CN112822244A - 一种基于边缘云的物联网时间序列预测系统及方法 - Google Patents
一种基于边缘云的物联网时间序列预测系统及方法 Download PDFInfo
- Publication number
- CN112822244A CN112822244A CN202011622265.7A CN202011622265A CN112822244A CN 112822244 A CN112822244 A CN 112822244A CN 202011622265 A CN202011622265 A CN 202011622265A CN 112822244 A CN112822244 A CN 112822244A
- Authority
- CN
- China
- Prior art keywords
- prediction
- model
- prediction model
- training set
- edge cloud
- 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.)
- Granted
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
-
- G—PHYSICS
- G08—SIGNALLING
- G08C—TRANSMISSION SYSTEMS FOR MEASURED VALUES, CONTROL OR SIMILAR SIGNALS
- G08C17/00—Arrangements for transmitting signals characterised by the use of a wireless electrical link
- G08C17/02—Arrangements for transmitting signals characterised by the use of a wireless electrical link using a radio link
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y10/00—Economic sectors
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y40/00—IoT characterised by the purpose of the information processing
- G16Y40/30—Control
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
- H04L67/125—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks involving control of end-device applications over a network
Landscapes
- Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种基于边缘云的物联网时间序列预测系统及方法,预测系统包括数据采集终端、5G基站、工业控制终端、云平台和边缘云;云平台用于根据接收到的5G基站传递而来的数据采集终端采集的历史工业现场数据,对预测模型进行训练,将训练好的预测模型传递给边缘云;边缘云用于接收云平台传递过来的训练好的预测模型,并利用训练好的预测模型对新工业现场数据进行预测,利用预测结果生成工业控制命令,并将工业控制命令传递给5G基站。优点是:把预测模型训练和预测模型应用进行分离,即预测模型训练是在远端的高性能云平台实现,预测模型应用是在离工业控制场景较近的边缘云实现,从而减少通信成本和处理延迟。
Description
技术领域
本发明涉及物联网技术领域,尤其涉及一种基于边缘云的物联网时间序列预测系统及方法。
背景技术
5G背景下,数据量大计算任务多,如果采用经典的集中式云计算方法,由于数据传输距离远,会带来较大延迟。为此,提出了边缘云技术,即在5G基站放置服务器,在该服务器部署边缘云,从而实现数据就近处理,避免海量数据传输到远端云服务器。物联网数据采集设备采集的数据汇聚到边缘云,通常是时间序列,边缘云对时间序列进行分析,并向物联网控制设备发出控制命令,进行工业控制。为了更好的进行设备控制,边缘云需要对时间序列进行预测,根据预测结果发出相应的控制命令,显然预测越准确,控制越精确。
