CN113364813B - 一种轨道交通能量回馈数据的压缩传输方法及系统 - Google Patents
一种轨道交通能量回馈数据的压缩传输方法及系统 Download PDFInfo
- Publication number
- CN113364813B CN113364813B CN202110905489.7A CN202110905489A CN113364813B CN 113364813 B CN113364813 B CN 113364813B CN 202110905489 A CN202110905489 A CN 202110905489A CN 113364813 B CN113364813 B CN 113364813B
- Authority
- CN
- China
- Prior art keywords
- sequence
- data
- time
- fitting
- fluctuation
- 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
- 238000000034 method Methods 0.000 title claims abstract description 35
- 230000005540 biological transmission Effects 0.000 title claims abstract description 31
- 230000006835 compression Effects 0.000 title claims abstract description 11
- 238000007906 compression Methods 0.000 title claims abstract description 11
- 230000008859 change Effects 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 6
- 238000009499 grossing Methods 0.000 claims description 4
- 230000011218 segmentation Effects 0.000 claims description 3
- 238000013527 convolutional neural network Methods 0.000 claims description 2
- 230000006870 function Effects 0.000 description 6
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 229910052799 carbon Inorganic materials 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005265 energy consumption Methods 0.000 description 2
- 235000006629 Prosopis spicigera Nutrition 0.000 description 1
- 240000000037 Prosopis spicigera Species 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000004064 recycling Methods 0.000 description 1
- 238000011946 reduction process Methods 0.000 description 1
- 230000001172 regenerating effect Effects 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L69/00—Network arrangements, protocols or services independent of the application payload and not provided for in the other groups of this subclass
- H04L69/04—Protocols for data compression, e.g. ROHC
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Economics (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Medical Informatics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Computer Security & Cryptography (AREA)
- Compression, Expansion, Code Conversion, And Decoders (AREA)
Abstract
