CN114374393A - 一种针对工业物联网时序数据的去冗余压缩方法 - Google Patents
一种针对工业物联网时序数据的去冗余压缩方法 Download PDFInfo
- Publication number
- CN114374393A CN114374393A CN202111675732.7A CN202111675732A CN114374393A CN 114374393 A CN114374393 A CN 114374393A CN 202111675732 A CN202111675732 A CN 202111675732A CN 114374393 A CN114374393 A CN 114374393A
- Authority
- CN
- China
- Prior art keywords
- data
- value
- time
- xor
- bits
- 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
Images
Classifications
-
- H—ELECTRICITY
- H03—ELECTRONIC CIRCUITRY
- H03M—CODING; DECODING; CODE CONVERSION IN GENERAL
- H03M7/00—Conversion of a code where information is represented by a given sequence or number of digits to a code where the same, similar or subset of information is represented by a different sequence or number of digits
- H03M7/30—Compression; Expansion; Suppression of unnecessary data, e.g. redundancy reduction
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Compression, Expansion, Code Conversion, And Decoders (AREA)
Abstract
本发明公开一种针对工业物联网时序数据的去冗余压缩方法,智能车间中传感器采集并发送数据至边缘服务器,边缘服务器临时存储数据,在传感器发送的数据达到设定的测试时间或者完成阶段性测量任务后,边缘服务器对临时存储的数据做去冗余压缩处理,包括以下步骤:(1)针对不同位置的同种传感器在同一时间段内采集到的数据,两两进行Pearson相关性分析;(2)根据每组传感器的数据变化规律,将每组传感器数据进行数据拟合压缩;(3)使用Delta‑Of‑Delta编码算法对时间戳进行编码压缩处理;(4)使用XOR编码算法对传感器数据进行压缩。
Description
技术领域
本发明涉及工业大数据分析处理领域,特别是涉及一种针对工业物联网时序数据的去冗余压缩方法。
背景技术
工业物联网的数据采集有着频率高、设备多、维度高的特点,数据量非常大,对系统的分析存储能力有着很高的要求。考虑到分布在不同空间位置中的同种传感器间,在一段时间内采集到的数据可能存在关联关系,同一传感器在相邻时间段内采集到的数据可能由于采样频率过快存在重复和同一传感器在一段时间内的数据可能遵循某种变化趋势的情况,提出一种针对工业物联网传感器时间序列数据的去冗余压缩方法,用于对工业大数据进行压缩,减轻边缘服务器的存储压力。
发明内容
本发明的目的是为了克服现有技术中的不足,提供一种针对工业物联网时序数据的去冗余压缩方法,在保证数据准确性的前提下,对数据进行去冗余和压缩处理。减少数据的传输能耗和存储成本。
本发明的目的是通过以下技术方案实现的:
一种针对工业物联网时序数据的去冗余压缩方法,智能车间中传感器采集并发送数据至边缘服务器,边缘服务器临时存储数据,在传感器发送的数据达到设定的测试时间或者完成阶段性测量任务后,边缘服务器对临时存储的数据做去冗余压缩处理,包括以下步骤:
(1)针对不同位置的同种传感器在同一时间段内采集到的数据,两两进行Pearson相关性分析;
(2)根据每组传感器的数据变化规律,将每组传感器数据进行数据拟合压缩;
(3)使用Delta-Of-Delta编码算法对时间戳进行编码压缩处理;
(4)使用XOR编码算法对传感器数据进行压缩。
进一步的,步骤(1)具体如下:
(101)时序数据为一串按时间维度索引的数据;定义传感器为TSi(i=1,2,3...n),n为传感器的个数,TimeStart代表时序数据的起始时间,TimeEnd代表时序数据的结束时间,Data[]为在[TimeStart,TimeEnd]时间内的时序数据;TSi在一段时间内采集的数据表示为[TSi,TimeStart,TimeEnd,Data[]];
