具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

本申请提供的电缆接头异常预警方法，可以应用于如图1所示的应用环境中。其中，终端102通过网络与服务器104进行通信，并获取服务器104中历史告警训练数据和历史告警验证数据。终端102可以将历史告警训练数据和历史告警验证数据分别存储在终端102中。服务器104可以进行实时通过传感器监测电缆接头预设的异常维度的采集数据，也可以通过终端102进而终端102通过传感器实时监测电缆接头预设的异常维度的采集数据；通过终端102将所述电缆接头预设的异常维度的采集数据的作为预先构建的预警模型的输入数据进行处理；其中，预警模型是在终端102中用获取的历史告警训练数据对建立的逻辑回归模型进行训练，并利用获取的历史告警验证数据进行验证，通过后得到的模型。也可以是在服务器104中用历史告警训练数据对建立的逻辑回归模型进行训练，以及利用获取的历史告警验证数据进行验证，通过后得到的模型。终端102获取所述预警模型的输出结果，并进行判断，当所述预警模型的输出结果属于预设的异常阈值区间时，触发所述电缆接头的异常预警操作。终端102将异常预警操作发送给服务器104。其中，终端102可以但不限于是各种个人计算机和笔记本电脑，服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。

在一个实施例中，如图2所示，提供了一种电缆接头异常预警方法，以该方法应用于图1中的终端102为例进行说明，包括以下步骤：

S202，实时监测电缆接头预设的异常维度的采集数据，将所述采集数据作为预先构建的预警模型的输入数据进行处理，所述预警模型包括：利用获取的历史告警训练数据对建立的逻辑回归模型进行训练，并利用获取的历史告警验证数据进行验证，通过后得到的模型。

其中，预设的异常维度的采集数据通常指的是系统历史数据库中的导致电缆接头异常的数据。逻辑回归模型通常指的是需要进行报警预测但是还未训练的模型。历史告警训练数据通常指的是训练逻辑回归模型的训练样本，历史告警训练数据中一部分数据类型和上述的预设的异常维度的采集数据是相同的，但是不同的是预设的异常维度的采集数据是通过传感器进行实时监测到的，并不是之前存储在历史数据库中的，而历史告警训练数据和历史告警验证数据是之前存储在历史数据库中的。

历史告警验证数据通常指的是进行测试验证模型是否训练成功的测试样本。预警模型通常指的是进行训练完成后符合标准的逻辑回归模型。

具体地，首先本领域技术人员根据实际作业情况和电缆接头异常状况的各种指标判断出可能导致电缆接头发生异常的因素，即预设的异常维度的采集数据。预设的异常维度的采集数据可以包括“隧道环境温度”、“隧道环境湿度”、“电缆缆表温度”、“电缆接头温度”、“电缆本体电流”、“电缆接地环流”、“电缆局部放电”等。以上的数据都是可以通过相应的传感器采集得到。

通过编程语言在服务器中开发数据采集接口，并且在数据采集接口中进行任务定义，任务定义通常主要是完成需要从历史数据库中抽取数据种类的定义(即获取预设的异常维度的采集数据)、历史告警训练数据数量的配置、历史告警验证数据数量配置、以及数据采集周期配置工作等。

数据采集接口的作用可以是将采集到的样本特征数据存储为固定格式的文本，此处固定格式的文本可以是txt格式的文本、doc格式的文本、docx格式的文本、XLS格式的文本等等。此处的通过编程语言在服务器中开发数据采集接口可以是通过C++语言基于QtCreaort框架开发完成的。本领域技术人员根据实际情况也可以选择JAVA语言、python语言或者是C语言进行开发数据采集接口。

