CN115841750B - 一种轨道交通的故障预测方法、装置、设备及存储介质 - Google Patents

Abstract

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。

Description

一种轨道交通的故障预测方法、装置、设备及存储介质

技术领域

本申请实施例涉及人工智能技术领域，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。

背景技术

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。

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。

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。

发明内容

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。

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：

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。

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：

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。

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：

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。

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：

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。

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：

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。

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：

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；

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。

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：

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；

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。

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：

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；

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；

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；

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。

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；

根据总概率与所述预测概率的差值，得到所述偏差率。

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；

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。

进一步的，所述装置还包括训练模块；

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；

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。

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。

进一步的，所述装置还包括预设目标模式类别模块；

所述预设目标模式类别模块，用于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；

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。

进一步的，所述装置还包括显示模块；

所述显示模块，用于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；

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。

在第三方面，本申请实施例提供了一种轨道交通的故障预测设备，包括：

存储器以及一个或多个处理器；

所述存储器，用于存储一个或多个程序；

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如第一方面所述的轨道交通的故障预测方法。

在第四方面，本申请实施例提供了一种存储计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行如第一方面所述的轨道交通的故障预测方法。

本申请实施例通过对获取的轨道交通的运行日志数据进行预设分类模型的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进行比较，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一个相同，则判断对应的运行日志数据正常，若预测模式类别与预设目标模式类别均不相同，则判断对应的运行日志数据异常，并根据预测模式类别和预设概率集合计算偏差率，根据该偏差率确定对应的运行日志数据对应的运行过程中存在故障的概率。采用上述技术手段，可以通过预设分类模型对轨道交通的运行日志数据进行分类预测处理得到对应的预测模式类别，并通过预测模式类别与预设目标模式的匹配状态确定对应的运行日志数据是否异常，能够实现自动化故障预测，降低预测工作的复杂程度，从而使得预测工作更加方便快捷。此外，在预测运行日志数据存在异常时，通过预测模式类别与预设概率集合计算偏差率，通过该偏差率确定对应的运行过程中存在故障的概率，使得故障预测量化，从而提高了故障预测结果的精度。

附图说明

图1是本申请实施例提供的一种轨道交通的故障预测方法的流程图；

图2是本申请实施例提供的预测过程第一示意图；

图3是本申请实施例提供的FT-tree算法示意图；

图4是本申请实施例提供的LSTM模型示意图；

图5是本申请实施例提供的预测过程第二示意图；

图6是本申请实施例提供的预测过程第三示意图；

图7是本申请实施例提供的一种轨道交通的故障预测装置的结构示意图；

图8是本申请实施例提供的一种轨道交通的故障预测设备的结构示意图。

具体实施方式

为了使本申请的目的、技术方案和优点更加清楚，下面结合附图对本申请具体实施例作进一步的详细描述。可以理解的是，此处所描述的具体实施例仅仅用于解释本申请，而非对本申请的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本申请相关的部分而非全部内容。在更加详细地讨论示例性实施例之前应当提到的是，一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各项操作(或步骤)描述成顺序的处理，但是其中的许多操作可以被并行地、并发地或者同时实施。此外，各项操作的顺序可以被重新安排。当其操作完成时所述处理可以被终止，但是还可以具有未包括在附图中的附加步骤。所述处理可以对应于方法、函数、规程、子例程、子程序等等。

本申请提供的轨道交通的故障预测方法、装置、设备及存储介质，旨在故障预测时，通过预设分类模型对轨道交通的运行日志数据进行分类预测处理得到对应的预测模式类别，并通过预测模式类别与预设目标模式的匹配状态确定对应的运行日志数据是否异常，以实现自动化故障预测，降低预测工作的复杂程度。并且，在预测到对应的运行日志数据存在异常时，通过预测模式类别与预设概率集合计算偏差率，通过该偏差率确定对应的运行过程中存在故障的概率，使得故障预测量化，以提高故障预测结果的精度。根据运维经验可知，发生故障的原因往往会隐藏在日志数据中，因而可以根据日志数据进行对应的故障预测。故障预测方式包括使用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固定的关键词进行匹配，在日志数据中检测是否有对应的关键词，从而判断日志数据是否存在异常。这种基于关键词匹配预测的方式，在针对不同类型的日志数据时，很难给出对应的关键词，从而需要针对不同类型的日志数据分别设置对应的关键词，增加了预测的难度和工作量。此外，即使定义的关键词出现了，也不一定代表日志数据出现了故障问题，这取决于开发者的习惯，增加了故障预测的不确定性。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指定不同的解析规则，解析工作非常复杂，需要消耗大量的时间进行调试。基于此，提供本申请实施例的轨道交通的故障预测方法，以解决现有轨道交通的故障预测过程中的预测精确度低的问题。

