CN116208674B - 上传采样数据的方法及电子设备 - Google Patents

Abstract

本申请提供一种上传采样数据的方法及电子设备，该方法包括：接收来自于云端设备的第一信息，第一信息包括至少一个采样任务的采样优先级和云端设备在发送第一信息时的数据上传峰值信息，数据上传峰值信息包括至少一个峰值时间段，在每个峰值时间段内，采样数据上传的数据量大于或等于预设数据量阈值；根据终端设备已采样数据的情况和采样优先级，确定至少一个采样任务中每个采样任务的数据上传优先级；根据数据上传优先级和数据上传峰值信息，上传采样数据。该方案能够做到采样数据的按照优先级上云，以及在合理时间段的上云，从而有效改善上传不均衡的问题，且能实现优先级更高的数据优先上云，从而避免相对重要的采样数据的丢失。

Description

上传采样数据的方法及电子设备

技术领域

本申请涉及智慧数据中台技术领域，尤其涉及一种上传采样数据的方法及电子设备。

背景技术

数据中台可以理解为是通过数据技术，对海量数据进行采集、计算、存储、加工等一系列处理的平台。换而言之，智慧数据中台旨在为各类智慧业务提供数据采集、存储和分析的能力，方便算法人员获取业务数据后，对数据进行特征提取、分析，以及将处理后的数据用来训练各类智慧业务需要的个人模型和群体模型。

基于上述背景可知，数据的获取和分析决定了上层各类智慧业务最终的实现效果。为了方便获取各类业务数据，数据中台提供了采样任务的配置和下发的功能，在云端设备（云侧设备）配置采样策略并下发给端侧，终端设备（端侧设备）获取采样策略后按照采样策略采集数据，并将数据上传至数据中台的数据存储模块，也就是数据湖中存储，让云侧获取的各类业务数据尽可能满足上层业务的需求。但是对于上传策略，目前却只有一种方式：当检测到用户充电灭屏且处于无线网（例如WiFi）连接状态时，立刻将采样数据上传至云侧。

在实际中发现，目前的这种上传策略会导致上传不均衡，某些时间段数据上传量暴增，某些时间段数据上传量又骤减，例如会在晚间大部分人的睡前这段时间暴增，给云端设备对数据的处理和吞吐量带来了较大的冲击，而且在数据量暴增的时间段，还可能导致部分重要的采样数据的丢失。

因此，如何更好的上传采样数据，以改善上传不均衡导致的处理压力和数据丢失问题是亟待解决的技术问题。

发明内容

本申请提供一种上传采样数据的方法及电子设备，能够有效改善上传不均衡导致的处理压力和数据丢失问题。

第一方面，提供了一种上传采样数据的方法，应用于终端设备，该方法包括：接收来自于云端设备的第一信息，第一信息包括至少一个采样任务的采样优先级和云端设备在发送第一信息时的数据上传峰值信息，数据上传峰值信息包括至少一个峰值时间段，在每个峰值时间段内，采样数据上传的数据量大于或等于预设数据量阈值；根据终端设备已采样数据的情况和采样优先级，确定至少一个采样任务中每个采样任务的数据上传优先级；根据数据上传优先级和数据上传峰值信息，上传采样数据。

在本申请技术方案中，主要通过云端设备下发采样优先级和数据上传峰值，终端设备结合自身采样情况和采样优先级来确定数据上传优先级，并且在上传数据的时候还会综合考虑数据上传优先级和峰值情况，从而能够做到采样数据的按照优先级上云，以及在合理时间段的上云，从而有效改善上传不均衡的问题，且能实现优先级更高的数据优先上云，从而避免相对重要的采样数据的丢失。

在本申请技术方案中，终端设备综合考虑了峰值时间段的预估情况（数据上传峰值信息中包括的至少一个峰值时间段）和数据上传优先级，来确定上传策略，以及按照确定好的上传策略上传数据。

数据上传峰值信息可以理解为用来告诉终端设备一天中的哪些时间段是数据上传的高峰时段。数据上传峰值信息可以是云端设备通过对前一天的数据上传情况进行统计得到的一些高峰时间段。由于数据上传是会发生在未来的时间里，所以对于数据高峰时间段的预测越准确，利用本申请方案去削减高峰时间段的时候效果就越好，为了提高对于高峰时间段的预测准确性，云端设备还可以通过统计很多天（例如一个月、两个月、一周、两周等）的数据上传的高峰时段的均值，来作为当前的数据上传峰值信息。此外，还可以通过建立预测模型，以及利用足量统计数据来训练该模型，从而得到一个能够较准确预测从当前时刻开始未来一天内的数据上传峰值信息的预测模型。

可选地，终端设备还结合用户的充电习惯进行数据上传，也就是说，综合上述数据上传优先级、数据上传峰值信息以及用户的充电时间段三个因素去确定何时、怎样上传采样数据。

结合第一方面，在第一方面的某些实现方式中，在根据数据上传优先级和数据上传峰值信息，上传采样数据时，可以包括：

根据终端设备的至少一个充电时间段和数据上传峰值信息，确定至少一个可上传采样数据时间段，至少一个充电时间段是利用充电习惯模型预测得到的终端设备在一天中处于充电状态的至少一个时间段；

根据待上传的采样数据需要的上传次数和至少一个可上传采样数据时间段，确定上传采样数据的至少一个目标时间段；

当检测到终端设备处于充电状态时，按照数据上传优先级，在至少一个目标时间段内上传待上传的采样数据。

在一个例子中，上述充电状态为充电、灭屏且连接无线网络的状态。

在另一个例子中，充电习惯模型是利用终端设备的充电状态的起止时间的历史统计数据训练得到的。也就是利用用户的充电习惯的学习，来预测用户的一天中的至少一个充电起止时间段。

结合第一方面，在第一方面的某些实现方式中，上述方法还包括：

当充电习惯模型预测得到的第一充电时间段的起始时间与终端设备进入充电状态时的实际起始时间之间的差值在起始时间偏差预设范围内时，将充电习惯模型中的第一充电时间段的起始时间更新为第一充电时间段的起始时间与终端设备进入充电状态时的实际起始时间的中间值；和/或，

当充电习惯模型预测得到的第一充电时间段的结束时间与终端设备进入充电状态时的实际结束时间之间的差值在结束时间偏差预设范围内时，将充电习惯模型中的第一充电时间段的结束时间更新为第一充电时间段的结束时间与终端设备进入充电状态时的实际结束时间的中间值。

这样的好处是，当用户的充电习惯发生改变时，按照上述更新机制进行更新，能够使得充电习惯模型学习到新的充电习惯，并且，这种学习方式，兼顾了历史统计数据和新增数据对于预测准确性的影响，对于用户只是偶然的习惯改变，不会造成后续估计的过大偏差，而对于用户虽然骤变但后续较长时间内一直会按照骤变后的时间段充电的时候，也能够随着更新次数的增加，最终学习到新的充电习惯。

另外，在这种情况下，为了进一步提高充电习惯模型的预测准确性，可以在充电习惯模型连续多次没有发生更新的时候，将充电习惯模型的参数进行重置。

在一个例子中，当充电习惯模型的参数连续N天及以上没有发生更新时，将充电习惯模型的参数进行重置，N为大于或等于3的实数。因为当充电习惯模型预测相对准确的时候，预测值和真实值之间的差值会满足更新条件，就会发生更新，虽然可能更新后的数值不会变化，但更新这件事情会发生，而这个例子中，没有发生更新就是因为预测值与实际值之间的差距过大，而且是连续多次差距过大，此时可以重置参数，重新学习。例如，可以是当连续两天及以上都没有预测准，就直接重置参数，因为一两天不准可能只是偶然，但连续三天即为对于以上就可能是有稳定在新的充电时间段的趋势了。

结合第一方面，在第一方面的某些实现方式中，上述根据终端设备的至少一个充电时间段和数据上传峰值信息，确定至少一个可上传采样数据时间段的步骤，可以包括：

当至少一个充电时间段与至少一个峰值时间段存在交集时，通过预设随机概率，使得至少一个充电时间段按照预设随机概率去除与至少一个峰值时间段存在交集的部分，从而得到至少一个可上传采样数据时间段；或者，

当至少一个充电时间段与至少一个峰值时间段不存在交集时，将至少一个充电时间段确定为至少一个可上传采样数据时间段。

也就是说，可以通过设置随机概率来使得可上传采样数据时间段可能包括峰值时间段也可能不包括峰值时间段，从而在削减了峰值时间段的数据上传压力的同时，还能避免采用简单粗暴的全部避开峰值时间段的方式时会导致原峰值时间段成了低谷时间段，上传不均衡依然存在，并且可能产生新的峰值时间段。

