CN114528183A - LoRa设备的离线预测方法、装置、设备及可读存储介质 - Google Patents
LoRa设备的离线预测方法、装置、设备及可读存储介质 Download PDFInfo
- Publication number
- CN114528183A CN114528183A CN202210145182.6A CN202210145182A CN114528183A CN 114528183 A CN114528183 A CN 114528183A CN 202210145182 A CN202210145182 A CN 202210145182A CN 114528183 A CN114528183 A CN 114528183A
- Authority
- CN
- China
- Prior art keywords
- lora
- algorithm model
- neighbor algorithm
- prediction
- offline
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/3055—Monitoring arrangements for monitoring the status of the computing system or of the computing system component, e.g. monitoring if the computing system is on, off, available, not available
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/3003—Monitoring arrangements specially adapted to the computing system or computing system component being monitored
- G06F11/3006—Monitoring arrangements specially adapted to the computing system or computing system component being monitored where the computing system is distributed, e.g. networked systems, clusters, multiprocessor systems
-
- 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
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
-
- 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
- G16Y40/10—Detection; Monitoring
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Quality & Reliability (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种LoRa设备的离线预测方法、装置、设备及可读存储介质,包括:获取LoRa设备上报的特征数据,其中,特征数据包括信号强度、信噪比、频率、以及速率;将所述特征数据输入至k近邻算法模型进行预测,生成预测结果,其中,所述k近邻算法模型由特征数据集进行训练后得到,所述k近邻算法模型中k的值能够用于区分LoRa设备状态;根据所述预测结果确定所述LoRa设备是否处于临界离线状态;在判断所述所述LoRa设备处于临界离线状态时,生成告警信号。解决了LoRa传感设备的离线状态需要较长一段时间才能被发现,可能导致在这段时间内的紧急数据无法被送达服务器。
Description
技术领域
本发明涉及物联网领域,特别涉及一种LoRa设备的离线预测方法、装置、设备及可读存储介质。
背景技术
LoRa技术为低带宽、低功耗、远距离、大量连接的物联网应用而设计,在物联网的应用场景中大量应用。在很多LoRa的应用场景中设备在线情况非常的重要,如烟雾报警设备、地质灾害监测等,设备的离线或数据的丢失都将可能会带来巨大的危害与损失。
设备在部署时一般都会保证数据的接收正常,但是在运行过程中的一些变化会导致数据无法保证送达服务器,如设备位置发生变化、网关位置进行调整、设备或网关的硬件器件发生老化、设备电池电量减少、外部环境发生了变化等。目前判断设备是否离线的方式主要通过对设备配置定时上报任务,服务器端记录该上报周期,当连续几个周期均未收到设备上报数据则判定设备为离线。