而在5G背景下,数据量大计算任务多,如果采用经典的集中式云计算方法,由于数据传输距离远,会带来较大的通信成本和处理延迟。对于低时延要求的工业控制无法满足要求。
发明内容
本发明的目的在于提供一种基于边缘云的物联网时间序列预测系统及方法,从而解决现有技术中存在的前述问题。
为了实现上述目的,本发明采用的技术方案如下:
一种基于边缘云的物联网时间序列预测系统,预测系统包括
数据采集终端;用于采集工业现场数据,并将采集到的工业现场数据通过5G传递给5G基站;
5G基站;用于接收数据采集终端传递过来的工业现场数据,并将工业现场数据通过通信网络传递给远端的云平台;
工业控制终端;用于接收5G基站发送过来的工业控制命令,并根据工业控制命令实施相应的工业控制;
云平台;用于根据接收到的历史工业现场数据,对预测模型进行训练,获取训练好的预测模型,并将训练好的预测模型传递给边缘云;用于根据增量样本构造新的训练集,并利用新的训练集采用增量合并或替换的方式重新训练预测模型;
边缘云;用于接收云平台通过通信网络传递过来的训练好的预测模型,并利用训练好的预测模型对新工业现场数据进行预测,利用预测结果生成工业控制命令,并将工业控制命令传递给5G基站;
边缘云中设置有异常计数器和高度异常计数器,边缘云根据高度异常计数器的数值与预设数量之间的大小关系,将增量样本通过通信网络传送给云平台;云平台根据增量样本构造新的训练集,并根据异常计数器的数值和高度异常计数器的数值之间的差值与预设偏差的大小关系,确定采用增量合并或替换合并的方式利用新的训练集重新训练预测模型。
本发明的目的还在于提供一种基于边缘云的物联网时间序列预测方法,预测方法使用所述的预测系统进行实现;所述预测方法包括如下步骤,
S1、数据采集终端将采集到的工业现场数据通过5G传递给5G基站;
S2、5G基站通过通信网络将工业现场数据传输到远端的云平台;
S3、云平台根据收集到的工业时序数据Seq={D1,D2,D3,…,DT}构建训练集;
S4、云平台利用训练集对预测模型进行训练,并将训练好的预测模型MODEL和训练好的预测模型MODEL在训练集上预测误差E的标准差delta通过通信网络传递给边缘云;
S5、边缘云利用训练好的训练模型MODEL对新工业现场数据ND={DT-N+2,DT-N+3,…,DT,DT+1}进行预测,并利用预测结果y=MODEL(ND)生成工业控制命令,之后通过5G基站将工业控制命令传递给工业控制终端;
S6、工业控制终端根据工业控制命令实施相应的工业控制;
S7、边缘云根据采集的最新工业现场数据计算前一次的预测误差,并根据计算的前一次预测误差与标准差之间的关系,使异常计数器和/或高度异常计数器的数值加1;并在高度异常计数器的数值超过预设数量K时,将增量样本通过通信网络传送给云平台;云平台根据增量样本构造新的训练集,并根据异常计数器的数值和高度异常计数器的数值之间的差值与预设偏差的大小关系,确定采用增量合并或替换合并的方式利用新的训练集重新训练预测模型,将更新的预测模型MODEL’和标准差delta’传送给边缘云,边缘云利用更新的MODEL’和标准差delta’返回步骤S5进行预测,获取新的工业控制命令。
优选的,采用增量合并的方式构造新的训练集具体为,
当异常计数器的数值减去高度异常计数器的数值得到的差值小于预设偏差ε;则表示工业时序数据的分布模型没有发生流变,当前的预测模型有效;此时,采用增量合并的方式构造新的训练集,即将增量样本集与原始的训练集进行合并,构造新的训练集;
采用替换合并的方式构造新的训练集具体为,
当异常计数器的数值减去高度异常计数器的数值得到的差值大于或等于预设偏差ε;则表示工业时序数据的分布模型发生流变,当前的预测模型失效;此时,采用替换合并的方式构造新的训练集,即使用增量样本集替换原始训练集中最早的数据样本,构造新的训练集。
优选的,步骤S7具体包括如下内容,
S71、边缘云通过5G基站获取数据采集终端采集的最新工业现场数据DT+2,并计算前一次预测y=MODEL(ND)的预测误差E=(y*-y)2;若预测误差大于2倍的标准差delta,则异常计数器加1;若预测误差大于3倍的标准差delta,则高度异常计数器加1;并且将新工业现场数据ND={DT-N+2,DT-N+3,…,DT,DT+1}存入增量样本集中;其中,y为训练好的预测模型的预测结果,y*为真实值;
