CN109190979A - 一种工业物联网数据分析方法、系统及相关设备 - Google Patents

一种工业物联网数据分析方法、系统及相关设备 Download PDF

Info

Publication number
CN109190979A
CN109190979A CN201811023029.6A CN201811023029A CN109190979A CN 109190979 A CN109190979 A CN 109190979A CN 201811023029 A CN201811023029 A CN 201811023029A CN 109190979 A CN109190979 A CN 109190979A
Authority
CN
China
Prior art keywords
matrix
characteristic value
time series
target sequence
sequence
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201811023029.6A
Other languages
English (en)
Inventor
吴刚
黄丹昱
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Mixlinker Network Co Ltd
Original Assignee
Shenzhen Mixlinker Network Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shenzhen Mixlinker Network Co Ltd filed Critical Shenzhen Mixlinker Network Co Ltd
Priority to CN201811023029.6A priority Critical patent/CN109190979A/zh
Publication of CN109190979A publication Critical patent/CN109190979A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"

Landscapes

  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Marketing (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Educational Administration (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请实施例提供了一种工业物联网数据分析方法、系统及相关设备，用于降低多元时间序列分析的维度，基于多元时间序列模型实现工业设备的参数指标的智能预测。本申请实施例方法包括：根据至少两个参数指标对应的时间序列构建第一矩阵，并计算第一矩阵对应的相关系数矩阵；计算所述相关系数矩阵的特征值及各个特征值关联的特征向量；根据所述相关系数矩阵的特征值及各个特征值关联的特征向量计算各个参数指标的综合权重值；根据各个参数指标的综合权重值大小，选择排序靠前的预置数量的参数指标对应的时间序列作为目标序列；根据各个所述目标序列构建多元时间序列分析模型；根据所述多元时间序列分析模型计算各个目标序列对应的参数指标未来周期的预测值。

