CN110430549B - 一种用于可穿戴网和车联网数据检测及修复方法 - Google Patents
一种用于可穿戴网和车联网数据检测及修复方法 Download PDFInfo
- Publication number
- CN110430549B CN110430549B CN201910717937.3A CN201910717937A CN110430549B CN 110430549 B CN110430549 B CN 110430549B CN 201910717937 A CN201910717937 A CN 201910717937A CN 110430549 B CN110430549 B CN 110430549B
- Authority
- CN
- China
- Prior art keywords
- data
- data information
- error detection
- information
- model
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/29—Graphical models, e.g. Bayesian networks
- G06F18/295—Markov models or related models, e.g. semi-Markov models; Markov random fields; Networks embedding Markov models
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W28/00—Network traffic management; Network resource management
- H04W28/02—Traffic management, e.g. flow control or congestion control
- H04W28/04—Error control
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/30—Services specially adapted for particular environments, situations or purposes
- H04W4/40—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P]
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/30—Services specially adapted for particular environments, situations or purposes
- H04W4/40—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P]
- H04W4/44—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P] for communication between vehicles and infrastructures, e.g. vehicle-to-cloud [V2C] or vehicle-to-home [V2H]
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/30—Services specially adapted for particular environments, situations or purposes
- H04W4/40—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P]
- H04W4/46—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P] for vehicle-to-vehicle communication [V2V]
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W72/00—Local resource management
- H04W72/50—Allocation or scheduling criteria for wireless resources
- H04W72/56—Allocation or scheduling criteria for wireless resources based on priority criteria
- H04W72/566—Allocation or scheduling criteria for wireless resources based on priority criteria of the information or information source or recipient
- H04W72/569—Allocation or scheduling criteria for wireless resources based on priority criteria of the information or information source or recipient of the traffic information