由于LoRa传感设备的大多应用场景为了安装方便均会采用电池供电,且要求使用时间一般都需要几年,也就意味着需要采用低功耗方案,LoRa 发射数据功耗较大需要尽量减少上报次数,所以上报周期往往是几个小时甚至以天为周期,服务器判定设备离线往往需要连续几个周期均未收到数据作为依据,也就是说设备离线状态需要较长一段时间才能发现,这期间要是发生紧急情况就无法保证数据能送达服务器,也就无法及时作出处理,且无法检测出现离线趋势的设备。
有鉴于此,提出本申请。
发明内容
本发明公开了一种LoRa设备的离线预测方法、装置、设备及可读存储介质,旨在解决LoRa传感设备的离线状态需要较长一段时间才能被发现,可能导致在这段时间内的紧急数据无法被送达服务器。
本发明第一实施例提供了一种LoRa设备的离线预测方法,包括:
获取LoRa设备上报的特征数据,其中,特征数据包括信号强度、信噪比、频率、以及速率;
将所述特征数据输入至k近邻算法模型进行预测,生成预测结果,其中,所述k近邻算法模型由特征数据集进行训练后得到,所述k近邻算法模型中k的值能够用于区分LoRa设备状态;
根据所述预测结果确定所述LoRa设备是否处于临界离线状态;
在判断所述所述LoRa设备处于临界离线状态时,生成告警信号。
优选地,所述将所述特征数据输入至k近邻算法模型进行预测,生成预测结果之前还包括:对k近邻算法模型进行训练,具体为:
S201,初始化所述k近邻算法模型中k的值;
S202,将测试集放入具备训练集的所述k近邻算法模型进行运算,以生成运算结果和实际结果的正确率;
S203,将k的值递增,并将测试集放入具备训练集的所述k近邻算法模型进行运算,以生成k值更新后的运算结果和实际结果的正确率;
S204,重复步骤S203,直至正确率连续下降预设次数,确定运算结果和实际结果正确率最高的k值。
优选地,所述k近邻算法模型中k的值为奇数。
优选地,所述特征数据集包括LoRa设备处于正常状态时的数据和处于即将离线时的数据。
本发明第二实施例提供了一种LoRa设备的离线预测装置,包括:
特征数据获取单元,用于获取LoRa设备上报的特征数据,其中,特征数据包括信号强度、信噪比、频率、以及速率;
预测结果生成单元,用于将所述特征数据输入至k近邻算法模型进行预测,生成预测结果,其中,所述k近邻算法模型由特征数据集进行训练后得到,所述k近邻算法模型中k的值能够用于区分LoRa设备状态;
临界离线状态判断单元,用于根据所述预测结果确定所述LoRa设备是否处于临界离线状态;
告警信号生成单元,用于在判断所述所述LoRa设备处于临界离线状态时,生成告警信号。
优选地,还包括用于对k近邻算法模型进行训练的训练单元,所述训练单元具体用于:
S201,初始化所述k近邻算法模型中k的值;
S202,将测试集放入具备训练集的所述k近邻算法模型进行运算,以生成运算结果和实际结果的正确率;
S203,将k的值递增,并将测试集放入具备训练集的所述k近邻算法模型进行运算,以生成k值更新后的运算结果和实际结果的正确率;
S204,重复步骤S203,直至正确率连续下降预设次数,确定运算结果和实际结果正确率最高的k值。
优选地,所述k近邻算法模型中k的值为奇数。
优选地,所述特征数据集包括LoRa设备处于正常状态时的数据和处于即将离线时的数据。
本发明第三实施例提供了一种LoRa设备的离线预测设备,包括处理器、存储器以及存储在所述存储器中且被配置由所述处理器执行的计算机程序,所述处理器执行所述计算机程序实现如上任意一项所述的一种LoRa设备的离线预测方法。
本发明第四实施例提供了一种可读存储介质,存储有计算机程序,所述计算机程序能够被该存储介质所在设备的处理器执行,以实现如上任意一项所述的一种LoRa设备的离线预测方法。
基于本发明提供的一种LoRa设备的离线预测方法、装置、设备及可读存储介质,通过接收LoRa设备上行的特性数据例如信号强度、信噪比、频率、以及速率;将这些特征数据输入至训练好的k近邻算法模型,以判断上行特征数据的LoRa设备是否处于临界离线状态,在判断所述所述LoRa 设备处于临界离线状态时,生成告警信号。解决了LoRa传感设备的离线状态需要较长一段时间才能被发现,可能导致在这段时间内的紧急数据无法被送达服务器。
附图说明
图1是本发明第一实施例提供的一种LoRa设备的离线预测方法的流程示意图;
图2是本发明实施例提供的k近邻算法模型的训练过程流程示意图;
图3是本发明第而实施例提供的一种LoRa设备的离线预测装置的模块示意图。
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、完整地描述,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。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
为了更好的理解本发明的技术方案,下面结合附图对本发明实施例进行详细描述。