Description

一种工业物联网数据分析方法、系统及相关设备
技术领域
本申请涉及物联网技术领域，尤其涉及一种工业物联网数据分析方法、系统及相关设备。
背景技术
由于工业物联网的数据具有非常强的时间属性，而且具有顺序发生特性和顺序积累特性。也就是说，一个指标所上报的所有数据，都可以视为一个以时间为重要参数的函数，历史数据对未来的发展有一定影响，并且下一个时间节点的数值是一定显著性水平下所能预测的。考虑设备的整体运行状态，仅仅研究一两个参数是片面的，尽可能多的加入参数，可以增加对设备的把控。
但是，在实际物联网设备中，参数指标的数量非常多，在计算量或者反映整体的角度来说，将所有参数指标都进行研究是没有必要的。现有方案中，往往是根据人工的经验选择必要的有参数指标进行监控，往往具有较大的主观性。若参数指标选择不合理，例如，参数指标过多，增加计算量，浪费资源，若参数指标过少，则不能包含设备运行状态信息。
有鉴于此，有必要提出一种新的工业物联网数据分析方法，合理的选择能反映设备整体运行状态的参数指标。
发明内容
本申请实施例提供了一种工业物联网数据分析方法、系统及相关设备，用于降低多元时间序列分析的维度，基于多元时间序列模型实现工业设备的参数指标的智能预测。
本申请实施例第一方面提供了一种工业物联网数据分析方法，其特征在于，包括：
根据至少两个参数指标对应的时间序列构建第一矩阵，并计算第一矩阵对应的相关系数矩阵；
计算所述相关系数矩阵的特征值及各个特征值关联的特征向量；
根据所述相关系数矩阵的特征值及各个特征值关联的特征向量计算各个参数指标的综合权重值；
根据各个参数指标的综合权重值大小，选择排序靠前的预置数量的参数指标对应的时间序列作为目标序列；
根据各个所述目标序列构建多元时间序列分析模型；
根据所述多元时间序列分析模型计算各个目标序列对应的参数指标未来周期的预测值。
可选的，作为一种可能的实施方式，本申请实施例中，所述根据所述相关系数矩阵的特征值及各个特征值关联的特征向量计算各个参数指标的综合权重值，包括：
计算各个特征值占所有特征值之和的比例，作为对应的特征值贡献率；
根据累计贡献率不小于第一阈值的原则，筛选出排序靠前的特征值；
根据保留的各个特征值对应的特征向量构建第二矩阵；
将保留的各个特征值的平方根分别乘以所述第二矩阵中对应的特征向量，得到第三矩阵；
按照所述第二矩阵中特征向量的排列顺序，将对应的特征值贡献率依次排列构造第四矩阵；
将所述第三矩阵乘以所述第四矩阵得到综合评价矩阵，所述综合评价矩阵中的每一维数据的绝对值分别对应一个参数指标的综合权重值。
可选的，作为一种可能的实施方式，本申请实施例中，所述根据各个所述目标序列构建多元时间序列分析模型，包括：
采用单位根检验算法校验各个所述目标序列是否平稳；
若平稳，则构造各个所述目标序列对应的自回归滑动平均ARMAX模型；
若不平稳，则对各个所述目标序列进行差分处理之后构建差分整合移动平均自回归ARIMAX模型。
可选的，作为一种可能的实施方式，本申请实施例中工业物联网数据分析方法，还包括：
采用所述多元时间序列分析模型对所述目标序列进行数据拟合计算，得到所述目标序列中各个时刻的原始数据对应的预测数据；
计算各个所述目标序列中各个时刻的原始数据与对应的预测数据的差值，形成残差序列；
校验所述残差序列是否满足预置条件；
若不满足，则重新构造各个所述目标序列对应的多元时间序列分析模型，直到重新构造的多元时间序列分析模型对应的残差序列满足预置条件为止。
可选的，作为一种可能的实施方式，本申请实施例中，所述校验所述残差序列是否满足预置条件，包括：
校验所述残差序列是否为白噪声序列；
校验所述残差序列是否符合正态分布；
若所述残差序列为白噪声序列，且符合正态分布，则确定所述残差序列满足预置条件。
本申请实施例第二方面提供了一种工业物联网数据分析系统，其特征在于，包括：
第一计算模块，用于根据至少两个参数指标对应的时间序列构建第一矩阵，并计算第一矩阵对应的相关系数矩阵；
第二计算模块，用于计算所述相关系数矩阵的特征值及各个特征值关联的特征向量；
第三计算模块，用于根据所述相关系数矩阵的特征值及各个特征值关联的特征向量计算各个参数指标的综合权重值；
选择模块，用于根据各个参数指标的综合权重值大小，选择排序靠前的预置数量的参数指标对应的时间序列作为目标序列；
构造模块，用于根据各个所述目标序列构建多元时间序列分析模型；
第四计算模块，用于根据所述多元时间序列分析模型计算各个目标序列对应的参数指标未来周期的预测值。
可选的，作为一种可能的实施方式，本申请实施例中的所述第三计算模块，包括：
第一计算单元，用于计算各个特征值占所有特征值之和的比例，作为对应的特征值贡献率；
筛选单元，用于根据累计贡献率不小于第一阈值的原则，筛选出排序靠前的特征值；
第一构建单元，用于根据保留的各个特征值对应的特征向量构建第二矩阵；
第二计算单元，用于将保留的各个特征值的平方根分别乘以所述第二矩阵中对应的特征向量，得到第三矩阵；
第二构建单元，用于按照所述第二矩阵中特征向量的排列顺序，将对应的特征值贡献率依次排列构造第四矩阵；
第三计算单元，用于将所述第三矩阵乘以所述第四矩阵得到综合评价矩阵，所述综合评价矩阵中的每一维数据的绝对值分别对应一个参数指标的综合权重值。
可选的，作为一种可能的实施方式，本申请实施例中的所述构造模块，包括：
第一校验单元，用于采用单位根检验算法校验各个所述目标序列是否平稳；
第一构造单元，若各个所述目标序列平稳，则构造各个所述目标序列对应的自回归滑动平均ARMAX模型；
第二构造单元，若各个所述目标序列不平稳，则对各个所述目标序列进行差分处理之后构建差分整合移动平均自回归ARIMAX模型。
可选的，作为一种可能的实施方式，本申请实施例中工业物联网数据分析系统，还包括：
第五计算模块，用于采用所述多元时间序列分析模型对所述目标序列进行数据拟合计算，得到所述目标序列中各个时刻的原始数据对应的预测数据；
第六计算模块，用于计算各个所述目标序列中各个时刻的原始数据与对应的预测数据的差值，形成残差序列；
校验模块，用于校验所述残差序列是否满足预置条件；
循环模块，若所述残差序列不满足，则触发所述构造模块，重新构造各个所述目标序列对应的多元时间序列分析模型，直到重新构造的多元时间序列分析模型对应的残差序列满足预置条件为止。
可选的，作为一种可能的实施方式，本申请实施例中的所述校验模块，包括：
第二校验单元，用于校验所述残差序列是否为白噪声序列；
第三校验单元，用于校验所述残差序列是否符合正态分布；
判断单元，若所述残差序列为白噪声序列，且符合正态分布，则确定所述残差序列满足预置条件。
本申请实施例第三方面提供了一种计算机装置，其特征在于，所述计算机装置包括处理器，所述处理器用于执行存储器中存储的计算机程序时实现如第一方面及第一方面中任意一种可能的实施方式中的步骤。
本申请实施例第四方面提供了一种计算机可读存储介质，其上存储有计算机程序，其特征在于：所述计算机程序被处理器执行时实现如第一方面及第一方面中任意一种可能的实施方式中的步骤。
从以上技术方案可以看出，本申请实施例具有以下优点：
本申请实施例中，基于物联网采集工业设备的至少两个参数指标对应的采样值，分别形成各个参数指标对应的时间序列，并基于各个指标对应的时间序列构建第一矩阵，之后借助于相关系数矩阵实现第一矩阵的正交变换，将原来存在关联的参数指标组成的原始向量映射成彼此不相关的新随机向量，并基于新的随机向量组成的相关系数矩阵的特征值及各个特征值关联的特征向量计算各个参数指标的综合权重值，然后根据各个参数指标的综合权重值大小，选择排序靠前的预置数量的参数指标对应的时间序列作为目标序列，构建多元时间序列分析模型计算各个目标序列对应的参数指标未来周期的预测值。本申请实施例不仅降低了多元时间序列分析的维度，合理的选择包含工业设备总体运行状态的参数指标，还可以根据多元时间序列分析模型对工业设备的运行状态进行监测和预测，为智能调整工业设备的运行状态提供了依据，有利于提高生产效率。
附图说明