(102)计算不同的传感器数据在同一时间段内的Pearson相关性系数r,(此处的m指时序数据的个数,X和Y表示两组传感器数据,i表示时序输入的位置,如X1表示第1个时序数据)设相关性阈值为Rh,TSi,TSj为传感器i和传感器j(i=1,2,3...n,j=1,2,3...n且i<j),i<j保证只计算一次相关性系数。如果TSi与TSj在[TimeStart,TimeEnd]内的数据相关性较强,即r>Rh,则采用常用的函数f对两组传感器的数据进行拟合,找出TSi与TSj存在映射函数为f的映射关系,则TSj在[TimeStart,TimeEnd]之间采集的数据表示[TSi,TimeStart,TimeEnd,TSi->Data*f],故在数据库只需要保存TSi的数据及其TSi和TSj的数据关系[TSi,TimeStart,TimeEnd,TSi->Data*f]。
进一步的,步骤(2)中具体包括以下步骤:
(201)拟合算法中所使用的变量如下:设p为相邻时序数据的数据值的变化量;inc为p≥0的时序数据个数;dec为p<0的时序数据个数;d为inc和dec差值的绝对值;th为数据变化的阈值;dth为拟合阈值;TimeStampStart,TimeStampEnd表示拟合压缩后数据所代表的时序数据的开始时间戳和结束时间戳;num为在[TimeStampStart,TimeStampEnd]区间中时序数据的个数;mean为[TimeStampStart,TimeStampEnd]时间段的均值,func为[TimeStampStart,TimeStampEnd]中所满足的对应关系;value表示满足|p|>th条件的非冗余数据值,count表示非冗余数据的个数;result为保存结果信息的集合;flag为压缩算法结束标志;
(202)初始化d=0,dec=0,inc=0,并设定阈值th和拟合阈值dth;
(203)将数据每m个一组,分别计算每组数据中的变化量p;
(204)当|p|≥th将数据放入结果序列result中,此时的数据格式为[TSi,TimeStampStart,TimeStampEnd,1,value],同时count加1,如果|p|<th且p≥0则inc加1,d加1;如果|p|<th且p<0则dec加1,d减1;TSi表示传感器,1≤i≤n;
(205)当每组数据中d>dth,则使用常见的函数进行拟合,并选用最优的拟合函数func来表示整组数据,此时数据格式为[TSi,TimeStampStart,TimeStampEnd,num,func]并将其加入到结果序列result;当d≤dth则使用该组数据的平均值mean表示此段数据的整体水平;数据格式为[TSi,TimeStampStart,TimeStampEnd,num,mean]并将其加入到结果序列result;
(206)如果count大于每组数据的一半,则重复步骤(202)至(204),并重新调整阈值th、拟合阈值dth和每组的数据个数;否则进行时间戳压缩。
进一步的,步骤(3)具体如下:
(301)初始化T(0),设Delta Of Delta值为D,D=(T(N)–T(N-1))–(T(N-1)–T(N-2));T(N)表示第N个时间戳的值;
(302)如果D为0,那么,存储一个bit‘0’;如果D位于区间[-63,64],存储2个bits’10’,后面跟着用7个bits表示的D值;如果D位于区间[-255,256],存储3个bits‘110’,后面跟着9个bits表示的D值;如果D位于区间[-2047,2048],存储4个bits‘1110’,后面跟着12个bits表示的D值;如果D位于其它区间则存储4个bits‘1111’,后面跟着32个bits表示的D值。
进一步的,步骤(4)具体如下:
(401)第一个数据值存储时不做任何压缩;后面产生的每一个数据值与前一个数据值计算XOR值;
(402)如果XOR值为0,即两个数据值相同,那么存为’0’,只占用一个bit;如果XOR为非0,首先计算XOR前端0的个数Leading Zeros和XOR后端的0的个数Trailing Zeros;第一个bit值存为’1’;如果Leading Zeros与Trailing Zeros与前一个XOR值相同,则第2个bit值存为’0’,而后,紧跟着去掉Leading Zeros与Trailing Zeros以后的有效XOR值部分;如果Leading Zeros与Trailing Zeros与前一个XOR值不同,则第2个bit值存为’1’,而后,紧跟着5个bits用来描述Leading Zeros的值,再用6个bits来描述有效XOR值的长度,最后再存储有效XOR值部分。
与现有技术相比,本发明的技术方案所带来的有益效果是:
1.本发明充分利用数据在计算机中存储的形式进行数据压缩,通过本发明方法压缩后的时间戳百分之九十以上都可以用1bit进行表示。
2.由于时序数据的特点:数据值无变化,则也可以用1bit代替原有的4字节进行表示。不同传感器数据的相关性可以用尽可能少的表示,本发明压缩效率达8~32倍。即理论的压缩效果最佳可用1bit代替原来的32bit;最高的效率为32。