本发明涉及一种轨道交通能量回馈数据的压缩传输方法及系统；其获取设定周期内的时间序列数据；提取波峰点和波谷点以及对应的位置；根据波峰点和波谷点的位置，对时间序列数据进行分段划分，获取各段序列数据；对各序列数据按照数据分类规则进行分类，得到第一集合、第二集合和变动序列；根据变动序列，计算残差序列和波动序列；将残差序列和波动序列输入时序预测模型，输出最小多项式阶数，确定变动序列的最小多项式的系数，得到第三集合；第一集合、第二集合和第三集合构成压缩序列数据，进而获取压缩序列数据集，并进行数据传输。即本发明的方案能够进行数据压缩，提高数据的传输效率。
Description
技术领域
本发明涉及数据传输领域，尤其涉及一种轨道交通能量回馈数据的压缩传输方法及系统。
背景技术
城市轨道交通是所有公共交通方式中最绿色环保的，但其能耗和碳排放总量仍十分巨大，因此如何利用低碳技术降低能耗，减少碳排放是城市轨道交通行业的重要课题。其中供电系统回馈能量的再利用技术是重要节能减排技术之一。
然而供电系统回馈能量数据量非常大，数据传输过程通常很长，因此需要对回馈数据进行处理，提高数据传输的效率。
发明内容
本发明的目的是提供一种轨道交通能量回馈数据的压缩传输方法及系统，用于解决现有的对回馈数据进行传输时，数据传输的效率不高的问题。
为了实现上述目的，本发明提供的一种轨道交通能量回馈数据的压缩传输方法的技术方案，包括如下步骤：
获取设定周期内的时间序列数据；
提取所述时间序列数据的波峰点和波谷点以及每个波峰点和波谷点在所述时间序列数据中对应的位置；根据所述波峰点和波谷点的位置，对所述时间序列数据进行数据分段划分，获取各段序列数据；
将所述各段序列数据按照数据分类规则进行分类，得到第一集合、第二集合和变动序列；
根据所述变动序列，计算残差序列和波动序列；
将残差序列和波动序列输入时序预测模型中，输出最小多项式阶数；
根据所述最小多项式阶数，确定所述变动序列进行多项式拟合的多项式的系数，所述系数构成第三集合；
所述第一集合、第二集合和第三集合构成所述序列数据的压缩序列数据，进而获取时间序列数据的压缩序列数据集，并进行数据传输；
其中，所述数据分类规则为：
对各段序列数据中的各相邻数据进行差值处理，获取各差值序列；
对差值序列中的所有元素进行依次判断：
当差值序列中第一个元素的值为0时，则该第一个元素为左关键元素；
当差值序列中第a个元素为0且第a+1个元素为非0时，则第a个元素为右关键元素；
当第a个元素为0且第a-1个元素为非0时，则第a个元素为左关键元素，其中a＞1；
统计第一个左关键元素与第一个右关键元素之间为0的元素对应的序列数据中的数据，记为第一集合；
统计既为右关键元素又为左关键元素的元素对应的序列数据中的数据，记为第二集合；
统计序列数据中除第一集合和第二集合之外剩余的数据，记为变动序列。
进一步地，所述残差序列为变动序列中的数据与变动序列的平均值的差值的序列。
进一步地，所述波动序列的获取方法为：
采用最小二乘法对所述残差序列进行一阶线性拟合，得到随机变化方程，获取不同时间戳对应的拟合值，进而得到拟合序列；
其中，随机变化方程为
其中，x为电压值，k、b分别为直线的斜率、截距；
将所述残差序列以及所述拟合序列作差，得到波动序列：
其中，S4为波动序列，S3为残差序列，Y为通过随机变化方程得到的不同时间戳对应的拟合值y组成的拟合序列。
进一步地，所述时序预测模型为TCN时间卷积神经网络。
进一步地，对所述差值序列中的所有元素进行依次判断之前，还包括对所述差值序列进行平滑处理的步骤。
本发明还提供了一种轨道交通能量回馈数据的压缩传输系统，包括处理器和存储器，所述处理器用于执行存储在所述存储器中的轨道交通能量回馈数据的压缩传输方法的技术方案。
本发明与现有技术相比，其有益效果为：
本发明通过对时间序列数据进行分段，并对每段序列数据进行数据分类，获取数据的直线段数据和斜线段数据，而对于斜线段数据通过获取最优多项式阶数，并根据多项式拟合，获取该最优多项式阶数对应的多项式系数，作为斜线段数据的传输数据，最终实现整个时间序列数据的传输；仅对斜线段对应的数据进行处理，减少迭代计算，尤其是在序列数据量大的时候，迭代寻找最优多项式具有较大的计算量，通过此方法可以避免冗余的迭代求解符合精度的拟合方程，大幅度降低计算量。
附图说明
为了更清楚地说明本说明书实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本说明书的一些实施例，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它的附图。
图1示出了本发明的一种轨道交通能量回馈数据的压缩传输方法实施例的方法流程图；
图2示出了本发明的一种轨道交通能量回馈数据的压缩传输方法实施例中的波峰点和波谷点的波形示意图；
图3示出了本发明的一种轨道交通能量回馈数据的压缩传输方法实施例中的压缩序列数据的存储方式示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例，基于本发明实施例，本领域普通技术人员所获得的所有其他实施例，都属于本发明实施例保护的范围。
本发明提供了一种轨道交通能量回馈数据的压缩传输方法的一种具体实施方式，该方法实施例针对的是轨道交通能量回馈系统的回馈数据进行数据的压缩，并对压缩后的数据进行高效传输，提高数据传输的效率。
具体地，如图1所示，该轨道交通能量回馈数据的压缩传输方法，包括如下步骤：