图1为本申请实施例中一种工业物联网数据分析方法的一个实施例示意图；
图2为本申请实施例中根据相关系数矩阵的特征值及各个特征值关联的特征向量计算各个参数指标的综合权重值的具体流程示意图；
图3为本申请实施例中一种工业物联网数据分析方法的另一个实施例示意图；
图4为本申请实施例中一种工业物联网数据分析系统的一个实施例示意图；
图5为本申请实施例中一种工业物联网数据分析系统中第三计算模块的功能细化示意图；
图6为本申请实施例中一种工业物联网数据分析系统中构造模块的功能细化示意图；
图7为本申请实施例中一种工业物联网数据分析系统的另一个实施例示意图；
图8为本申请实施例中一种工业物联网数据分析系统中校验模块的功能细化示意图；
图9为本申请实施例中一种计算机装置的一个实施例示意图。
具体实施方式
本申请实施例提供了一种工业物联网数据分析方法、系统及相关设备，用于降低多元时间序列分析的维度，基于多元时间序列模型实现工业设备的参数指标的智能预测。
为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分的实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。
本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
由于工业物联网的数据具有非常强的时间属性，而且具有顺序发生特性和顺序积累特性。也就是说，一个指标所上报的所有数据，都可以视为一个以时间为重要参数的函数，历史数据对未来的发展有一定影响，并且下一个时间节点的数值是一定显著性水平下所能预测的。所以在进行趋势研究的时候，我们可以判断参数的变化规律，下一个预测区间里面，参数变化程度的可能性。也就是，利用最近的m个样本，t1至tm时刻，计算出tm+1，然后，利用m+1个样本，根据工业数据的特性，采用工业物联网数据分析方法预测下一个时间段的数据和区间预测，推测参数的变化规律。
但是，在实际物联网设备中，参数指标的数量非常多，在计算量或者反映整体的角度来说，将所有参数指标都进行研究是没有必要的。本申请实施例首先所有参数进行降维，在提取的信息足够多的同时，尽量减少繁重的计算量与误差，再根据时间序列分析方法，判断平稳性、阶数之后，拟合差分方程，选取显著性水平，并由此根据模型的残差的平稳性和随机性判断模型的好坏，以及是否需要重新拟合，抽取数据更多的信息。经过检验过后，最后进行趋势预测。
为了便于理解，下面对本申请实施例中的具体流程进行描述，请参阅图1，本申请实施例中一种工业物联网数据分析方法的一个实施例可包括：
101、根据至少两个参数指标对应的时间序列构建第一矩阵，并计算第一矩阵对应的相关系数矩阵。
本申请实施例中，降维分析的主要是减少原始数据的噪音和冗余，降低过度拟合的可能性，根据实际需要从中可以取出几个较少的总和变量尽可能多地反映原来变量的信息。本申请实施例中可以周期性的采集工业设备的至少两个参数指标对应的采样值，分别形成各个参数指标对应的时间序列，每一个时间序列可以作为一个维度，构造多维向量，并采用预定的算法进行降维分析。
具体的，本申请实施例可以根据至少两个参数指标对应的时间序列构建第一矩阵，并对第一矩阵进行正交变换，计算第一矩阵对应的相关系数矩阵，具体的相关系数矩阵的计算方法为现有技术，此处不做赘述。
102、计算相关系数矩阵的特征值及各个特征值关联的特征向量。
由于相关系数矩阵的各个不同的特征值关联的特征向量是线性不相关的，基于相关系数矩阵的特征值及各个特征值关联的特征向量可以将原始时间序列中，原来众多具有一定相关性各个指标，重新组合成一组新的互相无关的综合指标来代替原来的指标，以便于消除冗余。
103、根据相关系数矩阵的特征值及各个特征值关联的特征向量计算各个参数指标的综合权重值。
本申请实施例可以基于相关系数矩阵的特征值及各个特征值关联的特征向量为各个参数指标分配综合权重值。例如，可以基于各个参数对应的特征值占所有特征值之和的比例作为各个参数的综合权重值，也可以采用相关系数矩阵的特征值及各个特征值关联的特征向量综合计算各个参数的综合权重值，具体的方式此处不做限定。
可选的，作为一种可能的实施方式，请参阅图2，本申请实施例中，优选的，根据相关系数矩阵的特征值及各个特征值关联的特征向量计算各个参数指标的综合权重值的具体流程可包括：
201、计算各个特征值占所有特征值之和的比例，作为对应的特征值贡献率。
本申请实施例中，参照广义主成分分析法，相关系数矩阵中的各个成分对应的特征值越大，则该成分对应的参数指标对总方差的影响越大。本申请实施例中，可以计算各个特征值占所有特征值之和的比例，作为对应的特征值贡献率，并根据特征值贡献率筛选出排序靠前的特征值。
202、根据累计贡献率不小于第一阈值的原则，筛选出排序靠前的特征值。
具体的，根据累计贡献率不小于第一阈值的原则，进行第一次筛选，筛选出排序靠前的特征值。例如，若第一阈值取值85％，则选择筛选出排序靠前，且累计特征值贡献率不小于85％的特征值，而剩余的贡献率相对较小的特征值被剔除。
203、根据保留的各个特征值对应的特征向量构建第二矩阵。
在第一次特征值筛选之后，可以根据保留的各个特征值对应的特征向量构建第二矩阵，具体的，可以将每一维特征向量作为一个列向量，构建第二矩阵。例如，采集20个参数指标的时间序列，对应的相关系数矩阵为20*20的矩阵，对应的特征值也是20个，如果进过第一次筛选，剔除5个特征值及其对应的特征向量，则对应的第二矩阵为20*15的矩阵。
204、将保留的各个特征值的平方根分别乘以第二矩阵中对应的特征向量，得到第三矩阵。
将每一个特征值分别与第二矩阵中的一个列向量对应，根据这种对应关系，可以将第二矩阵的每一列向量的各个分量都乘以对应的特征值的平方根乘得到第三矩阵。
205、按照第二矩阵中特征向量的排列顺序，将对应的特征值贡献率依次排列构造第四矩阵。
按照第二矩阵中各个列向量的排列顺序，可以将各个列向量对应的特征值贡献率作为一个维度，依次排列构造第四矩阵，该第四矩阵为一个列向量
206、将第三矩阵乘以第四矩阵得到综合评价矩阵，综合评价矩阵中的每一维数据的绝对值分别对应一个参数指标的综合权重值。
将第三矩阵乘以第四矩阵得到综合评价矩阵。具体的，例如，采集20个参数指标的时间序列，对应的相关系数矩阵为20*20的矩阵，对应的特征值也是20个，如果进过第一次筛选，剔除5个特征值，则对应的第二矩阵为20*15的矩阵，第三矩阵为20*15的矩阵，第四矩阵为15*1的矩阵，将第三矩阵与第四矩阵相乘得到20*1的综合评价矩阵，综合评价矩阵中的每一维数据的绝对值分别对应一个参数指标的综合权重值。
104、根据各个参数指标的综合权重值大小，选择排序靠前的预置数量的参数指标对应的时间序列作为目标序列。
在得到每一个参数指标的综合权重值之后，可以根据用户的需求选择排序靠前的预置数量的参数指标对应的时间序列作为目标序列。
105、根据各个目标序列构建多元时间序列分析模型。
在选取目标序列之后，可以根据各个目标序列构建多元时间序列分析模型，对目标序列对应的参数指标进行预测，及时掌控工业设备的运行状态。
具体的，在获取到目标序列之后，可以依据目标序列的平稳性构造对应的多元时间序列分析模型。可选的，作为一种可能的实施方式，本申请实施例可以采用单位根检验算法校验时间序列是否平稳；若平稳，则构造目标序列对应的自回归滑动平均ARMAX模型；若不平稳，则对目标序列进行差分处理之后构建差分整合移动平均自回归模型ARIMAX模型。
在确定预置时间序列分析算法之后，系统可以将时间序列输入初始算法模型中按照预置的时间序列分析算法进行训练得到预置时间序列分析算法函数模型中的待定参数值，生成成熟的时间序列分析模型，以用于对时间序列中的数据进行预测计算，本申请实施例仅以ARMAX模型的建立为例进行说明，首先进行ARMAX中(p，q)的判断。判断p，q阶数的方法有四种。法一：运用自相关系数、偏自相关系数判断截尾拖尾现象，确认p，q。法二：运用AIC准则、SBC准则确定最佳模型阶数，法三，设置p、q的最大值，穷举范围中所有的模型，并计算出所有模型的残差方差，取残差方差最小的模型为最优模型。
