本發(fā)明屬于智能信息處理和計算機技術(shù)領(lǐng)域，具體涉及一種時序系統(tǒng)多參數(shù)運行態(tài)勢圖形表示方法。

背景技術(shù)：

時序系統(tǒng)往往由很多部件構(gòu)成，每個部件又有很多個觀測參數(shù)。部件各參數(shù)的不同取值形態(tài)在整體上會呈現(xiàn)出系統(tǒng)的運行態(tài)勢，即系統(tǒng)整體運行正常還是異常。而通過圖形方式則可以非常直觀地把系統(tǒng)運行態(tài)勢表達出來，讓用戶一眼就能夠?qū)ο到y(tǒng)整體運行情況有基本了解。目前一般采用{優(yōu)、良、中、差}或者{一級、二級、三級、四級}等等比較抽象的離散語言值來表達系統(tǒng)運行態(tài)勢，這樣的抽象層次過高，使得用戶對系統(tǒng)整體運行情況信息了解太少。此外，對系統(tǒng)運行態(tài)勢缺乏量化度量，缺乏對系統(tǒng)運行態(tài)勢的動態(tài)持續(xù)追蹤，用戶無法了解系統(tǒng)運行態(tài)勢的發(fā)展變化趨勢。這些都不利于用戶對時序系統(tǒng)整體的實時觀測和監(jiān)控。

技術(shù)實現(xiàn)要素：

本發(fā)明的目的在于提供一種使得用戶對系統(tǒng)整體運行狀況是否正常有了一個非常直觀的認識的時序系統(tǒng)多參數(shù)運行態(tài)勢圖形表示方法。

為達到上述目的，本發(fā)明采用的技術(shù)方案是：

一種時序系統(tǒng)多參數(shù)運行態(tài)勢圖形表示方法，實現(xiàn)該方法的系統(tǒng)包括數(shù)據(jù)預(yù)處理模塊、聚類學(xué)習(xí)特征字符模塊、特征統(tǒng)計模塊、圖形表示模塊，其具體步驟是：

1)首先，采用數(shù)據(jù)預(yù)處理模塊對原始數(shù)據(jù)進行去野值、等間隔處理文件以及歸一化處理，獲取標(biāo)準(zhǔn)化的數(shù)據(jù)，并且提取相關(guān)多特征向量；

2)其次，采用聚類學(xué)習(xí)特征字符模塊即采用TK-means聚類算法對歷史數(shù)據(jù)窗口特征向量進行聚類，然后基于聚類結(jié)果，記錄每個參數(shù)不同特征字符所對應(yīng)的特征向量；

3)然后，采用特征統(tǒng)計模塊首先用最近鄰策略獲得實時數(shù)據(jù)各個時間段對應(yīng)的特征字符，然后對同一時間段內(nèi)所有參數(shù)的特征字符進行統(tǒng)計，得到該段內(nèi)所有參數(shù)特征字符的概率分布；

4)最后，采用圖形表示模塊根據(jù)特征字符概率分布情況以圖形方式表達該時間段內(nèi)時序系統(tǒng)的運行態(tài)勢。

所述的數(shù)據(jù)預(yù)處理模塊“去野值處理”是指刪除無效野值，保留有效值；對數(shù)據(jù)進行等間隔處理保證在連續(xù)時間段內(nèi)任意兩個數(shù)據(jù)點之間的時間間隔相同；數(shù)據(jù)經(jīng)過等間隔處理之后進行歸一化處理消除不同量綱對結(jié)果的影響從而獲取標(biāo)準(zhǔn)化的數(shù)據(jù)。

