本發(fā)明涉及航道、水運領域，尤其涉及一種混合型航標報警智能檢測方法。
背景技術：
：基于物聯(lián)網(wǎng)、大數(shù)據(jù)分析的航標遙測遙控系統(tǒng)，綜合運用無線數(shù)字通信gprs技術、北斗和gps定位技術、微處理器技術、嵌入式系統(tǒng)等現(xiàn)代信息處理技術，實現(xiàn)了航標燈工作情況的自動監(jiān)測與分析、高精度航標位移定位的自動監(jiān)測與分析、航標附屬設備工作情況的自動監(jiān)測與分析。在航標遙測遙控系統(tǒng)中，遠程終端單元(rtu)能夠?qū)崟r采集航標狀態(tài)，并定時返回給控制中心。然而，由于能耗、傳輸成本等因素，遠程終端單元無法實現(xiàn)高頻率的實時數(shù)據(jù)傳輸，一般只針對低頻定時數(shù)據(jù)以及報警數(shù)據(jù)進行傳輸。由于遠程終端單元在傳輸上的限制，使得對航標的報警判斷均集中在rtu端實現(xiàn)。在傳統(tǒng)的rtu報警判斷中，主要以基于規(guī)則的判斷為主。僅在rtu端使用基于規(guī)則的方法進行報警存在較大問題。首先，一些航標的異常具有區(qū)域性，而在rtu端的計算，無法結(jié)合相鄰rtu的數(shù)據(jù)進行判斷。其次，一些航標的異常是一個逐漸變化的過程(如航標位置偏移)，但基于規(guī)則的方法靈活性較差，在此類場景下報警效果較差。技術實現(xiàn)要素：由于航標上負責采集數(shù)據(jù)的傳感器采集的時間粒度較大，且針對航標報警的判斷主要是基于規(guī)則的判斷，以致于航標報警效率較低，本發(fā)明提供一種混合型航標報警智能檢測方法，以提高報警判斷的準確率。為達上述目的，本發(fā)明所采用的技術方案為：一種混合型航標報警智能檢測方法，其步驟包括：1)根據(jù)歷史定時數(shù)據(jù)和歷史報警數(shù)據(jù)發(fā)現(xiàn)相似站點，得到相似站點劃分及相似站點數(shù)據(jù)；2)根據(jù)上述相似站點劃分及相似站點數(shù)據(jù)、歷史報警數(shù)據(jù)及該報警時刻向前一段時間的歷史定時數(shù)據(jù)進行報警模型訓練，生成二次報警的模型；3)將實時報警數(shù)據(jù)及該報警時刻向前一段時間的歷史定時數(shù)據(jù)輸入所述二次報警的模型，進行報警結(jié)果判斷；4)根據(jù)上述報警結(jié)果及人工反饋的報警結(jié)果，對步驟2)中所述報警模型進行修正。進一步地，步驟1)包括：1-1)將每個站點作為聚類的一個元素，選取每個站點的基本信息特征和歷史定時數(shù)據(jù)特征，并根據(jù)選取的特征，計算每個站點對應的各個特征的數(shù)值或數(shù)值組；1-2)將歷史報警數(shù)據(jù)按站點進行劃分，選取每個站點的歷史報警數(shù)據(jù)特征，并根據(jù)選取的特征，計算每個站點對應的歷史報警數(shù)據(jù)特征的數(shù)值；1-3)根據(jù)步驟1-1)及步驟1-2)計算得到的結(jié)果進行相似站點的發(fā)現(xiàn)，并輸出相似站點劃分及相似站點數(shù)據(jù)。更進一步地，步驟1-1)中所述基本信息特征包括但不僅僅包括站點的經(jīng)度、緯度、歷史水位、歷史溫度；所述歷史定時數(shù)據(jù)特征包括但不僅僅包括<時間/時間范圍，偏移量>、<時間/時間范圍，燈質(zhì)>、<時間/時間范圍，電壓>。更進一步地，步驟1-2)中所述歷史報警數(shù)據(jù)特征包括但不僅僅包括<時間/時間范圍，報警總量>、<報警類型，報警次數(shù)>；步驟1-3)采用聚類方法進行相似站點的發(fā)現(xiàn)，其中所述聚類方法是指k-means、knn、層次聚類。進一步的，步驟2)包括：2-1)對于每一條歷史報警數(shù)據(jù)，提取歷史報警數(shù)據(jù)特征；2-2)以每一條歷史報警數(shù)據(jù)報警的時間作為基礎時間，從歷史定時數(shù)據(jù)中提取該報警時刻向前一段時間的歷史定時數(shù)據(jù)以及歷史定時數(shù)據(jù)特征；2-3)根據(jù)步驟2-1)提取的歷史報警數(shù)據(jù)特征、步驟2-2)提取的歷史定時數(shù)據(jù)特征、步驟1)獲取的相似站點劃分及相似站點數(shù)據(jù)、歷史處置情況給出報警正確、錯誤的標簽特征，并進行報警模型訓練，生成二次報警的模型。