CN115659070A - 一种基于nb-iot智能水表的水流量数据传输方法 - Google Patents

一种基于nb-iot智能水表的水流量数据传输方法 Download PDF

Info

Publication number
CN115659070A
CN115659070A CN202211688749.0A CN202211688749A CN115659070A CN 115659070 A CN115659070 A CN 115659070A CN 202211688749 A CN202211688749 A CN 202211688749A CN 115659070 A CN115659070 A CN 115659070A
Authority
CN
China
Prior art keywords
data
moment
time
degree
sequence
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
Application number
CN202211688749.0A
Other languages
English (en)
Other versions
CN115659070B (zh
Inventor
于英宇
李乐楠
刘辉
张声
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hongji Junye Environmental Protection Technology Co ltd
Original Assignee
Hongji Junye Environmental Protection Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hongji Junye Environmental Protection Technology Co ltd filed Critical Hongji Junye Environmental Protection Technology Co ltd
Priority to CN202211688749.0A priority Critical patent/CN115659070B/zh
Publication of CN115659070A publication Critical patent/CN115659070A/zh
Application granted granted Critical
Publication of CN115659070B publication Critical patent/CN115659070B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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

  • Testing And Monitoring For Control Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及数据压缩传输领域，提出了一种基于NB‑IOT智能水表的水流量数据传输方法，包括：利用智能水表的水流量检测模块获取历史及当前的水流量数据；通过智能水表的数据分析模块对历史水流量数据分析，获取每一天的第一参考权重进而得到每个时刻的参考波动范围；根据每个时刻与相邻两个时刻的当前数据及参考波动范围获取第二变化程度，根据每个时刻的当前数据与参考波动范围的差异获取第一异常程度，进而得到每个时刻的最优阶数；根据各时刻的最优阶数，得到每个时刻的第一趋势数据，并获取分段点时刻对当前数据序列划分压缩；将压缩后数据通过智能水表的NB‑IOT通讯模块进行传输。本发明旨在解决对智能水表水流量数据压缩传输容易丢失重要数据的问题。