所述的聚類學(xué)習(xí)特征字符模塊通過TK-Means算法對各個參數(shù)的歷史數(shù)據(jù)窗口特征向量分別進行聚類學(xué)習(xí)，并將得到的聚類結(jié)果表示成特征字符；每個參數(shù)的聚類結(jié)果反映該參數(shù)特征字符與簇中心向量的對應(yīng)關(guān)系，然后將每個參數(shù)的特征信息包括參數(shù)最大值、最小值，每個特征的最大值、最小值，簇中心向量及其對應(yīng)特征字符記錄到參數(shù)信息庫中；TK-Means算法采用2015105516228，一種時序數(shù)據(jù)異常特征的挖掘系統(tǒng)及方法，其中，‘a(chǎn)’表示最頻繁出現(xiàn)的特征，‘b’表示次頻繁出現(xiàn)的特征，依此類推；出現(xiàn)概率小于給定閾值0.02的特征通通被表示為‘？’；空數(shù)據(jù)，即未記錄數(shù)據(jù)的區(qū)間或者被刪除的區(qū)間，則用‘#’來表示。

所述的特征統(tǒng)計模塊的特征統(tǒng)計包括以下步驟：

2-1)取當(dāng)前時間窗口上所有參數(shù)的數(shù)據(jù)；

2-2)取當(dāng)前參數(shù)在當(dāng)前窗口上的特征向量；

2-3)根據(jù)最近鄰原則確定特征向量對應(yīng)的特征字符，即當(dāng)前參數(shù)在當(dāng)前窗口上的特征字符；

2-4)判斷是否所有參數(shù)都已經(jīng)取得當(dāng)前窗口上的特征字符；如果有參數(shù)沒有取得特征字符，則轉(zhuǎn)至步驟2-2重復(fù)執(zhí)行上述過程直至所有參數(shù)在當(dāng)前窗口上都已經(jīng)取得特征字符；如果所有參數(shù)都已經(jīng)取得當(dāng)前窗口上的特征字符，則執(zhí)行步驟2-5)

2-5)計算當(dāng)前窗口上的概率p({a})，即當(dāng)前窗口上參數(shù)特征字符為a的概率；

2-6)計算當(dāng)前窗口上的概率p({a,b})，即當(dāng)前窗口上參數(shù)特征字符為{a,b}之一的概率；

2-7)計算當(dāng)前窗口上的概率p({a,b,c})，即當(dāng)前窗口上參數(shù)特征字符為{a,b,c}之一的概率；

2-8)計算當(dāng)前窗口上的概率p({a,b,c,d})，即當(dāng)前窗口上參數(shù)特征字符為{a,b,c,d}之一的概率；

2-9)輸出當(dāng)前窗口時間和上述概率值；

其中，T表示特征字符集合，該集合內(nèi)字符按照字母順序排列；c_i表示某個特征字符；p(T)表示出現(xiàn)該集合內(nèi)特征字符的概率；L表示參數(shù)個數(shù)；s_j表示某個參數(shù)；c(s_j)表示某參數(shù)在當(dāng)前窗口上的特征字符；δ[x]表示如果x成立則δ[x]取值為1，否則取值為0；在上式中當(dāng)T分別取{a}、{a,b}、{a,b,c}、{a,b,c,d}、{a,b,c,d,*}、時，得到一系列的概率值；其中“*”表示d以后所有的特征字符，所以p({a,b,c,d,*})＝1.0；

2-10)判斷是否還有下一個窗口的數(shù)據(jù)；如果還有待處理的數(shù)據(jù)，則轉(zhuǎn)至步驟2-1)重復(fù)執(zhí)行直至所有數(shù)據(jù)都已經(jīng)處理完得到該段內(nèi)所有參數(shù)特征字符的概率分布。

