CN112949905A - 边缘域传感器数据预测方法及装置 - Google Patents
边缘域传感器数据预测方法及装置 Download PDFInfo
- Publication number
- CN112949905A CN112949905A CN202110121312.8A CN202110121312A CN112949905A CN 112949905 A CN112949905 A CN 112949905A CN 202110121312 A CN202110121312 A CN 202110121312A CN 112949905 A CN112949905 A CN 112949905A
- Authority
- CN
- China
- Prior art keywords
- data
- sensor data
- hidden layer
- edge
- domain
- 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
- 238000000034 method Methods 0.000 title claims abstract description 58
- 238000007781 pre-processing Methods 0.000 claims abstract description 69
- 230000004927 fusion Effects 0.000 claims abstract description 56
- 238000007499 fusion processing Methods 0.000 claims abstract description 51
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 20
- 238000013528 artificial neural network Methods 0.000 claims description 90
- 230000000306 recurrent effect Effects 0.000 claims description 83
- 238000012549 training Methods 0.000 claims description 47
- 239000013598 vector Substances 0.000 claims description 43
- 230000006870 function Effects 0.000 claims description 21
- 238000012545 processing Methods 0.000 claims description 18
- 230000002159 abnormal effect Effects 0.000 claims description 14
- 238000010606 normalization Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 8
- 125000004122 cyclic group Chemical group 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 6
- 238000012544 monitoring process Methods 0.000 abstract description 5
- 230000000875 corresponding effect Effects 0.000 description 54
- 239000003795 chemical substances by application Substances 0.000 description 20
- 239000011159 matrix material Substances 0.000 description 19
- 210000002569 neuron Anatomy 0.000 description 19
- 230000008569 process Effects 0.000 description 12
- 238000010586 diagram Methods 0.000 description 11
- 238000004088 simulation Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 3
- 238000000546 chi-square test Methods 0.000 description 2
- 238000012217 deletion Methods 0.000 description 2
- 230000037430 deletion Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 210000002364 input neuron Anatomy 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000010076 replication Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000005428 wave function Effects 0.000 description 1
Images
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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Economics (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Strategic Management (AREA)
- Evolutionary Biology (AREA)
- Human Resources & Organizations (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本申请提供一种边缘域传感器数据预测方法及装置，该方法包括：基于边缘域的位置，获取覆盖范围内的传感器数据，对所述传感器数据进行预处理，获得预处理后的数据；基于自适应加权融合算法，对所述预处理后的数据进行数据融合处理，获得融合数据；将所述融合数据输入至预先训练好的边缘域数据预测模型中，输出边缘域传感器数据预测结果。本申请实施例将覆盖范围内的传感器数据经过预处理和数据融合处理后，再输入至边缘域数据预测模型中，得到边缘域传感器数据预测结果，可以提高边缘域传感器数据预测的稳定性和可靠性，进而提高边缘物联代理设备的传感监测范围。
