CN109784408A - 一种边缘端的嵌入式时间序列决策树分类方法及系统 - Google Patents
一种边缘端的嵌入式时间序列决策树分类方法及系统 Download PDFInfo
- Publication number
- CN109784408A CN109784408A CN201910044039.6A CN201910044039A CN109784408A CN 109784408 A CN109784408 A CN 109784408A CN 201910044039 A CN201910044039 A CN 201910044039A CN 109784408 A CN109784408 A CN 109784408A
- Authority
- CN
- China
- Prior art keywords
- data
- edge
- decision tree
- vfdt
- algorithm
- 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
Links
- 238000003066 decision tree Methods 0.000 title claims abstract description 52
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000012545 processing Methods 0.000 claims abstract description 26
- 230000005540 biological transmission Effects 0.000 claims description 8
- 238000013480 data collection Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000013500 data storage Methods 0.000 claims 2
- 238000010223 real-time analysis Methods 0.000 claims 1
- 238000013145 classification model Methods 0.000 abstract description 2
- 238000010276 construction Methods 0.000 abstract description 2
- 238000004458 analytical method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 206010011469 Crying Diseases 0.000 description 2
- 238000007796 conventional method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种边缘端的嵌入式时间序列决策树分类方法及系统，属于边缘端的实时数据分类建模，本发明要解决的技术问题为如何实现对海量数据进行一次性建模处理，同时确保内存需求量效且耗时短，采用的技术方案为：①一种边缘端的嵌入式时间序列决策树分类方法，步骤如下：S1、边缘端收集数据并将数据存储到边缘端的存储设备中；S2、利用VFDT算法对边缘端收集数据进行智能分类处理；S3、边缘端获取分类结果；S4、边缘端将分类结果传输到云端。②一种边缘端的嵌入式时间序列决策树分类系统，该系统包括边缘端设备、传感器和云端设备，传感器和边缘端设备通过无线连接并互传数据，云端设备与边缘端设备通过无线或有线连接并传输数据。
Description
技术领域
本发明涉及一种边缘端的实时数据分类建模，具体地说是一种边缘端的嵌入式时间序列决策树分类方法及系统。
背景技术
对数据进行分类是常见的一个需求。不同于聚类算法，分类算法需要训练数据进行建模。建模完成之后，就可以使用这个模型进行不断的预测使用。
最经典的分类算法是决策树，决策树利用信息学中信息增益的方法判断样本变量的重要性，然后根据重要性排序进行样本的区分。这样的方法的缺点在于很难对海量数据进行一次性的建模处理，因为需要大的内存并且耗时。
近些年，随着大数据的出现，对流式数据的处理和研究成为热门领域。如何实现对海量数据进行一次性建模处理，同时确保内存需求量效且耗时短是目前急需解决的技术问题。
