基于高速公路的ETC系统运行状态实时监控系统及方法技术方案

本发明专利技术公开了基于高速公路的ETC系统运行状态实时监控系统及方法，系统包括：运行参数获取模块，用于获取ETC系统的运行参数，获得运行参数集；数据分类模块，用于对运行参数集中的数据通过故障模型进行分类，获得故障数据和非故障数据；预测模块，用于为非故障数据匹配预测模型，获得与非故障数据匹配的预测模型，基于匹配出的预测模型对非故障数据进行故障预测，获得预测结果；故障原因查找模块，用于基于故障数据以及预测结果中故障概率高的数据查找出对应的故障原因；运维策略模块，用于为故障原因自动匹配出相应的运维策略。通过预测模型可以对非故障数据进行预测，进一步提升故障预测能力，提前运维可能发生故障的设备，避免故障发生。免故障发生。免故障发生。

【技术实现步骤摘要】
基于高速公路的ETC系统运行状态实时监控系统及方法


[0001]本专利技术涉及高速公路的ETC
，具体涉及基于高速公路的ETC系统运行状态实时监控系统及方法。

技术介绍

[0002]ETC门架是目前世界上最先进的路桥收费方式，是高速公路运营状态数据最有力的采集前端，也是智慧交通发展中不可或缺的重要部分。ETC门架系统涉及到高速公路收费计算的关键业务，故对于ETC门架系统运行的稳定性有着很高要求，但是ETC门架数量多、分布广、设备种类多，传统的“人工巡查、被动发现”的运维方式费时、费力、效率低，发生故障时运维往往依靠人工和经验进行排查，操作麻烦且耗时，增加了故障带来的影响，所以为确保ETC门架的正常运维，研究建立智能化的运维模式是非常有必要的。
[0003]但是现有技术采用的智能监控系统对可能会发生故障的设备进行故障预测时一般时基于简单的预测模型进行预测，需要预测的数据量较大，造成计算耗时长，导致预测结果延迟，预测效果差的问题。