Description
技术领域
本申请涉及无线传感器网络技术领域，尤其涉及一种边缘域传感器数据预测方法及装置。
背景技术
随着电力物联网的发展，自动化、计量、智能配电房等设备末端用于采集传感器数据信息的物联终端日益增多，同时，面对种类繁杂且数量庞大的设备，通过人工方式来监测维护设备效率低下，耗费大量人力。
目前，通过边缘物联代理设备采集大量的泛在电力物联网末端感知数据，具有屏蔽底层差异以及承载泛在接入的特点，但应用于泛在电力物联网末端的各类传感器中，一方面，边缘物联代理设备仍然存在协议不兼容、数据格式不统一的问题；另一方面，由于边缘物联代理设备覆盖范围小，采集数据不足，不能有效地基于采集数据来预测电力物联网的边缘域场景信息。
专利号为CN201610405473的专利文献中，公开了一种应用于传感器网络的分布式协作算法和数据融合机制，通过传感器级数据融合提取被测系统的特征向量，通过中央级数据融合进一步处理已提取的特征向量，获取被测系统的状态估计，实现了对电力物联网的边缘域的数据预测。
专利号为CN201610870821的专利文献中，公开了一种基于演化博弈的无线传感器网络数据融合精确度模型，通过引入激励机制，给出了基于数据融合精确度的动态演化复制动态方程，解决了无线传感器网络中数据融合技术的精确度问题。
综上所述，现有技术中的数据融合技术较为复杂，在预测电力物联网的边缘域的数据时稳定性较差。
发明内容
本申请提供边缘域传感器数据预测方法及装置，用以解决现有技术中的数据融合技术较为复杂，在预测电力物联网的边缘域的数据时稳定性较差的缺陷。
第一方面，本申请实施例提供一种边缘域传感器数据预测方法，包括：
基于边缘域的位置，获取覆盖范围内的传感器数据，对所述传感器数据进行预处理，获得预处理后的数据；
基于自适应加权融合算法，对所述预处理后的数据进行数据融合处理，获得融合数据；
将所述融合数据输入至预先训练好的边缘域数据预测模型中，输出边缘域传感器数据预测结果；
其中，所述边缘域数据预测模型为以经过预处理和数据融合处理的传感器数据样本为输入，以与所述传感器数据样本对应的边缘域传感器数据为样本标签进行训练得到。
可选地，所述训练获得所述边缘域数据预测模型的步骤，具体包括：
构建循环神经网络；
将所述经过预处理和数据融合处理的传感器数据样本输入至所述循环神经网络，所述循环神经网络的隐藏层输出隐藏层向量；
将所述隐藏层向量输入至所述循环神经网络的输出层，获取输出结果；
基于所述输出结果和与所述传感器数据样本对应的边缘域传感器数据，利用损失函数，计算损失函数值；
通过反向传播算法，从所述循环神经网络的输出层开始调整所述循环神经网络的各个参数，以使所述损失函数值朝最小化方向移动；
判断是否达到训练结束条件，若是，则保存当前迭代所述循环神经网络的参数，获得训练好的边缘域数据预测模型。
可选地，将所述经过预处理和数据融合处理的传感器数据样本输入至所述循环神经网络，所述循环神经网络的隐藏层输出隐藏层向量，具体包括：
将所述经过预处理和数据融合处理的传感器数据样本输入至所述循环神经网络，所述循环神经网络的隐藏层节点输出隐藏层节点变量；
对所述隐藏层节点变量进行加权求和得到所述隐藏层向量。
可选地，对所述隐藏层节点变量进行加权求和得到所述隐藏层向量，具体包括：
利用如下公式，对多个所述隐藏层节点输出的所述隐藏层节点变量进行加权求和，得到所述隐藏层向量：
其中，c表示隐藏层向量，ai表示所述每个隐藏层节点对应的权值系数，hi表示所述每个隐藏层节点输出的隐藏层节点变量，ei表示所述第i个隐藏层节点的能量，ej所述第j个隐藏层节点的能量，i或j表示所述每个隐藏层节点的位置，满足i＝1,2,…,n，j＝1,2,…,n。
可选地，将所述融合数据输入至预先训练好的边缘域数据预测模型中，输出边缘域传感器数据预测结果的步骤之后，还包括：
将所述边缘域传感器数据发送至云端；
从所述云端提取所述边缘域传感器数据，对所述循环神经网络进一步训练，优化所述边缘域数据预测模型。
可选地，对所述传感器数据进行预处理，获得预处理后的数据，具体包括：
对所述传感器数据进行唯一属性删除处理，得到第一预处理数据；
对所述第一预处理数据进行异常值删除和缺失值插补处理，得到第二预处理数据；
对所述第二预处理数据基于地理特征相关性进行特征提取，获得第三预处理数据；
对所述第三预处理数据进行数据归一化处理，获得预处理后的数据。
可选地，对所述预处理后的数据进行数据融合处理，获得融合数据，具体包括：
利用如下公式，对所述预处理后的数据进行加权求和，得到融合数据：
其中，Xi表示第i个预处理后的数据，
表示融合数据，
表示第i个预处理后的数据对应的均方差，
表示第k个预处理后的数据对应的均方差，Wi表示Xi对应的加权因子，i＝1,2,…,n，k＝1,2,…,n。
第二方面，本申请实施例提供一种边缘域传感器数据预测装置，包括：
预处理单元，用于基于边缘域的位置，获取覆盖范围内的传感器数据，对所述传感器数据进行预处理，获得预处理后的数据；
融合单元，用于基于自适应加权融合算法，对所述预处理后的数据进行数据融合处理，获得融合数据；
预测单元，用于将所述融合数据输入至预先训练好的边缘域数据预测模型中，输出边缘域传感器数据预测结果；其中，所述边缘域数据预测模型为以经过预处理和数据融合处理的传感器数据样本为输入，以与所述传感器数据样本对应的边缘域传感器数据为样本标签进行训练得到。
第三方面，本申请实施例提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述边缘域传感器数据预测方法的步骤。
第四方面，本申请实施例提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述边缘域传感器数据预测方法的步骤。
本申请实施例提供的边缘域传感器数据预测方法及装置，将覆盖范围内的传感器数据经过预处理和数据融合处理后，再输入至边缘域数据预测模型中，得到边缘域传感器数据预测结果，可以提高边缘域传感器数据进行预测的稳定性和可靠性，进而提高边缘物联代理设备的传感监测范围。
附图说明
为了更清楚地说明本申请或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的边缘域传感器数据预测方法的流程示意图；
图2是本申请实施例提供的训练获得所述边缘域数据预测模型的流程示意图；
图3是本申请实施例提供的构建循环神经网络的训练样本的场景示意图；
图4是本申请实施例提供的循环神经网络的结构示意图；
图5是本申请实施例提供的循环神经网络的训练结果的仿真示意图；
图6是本申请实施例提供的边缘域传感器数据预测装置的结构示意图；
