CN117407744B - 基于数字孪生的多源数据融合方法 - Google Patents
基于数字孪生的多源数据融合方法 Download PDFInfo
- Publication number
- CN117407744B CN117407744B CN202311703576.XA CN202311703576A CN117407744B CN 117407744 B CN117407744 B CN 117407744B CN 202311703576 A CN202311703576 A CN 202311703576A CN 117407744 B CN117407744 B CN 117407744B
- Authority
- CN
- China
- Prior art keywords
- data
- trend
- sequence
- fusion
- target data
- 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.)
- Active
Links
- 238000007500 overflow downdraw method Methods 0.000 title claims abstract description 21
- 238000012544 monitoring process Methods 0.000 claims abstract description 77
- 230000004927 fusion Effects 0.000 claims abstract description 59
- 238000011156 evaluation Methods 0.000 claims abstract description 23
- 238000005457 optimization Methods 0.000 claims abstract description 6
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 5
- 230000002159 abnormal effect Effects 0.000 claims description 34
- 238000013450 outlier detection Methods 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 abstract description 5
- 238000000034 method Methods 0.000 description 11
- 230000005856 abnormality Effects 0.000 description 4
- 238000005259 measurement Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000012854 evaluation process Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/251—Fusion techniques of input or preprocessed data
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
- G08G1/012—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from other sources than vehicle or roadside beacons, e.g. mobile networks
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