Description

一种基于NB-IOT智能水表的水流量数据传输方法
技术领域
本发明涉及数据压缩传输技术领域，具体涉及一种基于NB-IOT智能水表的水流量数据传输方法。
背景技术
为了解决城市供水管理问题，需要及时掌握居民用水情况来不断调整自来水公司的管理方式；随着NB-IOT技术的发展，目前通过在智能水表上安装NB-IOT通讯模块的方式，实现通过智能水表采集流经管道的水流量数据，通过NB-IOT通讯模块进行数据远程传输，进而实现供水系统的智能化管理；由于智能水表安装较多，并实时的采集水流量数据，因此造成了智能水表采集的水流量数据量极为庞大，若将采集的水流量数据传输到处理服务器中进行分析，由于网络带宽的影响，水流量数据传输过慢，且容易造成数据丢失；而处理服务器若将所有的水流量数据进行存储，会大大增加处理服务器的运行压力，通常需要将水流量数据进行压缩处理再传输。
现有的传统压缩算法中，旋转门压缩算法是一种比较快速的线性拟合算法，常用于物联网传感器等数据量较为庞大的应用领域，但在旋转门压缩算法中，压缩效果取决于容差的设定进而确定的分段范围，而实际过程中通过大量的数据进行容差值检测费时费力，同时因为数据具有随机变化性，人工根据经验设置的容差以及对应分段范围可能会产生较大的误差，进而影响压缩传输的效果，同时可能导致水流量数据中重要信息的丢失。
发明内容
本发明提供一种基于NB-IOT智能水表的水流量数据传输方法，以解决现有的旋转门算法对数据进行压缩时由于分段设置导致重要数据丢失的问题，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NB-IOT智能水表的水流量数据传输方法，该方法包括以下步骤：
获取历史数据序列及当前数据序列；
根据历史数据序列中每一天数据序列与其他天数据序列之间的第一距离，得到每一天数据序列的第一参考权重，利用第一参考权重对当前数据序列中每个时刻在历史数据序列中每一天的对应时刻的数据进行权重融合，得到每个时刻的第一参考数据，将第一参考权重大于第一预设阈值的若干天数据序列中每个时刻的数据与相应第一参考权重进行权重融合，得到每个时刻的第二参考数据，根据第一参考数据与第二参考数据的差异获取每个时刻的参考波动范围；
根据当前数据序列中每个时刻分别与相邻两个时刻的数据的差异获取每个时刻的第一变化程度，根据每个时刻及相邻两个时刻的参考波动范围对第一变化程度修正获取每个时刻的第二变化程度；
根据当前数据序列中每个时刻的当前数据及参考波动范围获取每个时刻的第一异常程度，将每个时刻下任意用于趋势平滑的阶数范围内所有时刻的第一异常程度的均值，作为每个时刻下对应阶数的第二异常程度，根据第二变化程度及第二异常程度获取每个时刻下每个阶数的优选程度，根据优选程度与第二预设阈值的比较结果获取每个时刻的最优阶数；
根据每个时刻的最优阶数范围内所有时刻的第一异常程度获取每个时刻最优阶数范围内各时刻的第二参考权重，根据每个时刻的当前数据及最优阶数范围内各时刻的第二参考权重获取每个时刻的第一趋势数据，根据每个时刻的第一趋势数据之间的斜率变化获取分段点的时刻，根据作为分段点的时刻对当前数据序列进行划分得到若干分段并压缩；
将压缩后的当前数据序列通过NB-IOT通讯模块进行传输。
可选的，所述获取历史数据序列中每一天的数据序列与其他天的数据序列之间的第一距离，包括的具体方法为：
历史数据序列中包括多天的数据序列，分别计算每一天数据序列与其他任意一天数据序列的DTW距离，记为第一距离；根据每一天数据序列的所有第一距离的方差表现获取每一天数据序列的第一参考权重。
可选的，所述获取每个时刻的第一参考数据，包括的具体方法为：
Figure DEST_PATH_IMAGE001
其中，
Figure 701611DEST_PATH_IMAGE002
表示第
Figure DEST_PATH_IMAGE003
个时刻的第一参考数据，
Figure 431800DEST_PATH_IMAGE004
表示历史数据序列中共有
Figure 8275DEST_PATH_IMAGE004
天的数据序列，
Figure DEST_PATH_IMAGE005
表示第
Figure 216534DEST_PATH_IMAGE006
天数据序列的第一参考权重，
Figure DEST_PATH_IMAGE007
表示第
Figure 827644DEST_PATH_IMAGE006
天数据序列中第
Figure 446844DEST_PATH_IMAGE003
个时刻的数据。
可选的，所述获取每个时刻的参考波动范围，包括的具体方法为：
Figure 727259DEST_PATH_IMAGE008
其中，
Figure DEST_PATH_IMAGE009
表示第
Figure 254056DEST_PATH_IMAGE003
个时刻的数据波动幅值，
Figure 188513DEST_PATH_IMAGE002
表示第
Figure 463768DEST_PATH_IMAGE003
个时刻的第一参考数据，
Figure 749256DEST_PATH_IMAGE010
表示第
Figure 17426DEST_PATH_IMAGE003
个时刻的第二参考数据，将
Figure DEST_PATH_IMAGE011
作为第
Figure 353861DEST_PATH_IMAGE003
个时刻的参考波动范围。
可选的，所述获取每个时刻的第二变化程度，包括的具体方法为：
对于任意一个时刻及相邻两个时刻均处于对应时刻的参考波动范围内的当前数据，获取这些时刻与相邻时刻的修正差值：
Figure 580443DEST_PATH_IMAGE012
其中，
Figure DEST_PATH_IMAGE013
表示第
Figure 884385DEST_PATH_IMAGE003
个时刻的当前数据与第
Figure 441400DEST_PATH_IMAGE014
个时刻的当前数据的修正差值，
Figure DEST_PATH_IMAGE015
表示第
Figure 350450DEST_PATH_IMAGE003
个时刻的当前数据，
Figure 216775DEST_PATH_IMAGE016
表示第
Figure 476855DEST_PATH_IMAGE014
个时刻的当前数据，
Figure DEST_PATH_IMAGE017
表示第
Figure 365789DEST_PATH_IMAGE003
个时刻的参考波动范围下限值，
Figure 660504DEST_PATH_IMAGE018
表示第
Figure 963309DEST_PATH_IMAGE003
个时刻的参考波动范围上限值，
Figure DEST_PATH_IMAGE019
表示第
Figure 930259DEST_PATH_IMAGE014
个时刻的参考波动范围下限值，
Figure 343923DEST_PATH_IMAGE020
表示地
Figure 227565DEST_PATH_IMAGE014
个时刻的参考波动范围上限值；
Figure DEST_PATH_IMAGE021
其中，
Figure 248742DEST_PATH_IMAGE022
表示第
Figure 217835DEST_PATH_IMAGE003
个时刻的第二变化程度，
Figure 169611DEST_PATH_IMAGE013
表示第
Figure 173339DEST_PATH_IMAGE003
个时刻的当前数据与第
Figure 21209DEST_PATH_IMAGE014
个时刻的当前数据的修正差值，
Figure DEST_PATH_IMAGE023
表示第
Figure 759489DEST_PATH_IMAGE024
个时刻的当前数据与第
Figure 514956DEST_PATH_IMAGE003
个时刻的当前数据的修正差值；
对于当前数据不满足参考波动范围或相邻两个时刻任意一个不满足对应时刻的参考波动范围的时刻，这些时刻的第二变化程度值即为第一变化程度值。
可选的，所述获取每个时刻的第一异常程度，包括的具体方法为：
Figure DEST_PATH_IMAGE025
其中，
Figure 386572DEST_PATH_IMAGE026
表示第
Figure 202081DEST_PATH_IMAGE003
个时刻的当前数据值，
Figure 411346DEST_PATH_IMAGE015
表示第
Figure 970503DEST_PATH_IMAGE003
个时刻的当前数据，
Figure 433977DEST_PATH_IMAGE011
表示第
Figure 154808DEST_PATH_IMAGE003
个时刻的参考波动范围，
Figure 585789DEST_PATH_IMAGE018
表示第
Figure 683058DEST_PATH_IMAGE003
个时刻的参考波动范围内上限值，
Figure 719147DEST_PATH_IMAGE017
表示第
Figure 361612DEST_PATH_IMAGE003
个时刻的参考波动范围下限值。
可选的，所述获取每个时刻下每个阶数的优选程度，根据优选程度与第二预设阈值的比较结果获取每个时刻的最优阶数，包括的具体方法为：
Figure DEST_PATH_IMAGE027
其中，
Figure 76628DEST_PATH_IMAGE028