应当明确,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它实施例,都属于本发明保护的范围。
在本发明实施例中使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本发明。在本发明实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。
应当理解,本文中使用的术语“和/或”仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中字符“/”,一般表示前后关联对象是一种“或”的关系。
取决于语境,如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”或“响应于检测”。类似地,取决于语境,短语“如果确定”或“如果检测(陈述的条件或事件)”可以被解释成为“当确定时”或“响应于确定”或“当检测(陈述的条件或事件)时”或“响应于检测(陈述的条件或事件)”。
实施例中提及的“第一\第二”仅仅是是区别类似的对象,不代表针对对象的特定排序,可以理解地,“第一\第二”在允许的情况下可以互换特定的顺序或先后次序。应该理解“第一\第二”区分的对象在适当情况下可以互换,以使这里描述的实施例能够以除了在这里图示或描述的那些以外的顺序实施。
以下结合附图对本发明的具体实施例做详细说明。
本发明公开了一种LoRa设备的离线预测方法、装置、设备及可读存储介质,旨在解决LoRa传感设备的离线状态需要较长一段时间才能被发现,可能导致在这段时间内的紧急数据无法被送达服务器。
请参阅图1,本发明第一实施例提供了一种LoRa设备的离线预测方法,其可由LoRa设备的离线预测设备(以下简称预测设备)来执行,特别的,由预测设备内的一个或者多个处理器来执行,以实现如下步骤:
S101,获取LoRa设备上报的特征数据,其中,特征数据包括信号强度、信噪比、频率、以及速率;
在本实施例中,所述预测设备可为位于云端的服务器,该云端的服务器可与LoRa设备或者其他的物联网设备建立通讯连接,以实现数据的交互,当然,所述服务器还可以和其他的智能终端建立通讯连接,例如手机、平板电脑等。
特别的,在本实施例中,所述服务器内可存储有用于进行预测LoRa设备的离线状态的数据,所述所述服务器可通过接收LoRa设备的上行特征数据数据来预测所述LoRa设备是否即将离线。
需要说明的是,发明人发现LoRa设备与网关及服务器间不存在类似于 TCP这种长连接,所以不存在连接状态,只能通过定时上报数据方式让服务器感知到设备的在线情况。但是设备又需要低功耗,所以上报周期较长,无线信号传输偶尔丢包也属难以避免现象,所以一般都需要连续几个周期都未收到数据才能判定为离线,从而导致离线需要较长时间才能检测出来。该方案无法检测出现离线趋势的设备,此类设备丢包较为严重,需要被及时发现才能避免紧急情况下无法将数据送达服务器。
在本实施例中,所述服务器通过接收所述LoRa设备上传的特征数据来判断该设备是否即将离线,其中特征数据可以包括信号强度、信噪比、频率、以及速率,当然,在其他实施例中,还可以包括电池电量,这些方案可以根据实际情况对应选择,这里不做具体限定,但这些方案均在本发明的保护范围内。
请参阅图2,在本实施例中,所述将所述特征数据输入至k近邻算法模型进行预测,生成预测结果之前还包括:对k近邻算法模型进行训练,具体可以为:
S201,初始化所述k近邻算法模型中k的值;
S202,将测试集放入具备训练集的所述k近邻算法模型进行运算,以生成运算结果和实际结果的正确率;
S203,将k的值递增,并将测试集放入具备训练集的所述k近邻算法模型进行运算,以生成k值更新后的运算结果和实际结果的正确率;
S204,重复步骤S203,直至正确率连续下降预设次数,确定运算结果和实际结果正确率最高的k值。
需要说明的是,所述特征数据集来源与多个LoRa设备的挂测与收集,其可以包括LoRa设备处于正常状态时的数据和处于即将离线时的数据。在进行训练之前可以将特征数据集划分为训练集和测试集,其中,特征数据集可以将80%的数据划分为训练集,20%的数据划分为测试集,当然,不仅限于此。
具体地,在本实施例中,在训练开始时,可以初始化k的值为k=3,将所有测试数据放入训练数据的模型中计算得到值与实际值比较,统计正确率,接着,将k值递增(k取奇数便于判断),重复统计将测试数据放入模型后的正确率,重复统计将测试数据放入模型后的正确率,再接着,查看正确率的趋势,如趋势为先上升后连续多次下降后即可停止训练,取出正确率最高时的k值作为生产环境的k值即可。
S102,将所述特征数据输入至k近邻算法模型进行预测,生成预测结果,其中,所述k近邻算法模型由特征数据集进行训练后得到,所述k近邻算法模型中k的值能够用于区分LoRa设备状态;