图7是本申请实施例提供的电子设备的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚，下面将结合本申请中的附图，对本申请中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，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作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
为了解决现有技术中的数据融合技术较为复杂，在预测电力物联网的边缘域的数据时稳定性较差的问题，本申请实施例提供一种边缘域传感器数据预测方法，图1是本申请实施例提供的边缘域传感器数据预测方法的流程示意图。如图1所示，该方法包括：
步骤100、基于边缘域的位置，获取覆盖范围内的传感器数据，对所述传感器数据进行预处理，获得预处理后的数据。
边缘域是指覆盖范围的边缘区域，边缘域与覆盖范围的地理位置相邻。边缘物联代理设备根据边缘域的地理位置，选择与边缘域相邻位置的覆盖范围，采集传感器数据。
其中，边缘物联代理设备是用于对覆盖区域范围内的传感器数据进行采集，基于采集的传感器数据在时空维度对边缘域传感器数据进行感知、融合、分析与应用的设备。
需要说明的是，覆盖范围内的传感器数据来源于多种不同类型的传感器，常见的传感器类型有温度传感器、湿度传感器、电压传感器和激光传感器等，在本申请实施例中不对传感器类型进行限定。
在一些实施方式中，边缘物联代理设备可以根据边缘域的传感器类型，采集覆盖范围内的相同类型的多个传感器数据。
进一步地，边缘物联代理设备采集覆盖范围内的多个传感器数据时，一方面，由于传感器的型号、类型各不相同，采集到的传感器数据格式、数据类型和数据单位等都各不相同；另一方面，由于传感器种类繁杂、数据量巨大，导致采集到的数据冗余度高，噪声含量高；另外，采集到的传感器数据中存在异常数据，其中，由于周围环境存在隐患导致传感器输出的异常数据，属于有效数据，由于设备节点故障等因素导致传感器输出的异常数据，属于无效数据，这些无效数据将影响数据融合结果。因此，边缘物联代理设备对采集的多个传感器数据进行数据预处理，得到预处理后的数据。
步骤101、基于自适应加权融合算法，对所述预处理后的数据进行数据融合处理，获得融合数据。
其中，自适应加权融合算法是指在基于数据集的总均方误差最小的前提下，动态的为该数据集中的各个数据分配相对应的最优加权因子。若数据集的方差越大，则该数据集相对应的加权因子的权值越小，使得最终计算出的估计值更接近真实值。
相应地，根据自适应加权融合算法，在满足总均方误差最小的前提下，求出覆盖范围内的相同区域中的多个相同类型传感器对应的最优加权因子，由此获得最优的融合数据结果。
步骤102、将所述融合数据输入至预先训练好的边缘域数据预测模型中，输出边缘域传感器数据预测结果。
其中，所述边缘域数据预测模型为以经过预处理和数据融合处理的传感器数据样本为输入，以与所述传感器数据样本对应的边缘域传感器数据为样本标签进行训练得到。
需要说明的是，基于循环神经网络，根据经过预处理和数据融合处理的传感器数据样本和该传感器数据样本对应的边缘域传感器数据进行训练，训练完成后，得到边缘域数据预测模型，该边缘域数据预测模型可用于实现对边缘域传感器数据的预测。
在一些实施方式中，边缘域数据预测模型，利用覆盖范围内的传感器数据集，能够预测出边缘域中相同类型传感器的数据，可以广泛应用于泛在电力物联网末端。
本申请实施例提供的边缘域传感器数据预测方法，通过边缘物联代理设备采集覆盖范围内的传感器数据，将覆盖范围内的传感器数据经过预处理和数据融合处理后，再输入至边缘域数据预测模型中，得到边缘域传感器数据预测结果，可以提高边缘域传感器数据预测的稳定性和可靠性，进而提高边缘物联代理设备的传感监测范围。
图2是本申请实施例提供的训练获得所述边缘域数据预测模型的流程示意图，基于上述实施例的内容，训练获得所述边缘域数据预测模型的步骤，具体包括：
步骤200、构建循环神经网络；
需要说明的是，循环神经网络包括输入层、隐藏层和输出层，其中，输入层包括多个神经元，隐藏层包括多个隐藏层节点，输入层的每个神经元与隐藏层的每个隐藏层节点一一对应。
进一步地，输入层的神经元个数可以根据输入数据的维度来确定，输入数据的维度是指选取的传感器数据的多个区域位置；每个隐藏层节点包括多个神经元，可以是16个、32个或64个神经元，隐藏层节点的神经元个数由经过预处理和数据融合处理的传感器数据样本以及与所述传感器数据样本对应的边缘域传感器数据样本标签经过训练后得到；输出层的神经元设置为1个。
优选地，当输入神经元个数为6时，为了提高循环神经网络的输出结果的精确性，隐藏层节点的神经元个数设置为64个。
步骤201、将所述经过预处理和数据融合处理的传感器数据样本输入至所述循环神经网络，所述循环神经网络的隐藏层输出隐藏层向量。
在一些实施方式中，传感器数据可以是覆盖范围内的多个区域中相同类型的传感器数据，经过预处理和数据融合处理后，将融合数据构成一维输入矩阵，输入至循环神经网络；传感器数据也可以是覆盖范围内的多个区域中不同类型的传感器数据，经过预处理和数据融合处理后，将融合数据构成多维输入矩阵，输入至循环神经网络。
进一步地，输入矩阵可以表示为xn×m的矩阵，n表示传感器的种类，m表示覆盖范围内的区域位置，xij表示第j区域中第i类传感器的融合数据。
步骤202、将所述隐藏层向量输入至所述循环神经网络的输出层，获取输出结果。
将循环神经网络的隐藏层输出的隐藏层向量输入至循环神经网络的输出层，获得输出结果，公式为：
y＝softmax(Vc) (5)
其中，V表示隐藏层到输出层的权值矩阵，c表示隐藏层向量，y表示输出结果。
需要说明的是，输出结果是与经过预处理和数据融合处理的传感器数据样本相对应的数据结果，当该传感器数据样本为一维输入矩阵时，输出结果为一个数据；当该传感器数据样本为多维输入矩阵时，输出结果为一维矩阵。
进一步地，输出结果可以表示为yn的一维矩阵，n表示传感器的种类，yi表示边缘域中第i类传感器的输出结果。
步骤203、基于所述输出结果和与所述传感器数据样本对应的边缘域传感器数据，利用损失函数，计算损失函数值。
损失函数表示循环神经网络输出层的输出结果与传感器数据样本对应的边缘域传感器数据的均方差，计算公式为：
其中，L表示损失函数，yi表示边缘域中第i类传感器的输出结果，si表示与传感器数据样本对应的边缘域中第i类传感器数据。
步骤204、通过反向传播算法，从所述循环神经网络的输出层开始调整所述循环神经网络的各个参数，以使所述损失函数值朝最小化方向移动。
循环神经网络的反向传播计算的梯度函数为：