表示第
Figure 977587DEST_PATH_IMAGE003
个时刻下阶数
Figure DEST_PATH_IMAGE029
的优选程度，
Figure 681232DEST_PATH_IMAGE022
表示第
Figure 9446DEST_PATH_IMAGE003
个时刻的第二变化程度，
Figure 352702DEST_PATH_IMAGE030
表示第
Figure 57353DEST_PATH_IMAGE003
个时刻下阶数为
Figure 346996DEST_PATH_IMAGE029
的第二异常程度，
Figure DEST_PATH_IMAGE031
表示以自然常数为底的指数函数；
对每个时刻下的阶数从1开始每次加1进行迭代，计算每次迭代的阶数的优选程度，当第
Figure 642848DEST_PATH_IMAGE003
个时刻下的第
Figure 270138DEST_PATH_IMAGE032
次迭代的阶数优选程度在迭代过程中第一次大于第二预设阈值时停止迭代，将第
Figure DEST_PATH_IMAGE033
次迭代的阶数
Figure 998054DEST_PATH_IMAGE032
作为第
Figure 394400DEST_PATH_IMAGE003
个时刻的最优阶数。
可选的，所述获取每个时刻的第一趋势数据，包括的具体方法为：
根据获取到的每个时刻的最优阶数、以及最优阶数范围内各时刻的当前数据及第二参考权重，利用STL时间序列分解算法获取到每个时刻的第一趋势数据；所述第二参考权重即是最优阶数范围内各时刻的第一异常程度在范围内所有第一异常程度参考下的线性归一化值。
可选的，所述获取分段点的时刻，包括的具体方法为：
将相邻两个时刻的第一趋势数据的差值作为斜率值，计算每个时刻与左右两个相邻时刻的斜率值的差值绝对值，将斜率值的差值绝对值大于第三预设阈值的时刻作为分段点的时刻。
可选的，所述得到若干分段并压缩，包括的具体方法为：
当前数据序列为时序数据序列，利用作为分段点的时刻对时序数据序列进行划分，得到每两个相邻分段点构成的一段时间的数据序列，利用旋转门压缩算法对每段数据序列进行压缩。
本发明相较于现有技术的有益效果是：
（1）根据历史数据作为参考，对水流量数据及其波动范围进行量化；通过计算历史数据中每天的水流量数据之间的差异，来获取历史数据中的每天的第一参考权重，进而获取更加合理的水流量数据的参考波动范围，使之为后续进行自适应旋转门压缩算法中的分段范围的获取更加准确。
（2）根据当前时间段内每个时刻的水流量数据的异常程度，以及每个时刻与相邻时刻的数据变化程度来确定每个时刻的最优阶数；其中每个时刻的数据异常程度表征当前时刻的数据与参考波动范围之间的差异程度，每个时刻与相邻时刻的数据变化程度表征数据的波动幅度程度；根据获取的当前时刻的最优阶数及阶数范围内各时刻的第二参考权重，利用STL时间序列分解算法获取准确的趋势分布特征，为之后进行旋转门压缩算法、获取准确的分段区间进行压缩，避免了传统的旋转门压缩算法中通过大量的数据进行容差值检测费时费力的缺点，同时可以在保证重要信息不丢失的基础上，达到较好的压缩效果。
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，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地介绍，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性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明一个实施例所提供一种基于NB-IOT智能水表的水流量数据传输方法的流程示意图。
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。
请参阅图1，其示出了本发明一个实施例所提供的一种基于NB-IOT智能水表的水流量数据传输方法流程图，该方法包括以下步骤：
步骤S001、利用智能水表的水流量检测模块获取历史水流量数据及当前水流量数据。
本实施例的目的是利用安装在智能水表上的NB-IOT模块对流经管道的水流量数据进行传输，所述智能水表包括：水流量检测模块，通过传感器实时采集水流量数据；数据分析模块，通过分析水流量数据特性对采集到的数据进行压缩；数据存储模块，将压缩的数据进行存储；以及NB-IOT通讯模块，用于将压缩后的水流量数据远程传输至处理服务器中。
通过水流量检测模块获取实时的水流量数据，本实施例以30分钟进行一次传输，即每30分钟对时间段内的水流量数据进行压缩并传输；同时以每一天为一个大周期，获取历史水流量数据，水流量数据为时序数据，记为历史数据序列，本实施例获取最近30天的水流量数据；待压缩的30分钟时间段内数据即为当前水流量数据，对当前水流量数据的所有数据根据横轴为时刻纵轴为数据值的坐标系构成当前数据曲线，并进行平滑滤波去噪，得到的每个时刻的数据按照时序构成当前数据序列；同理历史数据序列中每一天的水流量数据构成的数据曲线进行平滑滤波去噪得到每一天数据序列。
需要说明的是，当前数据序列中的每个时刻与历史数据序列中每一天数据序列的相同时刻相互对应，利用历史数据序列中每一天每个时刻的数据作为参考，对当前数据序列的每个时刻进行分析。
步骤S002、利用智能水表的数据分析模块对历史水流量数据中的每一天数据序列进行分析，获取第一参考权重，进而得到当前水流量数据中每个时刻的参考波动范围。
需要说明的是，历史数据序列中存在部分天数的数据序列具有由于各种其他因素导致的异常变化，例如某一天居民不在家使得该天的水流量数据几乎为0；因此需要获取历史数据序列中每一天数据序列可作为参考的第一参考权重，再利用第一参考权重及第一预设阈值获取每个时刻的参考波动范围。
具体的，首先利用DTW算法，计算历史数据序列中每一天数据序列分别与其他任意一天数据序列的DTW距离，记为第一距离，并根据每一天数据序列的所有第一距离获取每一天数据序列的第一参考权重，以历史数据序列中第
Figure 64416DEST_PATH_IMAGE006
天数据序列与第
Figure 444582DEST_PATH_IMAGE034
个其他天数据序列为例，获取第
Figure 976188DEST_PATH_IMAGE006
天数据序列的第一参考权重
Figure 695882DEST_PATH_IMAGE005
的计算方法为：
Figure DEST_PATH_IMAGE035
其中，
Figure 599116DEST_PATH_IMAGE036
表示第
Figure 951732DEST_PATH_IMAGE006
天数据序列的所有第一距离方差，
Figure 801876DEST_PATH_IMAGE004
表示历史数据序列中的总天数，
Figure DEST_PATH_IMAGE037
表示第
Figure 703973DEST_PATH_IMAGE006
天数据序列与第
Figure 919053DEST_PATH_IMAGE034
个其他天数据序列的第一距离；
令第
Figure 490456DEST_PATH_IMAGE006
天的第一特征
Figure 878712DEST_PATH_IMAGE038
，对所有天的第一特征进行归一化，第
Figure 104157DEST_PATH_IMAGE006
天的第一特征归一化后的结果为
Figure 552456DEST_PATH_IMAGE005
，记为第
Figure 879663DEST_PATH_IMAGE006
天数据序列的第一参考权重；
本实施例上述归一化采用softmax归一化方法，保证所有天的第一参考权重之和为1。
需要说明的是，
Figure DEST_PATH_IMAGE039
即为第一距离方差的倒数并分子分母均加1得到，加1目的是为避免方差为0的情况，本实施例将倒数分子分母加1视为第一距离方差的倒数；第一距离即DTW距离可以表征两数据序列之间的相似性，每一天数据序列与其他天数据序列的第一距离方差越大，表明与其他天之间的相似度差异较大，作为参考的价值越低，对应的第一参考权重应越小。
进一步的，根据每一天数据序列的第一参考权重获取每个时刻在历史数据序列中的第一参考数据，以第
Figure 337189DEST_PATH_IMAGE003
个时刻为例，获取第
Figure 620403DEST_PATH_IMAGE003
个时刻的第一参考数据
Figure 239603DEST_PATH_IMAGE002
的计算方法为：
Figure 788527DEST_PATH_IMAGE001
其中，
Figure 518586DEST_PATH_IMAGE004
表示历史数据序列中共有
Figure 718623DEST_PATH_IMAGE004
天的数据序列，
Figure 508724DEST_PATH_IMAGE005
表示第
Figure 544945DEST_PATH_IMAGE006
天数据序列的第一参考权重，
Figure 813115DEST_PATH_IMAGE007
表示第
Figure 70921DEST_PATH_IMAGE006
天数据序列中第
Figure 31924DEST_PATH_IMAGE003
个时刻的数据；为了更好的量化参考波动范围的合理变化范围，给出第一预设阈值
Figure 539128DEST_PATH_IMAGE040
