[发明专利]关联干扰事件与事故或凭单

说明书

本发明涉及关联干扰事件与事故或凭单。提供一种以进行概率标记的形式将停电与干扰相关联的方法和系统，干扰本身可能是基于可用数据已知的，也可能是未知的。在后一种情况下，进行标记尤其具有挑战性，因为它需要发现干扰。一种方法将统计变化点分析结合到与相关地理子区域中的服务凭单相对应的时间序列事件。假设干扰显著增加造成损失事件的比率，对该方法进行校准，以将正常期间与环境干扰期间分开。为了获得给定的造成损失的事件与环境干扰相关的概率，该方法利用了在没有任何干扰的情况下预期的事件比率(基准)与实际观察到的事件比率之间的差异。在分析中，识别了本地干扰，并提供了其持续时间和幅值的估计量。

技术领域

本申请总体涉及计算机和计算机应用，尤其涉及用于生成用于训练机器学习模型以执行预测和预报的数据的系统和方法

背景技术

诸如天气风暴、暴雪和电磁灾害的环境干扰，通常会导致资产故障或失灵以及相关停电事件，导致服务质量问题。然而，此类故障事件在没有环境灾难的时候也可能发生。就是说，由于数据汇编时可用的信息有限、时间限制或人员培训不足，通常无法根据数据确定故障是由干扰引起的。对于更好的业务管理来说，始终需要对所有故障事件进行适当的标记或分类，例如标记或分类为灾难。

此类干扰的例子常见于基础设施公司、配电电力公司的电力基础设施(天气风暴)、在野外部署的用于化学制造工艺的传感器网络(电磁灾害)。

当今任何认真分析都需要这些失灵或故障事件的干净数据。因此，需要对事件进行自动标记，以区分正常或环境干扰情况。

从数据质量的角度来看，需要验证现有的标记，填补缺失的标记。

发明内容

一种系统、方法和计算机程序产品能够将资产失灵、故障或停电事件可靠地自动标记为由干扰(例如环境干扰)引起的事件。

由于机器学习(ML)模型可以由硬件处理器训练和运行，以执行预测并生成与输入相关的预报，该系统，方法和计算机程序产品在将数据用作模型训练集的训练数据之前，先处理数据，以正确地标记数据和/或对数据分类(例如标记和/或分类为灾难)，从而提高训练数据质量。

该系统、方法和计算机程序产品对与基础设施故障事件相关的问题凭单(troubleticket)进行自动标记和/或分类(标记和/或分类为灾难)，这些事件伴随区域内的环境干扰，这些环境干扰通常会导致某些资产失灵(malfunction)或故障(fail)，和/或导致停电(outage)。

该系统、方法和计算机程序产品提供了一种概率标记(probabilisticlabeling)，将资产失灵、故障或中断与干扰相关联，干扰本身或者是基于可用数据而已知的，或者可能是未知的。

该系统、方法和计算机程序产品对与相关地理子区域中的服务凭单(servicetickets)相对应的时间序列事件进行统计变化点分析。

在用作模型训练集的训练数据之前，系统和方法框架自动地标记事件，以分离(separate)正常情况或环境干扰情况。

该系统和方法框架提供了自动的数据处理，以“清理”各种用例域的失灵或故障事件的数据，然后将其用作模型训练集的训练数据。

该系统和方法框架进一步验证现有标记，填补模型训练集缺失的标记，并实现自动化，大大减少了人工验证人员所需的时间。最终，该系统和方法识别所有风暴，并将凭单标记为与风暴相关或不相关的。