专利号为CN104318270A的专利文献公开了一种基于MODIS时间序列数据的土地覆盖分类方法，该方法具体是按照以下步骤进行的：1、建立原始曲线；2、对原始曲线进行滤波拟合成初始曲线；3、建立初始曲线像元的无云影像二维数组；4、设置为阈值T，其中，Yi≠yi；5、处理过的原始曲线；6、得到重建后的NDVI年变化曲线；7、提取植被生长季参数组成特征影像；8、决定最终投票分类结果等步骤进行的；本发明应用于基于MODIS时间序列数据的土地覆盖分类领域。但是该技术方案要解决传统方法用时长、植被指数的负偏差以及SG重建结果准确性降低的问题，不能实现对海量数据进行一次性建模处理，同时确保内存需求量效且耗时短。
发明内容
本发明的技术任务是提供一种边缘端的嵌入式时间序列决策树分类方法及系统，来解决如何实现对海量数据进行一次性建模处理，同时确保内存需求量效且耗时短的问题。
本发明的技术任务是按以下方式实现的，一种边缘端的嵌入式时间序列决策树分类方法，该方法是将VFDT算法应用到边缘端的计算中，实现边缘端大数据量的计算且能够达到对实时处理要求高的需求；具体步骤如下：
S1、边缘端收集数据并将数据存储到边缘端的存储设备中；
S2、利用VFDT算法(非常快速决策树或者叫时间序列决策树)对边缘端收集数据进行智能分类处理；
S3、边缘端获取分类结果；
S4、边缘端将分类结果传输到云端；边缘端可以只将得到的分析结果传输到云端，也可以将原始数据也一起传输到云端；如果只传输结果，这样避免了在边缘端传输大量数据带来的时间开销。
作为优选，所述步骤S1中边缘端通过传感器采集数据，传感器安装到需要进行数据采集的位置完成数据采集，传感器实时将采集的数据发送到边缘端，例如温度传感器安装在能够直接检测温度的地方。
作为优选，所述步骤S2中VFDT算法实时的对流式数据进行分析处理，根据流入数据的特性进行分类判断，并判断决策树是否要进行更新。
更优地，所述决策树进行更新的步骤如下：
(1)、HT为有单个叶子结点l_1的决策树；
(2)、赋值：
(3)、按预测S中最频繁一类把值赋给
(4)、对于每一类yk，每个xij值，赋值nijk(l1)＝0；
(5)、对于每个例子(x，yk)，使用HT分类(x,y)成为叶子节点；对于每个xij，增加nijk(l)；
(6)、标记l；
(7)、判断l中的例子是否为同一类：
①、若不是同一类，则下一步执行步骤(8)；
(8)、对每个属性计算使用nijk(l)计数；
(9)、按最高的为Xa赋值，据第二高的赋值Xb，计算∈；
(10)、判断是否是且
①、若是，则下一步执行步骤(11)；
(11)、用在Xa分离的全局节点代替l；
(12)、对于分离的每一分支添加lm,Xm＝X-{Xa}，据lm的最频繁一类将值赋给对于每一属性中每一类yk和xij赋值nijk(lm)＝0；
(13)、输出决策树HT，完成决策树的更新。
更优地，所述步骤S2中VFDT算法利用C/C++语言编程为VFDT算法软件系统，将VFDT算法软件系统作为数据处理的智能系统部署到边缘端设备中。
更优地，步骤S4中边缘端将分类结果实时或者存储指定时间后传输到云端，指定时间是根据用户需求在边缘端设定的时间段。
一种边缘端的嵌入式时间序列决策树分类系统，该系统包括边缘端设备、传感器和云端设备，传感器和边缘端设备通过无线连接并互传数据，云端设备与边缘端设备通过无线或有线连接并传输数据；
边缘端设备用于收集数据、存储数据、处理数据并返回分类结果，同时判断决策树是否需要更新；
传感器用于采集数据；
云端设备用于接收分类结果。
作为优选，所述边缘数据设备内部署有边缘数据收集模块、基于VFDT算法的智能数据处理模块、数据存储模块以及分类结果传输模块；
其中，边缘数据收集模块用于收集传感器采集的数据；
基于VFDT算法的智能数据处理模块用于利用VFDT算法对传感器采集的数据进行分类处理；
数据存储模块用于存储传感器采集的数据；
分类结果传输模块用于将基于VFDT算法的智能数据处理模块的分类结果传输到云端。
本发明的边缘端的嵌入式时间序列决策树分类方法及系统具有以下优点
(一)、VFDT算法(Very Fast Decision Tree，非常快速决策树)是流式数据的一种建模算法，是对决策树在实时数据上的一种拓展，VFDT是一种基于Hoeffding不等式建立决策树的方法，利用统计不等式Hoeffding来判断一个节点是否应该作为分类判断的依据，本发明将VFDT算法应用到边缘端的计算中，实现边缘端大数据量的计算且能够达到对实时处理要求高的需求；
(二)、网络边缘产生的数据正在逐步增加，如果我们能够在网络的边缘结点去处理、分析数据，那么这种计算模型会更高效。这样的计算要求是云计算所不能满足的，因为很多场景需要数据在边缘端得到快速的处理；边缘计算的需求主要来源于云服务的推动、物联网的推动和终端使用的需求；边缘计算的高效、快速可以满足很多实时场景的需求，本发明在边缘计算端处理海量实时流式数据，所采用方法为基于时间序列算法的决策树，即VFDT算法，可以不需要大内存保存数据和模型，对实时数据进行及时处理，非常适合边缘计算；