附图说明
图1为数据压缩预处理流程示意图。
图2是每组传感器数据进行数据拟合压缩的流程示意图。
具体实施方式
以下结合附图和具体实施例对本发明作进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本发明提供一种针对工业物联网时序数据的去冗余压缩方法,见图1,通过智能车间中传感器采集并发送数据至边缘服务器,边缘服务器临时存储数据,在传感器发送的数据达到设定的测试时间或者完成阶段性测量任务后,边缘服务器对临时存储的数据做去冗余压缩处理,包括以下步骤:
(1)针对不同位置的同种传感器在同一时间段内采集到的数据,两两进行Pearson相关性分析;具体如下:
(101)定义传感器为TSi(i=1,2,3...n),n为传感器的个数,TimeStart代表时序数据的起始时间,TimeEnd代表时序数据的结束时间,Data[]为在[TimeStart,TimeEnd]时间内的时序数据;TSi在一段时间内采集的数据表示为[TSi,TimeStart,TimeEnd,Data[]];
(102)计算不同的传感器数据在同一时间段内的Pearson相关性系数r,(此处的m指时序数据的个数,X和Y表示两组传感器数据,i表示时序输入的位置,如X1表示第1个时序数据)设相关性阈值为Rh,TSi,TSj为传感器i和传感器j(i=1,2,3...n,j=1,2,3...n且i<j),i<j保证只计算一次相关性系数。如果TSi与TSj在[TimeStart,TimeEnd]内的数据相关性较强,即r>Rh,则采用常用的函数f对两组传感器的数据进行拟合,找出TSi与TSj存在映射函数为f的映射关系,则TSj在[TimeStart,TimeEnd]之间采集的数据表示[TSi,TimeStart,TimeEnd,TSi->Data*f],故在数据库只需要保存TSi的数据和TSi和TSj的数据关系[TSi,TimeStart,TimeEnd,TSi->Data*f]。
(2)根据每组传感器的数据变化规律,将每组传感器数据进行数据拟合压缩;见图2,具体如下:
(201)时序数据为一串按时间维度索引的数据;拟合算法中所使用的变量如下:设p为相邻时序数据的数据值的变化量;inc为p≥0的时序数据个数;dec为p<0的时序数据个数;d为inc和dec差值的绝对值;th为数据变化的阈值;dth为拟合阈值;TimeStampStart,TimeStampEnd同上文表示的一致,为开始时间戳和结束时间戳;num为在[TimeStampStart,TimeStampEnd]区间中时序数据的个数;mean为[TimeStampStart,TimeStampEnd]时间段的均值,func为[TimeStampStart,TimeStampEnd]中所满足的对应关系;value表示满足|p|>th条件的非冗余数据值,count表示非冗余数据的个数;result为保存结果信息的集合;flag为压缩算法结束标志;
(202)初始化d=0,dec=0,inc=0,并设定阈值th=15和拟合阈值dth=10;th、dth的值由人为设定,一般不同的数据对应的th,dth值不同;
(203)将数据每m=40个一组,分别计算每组数据中的变化量p;m为每组数据的个数,可以人为设定,本实施例中设m为40)
(204)当|p|≥th将数据放入结果序列result中,此时的数据格式为[TSi,TimeStampStart,TimeStampEnd,1,value],同时count加1,如果|p|<th且p≥0则inc加1,d加1;如果|p|<th且p<0则dec加1,d减1;TSi表示传感器,1≤i≤n;
(205)当每组数据中d>dth,则使用常见的函数进行拟合,并选用最优的拟合函数func来表示整组数据,此时数据格式为[TSi,TimeStampStart,TimeStampEnd,num,func]并将其加入到结果序列result;当d≤dth则使用该组数据的平均值mean表示此段数据的整体水平;数据格式,[TSi,TimeStampStart,TimeStampEnd,num,mean]并将其加入到结果序列result;
(206)如果count大于每组数据的一半,则重复步骤(202)至(204),并重新调整阈值th、拟合阈值dth和每组的数据个数;否则进行时间戳压缩;
(3)使用Delta-Of-Delta编码算法对时间戳进行编码压缩处理;具体如下:
(301)初始化T(0),设Delta Of Delta值为D,D=(T(N)-T(N-1))-(T(N-1)-T(N-2));T(N)表示第N个时间戳的值,初始化T(0)的值为了保证算法可以从时间戳T(1)开始进行。一般T(0)可以取T(2)-T(1);
(302)如果D为0,那么,存储一个bit′0’;如果D位于区间[-63,64],存储2个bits’10’,后面跟着用7个bits表示的D值;如果D位于区间[-255,256],存储3个bits′110’,后面跟着9个bits表示的D值;如果D位于区间[-2047,2048],存储4个bits′1110’,后面跟着12个bits表示的D值;如果D位于其它区间则存储4个bits′1111’,后面跟着32个bits表示的D值。