轨道交通是指运营车辆需要在特定轨道上行驶的一类交通工具或运输系统。最典型的轨道交通就是由传统火车和标准铁路所组成的铁路系统。随着火车和铁路技术的多元化发展，轨道交通呈现出越来越多的类型，不仅遍布于长距离的陆地运输，也广泛运用于中短距离的城市公共交通中。常见的轨道交通有传统铁路(国家铁路、城际铁路和市域铁路)、地铁、轻轨和有轨电车，新型轨道交通有磁悬浮轨道系统、单轨系统(跨座式轨道系统和悬挂式轨道系统)和旅客自动捷运系统等。

本实施例以地铁为例进行解释说明。综合监控系统在地铁的运营过程中扮演着非常重要的角色，综合监控系统自身的问题如果不能及时的发现，不仅会影响到乘客的体验，也会影响到地铁自身的安全。

图1给出了本申请实施例提供的一种轨道交通的故障预测方法的流程图，本实施例中提供的轨道交通的故障预测方法可以由轨道交通的故障预测设备执行，该轨道交通的故障预测设备可以通过软件和/或硬件的方式实现，该轨道交通的故障预测设备可以是两个或多个物理实体构成，也可以是一个物理实体构成。一般而言，该轨道交通的故障预测设备可以是终端设备，如计算机设备等。

下述以计算机设备为执行轨道交通的故障预测方法的主体为例，进行描述。参照图1，该轨道交通的故障预测方法具体包括：

S101、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。

在轨道交通的综合监控系统，针对日志量大、格式繁多的日志数据，通过机器学习进行日志异常预测，尤其是无监督实时预测与快速的故障定位，对轨道交通的综合监控尤为重要。轨道交通中的综合监控系统由各个功能模块(Agent)组合而成，各个功能模块之间的产生的日志数据相互影响，因此，故障的出现的原因，也有可能是其他功能模块的问题导致，所以需要对多个模块的运行日志数据进行异常预测，从而判断最有可能导致问题的是哪个功能模块，帮助快速定位问题所在，减轻运维压力。

图2是本申请实施例提供的预测过程第一示意图，参照图2，考虑到轨道交通的综合监控系统整体比较庞大和复杂，无法全面展示全部功能模块的预测过程，因而，本实施例中选择其中一个广播功能模块及相关的模块进行故障预测的流程说明。该广播功能模块及相关的模块对应的运行日志数据包括paManager运行日志数据、paAgent运行日志数据和Iotgtw_pa运行日志数据。获取paManager运行日志数据、paAgent运行日志数据和Iotgtw_pa运行日志数据，将这些运行日志数据通过预测模型进行预测处理，输出对应的预测结果，如果预测结果是异常，则同时输出对应的偏差率，根据偏差率的高低进行排序，一般而言，偏差率高则故障概率越高。将对应的异常结果和偏差率输出至显示界面中，以供运维工作人员了解具体的预测结果情况，使得可以根据预测结果进行快速定位和处理问题。

获取需要预测的运行日志数据，将运行日志数据输入至预设分类模型中，在预设分类模型汇总，对运行日志数据进行分词处理，得到词序数据。根据词序数据提取目标模板，目标模板包括至少一个历史模式类别。将提取到的目标模板中的历史模式类别输入至预设的LSTM模型中，输出对应的预测模式类别。通过根据运行日志数据进行提取日志模板，并通过LSTM模型进行预测处理得到对应的预测模式类别，通过模式类别进行故障预测，从日志数据整体性上进行故障预测，提高预测的准确性。

示例性的，对运行日志数据进行分词处理，把一个完整的运行日志数据分割成若干词构成序列。分词处理的方法包括基于字符串匹配的分词方法、基于理解的分词方法和基于统计的分词方法。按照是否与词性标注过程相结合的角度考量，分词处理还包括单纯分词方法和标注相结合的一体化方法。基于轨道交通运行过程中海量的运行日志数据的格式千变万化，不能通过标注的方式进行分析，因而，本实施例中提供的分词处理方式为单纯分词方式。