所述的圖形表示模塊根據(jù)得到的一系列概率值，繪制出用不同顏色覆蓋的曲線圖，圖中用不同顏色對應(yīng)不同的特征字符集T，T依次取{a}、{a,b}、{a,b,c}、{a,b,c,d}、{a,b,c,d,*}；畫出相對應(yīng)的線段,橫坐標(biāo)代表著時間窗口，縱坐標(biāo)代表著概率值p(T)；數(shù)據(jù)盲區(qū)用黑色區(qū)塊表示；由于p({a})≤p({a,b})≤p({a,b,c})≤p({a,b,c,d})≤p({a,b,c,d,*})，所以最下面的曲線表示在某個窗口上參數(shù)特征字符是a的概率，即要求參數(shù)沒有任何異常，系統(tǒng)運行態(tài)勢一切正常的概率；從底向上第二條曲線表示在某個窗口上參數(shù)特征字符是a或者b的概率，即允許參數(shù)處于次常態(tài)，但是沒有特別異常，系統(tǒng)運行態(tài)勢基本正常的概率；從底向上第三條曲線表示在某個窗口上參數(shù)特征字符是{a，b，c}之一的概率，即允許參數(shù)出現(xiàn)一般異常，系統(tǒng)運行態(tài)勢一般，允許包含一些問題的概率；從底向上第四條曲線表示在某個窗口上參數(shù)特征字符是{a,b,c,d}之一的概率，即允許參數(shù)出現(xiàn)較嚴重異常，允許系統(tǒng)運行態(tài)勢較差的概率；顯然，若第一條曲線越靠上即越接近1.0概率，則系統(tǒng)運行態(tài)勢越正常；若所有曲線出現(xiàn)下行趨勢即概率值隨時間越來越小，則說明系統(tǒng)運行態(tài)勢越來越惡化；反之，若曲線出現(xiàn)上行趨勢，則說明系統(tǒng)運行態(tài)勢越來越良好；若曲線基本穩(wěn)定在一個水平線上，則說明系統(tǒng)運行態(tài)勢穩(wěn)定；曲線穩(wěn)定的水平線越高，則系統(tǒng)運行態(tài)勢越良好。

本發(fā)明首先通過歷史數(shù)據(jù)學(xué)習(xí)每個參數(shù)的基本特征并將其抽象為特征字符，然后對于實時數(shù)據(jù)分析其特征及所對應(yīng)的特征字符，然后統(tǒng)計所有參數(shù)在同一時間上的特征字符概率分布，最后用曲線圖形的方式表達出系統(tǒng)的整體運行態(tài)勢圖。相對于現(xiàn)有技術(shù)，本發(fā)明方法一方面用特征字符對系統(tǒng)參數(shù)的正常情況進行了抽象表示；另一方面通過統(tǒng)計系統(tǒng)參數(shù)特征字符的概率分布對系統(tǒng)整體運行態(tài)勢進行了量化評估；再一方面用多條概率曲線對系統(tǒng)運行態(tài)勢進行了分層表示。通過本發(fā)明用戶首先可以非常直觀地看到系統(tǒng)整體運行態(tài)勢的量化程度，其次可以直觀看到系統(tǒng)運行態(tài)勢的發(fā)展變化趨勢，再次，用戶能夠?qū)ο到y(tǒng)當(dāng)前運行態(tài)勢的總體內(nèi)容有基本了解，能夠知道系統(tǒng)在多大程度上正常，在多大程度上異常。所以本發(fā)明方法大大增強了用戶對時序系統(tǒng)的整體監(jiān)控能力。

附圖說明

圖1是實現(xiàn)本方法的系統(tǒng)模塊框架圖。

圖2是特征統(tǒng)計模塊流程圖。

圖3是4個示例參數(shù)的實時曲線圖。

圖4是示例參數(shù)所對應(yīng)時序系統(tǒng)的運行態(tài)勢圖。

具體實施方式

下面結(jié)合附圖對本發(fā)明作進一步詳細說明。

參照圖1，實現(xiàn)本發(fā)明的系統(tǒng)包括數(shù)據(jù)預(yù)處理模塊1-1、聚類學(xué)習(xí)特征字符模塊1-2、特征統(tǒng)計模塊1-3、圖形表示模塊1-4；本發(fā)明方法的具體步驟是：

1)首先，采用數(shù)據(jù)預(yù)處理模塊1-1對原始數(shù)據(jù)進行去野值、等間隔處理文件以及歸一化處理，獲取標(biāo)準(zhǔn)化的數(shù)據(jù)，并且提取相關(guān)多特征向量；

所述的數(shù)據(jù)預(yù)處理模塊1-1“去野值處理”是指刪除無效野值，保留有效值；對數(shù)據(jù)進行等間隔處理保證在連續(xù)時間段內(nèi)任意兩個數(shù)據(jù)點之間的時間間隔相同；數(shù)據(jù)經(jīng)過等間隔處理之后進行歸一化處理消除不同量綱對結(jié)果的影響從而獲取標(biāo)準(zhǔn)化的數(shù)據(jù)。

