描述：心电图是心脏类疾病的常用辅助诊断指标。心电图由于其价格低、无创的特性被广泛用于心脏疾病的预筛查以及体检中。目前，多导联的心电图设备已经广泛应用于临床诊断中，部分设备也已经具有自动分析功能，但自动分析对于心电异常事件的判别还不够精确，需要医生做进一步修改。 因此，本研究基于AI智能技术助力心电异常事件的预测，从而达到提升预测精度的目标。具体而言，本团队将心电图视为一张图片，基于现有顶尖图像预训练技术，利用迁移学习解决心电事件预估问题。该方案使得我们可在短时间为不同平台构建高性能、高可靠性的心电智能事件解决方案。

描述：随着各行各业数字化场景的应用以及业务模式的多样发展，面对海量多样的告警日志，如何能够快速准确有效定位根因，是企业运维面临的一个痛点。 观安智能运维平台首先利用文本相似、Drain算法等提取告警内容模板，统一告警类型，实现了告警降维，挖掘告警事件间的关联性，归并成告警关联事件组，从而完成告警事件的压缩；其次采用动态告警时间窗口，利用无监督异常检测算法、图分析技术，定位根因；最后利用风险评分算法，从多个维度对告警事件进行评分，修正原有告警等级，突出“根因”告警等。 通过观安智能运维平台，提高了告警准确率，降低了运维成本，同时利用关键事件组及知识图谱，预测告警的发生，降低严重运维故障的发生率。

描述：1、数据预处理 （1）方案1：考虑到数据存在不同长度的问题，以多数类长度16001为基准长度，这里采用长度不足16001在末尾补零，长度超过16001的末尾截断的处理。另外考虑到读取csv速度慢，这里完成上述操作之后均转化为mat矩阵文件保存。 （2）方案2：使用重采样统一将心电信号变为长度6666，并以字典形式保存所有数据，方便快速读取。 2、训练方法 （1）以评价指标f1-macro作为早停指标，训练得到总指标得分最高的单模型。 （2）以每个类别的f1得分作为保存模型的依据，一次同时保存18个在每个类别中的最佳模型。

描述：在多个尺度上同时进行卷积，捕捉不同感受野下的特征，特征更为丰富，分类判断时更加准确； 使用相同尺寸的卷积核提取不同导联的特征，能在减小参数量的同时，很好地提升模型的效果。 CNN提取特征+重要的传统特征。 Snapshot Ensemble快照集成得到收敛于多个不同最小值处的模型，然后进行模型集成，有较好的提升效果。

描述：本作品使用模型提取图片特征，计算特征距离，从而判别行人身份。其中，采用 Swin Transformer 作为模型 Backbone，结合随机的数据处理、度量损失函数等技术，并引入外部数据集，解决赛题中数据量少、数据分布不均匀的问题，提高模型准确率。作品中制定了阈值选取策略，通过计算测试集的特征距离，选取特定数量的正反例，绘制 ROC 曲线，作为模型评价与阈值选取的标准，解决新旧行人区分的问题，也可以为不同场景需求提供阈值决策，提高方案的落地性。

描述：问题现状：基础设施监控及告警分析一直是运维行业的痛点，面对海量告警，如何分析并挖掘出优质的关联规则是实现告警预测和根因定位的前提。 解决方案：中国移动通信集团山东有限公司烟台分公司通过自主研发，编写了“基于时间关联的告警聚簇算法”提升了聚簇的准确性和全面性；通过编写“FPGrowth优化算法”，实现了占比较少的关键告警关联规则的生成；通过使用“网格搜索”的思想，将挖掘出关联规则的数量从95条提升到1421条，效果提升了近15倍；通过编写“关键规则筛选算法”过滤掉89%的低价值规则只保留了156条关键规则；通过编写“告警预测算法”实现对未来告警的预测。通过本成果的应用，可以输出较高质量的关联规则，并对未来告警进行预测。