结合第一方面，在第一方面的某些实现方式中，预设随机概率是通过设置随机数的方式实现的。设置随机数是一种相对简单的实现概率随机的方式，相比于设置多个状态量，再计算每个状态量的随机分布和概率等其他能够实现预设随机概率的方式而言，在满足本申请方案的需求的情况下更加简单。

结合第一方面，在第一方面的某些实现方式中，上述根据待上传的采样数据需要的上传次数和至少一个可上传采样数据时间段，确定上传采样数据的至少一个目标时间段，可以包括：根据待上传的采样数据的数据量确定待上传文件个数；

将待上传文件个数和数据上传次数的预设阈值中的最小值确定为上传次数；

根据上传次数，对至少一个可上传采样数据时间段进行切分，得到至少一个目标时间段。

这种实现方式，是按照需要上传数据的数据量的大小，确定分成几个文件合适，然后按照文件个数和上述数据上传次数的预设阈值来确定上传次数，以及按照确定好的上传次数来从可用的时间段里且分出相应数量的目标时间段。这样的方式得到的目标时间段满足上传需求，且充分利用了所有可用时间段，相比于传统方案在充电发生那刻就一直上传到结束而言，能更加合理利用整个充电时间段，而不是只利用到刚充电的较短的一段时间，所以可以有效解决上传不均衡的问题。

结合第一方面，在第一方面的某些实现方式中，上述根据终端设备已采样数据的情况和采样优先级，确定至少一个采样任务中每个采样任务的数据上传优先级的步骤，可以包括：

当终端设备接收到的至少一个采样任务的采样优先级中，所有采样任务的采样优先级均互不相同时，将采样优先级确定为数据上传优先级；或者，

当终端设备接收到的至少一个采样任务的采样优先级中，存在至少两个采样任务的采样优先级相同时，利用已采样数据的情况对采样优先级进行调整，将调整后的采样优先级确定为数据上传优先级。

这种方式能够对采样优先级相同的采样任务进行二次调整。

需要说明的是，在云端设备侧，确定采样优先级的时候，剩余时长占比越高，采样优先级的数值越高，是因为剩余时长越长，越说明当前云端设备所收集到的该采样任务的数据量越少，对数据量的采样需求也就越高。但是在终端设备侧，利用已采样数据的情况去调整采样优先级的排序的时候，剩余时间越短，越说明已经采样了还没上传的数据量越多，所以上传的迫切程度也越高，因为这些数据是云端设备侧更紧缺而终端设备却采集到的更多。所以在云端设备对于多个采样任务的优先级需求相同的时候（这多个采样任务的采样优先级存在相等的情况），按照终端设备哪个采样任务采集的数据量越多，就哪个采样任务的优先级越高去二次调整，就能够使得最后确定的数据上传优先级更加合理。

结合第一方面，在第一方面的某些实现方式中，已采样数据的情况包括已采样数据对应的采样任务的剩余采样时长和已采样数据对应的采样任务的已采样数据量中的至少一项；上述当终端设备接收到的至少一个采样任务的采样优先级中，存在至少两个采样任务的采样优先级相同时，利用已采样数据的情况对采样优先级进行调整，将调整后的采样优先级确定为数据上传优先级的步骤，可以包括：

将采样优先级相同的至少两个采样任务中，剩余采样时长较短的采样任务的采样优先级调整为高于剩余采样时长较长的采样任务的采样优先级；或者，

将采样优先级相同的至少两个采样任务中，已采样数据量较多的采样任务的采样优先级调整为高于已采样数据量较少的采样任务的采样优先级。

也就是说给出了两种会调整优先级的时候的具体操作的示例。

由于会在上传采样数据的时候就按照这个数据上传优先级依次上传，所以对于云端设备而言，较早接收的采样数据的数据上传优先级高于较晚接收到的采样数据的数据上传优先级。而如果希望云端设备能够准确直接的获知数据上传优先级，还可以向云端设备发送该数据上传优先级，这样云端设备就可以根据接收到的数据上传优先级来判断接收到的采样数据的优先级的高低了。

第二方面，提供了一种上传采样数据的方法，应用于云端设备，该方法包括：根据每个采样任务的剩余采样时长在总采样时长中的占比，确定每个采样任务的采样优先级；向至少一个终端设备发送第一信息，第一信息包括至少一个采样任务的采样优先级和在发送第一信息时的数据上传峰值信息，第一信息用于指导至少一个终端设备进行采样数据的上传；数据上传峰值信息包括至少一个峰值时间段，在每个峰值时间段内，采样数据上传的数据量大于或等于预设数据量阈值。

在本申请技术方案中，主要通过云端设备下发采样优先级和数据上传峰值，终端设备结合自身采样情况和采样优先级来确定数据上传优先级，并且在上传数据的时候还会综合考虑数据上传优先级和峰值情况，从而能够做到采样数据的按照优先级上云，以及在合理时间段的上云，从而有效改善上传不均衡的问题，且能实现优先级更高的数据优先上云，从而避免相对重要的采样数据的丢失。

在云端设备侧会对所有的采样任务中每个采样任务都按照其剩余采样时长在总采样时长中的占比设置采样优先级。此处的优先级可以看成是默认优先级，用于区分下文中的通过用户的设置操作实现的人为设定的自定义优先级。

默认优先级的好处是，已采样量较少的采样任务更优先被采样，而已采样量较多的采样任务不优先采样。也就是说，对于已经大量采样的采样任务，还需要收集的数据量相对较少了，所以可以将采样数据的上传机会优先让给已采样数据量相对较少，还需要大量采样的采样任务。

结合第二方面，在第二方面的某些实现方式中，上述方法还包括：

当获取到用户对第一采样任务的设置操作时，将第一采样任务的采样优先级按照设置操作调高。

第一采样数据可以认为是云端设备中的所有采样任务中的任意一个，也就是说，所有的采样任务的默认优先级都可以被修改。而第一采样任务就是被修改成了优先级高于默认优先级的自定义优先级。

定义优先级则可以认为是，用户按照自身喜好或者需求，通过设置操作，去手动修改某个或某些采样任务的默认优先级，修改后的采样优先级就可以称之为自定义优先级。

上述实现方式实现了只针对用户特殊设置的采样任务去修改优先级，由于所有采样任务已经拥有默认优先级了，而且默认优先级的设置原则也很合理，所以只需要改变个别项修改的采样任务的优先级即可。而且此处修改只能用于调高优先级，不调高则继续采用默认优先级，这样的好处是在能够整体上满足采样任务的采样需求的前提下，还能兼顾到用户的个性化需求。因为如果完全设置成纯自定义优先级，全靠用户的任意设置，这种任意性可能会导致很多采样任务优先级被设置的很低，采样的数据无法满足该采样任务的数据量需求。

例如，用户可能是通过查看数据中台发现数据中台中某个采样任务的已采集数据量不满足预期，但按照上述默认优先级的计算方式，该采样任务的采样优先级又太低，所以就通过设置操作，手动调高这个采样任务的优先级。但应理解，这样的操作，对于一些默认优先级计算下来数值较大的采样任务，也不会因为手动设置而变成优先级太低的采样任务，所以上述这种只针对性的调高优先级是更加合理的调整方式。

结合第二方面，在第二方面的某些实现方式中，上述方法还包括：

接收来自于至少一个终端设备的采样数据和至少一个终端设备的数据上传优先级；

当同时接收到的采样数据的数据量总和小于或等于流量阈值对应的数据量时，将所有接收到的采样数据均进行存储；或者，

当同时接收到的采样数据的数据量总和大于流量阈值对应的数据量时，按照每个终端设备的数据上传优先级，对每个终端设备上传的采样数据分别进行存储。

在该实现方式中，云端设备会先判断数据量是否超过流量阈值，如果没超，说明云端设备处理能力足够处理所有数据，而如果超了则说明云端设备有一定的处理压力，所以在超了的情况下才去结合数据上传优先级进一步处理。能够减少当没有超过流量阈值的时候的后续处理，提高处理效率，且能够在不超过流量阈值的时候是直接全部存储，响应速率也会更快。

应理解，超过了流量阈值并不是说云端设备就无法再接收了，而是说该时段的数据量对云端设备来说是有一定处理压力的，可能会影响处理速率，但依然是可以继续接收和存储后续数据的，只是会因为数据量较大，导致处理速率缓慢，严重的时候可能会导致部分数据的丢失。

