【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 ...
【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...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。