需要说明的是,在所述服务器接收到特征数据后,即在接收到LoRa设备上传的信号强度、信噪比、频率、以及速率之后,将该特征数据放入在特征空间内,获取与该特征数据最近的k个点的归类,判断归类处于临界状态的多就生成LoRa设备处于临界状态的预测结果,判断归类处于正常状态的多就生成LoRa设备处于正常状态的预测结果。
S103,根据所述预测结果确定所述LoRa设备是否处于临界离线状态;
需要说明的是,以k近邻算法模型中k的值为9为例,获取在特征数据在对应的空间距离最近的9个点的状态,如果5个为将离线状态,4个为正常状态,则可认为该数据处于将临界离线状态。
S104,在判断所述所述LoRa设备处于临界离线状态时,生成告警信号。
基于上述实施例,通过接收LoRa设备上行的特性数据例如信号强度、信噪比、频率、以及速率;将这些特征数据输入至训练好的k近邻算法模型,以判断上行特征数据的LoRa设备是否处于临界离线状态,在判断所述所述LoRa设备处于临界离线状态时,生成告警信号。解决了LoRa传感设备的离线状态需要较长一段时间才能被发现,可能导致在这段时间内的紧急数据无法被送达服务器。
请参阅图3,本发明第二实施例提供了一种LoRa设备的离线预测装置,包括:
特征数据获取单元301,用于获取LoRa设备上报的特征数据,其中,特征数据包括信号强度、信噪比、频率、以及速率;
预测结果生成单元302,用于将所述特征数据输入至k近邻算法模型进行预测,生成预测结果,其中,所述k近邻算法模型由特征数据集进行训练后得到,所述k近邻算法模型中k的值能够用于区分LoRa设备状态;
临界离线状态判断单元303,用于根据所述预测结果确定所述LoRa设备是否处于临界离线状态;
告警信号生成单元304,用于在判断所述所述LoRa设备处于临界离线状态时,生成告警信号。
优选地,还包括用于对k近邻算法模型进行训练的训练单元,所述训练单元具体用于:
S201,初始化所述k近邻算法模型中k的值;
S202,将测试集放入具备训练集的所述k近邻算法模型进行运算,以生成运算结果和实际结果的正确率;
S203,将k的值递增,并将测试集放入具备训练集的所述k近邻算法模型进行运算,以生成k值更新后的运算结果和实际结果的正确率;
S204,重复步骤S203,直至正确率连续下降预设次数,确定运算结果和实际结果正确率最高的k值。
优选地,所述k近邻算法模型中k的值为奇数。
优选地,所述特征数据集包括LoRa设备处于正常状态时的数据和处于即将离线时的数据。
本发明第三实施例提供了一种LoRa设备的离线预测设备,包括处理器、存储器以及存储在所述存储器中且被配置由所述处理器执行的计算机程序,所述处理器执行所述计算机程序实现如上任意一项所述的一种LoRa设备的离线预测方法。
本发明第四实施例提供了一种可读存储介质,存储有计算机程序,所述计算机程序能够被该存储介质所在设备的处理器执行,以实现如上任意一项所述的一种LoRa设备的离线预测方法。
基于本发明提供的一种LoRa设备的离线预测方法、装置、设备及可读存储介质,通过接收LoRa设备上行的特性数据例如信号强度、信噪比、频率、以及速率;将这些特征数据输入至训练好的k近邻算法模型,以判断上行特征数据的LoRa设备是否处于临界离线状态,在判断所述所述LoRa 设备处于临界离线状态时,生成告警信号。解决了LoRa传感设备的离线状态需要较长一段时间才能被发现,可能导致在这段时间内的紧急数据无法被送达服务器。
示例性地,本发明第三实施例和第四实施例中所述的计算机程序可以被分割成一个或多个模块,所述一个或者多个模块被存储在所述存储器中,并由所述处理器执行,以完成本发明。所述一个或多个模块可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述计算机程序在所述实现一种LoRa设备的离线预测设备中的执行过程。例如,本发明第二实施例中所述的装置。
所称处理器可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor, DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等,所述处理器是所述一种LoRa设备的离线预测方法的控制中心,利用各种接口和线路连接整个所述实现对一种LoRa设备的离线预测方法的各个部分。
所述存储器可用于存储所述计算机程序和/或模块,所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块,以及调用存储在存储器内的数据,实现一种LoRa设备的离线预测方法的各种功能。所述存储器可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、文字转换功能等)等;存储数据区可存储根据手机的使用所创建的数据(比如音频数据、文字消息数据等)等。此外,存储器可以包括高速随机存取存储器,还可以包括非易失性存储器,例如硬盘、内存、插接式硬盘、智能存储卡(Smart Media Card,SMC)、安全数字(SecureDigital,SD)卡、闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