，本实施例采用
Figure DEST_PATH_IMAGE041
进行计算；
获取大于第一预设阈值的所有第一参考权重，假设共有
Figure 178967DEST_PATH_IMAGE042
个，其中
Figure DEST_PATH_IMAGE043
表示大于第一预设阈值的第
Figure 884755DEST_PATH_IMAGE032
个第一参考权重；由于每个第一参考权重对应一个第
Figure 954342DEST_PATH_IMAGE003
个时刻的数据，将
Figure 965155DEST_PATH_IMAGE043
对应的第
Figure 575128DEST_PATH_IMAGE003
个时刻的数据记为
Figure 604264DEST_PATH_IMAGE044
；将第
Figure 641490DEST_PATH_IMAGE003
个时刻的第二参考数据记为
Figure 405178DEST_PATH_IMAGE010
：
Figure DEST_PATH_IMAGE045
此时得到的第二参考数据相较于第一参考数据受到异常数据的干扰更小，将
Figure 350000DEST_PATH_IMAGE046
作为第
Figure 233642DEST_PATH_IMAGE003
个时刻的数据波动幅值，得到第
Figure 458081DEST_PATH_IMAGE003
个时刻的参考波动范围
Figure 427174DEST_PATH_IMAGE011
。
上述依据每个时刻数据的参考价值对数据进行融合获得第一参考数据，并将参考价值更高的数据额外进行融合获得第二参考数据，使得根据第一参考数据和第二参考数据得到的参考波动范围更加准确、客观，能够保证后续依据参考波动范围分析或判断数据异常与数据变化的过程更加合理。
至此，通过历史数据序列中数据参考权重及数据值对每个时刻的数据波动范围进行量化，得到用于判断当前数据序列中每个时刻的数据异常程度及变化程度的参考波动范围。
步骤S003、根据当前数据序列中每个时刻与相邻两个时刻的数据及相应的参考波动范围获取每个时刻的第二变化程度，根据每个时刻的当前数据与参考波动范围的差异获取每个时刻的第一异常程度及各阶数范围的第二异常程度，进而得到每个时刻下各阶数的优选程度并确定最优阶数。
需要说明的是，在步骤S002中已经获取了每个时刻的参考波动范围，要利用STL时间序列分解来获取当前时序数据的波动趋势，STL时间序列分解算法，为方便后续叙述，需要对该公知算法进行大致的补充说明：当时间序列数据呈现出加法季节性特征，那么数据中任意时刻的值均可使用该算法分解成季节性、趋势和残差的累加和，该算法中需要使用移动平均的方法估计趋势-周期项，例如使用
Figure DEST_PATH_IMAGE047
阶移动平均，阶数
Figure 113371DEST_PATH_IMAGE029
为人为设置的整数。
本实施例为了对数据进行更好的异常分析，不能认为设置阶数
Figure 117099DEST_PATH_IMAGE029
，需要寻找一个最优阶数，具体为需要根据参考波动范围对当前数据进行平滑进而得到最优阶数，趋势平滑则需要考虑每个时刻当前数据的异常程度及连续时刻内的变化程度，变化程度越大，该时刻当前数据越重要而不应平滑，最优阶数应越小；异常程度越大，该时刻当前数据越重要而不应平滑，最优阶数应越小。
具体的，首先获取当前数据序列中第
Figure 243930DEST_PATH_IMAGE003
个时刻与相邻两个时刻的当前数据的第一变化程度
Figure 965899DEST_PATH_IMAGE048
，具体计算方法为：
Figure DEST_PATH_IMAGE049
其中，
Figure 252523DEST_PATH_IMAGE015
表示第
Figure 861490DEST_PATH_IMAGE003
个时刻的当前数据，
Figure 880262DEST_PATH_IMAGE016
表示第
Figure 823947DEST_PATH_IMAGE014
个时刻的当前数据，
Figure 117525DEST_PATH_IMAGE050
表示第
Figure 830266DEST_PATH_IMAGE024
个时刻的当前数据；需要说明的是，此时得到的第一变化程度为直观的当前数据差值得到，但由于参考波动范围的影响，小幅度数据波动并不能反映当前数据很重要，因此需要对第一变化程度进行修正。
具体的，对于任意一个时刻及相邻两个时刻均处于对应时刻的参考波动范围内的当前数据，以第
Figure 832989DEST_PATH_IMAGE003
个时刻为例，获取第
Figure 263970DEST_PATH_IMAGE003
个时刻的当前数据与第
Figure 361239DEST_PATH_IMAGE014
个时刻的当前数据的修正差值
Figure 928487DEST_PATH_IMAGE013
的计算方法为：
Figure 836531DEST_PATH_IMAGE012
其中，
Figure 754808DEST_PATH_IMAGE015
表示第
Figure 390189DEST_PATH_IMAGE003
个时刻的当前数据，
Figure 77522DEST_PATH_IMAGE016
表示第
Figure 153538DEST_PATH_IMAGE014
个时刻的当前数据，
Figure DEST_PATH_IMAGE051
表示第
Figure 824691DEST_PATH_IMAGE003
个时刻的参考波动范围下限值，
Figure 732604DEST_PATH_IMAGE052
表示第
Figure 274444DEST_PATH_IMAGE003
个时刻的参考波动范围上限值，
Figure DEST_PATH_IMAGE053
表示第
Figure 321028DEST_PATH_IMAGE014
个时刻的参考波动范围下限值，
Figure 948319DEST_PATH_IMAGE054
表示地
Figure 925502DEST_PATH_IMAGE014
个时刻的参考波动范围上限值；
进一步的，获取第
Figure 338160DEST_PATH_IMAGE003
个时刻修正后的第二变化程度
Figure 211438DEST_PATH_IMAGE022
的具体计算方法为：
Figure 326025DEST_PATH_IMAGE021
其中，
Figure 106899DEST_PATH_IMAGE013
表示第
Figure 623331DEST_PATH_IMAGE003
个时刻的当前数据与第
Figure 480559DEST_PATH_IMAGE014
个时刻的当前数据的修正差值，
Figure 82442DEST_PATH_IMAGE023
表示第
Figure 667007DEST_PATH_IMAGE024
个时刻的当前数据与第
Figure 241208DEST_PATH_IMAGE003
个时刻的当前数据的修正差值；此时，通过参考波动范围对每个时刻及相邻两个时刻下的当前数据的第一变化程度进行了修正，得到了第二变化程度，避免了小幅度的数据波动而导致呈现出较大的变化程度，进而导致阶数优选程度的变化而造成最优阶数的较大误差。
特殊的，对于当前数据不满足参考波动范围或相邻两个时刻任意一个不满足对应时刻的参考波动范围的时刻，这些时刻的第二变化程度值即为第一变化程度值，以第
Figure 253026DEST_PATH_IMAGE003
个时刻为例，即
Figure DEST_PATH_IMAGE055
；对于这些时刻，其连续三个时刻的当前数据有一个或多个已经超出参考波动范围，则其数据波动不再是小幅度波动，可能为重要的数据信息，而不再需要进行修正。
进一步需要说明的是，通过每个时刻的当前数据与参考波动范围之间的差异表现获取第一异常程度，并确定每个时刻下各阶数范围内的第一异常程度均值得到第二异常程度，第一异常程度用以表征各时刻当前数据与参考波动范围的差异程度，第二异常程度用以根据差异程度确定最优阶数。
具体的，根据每个时刻的当前数据及参考波动范围获取每个时刻的第一异常程度，以第
Figure 621166DEST_PATH_IMAGE003
个时刻为例，获取其第一异常程度
Figure 9422DEST_PATH_IMAGE026
的计算方法为：
Figure 234867DEST_PATH_IMAGE025
其中，
Figure 620849DEST_PATH_IMAGE015
表示第
Figure 948057DEST_PATH_IMAGE003
个时刻的当前数据，
Figure 874424DEST_PATH_IMAGE011
表示第
Figure 954376DEST_PATH_IMAGE003
个时刻的参考波动范围，
Figure 573576DEST_PATH_IMAGE052
表示第
Figure 122500DEST_PATH_IMAGE003
个时刻的参考波动范围内上限值，
Figure 852559DEST_PATH_IMAGE051
表示第
Figure 52596DEST_PATH_IMAGE003
个时刻的参考波动范围下限值；此时，若当前数据在参考波动范围内，其第一异常程度很小，本实施例设置为0.01；而若不在参考波动范围内，则将实际当前数据与波动范围边界的差值作为第一异常程度，第一异常程度越大，表明当前数据与参考波动范围的差异越大，可能为重要的数据信息。