其中，残差方差的估计式为δ2＝模型的剩余平方和/(实际观察值个数-模型的参数个数)
法四：用F检验对ARMAX(2n，2n-1)为单位进行模型删选。采用过拟合的方法，先对观察数据用ARMAX(2n，2n-1)对数据进行拟合，再计算更高阶数的模型，用F检验准则判断两个模型之间是否存在显著性差异。如果差异显著，则说明模型的阶数仍存在升高的可能性。否则模型阶数可以降低。
在确定断p，q阶数之后便可以将目标序列中的原始采样数据带入具体的ARMAX模型或ARIMAX模型中计算对应的模型参数，具体的模型参数求解过程为现有技术，此处不做赘述。
106、根据多元时间序列分析模型计算各个目标序列对应的参数指标未来周期的预测值。
构建多元时间序列分析模型之后，可以基于时间序列中的原始数据进行迭代运算，得到工业设备的目标参数指标未来周期的预测值。具体的可以预测一个周期的预测值，也可以基于前一周期的预测值迭代运算得到后续多个周期的预测值，形成预测区间。
本申请实施例中，基于物联网采集工业设备的至少两个参数指标对应的采样值，分别形成各个参数指标对应的时间序列，并基于各个指标对应的时间序列构建第一矩阵，之后借助于相关系数矩阵实现第一矩阵的正交变换，将原来存在关联的参数指标组成的原始向量映射成彼此不相关的新随机向量，并基于新的随机向量组成的相关系数矩阵的特征值及各个特征值关联的特征向量计算各个参数指标的综合权重值，然后根据各个参数指标的综合权重值大小，选择排序靠前的预置数量的参数指标对应的时间序列作为目标序列，构建多元时间序列分析模型计算各个目标序列对应的参数指标未来周期的预测值。本申请实施例不仅降低了多元时间序列分析的维度，合理的选择包含工业设备总体运行状态的参数指标，还可以根据多元时间序列分析模型对工业设备的运行状态进行监测和预测，为智能调整工业设备的运行状态提供了依据，有利于提高生产效率。
在上述图1及图2所示的实施例的基础上，本申请实施例中在建立多元时间序列分析模型的过程中，需要对构建的模型进行进一步校验，请参阅图3本申请实施例中一种工业物联网数据分析方法的另一个实施例可包括：
301、根据至少两个参数指标对应的时间序列构建第一矩阵，并计算第一矩阵对应的相关系数矩阵。
302、计算相关系数矩阵的特征值及各个特征值关联的特征向量。
303、根据相关系数矩阵的特征值及各个特征值关联的特征向量计算各个参数指标的综合权重值。
304、根据各个参数指标的综合权重值大小，选择排序靠前的预置数量的参数指标对应的时间序列作为目标序列。
305、根据各个目标序列构建多元时间序列分析模型。
本申请实施例中的步骤301至305中描述的内容与上述图1所示的步骤101至105中内容类似，具体请参阅步骤101至105，此处不做赘述。
306、采用多元时间序列分析模型对目标序列进行数据拟合计算，得到目标序列中各个时刻的原始数据对应的预测数据。
在初步建立多元时间序列分析模型之后，可以将目标序列中的采样值带入时间序列分析模型中进行拟合计算，得到目标序列中各个时刻的原始数据对应的预测数据。
307、计算目标序列中各个时刻的原始数据与对应的预测数据的差值，形成残差序列。
在初步建立时间序列分析模型之后，需要对构建的模型进行检验，本申请实施例中采用该模型计算得到的各个时刻的预测值与对应的原始数据差值，各个时刻的差值形成残差序列，基于该残差序列校验建立的时间序列分析模型是否适用。
308、校验残差序列是否满足预置条件。
可选的，作为一种可能的实施方式，本申请实施例中，可以通过校验残差序列是否为白噪声序列；和/或，校验残差序列是否符合正态分布，以此判断构建的时间序列分析模型是否适用。可选的，若残差序列为白噪声序列，可以单独确定构建的时间序列分析模型适用；可选的，若残差序列符合正态分布，可以单独确定构建的时间序列分析模型适用。优选的，本申请实施例中可以结合两方面综合判断，首先对残差进行DW(Durbin-Watson)检验或者Q检验，检验残差是否为白噪声。其次，对残差进行正态分布的检验，判断模型拟合情况，若符合正态分布，则证明模型提取了所有的目标序列中包含的信息，若残差序列为白噪声序列，且符合正态分布，则确定残差序列满足预置条件。具体的判断构建的时间序列分析模型是否适用的条件，此处不做限定。
此外，若残差序列不满足上述预置条件，则重新构造目标序列对应的多元时间序列分析模型，直到重新构造的多元时间序列分析模型对应的残差序列满足预置条件为止。
310、根据多元时间序列分析模型计算各个目标序列对应的参数指标未来周期的预测值。
本申请实施例中，基于物联网采集工业设备的至少两个参数指标对应的采样值，分别形成各个参数指标对应的时间序列，并基于各个指标对应的时间序列构建第一矩阵，之后借助于相关系数矩阵实现第一矩阵的正交变换，将原来存在关联的参数指标组成的原始向量映射成彼此不相关的新随机向量，并基于新的随机向量组成的相关系数矩阵的特征值及各个特征值关联的特征向量计算各个参数指标的综合权重值，然后根据各个参数指标的综合权重值大小，选择排序靠前的预置数量的参数指标对应的时间序列作为目标序列，构建多元时间序列分析模型。其次，本申请实施例对时间序列构建对应的多元时间序列分析模型之后，可以根据构建的多元时间序列分析模型对目标序列进行数据拟合计算，得到目标序列中各个时刻的原始数据对应的预测数据，并进一步计算目标序列中各个时刻的原始数据与对应的预测数据的差值，形成残差序列，然后校验残差序列是否满足预置条件，若不满足，则重新构造目标序列对应的多元时间序列分析模型，直到重新构造的多元时间序列分析模型对应的残差序列满足预置条件为止，最终根据满足条件的时间序列分析模型预测时间序列未来周期的预测值。由于最终构建的时间序列分析模型对应的残差序列满足预置条件，则该模型包含的原始数据的信息更加全面，可以提高预测分析的准确率。
可以理解的是，在本申请的各种实施例中，上述各步骤的序号的大小并不意味着执行顺序的先后，各步骤的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
上述实施例对本申请实施例中的工业物联网数据分析方法进行了描述，下面将对本申请实施例中的时间序列的工业物联网数据分析系统进行描述，请参阅图4，本申请实施例中的一种工业物联网数据分析系统的一个实施例包括：
第一计算模块401，用于根据至少两个参数指标对应的时间序列构建第一矩阵，并计算第一矩阵对应的相关系数矩阵；
第二计算模块402，用于计算相关系数矩阵的特征值及各个特征值关联的特征向量；
第三计算模块403，用于根据相关系数矩阵的特征值及各个特征值关联的特征向量计算各个参数指标的综合权重值；
选择模块404，用于根据各个参数指标的综合权重值大小，选择排序靠前的预置数量的参数指标对应的时间序列作为目标序列；
构造模块405，用于根据各个目标序列构建多元时间序列分析模型；
第四计算模块406，用于根据多元时间序列分析模型计算各个目标序列对应的参数指标未来周期的预测值。
可选的，作为一种可能的实施方式，请参阅图5，本申请实施例中的第三计算模块403，包括：
第一计算单元4031，用于计算各个特征值占所有特征值之和的比例，作为对应的特征值贡献率；
筛选单元4032，用于根据累计贡献率不小于第一阈值的原则，筛选出排序靠前的特征值；
第一构建单元4033，用于根据保留的各个特征值对应的特征向量构建第二矩阵；
第二计算单元4034，用于将保留的各个特征值的平方根分别乘以第二矩阵中对应的特征向量，得到第三矩阵；
第二构建单元4035，用于按照第二矩阵中特征向量的排列顺序，将对应的特征值贡献率依次排列构造第四矩阵；
第三计算单元4036，用于将第三矩阵乘以第四矩阵得到综合评价矩阵，综合评价矩阵中的每一维数据的绝对值分别对应一个参数指标的综合权重值。
可选的，作为一种可能的实施方式，请参阅图6，本申请实施例中的构造模块405，包括：
第一校验单元4051，用于采用单位根检验算法校验各个目标序列是否平稳；