示例性的，运行日志数据往往非常庞大，往往一天可以产生数以万计的日志数据，通过日志模式类别的解析，可以将日志数据压缩为几百个或几十个模板。压缩得到的模板为后面的进行预测模式类别进行服务。本实施例提供一种利用FT-TREE算法进行模板提取的实施方式，图3是本申请实施例提供的FT-tree算法示意图，参照图3，假设接收到的运行日志数据为DM＝(M₁，M₂，…，M_n)为日志消息的集合，每一个M_i代表一条日志消息。I＝(a₁，a₂，…，a_m)是日志消息中出现不同单词的组合，一个单词组合a_i出现的频率越高，那么它就是一个模板。如下表第二列展示了日志消息的集合DM＝(M₁，M₂，…，M_n)，其中每一条日志都属于“SIF”类型。

在提取模板时，首先，FT-TREE算法对DM进行首次扫描，并且与每个出现的频率的降序得到一个列表，如上表所示。之后，创建树的根点，这一根点是由信息类型标记的，如图3中第一步所示，在本实施例中，树的根节点是“SIF”。之后，FT-TREE算法对DM进行二次扫描。通过处理M₁，得到树的第一路径/分支，这些单词是根据L中单词的顺序排序的。当处理M₂时，因为M₂排完序的单词列表与已存在的路径/分支共享一个共同前缀，所以，FT-TREE算法需要创建一个新的路径/分支作为节点“to”的子树。同理，剩余的6条系统日志信息的处理方式也一样。最后，得到的FT-TREE如图3最右边的树所示。最后，修剪FT-TREE，直到它满足节点数在目标节点数以下的约束条件。根据图3所示，可知，每个日志消息类型应该只有少量的子类型，并且，对于每个子类型，应该有许多不同的系统日志消息与之匹配。因此，如果FT-TREE的一个节点有太多的子节点，那么它的所有子节点就从FT-TREE中删除。由此，该子节点就变成了叶节点，留在FT-TREE中的节点代表的就都是常量了，那么含有相同常量的日志数据，FT-TREE认为属于同一模式类别，最终得到的日志数据的模板定义如下表所示：

DM日志数据由多个模板组成，其中每个小模板包括模式类别(模式号/模式值)以及模板常量部分，且每一条日志消息都可以在模式表中找对对应的模式类别。

需要说明的是，当软件升级时，此时产生的日志数据会有不同，这时，需要生成新的模板，以匹配这些新的子类型的系统日志消息，这时，可以通过向原有的FT-TREE中插入新的节点来完成，而无需全部重新去构建新的FT-TREE。

由于系统日志消息中详细信息字段的子类型通常是频繁出现的单词的最长组合，因此，由上述提供的FT-TREE算法进行模板提取的方法进行提取模板，等价于从系统日志消息中识别出频繁出现单词的最长组合，支持增量学习，能够更好地处理流式日志，与绝大多数的传统模板提取方式(例如常见的聚类方式)，FT-TREE可以以线性时间完成更高精度的提取，在训练样本数据量较大(千万级别)时优势明显。

通过上述提供的FT-TREE算法进行模板提取的实施方式获得每一日志数据对应的模板以及对应的模式类别(模式号/模式值)，因此，在分词处理后得到词序数据后，通过上述提供的FT-TREE算法进行模板提取的方法，可以得到需要预测的运行日志数据对应的目标模板。

通过上述提供的FT-TREE算法进行模板提取的实施方式可以获得每一日志数据对应的模板以及对应的模式类别(模式号/模式值)，形成模式表，并根据得到的模式表利用LSTM模型进行模型训练。

示例性的，提供一种利用LSTM模型进行模型训练的实施方式。图4是本申请实施例提供的LSTM模型示意图，参照图4，RNN网络是一种用于时序数据预测的网络模型，而LSTM模型是一种在RNN网络的标准上增加了三个门：遗忘门、输入门、输出门，从而避免了RNN的梯度消失问题，可以更好的存储特征值。因此，本实施例选用LSTM模型作为分类预测模型，其具体如图4所示，图4属于网络的其中一层，后续其他层是相同的，依次叠加即可。用t-1个长度为h日志消息则可以获得(t-1)个模式值(模式类别)，构成一个模式值流可以作为网络的输入，而第t个位置的模式值是多少，则作为网络的输出，进行网络训练来得到LSTM模型。例如：2个长度为3的日志消息(sta The)，则可以根据2个长度为3的日志消息的2个模式值，由上述FT-TREE算法获得对应的第3个长度为3的模式值为多少，从而将2个长度为3的日志消息的2个模式值作为输入，对应的由上述FT-TREE算法获得对应的第3个长度为3的模式值作为输出进行对LSTM模型的训练，确定对应的模型参数后，即可得到训练后的预设的LSTM模型。