步骤1，获取设定周期内的轨道交通能量回馈的时间序列数据S。
本实施例中的时间序列数据S为电压值序列，表示为V=[v1,v2,…,vn]，n为时间戳，每一时间戳对应一个电压值。同时，由于序列是时序的，因此可以基于特定时间间隔来进行波峰波谷检测，如每10秒检测一次。
需要说明的是，轨道交通能量回馈系统包含多个能量回馈单元；而能量回馈单元，全名为“变频器专用型能量回馈单元”，是变频器专用型制动单元的一种，主要用于大惯量、拖动性的变频调速系统中，帮助电机将其减速过程中所产生的再生电能回馈到电网，同时协助系统实现快速制动功能。
而能量回馈单元，通过自动检测变频器的直流母线电压，将变频器的直流环节的直流电压逆变成与电网电压同频同相的交流电压，经多重噪声滤波环节后连接到交流电网，从而达到能量回馈电网的目的，回馈到电网的电能达到发电能量的97%以上，有效节省电能。
最终可以实时获取能量回馈单元的电压值、电流值，包含回馈相电流、回馈相电压序列。
步骤2，提取所述时间序列数据S的波峰点和波谷点，记录每个波峰点和波谷点在所述时间序列数据S中对应的位置；根据所述波峰点和波谷点的位置，对所述时间序列数据S进行数据分段划分，得到各段序列数据S1。
本实施例中，获取时间序列数据S的波峰点和波谷点的方法为：
1）计算时间序列数据S（电压值序列，表示为V=[v1,v2,…,vn]）的一阶差分向量DiffV：
Diffv(i)=V(i+1)−V(i)，其中i∈1,2,…, n−1。
2）对差分向量进行取符号函数运算，Trend=sign(Diffv)，即遍历Diffv，若Diffv(i)大于0，则取1；等于0，则取0；小于0，则取-1；
3）从尾部遍历Trend向量，进行如下操作：
If Trend(i)=0且Trend(i+1)≥0，则Trend(i)=1；
If Trend(i)=0且Trend(i+1)<0，则Trend(i)=−1。
4）对Trend向量进行一阶差分运算,得到R=diff(Trend)；
5）遍历得到的差分向量R：
如果R(i) =−2，则i+1为投影向量V的一个峰值位，对应的峰值为V(i+1)；
如果R(i) =2，则i+1为投影向量V的一个波谷位，对应的波谷为V(i+1)。
至此，即可得到波峰点、波谷点的坐标集合。
本实施例中，根据波峰点和波谷点的位置，获取各段序列数据S1；也即电压值时间序列数据中第一个值与第一个波峰点或波谷点之间的序列数据为第一个序列数据；波峰点与波谷点之间的序列数据为第n个序列数据；上一个波峰或波谷点到当前时刻的数据之间的序列数据为最后一个序列数据。其中，如图2所示，获取的各段序列数据为四段；即波形起始点到a点之间的电压数据，a点与b点之间的电压数据、b点与c点之间的电压数据，以及c点到当前时刻的电压数据。
当然，作为其他实施方式，本发明还可以计算DiffV(i)，DiffV(i-1)，DiffV(i+1)，比较DiffV(i)与DiffV(i-1)，DiffV(i)与DiffV(i+1)的大小，
当DiffV(i-1)＜DiffV(i)且DiffV(i)≥DiffV(i+1)，则为波峰点；
当DiffV(i-1) ≥DiffV(i)且DiffV(i)＜DiffV(i+1)，则为波谷点。
步骤3，将所述各段序列数据S1按照数据分类规则进行分类，得到第一集合、第二集合和变动序列。
本实施例中的数据分类规则为：
对各序列数据S1中的各相邻数据进行差值处理，获取各差值序列S’；
对差值序列S’中的所有元素进行依次判断：
当差值序列中第一个元素的值为0时，则该第一个元素为左关键元素；
当差值序列中第a个元素为0且第a+1个元素为非0时，则第a个元素为右关键元素；
当第a个元素为0且第a-1个元素为非0时，则第a个元素为左关键元素，其中a＞1；
1）统计第一个左关键元素与第一个右关键元素之间为0的元素对应的序列数据S1中的数据，记为第一集合N1；
对于N1的数据传输，其传输的是左关键元素、右关键元素在序列数据S1中对应的索引，同时传输这些关键元素在序列数据S1中对应位置的电压值的平均电压值。
需要说明的是，相邻差值序列中为0的元素，则在原始的序列数据中，相邻的数据值是相同的，因此对第一个左关键元素与第一个右关键元素之间的元素对应的若干数据求平均，该电压平均值实际上与原始的序列数据中的电压值相等。因此，本实施例中，只需要传输第一个左关键元素与第一个右关键元素在序列数据S1中对应的索引以及平均电压值即可，无需将上述若干数据都进行传输；作为其他实施方式，平均电压值可以为若干数据中的其中任意一个电压值。
2）统计既为右关键元素又为左关键元素的元素对应的序列数据S1中的数据，记为第二集合N2；
对于N2的数据传输，传输的是该元素在序列数据S1中对应的索引及电压值。
需要说明的是，对于差值序列S’中元素在序列数据S1中的索引为在差值序列S’中的索引加一。
3）统计序列数据S1中除第一集合和第二集合之外剩余的数据，记为变动序列S2。
上述实施例中的差值序列S’为：
其中，i,j相邻，x i 为序列数据S1中的第i个数据，x j 为序列数据S1中的第j个数据。
进一步地，对获取的差值序列S’进行平滑处理，获取平滑后的差值序列S0’；具体地，设置相邻阈值G1，阈值G1的经验值为0.1；当相邻差值小于相邻阈值G1时，则相邻差值取0，得到差值序列S0’。
