CN115495320A - 一种基于大数据的通信机房防护的监测管理系统 - Google Patents

Abstract

本发明涉及数据处理技术领域，具体涉及一种基于大数据的通信机房防护的监测管理系统；该系统包括：数据采集模块、预测数据获取模块、误差程度获取模块、预测数据确定模块以及分析预警模块，数据采集模块用于采集所有低功耗传感器的数据，并获取数据对应的异常度进行唤醒调控；预测数据获取模块用于通过训练完成的神经网络输出预测数据；误差程度获取模块用于将预测数据划分为第一数据和第二数据，并获取其中各位置数据的误差程度；预测数据确定模块用于根据连续预测的预测数据中各位置的置信度，根据置信度得到未来预测数据；分析预警模块用于对未来预测数据进行传输数据调整并进行分析预警，提高传输效率且保证了监测结果的准确性。

Description

一种基于大数据的通信机房防护的监测管理系统

技术领域

本发明涉及数据处理技术领域，具体涉及一种基于大数据的通信机房防护的监测管理系统。

背景技术

通信机房站点的分布点较多且面积广泛，经常需要注意的安全防护问题包括：防火、防盗、防水等；若采用传统的人工巡检维护模式，无法有效保证设备维护工作质量和时效性；若要实现少人或者无人值守，则需要安装各类相关的传感器，通过传感器采集数据，从而检测、识别异常，并对异常进行警示。

通过传感器监测通信机房的状态是目前最常用的一种方法，通过云计算的方式来处理云端收到的通信机房的数据，但是由于通信机房的数量较多，每个通信机房配备的传感器也较多，所以每时每刻会有大量的数据流需要传输至云端服务器，这对于传输带宽能力和服务器的数据处理能力的要求很高，成本较大，并且大量正常状态的数据也被传输处理，会造成资源的浪费和不必要的冗余；在对所有的数据进行分析时，采用传统的预测方式来预测数据并判断异常时，往往默认为预测数据是可信的，缺乏对预测数据的置信程度的判定，因此预测数据的准确度难以保证，数据不够可靠。

发明内容

为了解决上述防护监测的预测数据准确度小且传输效率低的技术问题，本发明的目的在于提供一种基于大数据的通信机房防护的监测管理系统，所采用的技术方案具体如下：

本发明一个实施例提供了一种基于大数据的通信机房防护的监测管理系统，该系统包括以下模块：

数据采集模块，用于采集所有低功耗传感器的数据，获取每个数据的异常度，基于所述异常度进行唤醒调控；

预测数据获取模块，用于采集唤醒调控后每个传感器对应的时序数据，将所述时序数据输入训练完成的神经网络输出预测数据；

误差程度获取模块，用于将所述预测数据划分为第一数据和第二数据，获取所述第一数据中每个位置数据的误差程度，并基于所述第一数据得到神经网络中的固有误差程度，根据所述固有误差程度获取所述第二数据中每个位置数据的误差程度；

预测数据确定模块，用于根据连续预测得到的预测数据中每个位置数据的误差程度获取对应每个位置的置信度；根据连续预测得到的预测数据以及每个位置的所述置信度得到未来预测数据；

分析预警模块，用于获取未来预测数据中每个位置数据的预测异常度，基于所述预测异常度与所述置信度调整传输数据，由云端服务器对接收的所述传输数据进行分析预警。

优选的，所述误差程度获取模块中将所述预测数据划分为第一数据和第二数据的步骤，包括：

所述预测数据中存在实际采集值的位置数据为第一数据，所述预测数据中不存在实际采集值的位置数据为第二数据。

优选的，所述误差程度获取模块中获取所述第一数据中每个位置数据的误差程度的步骤，包括：

获取所述第一数据中每个位置数据对应的实际采集值与所述位置数据的预测数据值之间的差值，所述差值的平方为所述位置数据的误差程度。

优选的，所述误差程度获取模块中基于所述第一数据得到神经网络中的固有误差程度的步骤，包括：

所述神经网络包括至少两个解码器，每个所述解码器对应一个损失函数；

获取所述第一数据中所有位置数据对应的误差程度的平均值，所述平均值与每个所述解码器的损失函数值的求和的均值为神经网络中对应所述解码器的固有误差程度。

优选的，所述误差程度获取模块中根据所述固有误差程度获取所述第二数据中每个位置数据的误差程度的步骤，包括：

每个所述解码器对应一组预测数据，所述预测数据中包括第二数据；获取当前时刻数据的至少两个延时数据；

对于任意一个解码器对应预测数据中的第二数据：若所述第二数据中存在延时数据，以所述延时数据对应的实际采集值与预测数据值之间的差值的平方，作为所述延时数据所对应的位置数据的误差程度；获取所述预测数据中第二数据的数量，计算所述数量与对应所述解码器的固有误差程度的乘积作为总误差程度，计算所述第二数据中所有延时数据的误差程度的和作为累计误差程度，将所述总误差程度与所述累计误差程度的差值记为累加误差程度；获取所述第二数据中除了延时数据之外其他位置数据的总数量，所述累加误差程度与所述总数量的比值为所述第二数据中除了延时数据之外其他各位置数据的误差程度；

若所述第二数据中不存在延时数据，计算当前所述解码器的固有误差程度与其他每个所述解码器的固有误差程度之间的比值，获取其他每个所述解码器的优化误差程度；其中，所述优化误差程度与对应所述解码器的固有误差程度呈正相关关系；计算每个所述比值及其对应所述解码器的优化误差程度的乘积结果，所有乘积结果的平均值为当前所述解码器的第二数据中各位置数据的误差程度。