进一步的，将每个时刻的第一异常程度及某个用于趋势平滑的阶数范围内其他时刻的第一异常程度的均值，作为每个时刻下对应阶数的第二异常程度，以第
Figure 842697DEST_PATH_IMAGE003
个时刻为例，获取其阶数为
Figure 65868DEST_PATH_IMAGE029
的第二异常程度
Figure 350350DEST_PATH_IMAGE030
的计算方法为：
以第
Figure 404894DEST_PATH_IMAGE003
个时刻为中心构建一个长度为
Figure 365897DEST_PATH_IMAGE047
的时间窗口，称这个时间窗口为第
Figure 138681DEST_PATH_IMAGE003
个时刻下阶数为
Figure 958344DEST_PATH_IMAGE029
的范围；
Figure 867395DEST_PATH_IMAGE056
其中，
Figure DEST_PATH_IMAGE057
表示第
Figure 733719DEST_PATH_IMAGE003
个时刻下阶数为
Figure 728220DEST_PATH_IMAGE029
的范围内，第
Figure 354505DEST_PATH_IMAGE058
个时刻的当前数据的第一异常程度；
Figure 649220DEST_PATH_IMAGE047
表示STL时间序列分解算法中，当阶数为
Figure 686446DEST_PATH_IMAGE029
时，阶数范围内的时刻数量；进一步的，根据第二变化程度及第二异常程度获取每个时刻下每个阶数的优选程度，以第
Figure 433822DEST_PATH_IMAGE003
个时刻下的阶数
Figure 598218DEST_PATH_IMAGE029
为例，其优选程度
Figure 685123DEST_PATH_IMAGE028
的计算方法为：
Figure 893251DEST_PATH_IMAGE027
其中，
Figure 127923DEST_PATH_IMAGE022
表示第
Figure 345278DEST_PATH_IMAGE003
个时刻的第二变化程度，
Figure 834159DEST_PATH_IMAGE030
表示第
Figure 478767DEST_PATH_IMAGE003
个时刻下阶数为
Figure 935156DEST_PATH_IMAGE029
的第二异常程度，
Figure 690622DEST_PATH_IMAGE031
表示以自然常数为底的指数函数，用于归一化处理及呈现反比例关系；需要说明的是，本实施例采用自然常数的反指数函数来进行归一化及表现反比例关系，实际应用中可以自行采用能够达成相似效果的其他函数进行处理；此时，第
Figure 752119DEST_PATH_IMAGE003
个时刻的当前数据第二变化程度越大，表明该时刻当前数据的波动越大，对该时刻进行趋势平滑的阶数应越小，相应的阶数优选程度应越小；第
Figure 315431DEST_PATH_IMAGE003
个时刻下阶数
Figure 993537DEST_PATH_IMAGE029
的第二异常程度越大，表明范围内的当前数据越可能发生异常，作为重要信息数据的可能性越大，平滑阶数应越小而阶数优选程度应越小。
进一步的，对每个时刻下的阶数从1开始每次加1进行迭代，计算每次迭代的阶数的优选程度，当第
Figure 552695DEST_PATH_IMAGE003
个时刻下的第
Figure 531015DEST_PATH_IMAGE032
次迭代的阶数优选程度在迭代过程中第一次大于第二预设阈值时停止迭代，将第
Figure 268158DEST_PATH_IMAGE033
次迭代的阶数
Figure 699139DEST_PATH_IMAGE032
作为第
Figure 796408DEST_PATH_IMAGE003
个时刻的最优阶数。
至此，得到了当前数据序列中每个时刻的最优阶数，用于平滑进而通过时间序列分解提取当前数据序列的趋势特征。
需要解释说明的是，本实施例中对序列中的元素进行操作时，可能会超出序列的左右两端边界，此时本实施例利用二次线性插值的方法将序列的左右两端边界进行差值填充数据。
步骤S004、根据各时刻的最优阶数对当前数据序列进行时间序列分解，得到每个时刻的第一趋势数据，并根据第一趋势数据间斜率变化表现获取分段点时刻，对当前数据序列划分并压缩。
需要说明的是，STL时间序列分解算法可以提取时序数据中主要趋势特征，利用趋势特征提取当前数据序列中趋势发生剧烈变化的时刻，将剧烈变化时刻作为分段点对当前数据序列进行划分，相邻分段点间的当前水流量数据变化趋势相近，通过旋转门算法进行有损压缩可以有效降低数据量，同时因为重要数据信息会引起剧烈的趋势变化，该种划分分段方法可以有效保留重要数据而不丢失。
具体的，首先获取各时刻下最优阶数范围内的每个时刻的第一异常程度，分别对每个最优阶数范围内的所有第一异常程度进行归一化处理，将得到的归一化值作为每个最优阶数范围内每个时刻的第二参考权重；根据每个时刻的最优阶数、最优阶数范围内的当前数据及第二参考权重，对每个时刻的当前数据进行平滑，并通过STL时间序列分解算法得到趋势曲线，每个时刻在趋势曲线上的对应数据记为每个时刻的第一趋势数据；需要说明的是，STL时间序列分解算法为公知技术，具体实现方法不再赘述。
进一步的，将相邻两个时刻的第一趋势数据的差值作为斜率值，计算每个时刻分别与左右两个相邻时刻的斜率值，并得到两个斜率值的差值绝对值，给出第三预设阈值
Figure DEST_PATH_IMAGE059
，本实施例采用
Figure 98077DEST_PATH_IMAGE060
，将斜率值的差值绝对值大于第三预设阈值的时刻作为分段点的时刻。
进一步的，利用旋转门算法对当前数据序列进行压缩，所述当前数据序列为时序数据序列，利用作为分段点的时刻对时序数据序列进行划分，得到每两个相邻分段点构成的一段时间的数据序列，利用旋转门压缩算法对每段数据序列进行压缩。
至此，通过STL时间序列分解对当前数据序列提取到了主要的趋势分布特征，并根据趋势分布特征的斜率变化获取分段点时刻，通过分段点划分的若干时段的数据序列经由旋转门算法完成压缩。
步骤S005、将压缩后的当前数据序列通过智能水表的NB-IOT通讯模块进行传输。
将通过旋转门算法压缩后的当前数据序列，通过安装在智能水表上的NB-IOT通讯模块将时序数据进行编码，远程传输至处理服务器中并进行存储；在对每30分钟传输的时序数据进行解压缩时，即按照传统旋转门算法进行解压，得到有损但保留了重要数据的一段时间的水流量数据。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，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NB-IOT智能水表的水流量数据传输方法，其特征在于，该方法包括以下步骤：
获取历史数据序列及当前数据序列；
根据历史数据序列中每一天数据序列与其他天数据序列之间的第一距离，得到每一天数据序列的第一参考权重，利用第一参考权重对当前数据序列中每个时刻在历史数据序列中每一天的对应时刻的数据进行权重融合，得到每个时刻的第一参考数据，将第一参考权重大于第一预设阈值的若干天数据序列中每个时刻的数据与相应第一参考权重进行权重融合，得到每个时刻的第二参考数据，根据第一参考数据与第二参考数据的差异获取每个时刻的参考波动范围；
根据当前数据序列中每个时刻分别与相邻两个时刻的数据的差异获取每个时刻的第一变化程度，根据每个时刻及相邻两个时刻的参考波动范围对第一变化程度修正获取每个时刻的第二变化程度；
根据当前数据序列中每个时刻的当前数据及参考波动范围获取每个时刻的第一异常程度，将每个时刻下任意用于趋势平滑的阶数范围内所有时刻的第一异常程度的均值，作为每个时刻下对应阶数的第二异常程度，根据第二变化程度及第二异常程度获取每个时刻下每个阶数的优选程度，根据优选程度与第二预设阈值的比较结果获取每个时刻的最优阶数；
根据每个时刻的最优阶数范围内所有时刻的第一异常程度获取每个时刻最优阶数范围内各时刻的第二参考权重，根据每个时刻的当前数据及最优阶数范围内各时刻的第二参考权重获取每个时刻的第一趋势数据，根据每个时刻的第一趋势数据之间的斜率变化获取分段点的时刻，根据作为分段点的时刻对当前数据序列进行划分得到若干分段并压缩；
将压缩后的当前数据序列通过NB-IOT通讯模块进行传输。
2.根据权利要求1所述的一种基于NB-IOT智能水表的水流量数据传输方法，其特征在于，所述获取历史数据序列中每一天的数据序列与其他天的数据序列之间的第一距离，包括的具体方法为：
历史数据序列中包括多天的数据序列，分别计算每一天数据序列与其他任意一天数据序列的DTW距离，记为第一距离；根据每一天数据序列的所有第一距离的方差表现获取每一天数据序列的第一参考权重。
3.根据权利要求1所述的一种基于NB-IOT智能水表的水流量数据传输方法，其特征在于，所述获取每个时刻的第一参考数据，包括的具体方法为：
Figure 114423DEST_PATH_IMAGE001
其中，
Figure 935749DEST_PATH_IMAGE002
表示第
Figure 455461DEST_PATH_IMAGE003