- G08G1/0133—Traffic data processing for classifying traffic situation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Probability & Statistics with Applications (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及多源数据融合计算领域,具体涉及基于数字孪生的多源数据融合方法,该方法包括:获取城市交通系统中各周期各监测点处各维数据的数据序列;采用时间序列分解算法对数据序列进行分解得到数据变化趋势序列;将各维数据记为各目标数据,根据目标数据与各剩余数据的数据变化趋势序列的相关性得到多维趋势相关性;根据目标数据的数据序列及数据变化趋势序列之间的差异分布得到趋势跳变程度;根据趋势跳变程度以及多维趋势相关性得到目标数据的融合参与度;根据各维数据在各监测点的融合参与度、数据序列之间的差异得到任意两个监测点的相似性评价;基于相似性评价优化聚类算法得到各监测点的交通状况。本发明提高了数据融合的精度。
Description
技术领域
本申请涉及多源数据融合计算领域,具体涉及基于数字孪生的多源数据融合方法。
背景技术
基于数字孪生的多源数据融合是指将来自不同数据源的多种数据整合到一个与物理世界相对应的虚拟的数字孪生模型中,以实现对物理世界的实时监测和分析。在智能交通领域中,融合来自不同数据源的信息,可以获取更全面和准确的实时状态和动态信息,以实现对交通状况的实时监测,帮助交通管理部门和驾驶者了解道路状况并做出相应调整。
传统的数据融合方法是通过对不同数据源的数据分别进行处理后直接进行加权融合等技术手段获得最终的融合结果。对于交通状况的实时监测来说,气象因素、道路条件等也可能对交通状况产生重要影响,而传统的数据融合方法没有考虑到不同数据源之间的相关性,导致数据融合的准确性不高。
发明内容
为了解决上述技术问题,本发明提供基于数字孪生的多源数据融合方法,以解决现有的问题。
本发明的基于数字孪生的多源数据融合方法采用如下技术方案:
本发明一个实施例提供了基于数字孪生的多源数据融合方法,该方法包括以下步骤:
获取城市交通系统中各周期各监测点处各维数据的数据序列;
采用时间序列分解算法对数据序列进行分解得到数据变化趋势序列;将各维数据记为各目标数据,将除目标数据外的其他数据记为各剩余数据;根据目标数据与各剩余数据的数据变化趋势序列之间的相关性得到目标数据的多维趋势相关性;根据目标数据的数据序列及数据变化趋势序列得到趋势偏移序列;采用LOF异常检测算法获取趋势偏移序列中各元素的LOF离群因子,将大于预设阈值的LOF离群因子的元素对应的时刻记为趋势异常时刻;
根据目标数据的趋势异常时刻的分布得到趋势跳变程度;根据趋势跳变程度以及多维趋势相关性得到目标数据的融合参与度;根据目标数据在所有监测点的融合参与度与其他所有剩余数据之间的差异得到目标数据的融合权重;对于任意两个监测点,根据各维数据的数据序列之间的差异以及融合权重得到任意两个监测点的相似性评价;
基于监测点之间的相似性评价优化聚类算法中的聚类距离得到各监测点的交通状况。
优选的,所述获取城市交通系统中各周期各监测点处各维数据的数据序列,包括:
所述各维数据包括但不限于:温度、湿度、车流量和平均车速。
优选的,所述根据目标数据与各剩余数据的数据变化趋势序列之间的相关性得到目标数据的多维趋势相关性,包括:
计算所有任意两个维度数据的数据变化趋势序列之间的皮尔逊相关系数均值作为第一均值;
计算目标数据与所有剩余数据之间的皮尔逊相关系数均值作为第二均值;
将第二均值与第一均值的比值作为目标数据的多维趋势相关性。
优选的,所述根据目标数据的数据序列及数据变化趋势序列得到趋势偏移序列,包括:
计算目标数据的数据序列和数据变化趋势序列对应各时刻数据的差值绝对值,将所有时刻的所述差值绝对值按照时间顺序组成目标数据的趋势偏移序列。
优选的,所述根据目标数据的趋势异常时刻的分布得到趋势跳变程度,包括:
对于目标数据中的各趋势异常时刻,计算任意相邻趋势异常时刻之间的时刻距离,将目标数据中所有任意相邻的所述时刻距离按照时间顺序组成异常分布序列;
获取异常分布序列中的最小值和最大值,按照最小值、最大值将异常分布序列划分成三个子区间;
计算各子区间中出现的数据数量与异常分布序列中的数据总量的比值,获取所述比值中的最大值所在子区间的最大分布间隔;
计算趋势异常时刻的数量与目标数据的数据序列的总时刻数量的比值作为第一比值,计算异常分布序列的变异系数与所述最大分布间隔的比值作为第二比值;
将第一比值与第二比值的乘积作为目标数据的趋势跳变程度。
优选的,所述获取所述比值中的最大值所在子区间的最大分布间隔,包括:
所述子区间的最大分布间隔为子区间的左右边界时刻的均值。
优选的,所述根据趋势跳变程度以及多维趋势相关性得到目标数据的融合参与度,包括:
将多维趋势相关性与趋势跳变程度的比值作为目标数据的融合参与度。
优选的,所述根据目标数据在所有监测点的融合参与度与其他所有剩余数据之间的差异得到目标数据的融合权重,包括:
