基于云边协同的集成学习方法、系统及存储介质技术方案

本发明专利技术公开一种基于云边协同的集成学习方法、系统及存储介质，涉及人工智能领域。其中，基于云边协同的集成学习方法，包括以下步骤：获取来自边缘侧平台的样例数据；根据所述样例数据判断场景类型；根据所述场景类型获取场景化基础模型；将所述场景化基础模型发送至边缘侧平台以训练所述场景化基础模型得到场景化子模型；根据场景化子模型进行集成学习训练得到场景化集成模型并将所述场景化集成模型下发至边缘侧平台。本申请通过利用边缘侧平台对场景化基础模型进行训练得到场景化子模型，能够提高数据的安全性。利用云平台对多个场景化子模型进行集成学习训练能够减少边缘侧平台的计算负担，从而扩大了人工智能的场景类型。类型。类型。

【技术实现步骤摘要】
基于云边协同的集成学习方法、系统及存储介质


[0001]本专利技术涉及人工智能
，尤其涉及一种基于云边协同的集成学习方法、系统及存储介质。

技术介绍

[0002]集成学习是采用一系列决策规则对分类器进行组合学习的方法，他们主要的思想是针对新的样本进行分类时，将若干个分类器采用一系列规则集成起来，从而通过对多个分类器的分类结果进行加权组合得到最终分类结果。如果把单个分类器比作一个决策者的话，集成学习的方法就相当于多个决策者共同进行一项决策。因此，集成学习往往能够获得较单个分类器更好的分类性能。
[0003]经典的集成学习方法主要有：Bagging和Boosting算法。其中，Bagging方法是一种在原始数据集上通过有放回抽样训练分类器的方法；Boosting是在分类问题中，通过改变训练样本的权重，串行地学习多个分类器，并组合提高分类性能的方法。
[0004]同时，在经典的集成算法基础之上，也衍生出各种集成性能更佳的改进算法，包括随机森林(Random Forest,RF)、AdaBoost、多核增强学习(Multiple Kernel Boosting，MKB)等算法。
[0005]RF是基于bagging的集成学习算法，它利用随机重采样技术bootstrap和节点随机分裂技术构建多棵决策树，通过投票得到最终分类结果。RF具有分析复杂相互作用分类特征的能力，对于噪声数据和存在缺失值的数据具有很好的鲁棒性，并且具有较快的学习速度，其变量重要性度量可以作为高维数据的特征选择工具，近年来已经被广泛应用于各种分类、预测、特征选择以及异常点检测问题中。
[0006]AdaBoost基于Boosting的一种迭代集成算法，每轮迭代过程中会在训练数据集上产生一个新的分类器。在训练过程中，通过改变权值，重视那些上一轮被错分的样本。这样越难区分的样本在训练过程中会变得越来越重要，从而提升最终分类效果的方法。
[0007]MKB是基于Boosting的集成学习算法，它构建了一组支持向量机(Support Vector Machines，SVM)分类器，每个分类器都由不同的核函数以及特征组成，将每个SVM分类器视为弱分类器，然后采用Boosting算法对每个分类器的权重进行迭代更新计算，最终将所有弱分类器加权合成更具识别能力的强分类器，最终提升模型分类性能。
[0008]传统的云计算是集中式大数据处理，不管是资源还是算力，都比较强大，但是受限于行业数据安全保护，人工智能在行业场景下的应用变得日益局限。边缘计算则可以理解为边缘式大数据处理，相较于云计算，边缘计算不用将各行业数据传到外部的云端平台，而在边缘侧平台就能对数据进行智能分析、计算与处理，并得到相应的结果，因此边缘计算相较于云计算更加高效、安全。但是，由于资源的限制，边缘计算只能对较为简单的场景类型进行智能分析与处理，针对复杂场景，算力不足。