2)其次，采用聚類學(xué)習(xí)特征字符模塊1-2即采用TK-means聚類算法對歷史數(shù)據(jù)窗口特征向量進行聚類，然后基于聚類結(jié)果，記錄每個參數(shù)不同特征字符所對應(yīng)的特征向量；

所述的聚類學(xué)習(xí)特征字符模塊1-2通過TK-Means算法對各個參數(shù)的歷史數(shù)據(jù)窗口特征向量分別進行聚類學(xué)習(xí)，并將得到的聚類結(jié)果表示成特征字符；每個參數(shù)的聚類結(jié)果反映該參數(shù)特征字符與簇中心向量的對應(yīng)關(guān)系，然后將每個參數(shù)的特征信息包括參數(shù)最大值、最小值，每個特征的最大值、最小值，簇中心向量及其對應(yīng)特征字符記錄到參數(shù)信息庫中；TK-Means算法采用2015105516228，一種時序數(shù)據(jù)異常特征的挖掘系統(tǒng)及方法，其中，‘a(chǎn)’表示最頻繁出現(xiàn)的特征，‘b’表示次頻繁出現(xiàn)的特征，依此類推；出現(xiàn)概率小于給定閾值0.02的特征通通被表示為‘？’；空數(shù)據(jù)，即未記錄數(shù)據(jù)的區(qū)間或者被刪除的區(qū)間，則用‘#’來表示。

3)然后，采用特征統(tǒng)計模塊1-3首先用最近鄰策略獲得實時數(shù)據(jù)各個時間段對應(yīng)的特征字符，然后對同一時間段內(nèi)所有參數(shù)的特征字符進行統(tǒng)計，得到該段內(nèi)所有參數(shù)特征字符的概率分布；

參見圖2，所述的特征統(tǒng)計模塊1-3包括以下步驟：

2-1)取當(dāng)前時間窗口上所有參數(shù)的數(shù)據(jù)；

2-2)取當(dāng)前參數(shù)在當(dāng)前窗口上的特征向量；

2-3)根據(jù)最近鄰原則確定特征向量對應(yīng)的特征字符，即當(dāng)前參數(shù)在當(dāng)前窗口上的特征字符；

2-4)判斷是否所有參數(shù)都已經(jīng)取得當(dāng)前窗口上的特征字符；如果有參數(shù)沒有取得特征字符，則轉(zhuǎn)至步驟2-2重復(fù)執(zhí)行上述過程直至所有參數(shù)在當(dāng)前窗口上都已經(jīng)取得特征字符；如果所有參數(shù)都已經(jīng)取得當(dāng)前窗口上的特征字符，則執(zhí)行步驟2-5)

2-5)計算當(dāng)前窗口上的概率p({a})，即當(dāng)前窗口上參數(shù)特征字符為a的概率；

2-6)計算當(dāng)前窗口上的概率p({a,b})，即當(dāng)前窗口上參數(shù)特征字符為{a,b}之一的概率；

2-7)計算當(dāng)前窗口上的概率p({a,b,c})，即當(dāng)前窗口上參數(shù)特征字符為{a,b,c}之一的概率；

2-8)計算當(dāng)前窗口上的概率p({a,b,c,d})，即當(dāng)前窗口上參數(shù)特征字符為{a,b,c,d}之一的概率；

2-9)輸出當(dāng)前窗口時間和上述概率值；

其中，T表示特征字符集合，該集合內(nèi)字符按照字母順序排列；c_i表示某個特征字符；p(T)表示出現(xiàn)該集合內(nèi)特征字符的概率；L表示參數(shù)個數(shù)；s_j表示某個參數(shù)；c(s_j)表示某參數(shù)在當(dāng)前窗口上的特征字符；δ[x]表示如果x成立則δ[x]取值為1，否則取值為0；在上式中當(dāng)T分別取{a}、{a,b}、{a,b,c}、{a,b,c,d}、{a,b,c,d,*}、時，得到一系列的概率值；其中“*”表示d以后所有的特征字符，所以p({a,b,c,d,*})＝1.0；