第一构造单元4052，若各个目标序列平稳，则构造各个目标序列对应的自回归滑动平均ARMAX模型；
第二构造单元4053，若各个目标序列不平稳，则对各个目标序列进行差分处理之后构建差分整合移动平均自回归ARIMAX模型。
可选的，作为一种可能的实施方式，请参阅图7，本申请实施例中的工业物联网数据分析系统还包括：
第五计算模块407，用于采用多元时间序列分析模型对目标序列进行数据拟合计算，得到目标序列中各个时刻的原始数据对应的预测数据；
第六计算模块408，用于计算各个目标序列中各个时刻的原始数据与对应的预测数据的差值，形成残差序列；
校验模块409，用于校验残差序列是否满足预置条件；
循环模块410，若残差序列不满足，则触发构造模块405，重新构造各个目标序列对应的多元时间序列分析模型，直到重新构造的多元时间序列分析模型对应的残差序列满足预置条件为止。
可选的，作为一种可能的实施方式，请参阅图8，本申请实施例中的校验模块409，包括：
第二校验单元4091，用于校验残差序列是否为白噪声序列；
第三校验单元4092，用于校验残差序列是否符合正态分布；
判断单元4093，若残差序列为白噪声序列，且符合正态分布，则确定残差序列满足预置条件。
上面从模块化功能实体的角度对本申请实施例中的分布式计算系统进行了描述，下面从硬件处理的角度对本申请实施例中的计算机装置进行描述：
本申请实施例还提供了一种计算机装置9，如图9所示，为了便于说明，仅示出了与本申请实施例相关的部分，具体技术细节未揭示的，请参照本申请实施例方法部分。该计算机装置9一般指服务器等处理能力较强的计算机设备。
参考图9，计算机装置9包括：电源901、存储器902、处理器903、有线或无线网络接口904以及存储在存储器中并可在处理器上运行的计算机程序。处理器执行计算机程序时实现上述各个工业物联网数据分析方法的实施例中的步骤，例如图1所示的步骤101至106。或者，处理器执行计算机程序时实现上述各装置实施例中各模块或单元的功能。
本申请的一些实施例中，处理器具体用于实现如下步骤：
根据至少两个参数指标对应的时间序列构建第一矩阵，并计算第一矩阵对应的相关系数矩阵；
计算相关系数矩阵的特征值及各个特征值关联的特征向量；
根据相关系数矩阵的特征值及各个特征值关联的特征向量计算各个参数指标的综合权重值；
根据各个参数指标的综合权重值大小，选择排序靠前的预置数量的参数指标对应的时间序列作为目标序列；
根据各个目标序列构建多元时间序列分析模型；
根据多元时间序列分析模型计算各个目标序列对应的参数指标未来周期的预测值。
可选的，本申请的一些实施例中，处理器还可以用于实现如下步骤：
计算各个特征值占所有特征值之和的比例，作为对应的特征值贡献率；
根据累计贡献率不小于第一阈值的原则，筛选出排序靠前的特征值；
根据保留的各个特征值对应的特征向量构建第二矩阵；
将保留的各个特征值的平方根分别乘以第二矩阵中对应的特征向量，得到第三矩阵；
按照第二矩阵中特征向量的排列顺序，将对应的特征值贡献率依次排列构造第四矩阵；
将第三矩阵乘以第四矩阵得到综合评价矩阵，综合评价矩阵中的每一维数据的绝对值分别对应一个参数指标的综合权重值。
可选的，本申请的一些实施例中，处理器还可以用于实现如下步骤：
采用单位根检验算法校验各个目标序列是否平稳；
若平稳，则构造各个目标序列对应的自回归滑动平均ARMAX模型；
若不平稳，则对各个目标序列进行差分处理之后构建差分整合移动平均自回归ARIMAX模型。
可选的，本申请的一些实施例中，处理器还可以用于实现如下步骤：
采用多元时间序列分析模型对目标序列进行数据拟合计算，得到目标序列中各个时刻的原始数据对应的预测数据；
计算各个目标序列中各个时刻的原始数据与对应的预测数据的差值，形成残差序列；
校验残差序列是否满足预置条件；
若不满足，则重新构造各个目标序列对应的多元时间序列分析模型，直到重新构造的多元时间序列分析模型对应的残差序列满足预置条件为止。
可选的，本申请的一些实施例中，处理器还可以用于实现如下步骤：
校验残差序列是否为白噪声序列；
校验残差序列是否符合正态分布；
若残差序列为白噪声序列，且符合正态分布，则确定残差序列满足预置条件。
计算机装置9可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。示例性的，计算机程序可以被分割成一个或多个模块/单元，一个或者多个模块/单元被存储在存储器中，并由处理器执行。一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述计算机程序在计算机装置中的执行过程。
本领域技术人员可以理解，图9中示出的结构并不构成对计算机装置9的限定，计算机装置9可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置，例如计算机装置还可以包括输入输出设备、总线等。
所称处理器可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，处理器是计算机装置的控制中心，利用各种接口和线路连接整个计算机装置的各个部分。
存储器可用于存储计算机程序和/或模块，处理器通过运行或执行存储在存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现计算机装置的各种功能。存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(SmartMedia Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
本申请还提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时，可以实现如下步骤：
根据至少两个参数指标对应的时间序列构建第一矩阵，并计算第一矩阵对应的相关系数矩阵；
计算相关系数矩阵的特征值及各个特征值关联的特征向量；
根据相关系数矩阵的特征值及各个特征值关联的特征向量计算各个参数指标的综合权重值；
根据各个参数指标的综合权重值大小，选择排序靠前的预置数量的参数指标对应的时间序列作为目标序列；
根据各个目标序列构建多元时间序列分析模型；
根据多元时间序列分析模型计算各个目标序列对应的参数指标未来周期的预测值。
可选的，本申请的一些实施例中，处理器还可以用于实现如下步骤：
计算各个特征值占所有特征值之和的比例，作为对应的特征值贡献率；
根据累计贡献率不小于第一阈值的原则，筛选出排序靠前的特征值；
根据保留的各个特征值对应的特征向量构建第二矩阵；
将保留的各个特征值的平方根分别乘以第二矩阵中对应的特征向量，得到第三矩阵；
按照第二矩阵中特征向量的排列顺序，将对应的特征值贡献率依次排列构造第四矩阵；
将第三矩阵乘以第四矩阵得到综合评价矩阵，综合评价矩阵中的每一维数据的绝对值分别对应一个参数指标的综合权重值。
可选的，本申请的一些实施例中，处理器还可以用于实现如下步骤：
采用单位根检验算法校验各个目标序列是否平稳；
若平稳，则构造各个目标序列对应的自回归滑动平均ARMAX模型；
若不平稳，则对各个目标序列进行差分处理之后构建差分整合移动平均自回归ARIMAX模型。
可选的，本申请的一些实施例中，处理器还可以用于实现如下步骤：
采用多元时间序列分析模型对目标序列进行数据拟合计算，得到目标序列中各个时刻的原始数据对应的预测数据；
计算各个目标序列中各个时刻的原始数据与对应的预测数据的差值，形成残差序列；
校验残差序列是否满足预置条件；
若不满足，则重新构造各个目标序列对应的多元时间序列分析模型，直到重新构造的多元时间序列分析模型对应的残差序列满足预置条件为止。
可选的，本申请的一些实施例中，处理器还可以用于实现如下步骤：
校验残差序列是否为白噪声序列；
校验残差序列是否符合正态分布；
若残差序列为白噪声序列，且符合正态分布，则确定残差序列满足预置条件。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。