更進一步地，步驟2-3)中所述歷史處置是指歷史報警發(fā)生后，相關人員進行的具體處置，以及給出的該報警是否為正確報警的結(jié)論；所述報警模型訓練采用支持向量機(svm)或隨機森林傳統(tǒng)機器學習方法。進一步地，所述該報警時刻向前一段時間根據(jù)歷史報警數(shù)據(jù)或?qū)崟r報警數(shù)據(jù)上報頻率、實際場景確定。進一步地，步驟3)包括：3-1)提取實時報警數(shù)據(jù)特征；3-2)根據(jù)實時報警數(shù)據(jù)發(fā)生的時間，獲取該報警時刻向前一段時間的歷史定時數(shù)據(jù)，并提取該歷史定時數(shù)據(jù)特征；3-3)將步驟3-1)提取的實時報警數(shù)據(jù)特征和步驟3-2)提取的歷史定時數(shù)據(jù)特征輸入步驟2)生成的二次報警的模型進行匯聚，得到二次報警結(jié)果。進一步地，步驟3-1)中所述實時報警數(shù)據(jù)特征包括但不僅僅包括<時間/時間范圍，報警總量>、<報警類型，報警次數(shù)>。進一步的，步驟4)包括：4-1)根據(jù)上述報警結(jié)果及人工反饋的報警結(jié)果，輸出報警結(jié)果反饋數(shù)據(jù)；其中所述人工反饋的報警結(jié)果是指：在報警發(fā)生后，工作人員對報警的嚴重級別進行評估，并進行現(xiàn)場處置的結(jié)果；4-2)將上述報警結(jié)果反饋數(shù)據(jù)作為輸入，再次反饋到上述步驟2)中所述報警模型進行訓練，以修正報警模型。本發(fā)明的有益效果在于：本發(fā)明提供一種混合型航標報警智能檢測方法，該方法能夠在充分利用領域知識的前提下，結(jié)合數(shù)據(jù)挖掘方法和人工反饋，實現(xiàn)對航標異常進行報警。相較傳統(tǒng)僅基于規(guī)則或僅基于數(shù)據(jù)挖掘方法的報警系統(tǒng)，本發(fā)明方法在準確性和結(jié)果的可解釋性上更具優(yōu)勢。附圖說明圖1為本發(fā)明提供的一種混合型航標報警智能檢測方法流程圖。圖2為本發(fā)明提供的一種混合型航標報警智能檢測方法的具體流程圖。具體實施方式為使本發(fā)明的上述特征和優(yōu)點能更明顯易懂，下文特舉實施例，并配合所附圖作詳細說明如下。本發(fā)明提供一種混合型航標報警智能檢測方法，請參考圖1和圖2，其步驟包括：1.根據(jù)歷史數(shù)據(jù)進行相似站點發(fā)現(xiàn)；其具體包括以下步驟：1.1針對歷史定時數(shù)據(jù)，將每個站點作為聚類的一個元素，選取每個站點的基本信息特征和歷史定時數(shù)據(jù)特征，并根據(jù)選取的特征，計算每個站點對應的各個特征的數(shù)值(或數(shù)值組)。其中所述基本信息特征包括站點的經(jīng)度、緯度、歷史水位、歷史溫度等信息。所述歷史定時數(shù)據(jù)特征包括<時間/時間范圍，偏移量>、<時間/時間范圍，燈質(zhì)>、<時間/時間范圍，電壓>等信息。在具體實施時，一方面，為保證歷史定時數(shù)據(jù)應用在相似站點發(fā)現(xiàn)的合理性，根據(jù)場景選取合適的特征；另一方面，為降低特征緯度，可以將特征進行聚合計算。如表1所示，該表為某一站點的歷史定時數(shù)據(jù)。所述歷史定時數(shù)據(jù)是指由傳感器采集后，定時傳送到服務器端的數(shù)據(jù)。表1：某一站點的歷史定時數(shù)據(jù)站點名時間偏移量燈質(zhì)電流電壓s12016-01-01-10-00-0010單閃3秒2403.8s12016-01-01-11-00-0015單閃3秒2603.7s12016-01-01-12-00-0016雙閃6秒2553.75………………針對站點s1的歷史定時數(shù)據(jù)，其一種歷史定時數(shù)據(jù)特征計算的結(jié)果如表2所示。