结合第二方面，在第二方面的某些实现方式中，上述当同时接收到的采样数据的数据量总和大于流量阈值对应的数据量时，按照每个终端设备的数据上传优先级，对每个终端设备上传的采样数据分别进行存储的步骤，可以包括：

将每个终端设备上传的采样数据中的第一采样数据进行数据解析和存储，第一采样数据的数据上传优先级高于第二采样数据的数据上传优先级，第一采样数据的数据量小于或等于流量阈值对应的数据量，第二采样数据为上述每个终端设备上传的采样数据中除第一采样数据之外的采样数据。

在该实现方式中优先解析和存储数据上传优先级较高的采样任务的采样数据，或者说，在流量阈值不够的情况下，让数据上传优先级较高的采样任务的采样数据（即上述第一采样数据）相比于数据上传优先级较低的采样任务的采样数据（即上述第二采样数据）更能够先处理。

在该实现方式中，可以设置数据采样优先级阈值，将高于该数据采样优先级阈值的采样任务的采样数据作为第一采样数据，将低于该数据采样优先级阈值的采样任务的采样数据作为第二采样数据。

结合第二方面，在第二方面的某些实现方式中，上述方法还包括：将第二采样数据进行丢弃。对于数据上传优先级较低的采样数据直接丢弃，而不再进行解析和后续的存储处理，能够省掉对其解析的操作，进一步提高处理效率。但应理解，第二采样数据也可以不丢弃的，而是将其放在所有第一采样数据处理完之后再处理，但是这种处理方式会导致第二采样数据占用了缓存空间。

结合第二方面，在第二方面的某些实现方式中，上述将每个终端设备上传的采样数据中的第一采样数据进行数据解析和存储的步骤，可以包括：

将解析后的第一采样数据中的第三采样数据进行存储，第三采样数据对应的采样任务的采样优先级高于第四采样数据对应的采样任务的采样优先级，第四采样数据为解析后的第一采样数据中除第三采样数据之外的采样数据。

在该实现方式中，是进一步利用采样优先级对已经解析过的第一采样数据进行筛选，优先存储采样优先级较高的采样数据，能够再进一步提高处理效率，以及让相对重要的数据优先被存储。

结合第二方面，在第二方面的某些实现方式中，上述方法还包括：将第四采样数据进行丢弃。再次丢弃优先级（此处为采样优先级）较低的采样数据，能够进一步提高处理效率，减小存储压力。

结合第二方面，在第二方面的某些实现方式中，上述将每个终端设备上传的采样数据中的第一采样数据进行数据解析和存储的步骤，可以包括：

将解析后的第一采样数据中的第五采样数据进行存储，第五采样数据的采集进度满足预设条件，采集进度包括剩余采样时长和/或已采样数据量。按照采集进度进一步筛选，能够再进一步提高处理效率，以及让采集进度更优的数据优先被存储。

结合第二方面，在第二方面的某些实现方式中，上述方法还包括：将解析后的第一采样数据中除第五采样数据之外的采样数据进行丢弃。再次丢弃不满足采集进度的采样数据，能够进一步提高处理效率，减小存储压力。

第三方面，提供了一种终端设备，该装置包括由软件和/或硬件组成的用于执行第一方面中的任意一种方法的单元。

第四方面，提供了一种云端设备，该装置包括由软件和/或硬件组成的用于执行第二方面中的任意一种方法的单元。

第五方面，提供了一种电子设备，包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，当处理器执行计算机程序时能够实现第一方面或第二方面中的任意一种方法。

第六方面，提供了一种芯片，包括处理器，该处理器用于读取并执行存储在存储器中的计算机程序，当计算机程序被处理器执行时能够实现第一方面或第二方面中的任意一种方法。

可选地，该芯片还包括存储器，存储器与处理器电连接。

可选地，该芯片还可以包括通信接口。

第七方面，提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机程序，当计算机程序被处理器执行时能够实现第一方面或第二方面中的任意一种方法。

第八十方面，提供了一种计算机程序产品，该计算机程序产品包括计算机程序，当计算机程序被处理器执行时能够实现第一方面或第二方面中的任意一种方法。

第九方面，提供了一种数据采样系统，数据采样系统包括至少一个终端设备和至少一个云端设备，至少一个终端设备用于执行第一方面任一项的方法的步骤，至少一个云端设备用于执行第二方面任一项的方法的步骤。也就是说，该至少一个终端设备为第三方面任意一种终端设备，该至少一个云端设备为第四方面任意一种云端设备。

附图说明

图1是本申请实施例的一种适用场景的示意图。

图2是一种云端服务器的一天周期内的接收数据的接口的被调用次数的分布情况示意图。

图3是本申请实施例的一种上传采样数据的方法的示意性流程图。

图4是本申请实施例的一种云端设备的执行过程的示意性流程图。

图5是传统方案和本申请方案的上传采样数据的执行过程的比较图。

图6是本申请实施例的一种上传采样数据的装置的示意图。

图7是本申请实施例的一种电子设备的硬件结构的示意图。

具体实施方式

下面结合附图对本申请实施例的方案进行介绍。

图1是本申请实施例的一种适用场景的示意图。如图1所示，至少一个终端设备110上报采样数据给云端设备120。云端设备120对这些上报的采样数据进行存储、分析和加工等处理，以满足各类智慧业务的需求。

在本申请实施例中，终端设备可以是手机、智能手表、平板电脑、笔记本电脑、XR终端、车载终端、只能穿戴设备等。XR终端还可以包括虚拟现实（virtual reality，VR）终端、增强现实（augmented reality，AR）终端和混合现实（mixed reality，MR）终端。云端设备可以是云端服务器、主机、电脑等能够具备数据中台相应功能的设备。

终端设备110可以根据云端设备120下发的采样任务或策略进行采样，例如需要采集什么样的数据，以及按照什么采样频率采集等。而终端设备110还需要将采集到的各类采样数据上传到云端设备120。

由于采样数据的上传会消耗电量和利用网络传输，所以传统方案中默认的上传采样数据的时机就是在检测到终端设备处于充电、灭屏且连接了WIFI等无线网络的情况下立刻进行上传。这样的操作是因为这种情况下，终端设备电量能够充足且不影响用户后续使用（在充电）、用户没有在使用终端设备（灭屏）而且不会产生流量费用（连接了无线网络），所以传统方案是一种为了尽可能不影响用户使用体验的前提下的上传策略。

虽然这种传统方案的上传策略具有上述优点，但是这种默认的上传策略却也带来了新的弊端，由于这个采样数据的上传是一种群体行为，而由于群体行为的某些一致性，会导致数据上传在时间分配上的不均衡，也就是在一天中的一些时间段数据量会非常多，而在一些时间段又出现数据量非常少的情况。例如，在晚间9-12点之间，是很多人准备睡觉的时间，而且会给手机、平板电脑等终端设备充上电，然后休息。就导致这段时间，大量的采样数据上传到云端设备，给云端设备带来了很大的处理压力，而且当数据量特别多的时候，还会导致相对重要的数据的丢失。

还应理解，传统方案是一旦检测到终端设备处于充电、灭屏和连接无线网络的状态就立刻进行无区别的数据上传，假设这种充电状态整个时长有几个小时的话，很容易出现充电状态前一小时数据集中上传，而充电状态的后几小时不再上传数据，而由于群体性的入睡时间相对集中，才会导致上述峰值情况的大爆发问题。

为了便于理解，下面结合图2进行进一步解释。图2是一种云端服务器的一天周期内的接收数据的接口的被调用次数的分布情况示意图。从图2中可以看出，假设以300万（图示的3.00mil）次为分界线，19:00-00:00、06:00-08:00以及16:30-17:30都是超过300万次调用的时间段，可以将这几个时间段看成是峰值时间段的一个示例。假设以150万次（图示的1.5mil）次为分界线，02:30-05:00则是低于150万次调用的时间段，可以将其看成是低谷时间段的一个示例。而且由于19:00-00:00这个峰值时间段之后就是一直骤减到02:30-05:00这个低谷时间段，所以就出现了图2所示的上传不均衡的情况。但应理解，上述分界线只是示例作用，在实际情况中，什么情况属于峰值是可以根据云端设备的处理能力和实际的数据上传情况进行设置的。

