CN117615359A - 基于多种规则引擎的蓝牙数据传输方法及系统 - Google Patents
基于多种规则引擎的蓝牙数据传输方法及系统 Download PDFInfo
- Publication number
- CN117615359A CN117615359A CN202311606361.6A CN202311606361A CN117615359A CN 117615359 A CN117615359 A CN 117615359A CN 202311606361 A CN202311606361 A CN 202311606361A CN 117615359 A CN117615359 A CN 117615359A
- Authority
- CN
- China
- Prior art keywords
- transmission
- scene
- data
- target
- bluetooth
- 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.)
- Pending
Links
- 230000005540 biological transmission Effects 0.000 title claims abstract description 390
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000012545 processing Methods 0.000 claims abstract description 177
- 238000012549 training Methods 0.000 claims description 32
- 238000003062 neural network model Methods 0.000 claims description 28
- 238000004422 calculation algorithm Methods 0.000 claims description 21
- 230000006870 function Effects 0.000 claims description 11
- 238000012163 sequencing technique Methods 0.000 claims description 7
- 239000002131 composite material Substances 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 6
- 230000014759 maintenance of location Effects 0.000 claims description 5
- 238000012795 verification Methods 0.000 claims description 5
- 230000000694 effects Effects 0.000 abstract description 11
- 238000010586 diagram Methods 0.000 description 5
- 239000011159 matrix material Substances 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000003053 immunization Effects 0.000 description 1
- 238000002649 immunization Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Landscapes
- Mobile Radio Communication Systems (AREA)
Abstract
本发明公开了一种基于多种规则引擎的蓝牙数据传输方法及系统,该方法包括:在目标蓝牙数据准备传输时,确定蓝牙传输设备所在区域的传感网络类型;根据所述目标蓝牙数据的数据信息,和所述传感网络类型,确定所述目标蓝牙数据对应的传输场景参数;根据所述传输场景参数,从多个候选传输处理规则中确定目标传输处理规则;基于所述目标传输处理规则,对所述目标蓝牙数据进行处理和传输。可见,本发明能够实现更有针对性和更高效率的蓝牙数据传输处理,提高蓝牙传输的效率和效果,实现蓝牙智能化传输。
Description
技术领域
本发明涉及数据预测技术领域,尤其涉及一种基于多种规则引擎的蓝牙数据传输方法及系统。
背景技术
随着蓝牙数据传输技术的发展,蓝牙协议的类型、蓝牙设备的类型以及蓝牙数据传输的应用场景都大幅度地增加,如何实现更加智能化的蓝牙数据传输成为了一个关键的技术问题。
但现有技术在实现蓝牙数据传输时,没有考虑到通过数据信息和网络类型来预测传输场景,以应用相应的数据传输规则,因此显然现有技术实现的蓝牙数据传输技术的智能化程度有所欠缺。可见,现有技术存在缺陷,亟需解决。
发明内容
本发明所要解决的技术问题在于,提供一种基于多种规则引擎的蓝牙数据传输方法及系统,能够实现更有针对性和更高效率的蓝牙数据传输处理,提高蓝牙传输的效率和效果,实现蓝牙智能化传输。
为了解决上述技术问题,本发明第一方面公开了一种基于多种规则引擎的蓝牙数据传输方法,所述方法包括:
在目标蓝牙数据准备传输时,确定蓝牙传输设备所在区域的传感网络类型;
根据所述目标蓝牙数据的数据信息,和所述传感网络类型,确定所述目标蓝牙数据对应的传输场景参数;