(三)、随着数据量的增大，对数据的实时处理提出了强烈的需求，甚至需要数据在边缘端得到智能的处理，并把结果发送到云端；边缘端的数据处理方法目前非常缺少，针对流式海量数据的处理方法更是稀缺，目前的主要方法或者算法是基于传统的批量建模方法，即一次建模多次使用；本发明可以实时的对数据进行分类，例如，区分两类数据；还可以根据实时数据进行模型的更新；传统方法，例如决策树，需要对全量数据进行建模；而本发明可以针对一部分数据进行建模，并不断的根据新的数据进行模型更新，能够应对数据的变化，对物联网布局很有价值，是物联网时代边缘计算的重要工具。
附图说明
下面结合附图对本发明进一步说明。
附图1为边缘端的嵌入式时间序列决策树分类方法流程框图；
附图2为决策树更新的流程框图；
附图3为边缘端的嵌入式时间序列决策树分类的结构框图。
具体实施方式
参照说明书附图和具体实施例对本发明的一种边缘端的嵌入式时间序列决策树分类方法及系统作以下详细地说明。
实施例1：
如附图1所示，本发明的边缘端的嵌入式时间序列决策树分类方法,该方法是将VFDT算法应用到边缘端的计算中，实现边缘端大数据量的计算且能够达到对实时处理要求高的需求；具体步骤如下：
S1、边缘端收集数据并将数据存储到边缘端的存储设备中；边缘端通过传感器采集数据，传感器安装到需要进行数据采集的位置完成数据采集，传感器实时将采集的数据发送到边缘端，例如温度传感器安装在能够直接检测温度的地方。
S2、利用VFDT算法(非常快速决策树或者叫时间序列决策树)对边缘端收集数据进行智能分类处理；VFDT算法利用C/C++语言编程为VFDT算法软件系统，将VFDT算法软件系统作为数据处理的智能系统部署到边缘端设备中。VFDT算法实时的对流式数据进行分析处理，根据流入数据的特性进行分类判断，并判断决策树是否要进行更新，如附图2所示，步骤如下：
(1)、HT为有单个叶子结点l_1的决策树；
(2)、赋值：
(3)、按预测S中最频繁一类把值赋给
(4)、对于每一类yk，每个xij值，赋值nijk(l1)＝0；
(5)、对于每个例子(x，yk)，使用HT分类(x,y)成为叶子节点；对于每个xij，增加nijk(l)；
(6)、标记l；
(7)、判断l中的例子是否为同一类：
①、若不是同一类，则下一步执行步骤(8)；
(8)、对每个属性计算使用nijk(l)计数；
(9)、按最高的为Xa赋值，据第二高的赋值Xb，计算∈；
(10)、判断是否是且
①、若是，则下一步执行步骤(11)；
(11)、用在Xa分离的全局节点代替l；
(12)、对于分离的每一分支添加lm,Xm＝X-{Xa}，据lm的最频繁一类将值赋给对于每一属性每一类yk和xij赋值nijk(lm)＝0；
(13)、输出决策树HT，完成决策树的更新。
S3、边缘端获取分类结果；
S4、边缘端将分类结果实时或者存储指定时间后传输到云端，指定时间是根据用户需求在边缘端设定的时间段；边缘端可以只将得到的分析结果传输到云端，也可以将原始数据也一起传输到云端；如果只传输结果，这样避免了在边缘端传输大量数据带来的时间开销。
实施例2：
如附图3所示，本发明的边缘端的嵌入式时间序列决策树分类系统，该系统包括边缘端设备、传感器和云端设备，传感器和边缘端设备通过无线连接并互传数据，云端设备与边缘端设备通过无线或有线连接并传输数据；边缘端设备用于收集数据、存储数据、处理数据并返回分类结果，同时判断决策树是否需要更新；传感器用于采集数据；云端设备用于接收分类结果。
其中，边缘数据设备内部署有边缘数据收集模块、基于VFDT算法的智能数据处理模块、数据存储模块以及分类结果传输模块；边缘数据收集模块用于收集传感器采集的数据；基于VFDT算法的智能数据处理模块用于利用VFDT算法对传感器采集的数据进行分类处理；数据存储模块用于存储传感器采集的数据；分类结果传输模块用于将基于VFDT算法的智能数据处理模块的分类结果传输到云端。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，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，或者对其中部分或者全部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发明各实施例技术方案的范围。
Claims (8)
1.一种边缘端的嵌入式时间序列决策树分类方法，其特征在于，该方法是将VFDT算法应用到边缘端的计算中，实现边缘端大数据量的计算且能够达到对实时处理要求高的需求；具体步骤如下：
S1、边缘端收集数据并将数据存储到边缘端的存储设备中；
S2、利用VFDT算法对边缘端收集数据进行智能分类处理；
S3、边缘端获取分类结果；
S4、边缘端将分类结果传输到云端。
2.根据权利要求1所述的边缘端的嵌入式时间序列决策树分类方法，其特征在于，所述步骤S1中边缘端通过传感器采集数据，传感器安装到需要进行数据采集的位置完成数据采集，传感器实时将采集的数据发送到边缘端。