本发明考虑到了回馈的时序数据是存在一定的波动，因此通过设置相邻阈值G1，进行平滑处理，这样虽然序列存在一定的波动，但整体趋势仍保持为直线。
步骤4，根据所述变动序列S2，计算残差序列和波动序列。
首先，获取变动序列S2的平均值
，然后获取残差序列S3：
本实施例中，残差序列S3滤去了变动序列S2的平均值。由于波动成分对于一般的时间序列的可能存在，那么一个时间序列可能有随机成分，把序列的这些成分过滤掉，能去掉随机成分，提高数据的准确率。
同时，上述获取残差序列的表达式表示的是变动序列S2中的每一个数据减去平均值。
其次，根据残差序列，获取波动序列；即采用最小二乘法对所述残差序列进行一阶线性拟合，得到随机变化方程，获取不同时间戳对应的拟合值，进而得到拟合序列；
所述随机变化方程为
其中，x为电压值对应的时间戳，k、b分别为直线的斜率、截距。
本实施例中的电压值对应的时间戳为该电压值的索引。
然后，将残差序列以及拟合序列作差，得到波动序列：
其中，Y为通过随机变化方程得到的不同时间戳对应的拟合值y组成的序列。
上述中获取的波动序列中的不同时间戳的波动值越大，该时间序列数据连续变化越大。本实施例中的每一个序列数据对应一个变动序列，而每一个变动序列S2都对应一个残差序列S3和波动序列S4。
步骤5，将残差序列和波动序列输入时序预测模型中，输出最小多项式阶数。
本实施例中，通过构建的时序预测模型，得到最小多项式阶数。
具体地，时序预测模型的网络输入的形状为
，其中，B为网络输入的batchsize，T为序列长度,即各波峰点和波谷点之间的数据序列长度，为不定长度；2为序列的个数，分别为残差序列S3和波动序列S4；经过TCN特征提取后，通过全连接FC，输出形状为[B，N]，其中，N为预测符合精度的最小多项式阶数。
本发明通过残差序列和波动序列的特征，可以有效反映出原始序列的波动性及变化性。
本实施例中的N取8，具体的阶数与后续设置的精度阈值有关。
其中采用的时序预测模型有很多，本实施例中采用TCN时间卷积神经卷积模型来预测符合精度的最小多项式阶数。
本实施例中，时序预测模型的训练方法如下：
a）获取训练标签数据；
本实施例中的训练标签数据通过对序列数据进行迭代求解获取，具体方法如下：
首先，计算波动序列的重构精度MAE；
其中，重构精度MAE为：
式中，S2为一个变动序列，
为对变动序列S2进行迭代多项式拟合后的第i个拟合序列，N表示序列的长度。
其中的多项式拟合的表达式为：
其中，M是多项式的阶数，W 0 ，…，W M 是多项式的系数，记作W。
本实施例的迭代是指对变动序列，按照从1到N的多项式阶数分别对变动序列进行拟合迭代，得到N个拟合序列；那么，对于每一个变动序列，根据上述多项式拟合表达式，得到对应的拟合序列。进而对每一个变动序列以及与其对应的每一个多项式阶数拟合的方程进行MAE计算。
进一步地，为了降低获取的多项式系数的误差，本发明通过设置误差函数判断是否需要对多项式系数进行优化，当获取的误差大于设定阈值时，采用最小二乘法或梯度下降法对多项式进行优化。
其中的误差函数为均方误差，其公式如下：
其中，v n 为变动序列S2中的第n个电压值，x n 为v n 的索引，
表示通过对变动序列S2拟合的拟合序列的多项式方程计算的第n个拟合值。
上述步骤中的迭代是指多项式阶数从1到N，由于需要耗费大量计算资源来进行拟合，寻找符合精度的最优多项式阶数，因此，基于残差序列及波动序列来拟合，可以实现快速的最优多项式阶数预测，减少迭代计算，尤其是在序列数据量大的时候，迭代寻找最优多项式具有较大的计算量。
其次，判断重构精度是否小于精度阈值，若重构精度小于精度阈值，则得到符合精度的最小多项式阶数；将该最小多项式阶数的值作为该时序预测模型的标签数据。
本实施例中，由于每一个序列数据都对应一个最小多项式阶数的值，因此从中随机选择一个或部分的序列数据，进行标签数据的获取。
本实施例中，设置的精度阈值G2取0.5；设定阈值可以根据实际需求进行设置。
b）将标签数据输入构建的时序预测模型进行训练，得到训练好的预测模型。
其中，本实施例中的时序预测模型的损失函数采用交叉熵损失函数。
至此，本发明通过时序预测神经网络模型来预测各变动序列S2对应的符合精度的最小多项式阶数。
本发明的方案由于各变动序列S2内数据序列长度不一定相等，因此采用TCN技术可以输入不定长的数据。
同时，本发明考虑了由于S2之间的序列可能也有较大变化，因此需要进行多项式拟合，来提高拟合效果，提高数据重建的精度，即通过时序预测模型，预测符合精度的最小多项式阶数。
步骤6，根据所述最小多项式阶数，确定所述变动序列S2进行多项式拟合的多项式的系数，所述系数构成第三集合。
本实施例中是根据确定的最小多项式阶数以及步骤5中拟合出的各多项式阶数，能够直接确定变动序列S2对应的多项式的系数。
步骤7，所述第一集合、第二集合和第三集合构成压缩序列数据，进而获取时间序列数据S的压缩序列数据集，并进行数据传输。
本实施例中的压缩序列数据，是采用链表与散列结合的方式。
本实施例中的链表为单向链表，包含节点和散列，每个节点存储时间序列数据S划分后的每个波峰点和波谷点的索引，每个节点对应多个散列，每个散列包含key和value，其中key为序列数据S1中的关键索引，包含第一集合N1、第二集合N2、S2的关键索引，value包含为N1中的平均电压值（或电压值）、第二集合N2中的电压值以及第三集合（变动序列S2对应的多项式的系数），其中，第三集合中的多项式的系数包含每一项的系数值。