从历史数据库中获取一定数量的历史告警数据；将历史告警数据一部分分为历史告警训练数据，另一部分分为历史告警验证数据。

该历史数据库可以为基于PostgreSql的时序数据库TimescaleDB，使用该数据库的好处是：1、对传感器采集到的数据进行时序优化；2、对传感器采集到的数据进行自动分片(按时间、空间自动分片(chunk))保证存储数据有一定的规律，并且支持时间维度、空间维度自动分区。空间维度指属性字段(例如传感器id(dentity document，识别标识)，用户id等)，在本实施例中主要根据数据id进行分区。3、在查询时优化效果较好。本领域技术人员也可根据实际情况进行选择其他时序数据库，其他时序数据库可以是InfluxDB数据库、KDb数据库、Prometheus数据库、Apache Druid数据库，也可以是GridDB数据库、RRDtool数据库等。

在一些实施方式中，例如，请参阅图3，历史告警数据、历史告警训练数据和历史告警验证数据的文本通常为txt文本，其形式为表格，表格中的每一行通常为一组数据，其中id通常指的是样本数据的编号，id之后的顺序通常依次为隧道环境温度、隧道环境湿度、电缆缆表温度、电缆接头温度、电缆本体电流、电缆接地环流、电缆局部放电，上述id之后的数据即为样本特征数据。最后class通常代表的是每一行中该组样本特征数据是否使得电缆接头异常，即为与所述样本特征数据对应的异常分类数据。若class为0，则该组样本特征数据未使得电缆接头异常，若class为1，则该组样本特征数据使得电缆接头异常。

创建逻辑回归模型，使用逻辑回归模型进行报警预测，此处的创建的逻辑模型通过极大化似然函数的方法，运用梯度下降来求解参数，来达到将数据二分类的目的。因为历史告警训练数据可能会不满足训练逻辑回归模型的条件，所以需要对历史告警训练数据进行预处理，预处理完成后即得到了能够作为训练数据进行训练的预警训练样本，将历史告警训练数据输入至逻辑回归模型进行训练，得到训练后的逻辑回归模型，此时只是将逻辑回归模型训练完成，并不知道该训练完成的逻辑回归模型是否符合标准，因此需要通过历史告警验证数据对训练完成后的逻辑回归模型进行测试验证，才能得到符合最终标准的逻辑回归模型，即预警模型。

S204，获取所述预警模型的输出结果。

S206，当所述预警模型的输出结果属于预设的异常阈值区间时，触发所述电缆接头的异常预警操作。

其中，异常预警操作通常指的进行提示并通知用户电缆接口出现异常的操作和后续的联动第三方平台的操作。预设的异常阈值区间通常是用于判断电缆接头是否异常的区间。

上述电缆接头异常预警方法中，通过历史告警训练数据作为训练样本，并且通过逻辑回归模型和历史告警训练数据完成了对电缆接头异常的训练，进而通过训练完成的预警模型对电缆接头进行异常分析，并触发所述电缆接头的异常预警操作，有效解决了电缆接头异常不能提前预警以及接头异常报警判断维度单一的问题。

在一个实施例中，所述逻辑回归模型训练参数包括：学习率、迭代的次数和初始权重。

历史告警数据、所述历史告警训练数据和所述历史告警验证数据均包括样本特征数据和与所述样本特征数据对应的异常分类数据。

其中，样本特征数据通常指的是可能导致电缆接头发生异常因素的数据，该数据与预设的异常维度的采集数据的类型相同，均包括“隧道环境温度”、“隧道环境湿度”、“电缆缆表温度”、“电缆接头温度”、“电缆本体电流”、“电缆接地环流”、“电缆局部放电”等。与所述样本特征数据对应的异常分类数据通常指的是对应的某一组样本特征数据是否能导致电缆接头异常的数据，即每组数据后的class。