个时刻的第一参考数据，
Figure 362237DEST_PATH_IMAGE004
表示历史数据序列中共有
Figure 641908DEST_PATH_IMAGE004
天的数据序列，
Figure 317740DEST_PATH_IMAGE006
表示第
Figure 775398DEST_PATH_IMAGE008
天数据序列的第一参考权重，
Figure 169470DEST_PATH_IMAGE010
表示第
Figure 987253DEST_PATH_IMAGE008
天数据序列中第
Figure 783171DEST_PATH_IMAGE012
个时刻的数据。
4.根据权利要求1所述的一种基于NB-IOT智能水表的水流量数据传输方法，其特征在于，所述获取每个时刻的参考波动范围，包括的具体方法为：
Figure 913194DEST_PATH_IMAGE013
其中，
Figure 528983DEST_PATH_IMAGE014
表示第
Figure 150458DEST_PATH_IMAGE015
个时刻的数据波动幅值，
Figure 800882DEST_PATH_IMAGE016
表示第
Figure 600342DEST_PATH_IMAGE015
个时刻的第一参考数据，
Figure 969006DEST_PATH_IMAGE017
表示第
Figure 331854DEST_PATH_IMAGE015
个时刻的第二参考数据，将
Figure 210686DEST_PATH_IMAGE018
作为第
Figure 305681DEST_PATH_IMAGE015
个时刻的参考波动范围。
5.根据权利要求1所述的一种基于NB-IOT智能水表的水流量数据传输方法，其特征在于，所述获取每个时刻的第二变化程度，包括的具体方法为：
对于任意一个时刻及相邻两个时刻均处于对应时刻的参考波动范围内的当前数据，获取这些时刻与相邻时刻的修正差值：
Figure 20696DEST_PATH_IMAGE019
其中，
Figure 859339DEST_PATH_IMAGE020
表示第
Figure 359722DEST_PATH_IMAGE015
个时刻的当前数据与第
Figure 625618DEST_PATH_IMAGE021
个时刻的当前数据的修正差值，
Figure 827930DEST_PATH_IMAGE022
表示第
Figure 470263DEST_PATH_IMAGE015
个时刻的当前数据，
Figure 49319DEST_PATH_IMAGE023
表示第
Figure 486117DEST_PATH_IMAGE021
个时刻的当前数据，
Figure 175724DEST_PATH_IMAGE024
表示第
Figure 356170DEST_PATH_IMAGE015
个时刻的参考波动范围下限值，
Figure 831145DEST_PATH_IMAGE025
表示第
Figure 704423DEST_PATH_IMAGE015
个时刻的参考波动范围上限值，
Figure 350168DEST_PATH_IMAGE026
表示第
Figure 599884DEST_PATH_IMAGE021
个时刻的参考波动范围下限值，
Figure 162321DEST_PATH_IMAGE027
表示地
Figure 206500DEST_PATH_IMAGE021
个时刻的参考波动范围上限值；
Figure 605120DEST_PATH_IMAGE028
其中，
Figure 127369DEST_PATH_IMAGE029
表示第
Figure 311356DEST_PATH_IMAGE015
个时刻的第二变化程度，
Figure 260858DEST_PATH_IMAGE020
表示第
Figure 412354DEST_PATH_IMAGE015
个时刻的当前数据与第
Figure 472713DEST_PATH_IMAGE021
个时刻的当前数据的修正差值，
Figure 278252DEST_PATH_IMAGE030
表示第
Figure 398655DEST_PATH_IMAGE031
个时刻的当前数据与第
Figure 771867DEST_PATH_IMAGE015
个时刻的当前数据的修正差值；
对于当前数据不满足参考波动范围或相邻两个时刻任意一个不满足对应时刻的参考波动范围的时刻，这些时刻的第二变化程度值即为第一变化程度值。
6.根据权利要求1所述的一种基于NB-IOT智能水表的水流量数据传输方法，其特征在于，所述获取每个时刻的第一异常程度，包括的具体方法为：
Figure 714546DEST_PATH_IMAGE032
其中，
Figure 997760DEST_PATH_IMAGE033
表示第
Figure 413698DEST_PATH_IMAGE015
个时刻的当前数据值，
Figure 149573DEST_PATH_IMAGE022
表示第
Figure 191216DEST_PATH_IMAGE015
个时刻的当前数据，
Figure 328936DEST_PATH_IMAGE018
表示第
Figure 650196DEST_PATH_IMAGE015
个时刻的参考波动范围，
Figure 748733DEST_PATH_IMAGE025
表示第
Figure 220166DEST_PATH_IMAGE015
个时刻的参考波动范围内上限值，
Figure 337027DEST_PATH_IMAGE024
表示第
Figure 970133DEST_PATH_IMAGE015
个时刻的参考波动范围下限值。
7.根据权利要求1所述的一种基于NB-IOT智能水表的水流量数据传输方法，其特征在于，所述获取每个时刻下每个阶数的优选程度，根据优选程度与第二预设阈值的比较结果获取每个时刻的最优阶数，包括的具体方法为：
Figure 57431DEST_PATH_IMAGE034
其中，
Figure 394872DEST_PATH_IMAGE035
表示第
Figure 241605DEST_PATH_IMAGE015
个时刻下阶数
Figure 186558DEST_PATH_IMAGE036
的优选程度，
Figure 118742DEST_PATH_IMAGE029
表示第
Figure 56611DEST_PATH_IMAGE015
个时刻的第二变化程度，
Figure 757851DEST_PATH_IMAGE037
表示第
Figure 372241DEST_PATH_IMAGE015
个时刻下阶数为
Figure 791721DEST_PATH_IMAGE036
的第二异常程度，
Figure 2122DEST_PATH_IMAGE038
表示以自然常数为底的指数函数；
对每个时刻下的阶数从1开始每次加1进行迭代，计算每次迭代的阶数的优选程度，当第
Figure 698814DEST_PATH_IMAGE015
个时刻下的第
Figure 110204DEST_PATH_IMAGE039
次迭代的阶数优选程度在迭代过程中第一次大于第二预设阈值时停止迭代，将第
Figure 141614DEST_PATH_IMAGE040
次迭代的阶数
Figure 296652DEST_PATH_IMAGE039
作为第
Figure 349315DEST_PATH_IMAGE015
个时刻的最优阶数。
8.根据权利要求1所述的一种基于NB-IOT智能水表的水流量数据传输方法，其特征在于，所述获取每个时刻的第一趋势数据，包括的具体方法为：
根据获取到的每个时刻的最优阶数、以及最优阶数范围内各时刻的当前数据及第二参考权重，利用STL时间序列分解算法获取到每个时刻的第一趋势数据；所述第二参考权重即是最优阶数范围内各时刻的第一异常程度在范围内所有第一异常程度参考下的线性归一化值。
9.根据权利要求8所述的一种基于NB-IOT智能水表的水流量数据传输方法，其特征在于，所述获取分段点的时刻，包括的具体方法为：
将相邻两个时刻的第一趋势数据的差值作为斜率值，计算每个时刻与左右两个相邻时刻的斜率值的差值绝对值，将斜率值的差值绝对值大于第三预设阈值的时刻作为分段点的时刻。
10.根据权利要求9所述的一种基于NB-IOT智能水表的水流量数据传输方法，其特征在于，所述得到若干分段并压缩，包括的具体方法为：
当前数据序列为时序数据序列，利用作为分段点的时刻对时序数据序列进行划分，得到每两个相邻分段点构成的一段时间的数据序列，利用旋转门压缩算法对每段数据序列进行压缩。
CN202211688749.0A 2022-12-28 2022-12-28 一种基于nb-iot智能水表的水流量数据传输方法 Active CN115659070B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211688749.0A CN115659070B (zh) 2022-12-28 2022-12-28 一种基于nb-iot智能水表的水流量数据传输方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211688749.0A CN115659070B (zh) 2022-12-28 2022-12-28 一种基于nb-iot智能水表的水流量数据传输方法