對于每一條歷史定時數(shù)據(jù)，在實現(xiàn)時，作為向量的一個元素進行計算。表2：站點s1的某一歷史定時數(shù)據(jù)特征計算結(jié)果1.2針對歷史報警數(shù)據(jù)，將報警信息首先按站點進行劃分，選取每個站點的歷史報警數(shù)據(jù)特征，并根據(jù)選取的特征，計算每個站點對應的歷史報警數(shù)據(jù)特征的數(shù)值。其中所述歷史報警數(shù)據(jù)特征包括<時間/時間范圍，報警總量>、<報警類型，報警次數(shù)>等信息。在具體實施時，為實現(xiàn)更便捷的聚類，時間/時間范圍的選取請參考1.1的選取。如表3所示，該表為某一站點的歷史報警數(shù)據(jù)。表3：某一站點的歷史報警數(shù)據(jù)站點名時間報警類型上報方式s12016-01-02-10-00-00燈質(zhì)異常gprss12016-02-02-11-00-00航標偏移gprss12016-02-20-23-00-00上報數(shù)據(jù)異常gprs…………針對站點s1的歷史報警數(shù)據(jù)，其一種歷史報警數(shù)據(jù)特征計算的結(jié)果如表4所示。對于每一條歷史報警數(shù)據(jù)，在實現(xiàn)時，作為向量的一個元素進行計算。表4：站點s1的某一歷史報警數(shù)據(jù)特征計算結(jié)果1.3在相關特征選取并計算完畢后，使用聚類方法進行相似站點的發(fā)現(xiàn)。在聚類方法的選取上，可以選擇k-means,、knn、層次聚類等不同的聚類方法，最終輸出相似站點的劃分，如表5所示。之后將發(fā)現(xiàn)的相似站點數(shù)據(jù)進行保存，并作為支持后續(xù)訓練報警模型的數(shù)據(jù)集。表5：相似站點的劃分輸入站點輸出相似站點s1,s2,s3,s4,s5,s6,s7,s8,s9,s10(s1,s3,s6),(s2,s7),(s4,s10),(s5,s8,s9)2.根據(jù)上述相似站點劃分及相似站點數(shù)據(jù)、歷史報警數(shù)據(jù)及該報警時刻向前一段時間的歷史定時數(shù)據(jù)，訓練報警模型生成二次報警的模型；其中所述二次報警的模型針對的是第二次報警。對于第一次報警，是從航標根據(jù)傳統(tǒng)規(guī)則返回的報警數(shù)據(jù)，也可以理解為是本發(fā)明方法的一個輸入。其具體包括以下步驟：2.1根據(jù)歷史報警數(shù)據(jù)，對歷史報警數(shù)據(jù)特征進行提取。對于每一條歷史報警數(shù)據(jù)，提取其歷史報警數(shù)據(jù)特征，所述歷史報警數(shù)據(jù)特征包括<時間/時間范圍，報警總量>、<報警類型，報警次數(shù)>等信息。2.2以每一條歷史報警數(shù)據(jù)報警的時間作為基礎時間，從歷史定時數(shù)據(jù)中提取該報警時刻向前一段時間(該時間可根據(jù)歷史報警數(shù)據(jù)上報頻率、實際場景等因素確定)的歷史定時數(shù)據(jù)以及歷史定時數(shù)據(jù)特征，所述歷史定時數(shù)據(jù)特征包括<時間/時間范圍，偏移量>、<時間/時間范圍，燈質(zhì)>、<時間/時間范圍，電壓>等信息。下面以報警類型為例，表示對報警類型的特征計算(python語言)。該代碼主要的功能是根據(jù)不同的報警類型進行初始的標簽標注。例如，首先對報警類型的文字進行歸類，整理為航標偏移報警分類、燈質(zhì)異常報警分類、黑夜不亮報警分類、電壓電流異常分類、定時上報異常分類、離線六類，然后將航標偏移報警分類、燈質(zhì)異常報警分類、黑夜不亮報警分類、電壓電流異常分類、定時上報異常分類、離線分別映射為1、2、3、4、5、6。2.3根據(jù)步驟2.1提取的歷史報警數(shù)據(jù)特征、步驟2.2提取的歷史定時數(shù)據(jù)特征、步驟1獲取的相似站點劃分及相似站點數(shù)據(jù)、歷史處置情況給出報警正確、錯誤的標簽特征，使用機器學習方法對歷史報警數(shù)據(jù)進行分類模型訓練。在該過程中，可以使用支持向量機、隨機森林等傳統(tǒng)機器學習方法進行模型訓練。其中所述歷史處置是指歷史報警發(fā)生后，相關人員進行的具體處置，給出的該報警是否為正確報警的結(jié)論。