根据所述传输场景参数,从多个候选传输处理规则中确定目标传输处理规则;
基于所述目标传输处理规则,对所述目标蓝牙数据进行处理和传输。
作为一种可选的实施方式,在本发明第一方面中,所述数据信息包括数据量、数据类型、数据目标传输终端信息、数据内容中的至少一种;和/或,所述传感网络类型包括服务器类型、蓝牙类型、单一服务器网络、多服务器网络、单一蓝牙类型网络、多蓝牙类型复合网络中的至少一种。
作为一种可选的实施方式,在本发明第一方面中,所述确定蓝牙传输设备所在区域的传感网络类型,包括:
获取蓝牙传输设备的历史位置记录和历史数据传输记录;
筛选出所述历史位置记录中处于当前所在区域内的位置记录,得到多个历史目标位置;
根据每一所述历史目标位置的获取时间点,从所述历史数据传输记录中确定每一所述历史目标位置对应的同一时间点的目标传输数据记录;
统计每一所述目标传输数据记录中的比例最高的服务器标识数量和蓝牙传输类型,以确定所述蓝牙传输设备所在区域的传感网络类型。
作为一种可选的实施方式,在本发明第一方面中,所述根据所述目标蓝牙数据的数据信息,和所述传感网络类型,确定所述目标蓝牙数据对应的传输场景参数,包括:
将所述目标蓝牙数据的数据信息,输入至训练好的第一场景预测神经网络模型,得到所述目标蓝牙数据对应的第一预测传输场景参数;所述第一场景预测神经网络模型通过包括有多个训练数据信息和对应的传输场景标注的训练数据集训练得到;
将所述传感网络类型,输入至训练好的第二场景预测神经网络模型,得到所述目标蓝牙数据对应的第二预测传输场景参数;所述第二场景预测神经网络模型通过包括有多个训练传感网络类型和对应的传输场景标注的训练数据集训练得到;
根据所述第一预测传输场景参数和所述第二预测传输场景参数,确定所述目标蓝牙数据对应的传输场景参数。
作为一种可选的实施方式,在本发明第一方面中,所述根据所述第一预测传输场景参数和所述第二预测传输场景参数,确定所述目标蓝牙数据对应的传输场景参数,包括:
确定所述第一预测传输场景参数和所述第二预测传输场景参数的交集参数,得到第一传输场景参数;
将所述第一预测传输场景参数和所述第二预测传输场景参数中除所述第一传输场景参数外的所有其他场景参数确定为第一候选场景参数;
将多个所述候选场景参数中不符合预设的参数冲突规则的参数,确定为第二传输场景参数;
将多个所述候选场景参数中符合预设的参数冲突规则的参数确定为第二候选场景参数;
计算每一所述第二候选场景参数对应的预测概率和模型权重的乘积;所述模型权重与该第二候选场景参数对应的场景预测神经网络模型在验证阶段的预测准确率成正比;
根据所述乘积从大到小对所有所述第二候选场景参数进行排序得到参数序列;
将所述参数序列中前预设数量位的且所述乘积大于预设的乘积阈值的所有所述第二候选场景参数确定为第三传输场景参数;
将所述第一候选场景参数、所述第二候选场景参数和所述第三候选场景参数的组合确定为所述目标蓝牙数据对应的传输场景参数。
作为一种可选的实施方式,在本发明第一方面中,所述传输场景参数包括传输场景类型、传输场景风险和传输场景要求;以及,所述根据所述传输场景参数,从多个候选传输处理规则中确定目标传输处理规则,包括:
根据所述传输场景参数,和预设的参数和规则的对应关系,确定所述传输场景参数对应的多个候选传输处理规则;
确定每一所述候选传输规则对应的历史应用记录;
计算每一所述候选传输规则对应的历史应用记录中的场景参数,和所述传输场景参数之间的参数相似度;
根据所述参数相似度从大到小,对所有所述候选传输规则进行排序以得到规则序列;
将所述规则序列前预设数量位的且所述参数相似度大于预设的相似度阈值的所有所述候选传输处理规则,确定为目标传输处理规则。
作为一种可选的实施方式,在本发明第一方面中,所述基于所述目标传输处理规则,对所述目标蓝牙数据进行处理和传输,包括:
设定目标函数为处理方案中应用的所述目标传输处理规则的数量达到最大;
设定限定条件包括处理方案中应用的任意两个所述目标传输处理规则之间不存在冲突,处理方案对应的处理时间小于预设的时间阈值,处理方案对应的数据处理结果满足预设的结果规则;所述结果规则包括结果数据量规则、结果数据标识保留度规则和结果数据类型规则;所述处理时间和所述数据处理结果通过预设的模拟算法对处理方案进行模拟以得到;
根据所述模拟算法、所述目标函数和所述限定条件,基于动态规划算法,计算出所有所述目标传输处理规则对应的最佳的处理方案;
根据所述最佳的处理方案,对所述目标蓝牙数据进行处理和传输。
本发明第二方面公开了一种基于多种规则引擎的蓝牙数据传输系统,所述系统包括:
第一确定模块,用于在目标蓝牙数据准备传输时,确定蓝牙传输设备所在区域的传感网络类型;
第二确定模块,用于根据所述目标蓝牙数据的数据信息,和所述传感网络类型,确定所述目标蓝牙数据对应的传输场景参数;
第三确定模块,用于根据所述传输场景参数,从多个候选传输处理规则中确定目标传输处理规则;
处理模块,用于基于所述目标传输处理规则,对所述目标蓝牙数据进行处理和传输。
作为一种可选的实施方式,在本发明第二方面中,所述数据信息包括数据量、数据类型、数据目标传输终端信息、数据内容中的至少一种;和/或,所述传感网络类型包括服务器类型、蓝牙类型、单一服务器网络、多服务器网络、单一蓝牙类型网络、多蓝牙类型复合网络中的至少一种。
作为一种可选的实施方式,在本发明第二方面中,所述第一确定模块确定蓝牙传输设备所在区域的传感网络类型的具体方式,包括:
获取蓝牙传输设备的历史位置记录和历史数据传输记录;
筛选出所述历史位置记录中处于当前所在区域内的位置记录,得到多个历史目标位置;
根据每一所述历史目标位置的获取时间点,从所述历史数据传输记录中确定每一所述历史目标位置对应的同一时间点的目标传输数据记录;