其中,所述实现的模块如果以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,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一个计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括电载波信号和电信信号。
需说明的是,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。另外,本发明提供的装置实施例附图中,模块之间的连接关系表示它们之间具有通信连接,具体可以实现为一条或多条通信总线或信号线。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应该以权利要求的保护范围为准。
Claims (10)
1.一种LoRa设备的离线预测方法,其特征在于,包括:
获取LoRa设备上报的特征数据,其中,特征数据包括信号强度、信噪比、频率、以及速率;
将所述特征数据输入至k近邻算法模型进行预测,生成预测结果,其中,所述k近邻算法模型由特征数据集进行训练后得到,所述k近邻算法模型中k的值能够用于区分LoRa设备状态;
根据所述预测结果确定所述LoRa设备是否处于临界离线状态;
在判断所述所述LoRa设备处于临界离线状态时,生成告警信号。
2.根据权利要求1所述的一种LoRa设备的离线预测方法,其特征在于,所述将所述特征数据输入至k近邻算法模型进行预测,生成预测结果之前还包括:对k近邻算法模型进行训练,具体为:
S201,初始化所述k近邻算法模型中k的值;
S202,将测试集放入具备训练集的所述k近邻算法模型进行运算,以生成运算结果和实际结果的正确率;
S203,将k的值递增,并将测试集放入具备训练集的所述k近邻算法模型进行运算,以生成k值更新后的运算结果和实际结果的正确率;
S204,重复步骤S203,直至正确率连续下降预设次数,确定运算结果和实际结果正确率最高的k值。
3.根据权利要求1所述的一种LoRa设备的离线预测方法,其特征在于,所述k近邻算法模型中k的值为奇数。
4.根据权利要求1所述的一种LoRa设备的离线预测方法,其特征在于,所述特征数据集包括LoRa设备处于正常状态时的数据和处于即将离线时的数据。
5.一种LoRa设备的离线预测装置,其特征在于,包括:
特征数据获取单元,用于获取LoRa设备上报的特征数据,其中,特征数据包括信号强度、信噪比、频率、以及速率;
预测结果生成单元,用于将所述特征数据输入至k近邻算法模型进行预测,生成预测结果,其中,所述k近邻算法模型由特征数据集进行训练后得到,所述k近邻算法模型中k的值能够用于区分LoRa设备状态;
临界离线状态判断单元,用于根据所述预测结果确定所述LoRa设备是否处于临界离线状态;
告警信号生成单元,用于在判断所述所述LoRa设备处于临界离线状态时,生成告警信号。
6.根据权利要求5所述的一种LoRa设备的离线预测装置,其特征在于,还包括用于对k近邻算法模型进行训练的训练单元,所述训练单元具体用于:
S201,初始化所述k近邻算法模型中k的值;
S202,将测试集放入具备训练集的所述k近邻算法模型进行运算,以生成运算结果和实际结果的正确率;
S203,将k的值递增,并将测试集放入具备训练集的所述k近邻算法模型进行运算,以生成k值更新后的运算结果和实际结果的正确率;
S204,重复步骤S203,直至正确率连续下降预设次数,确定运算结果和实际结果正确率最高的k值。
7.根据权利要求5所述的一种LoRa设备的离线预测装置,其特征在于,所述k近邻算法模型中k的值为奇数。
8.根据权利要求5所述的一种LoRa设备的离线预测装置,其特征在于,所述特征数据集包括LoRa设备处于正常状态时的数据和处于即将离线时的数据。
9.一种LoRa设备的离线预测设备,其特征在于,包括处理器、存储器以及存储在所述存储器中且被配置由所述处理器执行的计算机程序,所述处理器执行所述计算机程序实现如权利要求1至4任意一项所述的一种LoRa设备的离线预测方法。