S72、当高度异常计数器超过预设数量K,则边缘云将增量样本集通过通信网络传送给云平台,云平台根据增量样本构造新的训练集,并根据异常计数器的数值和高度异常计数器的数值之间的差值与预设偏差的大小关系,确定采用增量合并或替换合并的方式利用新的训练集重新训练预测模型,获取更新的预测模型MODEL’和标准差delta’,并将更新的预测模型MODEL’和标准差delta’传送给边缘云;
S73、边缘云接收更新的预测模型MODEL’和标准差delta’,并把增量样本集、异常计数器和高度异常计数器清零,并返回步骤S5进行预测,获取新的工业控制命令。
优选的,步骤S3中训练集的构建过程为,对工业时序数据Seq={D1,D2,D3,…,DT}进行数据样本提取,样本大小为N,则从工业时序数据中任意截取M个大小为N的子序列,即可得到M个样本构成的训练集。
优选的,所述预测模型为GRU预测模型;步骤S4中云平台利用训练集对预测模型进行训练具体为,
将训练集中M个大小为N的子序列,逐个输入到GRU预测模型中,通过向前计算过程逐个获取模型输出;所述模型输出即为当前预测值。
本发明的有益效果是:1、把预测模型训练和预测模型应用进行分离,即预测模型训练是在远端的高性能云平台实现,预测模型应用是在离工业控制场景较近的边缘云实现,从而减少通信成本和处理延迟。2、在边缘云向远端云平台传输训练样本时,采用高度异常计数器进行样本过滤,只保留预测误差较大的数据作为新的训练样本,从而减少模型更新次数、减少通信成本和计算成本,达到低时延工业控制的要求。3、在构造增量训练样本集时,采用双异常计数器灵活选择增量合并或替换合并两种方式,以适应工业时序数据的分布模型保持稳定或发生流变两种场景,从而提升模型预测精度,生成的工业控制命令更为准确。
附图说明
图1是本发明实施例中预测方法的流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施方式仅仅用以解释本发明,并不用于限定本发明。
实施例一
本实施例中,提供了一种基于边缘云的物联网时间序列预测系统,预测系统包括
数据采集终端;用于采集工业现场数据,并将采集到的工业现场数据通过5G传递给5G基站;
5G基站;用于接收数据采集终端传递过来的工业现场数据,并将工业现场数据通过通信网络传递给远端的云平台;
工业控制终端;用于接收5G基站发送过来的工业控制命令,并根据工业控制命令实施相应的工业控制;
云平台;用于根据接收到的历史工业现场数据,对预测模型进行训练,获取训练好的预测模型,并将训练好的预测模型传递给边缘云;根据增量样本构造新的训练集,并利用新的训练集采用增量合并或替换的方式重新训练预测模型;
边缘云;用于接收云平台通过通信网络传递过来的训练好的预测模型,并利用训练好的预测模型对新工业现场数据进行预测,利用预测结果生成工业控制命令,并将工业控制命令传递给5G基站;
边缘云中设置有异常计数器和高度异常计数器,边缘云根据高度异常计数器的数值与预设数量之间的大小关系,将增量样本通过通信网络传送给云平台;云平台根据增量样本构造新的训练集,并根据异常计数器的数值和高度异常计数器的数值之间的差值与预设偏差的大小关系,确定采用增量合并或替换合并的方式利用新的训练集重新训练预测模型。
本实施例中,边缘云根据预测精度进行样本数据选择,只发送部分数据样本到云平台,云平台利用新积累的样本进行样本补全,并重新进行模型训练,更新预测模型。
预测模型部署在边缘云,从而达到低时延工业控制的要求;
预测模型的更新采用样本补全的方式,减少数据流量,解决通信成本。
实施例二
如图1所示,本实施例中,提供了一种基于边缘云的物联网时间序列预测方法,预测方法使用所述的预测系统进行实现;所述预测方法包括如下步骤,
S1、数据采集终端将采集到的工业现场数据通过5G传递给5G基站;
S2、5G基站通过通信网络将工业现场数据传输到远端的云平台;
S3、云平台根据收集到的工业时序数据Seq={D1,D2,D3,…,DT}构建训练集;
S4、云平台利用训练集对预测模型进行训练,并将训练好的预测模型MODEL和训练好的预测模型MODEL在训练集上预测误差E的标准差delta通过通信网络传递给边缘云;
S5、边缘云利用训练好的训练模型MODEL对新工业现场数据ND={DT-N+2,DT-N+3,…,DT,DT+1}进行预测,并利用预测结果y=MODEL(ND)生成工业控制命令,之后通过5G基站将工业控制命令传递给工业控制终端;
S6、工业控制终端根据工业控制命令实施相应的工业控制;