其中，W表示不同隐藏层节点之间的权值矩阵，满足W∈Rm×p，V表示隐藏层到输出层的权值矩阵，L表示损失函数，
表示hi的梯度，
表示hi+1的梯度，
表示c+vhi的梯度，hi表示第i个隐藏层节点变量，hi+1表示第i+1个隐藏层节点变量，V表示隐藏层到输出层的权值矩阵，c表示隐藏层向量。
需要说明的是，通过反向传播算法，从循环神经网络的输出层开始调整循环神经网络的各个参数，使得测损失函数值朝最小化方向移动，实现循环神经网络的输出结果与该边缘域传感器数据越来越接近。
步骤205、判断是否达到训练结束条件，若是，则保存当前迭代所述循环神经网络的参数，获得训练好的边缘域数据预测模型。
基于经过预处理和数据融合处理的传感器数据样本以及与该传感器数据样本对应的边缘域传感器数据对循环神经网络进行预训练，在训练过程中不断调节学习率，若达到训练结束条件，保存当前迭代循环神经网络的参数，最终得到训练好的边缘域数据预测模型。
优选地，训练结束时，循环神经网络的学习率设置为0.01，最终的迭代次数为3000次。
本申请实施例提供的边缘域传感器数据预测方法，边缘物联代理设备以经过预处理和数据融合处理的传感器数据样本为输入，以与所述传感器数据样本对应的边缘域传感器数据为样本标签，基于循环神经网络进行训练，最终构建了边缘域数据预测模型，基于该边缘域数据预测模型，利用边缘物联代理设备采集的覆盖范围内的传感器数据来预测边缘域的传感器数据，提高了对边缘域传感器数据预测的稳定性和可靠性，进而提高边缘物联代理设备的传感监测范围。
结合图3至图5说明基于经过预处理和数据融合处理的传感器数据，以及与所述传感器数据样本对应的边缘域传感器数据进行训练，得到边缘域数据预测模型的过程。
图3是本申请实施例提供的构建循环神经网络的训练样本的场景示意图。根据图3可知，覆盖范围表示边缘物联代理设备所采集的传感器数据的范围，预测范围表示与覆盖范围相邻周边的边缘域，在循环神经网络的训练过程中，选取预测范围内的任一区域作为目标区域，该目标区域的传感器数据y作为循环神经网络训练过程中的样本标签。根据该目标区域的位置，从覆盖范围内选择与目标区域位置相邻的连续6个区域的传感器数据，经过预处理和数据融合处理后，得到输入序列，该输入序列作为循环神经网络训练过程中的输入样本，该输入序列包括{x1,x2,x3,x4,x5,x6}。
其中，目标区域的传感器数据y可以是某个传感器的数据，也可以是多种类型的传感器的数据，相应地，输入序列中xi可以是与目标区域的某个传感器数据y对应的第i个区域中同类型传感器的融合数据，也可以是与目标区域的多个传感器数据y对应的第i个区域中多种传感器的融合数据集，因此，输入序列是n×6的矩阵，n表示传感器的种类，6表示样本中相邻的6个区域。
图4是本申请实施例提供的循环神经网络的结构示意图。如图4所示，循环神经网络包括输入层、隐藏层和输出层，其中，输入层的神经元个数为6个，输入数据为输入序列，输入序列中的xi输入至第i个输入层神经元；隐藏层包括6个隐藏层节点，隐藏层节点变量依次为h1、h2、h3、h4、h5和h6，每个隐藏层节点与每个输入层神经元一一对应；输出层的神经元个数为1个，输出结果为y。U表示输入层与隐藏层节点之间的权值矩阵，W表示不同位置的隐藏层节点之间的权值矩阵，ai表示所述每个隐藏层节点对应的权值系数。
进一步地，hi对应的第i个隐藏层节点的输入数据是基于第i-1个隐藏层节点输出的隐藏层节点变量hi-1，以及与第i个隐藏层节点对应的输入层神经元的输入数据xi进行加权求和得到。
进一步地，每个隐藏层节点变量通过加权求和得到隐藏层向量，该隐藏层向量输入至输出层，获取输出结果y。
图5是本申请实施例提供的循环神经网络的训练结果的仿真示意图。如图5所示，以温度传感器数据和湿度传感器数据为例，边缘物联代理设备采集覆盖范围内的多个温度传感器数据和湿度传感器数据，并对该数据进行数据预处理和数据融合处理。
将数据融合处理后的温度传感器数据和湿度传感器数据输入至循环神经网络，输出为与该温度传感器数据和湿度传感器数据相对应的数据结果。
其中，循环神经网络的输入层神经元个数设置为6个，隐藏层包括6个隐藏层节点，每个隐藏层节点包含神经元个数为64个，输出层的神经元个数设置为1个。仿真训练过程中学习率为0.01，最终的迭代次数为3000次。
图5展示了基于循环神经网络的仿真训练结果，并与基于卷积神经网络的仿真训练结果进行对比，根据仿真结果可知，循环神经网络随着迭代次数的减少，误差不断降低，识别精度不断提高，当迭代次数相同时，循环神经网络相对于卷积神经网络的损失函数更小，表明基于循环神经网络训练得到的边缘域数据预测模型，能够更有效地实现边缘域传感器的数据预测，进一步提高了对边缘域传感器数据预测的稳定性和可靠性。
基于上述实施例的内容，将所述经过预处理和数据融合处理的传感器数据样本输入至所述循环神经网络，所述循环神经网络的隐藏层输出隐藏层向量，具体包括：
将所述经过预处理和数据融合处理的传感器数据样本输入至所述循环神经网络，所述循环神经网络的隐藏层节点输出隐藏层节点变量；
对所述隐藏层节点变量进行加权求和得到所述隐藏层向量。
需要说明的是，循环神经网络的隐藏层包括多个隐藏层节点，隐藏层向量是由各个位置的隐藏层节点输出的隐藏层节点变量决定的。给每个隐藏层节点分配相应的权值系数，将每个隐藏层节点变量与相应的权值系数进行加权求和，计算得出隐藏层向量。
其中，基于循环神经网络，每个位置的隐藏层节点的输入数据是基于上一个位置的隐藏层节点的输出数据，以及与当前位置的隐藏层节点对应的输入层神经元的输入数据的加权求和得到，具体公式为：
di＝b+Whi-1+Uxi (8)
其中，di表示第i个位置的隐藏层节点的输入数据，b表示神经网络的偏置向量，W表示不同位置的隐藏层节点之间的权值矩阵，满足W∈Rm×p，U表示输入层与隐藏层节点之间的权值矩阵，满足U∈Rm×m，m表示隐藏层节点的个数，p表示输入层神经元的个数，hi-1表示第i-1个位置的隐藏层节点输出的隐藏层节点变量，xi表示第i个位置的输入层神经元的传感器数据样本。
进一步地，将di输入至第i个位置的隐藏层节点，得到第i个位置的隐藏层节点的输出数据，具体计算公式为：
hi＝tanh(di) (9)
其中，hi表示第i个位置的隐藏层节点输出的隐藏层节点变量，di表示第i个位置的隐藏层节点的输入数据。
本申请实施例提供的边缘域传感器数据预测方法，循环神经网络隐藏层输出的隐藏层向量是将每个隐藏层节点变量通过加权求和得到的，并基于训练好的缘域数据预测模型，利用该隐藏层对边缘域进行预测，可以进一步提高边缘域传感器数据预测的稳定性和可靠性。
基于上述实施例的内容，对所述隐藏层节点变量进行加权求和得到所述隐藏层向量，具体包括：
利用如下公式，对多个所述隐藏层节点输出的所述隐藏层节点变量进行加权求和，得到所述隐藏层向量：
