[发明专利]一种市政设施故障预测方法及装置

权利要求书

1.一种市政设施故障预测方法，其特征在于，包括：

获取实时采集的市政设施的多个状态分类特征的数据；

对所述市政设施的多个状态分类特征的数据进行预处理；

确定所述多个状态分类特征是否满足条件独立性假设和/或权重相等假设，若否，则依据所述多个状态分类特征通过所述皮尔斯相关系数和/或熵值法对预设的朴素贝叶斯分类器进行优化后，将预处理后的所述市政设施的多个状态分类特征的数据输入到优化的朴素贝叶斯分类器中，得到所述市政设施的故障预测概率；所述预设的朴素贝叶斯分类器是根据市政设施的历史数据进行训练学习得到的；

根据所述市政设施的故障预测概率在所有市政设施故障预测概率中的排序，确定所述市政设施的故障预测。

2.如权利要求1所述的方法，其特征在于，所述对所述市政设施的多个状态分类特征的数据进行预处理，包括：

对所述市政设施的多个状态分类特征的数据进行数据清洗和归一化处理。

3.如权利要求1所述的方法，其特征在于，所述依据所述多个状态分类特征通过所述皮尔斯相关系数和/或熵值法对预设的朴素贝叶斯分类器进行优化，包括：

通过皮尔斯相关系数确定所述多个状态分类特征之间的相关性，根据所述多个状态分类特征之间的相关性，对所述预设的朴素贝叶斯分类器中的多个状态分类特征进行拆分和联合；和/或根据所述多个状态分类特征的数据，通过熵值法确定所述预设的朴素贝叶斯分类器中的多个状态分类特征对应的权重。

4.如权利要求3所述的方法，其特征在于，所述通过皮尔斯相关系数确定所述多个状态分类特征之间的相关性，根据所述多个状态分类特征之间的相关性，对所述预设的朴素贝叶斯分类器中的多个状态分类特征进行拆分和联合，包括：

将所述多个状态分类特征划分为多组；

通过皮尔斯相关系数确定每组中的状态分类特征之间的相关性，根据每组中的状态分类特征之间的相关性，将所述预设的朴素贝叶斯分类器中每组中的状态分类特征中相关性小于第一阈值的状态分类特征进行拆分，将所述预设的朴素贝叶斯分类器中每组中的状态分类特征中相关性大于等于第一阈值的状态分类特征进行联合。

5.如权利要求1所述的方法，其特征在于，所述根据市政设施的历史数据进行训练学习得到所述预设的朴素贝叶斯分类器，包括：

获取所有市政设施的历史数据；

通过拉普拉斯将所述所有市政设施的历史数据进行修正，得到训练集；

依据所述训练集中各市政设施的状态分类特征，通过皮尔斯相关系数和/或熵值法对朴素贝叶斯分类器进行优化，并对所述训练集中各市政设施的状态分类特征的历史数据进行训练学习，得到所述预设的朴素贝叶斯分类器。

6.如权利要求1所述的方法，其特征在于，在确定所述市政设施的故障预测之后，还包括：

获取所述市政设施的精确率和召回率；

根据所述市政设施的精确率和召回率来调整所述预设的朴素贝叶斯分类器精准度。

7.如权利要求1至6任一项所述的方法，其特征在于，所述根据所述市政设施的故障预测概率在所有市政设施故障预测概率中的排序，确定所述市政设施的故障预测，包括：

根据故障预测阈值，将所述所有市政设施故障预测概率的排序划分为多个区间；其中，每个区间对应一个故障预测；

根据所述市政设施的故障预测概率在所有市政设施故障预测概率中的排序对应的区间，确定所述市政设施的故障预测。