在一个实施例中，如图4所示，所述利用获取的历史告警训练数据对建立的逻辑回归模型进行训练包括：

S302，获取所述历史告警训练数据，判断所述历史告警训练数据是否符合训练所述逻辑回归模型的格式；

S303，若不符合，则将所述历史告警训练数据进行矩阵化处理，得到预警训练样本；若符合，则所述历史告警训练数据为预警训练样本。

其中，矩阵化处理通常指的是将从固定格式的文本中读取到的数据进行矩阵化处理，目的是为了方便计算。

具体的，先获取历史告警训练数据，将历史告警训练数据中的样本特征数据转换为矩阵，再将训练样本中的异常分类数据转换为矩阵，转换后即得到了用作训练的预警训练样本。需要说明的是，此处若历史告警训练数据本身为符合进行训练逻辑回归模型的样本格式，即本身为矩阵，则不需要进行矩阵化处理，历史告警训练数据即为预警训练样本。

转换为矩阵的方式通常使用np.mat()方式，但本领域技术人员也可根据实际需求来进行使用其他转换矩阵的方式，在本实施例中不进行限制。

S304，设置所述逻辑回归模型的训练参数，根据所述训练参数和所述预警训练样本进行循环训练，所述循环训练包括：通过预先选择的激活函数和所述预警训练样本获取误差值，利用所述预警训练样本和所述误差值更新所述逻辑回归训练模型的权重。

其中，激活函数通常指的是Sigmoid函数，Sigmoid函数是机器学习中的一个比较常用的函数，Sigmoid函数常被用作神经网络的激活函数，将变量映射到0和1之间。

具体地，设置逻辑回归模型的训练参数，读取预警训练样本，将训练参数和预警训练样本输入至逻辑回归模型中采用梯度上升算法训练逻辑回归模型，然后通过Sigmoid函数和所述预警训练样本计算误差值，利用误差值、训练参数和所述预警训练样本更新所述逻辑回归训练模型的权重。

其中，逻辑回归模型主要是通过极大化似然函数的方法，运用梯度上升算法来求解参数，来达到将数据二分类的目的。训练参数中的学习率就是梯度的阈值，该值越大，梯度上升幅度越大。

本实施例中，采用逻辑回归模型并通过梯度上升算法进行训练逻辑回归模型，能够达到根据海量的历史数据进行训练逻辑回归模型，进而能够通过该模型实现对电缆接头状态的前瞻性监测预警。

在一个实施例中，如图5所示，所述通过预先选择的激活函数和所述预警训练样本获取误差值，利用所述预警训练样本和所述误差值更新所述逻辑回归训练模型的权重包括：

S402，将所述预警训练样本中样本特征数据和所述初始权重输入至所述激活函数中，通过所述激活函数计算所述样本特征数据和所述初始权重的输出值。

具体地，将预警训练样本中样本特征数据和初始权重值输入至Sigmoid函数中，通过h＝sigmoid(dataMatrix×theta)计算输出值，h为输出值，dataMatrix为所述预警训练样本中样本特征数据，theta为初始权重值。

S403，将所述输出值与所述预警训练样本中样本特征数据对应的所述异常分类数据比较，得到误差值。

具体地，将输出值和异常分类数据作差得到差值，该差值即为误差值。

S404，利用所述误差值、所述学习率、所述初始权重和所述预警训练样本中样本特征数据更新所述逻辑回归训练模型的权重。

具体地，将所述误差值、所述学习率、所述初始权重和所述预警训练样本中样本特征数据输入至权重的计算公式中，通过权重计算公式得到权重值，该权重值即为需要更新的所述逻辑回归训练模型的权重，通过该权重值更新所述逻辑回归训练模型的权重。

在一些实施方式中，需要更新的逻辑回归训练模型的权重的计算公式可以为：theta1＝theta+alpha×dataMatrix.transpose()×error。其中theta1为更新后的所述逻辑回归训练模型的权重，theta为初始权重值，alpha为学习率，dataMatrix.transpose()为所述预警训练样本中样本特征数据进行转置后的矩阵，通过transpose能够把所述预警训练样本中样本特征数据的矩阵的行换成相应的列，得到的新矩阵为转置矩阵，通常矩阵的第一列作为转置矩阵的第一行，第一行作为转置矩阵的第一列。error为误差值。通常情况下进行权重的更新需要对矩阵进行转置。