得到预设的LSTM模型之后，将上述实施方式得到的预测的运行日志数据对应的目标模板输入至预设的LSTM模型中，通过目标模板中的历史模式类别，输出对应的预测模式类别。

LSTM模型属于神经网络，相比于传统的机器学习方法，有更强学习特征的能力，具有很强的鲁棒性和容错性，能够充分逼近任意复杂的非线性关系，从而使得预测的准确率更高。LSTM模型在本实施例中，根据n-1之前的数据，来预测n的可能情况，具备明显的时间特性。

S102、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。

为了判断对应的模式类别对应的日志数据是否存在异常，则需要有对应的参考目标模式类别进行比对确定。通过获取训练日志数据，训练日志数据可以是历史的运行日志数据，也可以是仿真得到的训练日志数据。对训练日志数据进行分词处理，得到词序数据。根据词序数据以及上述FT-TREE算法提取模板，模板包括至少一个历史模式类别。需要说明的是，这里得到的模板为训练日志数据中每一日志消息对应的模板，每个模板中包括至少一个历史模式类别。将每一模板输入预设的LSTM模型中，在预设的LSTM模型中，根据对应历史模式类别，输出对应的模式类别。因此，可以得到训练日志数据中每一日志消息对应的模式类别，形成模式表，所述模式表中包括所有模式类别。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。根据模式类别和对应的概率得到所述预设概率集合。对预设概率集合中的模式类别按照概率从大到小排序，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。

示例性的，通过上述实施例提供的FT-TREE算法可以得到训练日志数据对应的所有模式值(模式类别)，得到模式表。用K＝(k1，k2，…，kn)表示模式表，则每一条日志消息通过日志模板的常量部分可以解析得到一个对应的模式值K。那么，我们构建一个大小为h的窗口W＝{w_t-h，w_t-h+1，…，w_t-1}表示t位置之前模式值序列，则t位置可以输出集合K中任意一个值。因此可以将基于模式值的日志异常预测转化为一个多分类的问题(n分类)，K中每一个值作为一个单独的类，通过t位置的历史模式值序列，计算出K中每一类出现在t位置的条件概率，用p(y_t＝x_i|w)表示。对于K中每一个模式值出现的总概率按照从高到低排序，得到一个模式值概率集合表(预设概率集合)(就是单个模式值在该种日志数据中出现的概率是是多少)，用于后续故障预测使用。

在一实施例中，将t-1个长度为h的运行日志数据的历史日志消息通过上述FT-TREE算法进行模板提取得到对应的模式值(模式类别)，从而构成个数为(t-1)的模式值流，将得到的(t-1)个的模式值流输入训练好的预设LSTM模型，得到一个n分类，之后，使用softmax函数进行归一化概率，softmax的函数如下：

o_t＝soffmax(Vh_t+b_v)

其中，h_t表示上一层的输出，下一层的输入(此处是最后一层)，V表示该层的权重向量，b_v表示偏置向量。

由此，可以得到每一模式值(模式类别)出现的概率，通过以下公式计算得到：

其中，C代表输入的历史序列(运行日志数据)，x_t代表目标模式值(目标模式类别)，V′(x_t)代表softmax层的输出词向量，V′为V的取导。将每一个模式值(模式类别)看作目标模式值(目标模式类别)计算一次，即可以得到每一模式值(模式类别)对应的概率值，从而得到对应的预设概率集合。对预设概率集合中的模式值(模式类别)按照概率从大到小排序，获取预设排序号对应的模式类别作为预设目标模式类别。

示例性的，假设存在模式类别为：模式1、模式2、模式3和模式4.通过上述计算概率方式得到对应的预设概率集合为{模式值1：40％，模式值2：30％，模式值3：20％。模式值4：10％}。然后将预设概率集合中的概率值从大到小排列，选取前b个组成B集合，该B集合为预设目标模式类别集合。假设选取排序前2的模式值(模式类别)为目标模式值(模式类别)，则得到B集合为{模式值1，模式值2}。