统计每一所述目标传输数据记录中的比例最高的服务器标识数量和蓝牙传输类型,以确定所述蓝牙传输设备所在区域的传感网络类型。
作为一种可选的实施方式,在本发明第二方面中,所述第二确定模块根据所述目标蓝牙数据的数据信息,和所述传感网络类型,确定所述目标蓝牙数据对应的传输场景参数的具体方式,包括:
将所述目标蓝牙数据的数据信息,输入至训练好的第一场景预测神经网络模型,得到所述目标蓝牙数据对应的第一预测传输场景参数;所述第一场景预测神经网络模型通过包括有多个训练数据信息和对应的传输场景标注的训练数据集训练得到;
将所述传感网络类型,输入至训练好的第二场景预测神经网络模型,得到所述目标蓝牙数据对应的第二预测传输场景参数;所述第二场景预测神经网络模型通过包括有多个训练传感网络类型和对应的传输场景标注的训练数据集训练得到;
根据所述第一预测传输场景参数和所述第二预测传输场景参数,确定所述目标蓝牙数据对应的传输场景参数。
作为一种可选的实施方式,在本发明第二方面中,所述第二确定模块根据所述第一预测传输场景参数和所述第二预测传输场景参数,确定所述目标蓝牙数据对应的传输场景参数的具体方式,包括:
确定所述第一预测传输场景参数和所述第二预测传输场景参数的交集参数,得到第一传输场景参数;
将所述第一预测传输场景参数和所述第二预测传输场景参数中除所述第一传输场景参数外的所有其他场景参数确定为第一候选场景参数;
将多个所述候选场景参数中不符合预设的参数冲突规则的参数,确定为第二传输场景参数;
将多个所述候选场景参数中符合预设的参数冲突规则的参数确定为第二候选场景参数;
计算每一所述第二候选场景参数对应的预测概率和模型权重的乘积;所述模型权重与该第二候选场景参数对应的场景预测神经网络模型在验证阶段的预测准确率成正比;
根据所述乘积从大到小对所有所述第二候选场景参数进行排序得到参数序列;
将所述参数序列中前预设数量位的且所述乘积大于预设的乘积阈值的所有所述第二候选场景参数确定为第三传输场景参数;
将所述第一候选场景参数、所述第二候选场景参数和所述第三候选场景参数的组合确定为所述目标蓝牙数据对应的传输场景参数。
作为一种可选的实施方式,在本发明第二方面中,所述传输场景参数包括传输场景类型、传输场景风险和传输场景要求;以及,所述第三确定模块根据所述传输场景参数,从多个候选传输处理规则中确定目标传输处理规则的具体方式,包括:
根据所述传输场景参数,和预设的参数和规则的对应关系,确定所述传输场景参数对应的多个候选传输处理规则;
确定每一所述候选传输规则对应的历史应用记录;
计算每一所述候选传输规则对应的历史应用记录中的场景参数,和所述传输场景参数之间的参数相似度;
根据所述参数相似度从大到小,对所有所述候选传输规则进行排序以得到规则序列;
将所述规则序列前预设数量位的且所述参数相似度大于预设的相似度阈值的所有所述候选传输处理规则,确定为目标传输处理规则。
作为一种可选的实施方式,在本发明第二方面中,所述处理模块基于所述目标传输处理规则,对所述目标蓝牙数据进行处理和传输的具体方式,包括:
设定目标函数为处理方案中应用的所述目标传输处理规则的数量达到最大;
设定限定条件包括处理方案中应用的任意两个所述目标传输处理规则之间不存在冲突,处理方案对应的处理时间小于预设的时间阈值,处理方案对应的数据处理结果满足预设的结果规则;所述结果规则包括结果数据量规则、结果数据标识保留度规则和结果数据类型规则;所述处理时间和所述数据处理结果通过预设的模拟算法对处理方案进行模拟以得到;
根据所述模拟算法、所述目标函数和所述限定条件,基于动态规划算法,计算出所有所述目标传输处理规则对应的最佳的处理方案;
根据所述最佳的处理方案,对所述目标蓝牙数据进行处理和传输。
本发明第三方面公开了另一种基于多种规则引擎的蓝牙数据传输系统,所述系统包括:
存储有可执行程序代码的存储器;
与所述存储器耦合的处理器;
所述处理器调用所述存储器中存储的所述可执行程序代码,执行本发明第一方面公开的基于多种规则引擎的蓝牙数据传输方法中的部分或全部步骤。
本发明第四方面公开了一种计算机存储介质,所述计算机存储介质存储有计算机指令,所述计算机指令被调用时,用于执行本发明第一方面公开的基于多种规则引擎的蓝牙数据传输方法中的部分或全部步骤。
与现有技术相比,本发明具有以下有益效果:
本发明能够根据传输数据的数据信息和传感网络类型来准确预测蓝牙的传输场景,并进一步确定传输处理规则,从而能够实现更有针对性和更高效率的蓝牙数据传输处理,提高蓝牙传输的效率和效果,实现蓝牙智能化传输。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例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的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例公开的一种基于多种规则引擎的蓝牙数据传输方法的流程示意图;
图2是本发明实施例公开的一种基于多种规则引擎的蓝牙数据传输系统的结构示意图;