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mobile Radio Communication Systems (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供的一种用于可穿戴网和车联网数据检测及修复方法,包括以下步骤:获取可穿戴网和车联网之间传输的数据信息;利用数据错误检测和数据修复单元对获取得到的数据信息进行错误检测和修复;同时,本发明具有高效、复杂较低的特点,可以在数据传输的过程中持续监测数据的准确性,并对错误数据进行修复,特别是在收到第三方攻击或入侵时,该单元可以快速检测并修复数据,保护在本系统内传输数据的安全,也保护了用户个人隐私,防止用户的行程或生理健康信息被暴露,保障了系统安全,为城市交通秩序的稳定起到很大作用。
Description
技术领域
本发明属于物联网领域,具体涉及一种用于可穿戴网和车联网数据检测及修复方法。
背景技术
随着物联网的快速发展,整个世界对于生活应用的潮流走向无缝移动的道路,可穿戴设备和各种车载技术越来越深入到我们的生活中,并逐渐成为我们生活中不可或缺的一部分。可穿戴网络是由大量穿戴或嵌入人体的具有采集数据、处理数据和无线通信能力的传感器节点组成,可以收集复杂的体征数据综和环境数据并实现数据的处理和转发。可穿戴网络在环境监测、目标追踪、灾害预测等领域内有着非常重要的作用。车联网是以车内网、车际网和车载移动互联网为基础,按照约定的通信协议和数据交互标准,在车-X(X:车、路、行人及互联网等)之间,进行无线通讯和信息交换的大系统网络,是能够实现智能化交通管理、智能动态信息服务和车辆智能化控制的一体化网络,是物联网技术在交通系统领域的典型应用。将两者融合将会为我们的生活带来极大的便利。
然而,智能可穿戴设备和智能车辆的集成面临着各种前所未有的挑战,为物联网开发的新兴技术,如远程广域网(LoRaWAN)和窄带物联网(NB-IoT),无法直接应用。这种整合的具体特点:首先,要求通信系统适应具有各种服务质量(QoS)要求的异构流量模式,以及连接的可穿戴设备和车载设备的类型和数量的显着变化以及来自这些设备的生成数据;其次,人类和车辆的移动性导致高度动态的网络结构,这要求系统在灵活性和可靠性之间找到折衷;第三,存在各种通信技术,包括有线和无线通信,分别具有用于可穿戴和车载技术的各种通信范围。很难开发出一种系统来整合这些现有技术,并使它们在有限干扰的情况下协同工作。
据我们所知,现有文献都没有关注智能可穿戴设备和智能车辆的集成。有鉴于此,本发明提出一种用于可穿戴网和车联网数据检测及修复方法。
发明内容
本发明的目的在于提供一种用于可穿戴网和车联网数据检测及修复方法,解决了现有技术中可穿戴网和车载网之间数据传输过程中不可靠的问题。
为了达到上述目的,本发明采用的技术方案是:
本发明提供的一种用于可穿戴网和车联网数据检测及修复方法,该数据检测及修复方法用于WeVe集成系统,WeVe集成系统包括安装在智能车辆上的WeVe集线器,所述WeVe集线器包括数据错误检测和数据修复单元,具体包括以下步骤:
获取可穿戴网和车联网之间传输的数据信息;
利用数据错误检测和数据修复单元对获取得到的数据信息进行错误检测和修复。
优选地,数据错误检测和数据修复单元包括基于隐马尔科夫模型的数据错误检测模块和数据修复模块,通过基于隐马尔科夫模型的数据错误检测模块和数据修复模块对获取得到的数据信息进行错误检测和修复,其具体方法是:
第一步,建立隐马尔可夫模型;
第二步,利用Baum-Welch算法对该模型进行训练和参数估计,得到训练好的隐马尔可夫模型;
第四步,将第三步中得到的估计的真实值与获取得到的数据信息之间的差值与阈值进行对比,若该差值大于阈值时,则表示获取得到的数据信息为错误数据;
第五步,利用估计的真实值对获取得到的数据信息进行修复;其中,若获取得到的数据信息丢失,则将该估计的真实值作为获取得到的数据信息的修复值。
优选地,数据错误检测和数据修复单元包括基于距离的数据错误检测模块,通过基于距离的数据错误检测模块判断获取得到的数据信息是否为错误数据,具体的方法是:
第一步,建立概率分布模型、收集历史数据信息;
第二步,通过建立得到的概率分布模型训练收集得到的历史数据信息,得到核密度估计;
第三步,将获取得到的数据信息带入到该模型中,利用第二步中得到的核密度估计计算获取得到的数据信息与相邻数据信息平均值的距离的分布概率;
第四步,将第三步中得到的分布概率与预设的阈值进行对比,若该分布概率小于该阈值,则表示获取得到的数据信息为错误数据。
优选地,还包括基于贝叶斯网的错误检测和数据恢复模块,当采集的据集不完备、样本数据稀疏或数据较难获得,通过基于贝叶斯网的错误检测和数据恢复模块对获取的数据信息进行错误检测和修复,具体的方法是:
第一步,建立贝叶斯网模型;
第二步,利用回归模型或梯度下降算法训练该模型,通过该模型对获取的历史数据信息进行训练,得到历史数据的待诊断指标;
第三步,将获取得到的数据信息带入训练好的模型中,利用历史数据的待诊断指标计算获取得到的数据信息为真实值的概率;
第四步,将得到的概率与预设的阈值进行对比,若该概率值小于阈值时,则判定获取得到的数据信息为真实值;若该概率大于阈值时,则判定获取得到的数据信息为错误数据;
第五步,当获取得到的数据信息为错误数据时,通过历史数据的待诊断指标对获取得到的数据信息进行修复;若获取得到的数据信息丢失时,通过历史数据的待诊断指标和预设的阈值对获取得到的数据信息进行修复。