S7、边缘云根据采集的最新工业现场数据计算前一次的预测误差,并根据计算的前一次预测误差与标准差之间的关系,使异常计数器和/或高度异常计数器的数值加1;并在高度异常计数器的数值超过预设数量K时,将增量样本通过通信网络传送给云平台;云平台根据增量样本构造新的训练集,并根据异常计数器的数值和高度异常计数器的数值之间的差值与预设偏差的大小关系,确定采用增量合并或替换合并的方式利用新的训练集重新训练预测模型,将更新的预测模型MODEL’和标准差delta’传送给边缘云,边缘云利用更新的MODEL’和标准差delta’返回步骤S5进行预测,获取新的工业控制命令。
本实施例中,步骤S3中训练集的构建过程为,对工业时序数据Seq={D1,D2,D3,…,DT}进行数据样本提取,假设样本大小为N,则从工业时序数据中任意截取M个大小为N的子序列,即可得到M个样本构成的训练集。
本实施例中,所述预测模型为GRU预测模型;步骤S4中云平台利用训练集对预测模型进行训练具体为,
将训练集中M个大小为N的子序列,逐个输入到GRU预测模型中,通过向前计算过程逐个获取模型输出;所述模型输出即为当前预测值。
本实施例中,预测模型训练完成后,需要获取训练好的预测模型MODEL在训练集上的预测误差;获取过程为,
1、对于样本Sample1={D1,D2,D3,…,DN},令y*是真实值,y*=DN+1;y是训练好的预测模型MODEL的预测值,y=MODEL(Sample1),则Sample1的预测误差E1=(y*-y)2;
2、对于M个样本,就获得M个预测误差E1,E2,…,EM;计算这个M个预测误差的标准差delta;其中,2delta是异常,3delta是高度异常,一个样本是3delta必是2delta。
本实施例中,步骤S7具体为,
S71、边缘云通过5G基站获取数据采集终端采集的最新工业现场数据DT+2,并计算前一次预测y=MODEL(ND)的预测误差E=(y*-y)2;若预测误差大于2倍的标准差delta,则异常计数器加1;若预测误差大于3倍的标准差delta,则高度异常计数器加1;并且将新工业现场数据ND={DT-N+2,DT-N+3,…,DT,DT+1}存入增量样本集中;其中,y为训练好的预测模型的预测结果,y*为真实值;
S72、当高度异常计数器超过预设数量K,则边缘云将增量样本集通过通信网络传送给云平台,云平台根据增量样本构造新的训练集,并根据异常计数器的数值和高度异常计数器的数值之间的差值与预设偏差的大小关系,确定采用增量合并或替换合并的方式利用新的训练集重新训练预测模型,获取更新的预测模型MODEL’和标准差delta’,并将更新的预测模型MODEL’和标准差delta’传送给边缘云;
S73、边缘云接收更新的预测模型MODEL’和标准差delta’,并把增量样本集、异常计数器和高度异常计数器清零,并返回步骤S5进行预测,获取新的工业控制命令。
本实施例中,预设数量K反映预测模型更新的灵敏度,用户可以调整K,K越大预测模型更新越频繁,预测稳定性和精度会越高,但是网络流量和计算量会越大。用户根据具体应用场景进行调整;可以将预设数量设置为K=0.1*M,M是训练集大小。
本实施例中,云平台根据增量样本构造新的训练集,并根据异常计数器的数值和高度异常计数器的数值之间的差值与预设偏差的大小关系,确定采用增量合并或替换合并的方式利用新的训练集重新训练预测模型;
采用增量合并的方式构造新的训练集具体为,
当异常计数器COUNTA的数值减去高度异常计数器COUNTB的数值得到的差值小于预设偏差ε;则表示工业时序数据的分布模型没有发生流变,当前的预测模型有效;此时,采用增量合并的方式构造新的训练集,即将增量样本集与原始的训练集进行合并,构造新的训练集;
采用替换合并的方式构造新的训练集具体为,
当异常计数器COUNTA的数值减去高度异常计数器COUNTB的数值得到的差值大于或等于预设偏差ε;则表示工业时序数据的分布模型发生流变,当前的预测模型失效;此时,采用替换合并的方式构造新的训练集,即使用增量样本集替换原始训练集中最早的数据样本,构造新的训练集。
本实施例中,预设偏差ε可以设置为,ε=0.1*min{COUNTA,COUNTB}。
通过采用本发明公开的上述技术方案,得到了如下有益的效果:
本发明提供了一种基于边缘云的物联网时间序列预测系统及方法,把预测模型训练和预测模型应用进行分离,即预测模型训练是在远端的高性能云平台实现,预测模型应用是在离工业控制场景较近的边缘云实现,从而减少通信成本和处理延迟。在边缘云向远端云平台传输训练样本时,采用高度异常计数器进行样本过滤,只保留预测误差较大的数据作为新的训练样本,从而减少模型更新次数、减少通信成本和计算成本,实现低时延工业控制的要求。在构造增量训练样本集时,采用双异常计数器灵活选择增量合并或替换合并两种方式,用以适应工业时序数据的分布模型保持稳定或发生流变两种场景,从而提升模型预测精度,生成的工业控制命令更为准确。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视本发明的保护范围。
Claims (6)
1.一种基于边缘云的物联网时间序列预测系统,预测系统包括
数据采集终端;用于采集工业现场数据,并将采集到的工业现场数据通过5G传递给5G基站;
5G基站;用于接收数据采集终端传递过来的工业现场数据,并将工业现场数据通过通信网络传递给远端的云平台;
工业控制终端;用于接收5G基站发送过来的工业控制命令,并根据工业控制命令实施相应的工业控制;
其特征在于:
云平台;用于根据接收到的历史工业现场数据,对预测模型进行训练,获取训练好的预测模型,并将训练好的预测模型传递给边缘云;用于根据增量样本构造新的训练集,并利用新的训练集采用增量合并或替换的方式重新训练预测模型;
边缘云;用于接收云平台通过通信网络传递过来的训练好的预测模型,并利用训练好的预测模型对新工业现场数据进行预测,利用预测结果生成工业控制命令,并将工业控制命令传递给5G基站;
边缘云中设置有异常计数器和高度异常计数器,边缘云根据高度异常计数器的数值与预设数量之间的大小关系,将增量样本通过通信网络传送给云平台;云平台根据增量样本构造新的训练集,并根据异常计数器的数值和高度异常计数器的数值之间的差值与预设偏差的大小关系,确定采用增量合并或替换合并的方式利用新的训练集重新训练预测模型。
2.一种基于边缘云的物联网时间序列预测方法,其特征在于:预测方法使用权利要求1所述的预测系统进行实现;所述预测方法包括如下步骤,
S1、数据采集终端将采集到的工业现场数据通过5G传递给5G基站;
S2、5G基站通过通信网络将工业现场数据传输到远端的云平台;
S3、云平台根据收集到的工业时序数据Seq={D1,D2,D3,…,DT}构建训练集;
S4、云平台利用训练集对预测模型进行训练,并将训练好的预测模型MODEL和训练好的预测模型MODEL在训练集上预测误差E的标准差delta通过通信网络传递给边缘云;
S5、边缘云利用训练好的训练模型MODEL对新工业现场数据ND={DT-N+2,DT-N+3,…,DT,DT+1}进行预测,并利用预测结果y=MODEL(ND)生成工业控制命令,之后通过5G基站将工业控制命令传递给工业控制终端;
S6、工业控制终端根据工业控制命令实施相应的工业控制;
S7、边缘云根据采集的最新工业现场数据计算前一次的预测误差,并根据计算的前一次预测误差与标准差之间的关系,使异常计数器和/或高度异常计数器的数值加1;并在高度异常计数器的数值超过预设数量K时,将增量样本通过通信网络传送给云平台;云平台根据增量样本构造新的训练集,并根据异常计数器的数值和高度异常计数器的数值之间的差值与预设偏差的大小关系,确定采用增量合并或替换合并的方式利用新的训练集重新训练预测模型,将更新的预测模型MODEL’和标准差delta’传送给边缘云,边缘云利用更新的MODEL’和标准差delta’返回步骤S5进行预测,获取新的工业控制命令。
3.根据权利要求2所述的基于边缘云的物联网时间序列预测方法,其特征在于:采用增量合并的方式构造新的训练集具体为,
当异常计数器的数值减去高度异常计数器的数值得到的差值小于预设偏差ε;则表示工业时序数据的分布模型没有发生流变,当前的预测模型有效;此时,采用增量合并的方式构造新的训练集,即将增量样本集与原始的训练集进行合并,构造新的训练集;
采用替换合并的方式构造新的训练集具体为,
当异常计数器的数值减去高度异常计数器的数值得到的差值大于或等于预设偏差ε;则表示工业时序数据的分布模型发生流变,当前的预测模型失效;此时,采用替换合并的方式构造新的训练集,即使用增量样本集替换原始训练集中最早的数据样本,构造新的训练集。
4.根据权利要求1所述的基于边缘云的物联网时间序列预测方法,其特征在于:步骤S7具体包括如下内容,
S71、边缘云通过5G基站获取数据采集终端采集的最新工业现场数据DT+2,并计算前一次预测y=MODEL(ND)的预测误差E=(y*-y)2;若预测误差大于2倍的标准差delta,则异常计数器加1;若预测误差大于3倍的标准差delta,则高度异常计数器加1;并且将新工业现场数据ND={DT-N+2,DT-N+3,…,DT,DT+1}存入增量样本集中;其中,y为训练好的预测模型的预测结果,y*为真实值;