图3是本发明实施例公开的另一种基于多种规则引擎的蓝牙数据传输系统的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,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作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。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别不同对象,而不是用于描述特定顺序。此外,术语“包括”和“具有”以及它们任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或端没有限定于已列出的步骤或单元,而是可选地还包括没有列出的步骤或单元,或可选地还包括对于这些过程、方法、产品或端固有的其他步骤或单元。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本发明的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
本发明公开了一种基于多种规则引擎的蓝牙数据传输方法及系统,能够根据传输数据的数据信息和传感网络类型来准确预测蓝牙的传输场景,并进一步确定传输处理规则,从而能够实现更有针对性和更高效率的蓝牙数据传输处理,提高蓝牙传输的效率和效果,实现蓝牙智能化传输。以下分别进行详细说明。
实施例一
请参阅图1,图1是本发明实施例公开的一种基于多种规则引擎的蓝牙数据传输方法的流程示意图。其中,图1所描述的方法可以应用于相应的数据处理设备、数据处理终端、数据处理服务器中,且该服务器可以是本地服务器,也可以是云服务器,本发明实施例不做限定如图1所示,该基于多种规则引擎的蓝牙数据传输方法可以包括以下操作:
101、在目标蓝牙数据准备传输时,确定蓝牙传输设备所在区域的传感网络类型。
102、根据目标蓝牙数据的数据信息,和传感网络类型,确定目标蓝牙数据对应的传输场景参数。
可选的,数据信息包括数据量、数据类型、数据目标传输终端信息、数据内容中的至少一种。
可选的,传感网络类型包括服务器类型、蓝牙类型、单一服务器网络、多服务器网络、单一蓝牙类型网络、多蓝牙类型复合网络中的至少一种。
103、根据传输场景参数,从多个候选传输处理规则中确定目标传输处理规则。
104、基于目标传输处理规则,对目标蓝牙数据进行处理和传输。
可见,实施本发明实施例所描述的方法能够根据传输数据的数据信息和传感网络类型来准确预测蓝牙的传输场景,并进一步确定传输处理规则,从而能够实现更有针对性和更高效率的蓝牙数据传输处理,提高蓝牙传输的效率和效果,实现蓝牙智能化传输。
作为一种可选的实施例,上述步骤中的,确定蓝牙传输设备所在区域的传感网络类型,包括:
获取蓝牙传输设备的历史位置记录和历史数据传输记录;
筛选出历史位置记录中处于当前所在区域内的位置记录,得到多个历史目标位置;
根据每一历史目标位置的获取时间点,从历史数据传输记录中确定每一历史目标位置对应的同一时间点的目标传输数据记录;
统计每一目标传输数据记录中的比例最高的服务器标识数量和蓝牙传输类型,以确定蓝牙传输设备所在区域的传感网络类型。
具体的,统计每一目标传输数据记录中的比例最高的服务器的类型,可以得到传感网络类型中的服务器类型,同时统计比例最高的不同服务器标识的数量,以判断传感网络类型是单一服务器网络或多服务器网络。
具体的,,统计每一目标传输数据记录中的比例最高的蓝牙传输类型,可以得到传感网络类型中的蓝牙类型,同时统计比例最高的不同蓝牙传输类型的数量,以判断传感网络类型是单一蓝牙类型网络或多蓝牙类型复合网络。
通过上述实施例,能够统计每一目标传输数据记录中的比例最高的服务器标识数量和蓝牙传输类型,以确定蓝牙传输设备所在区域的传感网络类型,从而能够准确分析出传感网络类型,以便于后续准确预测蓝牙的传输场景,实现更有针对性和更高效率的蓝牙数据传输处理,提高蓝牙传输的效率和效果,实现蓝牙智能化传输。
作为一种可选的实施例,上述步骤中的,根据目标蓝牙数据的数据信息,和传感网络类型,确定目标蓝牙数据对应的传输场景参数,包括:
将目标蓝牙数据的数据信息,输入至训练好的第一场景预测神经网络模型,得到目标蓝牙数据对应的第一预测传输场景参数;第一场景预测神经网络模型通过包括有多个训练数据信息和对应的传输场景标注的训练数据集训练得到;
将传感网络类型,输入至训练好的第二场景预测神经网络模型,得到目标蓝牙数据对应的第二预测传输场景参数;第二场景预测神经网络模型通过包括有多个训练传感网络类型和对应的传输场景标注的训练数据集训练得到;
根据第一预测传输场景参数和第二预测传输场景参数,确定目标蓝牙数据对应的传输场景参数。
可选的,本发明中的预测神经网络模型均可以为CNN结构、RNN结构或LTSM结构的神经网络模型,操作人员可以根据实际的数据预测场景或数据特点来选择和测试,本发明不做限定。
通过上述实施例,能够根据两个场景预测神经网络模型来分别预测场景,并综合确定出传输场景参数,从而能够准确预测蓝牙的传输场景,实现更有针对性和更高效率的蓝牙数据传输处理,提高蓝牙传输的效率和效果,实现蓝牙智能化传输。
作为一种可选的实施例,上述步骤中的,根据第一预测传输场景参数和第二预测传输场景参数,确定目标蓝牙数据对应的传输场景参数,包括:
确定第一预测传输场景参数和第二预测传输场景参数的交集参数,得到第一传输场景参数;
将第一预测传输场景参数和第二预测传输场景参数中除第一传输场景参数外的所有其他场景参数确定为第一候选场景参数;
将多个候选场景参数中不符合预设的参数冲突规则的参数,确定为第二传输场景参数;
将多个候选场景参数中符合预设的参数冲突规则的参数确定为第二候选场景参数;
计算每一第二候选场景参数对应的预测概率和模型权重的乘积;模型权重与该第二候选场景参数对应的场景预测神经网络模型在验证阶段的预测准确率成正比;
根据乘积从大到小对所有第二候选场景参数进行排序得到参数序列;
将参数序列中前预设数量位的且乘积大于预设的乘积阈值的所有第二候选场景参数确定为第三传输场景参数;