(4)使用XOR编码算法对传感器数据进行压缩。具体如下:
(401)第一个数据值存储时不做任何压缩;后面产生的每一个数据值与前一个数据值计算XOR值;
(402)如果XOR值为0,即两个V相同,那么存为’0’,只占用一个bit;如果XOR为非0,首先计算XOR前端0的个数Leading Zeros和XOR后端的0的个数Trailing Zeros;第一个bit值存为’1’;如果Leading Zeros与Trailing Zeros与前一个XOR值相同,则第2个bit值存为’0’,而后,紧跟着去掉Leading Zeros与Trailing Zeros以后的有效XOR值部分;如果Leading Zeros与Trailing Zeros与前一个XOR值不同,则第2个bit值存为’1’,而后,紧跟着5个bits用来描述Leading Zeros的值,再用6个bits来描述有效XOR值的长度,最后再存储有效XOR值部分。
具体的,本实施例中,Data[]是存时序数据对的集合,第一个元素为时间戳,第二个元素为数据值V。时间戳为格林威治时间1970年01月01日00时00分00秒(北京时间1970年01月01日08时00分00秒)起至现在的总秒数;假设就数据为(1571889600000,34),(1571889600010,34.2),(1571889600020,33.7),(1571889600030,34.1),(1571889600040,35),(1571889600050,36),(1571889600060,37),(1571889600075,38.5),(1571889600090,40),(1571889600100,41)]。一共10条数据,每个时间戳占4个字节(32个bit)所以一共占320bit。
对于在1571889600000-1571889600030之间的数据值经过数据拟合处理后,此段数据的值将由均值34进行表示该时间区间内的数据。
对于在1571889600040-1571889600100之间的数据值经过数据拟合处理后,将拟合成y=(x-1571889600040)/10+35表示该时间区间内的数据。
经过压缩后的时间戳数据使用bit表示的情况如下表所示:
时间戳 | delta | Delta Of Delta | 压缩后的bits |
1571889600000 | 0 | 0 | 32 |
1571889600010 | 10 | 10 | 9 |
1571889600020 | 10 | 0 | 1 |
1571889600030 | 10 | 0 | 1 |
1571889600040 | 10 | 0 | 1 |
1571889600050 | 10 | 0 | 1 |
1571889600060 | 10 | 0 | 1 |
1571889600075 | 15 | 5 | 9 |
1571889600090 | 15 | 0 | 1 |
1571889600100 | 10 | -5 | 9 |
因为第一个元素不被压缩,所以占用32bit,一共占用了65bit,压缩效率为0.203125。根据时序数据时间戳的规律,得到经本发明方法处理后的数据值大多数是可以1bit表示32bit的数据。所以压缩效率最优的情况将达到1/32。压缩率指文件压缩后的大小与压缩前的大小之比。
本发明并不限于上文描述的实施方式。以上对具体实施方式的描述旨在描述和说明本发明的技术方案,上述的具体实施方式仅仅是示意性的,并不是限制性的。在不脱离本发明宗旨和权利要求所保护的范围情况下,本领域的普通技术人员在本发明的启示下还可做出很多形式的具体变换,这些均属于本发明的保护范围之内。
Claims (5)
1.一种针对工业物联网时序数据的去冗余压缩方法,其特征在于,智能车间中传感器采集并发送数据至边缘服务器,边缘服务器临时存储数据,在传感器发送的数据达到设定的测试时间或者完成阶段性测量任务后,边缘服务器对临时存储的数据做去冗余压缩处理,包括以下步骤:
(1)针对不同位置的同种传感器在同一时间段内采集到的数据,两两进行Pearson相关性分析;
(2)根据每组传感器的数据变化规律,将每组传感器数据进行数据拟合压缩;
(3)使用Delta-Of-Delta编码算法对时间戳进行编码压缩处理;
(4)使用XOR编码算法对传感器数据进行压缩。
2.根据权利要求1所述一种针对工业物联网时序数据的去冗余压缩方法,其特征在于,步骤(1)具体如下:
(101)时序数据为一串按时间维度索引的数据;定义传感器为TSi,i=1,2,3...n,n为传感器的个数,TimeStart代表时序数据的起始时间,TimeEnd代表时序数据的结束时间,Data[]为在[TimeStart,TimeEnd]时间内的时序数据;TSi在一段时间内采集的数据表示为[TSi,TimeStart,TimeEnd,Data[]];