Claims (10)

1.一种工业物联网数据分析方法，其特征在于，包括：
根据至少两个参数指标对应的时间序列构建第一矩阵，并计算第一矩阵对应的相关系数矩阵；
计算所述相关系数矩阵的特征值及各个特征值关联的特征向量；
根据所述相关系数矩阵的特征值及各个特征值关联的特征向量计算各个参数指标的综合权重值；
根据各个参数指标的综合权重值大小，选择排序靠前的预置数量的参数指标对应的时间序列作为目标序列；
根据各个所述目标序列构建多元时间序列分析模型；
根据所述多元时间序列分析模型计算各个目标序列对应的参数指标未来周期的预测值。
2.根据权利要求1所述的方法，其特征在于，所述根据所述相关系数矩阵的特征值及各个特征值关联的特征向量计算各个参数指标的综合权重值，包括：
计算各个特征值占所有特征值之和的比例，作为对应的特征值贡献率；
根据累计贡献率不小于第一阈值的原则，筛选出排序靠前的特征值；
根据保留的各个特征值对应的特征向量构建第二矩阵；
将保留的各个特征值的平方根分别乘以所述第二矩阵中对应的特征向量，得到第三矩阵；
按照所述第二矩阵中特征向量的排列顺序，将对应的特征值贡献率依次排列构造第四矩阵；
将所述第三矩阵乘以所述第四矩阵得到综合评价矩阵，所述综合评价矩阵中的每一维数据的绝对值分别对应一个参数指标的综合权重值。
3.根据权利要求2所述的方法，其特征在于，所述根据各个所述目标序列构建多元时间序列分析模型，包括：
采用单位根检验算法校验各个所述目标序列是否平稳；
若平稳，则构造各个所述目标序列对应的自回归滑动平均ARMAX模型；
若不平稳，则对各个所述目标序列进行差分处理之后构建差分整合移动平均自回归ARIMAX模型。
4.根据权利要求3所述的方法，其特征在于，还包括：
采用所述多元时间序列分析模型对所述目标序列进行数据拟合计算，得到所述目标序列中各个时刻的原始数据对应的预测数据；
计算各个所述目标序列中各个时刻的原始数据与对应的预测数据的差值，形成残差序列；
校验所述残差序列是否满足预置条件；
若不满足，则重新构造各个所述目标序列对应的多元时间序列分析模型，直到重新构造的多元时间序列分析模型对应的残差序列满足预置条件为止。
5.根据权利要求4所述的方法，其特征在于，所述校验所述残差序列是否满足预置条件，包括：
校验所述残差序列是否为白噪声序列；
校验所述残差序列是否符合正态分布；
若所述残差序列为白噪声序列，且符合正态分布，则确定所述残差序列满足预置条件。
6.一种工业物联网数据分析系统，其特征在于，包括：
第一计算模块，用于根据至少两个参数指标对应的时间序列构建第一矩阵，并计算第一矩阵对应的相关系数矩阵；
第二计算模块，用于计算所述相关系数矩阵的特征值及各个特征值关联的特征向量；
第三计算模块，用于根据所述相关系数矩阵的特征值及各个特征值关联的特征向量计算各个参数指标的综合权重值；
选择模块，用于根据各个参数指标的综合权重值大小，选择排序靠前的预置数量的参数指标对应的时间序列作为目标序列；
构造模块，用于根据各个所述目标序列构建多元时间序列分析模型；
第四计算模块，用于根据所述多元时间序列分析模型计算各个目标序列对应的参数指标未来周期的预测值。
7.根据权利要求6所述的系统，其特征在于，所述第三计算模块，包括：
第一计算单元，用于计算各个特征值占所有特征值之和的比例，作为对应的特征值贡献率；
筛选单元，用于根据累计贡献率不小于第一阈值的原则，筛选出排序靠前的特征值；
第一构建单元，用于根据保留的各个特征值对应的特征向量构建第二矩阵；
第二计算单元，用于将保留的各个特征值的平方根分别乘以所述第二矩阵中对应的特征向量，得到第三矩阵；
第二构建单元，用于按照所述第二矩阵中特征向量的排列顺序，将对应的特征值贡献率依次排列构造第四矩阵；
第三计算单元，用于将所述第三矩阵乘以所述第四矩阵得到综合评价矩阵，所述综合评价矩阵中的每一维数据的绝对值分别对应一个参数指标的综合权重值。
8.根据权利要求7所述的系统，其特征在于，还包括：
第五计算模块，用于采用所述多元时间序列分析模型对所述目标序列进行数据拟合计算，得到所述目标序列中各个时刻的原始数据对应的预测数据；
第六计算模块，用于计算各个所述目标序列中各个时刻的原始数据与对应的预测数据的差值，形成残差序列；
校验模块，用于校验所述残差序列是否满足预置条件；
循环模块，若所述残差序列不满足，则触发所述构造模块，重新构造各个所述目标序列对应的多元时间序列分析模型，直到重新构造的多元时间序列分析模型对应的残差序列满足预置条件为止。
9.一种计算机装置，其特征在于，所述计算机装置包括处理器，所述处理器用于执行存储器中存储的计算机程序时实现如权利要求1至5中任意一项所述方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于：所述计算机程序被处理器执行时实现如权利要求1至5中任意一项所述方法的步骤。
CN201811023029.6A 2018-09-03 2018-09-03 一种工业物联网数据分析方法、系统及相关设备 Pending CN109190979A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811023029.6A CN109190979A (zh) 2018-09-03 2018-09-03 一种工业物联网数据分析方法、系统及相关设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811023029.6A CN109190979A (zh) 2018-09-03 2018-09-03 一种工业物联网数据分析方法、系统及相关设备