10.一种可读存储介质,其特征在于,存储有计算机程序,所述计算机程序能够被该存储介质所在设备的处理器执行,以实现如权利要求1至4任意一项所述的一种LoRa设备的离线预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210145182.6A CN114528183B (zh) | 2022-02-17 | 2022-02-17 | LoRa设备的离线预测方法、装置、设备及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210145182.6A CN114528183B (zh) | 2022-02-17 | 2022-02-17 | LoRa设备的离线预测方法、装置、设备及可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114528183A true CN114528183A (zh) | 2022-05-24 |
CN114528183B CN114528183B (zh) | 2023-05-02 |
Family
ID=81622983
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210145182.6A Active CN114528183B (zh) | 2022-02-17 | 2022-02-17 | LoRa设备的离线预测方法、装置、设备及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114528183B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108376299A (zh) * | 2018-02-27 | 2018-08-07 | 深圳市智物联网络有限公司 | 一种设备运行趋势的预测方法及装置 |
CN108540965A (zh) * | 2018-03-01 | 2018-09-14 | 北京中油瑞飞信息技术有限责任公司 | 基于LoRa技术的物联网通信方法、装置及存储介质 |
CN110365703A (zh) * | 2019-07-30 | 2019-10-22 | 国家电网有限公司 | 物联网终端异常状态检测方法、装置及终端设备 |
CN110362068A (zh) * | 2019-08-02 | 2019-10-22 | 苏州容思恒辉智能科技有限公司 | 一种基于工业物联网的机械设备故障预警方法、系统和可读存储介质 |
CN110619423A (zh) * | 2019-08-06 | 2019-12-27 | 平安科技(深圳)有限公司 | 多任务预测方法、装置、电子设备及存储介质 |
US20200090070A1 (en) * | 2018-09-19 | 2020-03-19 | Wipro Limited | METHOD AND SYSTEM FOR ANALYZING INTERNET OF THINGS (IoT) DATA IN REAL-TIME AND PROVIDING PREDICTIONS |
CN111626498A (zh) * | 2020-05-25 | 2020-09-04 | 成都中电熊猫显示科技有限公司 | 设备运行状态预测方法、装置、设备及存储介质 |
CN112862220A (zh) * | 2021-03-23 | 2021-05-28 | 山东中创软件工程股份有限公司 | 一种设备生命周期预测方法、装置及相关设备 |
CN113486585A (zh) * | 2021-07-06 | 2021-10-08 | 新智数字科技有限公司 | 设备剩余使用寿命预测方法、装置、电子设备及存储介质 |
CN113486584A (zh) * | 2021-07-06 | 2021-10-08 | 新智数字科技有限公司 | 设备故障的预测方法、装置、计算机设备及计算机可读存储介质 |
CN113780394A (zh) * | 2021-08-31 | 2021-12-10 | 厦门理工学院 | 一种强分类器模型的训练方法、装置及设备 |
-
2022
- 2022-02-17 CN CN202210145182.6A patent/CN114528183B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108376299A (zh) * | 2018-02-27 | 2018-08-07 | 深圳市智物联网络有限公司 | 一种设备运行趋势的预测方法及装置 |
CN108540965A (zh) * | 2018-03-01 | 2018-09-14 | 北京中油瑞飞信息技术有限责任公司 | 基于LoRa技术的物联网通信方法、装置及存储介质 |
US20200090070A1 (en) * | 2018-09-19 | 2020-03-19 | Wipro Limited | METHOD AND SYSTEM FOR ANALYZING INTERNET OF THINGS (IoT) DATA IN REAL-TIME AND PROVIDING PREDICTIONS |
