一种基于深度学习的车联网数据建模方法与系统技术方案

本发明专利技术公开了一种基于深度学习的车联网数据建模方法与系统，包括：对车联网数据进行数据预处理，将处理完成的数据导入至数据库；利用聚类优化算法对处理后的车联网数据进行聚类，获得数据特征；根据数据特征建立基准模型，并对基准模型进行无监督训练；利用基准模型对数据特征进行挖掘分析，生成关联规则；本发明专利技术通过数据预处理技术、聚类技术，从多维车联网数据中准确有效地提取出所需的数据特征，进一步地，通过建立基准模型，并结合数据挖掘技术，实现车联网数据自动化分析，提升系统的智能化水平，满足车联网不同数据类型的数据挖掘需求。掘需求。掘需求。

【技术实现步骤摘要】
一种基于深度学习的车联网数据建模方法与系统


[0001]本专利技术涉及车联网数据分析的
，尤其涉及一种基于深度学习的车联网数据建模方法与系统。

技术介绍

[0002]车联网作为物联网的重要应用，需要充分挖掘其流数据中的关联关系，例如，交通事故黑点分析(交通事故和时间、地段、天气状况等因素之间的关联关系)等。由于车联网的一个很重要的应用就是通过对各种信息进行加工分析，发现异常情况并进行预警。数据挖掘(DateMining)是指从大量的、不完整的、模糊的、随机的数据中提取出隐含的、先前末知的、并有潜在价值的信息和知识的过程。通过使用数据挖掘技术可以从大量的未筛选的数据中发现有价值的，提供给学习者相关的信息和知识。传统数据挖掘算法是基于统计思想进行检测，其存在的问题是需要事先知道数据的分布特征，但是针对车联网数据量大的特点，不可能对全部的历史数据分析其分布特征；另外，现有车联网系统中，车联网产生的数据流具有实时、连续、快速到达等特点，并且有在线分析的应用需求，随着数据规模不断增大，以及终端采集设备的多样性数据格式的差异性等因素，造成现有数据挖掘本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的车联网数据建模方法，其特征在于，包括：对车联网数据进行数据预处理，将处理完成的数据导入至数据库；利用聚类优化算法对处理后的车联网数据进行聚类，获得数据特征；根据数据特征建立基准模型，并对基准模型进行无监督训练；利用基准模型对数据特征进行挖掘分析，生成关联规则；其中，数据特征包括质量特征、行为特征、参数特征。2.如权利要求1所述的基于深度学习的车联网数据建模方法，其特征在于，所述数据预处理包括：计算车联网数据的缺失比例，将缺失比例小于3％和大于80％的车联网数据进行数据预测，根据预测结果补全缺失数据；对车联网数据进行线性变换，获得第一向量集合；并对第一向量集合进行白化和正则化处理，获得第二向量集合；对第二向量集合进行特征值分解，并将分解结果导入数据库。3.如权利要求2所述的基于深度学习的车联网数据建模方法，其特征在于，所述聚类包括：将数据库的数据输入到第一树模型，获得初始化聚类的簇；其中，所述第一树模型包括多个数据记录单元、至少一个数据记录数组和子节点指针，所述数据记录数组包括至少一个数据记录单元；所述数据记录数组能够监控数据库中的数据分布Q，并将相同维度的同一数据记录单元中，获得初始化聚类的簇；将初始化聚类的簇输入至降噪编码器进行聚类学习；根据软标签概率P和数据分布Q，软标签概率P用于衡量当前数据属于不同簇的概率，通过KL散度损失对降噪编码器的网络参数进行训练，以优化聚类效果；其中，KL散度损失Loss为：Loss＝KL(P//Q)。4.如权利要求3所述的基于深度学习的车联网数据建模方法，其特征在于，所述数据特征包括：质量特征：用于评价车联网数据的时间精度、定位精度、数据准确性和采样频率；行为特征：用于描述车联网用户行为的特征信息；参数特征：包括时间戳、观测时间、经纬度、道路信息、位置信息及交通状态。5.如权利要求4所述的基于深度学习的车联网数据建模方法，其特征在于，所述基准模型包括将数据特征输入至网络模型中，网络模型包括BP神经网络模型、岭回归模型、卷积神经网络模型和生成式对抗网络模型，输出预测结果；求取预测结果的平均值，并取整；根据取整结果计算网络模型的均方根误差，并根据均方根误差的阈值滤除过拟合的网络模型，获得基准模型，所述均方根误差的阈值设为0.01。6.如权利要求5所述的基于深度学习的车联网数据建模...

【专利技术属性】
技术研发人员：顾进峰，卢峰，蒋新星，吕清，
申请(专利权)人：南京通力峰达软件科技有限公司，
类型：发明
国别省市：