针对上述问题，本申请提供一种上传采样数据的方法，云端设备下发采样优先级和数据上传峰值，终端设备结合自身采样情况和采样优先级来确定数据上传优先级，并且在上传数据的时候还会综合考虑数据上传优先级和峰值情况，从而能够做到采样数据的按照优先级上云，以及在合理时间段的上云，从而有效改善上传不均衡的问题，且能实现优先级更高的数据优先上云，从而避免相对重要的采样数据的丢失。

需要说明的是，虽然可以只通过设置优先级的方式而不考虑上传峰值去上传采样数据，但这种上传方式只能一定程度上缓解峰值期间的重要数据的丢失问题，却依然没有解决上传不均衡的问题。而如果只通过错开峰值期间的方式而不考虑数据优先级，这虽然会有效去除了原先的峰值，但也可能会产生新的峰值，所以并不能从根本上解决上传不均衡的问题，而且也无法解决相对重要的数据的丢失问题。而本申请则是通过云侧设置优先级、端侧按照实际情况对优先级调整之后再结合峰值情况进行上传，从而能够有效解决上传不均衡导致的处理压力大和重要数据丢失风险高的技术问题。

图3是本申请实施例的一种上传采样数据的方法的示意性流程图。下面对图3所示步骤进行介绍。

S301、云端设备根据每个采样任务的剩余采样时长在总采样时长中的占比，确定每个采样任务的采样优先级。

在云端设备侧会对所有的采样任务中每个采样任务都按照其剩余采样时长在总采样时长中的占比设置采样优先级。此处的优先级可以看成是默认优先级，用于区分下文中的通过用户的设置操作实现的人为设定的自定义优先级。

每个采样任务的默认优先级可以满足公式P_T=R_N/T_N，P_T的取值范围为[0,1]，其中R_N表示任务T的剩余采样时长，T_N表示任务T的总采样时长，P_T表示任务T的采样优先级，此处为默认优先级。

默认优先级的好处是，已采样量较少的采样任务更优先被采样，而已采样量较多的采样任务不优先采样。也就是说，对于已经大量采样的采样任务，还需要收集的数据量相对较少了，所以可以将采样数据的上传机会优先让给已采样数据量相对较少，还需要大量采样的采样任务。

自定义优先级则可以认为是，用户按照自身喜好或者需求，通过设置操作，去手动修改某个或某些采样任务的默认优先级，修改后的采样优先级就可以称之为自定义优先级。

在一种实现方式中，当获取到用户对第一采样任务的设置操作时，将第一采样任务的采样优先级按照设置操作调高。

第一采样数据可以认为是云端设备中的所有采样任务中的任意一个，也就是说，所有的采样任务的默认优先级都可以被修改。而第一采样任务就是被修改成了优先级高于默认优先级的自定义优先级。

上述实现方式实现了只针对用户特殊设置的采样任务去修改优先级，由于所有采样任务已经拥有默认优先级了，而且默认优先级的设置原则也很合理，所以只需要改变个别项修改的采样任务的优先级即可。而且此处修改只能用于调高优先级，不调高则继续采用默认优先级，这样的好处是在能够整体上满足采样任务的采样需求的前提下，还能兼顾到用户的个性化需求。因为如果完全设置成纯自定义优先级，全靠用户的任意设置，这种任意性可能会导致很多采样任务优先级被设置的很低，采样的数据无法满足该采样任务的数据量需求。

例如，用户可能是通过查看数据中台发现数据中台中某个采样任务的已采集数据量不满足预期，但按照上述默认优先级的计算方式，该采样任务的采样优先级又太低，所以就通过设置操作，手动调高这个采样任务的优先级。但应理解，这样的操作，对于一些默认优先级计算下来数值较大的采样任务，也不会因为手动设置而变成优先级太低的采样任务，所以上述这种只针对性的调高优先级是更加合理的调整方式。

在一个例子中，采样优先级包括高优先级（high）、中优先级（medium）和低优先级（low）三个优先级，高优先级和中优先级均为固定值设置，且高优先级的数值大于中优先级的数值，低优先级的数值即为默认优先级，也就是上文中的P_T。例如，可以将高优先级的优先级数值设置为1，中优先级的优先级数值设置为2/3，低优先级的优先级数值设置为P_T，即P_TC=1时为高优先级，P_TC=2/3时为中优先级，P_TC=P_T时为低优先级，P_TC表示自定义优先级。

可以看出，在这个例子中并不是简单粗暴的将所有优先级设置成一个取值范围，而是只针对用户有设置操作的采样任务去设置对应的固定值，而用户没有设置操作的采样任务则采用默认优先级。继续以上述例子为例，假设用户将任务A的采样优先级设置为中优先级，那么任务A的P_TC值从P_T变成了2/3，假设用户将任务B的采样优先级设置为高优先级，那么任务B的P_TC值从P_T变成了1，假设任务C是没有获取到用户对其设置操作的，那么任务C的P_TC值就是P_T。

S302、云端设备向至少一个终端设备发送第一信息。

终端设备则接收来自于云端设备的第一信息。

第一信息包括至少一个采样任务的采样优先级和云端设备在发送第一信息时的数据上传峰值信息，数据上传峰值信息包括至少一个峰值时间段，在每个峰值时间段内，采样数据上传的数据量大于或等于预设数据量阈值。

也就是说，此处下发的某个采样任务的采样优先级可能是上述默认优先级，也可能是自定义优先级。但对于终端设备来说不需要区分这个采样优先级到底是有没有经过调整，只需要按照获取到的这至少一个采样任务的采样优先级去执行后续操作即可。

数据上传峰值信息可以理解为用来告诉终端设备一天中的哪些时间段是数据上传的高峰时段。数据上传峰值信息可以是云端设备通过对前一天的数据上传情况进行统计得到的一些高峰时间段。由于数据上传是会发生在未来的时间里，所以对于数据高峰时间段的预测越准确，利用本申请方案去削减高峰时间段的时候效果就越好，为了提高对于高峰时间段的预测准确性，云端设备还可以通过统计很多天（例如一个月、两个月、一周、两周等）的数据上传的高峰时段的均值，来作为当前的数据上传峰值信息。此外，还可以通过建立预测模型，以及利用足量统计数据来训练该模型，从而得到一个能够较准确预测从当前时刻开始未来一天内的数据上传峰值信息的预测模型。

在一个例子中，数据上传峰值信息表示为S={（h _1s，h _1e），（h _2s，h _2e），…，（h _ks，h _ke）}，也就是说，包括了k个峰值时间段，k为正整数。h _is表示第i个峰值时间段的起始（start）时间，h _ie表示第i个峰值时间段的结束（end）时间。

S303、终端设备根据已采样数据的情况和采样优先级，确定每个采样任务的数据上传优先级。

已采样数据的情况例如可以包括已采样数据中每个采样任务的剩余采样天数或者是已采样数据量。步骤S303主要能够针对出现了多个采样任务的采样优先级相同的时候，就可以根据这多个采样任务的已采样情况，例如剩余采样天数和/或已采样数据量，来对这多个采样任务进行二次排序，从而得到上述数据上传优先级。

在一个例子中，当终端设备接收到的至少一个采样任务的采样优先级中，所有采样任务的采样优先级均互不相同时，可以将采样优先级直接确定为上述数据上传优先级。例如，假设终端设备A接收到了ABC三个采样任务的采样优先级，也就是需要执行ABC这三项采样任务的数据采集和上传，假设接收到的采样优先级是P_A>P_B>P_C，也就是任务A的采样优先级高于任务B的采样优先级，任务B的采样优先级高于任务C的采样优先级，此时就可以将采样优先级P_A>P_B>P_C确定为后续的数据上传优先级，也就是后续数据上传优先级依然是P_A>P_B>P_C。

在另一个例子中，当终端设备接收到的至少一个采样任务的采样优先级中，存在至少两个采样任务的采样优先级相同时，可以利用已采样数据的情况对采样优先级进行调整，将调整后的采样优先级确定为上述数据上传优先级。例如，假设终端设备A接收到了ABC三个采样任务的采样优先级，也就是需要执行ABC这三项采样任务的数据采集和上传，假设接收到的采样优先级是P_A≥P_B>P_C，也就是任务A的采样优先级高于或等于任务B的采样优先级，任务B的采样优先级高于任务C的采样优先级，此时就可以利用已采样数据的情况对任务A和任务B进行二次排次（调整），假设任务A的剩余采样时长为40天，任务B的剩余采样时长为30天，则经过二次排序（调整）后，采样优先级变成了P_B>P_A>P_C，数据上传优先级确定为是P_B>P_A>P_C。应理解，该例子中的数值只是为了便于理解方案，不存在限定，已采样数据的情况也可以采用已采样数据量。

