(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111403175.3 (22)申请日 2021.11.24 (71)申请人 中盈优创资 讯科技有限公司 地址 200000 上海市嘉定区安亭镇杭桂 路 1112号10层10 04室-4 (72)发明人 郭兆旭　 (74)专利代理 机构 上海嘉蓝专利代理事务所 (普通合伙) 31407 代理人 金波 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 10/06(2012.01) G06Q 10/00(2012.01) G06K 9/62(2022.01) (54)发明名称 一种基于RF-XGBOOST的业务故障预测方法 及装置 (57)摘要 本发明公开一种基于RF ‑XGBOOST的业务故 障预测方法及装置， 其中， 该方法包括： 建业务监 控指标， 对采集的指标数据进行预处理形成样 本； 将样本数据分为训练集和测试集， 基于训练 集分别构建RF模型和XGBOOST模型， 并通过权重 线性组合两种模型构建RF ‑XGBOOST模型； 基于测 试集对RF ‑XGBOOST模型进行评价； 利用RF ‑ XGBOOST模型对业务进行实时监控， 对预测 故障 的结果进行告警， 并进行告警处置； 对预测错误 的结果通过人工研判进行校正并记录； 将未来一 段时间内的真实数据纳入模型样 本中。 该方法及 装置通过构建RF ‑XGBOOST模型的不断训练， 将机 器学习与专家经验优势互补， 进行 故障预判和预 处理。 权利要求书3页 说明书10页 附图3页 CN 114202110 A 2022.03.18 CN 114202110 A 1.一种基于RF ‑XGBOOST的业务故障预测方法， 其特 征在于， 该 方法包括： 构建业务监控指标， 对 采集的指标 数据进行 预处理形成样本； 将样本数据分为训练集和测试集， 基于训练集分别构 建RF模型和XGBOOST模型， 并通过 权重线性组合两种模型构建RF ‑XGBOOST模型； 基于测试集对RF ‑XGBOOST模型进行评价； 利用RF‑XGBOOST模型对业务进行实时监控， 对预测故障的结果进行告警， 并进行告警 处置； 对预测错 误的结果 通过人工研判进行 校正并记录； 将未来一段时间内的真实数据纳入 模型样本中。 2.根据权利 要求1所述的基于RF ‑XGBOOST的业务故障预测方法， 其特征在于， 所述RF模 型构建过程如下： 选取业务监控指标作为输入变量， 利用训练集构建RF模型， 训练集的样本量为0.8n， n 为样本数量， RF模型的输出 结果为预测值和预测概 率； 假设第i个样本的RF模型预测 值为wi， RF模型预测概率为xi， 则RF模型 的预测概率向量 为X＝(x1,x2,……,x0.8n)； 利用公式(1)计算出RF模型的识别准确率 为α， 公式(1)如下： 其中， T为被预测为正的正样本分类数， P为被预测为正的负样本分类数， Q被预测为负 的正样本分类数。 3.根据权利要求1所述的基于RF ‑XGBOOST的业务故障预测方法， 其特征在于， 所述 XGBOOST模型构建过程如下： 选取业务监控指标作为输入变量， 利用训练集构建XGBOOST模型， 训练集的样本量为 0.8n， n为样本数量， XGBO OST模型的输出 结果为预测值和预测概 率； 假设第i个样本的XGBOOST模型预测值为Wi， XGBOOST模型预测概率为yi， 则XGBOOST模型 的预测概 率向量为Y＝(y1,y2,……,y0.8n)； 利用公式(1)计算出 XGBOOST模型的识别准确率 为β， 公式(1)如下： 其中， T为被预测为正的正样本分类数， P为被预测为正的负样本分类数， Q被预测为负 的正样本分类数。 4.根据权利要求1所述的基于RF ‑XGBOOST的业务故障预测方法， 其特征在于， 所述RF ‑ XGBOOST模型构建过程如下： 假设RF模型的权重为 XGBOOST模型的权重为 则将RF模型的预测概率向量X 和XGBOOST模型的预测概 率向量Y按权 重线性组合的预测概 率向量Z如下： 假设向量Z为RF ‑XGBOOST模型的预测概率向量， RF ‑XGBOOST模型的阈值为ε， 则第i个样 本的RF‑XGBOOST模型预测值为gi：权　利　要　求　书 1/3 页 2 CN 114202110 A 2若RF‑XGBOOST模型预测值gi值为1， 则代表发生故障， 否则未发生故障； 因此， RF ‑ XGBOOST模型预测值向量G如下： G＝(g1,g2,。 。 。 g0.8n)     (4)。 5.根据权利要求1所述的基于RF ‑XGBOOST的业务故障预测方法， 其特征在于， 基于测试 集对RF‑XGBOOST模型进行评价， 包括： 将训练好的RF ‑XGBOOST模型应用到测试集上， 利用公式(1)评价模型的优劣， 公式(1) 如下： 其中， T为被预测为正的正样本分类数， P为被预测为正的负样本分类数， Q被预测为负 的正样本分类数； 若达标则输出最佳的RF ‑XGBOOST模型； 否则重新执行构 建预测模型， 进行参数优化； 若 一直不达标， 重新选取业 务监控指标， 重新构建模型。 6.一种基于RF ‑XGBOOST的业务故障预测装置， 其特 征在于， 该装置包括： 样本采集模块， 用于构建业 务监控指标， 对 采集的指标 数据进行 预处理形成样本； 模型构建模块， 用于将样本数据分为训练集和测试集， 基于训练集分别构建RF模型和 XGBOOST模型， 并通过权 重线性组合两种模型构建RF ‑XGBOOST模型； 模型评价模块， 用于基于测试集对RF ‑XGBOOST模型进行评价； 模型应用模块， 用于利用RF ‑XGBOOST模型对业务进行实时监控， 对预测故障的结果进 行告警， 并进行告警处置； 对预测错 误的结果 通过人工研判进行 校正并记录； 模型优化模块， 用于将未来 一段时间内的真实数据纳入 模型样本中。 7.根据权利 要求6所述的基于RF ‑XGBOOST的业务故障预测装置， 其特征在于， 所述RF模 型构建过程如下： 选取业务监控指标作为输入变量， 利用训练集构建RF模型， 训练集的样本量为0.8n， n 为样本数量， RF模型的输出 结果为预测值和预测概 率； 假设第i个样本的RF模型预测 值为wi， RF模型预测概率为xi， 则RF模型 的预测概率向量 为X＝(x1,x2,……,x0.8n)； 利用公式(1)计算出RF模型的识别准确率 为α， 公式(1)如下： 其中， T为被预测为正的正样本分类数， P为被预测为正的负样本分类数， Q被预测为负 的正样本分类数。 8.根据权利要求6所述的基于RF ‑XGBOOST的业务故障预测装置， 其特征在于， 所述 XGBOOST模型构建过程如下： 选取业务监控指标作为输入变量， 利用训练集构建XGBOOST模型， 训练集的样本量为 0.8n， n为样本数量， XGBO OST模型的输出 结果为预测值和预测概 率；权　利　要　求　书 2/3 页 3 CN 114202110 A 3