需要说明的是，上述实施例预设排序号(b)的具体数值仅作举例说明，预设目标模式类别对应的预设排序号(b)具体数值，可以根据实际情况设定，在本实施例中不做限制。

由上述实施方式，可以得到预测模式类别，将得到的预测模式类别与B集合中的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。通过softmax函数进行归一化概率，使得每一模式类别对应的分类得到量化，使得后续判断是否存在故障时，判断更加准确。

S103、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。

由上述实施方式，可以得到预测模式类别，将得到的预测模式类别与B集合中的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，则判断对应的运行日志数据正常，对应的运行过程中不存在异常情况。

示例性的，由上述实施例可以得到B集合为{模式值1，模式值2}，则对应的预设目标模式类别为模式1和模式2，假设得到的预测模式类别为模式2，则预测模式类别与预设目标模式类别的其中一个相同，则判断对应预测的运行日志数据正常。

FT-TREE算法进行模板的提取，为LSTM神经网络的训练提供了可能。因为神经网络的训练的首要前提是需要有输入和输出，而对于故障预测来说，输出当然就是正常或者异常，所以训练所需的数据就需要既有正常的也有异常的，而且两者数据的数量不能相差太大，否则就会导致过拟合(也就是偏向于正常或者异常的情况)。但是对于综合监控系统来说，获取的日志数据大都是正常，异常的少，所以这种常见的训练方式就有点不适应了。而结合FT_tree算法，则以FT-tree提取的模板中模式值个数作为输出，以模式值流作为输入，去训练LSTM模型，从而得到一个预测模型(全部是正常数据训练的)，然后在使用该LSTM模型进行预测时，结合使用B集合这种方法来判别是否异常。这样就可以避免了正常与异常数据不平衡导致的问题。

S104、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；

由上述实施方式，可以得到预测模式类别，将得到的预测模式类别与B集合中的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均不相同，则判断对应的运行日志数据异常。假设预测模式类别为模式4，基于模式4与B集合为{模式值1，模式值2}的预设目标模式类别均不相同，则判断该模式4对应的运行日志数据存在异常，对应的运行过程存在异常。

在预测到运行日志数据存在异常之后，基于可能存在很多异常运行日志数据，为了对存在异常的运行日志数据进行轻重缓急的排序，则提供一种基于每一模式类别对应的概率计算对应的偏差率来表征故障的概率高低的方法。由上述softmax函数可以得到每一模式值(模式类别)对应的概率值，从而得到对应的预设概率集合，因而，可以根据预设概率集合，获取对应的预测模式类别对应的预测概率值，根据预设概率集合的总概率值与该预测概率值的差值，得到偏差率。偏差率越高表征故障的概率越高。

示例性的，假设预测模式类别为模式4，基于模式4与B集合为{模式值1，模式值2}的预设目标模式类别均不相同，则判断该模式4对应的运行日志数据存在异常，对应的运行过程存在异常。预设概率集合为{模式值1：40％，模式值2：30％，模式值3：20％。模式值4：10％}，则根据预设概率集合即可以得到预测模式类别(模式4)对应的预测概率值为10％，则根据总概率(100％)与预测概率值(10％)的差值，得到对应的偏差率为90％。

S105、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。

偏差率越高表征故障的概率越高，可以直接根据偏差率的数值大小表征对应的运行日志数据对应的运行过程中存在故障的概率的大小。

图5是本申请实施例提供的预测过程第二示意图，参照图5，整体分成训练过程和预测过程。训练过程为获取历史日志数据，对历史日志数据进行预处理，得到训练日志数据。对训练日志数据进行模板提取，得到对应的输入序列数据，该输入序列数据为模式值流数据。将输入序列数据输入LSTM神经网络模型中进行训练，得到对应的训练后的LSTM神经网络模型。训练输出对应的所有模式值(类别)，并通过softmax函数进行处理，得到模式值的预设概率集合表。而预测的过程中，获取实时日志数据，该实时日志数据可以是轨道交通的实际运行日志数据。对获取的实时日志数据进行预处理，将预处理后的实时日志数据输入至训练好的LSTM神经网络模型中，输出对应的预测模式值(预测模式类别)，通过softmax函数计算得到预测概率值，并结合模式值预设概率集合表判断预测模式值是否正常。

