CN116821200A - 一种人工智能云数据可视化分析系统及其分析方法 - Google Patents

Abstract

本发明公开了一种人工智能云数据可视化分析系统及其分析方法，涉及人工智能技术领域，包括人工比对模块、数据处理模块、数据标注模块、数据模型生成模块、可视化生成模块、云数据存储模块、数据分析模块与数据爬虫模块。本发明在进行使用时，可以通过人工智能比对模块对现有的数据模型与截取的数据进行比对，挑选出最相近的数据模型，再将数据与与其相近的数据模型传输至数据模型生成模块内进行新的数据模型的生成，由于其是在相近的数据模型上修改而来，所以大大减小了从截取数据到产出数据模型的时间，进而使得进行数据可视化分析的速度更快，节省了大量的计算力。

Description

一种人工智能云数据可视化分析系统及其分析方法

技术领域

本发明涉及人工智能技术领域，具体涉及一种人工智能云数据可视化分析系统及其分析方法。

背景技术

人工智能是计算机科学的一个分支，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器，该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等，人工智能从诞生以来，理论和技术日益成熟，应用领域也不断扩大，可以设想，未来人工智能带来的科技产品，将会是人类智慧的“容器”，人工智能可以对人的意识、思维的信息过程的模拟，人工智能不是人的智能，但能像人那样思考、也可能超过人的智能，人工智能是一门极富挑战性的科学，从事这项工作的人必须懂得计算机知识，心理学和哲学，人工智能是包括十分广泛的科学，它由不同的领域组成，如机器学习，计算机视觉等等，总的说来，人工智能研究的一个主要目标是使机器能够胜任一些通常需要人类智能才能完成的复杂工作。

但现在的人工智能云数据可视化分析系统在进行使用时，对不熟悉的数据往往需要大量的时间通过人工智能制作出相应的数据模型，大大增长了从截取数据到产出数据模型进行可视化分析的时间，浪费了大量的计算机算力。

发明内容

本发明所要解决的技术问题在于：但现在的人工智能云数据可视化分析系统在进行使用时，对不熟悉的数据分析慢的问题，提供了一种人工智能云数据可视化分析系统及其分析方法。

本发明是通过以下技术方案解决上述技术问题的，本发明为一种人工智能云数据可视化分析系统，包括人工比对模块、数据处理模块、数据标注模块、数据模型生成模块、可视化生成模块、云数据存储模块、数据分析模块与数据爬虫模块；

所述数据处理模块与数据分析模块通信连接，所述数据处理模块与数据模型生成模块通信连接，所述数据分析模块与数据标注模块通信连接，所述数据分析模块与数据爬虫模块通信连接，所述数据分析模块与云数据存储模块通信连接，所述云数据存储模块与可视化生成模块通信连接，所述云数据存储模块与人工智能比对模块通信连接，所述人工智能比对模块与数据模型生成模块通信连接，所述人工只能那个比对模块与数据标注模块通信连接。

所述人工智能比对模块包括人工智能数据分发单元、若干人工智能数据比对单元、人工智能数据调用单元与人工智能数据验算单元；

所述人工智能数据分发单元与人工智能数据比对单元通信连接，所述人工智能数据比对单元与人工智能数据调用单元通信连接，所述人工智能数据调用单元与人工智能数据验算单元通信连接，所述人工智能数据验算单元与人工智能数据分发单元通信连接，所述人工智能数据调用单元与人工智能数据分发单元通信连接。

所述云数据存储模块包括若干储存单元、闪存单元、数据写入单元与数据调用单元；

所述闪存单元与数据调用单元通信连接，所述闪存单元与数据写入单元通信连接，所述闪存单元与储存单元均为通信连接。

所述数据模型生成模块包括数据模型生成单元、数据分析虚拟机单元、数据模型验算单元与若干数据模型试运行单元；

所述数据模型生成单元与数据分析虚拟机单元通信连接，所述数据分析虚拟机单元与数据模型验算单元通信连接，所述数据分析虚拟机单元与数据模型试运行单元通信连接，所述数据模型试运行单元与数据模型验算单元通信连接。