(102)计算不同的传感器数据在同一时间段内的Pearson相关性系数r,设相关性阈值为Rh,TSi,TSj为传感器i和传感器j,j=1,2,3...n且i<j,i<j保证只计算一次相关性系数;如果TSi与TSj在[TimeStart,TimeEnd]内的数据相关性较强,即r>Rh,则采用常用的函数f对两组传感器的数据进行拟合,找出TSi与TSj存在映射函数为f的映射关系,则TSj在[TimeStart,TimeEnd]之间采集的数据表示[TSi,TimeStart,TimeEnd,TSi->Data*f],故在数据库只需要保存TSi的数据及其TSi和TSj的数据关系[TSi,TimeStart,TimeEnd,TSi->Data*f]。
3.根据权利要求1所述一种针对工业物联网时序数据的去冗余压缩方法,其特征在于,步骤(2)中具体包括以下步骤:
(201)时序数据为一串按时间维度索引的数据;拟合算法中所使用的变量如下:设p为相邻时序数据的数据值的变化量;inc为p≥0的时序数据个数;dec为p<0的时序数据个数;d为inc和dec差值的绝对值;th为数据变化的阈值;dth为拟合阈值;TimeStampStart,TimeStampEnd表示拟合压缩后数据所代表的时序数据的开始时间戳和结束时间戳;num为在[TimeStampStart,TimeStampEnd]区间中时序数据的个数;mean为[TimeStampStart,TimeStampEnd]时间段的均值,func为[TimeStampStart,TimeStampEnd]中所满足的对应关系;value表示满足|p|>th条件的非冗余数据值,count表示非冗余数据的个数;result为保存结果信息的集合;flag为压缩算法结束标志;
(202)初始化d=0,dec=0,inc=0,并设定阈值th和拟合阈值dth;
(203)将数据每m个一组,分别计算每组数据中的变化量p;
(204)当|p|≥th将数据放入结果序列result中,此时的数据格式为[TSi,TimeStampStart,TimeStampEnd,1,value],同时count加1,如果|p|<th且p≥0则inc加1,d加1;如果|p|<th且p<0则dec加1,d减1;TSi表示传感器,1≤i≤n;
(205)当每组数据中d>dth,则使用常见的函数进行拟合,并选用最优的拟合函数func来表示整组数据,此时数据格式为[TSi,TimeStampStart,TimeStampEnd,num,func]并将其加入到结果序列result;当d≤dth则使用该组数据的平均值mean表示此段数据的整体水平;数据格式为[TSi,TimeStampStart,TimeStampEnd,num,mean]并将其加入到结果序列result;
(206)如果count大于每组数据的一半,则重复步骤(202)至(204),并重新调整阈值th、拟合阈值dth和每组的数据个数;否则进行时间戳压缩。
4.根据权利要求1所述一种针对工业物联网时序数据的去冗余压缩方法,其特征在于,步骤(3)具体如下:
(301)初始化T(0),设Delta Of Delta值为D,D=(T(N)-T(N-1))-(T(N-1)-T(N-2));T(N)表示第N个时间戳的值;
(302)如果D为0,那么,存储一个bit‘0’;如果D位于区间[-63,64],存储2个bits’10’,后面跟着用7个bits表示的D值;如果D位于区间[-255,256],存储3个bits‘110’,后面跟着9个bits表示的D值;如果D位于区间[-2047,2048],存储4个bits‘1110’,后面跟着12个bits表示的D值;如果D位于其它区间则存储4个bits‘1111’,后面跟着32个bits表示的D值。
5.根据权利要求1所述一种针对工业物联网时序数据的去冗余压缩方法,其特征在于,步骤(4)具体如下:
(401)第一个数据值存储时不做任何压缩;后面产生的每一个数据值与前一个数据值计算XOR值;
(402)如果XOR值为0,即两个数据值相同,那么存为’0’,只占用一个bit;如果XOR为非0,首先计算XOR前端0的个数Leading Zeros和XOR后端的0的个数Trailing Zeros;第一个bit值存为’1’;如果Leading Zeros与Trailing Zeros与前一个XOR值相同,则第2个bit值存为’0’,而后,紧跟着去掉Leading Zeros与Trailing Zeros以后的有效XOR值部分;如果Leading Zeros与Trailing Zeros与前一个XOR值不同,则第2个bit值存为’1’,而后,紧跟着5个bits用来描述Leading Zeros的值,再用6个bits来描述有效XOR值的长度,最后再存储有效XOR值部分。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111675732.7A CN114374393A (zh) | 2021-12-31 | 2021-12-31 | 一种针对工业物联网时序数据的去冗余压缩方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111675732.7A CN114374393A (zh) | 2021-12-31 | 2021-12-31 | 一种针对工业物联网时序数据的去冗余压缩方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114374393A true CN114374393A (zh) | 2022-04-19 |