与现有技术中,本发明的有益效果是:
本发明提供的一种用于可穿戴网和车联网数据检测及修复方法,通过数据错误检测和数据修复单元对获取得到的数据信息进行错误检测和修复,使得可穿戴网和车联网之间的数据传输安全可靠,同时,本发明具有高效、复杂较低的特点,可以在数据传输的过程中持续监测数据的准确性,并对错误数据进行修复,特别是在收到第三方攻击或入侵时,该单元可以快速检测并修复数据,保护在本系统内传输数据的安全,也保护了用户个人隐私,防止用户的行程或生理健康信息被暴露,保障了系统安全,为城市交通秩序的稳定起到很大作用。
附图说明
图1是WeVe在城市环境中的场景;
图2是WeVe集成系统结构示意图。
具体实施方式
下面结合附图,对本发明进一步详细说明。
如图1和图2所示,本发明提供的一种用于可穿戴网和车联网数据检测及修复方法,用于WeVe集成系统,根据通信范围,将智能可穿戴设备和智能车辆的之间通信分为内部WeVe网络、外部WeVe网络和WeVe集线器,其中,内部WeVe网络用于智能可穿戴设备与智能车辆内部车载设备之间的通信;外部WeVe网络用于当前智能车辆与其他智能设备之间的通信;WeVe集线器用于协调内部元件和外部元件的通信,分配资源并减轻干扰;该WeVe集线器安装在智能车辆上。
WeVe集线器包括内部协调单元、外部协调单元、网关单元、数据分发和信道传输单元、数据错误检测和数据修复单元和通信单元,其中:
内部协调单元用于采集智能可穿戴设备的数据包和智能车辆的内部数据包,并把采集到的数据包传输到内部协调单元;
内部协调单元用于将接收到的智能可穿戴设备的数据包进行同步和校准预处理,并根据QoS要求和不同的优先级,对内部WeVe网络和外部WeVe网络进行传输调度,调度完成后传输到数据分发和信道传输单元;
数据分发和信道传输单元用于将接收到的预处理后的数据包进行数据分发,并传输到网关单元;
网关单元用于将内部WeVe网络的标准或专有协议转换为适于外部WeVe网络的协议;之后将接收到的数据包传输到外部WeVe网络;
外部协调单元用于在网关单元将接收到的数据包传输到外部WeVe网络时,保证数据的顺利发送。
外部协调单元还用于判断当其他智能物体向WeVe系统发送请求时,WeVe中心是否与该智能物体成组或解散,再将该请求传输到内部网络协调单元,若请求通过,则其他智能物体的数据包传输到网关单元;
网关单元用于将数据包由外部网路路由到内部网络,并进行协议的转化,然后发送到内部协调单元;
内部协调单元中的传输调度模块根据不同的优先级和QoS要求,进行WeVe内部和外部通信的传输调度,并由外部协调网络单元的干扰缓解模块保证数据的顺利发送。
数据错误检测和数据修复单元用于在WeVe集成器进行数据的发送和接收时,检测车联网和可穿戴网中的数据是否受到了入侵检测和恶意篡改等攻击,并且对其错误数据进行修复。
本发明的工作原理是:
智能可穿戴设备和智能车辆之间通过网关单元来实现两者之间的通信,其中,网关单元能够将内部协议转换为外部可用的协议,或将外部协议转换为内部可用的协议,实现智能可穿戴设备和智能车辆之间的内部WeVe网络连接,或智能可穿戴设备和智能车辆之间的外部WeVe网络连接;解决了现有技术中智能可穿戴设备和智能车辆之间因协议不同而无法通信的问题。在城市交通网络中,使信息能够无障碍的传递,及时更新路况、车况和人员的信息状态,避免意外发生的同时,出行人员也可以更加合理的规划自己的行程,并且由防火墙模块保障了用户的和交通网络的信息安全,使整个系统更加稳定可靠。
其中,网关单元包括协议转换器模块、路由器模块和防火墙模块;其中,协议转换器模块用于将内部WeVe网络的标准或专有协议转换为适用于外部WeVe网络的协议,或将外部WeVe网络的协议转换为适用于内部WeVe网络的标准或专有协议,以实现内部WeVe网络和外部WeVe网络之间的互操作性;
协议转换器模块与车辆CAN总线的OBD-II接口之间通过蓝牙连接。
路由器模块是用于将到达网关单元的数据包定向到预定目的地;例如,当数据包从内部WeVe网络进入时,路由器获取该数据包中的最终目的地的地址信息;然后,利用路由表或路由策略,将数据包定向到下一个预期网络,这会创建一个互相覆盖、互联的网络。
防火墙模块是用于根据特定的安全规则监控网络的传入和传出信息。通常,防火墙保护可信内部网络免受其他外部不安全网络(例如Internet)的影响。
内部网络协调单元包括同步和校准模块、传输调度模块和请求处理模块,其中:
同步和校准模块用于将接收到的数据包进行同步和校准预处理,具体地:通过专有算法预估智能可穿戴设备相对于加速器和磁力计的重力和磁北方向;同步和校准模块将生物传感器的最后历史值存储为初始化值,然后,根据生物传感器的多样性,磁漂移进行更新和再次估计。
传输调度模块用于根据不同的优先级和QoS要求对信息进行传输和调度,具体地:采用异构流量模式对数据信息进行优先级的调度,所述异构流量模式将流量分为三类:
第一类:随机且不可预测,且数据速率小于10kb/s的流量为紧急流量;
第二类:持续监控用户或车辆状态的连续信息,且数据速率介于10kb/s和1Mb/s之间的流量为常规流量;
第三类:数据速率超过1Mb/s的流量为按需流量。
优先级从最高到最低分配给紧急流量,常规流量和按需流量。
传输调度模块将根据流量的特征动态地确定来自特定节点的流量的优先级,然后根据优先级确定调度信息。
例如,将优先考虑关于驾驶员的健康状况和安全性的信息。与此同时,乘客的健康紧急信息也将被提供高优先级,而娱乐的其他信息请求被设置为具有最低优先级。