优选的，所述预测数据确定模块中根据连续预测得到的预测数据中每个位置数据的误差程度获取对应每个位置的置信度的步骤，包括：

获取每次预测得到的预测数据中每个位置对应的位置数据的误差程度；计算连续预测的预测数据中各位置的误差程度的平均值作为对应位置的位置误差程度；

获取所有预测下每个位置的位置误差程度的求和结果；设定误差超限系数，将所述误差超限系数与当前解码器对应的损失函数值的乘积作为单位误差；

计算所述求和结果与所述单位误差的第一比值，根据所述第一比值得到对应位置的置信度，所述置信度与所述第一比值呈负相关关系。

优选的，所述预测数据确定模块中根据连续预测得到的预测数据以及每个位置的所述置信度得到未来预测数据的步骤，包括：

连续预测得到的预测数据中存在不同位置对应相同时刻的数据，选取置信度最大时的位置作为该数据的位置，以得到未来预测数据。

优选的，所述数据采集模块中获取每个数据的异常度，基于所述异常度进行唤醒调控的步骤，包括：

设定唤醒阈值并获取数据的类型，数据的类型包括数据越小越正常和数据越大越正常；

对于数据越小越正常的类型的数据，计算此类型数据的最大异常值与所述唤醒阈值的差值作为分母，以当前数据与所述唤醒阈值的差值作为分子，所述分子和分母的比值为当前数据的异常度；

对于数据越大越正常的类型的数据，计算所述唤醒阈值与此类型数据的最小异常值的差值作为分母，以所述唤醒阈值和当前数据的差值作为分子，所述分子和分母的比值为当前数据的异常度；

构建每个低功耗传感器对应的高功耗设备集合，基于低功耗传感器的当前数据的异常度与预设基础阈值的求和作为唤醒比例，所述唤醒比例与低功耗传感器对应的高功耗设备集合中所有高功耗传感器的数量的乘积为唤醒数量；

根据所述唤醒数量在对应的高功耗设备集合中进行设备唤醒。

优选的，所述基于所述预测异常度与所述置信度调整传输数据的步骤，包括：

选取未来预测数据中的预测异常度的最大值和置信度的最大值；根据预测异常度的最大值和置信度的最大值分别与预设的异常阈值和置信度阈值比较：

当预测异常度的最大值小于异常阈值，但置信度的最大值大于置信度阈值时，仅传输低功耗传感器采集的数据；

当预测异常度的最大值小于异常阈值，但置信度的最大值不大于置信度阈值时，传输部分高功耗传感器采集的数据和全部的低功耗传感器采集的数据；

当预测异常度的最大值不小于异常阈值，且置信度的最大值不大于置信度阈值时，传输部分高功耗传感器采集的数据和全部的低功耗传感器采集的数据；

当预测异常度的最大值不小于异常阈值，但置信度的最大值大于置信度阈值时，传输全部的高功耗传感器和全部的低功耗传感器采集的数据。

优选的，所述由云端服务器对接收的所述传输数据进行分析预警的步骤，包括：

所述云端服务器采用不同的机器学习算法得到对应传输数据是否存在异常，若存在异常，将存在异常的数据传输至对应的终端，由所述终端进行预警。

本发明具有如下有益效果：本发明实施例中通过数据采集模块首先采集低功耗传感器的数据，基于低功耗传感器的数据的异常度进行唤醒调控，避免了大量高功耗传感器一同工作的能量消耗，降低了成本；然后根据预测数据获取模块得到唤醒调控后的每个传感器的时序数据，并基于神经网络进行预测数据的获取；进而基于误差程度获取模块对获取的预测数据进行分析，将预测数据划分为第一数据和第二数据分别进行误差程度的计算，并结合第一数据得到神经网络中的固有误差程度，通过固有误差程度获取第二数据中各位置数据的误差程度，适应性更强且各个位置数据的误差程度的结果更加准确；由预测数据确定模块结合不同位置数据的误差程度得到每个位置的置信度，基于置信度在连续预测的预测数据中得到未来预测数据，确保了未来预测数据的可靠程度；进一步的，分析预警模块用于根据未来预测数据中每个位置的置信度和预测异常度进行传输数据的调整，避免了全部数据传输时的低效率问题，减少了数据传输中的冗余，提高了传输速度；并且未来预测数据的可靠程度较高，从而决定了传输数据的可靠程度较高，基于可靠程度更高的传输数据进行分析预警，得到的预警结果更加及时且准确。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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附图。

图1为本发明一个实施例所提供的一种基于大数据的通信机房防护的监测管理系统框图；

图2为本发明一个实施例所提供的一组时序数据在多次预测后每个解码器对应的预测数据；

图3为本发明一个实施例所提供的一种时序数据连续预测的示意图。

具体实施方式

为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种基于大数据的通信机房防护的监测管理系统，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。