在一个例子中，已采样数据的情况包括已采样数据对应的采样任务的剩余采样时长和已采样数据对应的采样任务的已采样数据量中的至少一项；上述当终端设备接收到的至少一个采样任务的采样优先级中，存在至少两个采样任务的采样优先级相同时，利用已采样数据的情况对采样优先级进行调整，将调整后的采样优先级确定为数据上传优先级的步骤，可以包括：

将采样优先级相同的至少两个采样任务中，剩余采样时长较短的采样任务的采样优先级调整为高于剩余采样时长较长的采样任务的采样优先级；或者，

将采样优先级相同的至少两个采样任务中，已采样数据量较多的采样任务的采样优先级调整为高于已采样数据量较少的采样任务的采样优先级。

这种方式能够对采样优先级相同的采样任务进行二次调整。

需要说明的是，在云端设备侧，确定采样优先级的时候，剩余时长占比越高，采样优先级的数值越高，是因为剩余时长越长，越说明当前云端设备所收集到的该采样任务的数据量越少，对数据量的采样需求也就越高。但是在终端设备侧，利用已采样数据的情况去调整采样优先级的排序的时候，剩余时间越短，越说明已经采样了还没上传的数据量越多，所以上传的迫切程度也越高，因为这些数据是云端设备侧更紧缺而终端设备却采集到的更多。所以在云端设备对于多个采样任务的优先级需求相同的时候（这多个采样任务的采样优先级存在相等的情况），按照终端设备哪个采样任务采集的数据量越多，就哪个采样任务的优先级越高去二次调整，就能够使得最后确定的数据上传优先级更加合理。举例说明，假设云端设备确定的采样优先级是任务M的等于任务N的，而终端设备却发现已采样数据的数据量方面任务N的高于任务M的，就说明任务N的上传迫切程度更高一些，所以优先上传任务N的。

由于会在上传采样数据的时候就按照这个数据上传优先级依次上传，所以对于云端设备而言，较早接收的采样数据的数据上传优先级高于较晚接收到的采样数据的数据上传优先级。而如果希望云端设备能够准确直接的获知数据上传优先级，还可以向云端设备发送该数据上传优先级，这样云端设备就可以根据接收到的数据上传优先级来判断接收到的采样数据的优先级的高低了。

S304、终端设备根据数据上传优先级和数据上传峰值信息，上传采样数据。

也就是说，终端设备综合考虑了峰值时间段的预估情况（数据上传峰值信息中包括的至少一个峰值时间段）和数据上传优先级，来确定上传策略，以及按照确定好的上传策略上传数据。

可选地，终端设备还结合用户的充电习惯进行数据上传，也就是说，综合上述数据上传优先级、数据上传峰值信息以及用户的充电时间段三个因素去确定何时、怎样上传采样数据。

在一种实现方式中，步骤S304可以包括：

根据终端设备的至少一个充电时间段和数据上传峰值信息，确定至少一个可上传采样数据时间段，至少一个充电时间段是利用充电习惯模型预测得到的终端设备在一天中处于充电状态的至少一个时间段；

根据待上传的采样数据需要的上传次数和至少一个可上传采样数据时间段，确定上传采样数据的至少一个目标时间段；

当检测到终端设备处于充电状态时，按照数据上传优先级，在至少一个目标时间段内上传待上传的采样数据。

在一个例子中，上述充电状态为充电、灭屏且连接无线网络的状态。

在另一个例子中，充电习惯模型是利用终端设备的充电状态的起止时间的历史统计数据训练得到的。也就是利用用户的充电习惯的学习，来预测用户的一天中的至少一个充电起止时间段。

假设充电习惯模型中，将用户的充电起止时间分别用M_start和M_end表示，也就是终端设备处于充电状态的起止时间的模型预测值分别用M_start和M_end表示。用户的实际充电事件的起止时间分别用T_start和T_end表示，并且，当M_start与T_start之间的偏差在起始时间偏差预设范围内时，更新充电习惯模型的M_start的取值，当M_end与T_end之间的偏差在结束时间偏差预设范围内时，更新充电习惯模型的M_end的取值。

可选地，起始时间偏差预设范围和结束时间偏差预设范围可以是一小时、半小时或其他合适的时间长度。

可以认为充电习惯模型就是不断预测和输出至少一个充电时间段[M_start，M_end]，并且会结合历史统计数据和当前次的实际充电起止时间（上述T_start和T_end）来不断更新输出的（M_start，M_end），提高估计的准确性。

在一个例子中，M_start满足M_start=Medium（M_start，T_start），M_end满足M_end=Medium（M_end，T_end），其中，Medium表示中间值函数。也就是说，在这个例子中，历史累计数据和最新数据的权重各占50%。

在一个例子中，当充电习惯模型预测得到的第一充电时间段的起始时间与终端设备进入充电状态时的实际起始时间之间的差值在起始时间偏差预设范围内时，将充电习惯模型中的第一充电时间段的起始时间更新为第一充电时间段的起始时间与终端设备进入充电状态时的实际起始时间的中间值；和/或，

当充电习惯模型预测得到的第一充电时间段的结束时间与终端设备进入充电状态时的实际结束时间之间的差值在结束时间偏差预设范围内时，将充电习惯模型中的第一充电时间段的结束时间更新为第一充电时间段的结束时间与终端设备进入充电状态时的实际结束时间的中间值。

这样的好处是，当用户的充电习惯发生改变时，按照上述更新机制进行更新，能够使得充电习惯模型学习到新的充电习惯，并且，这种学习方式，兼顾了历史统计数据和新增数据对于预测准确性的影响，对于用户只是偶然的习惯改变，不会造成后续估计的过大偏差，而对于用户虽然骤变但后续较长时间内一直会按照骤变后的时间段充电的时候，也能够随着更新次数的增加，最终学习到新的充电习惯。

结合实际例子说明，假设起始时间偏差预设范围和结束时间偏差预设范围均取值为[0,1h]，也就是一小时内，终端设备为手机，假设用户某天21:00将手机充上电、灭屏就睡觉了，也就是21:00该手机进入充电状态，即T_start=21:00，而充电习惯模型预测到的用户该充电时间段（第一充电时间段的示例，充电习惯模型也可能会预测出多个充电时间段）的起止时间是[22:00-07:00]，也就是说，基于该手机处于充电状态的历史统计数据预测出来的该充电时间段的起始时间应该是22:00，即M_start=22:00，而且M_start和T_start两者之间的差值是等于1小时的，恰好在上述起始时间偏差预设范围内，所以可以按照上述更新方式，将充电习惯模型中该充电时间段的起始时间的值更新为二者的中间值21:30。又假设用户半夜03:30临时起夜的时候，发现手机充好电了，就顺手把充电电源断了，也就是说03:30该手机结束了充电状态，即T_end=03:30。但基于该手机处于充电状态的历史统计数据预测出来的该充电时间段的结束时间应该是07:00，即M_end=07:00，而且M_end和T_end两者之间的差值是大于1小时的，并不在上述结束时间偏差预设范围内，所以不会更新充电习惯模型预测到的该时间段的结束时间。其他情况不再逐一列举。

又假设，用户出国几个月，跟在国内有几个小时的时差，所以出现了上述时间段的起止时间骤变的情况，但骤变后又会保持较长时间的稳定值，那么，由于充电习惯模型预测出来的可能并不是唯一的充电时间段，例如用户有午睡期间、下班前充电的习惯，那么，可能会由于起始时间跟其他充电时间段有交集而被充电习惯模型学习到。

另外，在这种情况下，为了进一步提高充电习惯模型的预测准确性，可以在充电习惯模型连续多次没有发生更新的时候，将充电习惯模型的参数进行重置。

在一个例子中，当充电习惯模型的参数连续N天及以上没有发生更新时，将充电习惯模型的参数进行重置，N为大于或等于3的实数。因为当充电习惯模型预测相对准确的时候，预测值和真实值之间的差值会满足更新条件，就会发生更新，虽然可能更新后的数值不会变化，但更新这件事情会发生，而这个例子中，没有发生更新就是因为预测值与实际值之间的差距过大，而且是连续多次差距过大，此时可以重置参数，重新学习。例如，可以是当连续两天及以上都没有预测准，就直接重置参数，因为一两天不准可能只是偶然，但连续三天即为对于以上就可能是有稳定在新的充电时间段的趋势了。在实际中，N的数值还可以按照实际情况调整，例如可以取值4或5等，还可以是非整数，但数值再往上增就会导致其中较多天数已经会影响用户使用了。例如，如果N设置为10天，那么，对用户来说就是连续10天都是预测不准的，这种时长就过长了一些了，影响用户的使用体验。

