[发明专利]一种基于CatBoost算法的智能锁异常检测方法在审
申请号: | 201811133451.7 | 申请日: | 2018-09-27 |
公开(公告)号: | CN109409410A | 公开(公告)日: | 2019-03-01 |
发明(设计)人: | 舒海东;王进;胡峰 | 申请(专利权)人: | 智庭(北京)智能科技有限公司 |
主分类号: | G06K9/62 | 分类号: | G06K9/62;G06N20/00 |
代理公司: | 北京久维律师事务所 11582 | 代理人: | 邢江峰 |
地址: | 100089 北京市海*** | 国省代码: | 北京;11 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | 本发明提供了一种基于CatBoost算法的智能锁异常检测方法,包括数据预处理操作,依据“留出法”对数据划分操作等步骤,通过对智能锁记录的行为数据及其基本信息数据进行预处理和分析提取特征,建立多个机器学习模型并进行stacking模型融合,从而准确预测智能锁是否存在异常,减少因信息被恶意窃取带来极大的信息安全隐患,提高智能锁的安全性和可靠性。 | ||
搜索关键词: | 智能锁 异常检测 算法 数据预处理操作 预处理 机器学习模型 信息安全隐患 基本信息 模型融合 提取特征 行为数据 窃取 预测 记录 分析 | ||
【主权项】:
1.一种基于CatBoost算法的智能锁异常检测方法,其特征在于:包括如下步骤:Q1、数据预处理操作,对智能锁基本信息数据和智能锁记录的行为数据的处理,使数据格式归一化,标准化;Q2、依据“留出法”对数据划分操作,将历史数据划分为训练集和测试集,目的在于探寻历史数据训练集中数据内在联系;Q3、根据训练集和测试集进行特征工程构建操作,特征采用基本信息特征、基础统计特征、时序特征、交叉特征,建立算法模型;Q4、建立多个机器学习模型,并进行模型融合操作,用构建完特征的训练集去训练7个CatBoost模型:CatBoost模型分别对所述的基本信息特征、基础统计特征、时序特征、交叉特征进行特征选择,按照特征重要性排序,在基本信息特征中选取特征重要性大于0的特征,在基础统计特征中选取特征重要性大于10的特征,在时序特征中选取特征重要性大于0的特征,在交叉特征中选择特征重要性大于20的特征,使得在充分表征样本信息的同时降低模型的复杂度;CatBoost模型参数用默认参数乘以随机系数,系数范围为0.6~0.8,从而生成7个不同的CatBoost模型,这些CatBoost模型以stacking进行模型融合,Stacking模型融合的过程如下:用线性回归以七折交叉拟合每一折得到7个系数,以这7个系数的均值作为该CatBoost的融合系数作为stacking的第一层,再以这多个CatBoost模型进行训练,得到7个CatBoost的预测结果,将预测结果乘上各自的融合系数,求和得到最终概率,过程如下:①分别对7个模型调用线性回归得到每一折的预测结果:其中ym_n predict表示第m个模型第n折的预测结果,wm_n_z表示第m个模型的第n折的第z个线性回归系数:……②将7个模型的预测结果作为x,该训练集每一折的真实标签作为y,再次调用线性回归模型:③则7个模型最终的融合系数为:……
下载完整专利技术内容需要扣除积分,VIP会员可以免费下载。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于智庭(北京)智能科技有限公司,未经智庭(北京)智能科技有限公司许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/patent/201811133451.7/,转载请声明来源钻瓜专利网。