一种轨道交通的故障预测方法、装置、设备及存储介质制造方法及图纸

本申请实施例公开了一种轨道交通的故障预测方法、装置、设备及存储介质，通过获取轨道交通的运行日志数据，将运行日志数据通过预设分类模型进行分类预测处理，得到对应的预测模式类别；将预测模式类别与预设目标模式类别比较，确认预测模式类别与预设目标模式类别的匹配状态；若预测模式类别与预设目标模式类别中的一个相同，则判断运行日志数据正常；若预测模式类别与预设目标模式类别均不相同，则判断运行日志数据异常，并根据预测模式类别和预设概率集合计算偏差率，预设概率集合包括所有模式类别和对应的概率；根据偏差率确定运行日志数据对应的运行过程存在故障的概率，能够解决轨道交通故障预测精度低的问题，提高预测精确度。度。度。

【技术实现步骤摘要】
一种轨道交通的故障预测方法、装置、设备及存储介质


[0001]本申请实施例涉及人工智能
，尤其涉及一种轨道交通的故障预测方法、装置、设备及存储介质。

技术介绍

[0002]随着社会的发展，轨道交通作为人们一种重要的交通出行方式，给人们带来了巨大的便利，同时也对社会的经济发展起到了非常大的促进作用。然而，当轨道交通出现故障问题时，若不能及时发现，不仅会影响乘客的体验，同时也会影响轨道交通自身的安全性。
[0003]根据实际运维经验，发现故障发生的原因往往会隐藏在运维的日志数据里。传统的对日志数据进行故障预测的方法包括有基于关键词匹配预测和基于配置解析规则预测两种方式。其中，基于关键词匹配预测方式是针对给出的关键词进行匹配，从而判别是否异常。这种方式针对不同类型的日志数据很难给出对应的关键词，增加了预测的难度，即使定义的关键词出现了，也不一定代表日志出现了故障问题，这取决于开发者的习惯，增加了预测的不确定性。而基于配置解析规则预测方式需要根据不同类型的日志数据制定不同的解析规则，解析工作非常复杂，需要消耗大量的时间进行调试。
[0004]因此，现有的对日志进行故障预测的方式并不能实现完全自动化的故障预测，并且得到的预测结果的精确度也比较低。