具体地，如图3所示，以节点1为例进行具体分析，节点1中用于存储时间序列数据S的第一段序列数据S1，按照上述步骤的设定规则对第一段序列数据进行分类以及相应的处理，得到第一集合N1、第二集合N2和第三集合，其中，N1包括（key1，value1）、（key3，value3），N2为（key2，value2），第三集合为（key4，value4），则根据获取的第一集合N1、第二集合N2和第三集合的索引顺序（该索引顺序为key1-key2-key3-key4），将第一集合N1、第二集合N2和第三集合存储到相应的散列中，获取该第一段序列数据S1的压缩序列数据。
需要说明的是，上述中的key1、key2、key3和key4，其可以仅是一个索引值，如节点1索引为1-10，则key1为3，key2为5、key3为8和key4为9；如key1为3时，表示的是索引1到索引3对应的数据；作为其他实施方式，其也可以是由索引头和索引尾构成的数组，如，key1为（1,3），key2为（4,5）、key3为6和key4为（7,10）。
另外，本发明的压缩序列数据中包含的多项式的系数，其并不是电压值数据，因此，在传输到相应的接收端时，该接收端需要具有一定的数据处理能力，也即根据索引以及对应的系数，获取多项式方程，进而获取索引对应的电压值。
本发明的方案获取的压缩序列数据，减小了传输数据的数据量，提高了后续的数据传输的效率和传输速度，避免长时间的数据通信导致的数据泄露、系统入侵等风险。
基于与方法同样的发明构思，本发明还提供了一种轨道交通能量回馈数据的压缩传输系统，包括处理器和存储器，其中的处理器用于执行存储在存储器中的轨道交通能量回馈数据的压缩传输方法实施例的程序；由于该轨道交通能量回馈数据的压缩传输系统实施例已经在上述方法实施例中进行描述，此处不再过多赘述。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包括这些改动和变型在内。
Claims (4)
1.一种轨道交通能量回馈数据的压缩传输方法，其特征在于，包括以下步骤：
获取设定周期内的时间序列数据；
提取所述时间序列数据的波峰点和波谷点以及每个波峰点和波谷点在所述时间序列数据中对应的位置；根据所述波峰点和波谷点的位置，对所述时间序列数据进行数据分段划分，获取各段序列数据；
将所述各段序列数据按照数据分类规则进行分类，得到第一集合、第二集合和变动序列；
根据所述变动序列，计算残差序列和波动序列；
将残差序列和波动序列输入时序预测模型中，输出最小多项式阶数；
根据所述最小多项式阶数，确定所述变动序列进行多项式拟合的多项式的系数，所述系数构成第三集合；
所述第一集合、第二集合和第三集合构成所述序列数据的压缩序列数据，进而获取时间序列数据的压缩序列数据集，并进行数据传输；
其中，所述数据分类规则为：
对各段序列数据中的各相邻数据进行差值处理，获取各差值序列；
对差值序列中的所有元素进行依次判断：
当差值序列中第一个元素的值为0时，则该第一个元素为左关键元素；
当差值序列中第a个元素为0且第a+1个元素为非0时，则第a个元素为右关键元素；
当第a个元素为0且第a-1个元素为非0时，则第a个元素为左关键元素，其中a＞1；
统计第一个左关键元素与第一个右关键元素之间为0的元素对应的序列数据中的数据，记为第一集合；
统计既为右关键元素又为左关键元素的元素对应的序列数据中的数据，记为第二集合；
统计序列数据中除第一集合和第二集合之外剩余的数据，记为变动序列；
所述残差序列为变动序列中的数据与变动序列的平均值的差值的序列；
所述波动序列的获取方法为：
采用最小二乘法对所述残差序列进行一阶线性拟合，得到随机变化方程，获取不同时间戳对应的拟合值，进而得到拟合序列；
其中，随机变化方程为
其中，x为电压值对应的时间戳，k、b分别为直线的斜率、截距；
将所述残差序列以及所述拟合序列作差，得到波动序列：
其中，S4为波动序列，S3为残差序列，Y为通过随机变化方程得到的不同时间戳对应的拟合值y组成的拟合序列。
2.根据权利要求1所述的一种轨道交通能量回馈数据的压缩传输方法，其特征在于，所述时序预测模型为TCN时间卷积神经网络。
3.根据权利要求1所述的一种轨道交通能量回馈数据的压缩传输方法，其特征在于，对所述差值序列中的所有元素进行依次判断之前，还包括对所述差值序列进行平滑处理的步骤。
4.一种轨道交通能量回馈数据的压缩传输系统，包括处理器和存储器，其特征在于，所述处理器用于执行存储在所述存储器中的如权利要求1-3中任一项所述的轨道交通能量回馈数据的压缩传输方法的指令。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110905489.7A CN113364813B (zh) | 2021-08-09 | 2021-08-09 | 一种轨道交通能量回馈数据的压缩传输方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110905489.7A CN113364813B (zh) | 2021-08-09 | 2021-08-09 | 一种轨道交通能量回馈数据的压缩传输方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113364813A CN113364813A (zh) | 2021-09-07 |