2.4通過報警模型訓練后生成二次報警的模型，將該二次報警的模型的結(jié)果進行保存，并作為支持后續(xù)二次報警判斷的模型。3.針對rtu的實時報警數(shù)據(jù)，在控制中心進行再次報警判斷。在傳統(tǒng)航標報警系統(tǒng)中，一般都嵌入了實時報警模塊。在rtu根據(jù)規(guī)則判斷，產(chǎn)生報警后，實時報警模塊將實時報警數(shù)據(jù)發(fā)送到控制中心。在此時，步驟2訓練的二次報警模型，從實時報警數(shù)據(jù)中提取實時報警數(shù)據(jù)特征，并根據(jù)該報警時刻向前一段時間(該時間可根據(jù)實時報警數(shù)據(jù)上報頻率、實際場景等因素確定)的歷史定時數(shù)據(jù)選取的歷史定時數(shù)據(jù)特征，代入二次報警模型，產(chǎn)生報警結(jié)果的判斷，報警結(jié)果將返回當前報警為有效或無效的判斷。其具體步驟包括：3.1在實時報警發(fā)生后，對實時報警數(shù)據(jù)特征進行提取，其提取方法與步驟1.1相同，且實時報警數(shù)據(jù)特征與步驟1.2的歷史報警數(shù)據(jù)特征相同。提取的實時報警數(shù)據(jù)特征將作為二次報警判斷的輸入數(shù)據(jù)。3.2根據(jù)實時報警數(shù)據(jù)發(fā)生的時間，獲取該報警時刻向前一段時間的歷史定時數(shù)據(jù)，并對該歷史定時數(shù)據(jù)特征進行提取，其提取方法與步驟2.2中歷史定時數(shù)據(jù)特征提取方法相同。提取的歷史定時數(shù)據(jù)特征將作為二次報警判斷的輸入數(shù)據(jù)。3.3將步驟3.1提取的實時報警數(shù)據(jù)特征和步驟3.2提取的歷史定時數(shù)據(jù)特征輸入步驟2.4生成的二次報警的模型進行匯聚，得到二次報警結(jié)果。4.根據(jù)人工反饋的報警結(jié)果，對報警模型進行修正。在報警發(fā)生后，一般場景下，工作人員會對報警的嚴重級別進行評估，并進行現(xiàn)場處置。在此步驟中，將現(xiàn)場處置的結(jié)果，反饋到二次報警的模型。二次報警的模型將再次執(zhí)行步驟2，實現(xiàn)對模型的修正。其具體步驟包括：4.1將報警發(fā)生后的二次報警結(jié)果進行輸出，結(jié)合人工判斷及處置，輸出報警結(jié)果反饋數(shù)據(jù)。其中所述報警結(jié)果反饋數(shù)據(jù)是指人工反饋的報警結(jié)果的數(shù)據(jù)化。其一般形式是一條具體的數(shù)據(jù)，包括報警標識(可能具有時間、報警類型等)、人工處置結(jié)果(可能反饋為數(shù)字表示的是否有效或正確報警)。4.2將報警結(jié)果反饋數(shù)據(jù)作為輸入，再次反饋到報警模型進行訓練，以修正報警模型。表6：傳統(tǒng)方法與本發(fā)明方法準確率對比正樣本比例(有效報警數(shù)據(jù)所占比例)本發(fā)明方法準確率傳統(tǒng)方法準確率0.50000.84800.50000.66670.86520.66670.75000.88700.75000.80000.89390.80000.83330.90310.83330.85710.92370.85710.87500.92340.87500.88890.93100.8889為驗證本發(fā)明方法能夠提高報警判斷的準確率，針對某數(shù)據(jù)集，分別采用本發(fā)明方法及傳統(tǒng)方法進行了報警判斷的準確率對比，如表6所示。其中由于傳統(tǒng)方法將第一次報警后數(shù)據(jù)均當作有效報警，因此其準確率與正樣本比例相同。由表6可知，本發(fā)明方法相較于傳統(tǒng)方法能夠極大的提高報警判斷的準確率，且正樣本比例越高，采用本發(fā)明方法報警判斷的準確率越高。以上實施僅用以說明本發(fā)明的技術方案而非對其進行限制，本領域的普通技術人員可以對本發(fā)明的技術方案進行修改或者等同替換，而不脫離本發(fā)明的精神和范圍，本發(fā)明的保護范圍應以權利要求書所述為準。當前第1頁12