技术实现思路

[0004]本专利技术提供基于高速公路的ETC系统运行状态实时监控系统及方法，以解决现有技术中存在的上述问题。
[0005]本专利技术提供基于高速公路的ETC系统运行状态实时监控系统，该系统包括：运行参数获取模块，用于获取ETC系统的运行参数，获得运行参数集；数据分类模块，用于对运行参数集中的数据通过故障模型进行分类，获得故障数据和非故障数据；预测模块，用于为非故障数据匹配预测模型，获得与非故障数据匹配的预测模型，基于匹配出的预测模型对非故障数据进行故障预测，获得预测结果；故障原因查找模块，用于基于故障数据以及预测结果中故障概率高的数据查找出对应的故障原因；运维策略模块，用于为故障原因自动匹配出相应的运维策略；所述数据分类模块包括：关联关系构建单元，用于对运行参数集的数据进行关联关系构建，形成关联关系对；关联关系包括：因果关系、并行关系、顺序关系和多逻辑关系；多逻辑关系为多个数据之间产生多种逻辑关联的关系；每一个关联关系对中包括至少两组数据；关联关系对划分单元，用于对构建的关联关系按照关联强弱进行关联等级划分，划分为强关联关系对和弱关联关系对；故障数据查找单元，用于通过故障模型分别从强关联关系对和弱关联关系对中分别查找是否有故障数据，若有故障数据，将所有故障数据构成故障数据集，将所有非故障数据构成非故障数据集；
所述预测模块包括：匹配单元，用于根据非故障数据的类型匹配相应的预测模型；匹配度判断单元，用于判断非故障数据的类型与预测模型的匹配度，若匹配度达到设定的匹配度阈值，将匹配的预测模型设定为最终的预测模型。
[0006]优选的，所述预测模块还包括：筛选单元，用于获取ETC系统的历史大数据，筛选出所有历史故障数据；数据抽取单元，用于对历史故障数据的故障发生时刻之前的设定时间段的数据进行抽取，形成故障前数据集；训练单元，用于基于深度神经网络模型对故障前数据集进行模拟训练，直至输出结果为历史故障数据时，停止训练；预测模型形成单元，用于将训练完成的深度神经网络模型设定为相应故障类型对应的预测模型，预测模型输出的是非故障数据对应的预测数据；所述相应故障类型是该历史故障数据对应的故障类型；预测结果单元，用于基于训练好的预测模型对非故障数据进行故障预测，获得预测结果，预测结果包括：预测数据在设定的标准范围内时，为非故障数据，若预测数据超过设定的标准范围时，通过预测模型预测的结果为该数据为故障概率高的数据。
[0007]优选的，所述运行参数获取模块包括：网络连接状态数据采集单元，用于采集每个ETC系统中所有设备之间的网络连接状态，形成网络连接状态数据，为每个网络连接状态数据标记设备号；图像数据采集单元，用于采集每个ETC系统中获取的视频图像和图片图像；交易数据采集单元，用于采集每个ETC系统中交易数据；机电设备状态参数数据采集单元，用于采集每个ETC系统中所有机电设备的状态参数，形成机电设备状态参数数据。
[0008]优选的，所述关联关系对划分单元包括：强关联关系对设定子单元，用于将具有关联强度大于等于设定强度阈值的关联关系对设定为强关联关系对；弱关联关系对设定子单元，用于将具有关联强度小于设定强度阈值的关联关系对设定为强关联关系对。
[0009]优选的，所述故障数据查找单元包括：顶端数据查找子单元，用于从每个强关联关系对中查找出顶端数据，所述顶端数据是该强关联关系对中逻辑关系顶端的数据；第一查找子单元，用于基于故障模型判断顶端数据是否为故障数据，若为故障数据，将该强关联关系对中所有的数据设定为故障数据，将所有故障数据设定为故障数据，若为非故障数据，将该强关联关系对中的所有数据设定为非故障数据，将所有非故障数据设定为非故障数据。
[0010]优选的，所述故障数据查找单元还包括：采样子单元，用于从每个弱关联关系数据对中随机抽取设定数量的数据，形成随机采样数据；第二查找子单元，用于基于故障模型判断随机采样数据是否为故障数据，若随机
采样数据为故障数据，则再次进行随机采样，形成二次采样数据，对二次采样数据采用故障模型判断是否为故障数据，若二次采样数据为故障数据，将该弱关联关系对中所有的数据设定为故障数据；第三查找子单元，用于若随机采样数据为非故障数据，将所有非故障数据设定为非故障数据。
[0011]优选的，所述故障原因查找模块包括：故障节点确定单元，用于基于故障数据的来源，确定故障数据对应的节点为故障节点；节点质量评估单元，用于对故障节点进行质量评估，确定质量评估值；故障确定单元，用于若质量评估值小于等于评估阈值，将该故障节点设定为故障数据对应的故障原因。
[0012]本专利技术还提供基于高速公路的ETC系统运行状态实时监控方法，该方法包括：S100，获取ETC系统的运行参数，获得运行参数集；S200，对运行参数集中的数据通过故障模型进行分类，获得故障数据和非故障数据；S300，为非故障数据匹配预测模型，获得与非故障数据匹配的预测模型，基于匹配出的预测模型对非故障数据进行故障预测，获得预测结果；S400，基于故障数据以及预测结果中故障概率高的数据查找出对应的故障原因；S500，为故障原因自动匹配出相应的运维策略。
[0013]与现有技术相比，本专利技术具有以下优点：本专利技术提供基于高速公路的ETC系统运行状态实时监控系统及方法，系统包括：运行参数获取模块，用于获取ETC系统的运行参数，获得运行参数集；数据分类模块，用于对运行参数集中的数据通过故障模型进行分类，获得故障数据和非故障数据；预测模块，用于为非故障数据匹配预测模型，获得与非故障数据匹配的预测模型，基于匹配出的预测模型对非故障数据进行故障预测，获得预测结果；故障原因查找模块，用于基于故障数据以及预测结果中故障概率高的数据查找出对应的故障原因；运维策略模块，用于为故障原因自动匹配出相应的运维策略。通过预测模型可以对非故障数据进行预测，减少了预测数据，有针对性的对可能存在故障的数据进行进一步的预测，因此可以进一步的提升故障预测能力，提升预测效率，以实现提前运维可能发生故障的设备，避免本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于高速公路的ETC系统运行状态实时监控系统，其特征在于，包括：运行参数获取模块，用于获取ETC系统的运行参数，获得运行参数集；数据分类模块，用于对运行参数集中的数据通过故障模型进行分类，获得故障数据和非故障数据；预测模块，用于为非故障数据匹配预测模型，获得与非故障数据匹配的预测模型，基于匹配出的预测模型对非故障数据进行故障预测，获得预测结果；故障原因查找模块，用于基于故障数据以及预测结果中故障概率高的数据查找出对应的故障原因；运维策略模块，用于为故障原因自动匹配出相应的运维策略；所述数据分类模块包括：关联关系构建单元，用于对运行参数集的数据进行关联关系构建，形成关联关系对；关联关系包括：因果关系、并行关系、顺序关系和多逻辑关系；多逻辑关系为多个数据之间产生多种逻辑关联的关系；每一个关联关系对中包括至少两组数据；其中每组数据是运行参数集的一个数据；关联关系对划分单元，用于对构建的关联关系按照关联强弱进行关联等级划分，划分为强关联关系对和弱关联关系对；故障数据查找单元，用于通过故障模型分别从强关联关系对和弱关联关系对中分别查找是否有故障数据，若有故障数据，将所有故障数据构成故障数据集，将所有非故障数据构成非故障数据集；所述预测模块包括：匹配单元，用于根据非故障数据的类型匹配相应的预测模型；匹配度判断单元，用于判断非故障数据的类型与预测模型的匹配度，若匹配度达到设定的匹配度阈值，将匹配的预测模型设定为最终的预测模型；所述预测模块还包括：筛选单元，用于获取ETC系统的历史大数据，筛选出所有历史故障数据；数据抽取单元，用于对历史故障数据的故障发生时刻之前的设定时间段的数据进行抽取，形成故障前数据集；训练单元，用于基于深度神经网络模型对故障前数据集进行模拟训练，直至输出结果为历史故障数据时，停止训练；预测模型形成单元，用于将训练完成的深度神经网络模型设定为相应故障类型对应的预测模型，预测模型输出的是非故障数据对应的预测数据；所述相应故障类型是该历史故障数据对应的故障类型；预测结果单元，用于基于训练好的预测模型对非故障数据进行故障预测，获得预测结果，预测结果包括：预测数据在设定的标准范围内时，为非故障数据，若预测数据超过设定的标准范围时，通过预测模型预测的结果为该数据为故障概率高的数据。2.根据权利要求1所述的基于高速公路的ETC系统运行状态实时监控系统，其特征在于，所述运行参数获取模块包括：网络连接状态数据采集单元，用于采集每个ETC系统中所有设备之间的网络连接状态，形成网络连接状态数据，为每个网络连接状态数据标记设备号；
图像数据采集单元，用于采集每个ETC系统中获取的视频图...

【专利技术属性】
技术研发人员：阮雪飞，李大全，朱秋实，梁涛，肖国德，李涛，
申请(专利权)人：贵州宏信达高新科技有限责任公司，
类型：发明
国别省市：