[发明专利]基于LKJ异常值数据的复杂关联网络分析方法及系统

权利要求书

1.一种基于LKJ异常值数据的关联复杂网络分析方法，其特征在于，包括模型构建任务流和模型应用任务流两方面的处理，其中：

模型构建任务流的运行步骤为：

第一步，开启模型构建任务，将历史运行文件数据传入数据预提取任务中，汇总所有异常变量数据；

第二步，开启数据规整、特征补充任务，通过数据挖掘中的特征提取、特征补充，将数据预提取任务的保存结果进行数据规整，并基于数据规整结果判断当前任务是模型构建任务还是模型应用任务，若为模型构建任务则继续后续模型构建任务流，若为模型应用任务则转至模型应用任务流中处理；

第三步，进入特征降维任务，输出为降维后的建模数据集；

第四步，进入异常变量关联复杂网络构建任务，异常变量关联复杂网络模型的结果经评估后若模型不满足要求则重新返回第二步的执行流程，若模型满足要求则将异常变量关联复杂网络模型的结果保存；

第五步，传入异常变量关联复杂网络保存结果，进入异常变量因子提取任务，得到异常变量因子提取结果；

第六步，传入异常变量因子提取结果，进入异常类别关联复杂网络构建任务，并保存异常类别关联复杂网络结果，至此模型构建任务流结束；

模型应用任务流的运行步骤为：

第一步，开启模型应用任务，将当前LKJ运行记录文件传入数据预提取任务中，汇总所有异常变量数据；

第二步，开启数据规整、特征补充任务，通过数据挖掘中的特征提取、特征补充，将数据预提取任务的保存结果进行数据规整，并基于数据规整结果判断当前任务是模型构建任务还是模型应用任务，若为模型应用任务则继续后续模型应用任务流，若为模型构建任务则转至模型构建任务流中处理；

第三步，系统中是否存在模型结果参数，如不存在则退出流程，若存在则进入异常变量关联复杂网络应用任务，输入第二步的任务执行结果，同时传入模型构建任务流中的异常变量关联复杂网络结果参数，任务最终结果进入到数据保存环节，将异常变量关联复杂网络应用结果加以保存；

第四步，传入异常变量关联复杂网络应用任务的结果，进入异常类别关联复杂网络应用任务，任务最终结果进入数据保存环节中，将异常类别关联复杂网络应用结果加以保存；

其中，在模型构建任务的第四步中，异常变量关联复杂网络构建任务的处理步骤如下：

步骤1：收集整理异常拦截数据，对数据进行结构化整理；

步骤2：对步骤1中的异常拦截后的变量，计算异常拦截后的各变量的相关系数；

步骤3：基于步骤1计算得到的变量间相关系数，建立异常变量关联复杂网络，其中，节点为异常拦截后的变量，相关系数衡量节点之间的紧密程度，相关系数强，则相关线条粗，反之，相关线条细；

步骤4：进行异常变量关联复杂网络模型关键节点探索与网络模型优化；

其中，在模型构建任务的第六步中，异常类别关联复杂网络构建任务的具体步骤如下：

步骤1：收集整理异常拦截数据，对数据进行结构化整理；

步骤2：对异常拦截变量进行分类整理：当前分类采用因子分析根据样本数据进行的分类，后续根据运行数据进行学习修正分类结果；

步骤3：计算步骤2中分类的各类变量的典型相关系数，采用典型相关分析中第一对典型相关系数衡量类别之间的关联性；

步骤4：基于步骤3中的异常类别间的典型相关系数，建立异常类别关联复杂网络模型；

步骤5：异常类别关联复杂网络模型关键节点探索与网络模型优化。

2.根据权利要求1所述的基于LKJ异常值数据的关联复杂网络分析方法，其特征在于，在模型构建任务/模型应用任务流的第一步中，数据预提取任务包括以下子任务：

进入异常模式库匹配任务，然后判断历史数据中是否存在异常，如果存在则输出保存，其中模式库中的模式包括异常模式、频繁模式、通用模式、已有规则；

进入滑动窗口连续变量突变阈值库匹配任务，然后判断历史数据中是否存在异常，如果存在则输出保存，其中变量包括LKJ速度、管压、缸压、电流；

进入连续变量相关系数阈值库匹配任务，然后判断历史数据中是否存在异常，如果存在则输出保存，其中变量包括LKJ速度、管压、缸压、电流；

提取异常当前线路位置以及包括LKJ速度、管压、缸压、电流在内的故障状态数据，然后输出保存；

上述输出保存的数据进入异常变量数据汇总任务，汇总所有异常变量数据。