获取目标数据在所有监测点的融合参与度的均值;获取所有维度数据在所有监测点的融合参与度均值的和值;
将所述均值与所述和值的比值作为目标数据的融合权重。
优选的,所述根据各维数据的数据序列之间的差异以及融合权重得到任意两个监测点的相似性评价,包括:
对于各维数据的数据序列,计算任意两个监测点的数据序列均值的差值,计算所述差值的平方与融合权重的乘积;
将所有维度数据的所述乘积的和值的开根号值作为任意两个监测点的相似性评价。
优选的,所述基于监测点之间的相似性评价优化聚类算法中的聚类距离得到各监测点的交通状况,包括:
将监测点之间的相似性评价作为聚类算法中的聚类距离得到各聚类簇;
将各聚类簇的簇心的交通状况作为簇心所在聚类簇内各监测点的交通状况,其中,所述簇心的交通状况为簇心对应监测点的多维数据。
本发明至少具有如下有益效果:
本发明通过分析城市交通系统的多源数据的变化趋势之间的相关性,根据每个维度数据的数据序列获得多维趋势相关性,多维趋势相关性对监测点的每个维度数据与其他维度数据的变化趋势的相关情况进行评价,反映了每个维度对聚类结果的影响程度;
通过分析每个维度数据的数据序列偏离趋势序列的程度对数据融合准确度的影响,结合多维趋势相关性获得每个维度数据的融合参与度,进而根据融合参与度在聚类过程的相似性评价中对不同维度的数据设置不同的权重,提高了数据融合的精度。
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为本发明提供的基于数字孪生的多源数据融合方法的流程图;
图2为交通状况评价的多数据融合优化过程。
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基于数字孪生的多源数据融合方法,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。
下面结合附图具体的说明本发明所提供的基于数字孪生的多源数据融合方法的具体方案。
本发明一个实施例提供的基于数字孪生的多源数据融合方法。
具体的,提供了如下的基于数字孪生的多源数据融合方法,请参阅图1,该方法包括以下步骤:
步骤S001,基于数字孪生模型获取城市交通系统的多源数据。
通过数字孪生模型获取由道路传感器采集的城市道路中每个路口监测点处的交通数据,交通数据包括温度、湿度、车流量和平均车速等,本实施例将采集的交通数据的维度设置为4,实施者可自行设定。将分钟作为一个周期,/>的经验取值为10,周期内采集的时间间隔为/>秒,/>的经验取值为5,则周期内采集的数据长度/>,共采集/>个周期。
需要说明的是,车流量为采集时刻在时间间隔t秒内通过传感器位置的车辆的数量;平均车速为采集时刻通过传感器位置的所有车辆的瞬时速度的平均值。
步骤S002,通过分析城市交通系统的多源数据的变化趋势之间关系得到不同监测点之间的相似性评价,根据相似性评价优化聚类算法,实现多源数据的融合。
对城市交通系统的多源数据进行融合,是为了将多源数据中具有相似特征的监测点归为一类,进而分析不同类别下的监测点对应的路口的交通状况。使用K-means算法对不同监测点的交通数据进行聚类时,聚类结果容易受到异常监测值的影响,导致聚类结果不准确,进而影响交通状况的分析。
为同一量纲,对获取的交通数据分别进行归一化处理,将监测点处周期内所有采集时刻的温度按照时间顺序排列获得温度序列,并按照温度序列获取的方法,根据采集时刻的湿度、车流量和平均车速获得湿度序列/>、车流量序列/>和平均车速序列/>。后续为方便描述,将/>记为第/>维数据的数据序列,本实施例中/>的取值范围为1到4之间的整数。
不同维度的交通数据之间的变化趋势存在较大的相关性,例如,当地面的湿度不断增加时,说明天气环境恶劣,不利于出行,此时车辆的平均速度会减小。相关性较大的维度数据之间具有更强的关联性,在聚类过程中会引导样本点更紧密地聚集在一起,若对不同维度的数据进行融合时不考虑不同维度数据之间的相关性,则融合结果会受到异常值的影响,导致融合结果不准确。
因此,本实施例对监测点处的第个周期的交通数据获取每个维度数据的多维趋势相关性。首先对监测点处的第/>个周期第/>维数据的数据序列/>使用STL时间序列分解算法进行分解获得监测点处的第/>个周期第/>维数据的数据变化趋势序列/>,STL时间序列分解算法为公知技术,本实施例不再赘述。根据不同维度的数据变化趋势序列之间的相关性计算监测点处每个维度数据的多维趋势相关性,计算公式为:
其中,为监测点处的第/>个周期第/>维数据的多维趋势相关性;为监测点处的第/>个周期第/>维数据的数据变化趋势序列/>与监测点处的第/>个周期第/>维数据的数据变化趋势序列/>之间的皮尔逊相关系数;为监测点处第/>个周期第/>维数据的数据变化趋势序列/>与监测点处第/>个周期第/>维数据的数据变化趋势序列/>之间的皮尔逊相关系数。其中,为第一均值,/>为第二均值。
当第维数据的数据变化趋势序列与其余所有维度的数据变化趋势序列之间的相关系数越大时,说明第/>维数据与其他维度数据之间的变化趋势存在较大的相关性;当第/>维数据的数据变化趋势序列与其余维度的数据变化趋势序列之间的相关系数均值相比于任意两个维度之间的数据变化趋势序列之间的相关系数均值越大时,说明第/>维数据与其他维度数据之间的变化趋势的相关性相对于所有维度来说较大,则第/>维数据的多维趋势相关性越大,对聚类结果的影响程度越大。
基于上述分析,多维趋势相关性越大的维度数据对聚类结果的影响越大,因此,在聚类过程中应加重对该维度数据的考虑。对监测点进行聚类时,为防止异常监测值对聚类结果的影响,根据每个维度数据在周期内的变化趋势对每个时刻的趋势偏移程度进行判断。
首先,将第个周期的第/>维数据的数据序列/>与第/>个周期第/>维数据的数据变化趋势序列/>之间对应元素的差值的绝对值按照时间顺序排列获得第/>个周期的第/>维数据的趋势偏移序列。
对第个周期的第/>维数据的趋势偏移序列使用LOF异常检测算法获得趋势偏移序列中每个元素的LOF离群因子;当LOF离群因子越大时,说明元素对应时刻的趋势偏移幅度越异常。将趋势偏移序列中LOF离群因子大于阈值/>的元素对应的时刻记为趋势异常时刻/>,/>的经验取值为0.7。
获取第维数据在第/>个周期中趋势异常时刻的数量,将第/>维数据在周期内相邻的趋势异常时刻之间的欧氏距离按照时间顺序排列获得异常分布序列/>,。将异常分布序列/>中的最小值/>与最大值/>组成的区间平均分为3个子区间,获取每个子区间的概率分布,子区间的概率分布为落入子区间的数据数量与数据总量/>的比值。子区间的概率分布越大,说明相邻时刻的间隔在该区间分布的最多,把概率分布最大的子区间作为最大分布子区间,则最大分布间隔/>。
计算监测点处第个周期的第/>维数据的趋势跳变程度/>,进而结合多维趋势相关性计算监测点处第/>个周期的第/>维数据的融合参与度/>,计算公式为:
其中,为监测点处第/>个周期的第/>维数据的趋势跳变程度;/>为监测点处第个周期中第/>维数据的趋势异常时刻的数量;/>为周期内采集的数据长度;/>为最大分布间隔;/>为异常分布序列/>的变异系数;/>为监测点处的第/>个周期第/>维数据的多维趋势相关性;/>为监测点处第/>个周期的第/>维数据的融合参与度,其中,/>为第一比值,为第二比值。
当周期内第维数据的趋势异常时刻的占比越大,且相邻趋势异常时刻之间的间隔整体较小时,说明该维数据在周期内的趋势异常时刻分布越多越密集,则趋势跳变程度越大,该维数据在周期内的异常程度越大;当异常分布序列的变异系数越大时,该维数据在周期内的分布越离散,则趋势跳变程度越大,该维数据在周期内的异常程度越大。
当周期内第维数据的多维趋势相关性越大且趋势跳变程度越小时,说明周期内该维数据的融合参与度越大,在聚类的相似度评价过程中应给予该维数据较大的权重。
基于上述分析,针对K-means算法对多维数据进行聚类时,受到异常值的影响较大的问题,修改K-means算法中的相似度度量准则,使多维趋势相关性较大且异常程度较小的数据在相似度度量中占据主要位置。
首先获取所有监测点第个周期的第/>维数据的融合参与度/>的均值/>,根据不同维度数据的融合参与度,对不同维度的数据设置不同的权重,进而计算不同监测点之间的相似性评价,计算公式为:
其中,为监测点/>与监测点/>之间的相似性评价;/>为第/>维数据的融合权重;/>为所有监测点第/>个周期的第/>维数据的融合参与度/>的均值;/>为所有监测点第/>个周期的第/>维数据的融合参与度/>的均值;/>为监测点/>处第/>个周期的第/>维数据的数据序列的均值;/>为监测点/>处第/>个周期的第/>维数据的数据序列的均值。
在相似性评价中,对不同维度的数据设置了不同的权重,使用相似性评价代替欧式距离作为K-means算法中的相似度度量准则,使用K-means算法对所有监测点进行聚类,其中K取经验值5。