Publications (1)

Publication Number Publication Date
CN109190979A true CN109190979A (zh) 2019-01-11

Family

ID=64912138

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811023029.6A Pending CN109190979A (zh) 2018-09-03 2018-09-03 一种工业物联网数据分析方法、系统及相关设备

Country Status (1)

Country Link
CN (1) CN109190979A (zh)

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110245844A (zh) * 2019-05-27 2019-09-17 阿里巴巴集团控股有限公司 异常指标检测方法及装置
CN110650058A (zh) * 2019-10-08 2020-01-03 河南省云安大数据安全防护产业技术研究院有限公司 一种网络流量分析方法、装置、存储介质及设备
CN110866551A (zh) * 2019-11-06 2020-03-06 中法渤海地质服务有限公司 一种基于高相关滤波算法和pca算法的钻井数据降维方法
CN111599033A (zh) * 2019-12-20 2020-08-28 深圳市鸿捷源自动化系统有限公司 一种诊断卷烟机故障的处理方法
CN111784068A (zh) * 2020-07-09 2020-10-16 北京理工大学 基于eemd的电力负荷组合预测方法及装置
CN112204547A (zh) * 2020-05-26 2021-01-08 深圳市智物联网络有限公司 基于工业对象模型的数据处理方法、装置及设备
CN112330442A (zh) * 2020-11-17 2021-02-05 深圳市欢太科技有限公司 基于超长行为序列的建模方法及装置、终端、存储介质
CN112541247A (zh) * 2019-09-23 2021-03-23 华为技术有限公司 控制系统的控制参数向量的搜索方法和装置
CN112862159A (zh) * 2021-01-13 2021-05-28 中铁第四勘察设计院集团有限公司 电离层的总电子含量预测方法、装置、设备及存储介质
CN113516556A (zh) * 2021-05-13 2021-10-19 支付宝(杭州)信息技术有限公司 基于多维时间序列数据进行预测或训练模型的方法和系统
CN114970719A (zh) * 2022-05-27 2022-08-30 河海大学 一种基于改进svr模型的物联运行指标预测方法
CN117007896A (zh) * 2023-10-07 2023-11-07 深圳市森瑞普电子有限公司 一种应用于导电滑环故障检测的数据处理方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104200292A (zh) * 2014-09-28 2014-12-10 山东科技大学 一种导水裂隙带高度预测方法
CN104517159A (zh) * 2014-12-18 2015-04-15 上海交通大学 一种公交短时客流的预测方法
CN104573862A (zh) * 2015-01-06 2015-04-29 北京工商大学 基于多Agent的湖库、流域的水质监测断面优化布设方法
CN104820146A (zh) * 2015-04-24 2015-08-05 中国电力科学研究院 基于变压器油中溶解气体监测数据的变压器故障预测方法
CN105550700A (zh) * 2015-12-08 2016-05-04 国网山东省电力公司电力科学研究院 一种基于关联分析和主成分分析的时间序列数据清洗方法
CN106228286A (zh) * 2016-07-15 2016-12-14 西安美林数据技术股份有限公司 一种针对人工客服工作质量评估的数据分析方法
CN106874960A (zh) * 2017-03-03 2017-06-20 中国水产科学研究院黄海水产研究所 基于改进支持向量机的渔业环境污染等级评估方法
CN108304966A (zh) * 2018-01-18 2018-07-20 沈阳工程学院 一种短期月售电量预测方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104200292A (zh) * 2014-09-28 2014-12-10 山东科技大学 一种导水裂隙带高度预测方法
CN104517159A (zh) * 2014-12-18 2015-04-15 上海交通大学 一种公交短时客流的预测方法
CN104573862A (zh) * 2015-01-06 2015-04-29 北京工商大学 基于多Agent的湖库、流域的水质监测断面优化布设方法
CN104820146A (zh) * 2015-04-24 2015-08-05 中国电力科学研究院 基于变压器油中溶解气体监测数据的变压器故障预测方法
CN105550700A (zh) * 2015-12-08 2016-05-04 国网山东省电力公司电力科学研究院 一种基于关联分析和主成分分析的时间序列数据清洗方法
CN106228286A (zh) * 2016-07-15 2016-12-14 西安美林数据技术股份有限公司 一种针对人工客服工作质量评估的数据分析方法
CN106874960A (zh) * 2017-03-03 2017-06-20 中国水产科学研究院黄海水产研究所 基于改进支持向量机的渔业环境污染等级评估方法
CN108304966A (zh) * 2018-01-18 2018-07-20 沈阳工程学院 一种短期月售电量预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
刘树等著: "《社会经济评价的理论与方法》", 30 July 1999 *