在一个实施例中，如图6所示，所述利用获取的历史告警验证数据进行验证包括：

S502，获取所述历史告警验证数据中样本特征数据，通过更新权重的所述逻辑回归训练模型计算所述历史告警验证数据中样本特征数据的输出参数。

S504，将所述输出参数与所述异常阈值区间进行比较，根据比较结果得到电缆接头状态，计算所述电缆接头状态与所述历史告警验证数据中异常分类数据的错误率。

S506，将所述错误率和预设的错误率阈值进行比较，若比较通过则得到预警模型。

具体地，当逻辑回归模型训练完成后，获取历史告警验证数据中的所有样本特征数据，利用训练完成的逻辑回归模型，即更新权重后的逻辑回归模型通过Sigmoid函数计算电缆接头异常的概率值，也就是更新权重后的逻辑回归模型计算历史告警验证数据中样本特征数据的输出值，得到一个输出参数，该输出参数的值域为[0，1]，将该输出参数与异常阈值区间进行比较，得到比较结果，根据该比较结果确定电缆接头状态，电缆接头状态包括正常状态或异常状态；

若比较结果为：输出参数属于异常阈值区间，则电缆接头状态为异常状态；

若比较结果为：输出参数不属于异常阈值区间，则电缆接头状态为正常状态。

将该电缆接头状态与对应的历史告警验证数据中的异常分类数据进行比较并计算错误率，进而再将错误率和预先设定的错误率阈值进行比较，若比较通过得到最终的逻辑回归模型，即预警模型。

在一些实施方式中，例如获取测试样本中的样本特征数据为10组数据，将这10组数据依次输入至更新权重后的逻辑回归模型中，通过该更新权重后的逻辑回归模型依次计算10组数据的输出参数，例如输出参数分别0.4、0.3、0.2、0.7、0.5、0.3、0.1、0.05、0.2和0.9，则将上述这10个输出参数分别与异常阈值区间进行比较，得到电缆接头状态。在本实施方式中异常阈值区间可以是[0.5，1]；将不属于异常阈值区间的输出参数对应的样本特征数据的电缆接头的状态定为正常状态，将属于异常阈值的输出参数对应的样本特征数据的电缆接头的状态定为异常状态。

则上述10组数据的电缆接头状态分别为：正常状态、正常状态、正常状态、异常状态、正常状态、正常状态、正常状态、正常状态、正常状态和异常状态。

获取历史告警验证数据中10组样本特征数据对应的异常分类数据，例如获取到10组样本特征数据对应的异常分类数据均为正常状态，进行计算错误率，错误率为0.2。再将错误率和预先设定的错误率阈值进行比较，若比较通过则得到最终的逻辑回归模型，即预警模型。

在一个实施例中，如图7所示，

S602，所述将所述错误率和预先设置的错误率阈值进行比较，若所述错误率低于等于所述错误率阈值，则比较通过，更新权重的所述逻辑回归模型为所述预警模型。

S604，若所述错误率高于所述错误率阈值，则比较未通过，再次利用获取的历史告警训练数据对建立的逻辑回归模型进行训练，重新训练所述逻辑回归模型。

其中，本领域技术人员可以根据不同场景以及不同需求自行设置错误率阈值范围，在本实施例中错误率阈值可以是0.027。

具体地，若所述错误率低于或者等于所述错误率阈值，则证明更新权重的所述逻辑回归模型的训练效果比较好，可以使用该模型进行预测，则该模型即为预警模型。

若所述错误率高于所述错误率阈值，则证明更新权重的所述逻辑回归模型的训练效果比较差，不能使用该模型进行预测，否则会出现预测不准确的问题，则再次利用获取的历史告警训练数据对建立的逻辑回归模型进行训练，进行重新训练该模型并通过历史告警验证数据进行验证。