| CN113364813B true CN113364813B (zh) | 2021-10-29 |
Family
ID=77540659
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110905489.7A Active CN113364813B (zh) | 2021-08-09 | 2021-08-09 | 一种轨道交通能量回馈数据的压缩传输方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113364813B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113780447B (zh) * | 2021-09-16 | 2023-07-11 | 郑州云智信安安全技术有限公司 | 基于流量分析的敏感数据发现识别方法及系统 |
| CN114528334B (zh) * | 2022-02-18 | 2022-10-18 | 重庆伏特猫科技有限公司 | 一种时序数据库中快速相似搜索方法 |
| CN116996076B (zh) * | 2023-09-27 | 2023-12-19 | 湖北华中电力科技开发有限责任公司 | 一种用于校园设备的电气能耗数据智能管理方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103577694A (zh) * | 2013-11-07 | 2014-02-12 | 广东海洋大学 | 一种基于多尺度分析的水产养殖水质短期组合预测方法 |
| CN109968992A (zh) * | 2017-12-27 | 2019-07-05 | 比亚迪股份有限公司 | 用于轨道交通的直流牵引供电系统及其控制方法 |
| CN111638656A (zh) * | 2020-06-08 | 2020-09-08 | 中车株洲电力机车研究所有限公司 | 一种直流牵引供电系统的运行状态解算方法及仿真模拟系统 |
| CN111797177A (zh) * | 2020-07-06 | 2020-10-20 | 哈尔滨工业大学（威海） | 一种用于异常金融账号检测的金融时间序列分类方法及应用 |
Family Cites Families (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP3797836B2 (ja) * | 1999-12-09 | 2006-07-19 | 株式会社東芝 | リモートメンテナンスシステム |
| US8631040B2 (en) * | 2010-02-23 | 2014-01-14 | Sas Institute Inc. | Computer-implemented systems and methods for flexible definition of time intervals |
| CN103561418A (zh) * | 2013-11-07 | 2014-02-05 | 东南大学 | 基于时间序列的异常检测方法 |
| CN104201700B (zh) * | 2014-09-22 | 2017-06-20 | 哈尔滨工业大学 | 计及风电不确定性波动的区域电网火电调频机组配置方法 |
| CN106059661B (zh) * | 2015-12-25 | 2019-05-24 | 国家电网公司 | 一种基于时序分析的光传输网络趋势预测方法 |
| US20210065059A1 (en) * | 2019-08-27 | 2021-03-04 | Nec Laboratories America, Inc. | Monitoring computing system status by implementing a deep unsupervised binary coding network |
| CN111275255A (zh) * | 2020-01-17 | 2020-06-12 | 南昌大学 | 一种混凝土坝变形监测预报模型的构建方法 |
-
2021
- 2021-08-09 CN CN202110905489.7A patent/CN113364813B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103577694A (zh) * | 2013-11-07 | 2014-02-12 | 广东海洋大学 | 一种基于多尺度分析的水产养殖水质短期组合预测方法 |
| CN109968992A (zh) * | 2017-12-27 | 2019-07-05 | 比亚迪股份有限公司 | 用于轨道交通的直流牵引供电系统及其控制方法 |
| CN111638656A (zh) * | 2020-06-08 | 2020-09-08 | 中车株洲电力机车研究所有限公司 | 一种直流牵引供电系统的运行状态解算方法及仿真模拟系统 |