在一个例子中，当根据终端设备的至少一个充电时间段和数据上传峰值信息，确定至少一个可上传采样数据时间段时，可以包括：

当至少一个充电时间段与至少一个峰值时间段存在交集时，通过预设随机概率，使得至少一个充电时间段按照预设随机概率去除与至少一个峰值时间段存在交集的部分，从而得到至少一个可上传采样数据时间段；或者，

当至少一个充电时间段与至少一个峰值时间段不存在交集时，将至少一个充电时间段确定为至少一个可上传采样数据时间段。

也就是说，可以通过设置随机概率来使得可上传采样数据时间段可能包括峰值时间段也可能不包括峰值时间段，从而在削减了峰值时间段的数据上传压力的同时，还能避免采用简单粗暴的全部避开峰值时间段的方式时会导致原峰值时间段成了低谷时间段，上传不均衡依然存在，并且可能产生新的峰值时间段。

在一种实现方式中，预设随机概率是通过设置随机数的方式实现的。设置随机数是一种相对简单的实现概率随机的方式，相比于设置多个状态量，再计算每个状态量的随机分布和概率等其他能够实现预设随机概率的方式而言，在满足本申请方案的需求的情况下更加简单。

在一种实现方式中，上述根据待上传的采样数据需要的上传次数和至少一个可上传采样数据时间段，确定上传采样数据的至少一个目标时间段，可以包括：

根据待上传的采样数据的数据量确定待上传文件个数；

将待上传文件个数和数据上传次数的预设阈值中的最小值确定为上传次数；

根据上传次数，对至少一个可上传采样数据时间段进行切分，得到至少一个目标时间段。

数据上传次数的预设阈值可以理解为云端设备给每个终端设备设置了一个上限值，最多不能超过多少上传次数。因为如果上传次数过多，会导致云端设备被访问次数太多，影响传输效率。

这种实现方式，是按照需要上传数据的数据量的大小，确定分成几个文件合适，然后按照文件个数和上述数据上传次数的预设阈值来确定上传次数，以及按照确定好的上传次数来从可用的时间段里且分出相应数量的目标时间段。这样的方式得到的目标时间段满足上传需求，且充分利用了所有可用时间段，相比于传统方案在充电发生那刻就一直上传到结束而言，能更加合理利用整个充电时间段，而不是只利用到刚充电的较短的一段时间，所以可以有效解决上传不均衡的问题。

下面结合一个例子，对步骤S304的执行过程进行示例性说明。在这个例子中，先计算所需上传数据（待上传的采样数据）的文件大小，根据上传数据文件大小确定上传文件个数d _n；确定数据上传次数，c=min(d _n,C)，其中C为设定的数据上传最大值（数据上传次数的预设阈值），此处以C=5为例；

根据上传次数c、充电习惯模型预测到的M_start和M_end以及数据上传峰值S，确定数据上传时机（目标时间段）。确定策略如下：若[M_start，M_end]与S中元素存在交集，则取[0,1]之间的随机数α，当α≤0.5时[M_start，M_end]不调整，其中的峰值时间段不剔除，跳转执行后续步骤，反之α>0.5时，则在[M_start，M_end]中去掉与S的交集部分，即当次上传避开峰值时间段，得到新的[M_start，M_end]（可上传采样数据时间段）；将可上传采样数据时间段[M_start，M_end]等比例切分为c份，确定c个初始值和时间跨度，记t₀,t₁,⋯,t_c-1和，其中，/>表示下取整函数，也就是对x下取整；最后得到目标时间段为：t_i+randint(0,d)，i=0,1,⋯,c-1；然后根据数据上传优先级的顺序，将采样数据在这些目标时间段内上传至云端设备。

图3所示方法，主要通过云端设备下发采样优先级和数据上传峰值，终端设备结合自身采样情况和采样优先级来确定数据上传优先级，并且在上传数据的时候还会综合考虑数据上传优先级和峰值情况，从而能够做到采样数据的按照优先级上云，以及在合理时间段的上云，从而有效改善上传不均衡的问题，且能实现优先级更高的数据优先上云，从而避免相对重要的采样数据的丢失。

还应理解，对于云端设备而言，在步骤S304则是接收来自于至少一个终端设备的采样数据和至少一个终端设备的数据上传优先级。

在一种实现方式中，图3所示方法还可以包括：

S305、根据流量阈值存储采样数据。

可选地，可以在当同时接收到的采样数据的数据量总和小于或等于流量阈值对应的数据量时，将所有接收到的采样数据均进行存储；或者，当同时接收到的采样数据的数据量总和大于流量阈值对应的数据量时，按照每个终端设备的数据上传优先级，对每个终端设备上传的采样数据分别进行存储。

在该实现方式中，云端设备会先判断数据量是否超过流量阈值，如果没超，说明云端设备处理能力足够处理所有数据，而如果超了则说明云端设备有一定的处理压力，所以在超了的情况下才去结合数据上传优先级进一步处理。能够减少当没有超过流量阈值的时候的后续处理，提高处理效率，且能够在不超过流量阈值的时候是直接全部存储，响应速率也会更快。

应理解，超过了流量阈值并不是说云端设备就无法再接收了，而是说该时段的数据量对云端设备来说是有一定处理压力的，可能会影响处理速率，但依然是可以继续接收和存储后续数据的，只是会因为数据量较大，导致处理速率缓慢，严重的时候可能会导致部分数据的丢失。

在一个例子中，上述当同时接收到的采样数据的数据量总和大于流量阈值对应的数据量时，按照每个终端设备的数据上传优先级，对每个终端设备上传的采样数据分别进行存储的步骤，可以包括：

将每个终端设备上传的采样数据中的第一采样数据进行数据解析和存储，第一采样数据的数据上传优先级高于第二采样数据的数据上传优先级，第一采样数据的数据量小于或等于流量阈值对应的数据量，第二采样数据为上述每个终端设备上传的采样数据中除第一采样数据之外的采样数据。

在这个例子中优先解析和存储数据上传优先级较高的采样任务的采样数据，或者说，在流量阈值不够的情况下，让数据上传优先级较高的采样任务的采样数据（即上述第一采样数据）相比于数据上传优先级较低的采样任务的采样数据（即上述第二采样数据）更能够先处理。

在这个例子中，可以设置数据采样优先级阈值，将高于该数据采样优先级阈值的采样任务的采样数据作为第一采样数据，将低于该数据采样优先级阈值的采样任务的采样数据作为第二采样数据。

在另一个例子中，上述方法还包括：将第二采样数据进行丢弃。对于数据上传优先级较低的采样数据直接丢弃，而不再进行解析和后续的存储处理，能够省掉对其解析的操作，进一步提高处理效率。但应理解，第二采样数据也可以不丢弃的，而是将其放在所有第一采样数据处理完之后再处理，但是这种处理方式会导致第二采样数据占用了缓存空间。

在又一个例子中，上述将每个终端设备上传的采样数据中的第一采样数据进行数据解析和存储的步骤，可以包括：

将解析后的第一采样数据中的第三采样数据进行存储，第三采样数据对应的采样任务的采样优先级高于第四采样数据对应的采样任务的采样优先级，第四采样数据为解析后的第一采样数据中除第三采样数据之外的采样数据。

在这个例子中，是进一步利用采样优先级对已经解析过的第一采样数据进行筛选，优先存储采样优先级较高的采样数据，能够再进一步提高处理效率，以及让相对重要的数据优先被存储。

在又一个例子上，上述方法还包括：将第四采样数据进行丢弃。再次丢弃优先级（此处为采样优先级）较低的采样数据，能够进一步提高处理效率，减小存储压力。

在又一个例子上，上述将每个终端设备上传的采样数据中的第一采样数据进行数据解析和存储的步骤，可以包括：

将解析后的第一采样数据中的第五采样数据进行存储，第五采样数据的采集进度满足预设条件，采集进度包括剩余采样时长和/或已采样数据量。按照采集进度进一步筛选，能够再进一步提高处理效率，以及让采集进度更优的数据优先被存储。

在又一个例子上，上述方法还包括：将解析后的第一采样数据中除第五采样数据之外的采样数据进行丢弃。再次丢弃不满足采集进度的采样数据，能够进一步提高处理效率，减小存储压力。

在另一种实现方式中，上述几个例子可以相互叠加，且先后顺序可以进行更换。相互叠加的筛选条件越多，越能筛选出最符合期望的采样数据进行存储，但相应也，也会增加处理步骤。