3.根据权利要求1或2所述的边缘端的嵌入式时间序列决策树分类方法，其特征在于，所述步骤S2中VFDT算法实时的对流式数据进行分析处理，根据流入数据的特性进行分类判断，并判断决策树是否要进行更新。
4.根据权利要求3所述的边缘端的嵌入式时间序列决策树分类方法，其特征在于，所述决策树进行更新的步骤如下：
(1)、HT为有单个叶子结点l_1的决策树；
(2)、赋值：
(3)、按预测S中最频繁一类把值赋给
(4)、对于每一类yk，每个xij值，赋值nijk(l1)＝0；
(5)、对于每个例子(x，yk)，使用HT分类(x,y)成为叶子节点；对于每个xij，增加nijk(l)；
(6)、标记l；
(7)、判断l中的例子是否为同一类：
①、若不是同一类，则下一步执行步骤(8)；
(8)、对每个属性计算使用nijk(l)计数；
(9)、按最高的为Xa赋值，据第二高的赋值Xb，计算∈；
(10)、判断是否是且
①、若是，则下一步执行步骤(11)；
(11)、用在Xa分离的全局节点代替l；
(12)、对于分离的每一分支添加lm,Xm＝X-{Xa}，据lm的最频繁一类将值赋给对于每一属性中每一类yk和xij赋值nijk(lm)＝0；
(13)、输出决策树HT，完成决策树的更新。
5.根据权利要求4所述的边缘端的嵌入式时间序列决策树分类方法，其特征在于，所述步骤S2中VFDT算法利用C/C++语言编程为VFDT算法软件系统，将VFDT算法软件系统作为数据处理的智能系统部署到边缘端设备中。
6.根据权利要求5所述的一种边缘端的嵌入式时间序列决策树分类方法及系统，其特征在于，步骤S4中边缘端将分类结果实时或者存储指定时间后传输到云端，指定时间是根据用户需求在边缘端设定的时间段。
7.一种边缘端的嵌入式时间序列决策树分类系统，其特征在于，该系统包括边缘端设备、传感器和云端设备，传感器和边缘端设备通过无线连接并互传数据，云端设备与边缘端设备通过无线或有线连接并传输数据；
边缘端设备用于收集数据、存储数据、处理数据并返回分类结果，同时判断决策树是否需要更新；
传感器用于采集数据；
云端设备用于接收分类结果。
8.根据权利要求7所述的边缘端的嵌入式时间序列决策树分类系统，其特征在于，所述边缘数据设备内部署有边缘数据收集模块、基于VFDT算法的智能数据处理模块、数据存储模块以及分类结果传输模块；
其中，边缘数据收集模块用于收集传感器采集的数据；
基于VFDT算法的智能数据处理模块用于利用VFDT算法对传感器采集的数据进行分类处理；
数据存储模块用于存储传感器采集的数据；
分类结果传输模块用于将基于VFDT算法的智能数据处理模块的分类结果传输到云端。
Priority Applications (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910044039.6A CN109784408A (zh) | 2019-01-17 | 2019-01-17 | 一种边缘端的嵌入式时间序列决策树分类方法及系统 |
| PCT/CN2019/096748 WO2020147286A1 (zh) | 2019-01-17 | 2019-07-19 | 一种边缘端的嵌入式时间序列决策树分类方法及系统 |
| PCT/CN2019/112075 WO2020147353A1 (zh) | 2019-01-17 | 2019-10-21 | 一种边缘端的嵌入式时间序列决策树分类方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910044039.6A CN109784408A (zh) | 2019-01-17 | 2019-01-17 | 一种边缘端的嵌入式时间序列决策树分类方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109784408A true CN109784408A (zh) | 2019-05-21 |
Family
ID=66501531
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910044039.6A Pending CN109784408A (zh) | 2019-01-17 | 2019-01-17 | 一种边缘端的嵌入式时间序列决策树分类方法及系统 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN109784408A (zh) |