S72、当高度异常计数器超过预设数量K,则边缘云将增量样本集通过通信网络传送给云平台,云平台根据增量样本构造新的训练集,并根据异常计数器的数值和高度异常计数器的数值之间的差值与预设偏差的大小关系,确定采用增量合并或替换合并的方式利用新的训练集重新训练预测模型,获取更新的预测模型MODEL’和标准差delta’,并将更新的预测模型MODEL’和标准差delta’传送给边缘云;
S73、边缘云接收更新的预测模型MODEL’和标准差delta’,并把增量样本集、异常计数器和高度异常计数器清零,并返回步骤S5进行预测,获取新的工业控制命令。
5.根据权利要求2所述的基于边缘云的物联网时间序列预测方法,其特征在于:步骤S3中训练集的构建过程为,对工业时序数据Seq={D1,D2,D3,…,DT}进行数据样本提取,样本大小为N,则从工业时序数据中任意截取M个大小为N的子序列,即可得到M个样本构成的训练集。
6.根据权利要求5所述的基于边缘云的物联网时间序列预测方法,其特征在于:所述预测模型为GRU预测模型;步骤S4中云平台利用训练集对预测模型进行训练具体为,
将训练集中M个大小为N的子序列,逐个输入到GRU预测模型中,通过向前计算过程逐个获取模型输出;所述模型输出即为当前预测值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011622265.7A CN112822244B (zh) | 2020-12-30 | 2020-12-30 | 一种基于边缘云的物联网时间序列预测系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011622265.7A CN112822244B (zh) | 2020-12-30 | 2020-12-30 | 一种基于边缘云的物联网时间序列预测系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112822244A true CN112822244A (zh) | 2021-05-18 |
CN112822244B CN112822244B (zh) | 2022-06-24 |
Family
ID=75854552
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011622265.7A Active CN112822244B (zh) | 2020-12-30 | 2020-12-30 | 一种基于边缘云的物联网时间序列预测系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112822244B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114462722A (zh) * | 2022-04-12 | 2022-05-10 | 南方电网数字电网研究院有限公司 | 新能源发电功率轻量化高精度云预测系统、方法和装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180295147A1 (en) * | 2015-12-16 | 2018-10-11 | Panasonic Intellectual Property Corporation Of America | Security processing method and server |
CN110475224A (zh) * | 2019-07-01 | 2019-11-19 | 南京邮电大学 | 一种基于边缘计算的传感器数据处理与协同预测方法 |
CN112003887A (zh) * | 2020-07-06 | 2020-11-27 | 北京航空航天大学 | 一种面向工业互联网时序数据预测的云端-边缘协同深度学习装置 |
-
2020
- 2020-12-30 CN CN202011622265.7A patent/CN112822244B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180295147A1 (en) * | 2015-12-16 | 2018-10-11 | Panasonic Intellectual Property Corporation Of America | Security processing method and server |