本申请主要适用于对通信机房的防护监测，下面结合附图具体的说明本发明所提供的一种基于大数据的通信机房防护的监测管理系统的具体方案。

请参阅图1，其示出了本发明一个实施例提供的一种基于大数据的通信机房防护的监测管理系统框图，该系统包括以下模块：

数据采集模块10，用于采集所有低功耗传感器的数据，获取每个数据的异常度，基于异常度进行唤醒调控。

目前对通信机房的防护监测大多是基于传感器采集数据，并将采集数据直接传输到云端服务器，然后由云端服务器进行异常数据的分析处理，而将采集数据直接进行传输这一方式存在多个弊端，其一是大量采集数据的传输对传输带宽的要求较大，采集数据中包括所有的正常数据和异常数据，但大量正常数据的传输并非必须的，因此效率较低；其二是通过多种类别的传感器进行不间断的数据采集的成本较高，传感器中存在低功耗传感器和高功耗传感器，且部分传感器之间采集数据可能雷同，因此会导致成本较大；其三就是在对传输数据进行预测分析时，忽略了预测结果的可靠性，通常默认为预测结果是可靠的，但大量的预测结果都会存在不同程度的偏差，因此通过可靠度不高的预测数据进行分析，导致最终结果的可靠性也较低。基于以上三个弊端，本发明实施例的目的在于降低通信机房防护监测中的成本、并提高监测效率以及监测结果的可靠性。

通信机房中常见的事故包括电气事故、火灾事故、爆炸事故、设备损坏事故以及通信阻断事故，对应设置的传感器装置通常包括：门磁报警、温度报警、湿度报警、停电报警、空调被盗报警、剪线报警、红外报警以及烟感等；不同的传感器对应的功耗不同，而很多传感器装置是重复检测的，例如检测通信机房的温度，有低功耗的温度传感器以及高功耗的热成像仪；为了降低通信机房防护监测的成本，本发明实施例中初始设置低功耗采集状态，也即是只通过低功耗的采集设备进行数据的采集，对于功耗高且检测准确的设备可以先保持在休眠状态，以避免资源的浪费，仅通过低功耗设备的运行进行数据的采集进行初步的判断。

需要说明的是，无论是低功耗设备还是高功耗设备，都需要与对应的数据网关进行有线或者无线的连接，具体连接方式由实施者根据不同的实施场景进行设定，例如有线连接的方式有RS458，无线连接的方式包括蓝牙等，以便于对采集的数据进行传输。

对于低功耗设备得到的数据进行唤醒阈值的判定，唤醒阈值的作用是用于初步的提前判定，当低功耗设备采集的当前数据与唤醒阈值比较后判定可能存在异常，则需要进行唤醒，通过调控唤醒高功耗设备进行更加准确和全面的监测，唤醒阈值的设置由实施者根据设备对应的功能以及实际的异常情况进行设定；例如一般电缆在发生异常时的表面温度为60°，则可相应将温度相关的唤醒阈值设置为45°，当实际测量的温度大于该唤醒阈值45°时，提前预判当前环境疑似异常，则唤醒其他高功耗设备进行监测。

实际参与工作的低功耗设备，根据其实际的工作情况所对应唤醒的高功耗设备集合不同，也即是每个低功耗设备都对应一个可唤醒的高功耗设备集合，不同高功耗设备集合之间存在交集，当根据唤醒阈值判断此时数据存在疑似异常时，根据数据的异常度对高功耗设备集合中的高功耗设备进行调控唤醒；考虑到不同类型的低功耗设备其采集的数据类型不同，因此每个数据的异常度与唤醒阈值比较的规则也不同，则对不同情况下每个数据的异常度进行获取，异常度的获取方法具体为：

（1）对于正常情况下的数据小于唤醒阈值的情况，也即是数据越小越正常的情况，计算此类型数据的最大异常值与唤醒阈值的差值作为分母，以当前数据与唤醒阈值的差值作为分子，分子和分母的比值为当前数据的异常度；异常度的计算为：

其中，

表示异常度；

表示当前采集的数据；

表示唤醒阈值，实施者根据实际情况设定；

表示此类数据监测的最大异常值。

（2）对于正常情况下的数据大于唤醒阈值的情况，也即是数据越大越正常的情况，计算唤醒阈值与此类型数据的最小异常值的差值作为分母，以唤醒阈值和当前数据的差值作为分子，分子和分母的比值为当前数据的异常度；异常度的计算为：

其中，

表示异常度；

表示当前采集的数据；

表示唤醒阈值，实施者根据实际情况设定；

表示此类数据监测的最小异常值。

对于两种情况中的

或者

均是为了对异常度进行归一化处理，使得异常度的取值可以保持在

范围内；而

和

则是用于计算当前数据与唤醒阈值之间的差异，当差异越小，说明此时数据与唤醒阈值的相差较小，因此数据对应的异常度也越小。

因此当前数据的异常度进行唤醒数量的获取，通过唤醒数量决定对应高功耗设备集合的激活设备数量；对于需要被唤醒的任意一个高功耗设备集合而言，根据当前数据的异常度获取该高功耗设备集合中的唤醒数量为：

其中，

表示唤醒数量；

表示当前需要被唤醒的高功耗设备集合中所有设备的数量；

表示当前数据的异常度，数据的异常度越大，需要唤醒的高功耗设备越多，对应的唤醒数量越大；

表示基础阈值，由实施者自行调整，本发明实施例中设置经验值为0.4，也即是当数据的异常度

取值不小于0.6时，需要唤醒高功耗设备集合中所有的高功耗设备，也即是需要激活高功耗设备集合中所有的高功耗设备。

需要说明的是，当获取的唤醒数量小于高功耗设备集合中设备的数量时，实施者可根据功耗的大小或者是数据监测准确性的大小进行设备唤醒的调控，例如将对应高功耗设备集合中所有设备的功耗由小到大排列，并根据唤醒数量依次唤醒；同理，实施者也可以将高功耗设备集合中所有设备的数据采集准确度进行由大到小的排列，并根据唤醒数量进行依次唤醒。