| WO (2) | WO2020147286A1 (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2020147353A1 (zh) * | 2019-01-17 | 2020-07-23 | 山东浪潮人工智能研究院有限公司 | 一种边缘端的嵌入式时间序列决策树分类方法及系统 |
| CN113128694A (zh) * | 2019-12-31 | 2021-07-16 | 北京超星未来科技有限公司 | 机器学习中的数据获取、数据处理的方法、装置及系统 |
| CN114827143A (zh) * | 2022-04-11 | 2022-07-29 | 广东省离散智造科技创新有限公司 | 一种离散数据采集方法、系统及云端服务器、边缘计算端 |
| CN115827621A (zh) * | 2023-02-17 | 2023-03-21 | 河北雄安睿天科技有限公司 | 基于云计算和数据分析的水务数据管理系统 |
| CN118094288A (zh) * | 2024-02-23 | 2024-05-28 | 山东海博科技信息系统股份有限公司 | 一种基于云边协作的数据处理方法及系统 |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112988327A (zh) * | 2021-03-04 | 2021-06-18 | 杭州谐云科技有限公司 | 一种基于云边协同的容器安全管理方法和系统 |
| CN115116224B (zh) * | 2022-06-24 | 2023-08-18 | 山东旗帜信息有限公司 | 一种边缘端数据采集传输系统及方法 |
| CN118714155B (zh) * | 2024-06-06 | 2025-03-21 | 电子科技大学 | 一种基于工业联网数据处理方法、系统及存储介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20080071721A1 (en) * | 2006-08-18 | 2008-03-20 | Haixun Wang | System and method for learning models from scarce and skewed training data |
| CN104159071A (zh) * | 2014-07-11 | 2014-11-19 | 深圳瞭望通达科技有限公司 | 一种基于云服务的智能目标识别装置、系统及方法 |
| CN105677728A (zh) * | 2015-12-28 | 2016-06-15 | 广东正美家具科技有限公司 | 物体图像识别分类管理方法 |
| CN106290709A (zh) * | 2015-06-02 | 2017-01-04 | 齐鲁工业大学 | 一种变电站气体无线监测报警控制方法 |
| CN107784251A (zh) * | 2016-08-25 | 2018-03-09 | 大连楼兰科技股份有限公司 | 基于图像识别技术对驾驶行为评价的方法 |
Family Cites Families (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102737124B (zh) * | 2012-06-15 | 2017-02-15 | 复旦大学 | 在时间序列数据库中查找给定时间序列的近似序列的方法 |
| US9990592B2 (en) * | 2016-02-10 | 2018-06-05 | Sas Institute Inc. | Kernel parameter selection in support vector data description for outlier identification |
| CN105824913A (zh) * | 2016-03-15 | 2016-08-03 | 南京邮电大学 | 基于Storm的决策树分类CVFDT并行化算法 |
| CN107766889B (zh) * | 2017-10-26 | 2021-06-04 | 浪潮集团有限公司 | 一种云端边缘计算融合的深度学习计算系统和方法 |
| CN107797867A (zh) * | 2017-10-31 | 2018-03-13 | 济南浪潮高新科技投资发展有限公司 | 一种增强边缘侧智能计算能力的方法及装置 |
| CN108932535B (zh) * | 2018-07-13 | 2019-07-02 | 南方电网科学研究院有限责任公司 | 一种基于机器学习的边缘计算克隆节点识别方法 |
| CN109784408A (zh) * | 2019-01-17 | 2019-05-21 | 济南浪潮高新科技投资发展有限公司 | 一种边缘端的嵌入式时间序列决策树分类方法及系统 |
-
2019
