优秀毕业设计：基于transformer的序列数据二分类完整代码+数据可直接运行

# tansformer- 利用transformer对告警序列进行预测 ### 一、原始数据 该数据来自于中国移动举办的基站退服告警预测。（网址：https://js.aiiaorg.cn/match/matchitem/85） 数据形式如下： 告警开始时间 基站名称 告警名称 2019/12/23 15:31 ACZDoAAEEAAAI1wAC8 BBU风扇堵转告警 2019/12/23 16:23 ACZDoAAEEAAAI1wAC8 BBU风扇堵转告警 2019/12/23 16:23 ACZDoAAEEAAAI1wAC8 BBU风扇堵转告警 2019/12/23 17:18 ACZDoAAEEAAAI1wAC8 BBU风扇堵转告警 2019/12/25 15:12 ACZDoAAEEAAAI1wAC8 X2接口故障告警 2019/12/31 7:00 ACZDoAAEEAAAI1wAC8 BBU风扇堵转告警 2019/12/31 10:18 ACZDoAAEEAAAI1wAC8 X2接口故障告警 2020/1/1 9:09 ACZDoAAEEAAAI1wAC8 小区接收通道干扰噪声功率不平衡告警 2020/1/1 16:56 ACZDoAAEEAAAI1wAC8 小区接收通道干扰噪声功率不平衡告警 2020/1/1 19:09 ACZDoAAEEAAAI1wAC8 小区接收通道干扰噪声功率不平衡告警 2020/1/3 9:12 ACZDoAAEEAAAI1wAC8 X2接口故障告警 2020/1/5 10:29 ACZDoAAEEAAAI1wAC8 网元连接中断 ### 二、目的 预测未来1天是否会出现重要告警（重要告警有两类，分别是网元连接中断和小区服务中断。） 数据存在严重的样本不平衡现象（label1 : label0 = 0.07:1）。 ### 三、transformer 将某个基站的前7天的告警名称作为文本序列，经过embedding（word2vector）后输入到transformer模型中。 因为数据存在样本不平衡现象，故在构建batch样本时，特意挑选50%的正样本，挑选50%的负样本，这样可以在 一定程度上缓解过拟合。当对loss函数根据样本比例去调整，模型效果并没有变好。不知道什么原因。 ### 四、模型效果 模型验证集负的log交叉熵只能下降到0.44（前1000个iter即可），当训练集的loss继续下降时，验证机却下降不了。 提交线上的成绩最高0.5（f1 score）。 ### 五、模型改进 如果以后有改进的方向，再加上来。