图6是本申请实施例提供的预测过程第三示意图，参照图6，对三份日志数据进行故障预测，三份日志数据分别为paManager_info.log、paAgent_control.log和iotgtw_control.log，将三份日志数据输入分类预测模型中分别输出对应的预测模式类别A、预测模式类别B和预测模式类别C，。判断得到的预测模式类别A、预测模式类别B和预测模式类别C是否在预设目标模式类别集合B集合中，若预测模式类别在B集合中，则代表对应的预测模式类别对应的日志数据正常，若预测模式类别不在B集合中，则代表对应的预测模式对应的日志数据异常，则计算得到对应的偏差率。假设计算得到paManager_info.log的偏差率为90％，paAgent_control.log的偏差率为70％。则将计算得到的偏差率在对应的显示界面按照偏差率从高到低进行排序展示，以提示运维人员根据偏差率的高低进行优先处理偏差率较高的检修，从而使得运维人员可以快速定位最优可能出现问题的日志数据，节省了故障预测的时间和提高了故障预测的准确性。

上述，通过结合使用FT-TREE算法与LSTM神经网络算法对综合监控系统产生的日志数据进行分析，其中FT-TREE算法对日志消息进行日志模板提取，然后使用LSTM神经网络算法进行特征提取，使用预测模式对历史数据进行预测下一步是否故障，把故障情况按照偏差率展示在界面，从而判断出最有可能导致问题的模块，帮助运维人员快速定位问题所在。上述技术手段，通过FT-TREE算法能够更好的处理流式日志，在线性时间内可以更高精度的提取模板，能够支持增量学习，随着日志数量的增加，并不需要重新预测，只需要利用新的日志数据进行动态学习即可，提高了预测的灵活性，进而提高了故障预测的工作效率。此外，利用分类预测模型的结果以及预设模式概率表计算出每个日志数据的偏差率，根据偏差率动态的展示在界面上，让运维人员可以从最有可能的日志数据开始排查，加快了定位故障问题的效率。

上述，通过对获取的轨道交通的运行日志数据进行预设分类模型的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进行比较，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一个相同，则判断对应的运行日志数据正常，若预测模式类别与预设目标模式类别均不相同，则判断对应的运行日志数据异常，并根据预测模式类别和预设概率集合计算偏差率，根据该偏差率确定对应的运行日志数据对应的运行过程中存在故障的概率。采用上述技术手段，可以通过预设分类模型对轨道交通的运行日志数据进行分类预测处理得到对应的预测模式类别，并通过预测模式类别与预设目标模式的匹配状态确定对应的运行日志数据是否异常，能够实现自动化故障预测，降低预测工作的复杂程度，从而使得预测工作更加方便快捷。此外，在预测运行日志数据存在异常时，通过预测模式类别与预设概率集合计算偏差率，通过该偏差率确定对应的运行过程中存在故障的概率，使得故障预测量化，从而提高了故障预测结果的精度。

在上述实施例的基础上，图7为本申请实施例提供的一种轨道交通的故障预测装置的结构示意图。参考图7，本实施例提供的轨道交通的故障预测装置具体包括：分类模块21、异常判断模块22和预测模块23。

其中，分类模块21，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；

异常判断模块22，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；

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；

预测模块23，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。

进一步的，所述异常判断模块22，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；

根据总概率与所述预测概率的差值，得到所述偏差率。

进一步的，所述分类模块21，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；

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。

进一步的，所述装置还包括训练模块；

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；

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。

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。

进一步的，所述装置还包括预设目标模式类别模块；

所述预设目标模式类别模块，用于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；

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。

进一步的，所述装置还包括显示模块；

所述显示模块，用于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；

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。

上述，通过对获取的轨道交通的运行日志数据进行预设分类模型的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进行比较，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一个相同，则判断对应的运行日志数据正常，若预测模式类别与预设目标模式类别均不相同，则判断对应的运行日志数据异常，并根据预测模式类别和预设概率集合计算偏差率，根据该偏差率确定对应的运行日志数据对应的运行过程中存在故障的概率。采用上述技术手段，可以通过预设分类模型对轨道交通的运行日志数据进行分类预测处理得到对应的预测模式类别，并通过预测模式类别与预设目标模式的匹配状态确定对应的运行日志数据是否异常，能够实现自动化故障预测，降低预测工作的复杂程度，从而使得预测工作更加方便快捷。此外，在预测运行日志数据存在异常时，通过预测模式类别与预设概率集合计算偏差率，通过该偏差率确定对应的运行过程中存在故障的概率，使得故障预测量化，从而提高了故障预测结果的精度。

