基于空间位置的数据确定方法、装置及电子设备制造方法及图纸

本申请提供一种基于空间位置的数据确定方法、装置及电子设备，涉及检测数据处理领域。所述基于空间位置的数据确定方法包括：获取多个检测位置中的目标检测位置的实际检测数据；基于实际检测数据和多个检测位置的空间位置，建立多维数据结构；将多维数据结构输入到预先训练好的机器学习模型，获得多个检测位置的预测数据，其中，机器学习模型包括数据压缩网络和数据还原网络；基于预测数据，确定多个检测位置的目标检测数据。根据本申请的基于空间位置的数据确定方法、装置及电子设备，解决了检测数据缺失或者异常的问题，可以在考虑多个检测位置的空间位置的情况下确定检测数据，并且可提高所确定的检测数据的准确度和可信度。

【技术实现步骤摘要】
基于空间位置的数据确定方法、装置及电子设备
本申请涉及检测数据处理领域，尤其是涉及一种基于空间位置的数据确定方法、装置及电子设备。
技术介绍
在大型基础设施中，需要实时监测并独立分析不同位置的传感器信号，用于监测设施的使用状态，从而在出现异常情况时能够及时进行维护。由于大型基础设施占地面积广且设备体积庞大，因此需要布置传感器的位置较多且较为分散，在现有的传感布置中，在不同位置处的传感器通常是互不通信的独立个体，仅负责采集各自所属范围内的状态信息。在此情况下，当个别传感器由于外界或者自身因素发生故障时，则会出现检测数据的缺失或者异常，这会导致无法对该传感器感测的局部区域或者基础设施整体的运行状况进行准确地监控和评估，在一些情况下，甚至会威胁到该基础设施周边人员的安全。
技术实现思路
鉴于在现有的传感布置中可能会出现部分检测位置的检测数据缺失或者异常的问题，本申请提出一种基于空间位置的数据确定方法、装置及电子设备。根据本申请的基于空间位置的数据确定方法、装置及电子设备可以在考虑多个检测位置的空间位置的情况下确定检测数据，本文档来自技高网...

【技术保护点】
1.一种基于空间位置的数据确定方法，其特征在于，所述基于空间位置的数据确定方法包括：/n获取多个检测位置中的目标检测位置的实际检测数据；/n基于所述实际检测数据和所述多个检测位置的空间位置，建立多维数据结构；/n将所述多维数据结构输入到预先训练好的机器学习模型，获得所述多个检测位置的预测数据，其中，所述机器学习模型包括数据压缩网络和数据还原网络；/n基于所述预测数据，确定所述多个检测位置的目标检测数据。/n

【技术特征摘要】
1.一种基于空间位置的数据确定方法，其特征在于，所述基于空间位置的数据确定方法包括：
获取多个检测位置中的目标检测位置的实际检测数据；
基于所述实际检测数据和所述多个检测位置的空间位置，建立多维数据结构；
将所述多维数据结构输入到预先训练好的机器学习模型，获得所述多个检测位置的预测数据，其中，所述机器学习模型包括数据压缩网络和数据还原网络；
基于所述预测数据，确定所述多个检测位置的目标检测数据。


2.根据权利要求1所述的基于空间位置的数据确定方法，其特征在于，基于所述实际检测数据和所述多个检测位置的空间位置，建立多维数据结构，包括：
根据所述多个检测位置之间的空间距离，建立多维数据网格，其中，所述多维数据网格中的每个格点对应一个计算位置，所述计算位置包括所述多个检测位置和空白位置，所述多个检测位置包括预测位置；
将所述目标检测位置的实际检测数据填充到所述多维数据网格中的与所述目标检测位置对应的格点，将空白数据填充到所述多维数据网格中的与预测位置和空白位置对应的格点；
根据填充有所述实际检测数据和所述空白数据的多维数据网格，确定所述多维数据结构。


3.根据权利要求2所述的基于空间位置的数据确定方法，其特征在于，根据填充有所述实际检测数据和所述空白数据的多维数据网格，确定所述多维数据结构，包括：
根据所述预先训练好的机器学习模型的数据尺寸，调整填充有所述实际检测数据和所述空白数据的多维数据网格的数据尺寸，将调整后的多维数据网格确定为所述多维数据结构。


4.根据权利要求1所述的基于空间位置的数据确定方法，其特征在于，通过以下方式对所述预先训练好的机器学习模型进行训练：
基于多个卷积层，建立所述数据压缩网络；
基于与所述多个卷积层对应的多个反卷积层，建立所述数据还原网络；
基于所述数据压缩网络和所述数据还原网络，训练所述机器学习模型。


5.根据权利要求4所述的基于空间位置的数据确定方法，其特征在于，根据所述数据压缩网络和所述数据还原网络，训练所述机器学习模型，包括：
获取所述多个检测位置的历史检测数据，基...

【专利技术属性】
技术研发人员：不公告发明人，
申请(专利权)人：北京瑞莱智慧科技有限公司，
类型：发明
国别省市：北京;11