其中，c表示隐藏层向量，ai表示所述每个隐藏层节点对应的权值系数，hi表示所述每个隐藏层节点输出的隐藏层节点变量，ei表示所述第i个隐藏层节点的能量，ej所述第j个隐藏层节点的能量，i或j表示所述每个隐藏层节点的位置，满足i＝1,2,…,n，j＝1,2,…,n。
具体地，ei表示第i个位置的隐藏层节点的能量，主要是由该位置的隐藏层节点来决定，具体计算公式为：
其中，U2和W2表示模型训练参数矩阵，满足U2∈Rl×l，W2∈Rl×m，m表示隐藏层节点的个数，l表示U2的维度。
相应地，权值系数ai用来表征相对应的隐藏层节点向量hi在输出结果中所起到的作用，主要由相对应的隐藏层节点来决定。由于隐藏层节点主要包含了与该隐藏层节点相对应的输入层神经元的输入数据，因此，权值系数与输入数据是相关的。
进一步地，循环神经网络的注意机制可以由权值系数ai来实现，通过训练参数矩阵U2和W2使得该循环神经网络能够自适应的为不同位置的隐藏层节点分配相对应的权值系数，使得该循环神经网络更专注于在识别中起作用的部分。
需要说明的是，在本申请的实施例中，通过一个前向网络来求解权值系数a，同样地，在前向网络中通过目标函数对权值系数求偏导来更新训练参数矩阵U2和W2。
本申请施例提供的边缘域传感器数据预测方法，基于循环神经网络，为每个隐藏层节点分配相应的权值系数，对每个隐藏层节点进行加权求和得到隐藏层向量，并根据该隐藏层向量获得输出结果，可以进一步提高基于训练好的缘域数据预测模型，对边缘域传感器数据预测的稳定性和可靠性。
基于上述实施例的内容，所述将所述融合数据输入至预先训练好的边缘域数据预测模型中，输出边缘域传感器数据预测结果的步骤之后，还包括：
将所述边缘域传感器数据发送至云端；
从所述云端提取所述边缘域传感器数据，对所述循环神经网络进一步训练，优化所述边缘域数据预测模型。
需要说明的是，边缘物联代理设备将采集的边缘域传感器数据通过边缘物联代理设备发送至云端进行存储。为了进一步优化边缘域数据预测模型，边缘物联代理设备从云端提取边缘域传感器数据作为样本标签，并基于边缘域传感器数据，重新采集新的覆盖范围内的传感器数据，经过预处理和数据融合处理后，输入至循环神经网络，对该循环神经网络不断进行训练，降低损失函数，从而获得优化后的边缘域数据预测模型。
在一些实施方式中，边缘物联代理设备还可以重新采集边缘域传感器数据作为样本标签，并基于边缘域传感器数据，重新采集新的覆盖范围内的传感器数据作为样本，重复上述对循环神经网络的训练过程，不断优化边缘域数据预测模型。
本申请实施例提供的边缘域传感器数据预测方法，通过云端存储边缘域传感器数据，对循环神经网络不断进行训练，减少训练过程中的损失函数，优化边缘域数据预测模型，可以进一步提高对边缘域传感器数据预测的稳定性和可靠性。
基于上述实施例的内容，对所述传感器数据进行预处理，获得预处理后的数据，具体包括：
对所述传感器数据进行唯一属性删除处理，得到第一预处理数据；
对所述第一预处理数据进行异常值删除和缺失值插补处理，得到第二预处理数据；
对所述第二预处理数据基于地理特征相关性进行特征提取，获得第三预处理数据；
对所述第三预处理数据进行数据归一化处理，获得预处理后的数据。
需要说明的是，第一预处理数据是指删除唯一属性后的传感器数据，第二预处理数据是指删除异常值和补充缺失值后的传感器数据，第三预处理数据是指进行特征提取后的传感器数据。
其中，唯一属性是指采集的传感器数据存在一些长时间不会改变的数据，这些数据不能刻画该样本属性自身的分布规律，对预测边缘域的传感器数据没有帮助，因此，通过删除这些唯一属性的数据，筛选出有效的传感器数据，减少工作量。
异常值是指设备节点故障等非正常因素导致通过传感器采集的数据出现异常；缺失值是指周围环境存在隐患等因素导致无法采集到某个传感器的数据，传感器数据中的异常值和缺失值会影响数据融合结果的准确性和可靠性。因此，边缘物联代理设备需要对传感器数据中的异常值进行删除处理，并对传感器数据中的缺失值进行插补处理。
优选地，缺失值插补处理包括采用均值插补法来插补缺失值。
进一步地，在采集的覆盖范围内的多个传感器数据中，选取与该缺失值对应的多个相同类型传感器的数据作为样本数据，由于样本数据的距离是可以度量的，因此，使用该样本数据的有效数据的平均值来插补缺失值。
可以说明的是，特征提取处理是指在覆盖范围内的传感器数据中，选取与边缘域的地理特征相关性更高的区域内的传感器数据进行特征提取。
在一些实施方式中，边缘物联代理设备将边缘域的地理特征作为目标特征，通过发散性或相关性对覆盖范围内的传感器数据的特征进行评分，设定阈值或者待选择阈值的个数，选择不发散的特征或与目标特征相关性更高的特征。
其中，发散性是指对采集的覆盖范围内的传感器数据的特征与目标特征计算方差，当方差接近于0时，特征不发散，则选择该特征对应的传感器数据作为第三预处理数据。
相关性是指采用卡方检验的方法，验证覆盖范围内的传感器数据的特征与目标特征的相关性，从覆盖范围内的传感器数据的特征中选择与目标特征相关性更高的特征，选取该特征对应的传感器数据作为预处理后的数据。
其中，采用卡方检验的方法验证覆盖范围内的传感器数据的特征与目标特征的相关性，计算公式为：
其中，A表示采集的数据集的各个特征值，E表示目标特征值，x表示覆盖范围内的传感器数据的特征与目标特征的差异程度。
数据归一化处理是指将具有波函数性质的物理数值变成具有某种相对关系的相对值，缩小量值之间落差。对矩阵表示的数据进行行操作，通过对特征向量的统计属性、累积密度函数等的归一化来补偿不匹配产生的影响，消除属性值间的差别。
优选地，数据归一化方法可以是标准分数归一化方法。对第三预处理数据的均值和标准差进行标准分数归一化，使得预处理后的数据符合标准正态分布，对数据融合过程更加有效。
其中，预处理数据的均值和标准差可以使用参数进行优化，使得经过归一化处理的数据普适性更强。
本申请实施例提供的边缘域传感器数据预测方法，通过对传感器数据进行唯一属性删除处理、异常值删除处理以及缺失值插补处理，筛选出有效的传感器数据，提高数据融合结果的准确性和可靠性；通过对有效的传感器数据进行特征提取，得到与边缘域的地理特征相关性更高的传感器数据，有效提高了根据该传感器数据来预测边缘域数据的可靠性和稳定性；通过对相关性更高的传感器数据进行归一化处理，使得数据普适性更强，对数据融合过程更加有效。
基于上述实施例的内容，对所述预处理后的数据进行数据融合处理，获得融合数据，具体包括：
利用如下公式，对所述预处理后的数据进行加权求和，得到融合数据：
其中，Xi表示第i个预处理后的数据，
表示融合数据，
表示第i个预处理后的数据对应的均方差，
表示第k个预处理后的数据对应的均方差，Wi表示Xi对应的加权因子，i＝1,2,…,n，k＝1,2,…,n。
其中，公式(3)中，加权因子满足如下公式：