根据WeVe的特点,本申请采用支持信标的超帧结构进行传输调度。在超帧中,存在针对周期性信息分配的无争用时段和针对不可预测信息的基于争用的时段。紧急信息将在基于争用的时段以最短的退避时段发送,以便以最短的延迟发送这种信息。
请求处理模块用于接收其他职能设备的加入请求,对检测试题的完整性以决定是否将传输调度分配给新对象;并向WeVe中心发送该请求;
若该其他职能设备不想授权与WeVe中心通信的情况下,请求处理模块不会发送参与请求。
外部网络协调单元包括干扰缓解模块、成组和解散模块,其中,干扰缓解模块利用跳频算法和集中式算法对同频和邻频干扰进行缓解,使得信息在本系统中传输时,减少各个信道间的干扰,提高整个系统信息传输的稳定性,为使用本系统的用户,在数据传输过程中减少来自其他信道的干扰。
成组和解散模块用于智能可穿戴设备与智能车辆的内部车载设备之间、智能车辆与智能车辆之间、或智能车辆与行人之间的形成或解散。
基于组的稳定性和活动特点,一组车辆中的WeVe枢纽需要确定一个组长的资格。根据空间分布和交通负担水平,为组中的每个WeVe车辆中心设置资格值,然后根据车辆的资格值确定组长。成组和解散模块还负责检查和验证请求实体的身份和安全凭证,通过采用记录和审计,身份验证和访问控制机制,阻止来自其他可穿戴设备、车辆或Internet的攻击。成组和解散模块需要保证WeVe的容错性,我们采用硬件备份的容错策略或使用可穿戴传感器网络的PDA进行临时备份。
数据分发和信道传输单元用于根据不同对象分配相应的通信技术,且构建了基于优先级的数据分发机制和改进的信道接入机制。
该单元为了适应不同穿戴设备和不同车辆的网络传输需求,利用了的短程通信技术ZigBee和UWB、用于V2V,V2R和V2P的中程通信技术DSRC、用于V2V,V2R和V2I的远程通信技术LTE-V等多种通信技术,这些技术适用于大多数可穿戴设备、车辆和路边单元,旨在使得本系统中的任何一个通信物体或用户都能适应本系统,并且根据车辆密度、行驶环境、车间距离、传输时延、车辆速度等因素,在对数据进行传输调度的基础上,构建数据分发机制,完成数据的自适应传输,建立动态的、自适应的信道接入机制,减轻系统整体的负担,使得系统中的通信更加高效,进而提高用户的服务质量,提高交通网络的质量。
该单元实现了数据的分发,降低网络冗余,最大化系统吞吐量,并且决定数据接入时机和顺序,提高信道利用率、降低数据传输时延。
数据分发和信道传输单元结合车辆密度、行驶环境、车间距离、传输时延、车辆速度的因素,计算信息的紧急程度和重要程度,并将这两个因素作为评定信息优先级的重要指标,实现优先级动态计算,将信息优先级和空闲信道评估门限值进行关联,构建数据分发机制,完成数据的自适应传输。并优化二进制退避算法,不仅考虑信息的优先级而且结合了实际的道路交通情况,根据当前数据类别和数据量对控制信道和服务信道固定的时隙进行实时调整,动态计算竞争窗口的大小,建立动态的、自适应的信道接入机制。并通过马尔科夫模型进行系统性能评估。
数据错误检测和数据修复单元包括基于距离的数据错误检测模块、基于隐马尔科夫模型的数据错误检测模块和数据修复模块、基于贝叶斯网的错误检测和数据修复模块,确保车联穿戴网的数据在任何场景下都能够拥有可靠性和安全性。
该模块利用了贝叶斯网模型和马尔可夫模型,这两种技术常用于数据的错误检测和修复,具有高效、复杂较低的特点,可以在数据传输的过程中持续监测数据的准确性,并对错误数据进行修复,特别是在收到第三方攻击或入侵时,该单元可以快速检测并修复数据,保护在本系统内传输数据的安全,也保护了用户个人隐私,防止用户的行程或生理健康信息被暴露,保障了系统安全,为城市交通秩序的稳定起到很大作用。
基于距离的数据错误检测模块应用在数据仅仅需要进行检测而无需进行修复的情况下,例如检测车联网可穿戴网中的数据是否受到了入侵检测和恶意篡改等攻击,该模块建立了一个概率分布模型来计算一个距离的概率分布。该距离是某个时刻传感器测量数据与邻近时刻测量数据的加权平均的距离。由于不能确定距离分布符合哪种分布函数,这里采用核密度估计的方法来计算不同测量数据的分布概率。第一步,利用历史数据训练核密度估计。对任一待检测的传感器数据,利用该核密度估计计算该数据与相邻数据平均值的距离的分布概率,如果该概率小于一个预定的阈值,则该数据为错误数据。为了减少计算开销,该模块采用滑动窗口对检测数据进行切片,并利用权重值来控制计算窗口数据对检测点的影响。
基于隐马尔可夫模型的错误检测及数据恢复模块应用在车联网和可穿戴网中的时序数据建模、语音识别、自然语言处理的方面,该模块建立了一个隐马尔科夫模型进行错误检测和数据修复。设N=模型中马尔可夫链的状态数,记N个状态集合Q={q1,…,qn},记t时刻马尔可夫链所处的状态为qt;定义M=有限观测符号数,记M个观测值为V={v1,…,vm},t时刻的观测值为vt,错误率用在状态st下观察状态ot的条件概率P(ot|st)表示,即当qi=vj时,P(ot=vj|st=qi)=1-p,其中p是传感器错误率。我们用Baum-Welch算法对模型进行训练和参数估计,若在训练中出现了概率比较低的数据,Baum-Welch算法估计的转移概率偏差比较大,不能直接使用Baum-Welch算法进行参数估计,我们对Baum-Welch算法进行改进,降低出现概率比较低的数据到其他数据的转移概率,以提高基于隐马尔可夫模型进行错误检测和数据修复的效率。在进行错误检测时,我们训练得到一个隐马尔科夫模型λ=(π,A,B),其中π是初始状态分布,A是状态转移概率矩阵,B是观测值概率矩阵,取出一组待检验的传感器数据序列O={o1,…,oT},利用Viterbi算法求解最佳状态序列作为估计的真实值。在任意的t时刻,如果该时刻有传感器数据ot,并且估计的真实值st和ot的差值大于一个固定的阈值δ,即|st-ot|>δ,则数据ot为一个错误数据,并用估计的真实值st做为该错误数据的修复值;如果该时刻的数据ot丢失,那么这个估计的真实值st就作为丢失数据的修复值。