Publications (2)

Publication Number Publication Date
CN115659070A true CN115659070A (zh) 2023-01-31
CN115659070B CN115659070B (zh) 2023-03-14

Family

ID=85022506

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211688749.0A Active CN115659070B (zh) 2022-12-28 2022-12-28 一种基于nb-iot智能水表的水流量数据传输方法

Country Status (1)

Country Link
CN (1) CN115659070B (zh)

Cited By (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115882868A (zh) * 2023-02-27 2023-03-31 深圳市特安电子有限公司 一种气体监测数据智能存储方法
CN115935296A (zh) * 2023-03-09 2023-04-07 国网山东省电力公司营销服务中心(计量中心) 一种电能数据计量方法及系统
CN115955251A (zh) * 2023-03-15 2023-04-11 北京智蚁杨帆科技有限公司 一种基于大数据应用的可再生能源智慧管理方法及系统
CN115951123A (zh) * 2023-02-28 2023-04-11 国网山东省电力公司营销服务中心(计量中心) 一种基于无线通信的电能计量方法及系统
CN116090916A (zh) * 2023-04-10 2023-05-09 淄博海草软件服务有限公司 一种企业内部采购资金核算预警系统
CN116089777A (zh) * 2023-04-10 2023-05-09 北京智蚁杨帆科技有限公司 一种基于信息智能匹配的新能源智能结算方法及系统
CN116155298A (zh) * 2023-04-20 2023-05-23 山东水运发展集团有限公司济宁分公司 一种基于互联网数据的船闸远程管理系统
CN116257735A (zh) * 2023-05-16 2023-06-13 保定思齐智科信息科技有限公司 用于智慧城市治理的数据处理方法及系统
CN116697039A (zh) * 2023-08-07 2023-09-05 德电北斗电动汽车有限公司 一种单级高速变速器的自适应控制方法及系统
CN116717734A (zh) * 2023-08-10 2023-09-08 牧马人(山东)勘察测绘集团有限公司 一种天然气管线稳态运行的数据监测方法
CN116975008A (zh) * 2023-09-22 2023-10-31 青岛海联智信息科技有限公司 一种船舶气象监测数据优化存储方法
CN117074064A (zh) * 2023-08-18 2023-11-17 浙江迪弗莱包装科技股份有限公司 基于大数据的气柱滚烫机运行监测方法
CN117435873A (zh) * 2023-12-21 2024-01-23 山东中都机器有限公司 一种基于智能喷雾降尘的数据管理方法
CN117871466A (zh) * 2024-03-12 2024-04-12 苏州安易得安全科技有限公司 一种监测数据自检的激光甲烷探测器
CN117997353A (zh) * 2024-04-07 2024-05-07 吉林省吉龙芯科技有限公司 一种水利工程水位数据处理方法
CN117990187A (zh) * 2024-04-07 2024-05-07 山东省国土空间生态修复中心(山东省地质灾害防治技术指导中心、山东省土地储备中心) 基于人工智能的地下水水位动态监测方法
CN118226841A (zh) * 2024-05-23 2024-06-21 北京七星华创微电子有限责任公司 一种现场可编程门阵列fpga的测试方法
CN118245959A (zh) * 2024-05-28 2024-06-25 山东晨硕仪表有限公司 基于物联网的智能水表运行监测方法
CN118486396A (zh) * 2024-07-16 2024-08-13 大连爱柏斯化工股份有限公司 用于硼酸三丁酯合成的数据存储方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050222775A1 (en) * 2004-04-02 2005-10-06 Saad Kisra Data compression methods and systems
CN109143974A (zh) * 2017-06-15 2019-01-04 沈阳高精数控智能技术股份有限公司 一种应用于数控机床监控领域的sdt改进方法
CN114785824A (zh) * 2022-04-06 2022-07-22 郑州润声电子科技有限公司 一种智能物联网大数据传输方法及系统
CN114840482A (zh) * 2022-04-18 2022-08-02 杭州似然数据有限公司 时序数据的有损压缩方法、解压方法、设备和存储介质

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050222775A1 (en) * 2004-04-02 2005-10-06 Saad Kisra Data compression methods and systems
CN109143974A (zh) * 2017-06-15 2019-01-04 沈阳高精数控智能技术股份有限公司 一种应用于数控机床监控领域的sdt改进方法
CN114785824A (zh) * 2022-04-06 2022-07-22 郑州润声电子科技有限公司 一种智能物联网大数据传输方法及系统
CN114840482A (zh) * 2022-04-18 2022-08-02 杭州似然数据有限公司 时序数据的有损压缩方法、解压方法、设备和存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
于松涛 等: "基于容差动态调整的旋转门(SDT)改进算法" *
于洋 等: "基于改进旋转门算法的变电站数据压缩存储方法" *