由公式(3)和方差公式，可以推导出传感器数据的总均方差公式为：
根据自适应加权融合算法，在满足总均方误差最小的前提下，求出多个传感器数据相对应的最优加权因子，由此获得最优的融合数据结果。
根据多元函数求极值理论，最小总均方差
为：
根据公式(13)和公式(14)，由此推出每个传感器数据对应的最优加权因子，如公式(4)所示。
本申请实施例提供的边缘域传感器数据预测方法，通过自适应加权融合算法，在满足传感器数据的总均方误差最小的前提下，计算得出每个传感器数据相对应的最优加权因子，基于最优加权因子，对预处理后的数据进行加权求和得到融合数据，有效实现了多个传感器数据的融合，简化了数据融合的运算过程，提高数据融合的运算速度。
下面对本申请提供的边缘域传感器数据预测装置进行描述，下文描述的边缘域传感器数据预测装置与上文描述的边缘域传感器数据预测方法可相互对应参照。
图6是本申请实施例提供的边缘域传感器数据预测装置的结构示意图，如图6所示，该装置包括：预处理单元600、融合单元601、预测单元602和优化单元603，其中，
预处理单元600，用于基于边缘域的位置，获取覆盖范围内的传感器数据，对所述传感器数据进行预处理，获得预处理后的数据；
融合单元601，用于基于自适应加权融合算法，对所述预处理后的数据进行数据融合处理，获得融合数据；
预测单元602，用于将所述融合数据输入至预先训练好的边缘域数据预测模型中，输出边缘域传感器数据预测结果；其中，所述边缘域数据预测模型为以经过预处理和数据融合处理的传感器数据样本为输入，以与所述传感器数据样本对应的边缘域传感器数据为样本标签进行训练得到。
本申请实施例提供的边缘域传感器数据预测装置，通过预处理单元将覆盖范围内的传感器数据进行预处理，利用融合单元将预处理后的数据进行融合处理，根据预测单元，基于边缘域数据预测模型获取边缘域传感器数据预测结果，有效简化了对传感器数据进行数据融合的运算过程，提高对边缘域传感器数据预测的稳定性和可靠性，进而提高边缘物联代理设备的传感监测范围。
可选地，预测单元602，用于：
构建循环神经网络；
将所述经过预处理和数据融合处理的传感器数据样本输入至所述循环神经网络，所述循环神经网络的隐藏层输出隐藏层向量；
将所述隐藏层向量输入至所述循环神经网络的输出层，获取输出结果；
基于所述输出结果和与所述传感器数据样本对应的边缘域传感器数据，利用损失函数，计算损失函数值；
通过反向传播算法，从所述循环神经网络的输出层开始调整所述循环神经网络的各个参数，以使所述损失函数值朝最小化方向移动；
判断是否达到训练结束条件，若是，则保存当前迭代所述循环神经网络的参数，获得训练好的边缘域数据预测模型。
可选地，将所述经过预处理和数据融合处理的传感器数据样本输入至所述循环神经网络，所述循环神经网络的隐藏层输出隐藏层向量，具体包括：
将所述经过预处理和数据融合处理的传感器数据样本输入至所述循环神经网络，所述循环神经网络的隐藏层节点输出隐藏层节点变量；
对所述隐藏层节点变量进行加权求和得到所述隐藏层向量。
可选地，对所述隐藏层节点变量进行加权求和得到所述隐藏层向量，具体包括：
利用如下公式，对多个所述隐藏层节点输出的所述隐藏层节点变量进行加权求和，得到所述隐藏层向量：
其中，c表示隐藏层向量，ai表示所述每个隐藏层节点对应的权值系数，hi表示所述每个隐藏层节点输出的隐藏层节点变量，ei表示所述第i个隐藏层节点的能量，ej所述第j个隐藏层节点的能量，i或j表示所述每个隐藏层节点的位置，满足i＝1,2,…,n，j＝1,2,…,n。
可选地，优化单元603，用于：
将所述边缘域传感器数据发送至云端；
从所述云端提取所述边缘域传感器数据，对所述循环神经网络进一步训练，优化所述边缘域数据预测模型。
可选地，预处理单元600，用于：
对所述传感器数据进行唯一属性删除处理，得到第一预处理数据；
对所述第一预处理数据进行异常值删除和缺失值插补处理，得到第二预处理数据；
对所述第二预处理数据基于地理特征相关性进行特征提取，获得第三预处理数据；
对所述第三预处理数据进行数据归一化处理，获得预处理后的数据。
可选地，融合单元601，用于：
利用如下公式，对所述预处理后的数据进行加权求和，得到融合数据：
其中，Xi表示第i个预处理后的数据，
表示融合数据，
表示第i个预处理后的数据对应的均方差，
表示第k个预处理后的数据对应的均方差，Wi表示Xi对应的加权因子，i＝1,2,…,n，k＝1,2,…,n。
图7本申请实施例的电子设备的结构示意图，如图7所示，该电子设备可以包括：处理器(processor)710、通信接口(Communications Interface)720、存储器(memory)730和通信总线740，其中，处理器710，通信接口720，存储器730通过通信总线740完成相互间的通信。处理器710可以调用存储器730中的逻辑指令，以执行一种边缘域传感器数据预测方法，该方法包括：
基于边缘域的位置，获取覆盖范围内的传感器数据，对所述传感器数据进行预处理，获得预处理后的数据；
基于自适应加权融合算法，对所述预处理后的数据进行数据融合处理，获得融合数据；
将所述融合数据输入至预先训练好的边缘域数据预测模型中，输出边缘域传感器数据预测结果；
其中，所述边缘域数据预测模型为以经过预处理和数据融合处理的传感器数据样本为输入，以与所述传感器数据样本对应的边缘域传感器数据为样本标签进行训练得到。
此外，上述的存储器730中的逻辑指令可以通过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-Only Memory)、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。
另一方面，本申请还提供一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法所提供的边缘域传感器数据预测方法，该方法包括：
基于边缘域的位置，获取覆盖范围内的传感器数据，对所述传感器数据进行预处理，获得预处理后的数据；
基于自适应加权融合算法，对所述预处理后的数据进行数据融合处理，获得融合数据；
将所述融合数据输入至预先训练好的边缘域数据预测模型中，输出边缘域传感器数据预测结果；
其中，所述边缘域数据预测模型为以经过预处理和数据融合处理的传感器数据样本为输入，以与所述传感器数据样本对应的边缘域传感器数据为样本标签进行训练得到。
又一方面，本申请还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各提供的边缘域传感器数据预测方法，该方法包括：
基于边缘域的位置，获取覆盖范围内的传感器数据，对所述传感器数据进行预处理，获得预处理后的数据；
基于自适应加权融合算法，对所述预处理后的数据进行数据融合处理，获得融合数据；