CN110365703A (zh) * | 2019-07-30 | 2019-10-22 | 国家电网有限公司 | 物联网终端异常状态检测方法、装置及终端设备 |
CN110362068A (zh) * | 2019-08-02 | 2019-10-22 | 苏州容思恒辉智能科技有限公司 | 一种基于工业物联网的机械设备故障预警方法、系统和可读存储介质 |
CN110619423A (zh) * | 2019-08-06 | 2019-12-27 | 平安科技(深圳)有限公司 | 多任务预测方法、装置、电子设备及存储介质 |
CN111626498A (zh) * | 2020-05-25 | 2020-09-04 | 成都中电熊猫显示科技有限公司 | 设备运行状态预测方法、装置、设备及存储介质 |
CN112862220A (zh) * | 2021-03-23 | 2021-05-28 | 山东中创软件工程股份有限公司 | 一种设备生命周期预测方法、装置及相关设备 |
CN113486585A (zh) * | 2021-07-06 | 2021-10-08 | 新智数字科技有限公司 | 设备剩余使用寿命预测方法、装置、电子设备及存储介质 |
CN113486584A (zh) * | 2021-07-06 | 2021-10-08 | 新智数字科技有限公司 | 设备故障的预测方法、装置、计算机设备及计算机可读存储介质 |
CN113780394A (zh) * | 2021-08-31 | 2021-12-10 | 厦门理工学院 | 一种强分类器模型的训练方法、装置及设备 |
Non-Patent Citations (1)
Title |
---|
何建强等: "基于物联网的高压带电体温度在线预警系统", 《自动化与仪表》 * |
Also Published As
Publication number | Publication date |
---|---|
CN114528183B (zh) | 2023-05-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108011782B (zh) | 用于推送告警信息的方法和装置 | |
CN110881211A (zh) | 一种省电方法、装置、存储介质以及终端 | |
CN106960126B (zh) | 数据预警方法和设备 | |
CN113568812B (zh) | 一种智能机器人的状态检测方法和装置 | |
CN111782470A (zh) | 分布式容器日志数据处理方法及装置 | |
EP3179705B1 (en) | Message processing method, system and related device | |
CN112738538B (zh) | 直播间挂机行为检测方法、装置、电子设备和计算机可读存储介质 | |
CN112749305A (zh) | 基于人工智能的监测数据管理方法、系统、设备及介质 | |
CN109409661A (zh) | 电子装置、基于cusum算法的建筑物用电安全识别方法及存储介质 | |
CN110046179B (zh) | 一种报警维度的挖掘方法、装置及设备 | |
CN103618786A (zh) | 一种播放错误处理方法及服务器 | |
CN110909225A (zh) | 社交群组确定方法、装置、设备及计算机存储介质 | |
CN114528183A (zh) | LoRa设备的离线预测方法、装置、设备及可读存储介质 | |
CN114666210B (zh) | 基于大数据日志分析的告警方法及装置 | |
CN111369591A (zh) | 一种运动物体的跟踪方法、装置及设备 | |
CN109040937B (zh) | 麦克风堵塞提醒方法及相关装置 | |
CN106357481B (zh) | 一种用电安全管理方法及系统 | |
CN111615122B (zh) | 一种无人船编队的通讯方法、装置和终端 | |
CN113411217A (zh) | 一种通话系统监控告警的方法及装置 | |
JP6822941B2 (ja) | 通信端末、端末制御プログラム、端末制御方法及び通信システム | |
JP2013011987A (ja) | 異常状態検知装置及び異常状態検知方法 | |
CN113297039A (zh) | 数据监控方法及装置 | |
JP6869883B2 (ja) | 管理装置、管理プログラム、管理方法及び通信システム | |
CN116863957B (zh) | 工业设备运行状态的识别方法、装置、设备及存储介质 | |
CN106612278B (zh) | 一种数据合法性验证方法及系统 |
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 |