Cited By (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110245844A (zh) * 2019-05-27 2019-09-17 阿里巴巴集团控股有限公司 异常指标检测方法及装置
CN110245844B (zh) * 2019-05-27 2023-03-28 创新先进技术有限公司 异常指标检测方法及装置
CN112541247A (zh) * 2019-09-23 2021-03-23 华为技术有限公司 控制系统的控制参数向量的搜索方法和装置
CN112541247B (zh) * 2019-09-23 2023-03-10 华为技术有限公司 控制系统的控制参数向量的搜索方法和装置
CN110650058B (zh) * 2019-10-08 2022-03-04 河南省云安大数据安全防护产业技术研究院有限公司 一种网络流量分析方法、装置、存储介质及设备
CN110650058A (zh) * 2019-10-08 2020-01-03 河南省云安大数据安全防护产业技术研究院有限公司 一种网络流量分析方法、装置、存储介质及设备
CN110866551A (zh) * 2019-11-06 2020-03-06 中法渤海地质服务有限公司 一种基于高相关滤波算法和pca算法的钻井数据降维方法
CN110866551B (zh) * 2019-11-06 2022-11-15 中法渤海地质服务有限公司 一种基于高相关滤波算法和pca算法的钻井数据降维方法
CN111599033A (zh) * 2019-12-20 2020-08-28 深圳市鸿捷源自动化系统有限公司 一种诊断卷烟机故障的处理方法
CN112204547A (zh) * 2020-05-26 2021-01-08 深圳市智物联网络有限公司 基于工业对象模型的数据处理方法、装置及设备
CN111784068A (zh) * 2020-07-09 2020-10-16 北京理工大学 基于eemd的电力负荷组合预测方法及装置
CN112330442A (zh) * 2020-11-17 2021-02-05 深圳市欢太科技有限公司 基于超长行为序列的建模方法及装置、终端、存储介质
CN112862159A (zh) * 2021-01-13 2021-05-28 中铁第四勘察设计院集团有限公司 电离层的总电子含量预测方法、装置、设备及存储介质
CN113516556A (zh) * 2021-05-13 2021-10-19 支付宝(杭州)信息技术有限公司 基于多维时间序列数据进行预测或训练模型的方法和系统
CN114970719A (zh) * 2022-05-27 2022-08-30 河海大学 一种基于改进svr模型的物联运行指标预测方法
CN114970719B (zh) * 2022-05-27 2024-04-26 河海大学 一种基于改进svr模型的物联运行指标预测方法
CN117007896A (zh) * 2023-10-07 2023-11-07 深圳市森瑞普电子有限公司 一种应用于导电滑环故障检测的数据处理方法
CN117007896B (zh) * 2023-10-07 2023-12-12 深圳市森瑞普电子有限公司 一种应用于导电滑环故障检测的数据处理方法

Similar Documents

Publication Publication Date Title
CN109190979A (zh) 一种工业物联网数据分析方法、系统及相关设备
CN109189762A (zh) 一种工业物联网数据分析方法、系统及相关设备
CN108595585B (zh) 样本数据分类方法、模型训练方法、电子设备及存储介质
CN108905209A (zh) 游戏中的外挂检测方法及系统、电子设备和存储介质
CN108898476A (zh) 一种贷款客户信用评分方法和装置
CN106780121A (zh) 一种基于用电负荷模式分析的用电异常识别方法
CN110310345A (zh) 一种基于自动分工隐聚类生成对抗网络的图像生成方法
CN106790529B (zh) 计算资源的调度方法、调度中心及调度系统
CN108846695A (zh) 终端更换周期的预测方法及装置
CN110474808A (zh) 一种流量预测方法及装置
CN109816177A (zh) 一种负荷聚合商短期负荷预测方法、装置及设备
CN109639524A (zh) 基于流量预测的通信网络数据可视化方法、装置及设备
CN110147389A (zh) 帐号处理方法和装置、存储介质及电子装置
CN107025228A (zh) 一种问题推荐方法及设备
CN106469340A (zh) 一种基于神经网络的复合型项目风险评估模型
CN104954528B (zh) 终端设备的耗电信息的检测方法和装置
CN108304925A (zh) 一种池化计算装置及方法
CN110866602A (zh) 一种集成多任务模型的方法和装置
CN109669935A (zh) 检查数据筛选方法、装置、设备及存储介质
CN108491686A (zh) 一种基于双向XGBoost的基因调控网络构建方法
CN111105127B (zh) 一种基于数据驱动的模块化产品设计评价方法
CN108898648A (zh) 一种k线图构造方法、系统及相关设备
CN108921287A (zh) 一种神经网络模型的优化方法及系统
CN110342625A (zh) 水处理方法及装置、水处理系统
CN109784748A (zh) 一种市场竞争机制下用户用电行为辨识方法及装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20190111