- 2019-01-17 CN CN201910044039.6A patent/CN109784408A/zh active Pending
- 2019-07-19 WO PCT/CN2019/096748 patent/WO2020147286A1/zh active Application Filing
- 2019-10-21 WO PCT/CN2019/112075 patent/WO2020147353A1/zh active Application Filing
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20080071721A1 (en) * | 2006-08-18 | 2008-03-20 | Haixun Wang | System and method for learning models from scarce and skewed training data |
| CN104159071A (zh) * | 2014-07-11 | 2014-11-19 | 深圳瞭望通达科技有限公司 | 一种基于云服务的智能目标识别装置、系统及方法 |
| CN106290709A (zh) * | 2015-06-02 | 2017-01-04 | 齐鲁工业大学 | 一种变电站气体无线监测报警控制方法 |
| CN105677728A (zh) * | 2015-12-28 | 2016-06-15 | 广东正美家具科技有限公司 | 物体图像识别分类管理方法 |
| CN107784251A (zh) * | 2016-08-25 | 2018-03-09 | 大连楼兰科技股份有限公司 | 基于图像识别技术对驾驶行为评价的方法 |
Non-Patent Citations (1)
| Title |
|---|
| 梁春泉: "不确定数据流分类算法研究", 《中国博士学位论文全文数据库.信息科技辑》 * |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2020147353A1 (zh) * | 2019-01-17 | 2020-07-23 | 山东浪潮人工智能研究院有限公司 | 一种边缘端的嵌入式时间序列决策树分类方法及系统 |
| WO2020147286A1 (zh) * | 2019-01-17 | 2020-07-23 | 山东浪潮人工智能研究院有限公司 | 一种边缘端的嵌入式时间序列决策树分类方法及系统 |
| CN113128694A (zh) * | 2019-12-31 | 2021-07-16 | 北京超星未来科技有限公司 | 机器学习中的数据获取、数据处理的方法、装置及系统 |
| CN113128694B (zh) * | 2019-12-31 | 2024-07-19 | 北京超星未来科技有限公司 | 机器学习中的数据获取、数据处理的方法、装置及系统 |
| CN114827143A (zh) * | 2022-04-11 | 2022-07-29 | 广东省离散智造科技创新有限公司 | 一种离散数据采集方法、系统及云端服务器、边缘计算端 |
| CN114827143B (zh) * | 2022-04-11 | 2023-12-12 | 广东省离散智造科技创新有限公司 | 一种离散数据采集方法、系统及云端服务器、边缘计算端 |
| CN115827621A (zh) * | 2023-02-17 | 2023-03-21 | 河北雄安睿天科技有限公司 | 基于云计算和数据分析的水务数据管理系统 |
| CN118094288A (zh) * | 2024-02-23 | 2024-05-28 | 山东海博科技信息系统股份有限公司 | 一种基于云边协作的数据处理方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2020147353A1 (zh) | 2020-07-23 |
| WO2020147286A1 (zh) | 2020-07-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109784408A (zh) | 一种边缘端的嵌入式时间序列决策树分类方法及系统 | |
| CN108874959B (zh) | 一种基于大数据技术的用户动态兴趣模型建立方法 | |
| CN110866528B (zh) | 一种模型训练方法、能耗使用效率预测方法、装置和介质 | |
| CN106446208B (zh) | 一种考虑路网契合度的智能手机出行方式识别方法 | |
| CN109583092B (zh) | 一种多层次多模式特征提取的智能机械系统故障诊断方法 | |