技术实现思路

[0005]本申请实施例提供一种轨道交通的故障预测方法、装置、设备及存储介质，能够解决轨道交通故障预测精度低的问题，提升故障预测的自动化程度，提高预测精确度。
[0006]在第一方面，本申请实施例提供了一种轨道交通的故障预测方法，包括：
[0007]获取轨道交通的运行日志数据，将所述运行日志数据通过预设分类模型进行分类预测处理，得到对应的预测模式类别；
[0008]将所述预测模式类别与预设目标模式类别比较，确认所述预测模式类别与所述预设目标模式类别的匹配状态；
[0009]若所述预测模式类别与所述预设目标模式类别中的一个相同，则判断所述运行日志数据正常；
[0010]若所述预测模式类别与所述预设目标模式类别均不相同，则判断所述运行日志数据异常，并根据所述预测模式类别和预设概率集合计算偏差率，所述预设概率集合包括所有模式类别和对应的概率；
[0011]根据所述偏差率确定所述运行日志数据对应的运行过程存在故障的概率。
[0012]进一步的，所述根据所述预测模式类别和预设概率集合计算偏差率，包括：
[0013]获取所述预设概率集合中所述预测模式类别对应预测概率；
[0014]根据总概率与所述预测概率的差值，得到所述偏差率。
[0015]进一步的，所述将所述运行日志数据通过预设分类模型进行分类预测处理，得到
对应的预测模式类别，包括：
[0016]将所述运行日志数据输入预设分类模型中，在所述预设分类模型中，对所述运行日志数据进行分词处理，得到词序数据；
[0017]根据所述词序数据提取目标模板，所述目标模板包括至少一个历史模式类别；
[0018]将所述目标模板中的历史模式类别输入预设的LSTM模型中，输出对应的预测模式类别。
[0019]进一步的，所述将所述运行日志数据通过预设分类模型进行分类预测处理之前，包括：
[0020]获取训练日志数据，对所述训练日志数据进行分词处理，得到词序数据；
[0021]根据所述词序数据提取模板，所述模板包括至少一个历史模式类别；
[0022]将所述历史模式类别输入预设的LSTM模型中，输出对应的模式类别
[0023]对得到的所有模式类别进行数据处理，得到每一模式类别对应的概率；
[0024]根据模式类别和对应的概率得到所述预设概率集合。
[0025]进一步的，所述对得到的所有模式类别进行数据处理，得到每一模式类别对应的概率，包括：
[0026]对预设的LSTM模型输出的所有模式类别，通过softmax进行数据处理，得到每一模式类别对应的概率。
[0027]进一步的，所述根据模式类别和对应的概率得到所述预设概率集合之后，包括：
[0028]对所述预设概率集合中的模式类别按照概率从大到小排序；
[0029]获取预设排序号对应的模式类别作为所述预设目标模式类别。
[0030]进一步的，所述根据所述预测模式类别和预设概率集合计算偏差率之后，包括：
[0031]对所有异常日志数据的对应的偏差率进行从大到小排序，得到排序结果；
[0032]将所述排序结果、对应的预测模式类别以及对应的运行日志数据的标识显示在对应的展示界面中。
[0033]在第二方面，本申请实施例提供了一种轨道交通的故障预测装置，包括：
[0034]分类模块，用于获取轨道交通的运行日志数据，将所述运行日志数据通过预设分类模型进行分类预测处理，得到对应的预测模式类别；
[0035]异常判断模块，用于将所述预测模式类别与预设目标模式类别比较，确认所述预测模式类别与所述预设目标模式类别的匹配状态；
[0036]若所述预测模式类别与所述预设目标模式类别中的一个相同，则判断所述运行日志数据正常；
[0037]若所述预测模式类别与所述预设目标模式类别均不相同，则判断所述运行日志数据异常，并根据所述预测模式类别和预设概率集合计算偏差率，所述预设概率集合包括所有模式类别和对应的概率；
[0038]预测模块，用于根据所述偏差率确定所述运行日志数据对应的运行过程存在故障的概率。
[0039]进一步的，所述异常判断模块，还用于获取所述预设概率集合中所述预测模式类别对应预测概率；
[0040]根据总概率与所述预测概率的差值，得到所述偏差率。
[0041]进一步的，所述分类模块，还用于将所述运行日志数据输入预设分类模型中，在所述预设分类模型中，对所述运行日志数据进行分词处理，得到词序数据；
[0042]根据所述词序数据提取目标模板，所述目标模板包括至少一个历史模式类别；
[0043]将所述目标模板中的历史模式类别输入预设的LSTM模型中，输出对应的预测模式类别。
[0044]进一步的，所述装置还包括训练模块；
[0045]所述训练模块，用于获取训练日志数据，对所述训练日志数据进行分词处理，得到词序数据；
[0046]根据所述词序数据提取模板，所述模板包括至少一个历史模式类别；
[0047]将所述历史模式类别输入预设的LSTM模型中，输出对应的模式类别
[0048]对得到的所有模式类别进行数据处理，得到每一模式类别对应的概率；
[0049]根据模式类别和对应的概率得到所述预设概率集合。
[0050]进一步的，所述训练模块，还用于对预设的LSTM模型输出的所有模式类别，通过softmax进行数据处理，得到每一模式类别对应的概率。
[0051]进一步的，所述装置还包括预设目标模式类别模块；
[0052]所述预设目标模式类别模块，用于对所述预本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种轨道交通的故障预测方法，其特征在于，包括：获取轨道交通的运行日志数据，将所述运行日志数据通过预设分类模型进行分类预测处理，得到对应的预测模式类别；将所述预测模式类别与预设目标模式类别比较，确认所述预测模式类别与所述预设目标模式类别的匹配状态；若所述预测模式类别与所述预设目标模式类别中的一个相同，则判断所述运行日志数据正常；若所述预测模式类别与所述预设目标模式类别均不相同，则判断所述运行日志数据异常，并根据所述预测模式类别和预设概率集合计算偏差率，所述预设概率集合包括所有模式类别和对应的概率；根据所述偏差率确定所述运行日志数据对应的运行过程存在故障的概率。2.根据权利要求1所述的方法，其特征在于，所述根据所述预测模式类别和预设概率集合计算偏差率，包括：获取所述预设概率集合中所述预测模式类别对应预测概率；根据总概率与所述预测概率的差值，得到所述偏差率。3.根据权利要求1所述的方法，其特征在于，所述将所述运行日志数据通过预设分类模型进行分类预测处理，得到对应的预测模式类别，包括：将所述运行日志数据输入预设分类模型中，在所述预设分类模型中，对所述运行日志数据进行分词处理，得到词序数据；根据所述词序数据提取目标模板，所述目标模板包括至少一个历史模式类别；将所述目标模板中的历史模式类别输入预设的LSTM模型中，输出对应的预测模式类别。4.根据权利要求1所述的方法，其特征在于，所述将所述运行日志数据通过预设分类模型进行分类预测处理之前，包括：获取训练日志数据，对所述训练日志数据进行分词处理，得到词序数据；根据所述词序数据提取模板，所述模板包括至少一个历史模式类别；将所述历史模式类别输入预设的LSTM模型中，输出对应的模式类别对得到的所有模式类别进行数据处理，得到每一模式类别对应的概率；根据模式类别和对应的概率得到所述预设概率集合。5.根据权利要求4所述的方法，其特征在于，所述对得到的所有模式类别进行数据处理，得到每...

【专利技术属性】
技术研发人员：黄鹏程，黄锦培，肖奇峰，
申请(专利权)人：广州华佳软件有限公司广东华之源信息工程有限公司广州佳都城轨智慧运维服务有限公司，
类型：发明
国别省市：