将第一候选场景参数、第二候选场景参数和第三候选场景参数的组合确定为目标蓝牙数据对应的传输场景参数。
通过上述实施例,能够根据上述判断筛选规则,以根据第一预测传输场景参数和第二预测传输场景参数确定目标蓝牙数据对应的传输场景参数,从而能够准确预测蓝牙的传输场景,实现更有针对性和更高效率的蓝牙数据传输处理,提高蓝牙传输的效率和效果,实现蓝牙智能化传输。
作为一种可选的实施例,传输场景参数包括传输场景类型、传输场景风险和传输场景要求,以及,上述步骤中的,根据传输场景参数,从多个候选传输处理规则中确定目标传输处理规则,包括:
根据传输场景参数,和预设的参数和规则的对应关系,确定传输场景参数对应的多个候选传输处理规则;
确定每一候选传输规则对应的历史应用记录;
计算每一候选传输规则对应的历史应用记录中的场景参数,和传输场景参数之间的参数相似度;
根据参数相似度从大到小,对所有候选传输规则进行排序以得到规则序列;
将规则序列前预设数量位的且参数相似度大于预设的相似度阈值的所有候选传输处理规则,确定为目标传输处理规则。
可选的,可以将每一候选传输规则对应的历史应用记录中的场景参数转换成一个向量矩阵,将传输场景参数也转换为一个向量矩阵,并计算两个向量矩阵之间的向量距离的倒数,以得到上述参数相似度。
通过上述实施例,能够根据上述参数相似度的计算,以从多个候选传输处理规则中筛选出目标传输处理规则,从而能够实现根据传输场景参数来准确确定出传输处理规则,实现更有针对性和更高效率的蓝牙数据传输处理,提高蓝牙传输的效率和效果,实现蓝牙智能化传输。
作为一种可选的实施例,上述步骤中的,基于目标传输处理规则,对目标蓝牙数据进行处理和传输,包括:
设定目标函数为处理方案中应用的目标传输处理规则的数量达到最大;
设定限定条件包括处理方案中应用的任意两个目标传输处理规则之间不存在冲突,处理方案对应的处理时间小于预设的时间阈值,处理方案对应的数据处理结果满足预设的结果规则;结果规则包括结果数据量规则、结果数据标识保留度规则和结果数据类型规则;处理时间和数据处理结果通过预设的模拟算法对处理方案进行模拟以得到;
根据模拟算法、目标函数和限定条件,基于动态规划算法,计算出所有目标传输处理规则对应的最佳的处理方案;
根据最佳的处理方案,对目标蓝牙数据进行处理和传输。
可选的,动态规划算法可以为粒子群遗传免疫算法。
可选的,模拟算法可以为神经网络预测算法,例如可以将历史记录中的多个处理方案和对应的处理时间或处理结果作为训练集,训练得到一个预测模型来实现上述模拟预测。
通过上述实施例,能够根据模拟算法、目标函数和限定条件,基于动态规划算法,计算出所有目标传输处理规则对应的最佳的处理方案,从而能够实现根据多个处理规则来实现最合理的数据处理,实现更有针对性和更高效率的蓝牙数据传输处理,提高蓝牙传输的效率和效果,实现蓝牙智能化传输。
实施例二
请参阅图2,图2是本发明实施例公开的一种基于多种规则引擎的蓝牙数据传输系统的结构示意图。其中,图2所描述的系统可以应用于相应的数据处理设备、数据处理终端、数据处理服务器中,且该服务器可以是本地服务器,也可以是云服务器,本发明实施例不做限定。如图2所示,该系统可以包括:
第一确定模块201,用于在目标蓝牙数据准备传输时,确定蓝牙传输设备所在区域的传感网络类型;
第二确定模块202,用于根据目标蓝牙数据的数据信息,和传感网络类型,确定目标蓝牙数据对应的传输场景参数;
第三确定模块203,用于根据传输场景参数,从多个候选传输处理规则中确定目标传输处理规则;
处理模块204,用于基于目标传输处理规则,对目标蓝牙数据进行处理和传输。
作为一种可选的实施例,数据信息包括数据量、数据类型、数据目标传输终端信息、数据内容中的至少一种;和/或,传感网络类型包括服务器类型、蓝牙类型、单一服务器网络、多服务器网络、单一蓝牙类型网络、多蓝牙类型复合网络中的至少一种。
作为一种可选的实施例,第一确定模块201确定蓝牙传输设备所在区域的传感网络类型的具体方式,包括:
获取蓝牙传输设备的历史位置记录和历史数据传输记录;
筛选出历史位置记录中处于当前所在区域内的位置记录,得到多个历史目标位置;
根据每一历史目标位置的获取时间点,从历史数据传输记录中确定每一历史目标位置对应的同一时间点的目标传输数据记录;
统计每一目标传输数据记录中的比例最高的服务器标识数量和蓝牙传输类型,以确定蓝牙传输设备所在区域的传感网络类型。
作为一种可选的实施例,第二确定模块202根据目标蓝牙数据的数据信息,和传感网络类型,确定目标蓝牙数据对应的传输场景参数的具体方式,包括:
将目标蓝牙数据的数据信息,输入至训练好的第一场景预测神经网络模型,得到目标蓝牙数据对应的第一预测传输场景参数;第一场景预测神经网络模型通过包括有多个训练数据信息和对应的传输场景标注的训练数据集训练得到;
将传感网络类型,输入至训练好的第二场景预测神经网络模型,得到目标蓝牙数据对应的第二预测传输场景参数;第二场景预测神经网络模型通过包括有多个训练传感网络类型和对应的传输场景标注的训练数据集训练得到;
根据第一预测传输场景参数和第二预测传输场景参数,确定目标蓝牙数据对应的传输场景参数。
作为一种可选的实施例,第二确定模块202根据第一预测传输场景参数和第二预测传输场景参数,确定目标蓝牙数据对应的传输场景参数的具体方式,包括:
确定第一预测传输场景参数和第二预测传输场景参数的交集参数,得到第一传输场景参数;
将第一预测传输场景参数和第二预测传输场景参数中除第一传输场景参数外的所有其他场景参数确定为第一候选场景参数;
将多个候选场景参数中不符合预设的参数冲突规则的参数,确定为第二传输场景参数;