图4是本申请实施例的一种云端设备的执行过程的示意性流程图。图4可以看成是步骤S305-S306的一个示例。

S401、接收采样数据。

S401可以看成是S304的一个示例。

S402、判断是否超过流量阈值，当判断结果为是时，执行S403，当判断结果为否时，执行S404。

S403、判断数据上传优先级高低，当判断结果为高时，执行S405，当判断结果为低时，执行S406。

S404、存储采样数据。

S405、解析采样数据。

S406、丢弃采样数据。

S407、判断采样优先级高低，当判断结果为高时，执行S408，当判断结果为低时，执行S406。

S408、判断采集进度是否符合预设条件，当判断结果为符合时，执行S404，当判断结果为不符合时，执行S406。

S409、结束。

S402-S409可以看成是S305的一个示例。

图5是传统方案和本申请方案的上传采样数据的执行过程的比较图。

在图5中（a）所示的为传统方案的执行过程，可以看出，主要包括数据中台下发采样策略，终端设备采集数据，并且在满足数据上传条件（充电、灭屏连接无线网络）的时候，将采样数据上传到云端设备，之后云端设备的服务器将采样数据存储到数据中台的数据库中。

在图5中（b）所示的为本申请方案的执行过程，可以看出，主要包括数据中台下发采样策略的同时会同步下发采样优先级（此处以采样策略中包括采样优先级为例）和数据上传峰值信息，以指导终端设备上传数据。终端设备按照接收到的上述信息采集数据后，在满足数据上传条件的前提下，并不是直接上传采样数据，而是还要综合充电习惯模型预测的充电时间段、数据上传峰值信息确定的时间段以及数据上传优先级来确定上传策略，然后将采样数据上传到云端设备，也就是按照数据上传优先级在确定的目标时间段上传采样数据。结合个性化模型（充电习惯模型）预测的充电时间段、采样优先级和数据上传峰值信息得到目标时间段和数据上传优先级。云端设备在接收到采样数据后，也不是直接存储到数据库，而是先经过一些处理（加工）后，并将有效数据存储到数据库中。用户还可以查询采样数据的采样情况是否满足预期，当不满足预期的时候，还可以在数据中台修改采样优先级。数据库中的采样数据可以进行阶段性的统计，看数据量是否达标，以及将统计结果同步给云端设备的服务器，以使得云端设备在后续筛选数据（上述处理加工）的时候可以参考。

上文主要结合附图对本申请实施例的方法进行了介绍。应理解，虽然如上所述的各实施例所涉及的流程图中的各个步骤依次显示，但是这些步骤并不是必然按照图中所示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。下面结合附图对本申请实施例的装置进行介绍。

图6是本申请实施例的一种上传采样数据的装置的示意图。如图6所示，该装置1000包括接收单元1001、处理单元1002和发送单元1003。该装置1000可以为上述任意一种终端设备或云端设备，或者是集成在终端设备或云端设备中。

该装置1000能够用于执行上文任意一种上传采样数据的方法。

当该装置1000能够用于执行上文任意一种方法中终端设备执行的步骤时，例如，接收单元1001可用于执行步骤S302，处理单元1002可用于执行步骤S303和S304，发送单元1003可以用于执行S304中上传采样数据的部分。

当该装置1000能够用于执行上文任意一种方法中云端设备执行的步骤时，例如，处理单元1002可用于执行步骤S301，发送单元1003可以用于执行步骤S302。又例如，接收单元1001可用于执行步骤S304，处理单元1002可用于执行步骤S305。又例如，接收单元1001可用于执行步骤S401，处理单元1002可用于执行步骤S402-S409。

在一种实现方式中，装置1000还可以包括存储单元，用于存储各优先级数据和采样数据等数据。该存储单元可以是集成在处理单元1002中，也可以是独立的单元。

图7是本申请实施例的一种电子设备的硬件结构示意图。如图7所示，该电子设备2000包括：至少一个处理器2001（图7中仅示出一个）处理器、存储器2002以及存储在所述存储器2002中并可在所述至少一个处理器2001上运行的计算机程序2003，所述处理器2001执行所述计算机程序2003时实现上述任意一种方法中的步骤。

本领域技术人员可以理解，图7仅仅是电子设备的举例，并不构成对电子设备限定，实际中电子设备可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如还可以包括输入输出设备、网络接入设备等。

处理器2001可以是中央处理单元(central processing unit，CPU)，其他通用处理器、数字信号处理器 (digital signal processor，DSP)、专用集成电路 (applicationspecific integrated circuit，ASIC)、现成可编程门阵列 (field-programmable gatearray，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。

存储器2002在一些实施例中可以是电子设备2000的内部存储单元，例如电子设备2000的硬盘或内存。存储器2002在另一些实施例中也可以是电子设备2000的外部存储设备，例如电子设备2000上配备的插接式硬盘，智能存储卡（smart media card, SMC），安全数字（secure digital, SD）卡，闪存卡（flash card）等。可选地，存储器2002还可以既包括电子设备2000的内部存储单元也包括外部存储设备。存储器2002用于存储操作系统、应用程序、引导装载程序、数据以及其他程序等，例如所述计算机程序的程序代码等。存储器2002还可以用于暂时地存储已经输出或者将要输出的数据。

需要说明的是，上述装置/单元之间的信息交互、执行过程等内容，由于与本申请方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

本申请实施例还提供了一种电子设备，该电子设备包括：至少一个处理器、存储器以及存储在所述存储器中并可在所述至少一个处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述各个方法实施例中的步骤。

本申请实施例还提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机程序，当计算机程序被处理器执行时能够实现上述各个方法实施例中的步骤。

本申请实施例提供了一种计算机程序产品，该计算机程序产品包括计算机程序，当计算机程序被处理器执行时能够实现上述各个方法实施例中的步骤。

所述集成的单元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，本申请实现上述实施例方法中的全部或部分流程，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至少可以包括：能够将计算机程序代码携带到拍照装置/电子设备的任何实体或装置、记录介质、计算机存储器、只读存储器（read-only memory，ROM）、随机存取存储器（random accessmemory，RAM）、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区，根据立法和专利实践，计算机可读介质不可以是电载波信号和电信信号。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。

在本申请所提供的实施例中，应该理解到，所揭露的装置/网络设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/网络设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。

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单元来实现本实施例方案的目的。

应当理解，当在本申请说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。

还应当理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。

如在本申请说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。

另外，在本申请说明书和所附权利要求书的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。

在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。

以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。

Claims (22)

1.一种上传采样数据的方法，其特征在于，应用于终端设备，所述方法包括：

接收来自于云端设备的第一信息，所述第一信息包括至少一个采样任务的采样优先级和所述云端设备在发送所述第一信息时的数据上传峰值信息，所述数据上传峰值信息包括至少一个峰值时间段，在每个峰值时间段内，采样数据上传的数据量大于或等于预设数据量阈值；

根据所述终端设备已采样数据的情况和所述采样优先级，确定所述至少一个采样任务中每个采样任务的数据上传优先级；

根据所述数据上传优先级和所述数据上传峰值信息，上传采样数据；

所述根据所述数据上传优先级和所述数据上传峰值信息，上传采样数据，包括：

结合用户的充电习惯、所述数据上传优先级和所述数据上传峰值信息，上传采样数据。

2.根据权利要求1所述的方法，其特征在于，所述结合用户的充电习惯、所述数据上传优先级和所述数据上传峰值信息，上传采样数据，包括：

根据所述终端设备的至少一个充电时间段和所述数据上传峰值信息，确定至少一个可上传采样数据时间段，所述至少一个充电时间段是利用充电习惯模型预测得到的所述终端设备在一天中处于充电状态的至少一个时间段；

根据待上传的采样数据需要的上传次数和所述至少一个可上传采样数据时间段，确定上传采样数据的至少一个目标时间段；

当检测到所述终端设备处于充电状态时，按照所述数据上传优先级，在所述至少一个目标时间段内上传所述待上传的采样数据。

3.根据权利要求2所述的方法，其特征在于，所述充电状态为充电、灭屏且连接无线网络的状态。

4.根据权利要求2所述的方法，其特征在于，所述充电习惯模型是利用所述终端设备的充电状态的起止时间的历史统计数据训练得到的。

5.根据权利要求2所述的方法，其特征在于，所述方法还包括：

当所述充电习惯模型预测得到的第一充电时间段的起始时间与所述终端设备进入充电状态时的实际起始时间之间的差值在起始时间偏差预设范围内时，将所述充电习惯模型中的所述第一充电时间段的起始时间更新为所述第一充电时间段的起始时间与所述终端设备进入充电状态时的实际起始时间的中间值；和/或，