CN110475224A (zh) * | 2019-07-01 | 2019-11-19 | 南京邮电大学 | 一种基于边缘计算的传感器数据处理与协同预测方法 |
CN112003887A (zh) * | 2020-07-06 | 2020-11-27 | 北京航空航天大学 | 一种面向工业互联网时序数据预测的云端-边缘协同深度学习装置 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114462722A (zh) * | 2022-04-12 | 2022-05-10 | 南方电网数字电网研究院有限公司 | 新能源发电功率轻量化高精度云预测系统、方法和装置 |
CN114462722B (zh) * | 2022-04-12 | 2022-07-29 | 南方电网数字电网研究院有限公司 | 新能源发电功率轻量化高精度云预测系统、方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN112822244B (zh) | 2022-06-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106027300B (zh) | 一种应用神经网络的智能机器人参数优化系统及方法 | |
CN103699120B (zh) | 一种特种车辆故障诊断系统 | |
CN104598621B (zh) | 一种基于滑动窗口的轨迹压缩方法 | |
CN112822244B (zh) | 一种基于边缘云的物联网时间序列预测系统及方法 | |
CN104308138B (zh) | 一种基于多定尺、多铸流的浇铸终点控制装置及其方法 | |
CN113783962B (zh) | 基于边缘计算的数据采集系统及方法 | |
CN104574204B (zh) | 智能测控装置icd模型自动辨识系统及方法 | |
DE102017220859A1 (de) | Vorrichtung und Verfahren zum Detektieren eines Angriffs in einem Netzwerk | |
CN113132765A (zh) | 码率决策模型训练方法、装置、电子设备及存储介质 | |
CN109558543A (zh) | 一种样本采样方法、样本采样装置、服务器和存储介质 | |
CN103607395A (zh) | 一种传输触觉数据的方法及装置 | |
CN113966520A (zh) | 用于促进对来自工业自动化控制系统或电力系统的数据进行存储的方法和设备 | |
CN113644741B (zh) | 一种基于边缘计算的海量故障录波数据处理方法 | |
CN110493072A (zh) | 基于深度学习的带宽滤波方法、装置、服务器及存储介质 | |
CN115542736B (zh) | 设备控制方法、计算机可读存储介质以及计算机终端 | |
CN103227644A (zh) | 一种针对汽车车身小格式数据的压缩方法 | |
CN112561097A (zh) | 一种基于云雾边协同的轴承监测方法及系统 | |
CN117201635A (zh) | 数据处理系统及方法 | |
Trajstman | A bounded growth population subjected to emigrations due to population pressure | |
CN113408795A (zh) | 一种基于灰色理论的电力负荷预测系统及其方法 | |
CN103475527A (zh) | 一种网管故障可信度分析系统及方法 | |
KR101190598B1 (ko) | 정지궤도 위성의 이상상태에서 정상모드로 전환 자동화 장치 및 방법 | |
US20150268685A1 (en) | Data processing apparatus of energy management system | |
CN111641726A (zh) | 适用于储能调频的远程遥控系统、方法、装置和存储介质 | |
CN105243188A (zh) | 一种智能变电站监控信息量自动筛选方法 |
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 |