将多个候选场景参数中符合预设的参数冲突规则的参数确定为第二候选场景参数;
计算每一第二候选场景参数对应的预测概率和模型权重的乘积;模型权重与该第二候选场景参数对应的场景预测神经网络模型在验证阶段的预测准确率成正比;
根据乘积从大到小对所有第二候选场景参数进行排序得到参数序列;
将参数序列中前预设数量位的且乘积大于预设的乘积阈值的所有第二候选场景参数确定为第三传输场景参数;
将第一候选场景参数、第二候选场景参数和第三候选场景参数的组合确定为目标蓝牙数据对应的传输场景参数。
作为一种可选的实施例,传输场景参数包括传输场景类型、传输场景风险和传输场景要求;以及,第三确定模块203根据传输场景参数,从多个候选传输处理规则中确定目标传输处理规则的具体方式,包括:
根据传输场景参数,和预设的参数和规则的对应关系,确定传输场景参数对应的多个候选传输处理规则;
确定每一候选传输规则对应的历史应用记录;
计算每一候选传输规则对应的历史应用记录中的场景参数,和传输场景参数之间的参数相似度;
根据参数相似度从大到小,对所有候选传输规则进行排序以得到规则序列;
将规则序列前预设数量位的且参数相似度大于预设的相似度阈值的所有候选传输处理规则,确定为目标传输处理规则。
作为一种可选的实施例,处理模块204基于目标传输处理规则,对目标蓝牙数据进行处理和传输的具体方式,包括:
设定目标函数为处理方案中应用的目标传输处理规则的数量达到最大;
设定限定条件包括处理方案中应用的任意两个目标传输处理规则之间不存在冲突,处理方案对应的处理时间小于预设的时间阈值,处理方案对应的数据处理结果满足预设的结果规则;结果规则包括结果数据量规则、结果数据标识保留度规则和结果数据类型规则;处理时间和数据处理结果通过预设的模拟算法对处理方案进行模拟以得到;
根据模拟算法、目标函数和限定条件,基于动态规划算法,计算出所有目标传输处理规则对应的最佳的处理方案;
根据最佳的处理方案,对目标蓝牙数据进行处理和传输。
本发明实施例中的模块细节和技术效果可以参照实施例一中的表述,在此不再赘述。
实施例三
请参阅图3,图3是本发明实施例公开的另一种基于多种规则引擎的蓝牙数据传输系统的结构示意图。如图3所示,该系统可以包括:
存储有可执行程序代码的存储器301;
与存储器301耦合的处理器302;
处理器302调用存储器301中存储的可执行程序代码,执行本发明实施例一公开的基于多种规则引擎的蓝牙数据传输方法中的部分或全部步骤。
实施例四
本发明实施例公开了一种计算机存储介质,该计算机存储介质存储有计算机指令,该计算机指令被调用时,用于执行本发明实施例一公开的基于多种规则引擎的蓝牙数据传输方法中的部分或全部步骤。
以上所描述的系统实施例仅是示意性的,其中所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理模块,即可以位于一个地方,或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施例的具体描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,存储介质包括只读存储器(Read-Only Memory,ROM)、随机存储器(Random Access Memory,RAM)、可编程只读存储器(Programmable Read-only Memory,PROM)、可擦除可编程只读存储器(ErasableProgrammable Read Only Memory,EPROM)、一次可编程只读存储器(One-timeProgrammable Read-Only Memory,OTPROM)、电子抹除式可复写只读存储器(Electrically-Erasable Programmable Read-Only Memory,EEPROM)、只读光盘(CompactDisc Read-Only Memory,CD-ROM)或其他光盘存储器、磁盘存储器、磁带存储器、或者能够用于携带或存储数据的计算机可读的任何其他介质。
最后应说明的是:本发明实施例公开的一种基于多种规则引擎的蓝牙数据传输方法及系统所揭露的仅为本发明较佳实施例而已,仅用于说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解;其依然可以对前述各项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;而这些修改或替换,并不使相应的技术方案的本质脱离本发明各项实施例技术方案的精神和范围。
Claims (10)
1.一种基于多种规则引擎的蓝牙数据传输方法,其特征在于,所述方法包括:
在目标蓝牙数据准备传输时,确定蓝牙传输设备所在区域的传感网络类型;
根据所述目标蓝牙数据的数据信息,和所述传感网络类型,确定所述目标蓝牙数据对应的传输场景参数;
根据所述传输场景参数,从多个候选传输处理规则中确定目标传输处理规则;
基于所述目标传输处理规则,对所述目标蓝牙数据进行处理和传输。
2.根据权利要求1所述的基于多种规则引擎的蓝牙数据传输方法,其特征在于,所述数据信息包括数据量、数据类型、数据目标传输终端信息、数据内容中的至少一种;和/或,所述传感网络类型包括服务器类型、蓝牙类型、单一服务器网络、多服务器网络、单一蓝牙类型网络、多蓝牙类型复合网络中的至少一种。
3.根据权利要求2所述的基于多种规则引擎的蓝牙数据传输方法,其特征在于,所述确定蓝牙传输设备所在区域的传感网络类型,包括:
获取蓝牙传输设备的历史位置记录和历史数据传输记录;
筛选出所述历史位置记录中处于当前所在区域内的位置记录,得到多个历史目标位置;