将所述融合数据输入至预先训练好的边缘域数据预测模型中，输出边缘域传感器数据预测结果；
其中，所述边缘域数据预测模型为以经过预处理和数据融合处理的传感器数据样本为输入，以与所述传感器数据样本对应的边缘域传感器数据为样本标签进行训练得到。
以上所描述的装置实施例仅仅是示意性的，其中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模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，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)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：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)
1.一种边缘域传感器数据预测方法，其特征在于，包括：
基于边缘域的位置，获取覆盖范围内的传感器数据，对所述传感器数据进行预处理，获得预处理后的数据；
基于自适应加权融合算法，对所述预处理后的数据进行数据融合处理，获得融合数据；
将所述融合数据输入至预先训练好的边缘域数据预测模型中，输出边缘域传感器数据预测结果；
其中，所述边缘域数据预测模型为以经过预处理和数据融合处理的传感器数据样本为输入，以与所述传感器数据样本对应的边缘域传感器数据为样本标签进行训练得到。
2.根据权利要求1所述的边缘域传感器数据预测方法，其特征在于，训练获得所述边缘域数据预测模型的步骤，具体包括：
构建循环神经网络；
将所述经过预处理和数据融合处理的传感器数据样本输入至所述循环神经网络，所述循环神经网络的隐藏层输出隐藏层向量；
将所述隐藏层向量输入至所述循环神经网络的输出层，获取输出结果；
基于所述输出结果和与所述传感器数据样本对应的边缘域传感器数据，利用损失函数，计算损失函数值；
通过反向传播算法，从所述循环神经网络的输出层开始调整所述循环神经网络的各个参数，以使所述损失函数值朝最小化方向移动；
判断是否达到训练结束条件，若是，则保存当前迭代所述循环神经网络的参数，获得训练好的边缘域数据预测模型。
3.根据权利要求2所述的边缘域传感器数据预测方法，其特征在于，将所述经过预处理和数据融合处理的传感器数据样本输入至所述循环神经网络，所述循环神经网络的隐藏层输出隐藏层向量，具体包括：
将所述经过预处理和数据融合处理的传感器数据样本输入至所述循环神经网络，所述循环神经网络的隐藏层节点输出隐藏层节点变量；
对所述隐藏层节点变量进行加权求和得到所述隐藏层向量。
4.根据权利要求3所述的边缘域传感器数据预测方法，其特征在于，对所述隐藏层节点变量进行加权求和得到所述隐藏层向量，具体包括：
利用如下公式，对多个所述隐藏层节点输出的所述隐藏层节点变量进行加权求和，得到所述隐藏层向量：
其中，c表示隐藏层向量，ai表示所述每个隐藏层节点对应的权值系数，hi表示所述每个隐藏层节点输出的隐藏层节点变量，ei表示所述第i个隐藏层节点的能量，ej所述第j个隐藏层节点的能量，i或j表示所述每个隐藏层节点的位置，满足i＝1,2,…,n，j＝1,2,…,n。
5.根据权利要求2所述的边缘域传感器数据预测方法，其特征在于，将所述融合数据输入至预先训练好的边缘域数据预测模型中，输出边缘域传感器数据预测结果的步骤之后，还包括：
将所述边缘域传感器数据发送至云端；
从所述云端提取所述边缘域传感器数据，对所述循环神经网络进一步训练，优化所述边缘域数据预测模型。
6.根据权利要求1所述的边缘域传感器数据预测方法，其特征在于，对所述传感器数据进行预处理，获得预处理后的数据，具体包括：
对所述传感器数据进行唯一属性删除处理，得到第一预处理数据；
对所述第一预处理数据进行异常值删除和缺失值插补处理，得到第二预处理数据；
对所述第二预处理数据基于地理特征相关性进行特征提取，获得第三预处理数据；
对所述第三预处理数据进行数据归一化处理，获得预处理后的数据。
7.根据权利要求1所述的边缘域传感器数据预测方法，其特征在于，对所述预处理后的数据进行数据融合处理，获得融合数据，具体包括：
利用如下公式，对所述预处理后的数据进行加权求和，得到融合数据：
其中，Xi表示第i个预处理后的数据，
表示融合数据，
表示第i个预处理后的数据对应的均方差，
表示第k个预处理后的数据对应的均方差，Wi表示Xi对应的加权因子，i＝1,2,…,n，k＝1,2,…,n。
8.一种边缘域传感器数据预测装置，其特征在于，包括：
预处理单元，用于基于边缘域的位置，获取覆盖范围内的传感器数据，对所述传感器数据进行预处理，获得预处理后的数据；
融合单元，用于基于自适应加权融合算法，对所述预处理后的数据进行数据融合处理，获得融合数据；
预测单元，用于将所述融合数据输入至预先训练好的边缘域数据预测模型中，输出边缘域传感器数据预测结果；其中，所述边缘域数据预测模型为以经过预处理和数据融合处理的传感器数据样本为输入，以与所述传感器数据样本对应的边缘域传感器数据为样本标签进行训练得到。
9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至7任一项所述边缘域传感器数据预测方法的步骤。
10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1至7任一项所述边缘域传感器数据预测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110121312.8A CN112949905A (zh) | 2021-01-28 | 2021-01-28 | 边缘域传感器数据预测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110121312.8A CN112949905A (zh) | 2021-01-28 | 2021-01-28 | 边缘域传感器数据预测方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112949905A true CN112949905A (zh) | 2021-06-11 |
Family
ID=76238974