将每个聚类簇的簇心对应监测点处的各维数据作为监测点的交通状况,即将各维数据以可视化的方式展示给相关人员,包括但不限于温度变化示意图、路段交通流量的实时监测等,通过相关人员对监测点的交通状况进行分析,从而得到每个聚类簇的簇心对应的监测点处的交通状况。
同时,将每个聚类簇中的簇心对应的监测点的交通状况应用到该聚类簇内所有监测点的交通状况。其中,交通状况评价的多数据融合优化过程如图2所示。
本发明实施例通过分析城市交通系统的多源数据的变化趋势之间的相关性,根据每个维度数据的数据序列获得多维趋势相关性,多维趋势相关性对监测点的每个维度数据与其他维度数据的变化趋势的相关情况进行评价,反映了每个维度对聚类结果的影响程度;
通过分析每个维度数据的数据序列偏离趋势序列的程度对数据融合准确度的影响,结合多维趋势相关性获得每个维度数据的融合参与度,进而根据融合参与度在聚类过程的相似性评价中对不同维度的数据设置不同的权重,提高了数据融合的精度。
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。且上述对本说明书特定实施例进行了描述。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或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。
以上所述实施例仅用以说明本申请的技术方案,而非对其限制;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,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范围,均应包含在本申请的保护范围之内。
Claims (7)
1.基于数字孪生的多源数据融合方法,其特征在于,该方法包括以下步骤:
获取城市交通系统中各周期各监测点处各维度数据的数据序列;所述各维度数据包括:温度、湿度、车流量和平均车速;
采用时间序列分解算法对数据序列进行分解得到数据变化趋势序列;将各维度数据分别记为各目标数据,对于各目标数据,将除目标数据外的其他维度数据记为各剩余数据;根据目标数据与各剩余数据的数据变化趋势序列之间的相关性得到目标数据的多维趋势相关性;根据目标数据的数据序列及数据变化趋势序列得到趋势偏移序列;采用LOF异常检测算法获取趋势偏移序列中各元素的LOF离群因子,将大于预设阈值的LOF离群因子的元素对应的时刻记为趋势异常时刻;
根据目标数据的趋势异常时刻的分布得到趋势跳变程度;根据趋势跳变程度以及多维趋势相关性得到目标数据的融合参与度;根据目标数据与其他所有剩余数据的在所有监测点的融合参与度之间的差异得到目标数据的融合权重;对于任意两个监测点,根据各维度数据的数据序列之间的差异以及融合权重得到任意两个监测点的相似性评价;
基于监测点之间的相似性评价优化聚类算法中的聚类距离得到各监测点的交通状况;
所述根据目标数据与各剩余数据的数据变化趋势序列之间的相关性得到目标数据的多维趋势相关性,包括:
计算所有任意两个维度数据的数据变化趋势序列之间的皮尔逊相关系数均值作为第一均值;
计算目标数据与所有剩余数据之间的皮尔逊相关系数均值作为第二均值;
将第二均值与第一均值的比值作为目标数据的多维趋势相关性;
所述根据目标数据的趋势异常时刻的分布得到趋势跳变程度,包括:
对于目标数据中的各趋势异常时刻,计算任意相邻趋势异常时刻之间的时刻距离,将目标数据中所有任意相邻的所述时刻距离按照时间顺序组成异常分布序列;
获取异常分布序列中的最小值和最大值,按照最小值、最大值将异常分布序列划分成三个子区间;
计算各子区间中出现的数据数量与异常分布序列中的数据总量的比值,获取所述比值中的最大值所在子区间的最大分布间隔;
计算趋势异常时刻的数量与目标数据的数据序列的总时刻数量的比值作为第一比值,计算异常分布序列的变异系数与所述最大分布间隔的比值作为第二比值;
将第一比值与第二比值的乘积作为目标数据的趋势跳变程度。
2.如权利要求1所述的基于数字孪生的多源数据融合方法,其特征在于,所述根据目标数据的数据序列及数据变化趋势序列得到趋势偏移序列,包括:
计算目标数据的数据序列和数据变化趋势序列对应各时刻数据的差值绝对值,将所有时刻的所述差值绝对值按照时间顺序组成目标数据的趋势偏移序列。
3.如权利要求1所述的基于数字孪生的多源数据融合方法,其特征在于,所述获取所述比值中的最大值所在子区间的最大分布间隔,包括:
所述子区间的最大分布间隔为子区间的左右边界时刻的均值。
4.如权利要求1所述的基于数字孪生的多源数据融合方法,其特征在于,所述根据趋势跳变程度以及多维趋势相关性得到目标数据的融合参与度,包括:
将多维趋势相关性与趋势跳变程度的比值作为目标数据的融合参与度。
5.如权利要求4所述的基于数字孪生的多源数据融合方法,其特征在于,所述根据目标数据与其他所有剩余数据的在所有监测点的融合参与度之间的差异得到目标数据的融合权重,包括:
获取目标数据在所有监测点的融合参与度的均值;获取所有维度数据在所有监测点的融合参与度均值的和值;
将所述目标数据在所有监测点的融合参与度的均值与所述和值的比值作为目标数据的融合权重。
6.如权利要求5所述的基于数字孪生的多源数据融合方法,其特征在于,所述根据各维度数据的数据序列之间的差异以及融合权重得到任意两个监测点的相似性评价,包括:
对于各维度数据的数据序列,计算任意两个监测点的数据序列均值的差值,计算所述差值的平方与融合权重的乘积;
将所有维度数据的所述乘积的和值的开根号值作为任意两个监测点的相似性评价。
7.如权利要求6所述的基于数字孪生的多源数据融合方法,其特征在于,所述基于监测点之间的相似性评价优化聚类算法中的聚类距离得到各监测点的交通状况,包括:
将监测点之间的相似性评价作为聚类算法中的聚类距离得到各聚类簇;
将各聚类簇的簇心的交通状况作为簇心所在聚类簇内各监测点的交通状况,其中,所述簇心的交通状况为簇心对应监测点的多维数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311703576.XA CN117407744B (zh) | 2023-12-13 | 2023-12-13 | 基于数字孪生的多源数据融合方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311703576.XA CN117407744B (zh) | 2023-12-13 | 2023-12-13 | 基于数字孪生的多源数据融合方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117407744A CN117407744A (zh) | 2024-01-16 |
CN117407744B true CN117407744B (zh) | 2024-03-22 |
Family
ID=89489295
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311703576.XA Active CN117407744B (zh) | 2023-12-13 | 2023-12-13 | 基于数字孪生的多源数据融合方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117407744B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112199421A (zh) * | 2020-12-04 | 2021-01-08 | 中国电力科学研究院有限公司 | 一种多源异构数据融合和量测数据多源互校验方法及系统 |
CN112216101A (zh) * | 2020-09-08 | 2021-01-12 | 吉林大学 | 一种基于弹性学习框架的交通预测方法及系统 |
CN113177575A (zh) * | 2021-03-31 | 2021-07-27 | 北京理工大学 | 一种基于动态时间规整与k-means聚类的边坡形变区域划分方法 |
CN116011686A (zh) * | 2023-03-28 | 2023-04-25 | 山东创宇环保科技有限公司 | 基于多数据融合的充电棚光伏发电储量预测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116415126A (zh) * | 2021-12-23 | 2023-07-11 | 斯凯孚公司 | 用于造纸机的刮刀的异常检测的方法、装置和计算设备 |
-
2023
- 2023-12-13 CN CN202311703576.XA patent/CN117407744B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112216101A (zh) * | 2020-09-08 | 2021-01-12 | 吉林大学 | 一种基于弹性学习框架的交通预测方法及系统 |