根据每一所述历史目标位置的获取时间点,从所述历史数据传输记录中确定每一所述历史目标位置对应的同一时间点的目标传输数据记录;
统计每一所述目标传输数据记录中的比例最高的服务器标识数量和蓝牙传输类型,以确定所述蓝牙传输设备所在区域的传感网络类型。
4.根据权利要求3所述的基于多种规则引擎的蓝牙数据传输方法,其特征在于,所述根据所述目标蓝牙数据的数据信息,和所述传感网络类型,确定所述目标蓝牙数据对应的传输场景参数,包括:
将所述目标蓝牙数据的数据信息,输入至训练好的第一场景预测神经网络模型,得到所述目标蓝牙数据对应的第一预测传输场景参数;所述第一场景预测神经网络模型通过包括有多个训练数据信息和对应的传输场景标注的训练数据集训练得到;
将所述传感网络类型,输入至训练好的第二场景预测神经网络模型,得到所述目标蓝牙数据对应的第二预测传输场景参数;所述第二场景预测神经网络模型通过包括有多个训练传感网络类型和对应的传输场景标注的训练数据集训练得到;
根据所述第一预测传输场景参数和所述第二预测传输场景参数,确定所述目标蓝牙数据对应的传输场景参数。
5.根据权利要求4所述的基于多种规则引擎的蓝牙数据传输方法,其特征在于,所述根据所述第一预测传输场景参数和所述第二预测传输场景参数,确定所述目标蓝牙数据对应的传输场景参数,包括:
确定所述第一预测传输场景参数和所述第二预测传输场景参数的交集参数,得到第一传输场景参数;
将所述第一预测传输场景参数和所述第二预测传输场景参数中除所述第一传输场景参数外的所有其他场景参数确定为第一候选场景参数;
将多个所述候选场景参数中不符合预设的参数冲突规则的参数,确定为第二传输场景参数;
将多个所述候选场景参数中符合预设的参数冲突规则的参数确定为第二候选场景参数;
计算每一所述第二候选场景参数对应的预测概率和模型权重的乘积;所述模型权重与该第二候选场景参数对应的场景预测神经网络模型在验证阶段的预测准确率成正比;
根据所述乘积从大到小对所有所述第二候选场景参数进行排序得到参数序列;
将所述参数序列中前预设数量位的且所述乘积大于预设的乘积阈值的所有所述第二候选场景参数确定为第三传输场景参数;
将所述第一候选场景参数、所述第二候选场景参数和所述第三候选场景参数的组合确定为所述目标蓝牙数据对应的传输场景参数。
6.根据权利要求5所述的基于多种规则引擎的蓝牙数据传输方法,其特征在于,所述传输场景参数包括传输场景类型、传输场景风险和传输场景要求;以及,所述根据所述传输场景参数,从多个候选传输处理规则中确定目标传输处理规则,包括:
根据所述传输场景参数,和预设的参数和规则的对应关系,确定所述传输场景参数对应的多个候选传输处理规则;
确定每一所述候选传输规则对应的历史应用记录;
计算每一所述候选传输规则对应的历史应用记录中的场景参数,和所述传输场景参数之间的参数相似度;
根据所述参数相似度从大到小,对所有所述候选传输规则进行排序以得到规则序列;
将所述规则序列前预设数量位的且所述参数相似度大于预设的相似度阈值的所有所述候选传输处理规则,确定为目标传输处理规则。
7.根据权利要求6所述的基于多种规则引擎的蓝牙数据传输方法,其特征在于,所述基于所述目标传输处理规则,对所述目标蓝牙数据进行处理和传输,包括:
设定目标函数为处理方案中应用的所述目标传输处理规则的数量达到最大;
设定限定条件包括处理方案中应用的任意两个所述目标传输处理规则之间不存在冲突,处理方案对应的处理时间小于预设的时间阈值,处理方案对应的数据处理结果满足预设的结果规则;所述结果规则包括结果数据量规则、结果数据标识保留度规则和结果数据类型规则;所述处理时间和所述数据处理结果通过预设的模拟算法对处理方案进行模拟以得到;
根据所述模拟算法、所述目标函数和所述限定条件,基于动态规划算法,计算出所有所述目标传输处理规则对应的最佳的处理方案;
根据所述最佳的处理方案,对所述目标蓝牙数据进行处理和传输。
8.一种基于多种规则引擎的蓝牙数据传输系统,其特征在于,所述系统包括:
第一确定模块,用于在目标蓝牙数据准备传输时,确定蓝牙传输设备所在区域的传感网络类型;
第二确定模块,用于根据所述目标蓝牙数据的数据信息,和所述传感网络类型,确定所述目标蓝牙数据对应的传输场景参数;
第三确定模块,用于根据所述传输场景参数,从多个候选传输处理规则中确定目标传输处理规则;
处理模块,用于基于所述目标传输处理规则,对所述目标蓝牙数据进行处理和传输。
9.一种基于多种规则引擎的蓝牙数据传输系统,其特征在于,所述系统包括:
存储有可执行程序代码的存储器;
与所述存储器耦合的处理器;
所述处理器调用所述存储器中存储的所述可执行程序代码,执行如权利要求1-7任一项所述的基于多种规则引擎的蓝牙数据传输方法。
10.一种计算机存储介质,其特征在于,所述计算机存储介质存储有计算机指令,所述计算机指令被调用时,用于执行如权利要求1-7任一项所述的基于多种规则引擎的蓝牙数据传输方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311606361.6A CN117615359A (zh) | 2023-11-28 | 2023-11-28 | 基于多种规则引擎的蓝牙数据传输方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311606361.6A CN117615359A (zh) | 2023-11-28 | 2023-11-28 | 基于多种规则引擎的蓝牙数据传输方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117615359A true CN117615359A (zh) | 2024-02-27 |