Cited By (33)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115882868B (zh) * 2023-02-27 2023-05-02 深圳市特安电子有限公司 一种气体监测数据智能存储方法
CN115882868A (zh) * 2023-02-27 2023-03-31 深圳市特安电子有限公司 一种气体监测数据智能存储方法
CN115951123A (zh) * 2023-02-28 2023-04-11 国网山东省电力公司营销服务中心(计量中心) 一种基于无线通信的电能计量方法及系统
CN115951123B (zh) * 2023-02-28 2023-06-30 国网山东省电力公司营销服务中心(计量中心) 一种基于无线通信的电能计量方法及系统
CN115935296B (zh) * 2023-03-09 2023-06-23 国网山东省电力公司营销服务中心(计量中心) 一种电能数据计量方法及系统
CN115935296A (zh) * 2023-03-09 2023-04-07 国网山东省电力公司营销服务中心(计量中心) 一种电能数据计量方法及系统
CN115955251A (zh) * 2023-03-15 2023-04-11 北京智蚁杨帆科技有限公司 一种基于大数据应用的可再生能源智慧管理方法及系统
CN116089777A (zh) * 2023-04-10 2023-05-09 北京智蚁杨帆科技有限公司 一种基于信息智能匹配的新能源智能结算方法及系统
CN116089777B (zh) * 2023-04-10 2023-06-23 北京智蚁杨帆科技有限公司 一种基于信息智能匹配的新能源智能结算方法及系统
CN116090916A (zh) * 2023-04-10 2023-05-09 淄博海草软件服务有限公司 一种企业内部采购资金核算预警系统
CN116155298A (zh) * 2023-04-20 2023-05-23 山东水运发展集团有限公司济宁分公司 一种基于互联网数据的船闸远程管理系统
CN116257735A (zh) * 2023-05-16 2023-06-13 保定思齐智科信息科技有限公司 用于智慧城市治理的数据处理方法及系统
CN116257735B (zh) * 2023-05-16 2023-07-25 保定思齐智科信息科技有限公司 用于智慧城市治理的数据处理方法及系统
CN116697039B (zh) * 2023-08-07 2023-09-29 德电北斗电动汽车有限公司 一种单级高速变速器的自适应控制方法及系统
CN116697039A (zh) * 2023-08-07 2023-09-05 德电北斗电动汽车有限公司 一种单级高速变速器的自适应控制方法及系统
CN116717734B (zh) * 2023-08-10 2023-10-20 牧马人(山东)勘察测绘集团有限公司 一种天然气管线稳态运行的数据监测方法
CN116717734A (zh) * 2023-08-10 2023-09-08 牧马人(山东)勘察测绘集团有限公司 一种天然气管线稳态运行的数据监测方法
CN117074064A (zh) * 2023-08-18 2023-11-17 浙江迪弗莱包装科技股份有限公司 基于大数据的气柱滚烫机运行监测方法
CN117074064B (zh) * 2023-08-18 2024-09-06 浙江迪弗莱包装科技股份有限公司 基于大数据的气柱滚烫机运行监测方法
CN116975008A (zh) * 2023-09-22 2023-10-31 青岛海联智信息科技有限公司 一种船舶气象监测数据优化存储方法
CN116975008B (zh) * 2023-09-22 2023-12-15 青岛海联智信息科技有限公司 一种船舶气象监测数据优化存储方法
CN117435873A (zh) * 2023-12-21 2024-01-23 山东中都机器有限公司 一种基于智能喷雾降尘的数据管理方法
CN117435873B (zh) * 2023-12-21 2024-03-08 山东中都机器有限公司 一种基于智能喷雾降尘的数据管理方法
CN117871466B (zh) * 2024-03-12 2024-05-24 苏州安易得安全科技有限公司 一种监测数据自检的激光甲烷探测器
CN117871466A (zh) * 2024-03-12 2024-04-12 苏州安易得安全科技有限公司 一种监测数据自检的激光甲烷探测器
CN117990187A (zh) * 2024-04-07 2024-05-07 山东省国土空间生态修复中心(山东省地质灾害防治技术指导中心、山东省土地储备中心) 基于人工智能的地下水水位动态监测方法
CN117997353B (zh) * 2024-04-07 2024-06-18 吉林省吉龙芯科技有限公司 一种水利工程水位数据处理方法
CN117997353A (zh) * 2024-04-07 2024-05-07 吉林省吉龙芯科技有限公司 一种水利工程水位数据处理方法
CN118226841A (zh) * 2024-05-23 2024-06-21 北京七星华创微电子有限责任公司 一种现场可编程门阵列fpga的测试方法
CN118226841B (zh) * 2024-05-23 2024-07-26 北京七星华创微电子有限责任公司 一种现场可编程门阵列fpga的测试方法
CN118245959A (zh) * 2024-05-28 2024-06-25 山东晨硕仪表有限公司 基于物联网的智能水表运行监测方法
CN118486396A (zh) * 2024-07-16 2024-08-13 大连爱柏斯化工股份有限公司 用于硼酸三丁酯合成的数据存储方法
CN118486396B (zh) * 2024-07-16 2024-09-06 大连爱柏斯化工股份有限公司 用于硼酸三丁酯合成的数据存储方法

Also Published As

Publication number Publication date
CN115659070B (zh) 2023-03-14

Similar Documents

Publication Publication Date Title
CN115659070B (zh) 一种基于nb-iot智能水表的水流量数据传输方法
CN110263866A (zh) 一种基于深度学习的电力用户负荷区间预测方法
CN116089846A (zh) 一种基于数据聚类的新能源结算数据异常检测与预警方法
CN115882868B (zh) 一种气体监测数据智能存储方法
CN112070322B (zh) 基于长短期记忆网络的高压电缆线路运行状态预测方法
CN108540136B (zh) 一种适用于农业传感数据的压缩方法
Simpson et al. Modelling business cycle movements in the UK economy
CN113672606B (zh) 油色谱监测数据质量评价方法
CN117290364B (zh) 一种市场调查数据智能存储方法
CN108805351A (zh) 基于线性回归算法的房价预测方法及系统、存储介质
CN110597880A (zh) 一种用水模式挖掘和匹配的方法，系统和设备
CN110621026A (zh) 一种基站流量多时刻预测方法
CN111178585A (zh) 基于多算法模型融合的故障接报量预测方法
CN117764290B (zh) 一种水利工程施工用bim模型数据管理方法
CN111080472A (zh) 一种电力系统负荷预测和分析方法
CN117708625B (zh) 一种乏数据背景下大坝监测历史数据填补方法
CN116401516A (zh) 一种基于深度学习的电力负荷异常数据检测与修正方法
CN116050595A (zh) 一种注意力机制与分解机制耦合的径流量预测方法
CN118536082A (zh) 基于人工智能的逆变器故障预测方法、装置、终端设备及存储介质
CN117792404A (zh) 一种用于铝合金压铸零件的数据管理方法
CN117236571A (zh) 一种基于物联网的规划方法和系统
CN115713044B (zh) 一种多工况切换下的机电设备剩余寿命分析方法和装置
CN115422264B (zh) 一种时序数据处理方法、装置、设备及可读存储介质
CN113674014B (zh) 一种配电线路日线损率预测方法和系统
CN115456260A (zh) 客服话务量预测方法

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
GR01 Patent grant
GR01 Patent grant