由此可根据初始低功耗设备采集的数据进行初步判断分析，进而根据实际情况判断是否需要唤醒高功耗设备，以达到唤醒调控的目的，同时还尽可能降低了分析过程中的能耗，减少成本。

预测数据获取模块20，用于采集唤醒调控后每个传感器对应的时序数据，将时序数据输入训练完成的神经网络输出预测数据。

在数据采集模块10中根据每个低功耗设备采集的数据的异常度进行高功耗设备的唤醒，在唤醒了不同的高功耗设备后，高功耗设备会采集到新的数据，将所有的低功耗设备采集的数据以及高功耗设备采集的数据进行分析；每个传感器设备采集的数据均为时序上的数据，因此对每个传感器设备对应的时序数据进行预测分析，以便于提前发现异常情况进行预警。本发明实施例中数据预测的方法采用神经网络进行，神经网络的使用方便，在获取到对应网络的结构后，根据大量的数据训练神经网络以使得神经网络的损失函数收敛，通过完成训练后的神经网络进行预测数据的获取。

本发明实施例中预测的神经网络采用TCN时间卷积神经网络，网络的结构为编码器-解码器，以预设长度的数据为输入，通过TCN时间卷积神经网络中卷积与池化操作进行编码，然后对于编码数据采用不同的解码器进行解码，分别输出不同时序关系的预设长度的输出数据，也即是TCN时间卷积神经网络的输入数据与输出数据的长度一致，通过当前的时序数据可以预测得到后续的多个时刻下的预测数据；TCN时间卷积神经网络的训练过程为：输入时序数据上预设长度C个数据，也即是在时序数据的排列上的前C个数据，以对应的第C个数据之后的数据为不同解码器的输出监督数据，例如第一个解码器输出第C个数据的延后一个时刻的数据，第二个解码器输出第C个数据的延后三个时刻的数据，具体解码器的数量以及对应延后时刻的数据由实施者根据不同实际情况设置，在实际运行中进行调整；通过不断的训练TCN时间卷积神经网络直至损失函数平稳收敛且趋近于0，表明网络训练完成，可以根据训练完成的神经网络进行预测数据的获取。

需要说明的是，由于不同解码器的收敛程度不同，则导致不同解码器输出的预测数据的准确程度不同，而决定解码器的收敛程度的是对应的损失函数，因此后续对TCN时间卷积神经网络中的损失函数进行调整优化，以提高预测的每个解码器输出的预测数据的准确性，单个解码器对应的损失函数为：

其中，

表示单个解码器的损失函数；

表示当前解码器输出的预测数据包括的数据数量；

表示TCN时间卷积神经网络输出的预测数据中第

个数据；

表示第

个数据的标签数据；

表示预测数据与标签数据的差值，差值越小对应的TCN时间卷积神经网络的准确度越高，损失函数越收敛。

由于TCN时间卷积神经网络包括多个解码器，则根据每个解码器对应的损失函数可得到整个TCN时间卷积神经网络的综合损失函数，该综合损失函数具体为：

其中，

表示综合损失函数；

表示第

个解码器的损失函数；

表示TCN时间卷积神经网络中所有解码器的数量；

表示TCN时间卷积神经网络中所有解码器对应的损失函数的平均，也即是TCN时间卷积神经网络的综合损失函数，用于对TCN时间卷积神经网络的训练。

误差程度获取模块30，用于将预测数据划分为第一数据和第二数据，获取第一数据中每个位置数据的误差程度，并基于第一数据得到神经网络中的固有误差程度，根据固有误差程度获取第二数据中每个位置数据的误差程度。

根据预测数据获取模块20中训练完成的TCN时间卷积神经网络得到对应的预测数据，由于不同的解码器输出的预测数据不一致，且输入的时序数据也存在多个数据组合输入，因此得到的每个预测数据的误差程度不同；输入的时序数据是以固定长度的窗口的滑动进行数据的选取，固定长度的窗口也即是预设长度C，通过固定长度的窗口滑动进行时序数据的逐个选择，并输入训练完成的TCN时间卷积神经网络中，以得到对应的预测数据；例如对于时序数据0,1,2,3,4,5,6,7,8而言，假设预设长度C为5，则通过逐个选择输入TCN时间卷积神经网络的数据分别为：0,1,2,3,4；1,2,3,4,5；2,3,4,5,6；…；4,5,6,7,8；以第5时刻的数据为例，在通过TCN时间卷积神经网络进行预测获取预测数据时，可基于第1时刻的数据预测出第5时刻的数据，同时也可以基于第2时刻的数据预测出第5时刻的数据，因此对于第5时刻的数据而言，可以通过多个已知时刻的数据进行预测，且不同数据预测出的预测数据的取值可能存在差异。对预测数据获取模块20中得到的预测数据中的各位置数据进行误差程度的获取，获取预测数据中每个位置数据的误差程度的方法具体如下：

首先，对预测数据中所有位置数据进行分类，本发明实施例中将每个解码器输出的预测数据分为两个类别分别为第一数据和第二数据；第一数据是指真实采集得到的数据的预测数据，第二数据是指没有真实采集得到的数据的预测数据；作为一个示例，假设存在时序数据为：0,1,2,3,4,5,6,7,8，根据该时序数据得到的预测数据为0,1,2,3,4,5,6,7,8,9,10,11,12，13；则对于该组预测数据而言，第6个时刻的位置数据5是真实采集的时序数据中存在的数据，因此预测数据中第6个时刻下对应的位置数据为第一数据；而对于预测数据中第12个时刻的位置数据11，由于时序数据对应的当前时刻是第9时刻，因此第12个时刻的位置数据并不对应真实采集的数据，则第12个时刻下对应的位置数据为第二数据。