基于贝叶斯网的错误检测和数据恢复模块应用在数据集不完备、样本数据稀疏或数据较难获得的情况下,该模块建立了一个贝叶斯网模型对数据进行错误检测和修复,其中包括了可穿戴设备的传感器和车载传感器之间的时空关系。设传感器对应的测量值为Y1,…,Yn,取监测指标的真实值是X1,…,Xn,其中包括了本时刻的真实值,也包括了本时刻之前的时刻的真实值,利用回归模型、梯度下降算法的训练模型和已知数据对贝叶斯网进行训练和参数学习。进行错误检测时,设待检测的传感器数据时Yi=yi,计算在给定的已知传感器数据和待诊断指标历史传感器数据的前提下待诊断指标的真实值即yi的概率为P(Xi=yi|Y1=y1,…,Yn=yn)。我们判断此概率是否符合要求,则需要确定一个阈值δ,阈值的选择会直接影响检错和修复效率,我们对检错率α,误判率β和检错以后数据的整体错误率γ进行理论分析:
γ=p(1-α)+(1-p)β (3)
其中p为传感器错误率,H是待诊断指标的估计值。对于传感器的错误诊断,γ转化为阈值δ的函数。同样的方法,我们推导出数据修复方法的错误修复率φ,正确数据修复为错误数据的概率和数据修复后的总体错误率γ′。γ′转换为阈值δ的函数。最终,我们利用优化算法求解γ和γ′达到最小时的最优阈值δ。当P>δ时,我们就判定传感器值Yi=yi是该指标的真实值,当P<δ时,我们就判定传感器值Yi=yi是。进行数据修复时,设监测指标可能的真实值a,计算给定所有已知传感器数据的前提下待诊断指标的真实值Xi=a的概率为Pa=P(Xi=a|Y1=y1,…,Yn=yn),并把概率最大的可能值作为待诊断指标的估计值对丢失数据进行修复,如果数据没丢失,则利用该估计值和阈值δ对错误传感器数据进行修复。
Claims (4)
1.一种用于可穿戴网和车联网数据检测及修复方法,其特征在于,该数据检测及修复方法用于WeVe集成系统,WeVe集成系统包括安装在智能车辆上的WeVe集线器,所述WeVe集线器包括数据错误检测和数据修复单元,具体包括以下步骤:
获取可穿戴网和车联网之间传输的数据信息;
利用数据错误检测和数据修复单元对获取得到的数据信息进行错误检测和修复;
数据错误检测和数据修复单元包括基于隐马尔科夫模型的数据错误检测模块和数据修复模块,通过基于隐马尔科夫模型的数据错误检测模块和数据修复模块对获取得到的数据信息进行错误检测和修复;
数据错误检测和数据修复单元包括基于距离的数据错误检测模块,通过基于距离的数据错误检测模块判断获取得到的数据信息是否为错误数据;
还包括基于贝叶斯网的错误检测和数据恢复模块,当采集的数据集不完备、样本数据稀疏或数据较难获得,通过基于贝叶斯网的错误检测和数据恢复模块对获取的数据信息进行错误检测和修复。
2.根据权利要求1所述的一种用于可穿戴网和车联网数据检测及修复方法,其特征在于,通过基于隐马尔科夫模型的数据错误检测模块和数据修复模块对获取得到的数据信息进行错误检测和修复的具体方法是:
第一步,建立隐马尔可夫模型;
第二步,利用Baum-Welch算法对该模型进行训练和参数估计,得到训练好的隐马尔可夫模型;
第四步,将第三步中得到的估计的真实值与获取得到的数据信息之间的差值与阈值进行对比,若该差值大于阈值时,则表示获取得到的数据信息为错误数据;
第五步,利用估计的真实值对获取得到的数据信息进行修复;其中,若获取得到的数据信息丢失,则将该估计的真实值作为获取得到的数据信息的修复值。
3.根据权利要求1所述的一种用于可穿戴网和车联网数据检测及修复方法,其特征在于,通过基于距离的数据错误检测模块判断获取得到的数据信息是否为错误数据的具体方法是:
第一步,建立概率分布模型、收集历史数据信息;
第二步,通过建立得到的概率分布模型训练收集得到的历史数据信息,得到核密度估计;
第三步,将获取得到的数据信息带入到该模型中,利用第二步中得到的核密度估计计算获取得到的数据信息与相邻数据信息平均值的距离的分布概率;
第四步,将第三步中得到的分布概率与预设的阈值进行对比,若该分布概率小于该阈值,则表示获取得到的数据信息为错误数据。
4.根据权利要求1所述的一种用于可穿戴网和车联网数据检测及修复方法,其特征在于,通过基于贝叶斯网的错误检测和数据恢复模块对获取的数据信息进行错误检测和修复的具体方法是:
第一步,建立贝叶斯网模型;
第二步,利用回归模型或梯度下降算法训练该模型,通过该模型对获取的历史数据信息进行训练,得到历史数据的待诊断指标;
第三步,将获取得到的数据信息带入训练好的模型中,利用历史数据的待诊断指标计算获取得到的数据信息为真实值的概率;
第四步,将得到的概率与预设的阈值进行对比,若该概率值小于阈值时,则判定获取得到的数据信息为真实值;若该概率大于阈值时,则判定获取得到的数据信息为错误数据;
