，其特征在于，所述异常预测模型为通过如权利要求1-3任一项权利要求所述的用于异常预测的机器学习模型的训练方法训练得到的模型。9.一种模型训练装置，其特征在于，包括：接收单元，用于接收训练样本，所述训练样本包括T-M时刻至T时刻的训练数据和T+N时刻的真实数据，其中，T＞0、N＞0，M≥0，T≥M；第一处理单元，用于通过数据预测模型对所述T-M时刻至T时刻的训练数据进行处理，得到T+N时刻的预测数据；标签构建单元，用于根据所述T+N时刻的预测数据和所述T+N时刻的真实数据确定可信异常度，所述可信异常度用于表示所述T+N时刻的真实数据偏离所述T+N时刻的预测数据的程度；第二处理单元，用于通过第...

【专利技术属性】
技术研发人员：于群，吴奇彬，
申请(专利权)人：华为技术有限公司，
类型：发明
国别省市：广东,44