然后，对第一数据以及第二数据中每个位置数据的误差程度进行分析，对于第一数据而言，由于每个位置数据均对应有真实采集的数据，因此直接利用真实采集数据与预测出的数据的差值反映该位置数据的误差程度，即第一数据中每个位置数据的误差程度的计算为：

其中，

表示第一数据中任意位置数据的误差程度；

表示第一数据中该位置数据对应的实际采集值；

表示第一数据中该位置数据的预测数据值；

的取值越大，表明实际值与预测值之间的差异越大，则对应的误差程度越大。

对于第二数据而言，通过该预测数据中第一数据对当前解码器的误差程度进行调整，得到当前解码器对应的固有误差程度，根据解码器的固有误差程度对第二数据中每个位置数据的误差程度进行获取，固有误差程度是基于解码器的损失函数以及第一数据中每个位置数据的误差程度得到，固有误差程度的具体计算为：

其中，

表示固有误差程度；

表示当前解码器收敛时的损失函数值，损失函数值越小，说明解码器输出的预测数据越准确；

表示第一数据中所有位置数据的数量；

表示第一数据中第

个位置数据对应的实际采集值；

表示第一数据中第

个位置数据的预测数据值；

表示第一数据中第

个位置数据的误差程度；

表示第一数据中所有位置数据的误差程度的均值，该值越大，说明第一数据中所有位置数据的预测误差越大，则解码器对应的固有误差程度越大。

通过解码器对应的损失函数值与预测数据中第一数据的误差程度的均值相加求平均得到解码器的固有误差程度，对每个解码器的损失函数进行了调整优化；进一步根据解码器的固有误差程度获取对应的预测数据包括的第二数据中每个位置数据的误差程度，每个解码器对应一组预测数据，预测数据中包括第二数据；获取当前时刻数据的至少两个延时数据，对于任意一个解码器对应预测数据中的第二数据：若第二数据中存在延时数据，以延时数据对应的实际采集值与预测数据值之间的差值的平方，作为延时数据所对应的位置数据的误差程度；获取预测数据中第二数据的数量，计算数量与对应解码器的固有误差程度的乘积作为总误差程度，计算第二数据中所有延时数据的误差程度的和作为累计误差程度，将总误差程度与累计误差程度的差值记为累加误差程度；获取第二数据中除了延时数据之外其他位置数据的总数量，累加误差程度与总数量的比值为第二数据中除了延时数据之外其他各位置数据的误差程度；若第二数据中不存在延时数据，计算当前解码器的固有误差程度与其他每个解码器的固有误差程度之间的比值，获取其他每个解码器的优化误差程度；其中，优化误差程度与对应解码器的固有误差程度呈正相关关系；计算每个比值及其对应解码器的优化误差程度的乘积结果，所有乘积结果的平均值为当前解码器的第二数据中各位置数据的误差程度。

具体的，第二数据中每个位置数据的误差程度的获取方法具体如下：

首先，在获取到预测数据的第二数据后，通过延时采集多个时刻的数据用于对第二数据的验证和误差程度调整，本发明实施例中延时数据的时刻为2，例如对时序数据在第8个时刻后进行预测，则实时采集第9个时刻和第10个时刻的数据，且第9个时刻和第10个时刻的位置数据记为延时数据；基于延时数据的情况对不同第二数据的误差程度进行获取。

对于同一个解码器而言，解码器的误差程度是采用统一的平均误差进行表示的，若是当前解码器内的预测数据内的第二数据中存在延时数据的预测数据，则以延时数据的预测数据与延时数据的实际采集值之间的差值得到对应位置数据的误差程度，即误差程度的计算为：

其中，

表示第二数据中延时数据对应位置数据的误差程度；

表示延时数据对应位置数据的实际采集值；

表示延时数据对应位置数据的预测数据值。

对于当前解码器的预测数据内的第二数据中包括除了延时数据之外的其他位置数据，此类位置数据的误差程度的计算为：

其中，

表示第二数据中除延时数据之外的其他位置数据的误差程度；

表示当前解码器中第二数据的数量；

表示当前解码器的固有误差程度；

表示第二数据中第

个延时数据对应位置数据的误差程度；

表示第二数据中延时数据的数量；

表示第二数据中除了延时数据之外其他位置数据的总数量；

表示第二数据中所有延时数据的累计误差程度；

表示以解码器的固有误差程度与第二数据的数量的乘积得到的总误差程度，与第二数据中所有延时数据的累计误差程度之间的差值，该差值反映了第二数据中除了延时数据之外其他位置数据的累加误差程度；

表示第二数据中除了延时数据之外其他位置数据的累加误差程度与第二数据中除了延时数据之外其他位置数据的总数量的比值，也即是平均的误差程度，用于表示第二数据中除了延时数据之外其他位置数据对应的误差程度。