第五步,当获取得到的数据信息为错误数据时,通过历史数据的待诊断指标对获取得到的数据信息进行修复;若获取得到的数据信息丢失时,通过历史数据的待诊断指标和预设的阈值对获取得到的数据信息进行修复。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910717937.3A CN110430549B (zh) | 2019-08-05 | 2019-08-05 | 一种用于可穿戴网和车联网数据检测及修复方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910717937.3A CN110430549B (zh) | 2019-08-05 | 2019-08-05 | 一种用于可穿戴网和车联网数据检测及修复方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110430549A CN110430549A (zh) | 2019-11-08 |
CN110430549B true CN110430549B (zh) | 2020-12-29 |
Family
ID=68412573
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910717937.3A Active CN110430549B (zh) | 2019-08-05 | 2019-08-05 | 一种用于可穿戴网和车联网数据检测及修复方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110430549B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113190997B (zh) * | 2021-04-29 | 2023-08-01 | 贵州数据宝网络科技有限公司 | 一种大数据终端数据修复方法及系统 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103077302A (zh) * | 2012-12-25 | 2013-05-01 | 杭州电子科技大学 | 基于平衡板使用者健康状态动态监测方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9366451B2 (en) * | 2010-12-24 | 2016-06-14 | Commonwealth Scientific And Industrial Research Organisation | System and method for the detection of faults in a multi-variable system utilizing both a model for normal operation and a model for faulty operation |
US20140324240A1 (en) * | 2012-12-14 | 2014-10-30 | Alcatel-Lucent Usa Inc. | Method And System For Disaggregating Thermostatically Controlled Appliance Energy Usage From Other Energy Usage |
CN107817106B (zh) * | 2017-10-11 | 2019-08-02 | 温州大学 | 基于贝叶斯残余变换-奇异值分解-高斯混合隐马尔科夫模型框架的滚动轴承故障诊断方法 |
-
2019
- 2019-08-05 CN CN201910717937.3A patent/CN110430549B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103077302A (zh) * | 2012-12-25 | 2013-05-01 | 杭州电子科技大学 | 基于平衡板使用者健康状态动态监测方法 |
Non-Patent Citations (3)
Title |
---|
"A Bayesian network model for data losses and faults in medical body sensor networks";Haibin Zhang等;《Computer Networks》;20180707;正文第2-4节 * |
"Distance Based Method for Outlier Detection of Body Sensor Networks";Haibin Zhang等;《EAI Endorsed Transactions》;20160131;第2卷;正文第1-3节 * |
"When Smart Wearables Meet Intelligent";WEN SUN等;《IEEE Wireless Communications》;20170630;第58-64页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110430549A (zh) | 2019-11-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Hamdi et al. | A review of applications, characteristics and challenges in vehicular ad hoc networks (VANETs) | |
Santi | Mobility models for next generation wireless networks: ad hoc, vehicular and mesh networks | |