本申请实施例提供的轨道交通的故障预测装置可以用于执行上述实施例提供的轨道交通的故障预测方法，具备相应的功能和有益效果。

本申请实施例提供了一种轨道交通的故障预测设备，参照图8，该轨道交通的故障预测设备包括：处理器31、存储器32、通信模块33、输入装置34及输出装置35。该轨道交通的故障预测设备中处理器的数量可以是一个或者多个，该轨道交通的故障预测设备中的存储器的数量可以是一个或者多个。该轨道交通的故障预测设备的处理器、存储器、通信模块、输入装置及输出装置可以通过总线或者其他方式连接。

存储器32作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块，如本申请任意实施例所述的轨道交通的故障预测方法对应的程序指令/模块(例如，轨道交通的故障预测装置中的分类模块、异常判断模块和预测模块)。存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据设备的使用所创建的数据等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储器可进一步包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

通信模块33用于进行数据传输。

处理器31通过运行存储在存储器中的软件程序、指令以及模块，从而执行设备的各种功能应用以及数据处理，即实现上述的轨道交通的故障预测方法。

输入装置34可用于接收输入的数字或字符信息，以及产生与设备的用户设置以及功能控制有关的键信号输入。输出装置35可包括显示屏等显示设备。

上述提供的轨道交通的故障预测设备可用于执行上述实施例提供的轨道交通的故障预测方法，具备相应的功能和有益效果。

本申请实施例还提供一种存储计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行一种轨道交通的故障预测方法，该轨道交通的故障预测方法包括：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。

存储介质——任何的各种类型的存储器设备或存储设备。术语“存储介质”旨在包括：安装介质，例如CD-ROM、软盘或磁带装置；计算机系统存储器或随机存取存储器，诸如DRAM、DDR RAM、SRAM、EDO RAM，兰巴斯(Rambus)RAM等；非易失性存储器，诸如闪存、磁介质(例如硬盘或光存储)；寄存器或其它相似类型的存储器元件等。存储介质可以还包括其它类型的存储器或其组合。另外，存储介质可以位于程序在其中被执行的第一计算机系统中，或者可以位于不同的第二计算机系统中，第二计算机系统通过网络(诸如因特网)连接到第一计算机系统。第二计算机系统可以提供程序指令给第一计算机用于执行。术语“存储介质”可以包括驻留在不同位置中(例如在通过网络连接的不同计算机系统中)的两个或更多存储介质。存储介质可以存储可由一个或多个处理器执行的程序指令(例如具体实现为计算机程序)。

当然，本申请实施例所提供的一种存储计算机可执行指令的存储介质，其计算机可执行指令不限于如上所述的轨道交通的故障预测方法，还可以执行本申请任意实施例所提供的轨道交通的故障预测方法中的相关操作。

上述实施例中提供的轨道交通的故障预测装置、存储介质及轨道交通的故障预测设备可执行本申请任意实施例所提供的轨道交通的故障预测方法，未在上述实施例中详尽描述的技术细节，可参见本申请任意实施例所提供的轨道交通的故障预测方法。

上述仅为本申请的较佳实施例及所运用的技术原理。本申请不限于这里所述的特定实施例，对本领域技术人员来说能够进行的各种明显变化、重新调整及替代均不会脱离本申请的保护范围。因此，虽然通过以上实施例对本申请进行了较为详细的说明，但是本申请不仅仅限于以上实施例，在不脱离本申请构思的情况下，还可以包括更多其他等效实施例，而本申请的范围由权利要求的范围决定。

Claims (9)

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；

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。

2.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。

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。

4.根据权利要求3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，得到每一模式类别对应的概率，包括：

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。

5.根据权利要求3所述的方法，其特征在于，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：

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；

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。

6.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之后，包括：

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；

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。

7.一种轨道交通的故障预测装置，其特征在于，包括：

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；

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；

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；

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；

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；

根据总概率与所述预测概率的差值，得到所述偏差率。

8.一种轨道交通的故障预测设备，其特征在于，包括：

存储器以及一个或多个处理器；

所述存储器，用于存储一个或多个程序；

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-6任一所述的方法。

9.一种存储计算机可执行指令的存储介质，其特征在于，所述计算机可执行指令在由处理器执行时用于执行如权利要求1-6任一所述的方法。