若当前解码器中不存在延时数据，则第二数据中每个位置数据的误差程度通过解码器之间的相对误差进行获取，此时第二数据中每个位置数据的误差程度的计算为：

其中，

表示当前解码器不存在延时数据时第二数据中每个位置数据的误差程度；

表示当前解码器的固有误差程度；

表示第

个解码器的固有误差程度；

表示所有解码器的数量；

表示第

个解码器在结合延时数据后的优化误差程度；

的取值反映了当前解码器与第

个解码器之间固有误差程度的相对误差；

表示当前解码器与第

个解码器之间固有误差程度的相对误差与第

个解码器的优化误差程度的乘积结果，所有乘积结果的平均值用于表示每个位置数据的误差程度。

具体的，第

个解码器在结合延时数据后的优化误差程度的计算方法为：

其中，

表示第

个解码器在结合延时数据后的优化误差程度；

表示第

个解码器的固有误差程度；

表示第

个解码器的预测数据内的第二数据中延时数据的数量；

表示第r个延时数据的实际采集值；

表示第r个延时数据的预测数据值；

表示所有延时数据对应的平均误差程度。

预测数据确定模块40，用于根据连续预测得到的预测数据中每个位置数据的误差程度获取对应每个位置的置信度；根据连续预测得到的预测数据以及每个位置的置信度得到未来预测数据。

在实际进行预测数据的获取时，往往是进行多次连续的预测，基于误差程度获取模块30中可得到多次连续预测的预测数据中每个位置数据的误差程度，预测数据包括第一数据和第二数据；参阅图2，其示出一组时序数据在多次预测后每个解码器对应的预测数据；其中D1,D2,D3,D4分别对应4个解码器，每个解码器的输出数据长度C为5，每个预设长度为5的时序数据输入神经网络均可得到4个解码器输出的预测数据，对于时序数据0,1,2,…,7,8而言，其对应了连续5次的预测，每次预测得到的预测数据中每个位置对应的误差程度存在差异，例如图2中所示的5次预测数据中第1个位置分别为1,2,3,4,5，且第1个位置在每次预测时均可得到不同的误差程度，共对应了5个误差程度，也即是不同时序数据输入得到的预测数据中第1个解码器的第1个位置对应了5个误差程度，因此对多次预测的预测数据中每个位置的误差程度进行获取，将每个位置对应的误差程度记为位置误差程度，位置误差程度的计算方法为：

其中，

表示每个位置的位置误差程度；

表示连续预测的次数，也即是一个位置对应数据的数量；

表示该位置第

次预测对应位置数据的误差程度，该误差程度可能是第一数据的误差程度也可能是第二数据的误差程度，即误差程度的可能性包括

、

、

以及

；

表示该位置在所有连续预测的情况下对应位置数据的误差程度的均值，也即是该位置的位置误差程度。

利用当前采集数据计算出预测数据的每个位置的位置误差程度；基于预测数据的方法，根据当前采集的最新的长度为C的时序数据作为TCN时间卷积神经网络的输入，则可得到该时序数据在时序上更靠后的预测数据，根据预测数据再次进行预测可得到更长的预测数据；由于预测数据的每个位置均对应一个位置误差程度，则对于连续预测的情况而言，后续预测数据中每个位置会基于前一次误差的基础上继续产生误差，参阅图3，其示出一种时序数据连续预测的示意图，由最新的长度为5的时序数据6,7,8,9,10作为TCN时间卷积神经网络的输入，进行一次预测得到所有解码器对应的预测数据，基于每个解码器对应的预测数据可进行二次预测，再次得到二次预测下所有解码器对应的预测数据；以此类推，由于每次预测不同位置的位置误差程度不同，而误差会随着预测次数的增加而叠加，因此需要判断预测数据中每个位置的置信度，获取所有预测下每个位置的位置误差程度的求和结果；设定误差超限系数，将误差超限系数与当前解码器对应的损失函数值的乘积作为单位误差；计算求和结果与单位误差的第一比值，根据第一比值得到对应位置的置信度，置信度与第一比值呈负相关关系。具体的，每个位置的置信度的计算方法为：

其中，

表示置信度；1+

表示误差超限系数，

由实施者自行设定，本实施例中取经验值为0.6；

表示当前第

个解码器的损失函数值，在网络训练过程中得到固定数值；

表示当前位置连续预测的实际次数；

表示当前位置第

次预测对应的位置误差程度；

表示所有预测次数下该位置对应的位置误差程度的求和结果，该位置在每次预测得到的位置误差程度是在前面多次预测的位置误差程度的基础上得到，求和结果越大说明叠加的误差程度越大，则对应的该位置数据的置信度越小；

表示单位误差，用于对整体进行归一化处理；

表示第一比值。

基于每个位置的置信度计算相同的方法，可对应得到连续预测后的预测数据中每个位置的置信度；而在不同的连续预测时，不同的位置可能会得到相同时刻的数据，例如对于任意时刻13的数据出现多次，但该数据在不同位置下的置信度的取值不同，本发明实施例中选取置信度取值最大的位置作为该数据的位置，因此基于置信度对每个位置的位置数据进行选取得到唯一的预测数据序列，记为未来预测数据，未来预测数据也即是置信度最高的预测数据。

分析预警模块50，用于获取未来预测数据中每个位置数据的预测异常度，基于预测异常度与置信度调整传输数据，由云端服务器对接收的传输数据进行分析预警。

由预测数据确定模块40得到未来预测数据，将未来预测数据中每个位置数据的置信度以及异常度进行结合调整需要传输的传输数据，未来预测数据中每个位置数据的预测异常度的计算方法与数据采集模块10中异常度计算的方法一致，即通过公式