所述可视化生成模块包括人工智能语言转换单元、可视化信息生成模型单元、科室化信息填充单元、人工智能检验单元与科室化信息提取单元；

所述人工智能语言转换单元与可视化信息生成模块单元通信连接，所述可视化信息生成模块单元与可视化信息提取单元通信连接，所述可视化信息生成模板单元与可视化信息填充单元通信连接，所述可视化信息填充单元与人工智能检验单元通信连接。

所述数据处理模块包括数据信息处理调用分配单元、若干数据信息处理单元、数据模型调用单元与数据信息杀毒单元；

所述数据信息处理调用分配单元与数据信息处理单元通信连接，所述数据信息处理单元与数据模型调用单元通信连接，所述数据模型调用单元与数据信息杀毒单元通信连接。

所述数据爬虫模块包括数据关键词定位单元、数据爬虫单元、数据整理单元与数据收发单元；

所述数据关键词定位单元与数据爬虫单元通信连接，所述数据爬虫单元与数据整理单元通信连接，所述数据整理单元与数据收发单元通信连接。

所述数据分析模块包括数据分析单元、有效数据筛选单元、有效数据传输单元与无效数据标记打回单元；

所述数据分析单元与有效数据筛选单元通信连接，所述有效数据筛选单；与有效数据输送单元通信连接，所述有效数据输送单元与无效数据标记打回单元；

所述数据标注模块包括数据信息单元、数据特点记录单元、数据信息反爬虫生成单元、数据文件名录录入单元与数据文件名录比对单元；

所述数据信息单元与数据特点记录单元通信连接，所述数据信息单元与数据信息反爬虫生成单元通信连接，所述数据信息反爬虫生成单元与数据文件名录录入单元通信连接，所述数据文件名录录入单元与数据文件名录比对单元通信连接。

本发明还包括一种人工智能云数据可视化分析系统的分析方法，其分析方法为：

S1、通过数据爬虫模块对云数据内与分析系统相关的文件截取下来，通过数据整理单元进行统一整理，再传输至数据分析模块内，通过其内部的有效数据筛选单元对文件进行第一次的清洗，并将第一次清洗掉的无效的数据通过无效数据标记打回单元打回至云数据内；

S2、再将进行了一次清洗的数据传输至数据标注模块内，通过数据标注模块内的数据特点记录单元分析此次需要的数据，将特点进行存储并传输至数据信息单元内；

S3、再通过数据信息反爬虫生成单元对该种数据进行拦截，并将拦截的数据的文件名录入该特点不需要的名录中，防止数据爬虫模块对该数据进行再一次的截取，从而完成对数据的第二次清洗；

S4、在第二次数据的清洗完成后，将数据传输至人工智能比对模块内，人工智能比对模块再从云数据存储模块内对现有的该特点的数据进行调用，再对两组数据进行比对，如果两组数据的重复高，则将该数据输入数据模型生成模块内进行数据模型的生成，数据模型的生成以从云数据存储模块内提取的数据配套的数据模型为基础进行生成；

S5、在数据模型生成后，将数据模型传输至处理模块内，进而控制数据爬虫模块只截取符合该数据模型的数据，最后将截取的大量数据通过数据处理模块进行处理；

S6、在处理完成后，将数据传输至可视化生成模块内，通过人工智能语言转化单元将数据转化为单一语言，并通过可视化信息生成模块单元对数据进行进行可视化生成。

优选的，清洗数据的相关性判断条件为：

S11、将多组数据拆分成多份数，提取出每段数据的首个字符，将字符设为X；

那么可得：

S12、将拆分呈多份的数据导入上述式中，可以得到一连串的数字，再将数据传输至人工智能比对模块内进行比对，选出最相近的几组数据，将其他数据进行清洗；

S13、在对数据进行比对时，将比对的响应时间算入数据的相关性判断，那么响应时间的方程式为：

式中，t为时间，0＜t≤P_i，P_i为时间点；

终止条件：

t^(l+1)＝t^(l)且t^(l)≤P_i，可调度；

t^(l)＞P_i，不可调度；

通过上述工程式，可以计算出相应数据之间的比对相应时间，将数据按照相应时间分为两组，将比对响应时间长的一组数据清洗掉，留下相应时间段的一组数据进行数据模型的生成工作。