Family
ID=89955751
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311606361.6A Pending CN117615359A (zh) | 2023-11-28 | 2023-11-28 | 基于多种规则引擎的蓝牙数据传输方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117615359A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110888857A (zh) * | 2019-10-14 | 2020-03-17 | 平安科技(深圳)有限公司 | 基于神经网络的数据标签生成方法、装置、终端及介质 |
CN115190083A (zh) * | 2022-09-13 | 2022-10-14 | 广东省电信规划设计院有限公司 | 应用于智能设备的数据传输方法及装置 |
CN116304250A (zh) * | 2023-05-18 | 2023-06-23 | 广州卓勤信息技术有限公司 | 一种基于可视化操作的智能规则引擎管理方法及系统 |
CN117062180A (zh) * | 2023-08-15 | 2023-11-14 | 广州视声智能股份有限公司 | 基于多蓝牙网络的通信路径选择方法及装置 |
-
2023
- 2023-11-28 CN CN202311606361.6A patent/CN117615359A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110888857A (zh) * | 2019-10-14 | 2020-03-17 | 平安科技(深圳)有限公司 | 基于神经网络的数据标签生成方法、装置、终端及介质 |
CN115190083A (zh) * | 2022-09-13 | 2022-10-14 | 广东省电信规划设计院有限公司 | 应用于智能设备的数据传输方法及装置 |
CN116304250A (zh) * | 2023-05-18 | 2023-06-23 | 广州卓勤信息技术有限公司 | 一种基于可视化操作的智能规则引擎管理方法及系统 |
CN117062180A (zh) * | 2023-08-15 | 2023-11-14 | 广州视声智能股份有限公司 | 基于多蓝牙网络的通信路径选择方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112417439B (zh) | 账号检测方法、装置、服务器及存储介质 | |
CN115174231B (zh) | 一种基于AI Knowledge Base的网络欺诈分析方法及服务器 | |
CN111338581B (zh) | 基于云计算的数据存储方法、装置、云服务器及系统 | |
KR102330423B1 (ko) | 이미지 인식 딥러닝 알고리즘을 이용한 온라인 부도 예측 시스템 | |
CN109886554A (zh) | 违规行为判别方法、装置、计算机设备和存储介质 | |
CN113468520A (zh) | 应用于区块链业务的数据入侵检测方法及大数据服务器 | |
CN111310918B (zh) | 一种数据处理方法、装置、计算机设备及存储介质 | |
CN116910707A (zh) | 基于设备历史记录的模型版权管理方法及系统 | |
CN112233428A (zh) | 车流量预测方法、装置、存储介质及设备 | |
CN116894653B (zh) | 一种基于多预测模型联动的人事管理数据处理方法及系统 | |
CN117196322A (zh) | 智能风控方法、装置、计算机设备及存储介质 | |
CN111539390A (zh) | 一种基于Yolov3的小目标图像识别方法、设备和系统 | |
CN117615359A (zh) | 基于多种规则引擎的蓝牙数据传输方法及系统 | |
CN113011893B (zh) | 数据处理方法、装置、计算机设备及存储介质 | |
CN111950753A (zh) | 一种景区客流预测的方法及装置 | |
CN111784319B (zh) | 基于区块链支付网络的通信数据处理方法及大数据服务器 | |
CN109255016A (zh) | 基于深度学习的应答方法、装置及计算机可读存储介质 | |
CN115037790A (zh) | 异常注册识别方法、装置、设备及存储介质 | |
CN116208513A (zh) | 网关的健康度预测方法及装置 | |
CN112905987B (zh) | 账号识别方法、装置、服务器及存储介质 | |
CN117632905B (zh) | 基于云端使用记录的数据库管理方法及系统 | |
CN113515771A (zh) | 数据敏感度判定方法、电子设备及计算机可读存储介质 | |
CN111325242A (zh) | 一种图像的分类方法、终端及计算机存储介质 | |
CN117912456A (zh) | 基于数据预测的语音识别方法及系统 | |
CN115563657B (zh) | 一种数据信息安全处理方法、系统及云平台 |
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 |