或者公式

进行获取，公式的选择由该数据类型与唤醒阈值

之间的关系决定；由此得到未来预测数据中每个位置数据对应的预测异常度。

为了减少数据传输过程中的冗余，本发明实施例中通过设置异常阈值FK以及置信度阈值ZK进行比较判定，从而决定未来预测数据中需要传输的数据，异常阈值FK以及置信度阈值ZK的设置由实施者根据实际情况自行设定。选取未来预测数据中所有位置数据对应的预测异常度的最大值以及置信度的最大值，基于预测异常度的最大值和置信度的最大值分别与异常阈值FK以及置信度阈值ZK进行比较分析，以调控传输数据；具体如下：

当预测异常度的最大值小于异常阈值FK，但置信度的最大值大于置信度阈值ZK时，仅传输低功耗传感器设备采集的该类型数据；当预测异常度的最大值小于异常阈值FK，但置信度的最大值不大于置信度阈值ZK时，传输部分高功耗传感器设备采集的该类型数据和全部的低功耗传感器设备采集的该类型数据；当预测异常度的最大值不小于异常阈值FK，且置信度的最大值不大于置信度阈值ZK时，传输部分高功耗传感器设备采集的该类型数据和全部的低功耗传感器设备采集的该类型数据；当预测异常度的最大值不小于异常阈值FK，但置信度的最大值大于置信度阈值ZK时，传输全部的高功耗传感器设备和全部的低功耗传感器设备采集的该类型数据。

由此根据未来预测数据中位置数据对应的预测异常度以及置信度得到最终需要传输的传输数据，减少了数据传输过程中的冗余，提高了效率。当云端服务器接受到传输数据之后，对接收的传输数据进行分析，针对不同类型的数据可通过不同的方法来判定是否异常，例如对于热成像中呈现的电缆过热的异常，可以使用神经网络或者传统图像的处理方法，对于湿度传感器采集的数据可以利用聚类等方式来判断异常，具体异常判定的方法均为现有机器学习算法可以实现的方法，不再详细赘述。

在根据云端服务器的分析识别出当前通信机房异常之后，通过短信、语音、图像或者视频等不同的形式来传输异常数据，即发送至对应的终端，例如将局部发热的电缆热成像图像发送给具有权限的人员的移动终端，具体发送方法实施者根据需要自行设定。

当终端接收到对应的异常数据后，以不同的形式来警示工作人员，例如GSM/GPRS/CDMA移动通讯网自动循环拨打预先设定的3组报警电话，智能识别工作人员是否接警，一旦接警，不再拨打该号码；并发送中英文短信到预先设定的工作人员手机上，通过短信内容识别报警基站，同时接警中心联网报警，中心机房可通过软件及电话进行远程布防、撤防、监听现场。

综上所述，本发明实施例提供了一种基于大数据的通信机房防护的监测管理系统，该系统包括：数据采集模块10、预测数据获取模块20、误差程度获取模块30、预测数据确定模块40以及分析预警模块50；数据采集模块10用于采集所有低功耗传感器的数据，获取每个数据的异常度，基于异常度进行唤醒调控；预测数据获取模块20用于采集唤醒调控后每个传感器对应的时序数据，将时序数据输入训练完成的神经网络输出预测数据；误差程度获取模块30用于将预测数据划分为第一数据和第二数据，获取第一数据中每个位置数据的误差程度，并基于第一数据得到神经网络中的固有误差程度，根据固有误差程度获取第二数据中每个位置数据的误差程度；预测数据确定模块40用于根据连续预测得到的预测数据中每个位置数据的误差程度获取对应每个位置的置信度；根据连续预测得到的预测数据以及每个位置的置信度得到未来预测数据；分析预警模块50用于获取未来预测数据中每个位置数据的预测异常度，基于预测异常度与置信度调整传输数据，由云端服务器对接收的传输数据进行分析预警；减少了传感器设备的能源消耗，提高了传输数据的效率并确保了预测数据的准确性，进而保证了监测结果的准确性。

需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于大数据的通信机房防护的监测管理系统，其特征在于，该系统包括以下模块：

数据采集模块，用于采集所有低功耗传感器的数据，获取每个数据的异常度，基于所述异常度进行唤醒调控；

预测数据获取模块，用于采集唤醒调控后每个传感器对应的时序数据，将所述时序数据输入训练完成的神经网络输出预测数据；

误差程度获取模块，用于将所述预测数据划分为第一数据和第二数据，获取所述第一数据中每个位置数据的误差程度，并基于所述第一数据得到神经网络中的固有误差程度，根据所述固有误差程度获取所述第二数据中每个位置数据的误差程度；

预测数据确定模块，用于根据连续预测得到的预测数据中每个位置数据的误差程度获取对应每个位置的置信度；根据连续预测得到的预测数据以及每个位置的所述置信度得到未来预测数据；

分析预警模块，用于获取未来预测数据中每个位置数据的预测异常度，基于所述预测异常度与所述置信度调整传输数据，由云端服务器对接收的所述传输数据进行分析预警。

2.根据权利要求1所述的一种基于大数据的通信机房防护的监测管理系统，其特征在于，所述误差程度获取模块中将所述预测数据划分为第一数据和第二数据的步骤，包括：

所述预测数据中存在实际采集值的位置数据为第一数据，所述预测数据中不存在实际采集值的位置数据为第二数据。

3.根据权利要求2所述的一种基于大数据的通信机房防护的监测管理系统，其特征在于，所述误差程度获取模块中获取所述第一数据中每个位置数据的误差程度的步骤，包括：

获取所述第一数据中每个位置数据对应的实际采集值与所述位置数据的预测数据值之间的差值，所述差值的平方为所述位置数据的误差程度。

4.根据权利要求1所述的一种基于大数据的通信机房防护的监测管理系统，其特征在于，所述误差程度获取模块中基于所述第一数据得到神经网络中的固有误差程度的步骤，包括：

所述神经网络包括至少两个解码器，每个所述解码器对应一个损失函数；

获取所述第一数据中所有位置数据对应的误差程度的平均值，所述平均值与每个所述解码器的损失函数值的求和的均值为神经网络中对应所述解码器的固有误差程度。

5.根据权利要求4所述的一种基于大数据的通信机房防护的监测管理系统，其特征在于，所述误差程度获取模块中根据所述固有误差程度获取所述第二数据中每个位置数据的误差程度的步骤，包括：