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110121312.8A Pending CN112949905A (zh) | 2021-01-28 | 2021-01-28 | 边缘域传感器数据预测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112949905A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115884006A (zh) * | 2023-02-23 | 2023-03-31 | 启实(烟台)数据技术有限公司 | 基于AIoT的校园安全防控系统和方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109325624A (zh) * | 2018-09-28 | 2019-02-12 | 国网福建省电力有限公司 | 一种基于深度学习的月度电力需求预测方法 |
| CN110735769A (zh) * | 2019-09-18 | 2020-01-31 | 西安察柏科技咨询有限公司 | 一种预测风机故障的方法及装置、系统 |
| CN111880408A (zh) * | 2020-07-31 | 2020-11-03 | 广东技术师范大学 | 一种基于多传感器数据融合的污泥干化室控制方法及系统 |
| CN111932015A (zh) * | 2020-08-12 | 2020-11-13 | 武汉中电节能有限公司 | 一种区域供冷供热冷热量负荷的预测方法及系统 |
| CN112018755A (zh) * | 2020-07-03 | 2020-12-01 | 国网浙江省电力有限公司电力科学研究院 | 基于循环神经网络的光伏配电网无功电压预测方法及系统 |
| CN112200391A (zh) * | 2020-11-17 | 2021-01-08 | 国网陕西省电力公司经济技术研究院 | 基于k-近邻互信息特征简化的配电网边缘侧负荷预测方法 |
-
2021
- 2021-01-28 CN CN202110121312.8A patent/CN112949905A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109325624A (zh) * | 2018-09-28 | 2019-02-12 | 国网福建省电力有限公司 | 一种基于深度学习的月度电力需求预测方法 |
| CN110735769A (zh) * | 2019-09-18 | 2020-01-31 | 西安察柏科技咨询有限公司 | 一种预测风机故障的方法及装置、系统 |
| CN112018755A (zh) * | 2020-07-03 | 2020-12-01 | 国网浙江省电力有限公司电力科学研究院 | 基于循环神经网络的光伏配电网无功电压预测方法及系统 |
| CN111880408A (zh) * | 2020-07-31 | 2020-11-03 | 广东技术师范大学 | 一种基于多传感器数据融合的污泥干化室控制方法及系统 |
| CN111932015A (zh) * | 2020-08-12 | 2020-11-13 | 武汉中电节能有限公司 | 一种区域供冷供热冷热量负荷的预测方法及系统 |
| CN112200391A (zh) * | 2020-11-17 | 2021-01-08 | 国网陕西省电力公司经济技术研究院 | 基于k-近邻互信息特征简化的配电网边缘侧负荷预测方法 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115884006A (zh) * | 2023-02-23 | 2023-03-31 | 启实(烟台)数据技术有限公司 | 基于AIoT的校园安全防控系统和方法 |
| CN115884006B (zh) * | 2023-02-23 | 2023-06-09 | 启实(烟台)数据技术有限公司 | 基于AIoT的校园安全防控系统和方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111177792B (zh) | 基于隐私保护确定目标业务模型的方法及装置 | |
| CN112581263A (zh) | 一种基于灰狼算法优化广义回归神经网络的信用评估方法 | |
| JP2002230514A (ja) | 進化的最適化方法 | |
| CN112364242B (zh) | 针对上下文感知型的图卷积推荐系统 | |
| CN112529685A (zh) | 一种基于bas-fnn的贷款用户信用评级方法及系统 | |
| CN117156442B (zh) | 基于5g网络的云数据安全保护方法及系统 | |
| CN111414875A (zh) | 基于深度回归森林的三维点云头部姿态估计系统 | |
| CN113987236B (zh) | 基于图卷积网络的视觉检索模型的无监督训练方法和装置 | |
| CN112949905A (zh) | 边缘域传感器数据预测方法及装置 | |
| Zhu et al. | A novel GA-BP neural network for wireless diagnosis of rolling bearing | |
| CN117131348A (zh) | 基于差分卷积特征的数据质量分析方法及系统 | |
| CN113740671A (zh) | 一种基于vmd和elm的故障电弧识别方法 | |
| CN117035013A (zh) | 一种采用脉冲神经网络预测动态网络链路的方法 | |
| CN116306834A (zh) | 一种基于全局路径感知图神经网络模型的链路预测方法 | |
| CN115174263A (zh) | 攻击路径动态决策方法与装置 | |
| CN115329834A (zh) | 电缆状态确定方法、装置及系统 | |
| CN112529637B (zh) | 基于情景感知的服务需求动态预测方法及系统 | |
| CN115695025A (zh) | 网络安全态势预测模型的训练方法及装置 | |
| CN113259163B (zh) | 一种基于网络拓扑感知的Web服务质量预测方法及系统 | |
| CN115168722A (zh) | 内容交互预测方法以及相关设备 | |
| CN114826948A (zh) | 一种基于图卷积网络的sdn网络流量预测方法 | |
| CN113342474A (zh) | 客户流量的预测、模型训练的方法、设备及存储介质 | |
| CN118036714B (zh) | 基于集成学习算法的空域流量预测方法 | |
| CN113435113B (zh) | 一种电力系统暂态稳定评估方法及装置 | |
| CN117313552B (zh) | 半导体器件建模方法、系统及电子设备 |
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 |