一种基于云计算的数据交互调度平台

    公开(公告)号:CN118963956A

    公开(公告)日:2024-11-15

    申请号:CN202411084749.9

    申请日:2024-08-08

    摘要: 本发明公开了一种基于云计算的数据交互调度平台,涉及数据调度技术领域,包括:收集历史数据和实时数据,对数据进行预处理;基于预处理后的数据,获取数据任务,基于任务指标,计算数据的传输需求,对数据的传输需求进行预测;基于数据预测结果,计算当前设备负载量,对数据进行优先级的划分;基于优先级的划分,使数据进行交互调度。本发明通过建立数据需求预测模型,从而能实时对数据的传输需求进行预测,基于数据传输需求预测量与设备的初始化性能,计算设备的负载指标,根据所有的设备的负载指标设置数据的初始优先级,从而导致优先级的划分更加方便与准确,且数据的交互调度准确率较高,不容易产生调度错误,带来更好的使用前景。

    一种基于大数据的告警信息处理方法及系统

    公开(公告)号:CN118427048A

    公开(公告)日:2024-08-02

    申请号:CN202410374390.2

    申请日:2024-03-29

    摘要: 本申请公开了一种基于大数据的告警信息处理方法及系统,包括:从预设的大数据系统的知识库中获取历史告警文本;基于历史告警文本,利用word2vec提取特征向量;以各特征信息作为分裂节点,以历史告警文本对应的历史决策记录作为叶子节点训练决策树,以及利用历史告警文本的特征向量训练告警分类模型;获取当前告警信息的告警信息文本;将告警信息文本的特征向量输入训练的告警分类模型,输出属于各告警类型的概率;选取概率大于预设概率阈值的至少一个告警类型;将相应的历史告警文本输入训练好的决策树,输出决策记录。本申请用以解决业务系统告警信息的决策结果之间的通用性不高,导致对告警信息进行分析和决策的效率低的问题。

    一种基于大数据分析的故障预警方法

    公开(公告)号:CN117235568A

    公开(公告)日:2023-12-15

    申请号:CN202311097970.3

    申请日:2023-08-29

    摘要: 一种基于大数据分析的故障预警方法,包括:预先基于历史数据确定任一设备故障后的故障影响范围,以构建出多设备组成的拓扑关系网;将中控机与各设备进行通信连接,并在中控机本地维护所述拓扑关系网;通过中控机接收设备故障信息,其中,设备故障信息中携带有发生故障的设备的标识信息;在中控机本地基于所述维护的拓扑关系网以及故障的标识信息确定故障影响范围;基于所确定的故障影响范围生成故障预警通知。本申请的方法能够降低人力物力消耗,实现及时进行设备预警,尤其适用于设备诸多的场景。

    基于元学习的长江干流异常水位数据识别方法

    公开(公告)号:CN117312910A

    公开(公告)日:2023-12-29

    申请号:CN202311189069.9

    申请日:2023-09-15

    摘要: 基于元学习的长江干流异常水位数据识别方法,包括:步骤1:基于FCM异常值检测模型识别异常水位数据;步骤2:基于元学习MAML模型,将元学习任务分为元训练任务和元测试任务;步骤3:元训练任务阶段,设计多个任务训练FCM异常值检测模型得到FCM异常值检测模型初始化参数θ;步骤4:元测试任务阶段,通过支持集数据对FCM聚类模型初始化参数θ进行微调,用来预测查询集节点类别,检测节点是否异常。本发明一种基于元学习的长江干流异常水位数据识别方法,能够基于少数几个站点的水位数据,即可训练出一个可适用于其他站点水位数据的异常识别模型,且能够体现出较好识别效果,体现出模型较强的泛化能力。

    一种基于类别划分的多特征自适应异常水位数据识别方法

    公开(公告)号:CN118228123A

    公开(公告)日:2024-06-21

    申请号:CN202410407174.3

    申请日:2024-04-07

    摘要: 一种基于类别划分的多特征自适应异常水位数据识别方法,包括以下步骤:步骤1:按照分钟进行不同站点的水位数据采集;步骤2:将不同站点的水位数据集Y为两类,分别为训练数据集据YTrain和测试数据集YTest;步骤3:对训练数据集YTrain通过SVM算法进行分类模型训练;步骤4:采用随机森林进行训练,得到随机森林模型MRF;步骤5:对于步骤3中的非周期性数据集YNOCyele,设定异常阈值ZMAX和ZMIN;步骤6:对于待进行异常判断的数据X,使用MSVM进行判断,得到Xftr;步骤7:判断是否为正常数据;步骤8:判断数据是否为异常数据,本发明较好的应用了数据周期性的特点,首先对数据进行分类,非周期性数据按照已经设置好的阈值,直接进行相应的判断;周期性数据则通过模型进行相应的识别。