每个所述解码器对应一组预测数据，所述预测数据中包括第二数据；获取当前时刻数据的至少两个延时数据；

对于任意一个解码器对应预测数据中的第二数据：若所述第二数据中存在延时数据，以所述延时数据对应的实际采集值与预测数据值之间的差值的平方，作为所述延时数据所对应的位置数据的误差程度；获取所述预测数据中第二数据的数量，计算所述数量与对应所述解码器的固有误差程度的乘积作为总误差程度，计算所述第二数据中所有延时数据的误差程度的和作为累计误差程度，将所述总误差程度与所述累计误差程度的差值记为累加误差程度；获取所述第二数据中除了延时数据之外其他位置数据的总数量，所述累加误差程度与所述总数量的比值为所述第二数据中除了延时数据之外其他各位置数据的误差程度；

若所述第二数据中不存在延时数据，计算当前所述解码器的固有误差程度与其他每个所述解码器的固有误差程度之间的比值，获取其他每个所述解码器的优化误差程度；其中，所述优化误差程度与对应所述解码器的固有误差程度呈正相关关系；计算每个所述比值及其对应所述解码器的优化误差程度的乘积结果，所有乘积结果的平均值为当前所述解码器的第二数据中各位置数据的误差程度。

6.根据权利要求4所述的一种基于大数据的通信机房防护的监测管理系统，其特征在于，所述预测数据确定模块中根据连续预测得到的预测数据中每个位置数据的误差程度获取对应每个位置的置信度的步骤，包括：

获取每次预测得到的预测数据中每个位置对应的位置数据的误差程度；计算连续预测的预测数据中各位置的误差程度的平均值作为对应位置的位置误差程度；

获取所有预测下每个位置的位置误差程度的求和结果；设定误差超限系数，将所述误差超限系数与当前解码器对应的损失函数值的乘积作为单位误差；

计算所述求和结果与所述单位误差的第一比值，根据所述第一比值得到对应位置的置信度，所述置信度与所述第一比值呈负相关关系。

7.根据权利要求1所述的一种基于大数据的通信机房防护的监测管理系统，其特征在于，所述预测数据确定模块中根据连续预测得到的预测数据以及每个位置的所述置信度得到未来预测数据的步骤，包括：

连续预测得到的预测数据中存在不同位置对应相同时刻的数据，选取置信度最大时的位置作为该数据的位置，以得到未来预测数据。

8.根据权利要求1所述的一种基于大数据的通信机房防护的监测管理系统，其特征在于，所述数据采集模块中获取每个数据的异常度，基于所述异常度进行唤醒调控的步骤，包括：

设定唤醒阈值并获取数据的类型，数据的类型包括数据越小越正常和数据越大越正常；

对于数据越小越正常的类型的数据，计算此类型数据的最大异常值与所述唤醒阈值的差值作为分母，以当前数据与所述唤醒阈值的差值作为分子，所述分子和分母的比值为当前数据的异常度；

对于数据越大越正常的类型的数据，计算所述唤醒阈值与此类型数据的最小异常值的差值作为分母，以所述唤醒阈值和当前数据的差值作为分子，所述分子和分母的比值为当前数据的异常度；

构建每个低功耗传感器对应的高功耗设备集合，基于低功耗传感器的当前数据的异常度与预设基础阈值的求和作为唤醒比例，所述唤醒比例与低功耗传感器对应的高功耗设备集合中所有高功耗传感器的数量的乘积为唤醒数量；

根据所述唤醒数量在对应的高功耗设备集合中进行设备唤醒。

9.根据权利要求8所述的一种基于大数据的通信机房防护的监测管理系统，其特征在于，所述基于所述预测异常度与所述置信度调整传输数据的步骤，包括：

选取未来预测数据中的预测异常度的最大值和置信度的最大值；根据预测异常度的最大值和置信度的最大值分别与预设的异常阈值和置信度阈值比较：

当预测异常度的最大值小于异常阈值，但置信度的最大值大于置信度阈值时，仅传输低功耗传感器采集的数据；

当预测异常度的最大值小于异常阈值，但置信度的最大值不大于置信度阈值时，传输部分高功耗传感器采集的数据和全部的低功耗传感器采集的数据；

当预测异常度的最大值不小于异常阈值，且置信度的最大值不大于置信度阈值时，传输部分高功耗传感器采集的数据和全部的低功耗传感器采集的数据；

当预测异常度的最大值不小于异常阈值，但置信度的最大值大于置信度阈值时，传输全部的高功耗传感器和全部的低功耗传感器采集的数据。

10.根据权利要求1所述的一种基于大数据的通信机房防护的监测管理系统，其特征在于，所述由云端服务器对接收的所述传输数据进行分析预警的步骤，包括：

所述云端服务器采用不同的机器学习算法得到对应传输数据是否存在异常，若存在异常，将存在异常的数据传输至对应的终端，由所述终端进行预警。

Images