| CN111797177A (zh) * | 2020-07-06 | 2020-10-20 | 哈尔滨工业大学（威海） | 一种用于异常金融账号检测的金融时间序列分类方法及应用 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113364813A (zh) | 2021-09-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113364813B (zh) | 一种轨道交通能量回馈数据的压缩传输方法及系统 | |
| Dieker et al. | Exact simulation of Brown-Resnick random fields at a finite number of locations | |
| US20190294978A1 (en) | Inferring digital twins from captured data | |
| Behnezhad et al. | Massively parallel computation of matching and MIS in sparse graphs | |
| Keshavan | Efficient algorithms for collaborative filtering | |
| Ma et al. | Resnet can be pruned 60×: Introducing network purification and unused path removal (p-rm) after weight pruning | |
| Duvignau et al. | Streaming piecewise linear approximation for efficient data management in edge computing | |
| CN103902582B (zh) | 一种减少数据仓库数据冗余的方法和装置 | |
| US8571255B2 (en) | Scalable media fingerprint extraction | |
| Fu et al. | Dynamic programming driven memetic search for the steiner tree problem with revenues, budget, and hop constraints | |
| Chen et al. | Sequence prediction using partially-ordered episode rules | |
| CN108470251B (zh) | 基于平均互信息的社区划分质量评价方法及系统 | |
| CN112509644B (zh) | 一种分子优化方法、系统、终端设备及可读存储介质 | |
| Wu et al. | Normalized stability: A cross-level design metric for early termination in stochastic computing | |
| CN116127400B (zh) | 基于异构计算的敏感数据识别系统、方法及存储介质 | |
| Duvignau et al. | Piecewise linear approximation in data streaming: Algorithmic implementations and experimental analysis | |
| CN112396166A (zh) | 基于混合粒度聚合器的图卷积神经网络训练方法及装置 | |
| Kaushik et al. | Traffic prediction in telecom systems using deep learning | |
| CN117034512A (zh) | 一种数据处理方法及系统 | |
| CN104320659B (zh) | 背景建模方法、装置及设备 | |
| CN116663017A (zh) | 一种基于多程序图的漏洞检测方法及装置 | |
| CN115905702A (zh) | 基于用户需求分析的数据推荐方法及系统 | |
| Yeh | The extension of universal generating function method to search for all one-to-many $ d $-minimal paths of acyclic multi-state-arc flow-conservation networks | |
| CN108564135B (zh) | 构建骨架程序并实现高性能计算程序运行时间预测的方法 | |
| Ghadirian et al. | Hybrid adaptive modularized tri-factor non-negative matrix factorization for community detection in complex networks |
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 |