技术实现思路

[0009]本专利技术旨在至少解决现有技术中存在的技术问题之一。为此，本专利技术提出一种基于云边协同的集成学习方法、系统及存储介质，能够提高数据的安全性，提高计算效率，扩大人工智能的场景类型。
[0010]一方面，本专利技术实施例提供了一种基于云边协同的集成学习方法，包括以下步骤：
[0011]获取来自边缘侧平台的样例数据；
[0012]根据所述样例数据判断场景类型；
[0013]根据所述场景类型获取场景化基础模型；
[0014]将所述场景化基础模型发送至边缘侧平台以训练所述场景化基础模型得到场景化子模型；
[0015]根据场景化子模型进行集成学习训练得到场景化集成模型并将所述场景化集成模型下发至边缘侧平台。
[0016]根据本专利技术一些实施例，所述根据场景化子模型进行集成学习训练得到场景化集成模型包括以下步骤：
[0017]确定多个场景化子模型的场景类型；
[0018]选择场景类型相似度高于预设相似度的场景化子模型进行集成学习训练得到场景化集成模型。
[0019]根据本专利技术一些实施例，所述基于云边协同的集成学习方法还包括以下步骤：
[0020]根据所述场景类型获取场景化数据基本格式并将所述场景化数据基本格式下发至边缘侧平台。
[0021]根据本专利技术一些实施例，所述基于云边协同的集成学习方法还包括以下步骤：
[0022]根据所述场景类型获取场景化特征处理算法并将所述特征处理算法下发至边缘侧平台。
[0023]另一方面，本专利技术实施例还提供一种基于云边协同的集成学习方法，包括以下步骤：
[0024]发送样例数据至云平台以获取场景化基础模型；
[0025]获取训练数据；
[0026]采用所述训练数据对所述场景化基础模型进行训练得到场景化子模型；
[0027]发送所述场景化子模型至云平台以获取场景化集成模型。
[0028]根据本专利技术一些实施例，所述获取训练数据包括以下步骤：
[0029]获取来自云平台的场景化数据基本格式；
[0030]获取边缘侧数据；
[0031]根据所述场景化数据基本格式对边缘侧数据进行格式调整得到所述训练数据。
[0032]根据本专利技术一些实施例，所述获取训练数据包括以下步骤：
[0033]获取来自云平台的场景化特征处理算法；
[0034]获取边缘侧数据；
[0035]根据所述场景化特征处理算法对所述边缘侧数据进行特征提取得到所述训练数据。
[0036]根据本专利技术一些实施例，所述基于云边协同的集成学习方法还包括以下步骤：
[0037]获取测试数据；
[0038]采用所述测试数据对所述场景化集成模型进行测试得到测试结果；
[0039]获取来自云平台的场景化评估方法；
[0040]根据所述场景化评估方法对所述测试结果进行评估。
[0041]另一方面，本专利技术实施例还提供一种基于云边协同的集成学习系统，包括云平台和边缘侧平台，所述边缘侧平台接入所述云平台；
[0042]所述云平台用于获取来自边缘侧平台的样例数据，根据所述样例数据判断场景类型，根据所述场景类型获取场景化基础模型，将所述场景化基础模型发送至边缘侧平台以训练所述场景化基础模型得到场景化子模型，根据场景化子模型进行集成学习训练得到场景化集成模型并将所述场景化集成模型下发至边缘侧平台；
[0043]所述边缘侧平台用于发送样例数据至云平台以获取场景化基础模型，获取训练数据，采用所述训练数据对所述场景化基础模型进行训练得到场景化子模型，发送所述场景化子模型至云平台以获取场景化集成模型。
[0044]另一方面，本专利技术实施例还提供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可执行指令，所述计算机可执行指令用于使计算机执行如前面所述的基于云边协同的集成学习方法。
[0045]本专利技术上述的技术方案至少具有如下优点或有益效果之一：边缘侧平台将样例数据发送至云平台。云平本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于云边协同的集成学习方法，其特征在于，包括以下步骤：获取来自边缘侧平台的样例数据；根据所述样例数据判断场景类型；根据所述场景类型获取场景化基础模型；将所述场景化基础模型发送至边缘侧平台以训练所述场景化基础模型得到场景化子模型；根据场景化子模型进行集成学习训练得到场景化集成模型并将所述场景化集成模型下发至边缘侧平台。2.根据权利要求1所述的基于云边协同的集成学习方法，其特征在于，所述根据场景化子模型进行集成学习训练得到场景化集成模型包括以下步骤：确定多个场景化子模型的场景类型；选择场景类型相似度高于预设相似度的场景化子模型进行集成学习训练得到场景化集成模型。3.根据权利要求1所述的基于云边协同的集成学习方法，其特征在于，所述基于云边协同的集成学习方法还包括以下步骤：根据所述场景类型获取场景化数据基本格式并将所述场景化数据基本格式下发至边缘侧平台。4.根据权利要求1所述的基于云边协同的集成学习方法，其特征在于，所述基于云边协同的集成学习方法还包括以下步骤：根据所述场景类型获取场景化特征处理算法并将所述特征处理算法下发至边缘侧平台。5.一种基于云边协同的集成学习方法，其特征在于，包括以下步骤：发送样例数据至云平台以获取场景化基础模型；获取训练数据；采用所述训练数据对所述场景化基础模型进行训练得到场景化子模型；发送所述场景化子模型至云平台以获取场景化集成模型。6.根据权利要求5所述的基于云边协同的集成学习方法，其特征在于，所述获取训练数据包括以下步骤：获取来自云平台的场景化数据基本格式；获取边缘侧...

【专利技术属性】
技术研发人员：陈璐，杨震，
申请(专利权)人：天翼物联科技有限公司，
类型：发明
国别省市：