Family
ID=81141508
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111675732.7A Pending CN114374393A (zh) | 2021-12-31 | 2021-12-31 | 一种针对工业物联网时序数据的去冗余压缩方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114374393A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114721601A (zh) * | 2022-05-26 | 2022-07-08 | 昆仑智汇数据科技(北京)有限公司 | 一种工业设备数据的存储方法及装置 |
-
2021
- 2021-12-31 CN CN202111675732.7A patent/CN114374393A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114721601A (zh) * | 2022-05-26 | 2022-07-08 | 昆仑智汇数据科技(北京)有限公司 | 一种工业设备数据的存储方法及装置 |
CN114721601B (zh) * | 2022-05-26 | 2022-08-30 | 昆仑智汇数据科技(北京)有限公司 | 一种工业设备数据的存储方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109145727B (zh) | 一种基于vmd参数优化的轴承故障特征提取方法 | |
CN109813547B (zh) | 基于稀疏分解优化算法的旋转机械局部型故障诊断方法 | |
CN111274525B (zh) | 一种基于多线性增广拉格朗日乘子法的张量数据恢复方法 | |
CN117155407B (zh) | 一种智慧镜柜消毒日志数据优化存储方法 | |
CN115459782A (zh) | 基于时序分割和聚类的工业物联网高频数据压缩方法 | |
CN114374393A (zh) | 一种针对工业物联网时序数据的去冗余压缩方法 | |
CN112560699A (zh) | 基于密度和压缩感知的齿轮振动信源欠定盲源分离方法 | |
CN116523320A (zh) | 基于互联网大数据的知识产权风险智能分析方法 | |
CN1783092A (zh) | 数据分析装置和数据分析方法 | |
CN109684328B (zh) | 一种高维时序数据压缩存储方法 | |
CN106897957B (zh) | 一种基于pca和pso-elm的自动气象站实时数据质量控制方法 | |
CN117540238A (zh) | 一种工业数字化信息采集装置用数据安全管理方法 | |
CN113392732A (zh) | 一种局部放电超声信号抗干扰方法及系统 | |
CN110995273A (zh) | 电力数据库的数据压缩方法、装置、设备及介质 | |
CN115037543A (zh) | 一种基于双向时间卷积神经网络的异常网络流量检测方法 | |
CN116295740A (zh) | 一种基于自适应变分模态分解的信号去噪重构方法 | |
CN105469601B (zh) | 一种基于lzw编码的道路交通空间数据压缩方法 | |
CN113876339A (zh) | 一种睡眠状态脑电特征信号特征集的构建方法 | |
CN108259515A (zh) | 一种适用于带宽受限下传输链路的无损信源压缩方法 | |
CN111723677B (zh) | 一种基于自适应阈值的小波去噪方法 | |
CN111382891B (zh) | 短期负荷预测方法和短期负荷预测装置 | |
CN114327264B (zh) | 一种时序数据压缩方法、装置及设备 | |
CN102306198B (zh) | 一种性能数据汇聚方法和装置 | |
CN114153319B (zh) | 面向用户多数据场景的频繁字符串的挖掘方法 | |
CN112257072B (zh) | 基于去重算法的高性能数据风险影响面量化评估方法 |
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 |