在一个实施例中，所述当所述预警模型的输出结果属于预设的异常阈值区间时，触发所述电缆接头的异常预警操作包括：

S702，判断所述预警模型的输出结果是否处于异常阈值区间，当所述预警模型的输出结果属于所述异常阈值区间时，则确定所述电缆接头出现异常，触发所述电缆接头的异常预警操作。

S704，当所述预警模型的输出结果不属于所述异常阈值区间时，则确定所述电缆接头未出现异常。

具体地，在一些实施方式中，获取预警模型的输出结果，当输出结果属于异常阈值区间时，则确定所述电缆接头出现异常，触发所述电缆接头的预警操作，保证电缆接头和电缆的安全运行。

在一个实施例中，所述电缆接头的预警操作包括：进行提示通知用户提前采取措施，防止事故的方式。进行提示的方式可以是“语音”、“短信”或“邮件”等方式。并且同时将报警信息传送至第三方平台间联动。联动方式可以是联动视频管理平台进行录像，可以是联通语音平台进行语音播报，也可以是联通PMS(power production management system)系统，通过PMS系统通知巡检人员进行现场勘查等。

通过触发所述电缆接头的预警信息能够及时的通知到用户或者工作人员该电缆接头即将或已经出现故障，能够对故障进行及时的处理，使得用户或者工作人员提前采取措施有效防止事故的发生。

应该理解的是，虽然附图中的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，附图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。

在一个实施例中，如图8所示，提供了一种电缆接头异常预警装置800，包括：模型训练模块801、模型处理模块802和预警分析模型模块803，其中：

模型训练模块801，用于利用获取的历史告警训练数据对建立的逻辑回归模型进行训练，并利用获取的历史告警验证数据进行验证，通过后得到所述预警模型。

模型处理模块802，用于实时监测电缆接头预设的异常维度的采集数据，将所述采集数据作为预先构建的预警模型的输入数据进行处理。

预警分析模块803，用于获取所述预警模型的输出结果；当所述预警模型的输出结果属于预设的异常阈值区间时，触发所述电缆接头的异常预警操作。

所述装置的另一个实施例中，模型训练模块801还包括格式判断处理模块和循环训练模块；

格式判断处理模块用于获取所述历史告警训练数据，判断所述历史告警训练数据是否符合训练所述逻辑回归模型的格式；若不符合，则将所述历史告警训练数据进行矩阵化处理，得到预警训练样本；若符合，则所述历史告警训练数据为预警训练样本；

循环训练模块用于设置所述逻辑回归模型的训练参数，根据所述训练参数和所述预警训练样本进行循环训练，所述循环训练包括：通过预先选择的激活函数和所述预警训练样本获取误差值，利用所述预警训练样本、所述误差值和所述训练参数更新所述逻辑回归训练模型的权重

所述装置的另一个实施例中，逻辑回归模型训练参数包括：学习率、迭代的次数和初始权重；历史告警训练数据和所述历史告警验证数据均包括样本特征数据和与所述样本特征数据对应的异常分类数据。