2-10)判斷是否還有下一個窗口的數(shù)據(jù)；如果還有待處理的數(shù)據(jù)，則轉(zhuǎn)至步驟2-1)重復(fù)執(zhí)行直至所有數(shù)據(jù)都已經(jīng)處理完得到該段內(nèi)所有參數(shù)特征字符的概率分布。

4)最后，采用圖形表示模塊1-4根據(jù)特征字符概率分布情況以圖形方式表達該時間段內(nèi)時序系統(tǒng)的運行態(tài)勢。

所述的圖形表示模塊1-4根據(jù)得到的一系列概率值，繪制出用不同顏色覆蓋的曲線圖，從而直觀表達當(dāng)前系統(tǒng)運行態(tài)勢；圖中用不同顏色對應(yīng)不同的特征字符集T，T依次取{a}、{a,b}、{a,b,c}、{a,b,c,d}、{a,b,c,d,*}；畫出相對應(yīng)的線段,橫坐標(biāo)代表著時間窗口，縱坐標(biāo)代表著概率值p(T)；數(shù)據(jù)盲區(qū)用黑色區(qū)塊表示；由于p({a})≤p({a,b})≤p({a,b,c})≤p({a,b,c,d})≤p({a,b,c,d,*})，所以最下面的曲線表示在某個窗口上參數(shù)特征字符是a的概率，即要求參數(shù)沒有任何異常，系統(tǒng)運行態(tài)勢一切正常的概率；從底向上第二條曲線表示在某個窗口上參數(shù)特征字符是a或者b的概率，即允許參數(shù)處于次常態(tài)，但是沒有特別異常，系統(tǒng)運行態(tài)勢基本正常的概率；從底向上第三條曲線表示在某個窗口上參數(shù)特征字符是{a，b，c}之一的概率，即允許參數(shù)出現(xiàn)一般異常，系統(tǒng)運行態(tài)勢一般，允許包含一些問題的概率；從底向上第四條曲線表示在某個窗口上參數(shù)特征字符是{a,b,c,d}之一的概率，即允許參數(shù)出現(xiàn)較嚴重異常，允許系統(tǒng)運行態(tài)勢較差的概率；顯然，若第一條曲線越靠上即越接近1.0概率，則系統(tǒng)運行態(tài)勢越正常；若所有曲線出現(xiàn)下行趨勢即概率值隨時間越來越小，則說明系統(tǒng)運行態(tài)勢越來越惡化；反之，若曲線出現(xiàn)上行趨勢，則說明系統(tǒng)運行態(tài)勢越來越良好；若曲線基本穩(wěn)定在一個水平線上，則說明系統(tǒng)運行態(tài)勢穩(wěn)定；曲線穩(wěn)定的水平線越高，則系統(tǒng)運行態(tài)勢越良好。

參照圖3，其為4個示例參數(shù)的實時曲線圖，圖中標(biāo)示出了系統(tǒng)出現(xiàn)異常的區(qū)段和系統(tǒng)處于數(shù)據(jù)盲區(qū)的區(qū)段。

參照圖4，其為示例參數(shù)所對應(yīng)時序系統(tǒng)的運行態(tài)勢圖，圖中不同顏色區(qū)塊代表著不同的概率值，黑色區(qū)塊表示數(shù)據(jù)盲區(qū)。圖中最下面的曲線表示p({a})的概率變化；往上依次分別是p({a,b})、p({a,b,c})和p({a,b,c,d})所對應(yīng)的曲線。由于概率值最大為1.0，所以在圖形最上方個別點上幾條曲線有可能會重疊在一起。圖中可以直觀看出示例系統(tǒng)運行態(tài)勢的量化評估值及其變化趨勢。特別是當(dāng)系統(tǒng)出現(xiàn)明顯異常波動時，系統(tǒng)運行態(tài)勢圖上也有明顯的變化。