| CN106997669B (zh) | 一种基于特征重要性的判断交通拥堵成因的方法 | |
| CN106203679A (zh) | 一种用户流失预测方法及系统 | |
| CN107808375B (zh) | 融合多种上下文深度学习模型的水稻病害图像检测方法 | |
| CN107256017A (zh) | 路线规划方法及系统 | |
| CN117322214A (zh) | 一种基于神经网络的农作物肥料精准施用方法与系统 | |
| CN110070106A (zh) | 烟雾检测方法、装置及电子设备 | |
| CN103886030B (zh) | 基于代价敏感决策树的信息物理融合系统数据分类方法 | |
| CN114612898A (zh) | 一种基于YOLOv5网络的荔枝蒂蛀虫羽化率检测方法 | |
| CN103605878A (zh) | 一种基于数据建模和模型移植的通用血糖预测方法 | |
| CN116434595A (zh) | 一种基于大数据的室内停车位智能推荐系统 | |
| CN107092891A (zh) | 一种基于机器视觉技术的水稻估产系统及方法 | |
| CN111325392A (zh) | 登陆热带气旋过程降水预报系统 | |
| CN111951543A (zh) | 流量预测方法及装置 | |
| CN112348065A (zh) | 基于图像卷积特征的复杂背景下害虫细粒度图像识别方法 | |
| CN117077004B (zh) | 物种鉴定方法、系统、设备及存储介质 | |
| CN108491376A (zh) | 一种基于机器学习的工艺规程编制方法 | |
| CN117115858A (zh) | 一种作物多发虫害精准识别方法及系统 | |
| CN109255370B (zh) | 一种基于pauc算法的农田智能喷药方法 | |
| Gu et al. | Aphid Detection Techniques: A State-of-Art Review | |
| Loua et al. | A review on a machine learning approach of an intelligent irrigation monitoring system with edge computing and the internet of things |
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 | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20190614 Address after: No. 1036, Shandong high tech Zone wave road, Ji'nan, Shandong Applicant after: Inspur Group Co., Ltd. Address before: 250100 First Floor of R&D Building 2877 Kehang Road, Sun Village Town, Jinan High-tech Zone, Shandong Province Applicant before: Ji'nan wave high and New Technology Investment Development Co., Ltd. |
|
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20190718 Address after: 250100 North Sixth Floor, S05 Building, No. 1036 Tidal Road, Jinan High-tech Zone, Shandong Province Applicant after: Shandong Wave Artificial Intelligence Research Institute Co., Ltd. Address before: 250100 Ji'nan high tech Zone, Shandong, No. 1036 wave road Applicant before: Inspur Group Co., Ltd. |
|
| TA01 | Transfer of patent application right | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190521 |
|
| RJ01 | Rejection of invention patent application after publication |