在一个实施例中，模型训练模块801还包括第一计算模块、第二计算模块和权重更新模块；

第一计算模块用于将所述预警训练样本中样本特征数据和所述初始权重输入至所述激活函数中，通过所述激活函数计算所述样本特征数据和所述初始权重的输出值；

第二计算模块用于将所述输出值和与所述预警训练样本中样本特征数据对应的所述异常分类数据比较，得到误差值；

权重更新模块用于利用所述误差值、所述学习率、所述初始权重和所述预警训练样本中样本特征数据更新所述逻辑回归训练模型的权重。

所述装置的另一个实施例中，模型训练模块801还包括第三计算模块、第四计算模块和比较模块；

第三计算模块用于获取所述历史告警验证数据中样本特征数据，通过更新权重的所述逻辑回归训练模型计算所述历史告警验证数据中样本特征数据的输出参数；

第四计算模块用于计算所述电缆接头状态与所述历史告警验证数据中异常分类数据的错误率；

比较模块用于将所述输出参数与所述异常阈值区间进行比较，根据比较结果得到电缆接头状态；

比较模块用于将所述错误率和预设的错误率阈值进行比较，若所述错误率低于等于所述错误率阈值，则比较通过，更新权重的所述逻辑回归模型为所述预警模型，若所述错误率高于所述错误率阈值，则比较未通过，再次利用获取的历史告警训练数据对建立的逻辑回归模型进行训练，重新训练所述逻辑回归模型。

所述装置的另一个实施例中，预警分析模块803还包括预警判断模块和异常警告模块；

所述预警判断模块用于判断所述预警模型的输出结果是否处于异常阈值区间；

所述异常警告模块用于当所述预警模型的输出结果属于所述异常阈值区间时，则确定所述电缆接头出现异常，触发所述电缆接头的异常预警操作；当所述预警模型的输出结果不属于所述异常阈值区间时，则确定所述电缆接头未出现异常。

关于电缆接头异常预警装置的具体限定可以参见上文中对于电缆接头异常预警方法的限定，在此不再赘述。上述电缆接头异常预警装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于电子设备中的处理器中，也可以以软件形式存储于电子设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

在一个实施例中，提供了一种电子设备，该电子设备可以是服务器，其内部结构图可以如图9所示。该电子设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该电子设备的处理器用于提供计算和控制能力。该电子设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该电子设备的数据库用于存储采集数据、历史告警训练数据和历史告警测试数据。该电子设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种电缆接头异常预警方法。

本领域技术人员可以理解，图9中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的电子设备的限定，具体的电子设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

在一个实施例中，提供了一种电子设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：

实时监测电缆接头预设的异常维度的采集数据，将所述采集数据作为预先构建的预警模型的输入数据进行处理，所述预警模型包括：利用获取的历史告警训练数据对建立的逻辑回归模型进行训练，并利用获取的历史告警验证数据进行验证，通过后得到的模型；

获取所述预警模型的输出结果；

当所述预警模型的输出结果属于预设的异常阈值区间时，触发所述电缆接头的异常预警操作。

在所述电子设备的另一个实施例中，处理器执行计算机程序时还实现以下步骤：获取所述历史告警训练数据，判断所述历史告警训练数据是否符合训练所述逻辑回归模型的格式；若不符合，则将所述历史告警训练数据进行矩阵化处理，得到预警训练样本；若符合，则所述历史告警训练数据为预警训练样本；设置所述逻辑回归模型的训练参数，根据所述训练参数和所述预警训练样本进行循环训练，所述循环训练包括：通过预先选择的激活函数和所述预警训练样本获取误差值，利用所述预警训练样本、所述误差值和所述训练参数更新所述逻辑回归训练模型的权重。

在所述电子设备的另一个实施例中，所述逻辑回归模型训练参数包括：学习率、迭代的次数和初始权重；所述历史告警训练数据和所述历史告警验证数据均包括样本特征数据和与所述样本特征数据对应的异常分类数据。

在所述电子设备的另一个实施例中，处理器执行计算机程序时还实现以下步骤：将所述预警训练样本中样本特征数据和所述初始权重输入至所述激活函数中，通过所述激活函数计算所述样本特征数据和所述初始权重的输出值；将所述输出值和与所述预警训练样本中样本特征数据对应的所述异常分类数据比较，得到误差值；利用所述误差值、所述学习率、所述初始权重和所述预警训练样本中样本特征数据更新所述逻辑回归训练模型的权重。

