[發(fā)明專利]目標設備識別方法、電子設備及介質

有效

• 申請?zhí)枺?/td>: 202011257344.2
• 申請日: 2020-11-12
• 公開（公告）號: CN112101485B
• 公開（公告）日: 2021-02-05
• 發(fā)明（設計）人: 陳玉琪;朱金星;張靜雅
• 申請（專利權）人: 北京云真信科技有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N5/00
• 代理公司: 北京鍾維聯合知識產權代理有限公司 11579
• 代理人: 丁慧玲

1.一種目標設備識別方法，其特征在于，包括：

步驟S1、獲取多個樣本設備信息，構建訓練集，所述樣本設備包括目標設備和非目標設備；

步驟S2、基于預設的第一算法框架將所述訓練集的樣本數據進行預處理；

步驟S3、基于預設的第二算法框架獲取預設模型的超參數，所述預設模型包括多個子模型；

步驟S4、基于預設的第一算法框架、預處理后的訓練集的樣本數據、預設模型的超參數進行模型訓練，得到設備分類模型；

所述步驟S4包括：

步驟S41、基于預設的第一算法框架和預設模型的超參數對預設模型中的子模型自動分配對應的權重值并進行集成，將預處理后的訓練集的樣本數據輸入集成模型中進行訓練，得到集成模型對應的待訓練模型參數、精確度、穩(wěn)定度以及每一子模型對應的權重；

步驟S42、基于所有訓練得到的集成模型對應的待訓練模型參數、精確度、穩(wěn)定度以及每一子模型對應的權重生成模型參數列表，并將所述模型參數列表呈現在信息交互界面上；

步驟S43、接收用戶輸入的參數選擇指令，根據所述選擇指令確定所述設備分類模型對應的待訓練模型參數、精確度、穩(wěn)定度以及每一子模型對應的權重，從而得到所述設備分類模型；

步驟S5、獲取待測設備對應的自變量特征向量并輸入所述設備分類模型，得到分類預測值，判斷所述分類預測值是否大于預設的分類閾值，若大于，則確定所述待測設備為目標設備。

2.根據權利要求1所述的方法，其特征在于，

所述步驟S1包括：

步驟S11、獲取多個樣本設備的設備id；

步驟S12、從預設的數據庫中獲取每一設備id對應的預設時間段內登陸過的wifi地址信息和app行為信息；

步驟S13、基于每一設備id對應的預設時間段內登陸過的wifi地址信息和app行為信息構建自變量特征，目標設備對應的分類實際值為1，非目標設備對應的分類實際值為0；

步驟S14、根據預設的映射表，將每一自變量特征轉換為自變量特征向量，所述映射表中包括自變量特征和唯一轉換數值之間的映射關系，從而構建自變量特征向量；

步驟S15、基于每一設備id對應的自變量特征向量和對應的分類實際值構建所述訓練集。

3.根據權利要求2所述的方法，其特征在于，

所述步驟S2包括：

步驟S21、檢測每一待輸入模型的自變量，若存在空白字段，則采用mising字段填充所述空白字段；

步驟S22、根據預設的第一算法框架的統(tǒng)一化處理規(guī)則，將所有經過步驟S21處理后的自變量特征向量進行統(tǒng)一化處理。

4.根據權利要求1所述的方法，其特征在于，

所述步驟S3包括：

步驟S31、獲取預設模型的每一超參數對應的待選擇的數據集；

步驟S32、隨機從每一超參數對應的待選擇的數據集中選擇一個數據，組成超參數組合；

步驟S33、循環(huán)執(zhí)行步驟S32預設M次，得到M組超參數組合；

步驟S34、從所述M組超參數組合中確定最優(yōu)超參數組合作為所述預設模型的超參數。

5.根據權利要求4所述的方法，其特征在于，

步驟S32中采用隨機搜索算法或者TPE算法隨機從每一超參數對應的待選擇的數據集中選擇一個數據。

6.根據權利要求1-5中任意一項所述的方法，其特征在于，

所述第一算法框架為auto_sklearn算法框架，所述第二算法框架為Hyperopt算法框架。

7.根據權利要求6所述的方法，其特征在于，

所述預設模型為GBDT模型。

8.一種電子設備，其特征在于，包括：

至少一個處理器；

以及，與所述至少一個處理器通信連接的存儲器；

其中，所述存儲器存儲有可被所述至少一個處理器執(zhí)行的指令，所述指令被設置為用于執(zhí)行前述權利要求1-7任一項所述的方法。

9.一種計算機可讀存儲介質，其特征在于，存儲有計算機可執(zhí)行指令，所述計算機可執(zhí)行指令用于執(zhí)行前述權利要求1-7中任一項所述的方法。