当所述充电习惯模型预测得到的第一充电时间段的结束时间与所述终端设备进入充电状态时的实际结束时间之间的差值在结束时间偏差预设范围内时，将所述充电习惯模型中的所述第一充电时间段的结束时间更新为所述第一充电时间段的结束时间与所述终端设备进入充电状态时的实际结束时间的中间值。

6.根据权利要求2所述的方法，其特征在于，所述根据所述终端设备的至少一个充电时间段和所述数据上传峰值信息，确定至少一个可上传采样数据时间段，包括：

当所述至少一个充电时间段与所述至少一个峰值时间段存在交集时，通过预设随机概率，使得所述至少一个充电时间段按照所述预设随机概率去除与所述至少一个峰值时间段存在交集的部分，从而得到所述至少一个可上传采样数据时间段；或者，

当所述至少一个充电时间段与所述至少一个峰值时间段不存在交集时，将所述至少一个充电时间段确定为所述至少一个可上传采样数据时间段。

7.根据权利要求6所述的方法，其特征在于，所述预设随机概率是通过设置随机数的方式实现的。

8.根据权利要求2所述的方法，其特征在于，所述根据待上传的采样数据需要的上传次数和所述至少一个可上传采样数据时间段，确定上传采样数据的至少一个目标时间段，包括：

根据所述待上传的采样数据的数据量确定待上传文件个数；

将所述待上传文件个数和数据上传次数的预设阈值中的最小值确定为所述上传次数；

根据所述上传次数，对所述至少一个可上传采样数据时间段进行切分，得到所述至少一个目标时间段。

9.根据权利要求1所述的方法，其特征在于，所述根据所述终端设备已采样数据的情况和所述采样优先级，确定所述至少一个采样任务中每个采样任务的数据上传优先级，包括：

当所述终端设备接收到的所述至少一个采样任务的采样优先级中，所有采样任务的采样优先级均互不相同时，将所述采样优先级确定为所述数据上传优先级；或者，

当所述终端设备接收到的所述至少一个采样任务的采样优先级中，存在至少两个采样任务的采样优先级相同时，利用所述已采样数据的情况对所述采样优先级进行调整，将调整后的采样优先级确定为所述数据上传优先级。

10.根据权利要求9所述的方法，其特征在于，所述已采样数据的情况包括所述已采样数据对应的采样任务的剩余采样时长和所述已采样数据对应的采样任务的已采样数据量中的至少一项；所述当所述终端设备接收到的所述至少一个采样任务的采样优先级中，存在至少两个采样任务的采样优先级相同时，利用所述已采样数据的情况对所述采样优先级进行调整，将调整后的采样优先级确定为所述数据上传优先级，包括：

将采样优先级相同的至少两个采样任务中，剩余采样时长较短的采样任务的采样优先级调整为高于剩余采样时长较长的采样任务的采样优先级；或者，

将采样优先级相同的至少两个采样任务中，已采样数据量较多的采样任务的采样优先级调整为高于已采样数据量较少的采样任务的采样优先级。

11.一种上传采样数据的方法，其特征在于，应用于云端设备，所述方法包括：

根据每个采样任务的剩余采样时长在总采样时长中的占比，确定每个采样任务的采样优先级；

向至少一个终端设备发送第一信息，所述第一信息包括至少一个采样任务的采样优先级和在发送所述第一信息时的数据上传峰值信息，所述第一信息用于指导所述至少一个终端设备进行采样数据的上传；所述数据上传峰值信息包括至少一个峰值时间段，在每个峰值时间段内，采样数据上传的数据量大于或等于预设数据量阈值；

接收来自于至少一个终端设备的采样数据和所述至少一个终端设备的数据上传优先级；所述至少一个终端设备的采样数据和所述至少一个终端设备的数据上传优先级是所述至少一个终端设备结合用户的充电习惯、所述至少一个终端设备的数据上传优先级和所述第一信息中的数据上传峰值信息进行上传的；

当同时接收到的采样数据的数据量总和小于或等于流量阈值对应的数据量时，将所有接收到的采样数据均进行存储；或者，

当同时接收到的采样数据的数据量总和大于所述流量阈值对应的数据量时，按照每个终端设备的所述数据上传优先级，对每个终端设备上传的采样数据分别进行存储。

12.根据权利要求11所述的方法，其特征在于，所述方法还包括：

当获取到用户对第一采样任务的设置操作时，将所述第一采样任务的采样优先级按照所述设置操作调高。

13.根据权利要求11所述的方法，其特征在于，所述当同时接收到的采样数据的数据量总和大于所述流量阈值对应的数据量时，按照每个终端设备的所述数据上传优先级，对每个终端设备上传的采样数据分别进行存储，包括：

将每个终端设备上传的采样数据中的第一采样数据进行数据解析和存储，所述第一采样数据的数据上传优先级高于第二采样数据的数据上传优先级，所述第一采样数据的数据量小于或等于所述流量阈值对应的数据量，所述第二采样数据为上述每个终端设备上传的采样数据中除所述第一采样数据之外的采样数据。

14.根据权利要求13所述的方法，其特征在于，所述方法还包括：

将所述第二采样数据进行丢弃。

15.根据权利要求13所述的方法，其特征在于，所述将每个终端设备上传的采样数据中的第一采样数据进行数据解析和存储，包括：

将解析后的所述第一采样数据中的第三采样数据进行存储，所述第三采样数据对应的采样任务的采样优先级高于第四采样数据对应的采样任务的采样优先级，所述第四采样数据为解析后的所述第一采样数据中除所述第三采样数据之外的采样数据。

16.根据权利要求15所述的方法，其特征在于，所述方法还包括：将所述第四采样数据进行丢弃。

17.根据权利要求13所述的方法，其特征在于，所述将每个终端设备上传的采样数据中的第一采样数据进行数据解析和存储，包括：

将解析后的所述第一采样数据中的第五采样数据进行存储，所述第五采样数据的采集进度满足预设条件，所述采集进度包括剩余采样时长和/或已采样数据量。

18.根据权利要求17所述的方法，其特征在于，所述方法还包括：将解析后的所述第一采样数据中除所述第五采样数据之外的采样数据进行丢弃。

19.一种终端设备，其特征在于，包括：

接收单元，用于接收来自于云端设备的第一信息，所述第一信息包括至少一个采样任务的采样优先级和所述云端设备在发送所述第一信息时的数据上传峰值信息，所述数据上传峰值信息包括至少一个峰值时间段，在每个峰值时间段内，采样数据上传的数据量大于或等于预设数据量阈值；

处理单元，用于根据所述终端设备已采样数据的情况和所述采样优先级，确定所述至少一个采样任务中每个采样任务的数据上传优先级；

所述处理单元还用于，根据所述数据上传优先级和所述数据上传峰值信息，上传采样数据；

所述处理单元具体用于，结合用户的充电习惯、所述数据上传优先级和所述数据上传峰值信息，上传采样数据。

20.一种云端设备，其特征在于，包括：

处理单元，用于根据每个采样任务的剩余采样时长在总采样时长中的占比，确定每个采样任务的采样优先级；

发送单元，用于向至少一个终端设备发送第一信息，所述第一信息包括至少一个采样任务的采样优先级和在发送所述第一信息时的数据上传峰值信息，所述第一信息用于指导所述至少一个终端设备进行采样数据的上传；所述数据上传峰值信息包括至少一个峰值时间段，在每个峰值时间段内，采样数据上传的数据量大于或等于预设数据量阈值；

接收单元，用于接收来自于至少一个终端设备的采样数据和所述至少一个终端设备的数据上传优先级；所述采样数据和所述数据上传优先级是所述至少一个终端设备结合用户的充电习惯、所述数据上传优先级和所述第一信息中的数据上传峰值信息进行上传的；

所述处理单元还用于：

当同时接收到的采样数据的数据量总和小于或等于流量阈值对应的数据量时，将所有接收到的采样数据均进行存储；或者，

当同时接收到的采样数据的数据量总和大于所述流量阈值对应的数据量时，按照每个终端设备的所述数据上传优先级，对每个终端设备上传的采样数据分别进行存储。

21.一种电子设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至10中任一项所述的方法，或者，实现如权利要求11至18中任一项所述的方法。

22.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至10中任一项所述的方法，或者，实现如权利要求11至18中任一项所述的方法。