在所述电子设备的另一个实施例中，处理器执行计算机程序时还实现以下步骤：获取所述历史告警验证数据中样本特征数据，通过更新权重的所述逻辑回归训练模型计算所述历史告警验证数据中样本特征数据的输出参数；将所述输出参数与所述异常阈值区间进行比较，根据比较结果得到电缆接头状态；计算所述电缆接头状态与所述历史告警验证数据中异常分类数据的错误率；将所述错误率和预设的错误率阈值进行比较，若所述错误率低于等于所述错误率阈值，则比较通过，更新权重的所述逻辑回归模型为所述预警模型。

在所述电子设备的另一个实施例中，处理器执行计算机程序时还实现以下步骤：若所述错误率高于所述错误率阈值，则比较未通过，再次利用获取的历史告警训练数据对建立的逻辑回归模型进行训练，重新训练所述逻辑回归模型。

在所述电子设备的另一个实施例中，处理器执行计算机程序时还实现以下步骤：判断所述预警模型的输出结果是否处于异常阈值区间，当所述预警模型的输出结果属于所述异常阈值区间时，则确定所述电缆接头出现异常，触发所述电缆接头的异常预警操作；当所述预警模型的输出结果不属于所述异常阈值区间时，则确定所述电缆接头未出现异常。

在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：

实时监测电缆接头预设的异常维度的采集数据，将所述采集数据作为预先构建的预警模型的输入数据进行处理，所述预警模型包括：利用获取的历史告警训练数据对建立的逻辑回归模型进行训练，并利用获取的历史告警验证数据进行验证，通过后得到的模型；

获取所述预警模型的输出结果；

当所述预警模型的输出结果属于预设的异常阈值区间时，触发所述电缆接头的异常预警操作。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：获取所述历史告警训练数据，判断所述历史告警训练数据是否符合训练所述逻辑回归模型的格式；若不符合，则将所述历史告警训练数据进行矩阵化处理，得到预警训练样本；若符合，则所述历史告警训练数据为预警训练样本；设置所述逻辑回归模型的训练参数，根据所述训练参数和所述预警训练样本进行循环训练，所述循环训练包括：通过预先选择的激活函数和所述预警训练样本获取误差值，利用所述预警训练样本、所述误差值和所述训练参数更新所述逻辑回归训练模型的权重。

在一个实施例中，所述逻辑回归模型训练参数包括：学习率、迭代的次数和初始权重；所述历史告警训练数据和所述历史告警验证数据均包括样本特征数据和与所述样本特征数据对应的异常分类数据。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：将所述预警训练样本中样本特征数据和所述初始权重输入至所述激活函数中，通过所述激活函数计算所述样本特征数据和所述初始权重的输出值；将所述输出值和与所述预警训练样本中样本特征数据对应的所述异常分类数据比较，得到误差值；利用所述误差值、所述学习率、所述初始权重和所述预警训练样本中样本特征数据更新所述逻辑回归训练模型的权重。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：获取所述历史告警验证数据中样本特征数据，通过更新权重的所述逻辑回归训练模型计算所述历史告警验证数据中样本特征数据的输出参数；将所述输出参数与所述异常阈值区间进行比较，根据比较结果得到电缆接头状态；计算所述电缆接头状态与所述历史告警验证数据中异常分类数据的错误率；将所述错误率和预设的错误率阈值进行比较，若所述错误率低于等于所述错误率阈值，则比较通过，更新权重的所述逻辑回归模型为所述预警模型。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：若所述错误率高于所述错误率阈值，则比较未通过，再次利用获取的历史告警训练数据对建立的逻辑回归模型进行训练，重新训练所述逻辑回归模型。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：判断所述预警模型的输出结果是否处于异常阈值区间，当所述预警模型的输出结果属于所述异常阈值区间时，则确定所述电缆接头出现异常，触发所述电缆接头的异常预警操作；当所述预警模型的输出结果不属于所述异常阈值区间时，则确定所述电缆接头未出现异常。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory，ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic Random Access Memory，DRAM)等。

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。