CN112199421A (zh) * | 2020-12-04 | 2021-01-08 | 中国电力科学研究院有限公司 | 一种多源异构数据融合和量测数据多源互校验方法及系统 |
CN113177575A (zh) * | 2021-03-31 | 2021-07-27 | 北京理工大学 | 一种基于动态时间规整与k-means聚类的边坡形变区域划分方法 |
CN116011686A (zh) * | 2023-03-28 | 2023-04-25 | 山东创宇环保科技有限公司 | 基于多数据融合的充电棚光伏发电储量预测方法 |
Non-Patent Citations (2)
Title |
---|
Detection and classification of sensor anomalies for simulating urban traffic scenarios;Chiara Bachechi et al.;Cluster Computing;20211123;第2793-2817页 * |
变工况下滑动磨损静电多传感器融合监测方法;张进武 等;传感器与微系统;20201231;第39卷(第12期);第149-152、160页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117407744A (zh) | 2024-01-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116013087B (zh) | 一种基于城市运动车辆检测的车流量统计方法 | |
CN111415752B (zh) | 一种融合气象因素和搜索指数的手足口病预测方法 | |
CN105403245A (zh) | 日光温室无线传感器多数据融合方法 | |
CN113743013A (zh) | 一种基于XGBoost气温预测数据修正的方法 | |
CN111352113A (zh) | 一种强对流天气短临预报方法及系统、存储介质和终端 | |
CN117332283B (zh) | 一种中药材生长信息采集分析方法及系统 | |
CN116992322B (zh) | 一种智慧城市数据中心管理系统 | |
WO2020253338A1 (zh) | 一种基于交通大数据的道路通行能力提取方法 | |
CN116404186B (zh) | 一种功率型锂锰电池生产系统 | |
CN105678047A (zh) | 融合经验模态分解降噪和复杂网络分析的风场表征方法 | |
CN114186337A (zh) | 一种基于多源数据融合的压气机旋转失速预测方法 | |
CN113858566B (zh) | 一种基于机器学习的注塑机能耗预测方法及系统 | |
CN117407744B (zh) | 基于数字孪生的多源数据融合方法 | |
CN116883026B (zh) | 基于大数据的农产品产地溯源方法及系统 | |
CN117289778B (zh) | 一种工控主机电源健康状态的实时监测方法 | |
CN117313017B (zh) | 一种彩叶研发数据处理方法及系统 | |
Ghosh et al. | Cross-correlation based classification of electrical appliances for non-intrusive load monitoring | |
CN112965965A (zh) | 一种基于模糊预测系统的野值剔除方法、系统及计算机相关产品 | |
CN117930872B (zh) | 基于深度强化学习的大规模无人机集群飞行系统 | |
CN113807431A (zh) | 一种基于多源信息融合的智能主轴状态评估方法和系统 | |
CN114065335A (zh) | 基于多尺度卷积循环神经网络的建筑物能耗预测方法 | |
CN110378369B (zh) | 应用人工智能分析的广域水务状态可视化系统及方法 | |
Shao et al. | A dimensionless immune intelligent fault diagnosis system for rotating machinery | |
CN110533108A (zh) | 一种基于孤立森林算法的销量异常值检测方法 | |
CN117370898B (zh) | 一种电子数据安全管控系统 |
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 |