本发明相比现有技术具有以下优点：

1、本发明在进行使用时，可以通过人工智能比对模块对现有的数据模型与截取的数据进行比对，挑选出最相近的数据模型，再将数据与与其相近的数据模型传输至数据模型生成模块内进行新的数据模型的生成，由于其是在相近的数据模型上修改而来，所以大大减小了从截取数据到产出数据模型的时间，进而使得进行数据可视化分析的速度更快，节省了大量的计算力；

2、本发明在进行数据的截取后，可以对数据进行两次清洗，洗去不必要的数据及相关度不大的数据，数据被截取后传输至数据分析模块内，通过其内部的有效数据筛选单元对文件进行第一次的清洗，并将第一次清洗掉的无效的数据通过无效数据标记打回单元打回至云数据内，再将进行了一次清洗的数据传输至数据标注模块内，通过数据标注模块内的数据特点记录单元分析此次需要的数据，将特点进行存储并传输至数据信息单元内，通过数据信息反爬虫生成单元对该种数据进行拦截，并将拦截的数据的文件名录入该特点不需要的名录中，防止数据爬虫模块对该数据进行再一次的截取，从而完成对数据的第二次清洗，进行了两次清洗后的数据，可以保证数据模型的生成更为流畅，生成时间更短，降低了垃圾信息对生成时间的影响。

附图说明

图1是本发明的一种人工智能云数据可视化分析系统及其分析方法的系统框图。

图2是本发明的一种人工智能云数据可视化分析系统及其分析方法的人工智能比对模块的系统框图。

图3是本发明的一种人工智能云数据可视化分析系统及其分析方法的云数据存储模块的系统框图。

图4是本发明的一种人工智能云数据可视化分析系统及其分析方法的数据模型生成模块的系统框图。

图5是本发明的一种人工智能云数据可视化分析系统及其分析方法的可视化生成模块的系统框图。

图6是本发明的一种人工智能云数据可视化分析系统及其分析方法的数据处理模块的系统框图。

图7是本发明的一种人工智能云数据可视化分析系统及其分析方法的数据爬虫模块的系统框图。

图8是本发明的一种人工智能云数据可视化分析系统及其分析方法的数据分析模块的系统框图。

图9是本发明的一种人工智能云数据可视化分析系统及其分析方法的数据标注模块的系统框图。

具体实施方式

下面对本发明的实施例作详细说明，本实施例在以本发明技术方案为前提下进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。

如图1-9所示，本实施例提供一种技术方案：一种人工智能云数据可视化分析系统，包括人工比对模块、数据处理模块、数据标注模块、数据模型生成模块、可视化生成模块、云数据存储模块、数据分析模块与数据爬虫模块；

数据处理模块与数据分析模块通信连接，数据处理模块与数据模型生成模块通信连接，数据分析模块与数据标注模块通信连接，数据分析模块与数据爬虫模块通信连接，数据分析模块与云数据存储模块通信连接，云数据存储模块与可视化生成模块通信连接，云数据存储模块与人工智能比对模块通信连接，人工智能比对模块与数据模型生成模块通信连接，人工只能那个比对模块与数据标注模块通信连接。

人工智能比对模块包括人工智能数据分发单元、若干人工智能数据比对单元、人工智能数据调用单元与人工智能数据验算单元；

人工智能数据分发单元与人工智能数据比对单元通信连接，人工智能数据比对单元与人工智能数据调用单元通信连接，人工智能数据调用单元与人工智能数据验算单元通信连接，人工智能数据验算单元与人工智能数据分发单元通信连接，人工智能数据调用单元与人工智能数据分发单元通信连接。

云数据存储模块包括若干储存单元、闪存单元、数据写入单元与数据调用单元；

闪存单元与数据调用单元通信连接，闪存单元与数据写入单元通信连接，闪存单元与储存单元均为通信连接。

数据模型生成模块包括数据模型生成单元、数据分析虚拟机单元、数据模型验算单元与若干数据模型试运行单元；

数据模型生成单元与数据分析虚拟机单元通信连接，数据分析虚拟机单元与数据模型验算单元通信连接，数据分析虚拟机单元与数据模型试运行单元通信连接，数据模型试运行单元与数据模型验算单元通信连接。

可视化生成模块包括人工智能语言转换单元、可视化信息生成模型单元、科室化信息填充单元、人工智能检验单元与科室化信息提取单元；

人工智能语言转换单元与可视化信息生成模块单元通信连接，可视化信息生成模块单元与可视化信息提取单元通信连接，可视化信息生成模板单元与可视化信息填充单元通信连接，可视化信息填充单元与人工智能检验单元通信连接。

数据处理模块包括数据信息处理调用分配单元、若干数据信息处理单元、数据模型调用单元与数据信息杀毒单元；

数据信息处理调用分配单元与数据信息处理单元通信连接，数据信息处理单元与数据模型调用单元通信连接，数据模型调用单元与数据信息杀毒单元通信连接。

数据爬虫模块包括数据关键词定位单元、数据爬虫单元、数据整理单元与数据收发单元；

数据关键词定位单元与数据爬虫单元通信连接，数据爬虫单元与数据整理单元通信连接，数据整理单元与数据收发单元通信连接。

数据分析模块包括数据分析单元、有效数据筛选单元、有效数据传输单元与无效数据标记打回单元；

数据分析单元与有效数据筛选单元通信连接，有效数据筛选单；与有效数据输送单元通信连接，有效数据输送单元与无效数据标记打回单元；

数据标注模块包括数据信息单元、数据特点记录单元、数据信息反爬虫生成单元、数据文件名录录入单元与数据文件名录比对单元；

数据信息单元与数据特点记录单元通信连接，数据信息单元与数据信息反爬虫生成单元通信连接，数据信息反爬虫生成单元与数据文件名录录入单元通信连接，数据文件名录录入单元与数据文件名录比对单元通信连接。

一种人工智能云数据可视化分析系统的分析方法，其分析方法为：

S1、通过数据爬虫模块对云数据内与分析系统相关的文件截取下来，通过数据整理单元进行统一整理，再传输至数据分析模块内，通过其内部的有效数据筛选单元对文件进行第一次的清洗，并将第一次清洗掉的无效的数据通过无效数据标记打回单元打回至云数据内；

S2、再将进行了一次清洗的数据传输至数据标注模块内，通过数据标注模块内的数据特点记录单元分析此次需要的数据，将特点进行存储并传输至数据信息单元内；

S3、再通过数据信息反爬虫生成单元对该种数据进行拦截，并将拦截的数据的文件名录入该特点不需要的名录中，防止数据爬虫模块对该数据进行再一次的截取，从而完成对数据的第二次清洗；

S4、在第二次数据的清洗完成后，将数据传输至人工智能比对模块内，人工智能比对模块再从云数据存储模块内对现有的该特点的数据进行调用，再对两组数据进行比对，如果两组数据的重复高，则将该数据输入数据模型生成模块内进行数据模型的生成，数据模型的生成以从云数据存储模块内提取的数据配套的数据模型为基础进行生成；

S5、在数据模型生成后，将数据模型传输至处理模块内，进而控制数据爬虫模块只截取符合该数据模型的数据，最后将截取的大量数据通过数据处理模块进行处理；

S6、在处理完成后，将数据传输至可视化生成模块内，通过人工智能语言转化单元将数据转化为单一语言，并通过可视化信息生成模块单元对数据进行进行可视化生成，还可以通过可视化信息提取单元对人工智能比对模型得到的结构进行提取收集，方便可视化信息填充单元与人工智能检验进行工作，。

清洗数据的相关性判断条件为：

S11、将多组数据拆分成多份数，提取出每段数据的首个字符，将字符设为X；

那么可得：

S12、将拆分呈多份的数据导入上述式中，可以得到一连串的数字，再将数据传输至人工智能比对模块内进行比对，选出最相近的几组数据，将其他数据进行清洗；

S13、在对数据进行比对时，将比对的响应时间算入数据的相关性判断，那么响应时间的方程式为：

式中，t为时间，0＜t≤P_i，P_i为时间点；

终止条件：

t^(l+1)＝t^(l)且t^(l)≤P_i，可调度；

t^(l)＞P_i，不可调度；

通过上述工程式，可以计算出相应数据之间的比对相应时间，将数据按照相应时间分为两组，将比对响应时间长的一组数据清洗掉，留下相应时间段的一组数据进行数据模型的生成工作。

综上，本发明在进行使用时，可以通过人工智能比对模块对现有的数据模型与截取的数据进行比对，挑选出最相近的数据模型，再将数据与与其相近的数据模型传输至数据模型生成模块内进行新的数据模型的生成，由于其是在相近的数据模型上修改而来，所以大大减小了从截取数据到产出数据模型的时间，进而使得进行数据可视化分析的速度更快，节省了大量的计算力，本发明在进行数据的截取后，可以对数据进行两次清洗，将多组数据拆分成多份数，将每组数据提取出平均值之后进行平均值的比对，在对数据进行比对时，将比对的响应时间算入数据的相关性判断，将数据按照相应时间分为两组，将比对响应时间长的一组数据清洗掉，留下相应时间段的一组数据进行数据模型的生成工作，洗去不必要的数据及相关度不大的数据，数据被截取后传输至数据分析模块内，通过其内部的有效数据筛选单元对文件进行第一次的清洗，并将第一次清洗掉的无效的数据通过无效数据标记打回单元打回至云数据内，再将进行了一次清洗的数据传输至数据标注模块内，通过数据标注模块内的数据特点记录单元分析此次需要的数据，将特点进行存储并传输至数据信息单元内，通过数据信息反爬虫生成单元对该种数据进行拦截，并将拦截的数据的文件名录入该特点不需要的名录中，防止数据爬虫模块对该数据进行再一次的截取，从而完成对数据的第二次清洗，进行了两次清洗后的数据，可以保证数据模型的生成更为流畅，生成时间更短，降低了垃圾信息对生成时间的影响。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。

尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (10)

1.一种人工智能云数据可视化分析系统，其特征在于，包括人工比对模块、数据处理模块、数据标注模块、数据模型生成模块、可视化生成模块、云数据存储模块、数据分析模块与数据爬虫模块；

所述数据处理模块与数据分析模块通信连接，所述数据处理模块与数据模型生成模块通信连接，所述数据分析模块与数据标注模块通信连接，所述数据分析模块与数据爬虫模块通信连接，所述数据分析模块与云数据存储模块通信连接，所述云数据存储模块与可视化生成模块通信连接，所述云数据存储模块与人工智能比对模块通信连接，所述人工智能比对模块与数据模型生成模块通信连接，所述人工只能那个比对模块与数据标注模块通信连接。

2.根据权利要求1所述的一种人工智能云数据可视化分析系统，其特征在于：所述人工智能比对模块包括人工智能数据分发单元、若干人工智能数据比对单元、人工智能数据调用单元与人工智能数据验算单元；

所述人工智能数据分发单元与人工智能数据比对单元通信连接，所述人工智能数据比对单元与人工智能数据调用单元通信连接，所述人工智能数据调用单元与人工智能数据验算单元通信连接，所述人工智能数据验算单元与人工智能数据分发单元通信连接，所述人工智能数据调用单元与人工智能数据分发单元通信连接。

3.根据权利要求1所述的一种人工智能云数据可视化分析系统，其特征在于：所述云数据存储模块包括若干储存单元、闪存单元、数据写入单元与数据调用单元；

所述闪存单元与数据调用单元通信连接，所述闪存单元与数据写入单元通信连接，所述闪存单元与储存单元均为通信连接。

4.根据权利要求1所述的一种人工智能云数据可视化分析系统，其特征在于：所述数据模型生成模块包括数据模型生成单元、数据分析虚拟机单元、数据模型验算单元与若干数据模型试运行单元；

所述数据模型生成单元与数据分析虚拟机单元通信连接，所述数据分析虚拟机单元与数据模型验算单元通信连接，所述数据分析虚拟机单元与数据模型试运行单元通信连接，所述数据模型试运行单元与数据模型验算单元通信连接。

5.根据权利要求1所述的一种人工智能云数据可视化分析系统，其特征在于：所述可视化生成模块包括人工智能语言转换单元、可视化信息生成模型单元、科室化信息填充单元、人工智能检验单元与科室化信息提取单元；

所述人工智能语言转换单元与可视化信息生成模块单元通信连接，所述可视化信息生成模块单元与可视化信息提取单元通信连接，所述可视化信息生成模板单元与可视化信息填充单元通信连接，所述可视化信息填充单元与人工智能检验单元通信连接。

6.根据权利要求1所述的一种人工智能云数据可视化分析系统，其特征在于：所述数据处理模块包括数据信息处理调用分配单元、若干数据信息处理单元、数据模型调用单元与数据信息杀毒单元；

所述数据信息处理调用分配单元与数据信息处理单元通信连接，所述数据信息处理单元与数据模型调用单元通信连接，所述数据模型调用单元与数据信息杀毒单元通信连接。

7.根据权利要求6所述的一种人工智能云数据可视化分析系统，其特征在于：所述数据爬虫模块包括数据关键词定位单元、数据爬虫单元、数据整理单元与数据收发单元；

所述数据关键词定位单元与数据爬虫单元通信连接，所述数据爬虫单元与数据整理单元通信连接，所述数据整理单元与数据收发单元通信连接。

8.根据权利要求6所述的一种人工智能云数据可视化分析系统，其特征在于：所述数据分析模块包括数据分析单元、有效数据筛选单元、有效数据传输单元与无效数据标记打回单元；

所述数据分析单元与有效数据筛选单元通信连接，所述有效数据筛选单；与有效数据输送单元通信连接，所述有效数据输送单元与无效数据标记打回单元；

所述数据标注模块包括数据信息单元、数据特点记录单元、数据信息反爬虫生成单元、数据文件名录录入单元与数据文件名录比对单元；

所述数据信息单元与数据特点记录单元通信连接，所述数据信息单元与数据信息反爬虫生成单元通信连接，所述数据信息反爬虫生成单元与数据文件名录录入单元通信连接，所述数据文件名录录入单元与数据文件名录比对单元通信连接。

9.根据权利要求1所述的一种人工智能云数据可视化分析系统的分析方法，其特征在于：其分析方法为：

S1、通过数据爬虫模块对云数据内与分析系统相关的文件截取下来，通过数据整理单元进行统一整理，再传输至数据分析模块内，通过其内部的有效数据筛选单元对文件进行第一次的清洗，并将第一次清洗掉的无效的数据通过无效数据标记打回单元打回至云数据内；

S2、再将进行了一次清洗的数据传输至数据标注模块内，通过数据标注模块内的数据特点记录单元分析此次需要的数据，将特点进行存储并传输至数据信息单元内；

S3、再通过数据信息反爬虫生成单元对该种数据进行拦截，并将拦截的数据的文件名录入该特点不需要的名录中，防止数据爬虫模块对该数据进行再一次的截取，从而完成对数据的第二次清洗；

S4、在第二次数据的清洗完成后，将数据传输至人工智能比对模块内，人工智能比对模块再从云数据存储模块内对现有的该特点的数据进行调用，再对两组数据进行比对，如果两组数据的重复高，则将该数据输入数据模型生成模块内进行数据模型的生成，数据模型的生成以从云数据存储模块内提取的数据配套的数据模型为基础进行生成；

S5、在数据模型生成后，将数据模型传输至处理模块内，进而控制数据爬虫模块只截取符合该数据模型的数据，最后将截取的大量数据通过数据处理模块进行处理；

S6、在处理完成后，将数据传输至可视化生成模块内，通过人工智能语言转化单元将数据转化为单一语言，并通过可视化信息生成模块单元对数据进行进行可视化生成。

10.根据权利要求9所述的一种人工智能云数据可视化分析系统的分析方法，其特征在于：清洗数据的相关性判断条件为：

S11、将多组数据拆分成多份数，提取出每段数据的首个字符，将字符设为X；

那么可得：

S12、将拆分呈多份的数据导入上述式中，可以得到一连串的数字，再将数据传输至人工智能比对模块内进行比对，选出最相近的几组数据，将其他数据进行清洗；

S13、在对数据进行比对时，将比对的响应时间算入数据的相关性判断，那么响应时间的方程式为：

式中，t为时间，0＜t≤P_i，P_i为时间点；

终止条件：

t^(l+1)＝t^(l)且t^(l)≤P_i，可调度；

t^(l)＞P_i，不可调度；

通过上述工程式，可以计算出相应数据之间的比对相应时间，将数据按照相应时间分为两组，将比对响应时间长的一组数据清洗掉，留下相应时间段的一组数据进行数据模型的生成工作。