CN105847177B (zh) | 一种基于功率和速率联合调整的车联网拥塞控制方法 | |
CN108769926B (zh) | 基于群体感知层的车联网隐私保护方法及车联网构架 | |
Hussain et al. | Comparative studied based on attack resilient and efficient protocol with intrusion detection system based on deep neural network for vehicular system security | |
Jutila et al. | ITS‐G5 performance improvement and evaluation for vulnerable road user safety services | |
Mazzola et al. | Safety-critical driver assistance over LTE: Toward centralized ACC | |
Collotta et al. | A novel road monitoring approach using wireless sensor networks | |
Fazio et al. | Vehicular networks and road safety: An application for emergency/danger situations management using the WAVE/802.11 p standard | |
Sanghvi et al. | Res6edge: An edge-ai enabled resource sharing scheme for c-v2x communications towards 6g | |
CN110430549B (zh) | 一种用于可穿戴网和车联网数据检测及修复方法 | |
Zhang et al. | Research on adaptive beacon message broadcasting cycle based on vehicle driving stability | |
Sharma et al. | Optimization transmit rate-based decentralized congestion control scheme in vehicular ad hoc networks | |
Bidollahkhani et al. | LoRaline: A critical message passing line of communication for anomaly mapping in IoV systems | |
Zhao et al. | Fedmix: A sybil attack detection system considering cross-layer information fusion and privacy protection | |
Bernaś | VANETs as a part of weather warning systems | |
CN102945604B (zh) | 一种拥塞事件的判断方法 | |
Gahlan et al. | A review on various issues, challenges and different methodologies in vehicular environment | |
Urra et al. | Using hitchhiker mobile agents for environment monitoring | |
Eckhoff | Simulation of privacy-enhancing technologies in vehicular ad-hoc networks | |
Gani et al. | Message content control for distributed map sharing in vehicle safety communications | |
Agosta et al. | Toward a V2I-based solution for traffic lights optimization | |
Ding et al. | Multi-link scheduling algorithm of LLC protocol in heterogeneous vehicle networks based on environment and vehicle-risk-field model | |
Gao et al. | Intelligent acquisition algorithm of dynamic traffic data based on Internet of Things | |
Almutairi et al. | Platform for energy efficiency monitoring electrical vehicle in real world traffic simulation |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |