一种智能协作数据服务方法技术

本发明专利技术请求保护一种智能协作数据服务方法，属于物联网技术领域。其包括以下步骤：首先，基于边缘计算和深度学习，采用了边缘实体观测内容的预测方法，分析量化观测内容的时间相关性，感知量化观测内容的演化趋势；然后，设计了一种云端情境感知方法，考虑到用户对传感器属性的偏好，分别设计了显性和隐性的情境感知方法；最后，设计了一种基于内容预测和情境感知方法的智能数据服务机制，该机制整合了云和边缘通信和计算资源，以匹配实体数据，以提高AIoT数据采集的效率。仿真结果表明了该机制在数据服务准确性和时延性能方面的有效性。在数据服务准确性和时延性能方面的有效性。在数据服务准确性和时延性能方面的有效性。

【技术实现步骤摘要】
一种智能协作数据服务方法


[0001]本专利技术属于物联网应用
，具体属于一种智能协作数据服务方法。

技术介绍

[0002]随着万物互联时代的到来，物联网(IoT)和人工智能(AI)被认为是重塑未来商业模式甚至改变人类生活模式的关键。通信技术的升级只是解决了物与物之间的互联问题。智能化、个性化的服务是物联网发展的瓶颈。为此，研究人员将云计算技术应用于物联网，有效解决了物联网终端设备的计算、通信和存储能力有限的问题。然而，由于通信链路带宽有限，终端设备与云服务器之间距离过长，带来了高负载、大延迟、隐私泄漏等问题，因此，研究人员进一步提出了边缘计算体系结构。边缘服务器接近用户和数据源的特点可以有效地缓解云计算模型的问题。然而，作为一种分布式计算模式，边缘计算只能获取局部信息，而不能获取全局信息，且资源相对有限。随着终端设备计算能力的提高和用户隐私保护需求的增加，边缘云设备协作模型已经进入研究领域。云中心可以对全局数据进行深度分析，适用于非实时数据处理场景；边缘服务器侧重于局部区域，适用于小规模、实时的智能分析任务；终端可以充分利用边缘服务器和云中心的计算能力，移除自身可卸载的组件，迁移到多个边缘或云端，最大限度地减少并行处理中的服务延迟。
[0003]人工智能、云计算、边缘计算等新技术的融合是实现人工智能物联网高层次、智能化应用的有效途径[。目前，业界对人工物联网的概念还没有达成共识。AIoT是人工智能和物联网的协作应用。它通过AIoT系统的传感器实现实时信息采集，并在终端、边缘或云端进行智能数据分析，最终形成一个智能生态系统。目前，AIoT已经在智能家居、智慧城市、智能医疗、无人驾驶、智能工业控制等众多应用领域得到了实现。数据采集机制是基于用户提交的实体状态内容，通过部署在AIoT中的海量实体附加传感器选择合适的实体数据，并将匹配的实体数据返回给用户。数据采集的概念起源于互联网搜索引擎，它主要面向网络空间中的虚拟信息资源[。Internet数据采集引擎的数据采集功能是通过建立虚拟信息资源的静态索引来实现的。然而，物理实体的状态是极其动态的，传统的Internet数据采集方法无法实时呈现物理实体的准确状态信息。因此，传统的Internet数据采集方法在解决AIoT的数据采集问题时表现不佳。如何研究实时、高效的数据采集技术，从而快速、准确地选择符合用户需求的实体，是一个极具研究和应用价值的科学问题。研究设计实时、高效的数据采集技术，从而快速、准确地选择符合用户需求的实体，是一个极具研究和应用价值的科学问题。
[0004]AIoT中存在大量各种各样的传感器，它们无时无刻不在产生物理世界实体的状态信息。因此，基于观测内容选择传感器数据的数据采集机制将成为未来AIoT应用中最广泛和最核心的机制之一。现有的数据采集机制研究表明，大多忽略了边缘设备的通信和计算资源，将实体状态预测的任务全部集中在云端，这给云端带来了大量的计算负载，使得数据采集效率得不到满足。此外，现有的实体状态预测方法是基于浅层学习理论来预测观测内容，并根据预测内容来选择数据，导致数据采集结果不准确，数据采集延迟大。文献指出，部
署的传感器不断产生大量关于物理世界的实体的数据。如何理解这些数据是一个至关重要的问题。情境感知计算将是缓解这一问题的有效途径，从而促进AIoT的深入应用。
[0005]针对上述问题，本文提出了一种云
‑
边缘智能协作数据采集机制(edge
‑
cloudintelligent collaborative data acquisition mechanism,ECIC)。首先，基于边缘计算思想和深度学习理论，设计并采用了边缘实体观测内容的预测方法，深入分析量化观测内容的时间相关性，感知量化观测内容的演化趋势，从而实现量化观测内容的高精度预测，降低云数据的计算负荷。然后，设计了一种云端情境感知方法，引入了情境感知计算的理念。考虑到用户在数据采集环境中对传感器属性的偏好，分别设计了显性和隐性的情境感知方法。显性情境允许用户根据个人偏好指定传感器的属性。对于隐性情境，用户对传感器属性的偏好是通过挖掘用户的历史数据采集记录动态感知的。进而，设计了一种基于内容预测和情境感知方法的智能数据采集机制，该机制整合了云和边缘通信和计算资源，以匹配实体数据，提高数据采集的准确性和延迟性能。

技术实现思路

[0006]本专利技术旨在解决以上现有技术的问题。提出了一种面向人工物联网的云
‑
边缘智能协作数据采集方法。本专利技术的技术方案如下：
[0007]一种面向人工物联网的云
‑
边缘智能协作数据采集方法，其包括以下步骤：
[0008]首先，基于边缘计算和深度学习，采用了边缘实体观测内容的预测方法，分析量化观测内容的时间相关性，感知量化观测内容的演化趋势；
[0009]然后，设计了一种云端情境感知方法，考虑到用户在数据采集环境中对传感器属性的偏好，分别设计了显性和隐性的情境感知方法；显性情境允许用户根据个人偏好指定传感器的属性；对于隐性情境，用户对传感器属性的偏好通过挖掘用户的历史数据采集记录动态感知；
[0010]最后，设计了一种基于内容预测和情境感知方法的智能数据采集机制，该机制整合了云和边缘通信和计算资源，以匹配实体数据。
[0011]进一步的，所述采用了边缘实体观测内容的预测方法具体包括：
[0012]设计了一种基于GRU(门控循环单元)的实体内容边缘预测方法，通过在边缘构建观测内容预测模型，分析定量观测的时间相关性；
[0013]GRU是LSTM网络的一个有效变体，在GRU中，只有两种门函数：更新门和复位门；
[0014]所述观测内容预测模型采用一维全卷积网络结构，其中每个隐层的长度与输入层的长度相同，并加入一个零填充长度以维持后续层与前一层的关系，从而使网络产生的输出层与输入层的长度相同；此外，还增加了因果卷积，周期的输出只与当前时间和周期之前的要素有关，以确保在预测过程中不会遗漏历史信息或未来数据。
[0015]进一步的，在数据服务系统中，t时刻的观测数据为m
t
，在t+1之前的历史观测数据序列为M＝(m1,m2,,m
t
)，t+1是GRU神经网络的观测时间；
[0016](1)复位门
[0017]将最后观测到的数据h
t
‑1，以及当前时间的输入数据m
t
发送给复位门，以确定最终丢弃的信息；
[0018]r
t
＝σ(W
r
·
[h
t
‑1,m
t
]+b
r
)
ꢀꢀꢀ
(1)
[0019]其中，r
t
是复位门的输出，W
r
是复位门的权值，b
r
为复位门的偏移量，激活函数为σ＝1/(1+e
‑
x
)；x为输入的任意样本本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种智能协作数据服务方法，其特征在于，包括以下步骤：首先，基于边缘计算和深度学习，采用了边缘实体观测内容的预测方法，分析量化观测内容的时间相关性，感知量化观测内容的演化趋势；然后，设计了一种云端情境感知方法，考虑到用户在数据采集环境中对传感器属性的偏好，分别设计了显性和隐性的情境感知方法；显性情境允许用户根据个人偏好指定传感器的属性；对于隐性情境，用户对传感器属性的偏好通过挖掘用户的历史数据采集记录动态感知；最后，设计了一种基于内容预测和情境感知方法的智能数据采集机制，该机制整合了云和边缘通信和计算资源，以匹配实体数据。2.根据权利要求1所述的智能协作数据服务方法，其特征在于，所述采用了边缘实体观测内容的预测方法具体包括：设计了一种基于GRU门控循环单元的实体内容边缘预测方法，通过在边缘构建观测内容预测模型，分析定量观测的时间相关性；GRU是LSTM网络的一个有效变体，在GRU中，只有两种门函数：更新门和复位门；所述观测内容预测模型采用一维全卷积网络结构，其中每个隐层的长度与输入层的长度相同，并加入一个零填充长度以维持后续层与前一层的关系，从而使网络产生的输出层与输入层的长度相同；此外，还增加了因果卷积，周期的输出只与当前时间和周期之前的要素有关，以确保在预测过程中不会遗漏历史信息或未来数据。3.根据权利要求2所述的智能协作数据服务方法，其特征在于，在数据服务系统中，t时刻的观测数据为m
t
，在t+1之前的历史观测数据序列为M＝(m1,m2,
…
,m
t
)，t+1是GRU神经网络的观测时间；(1)复位门将最后观测到的数据h
t
‑1，以及当前时间的输入数据m
t
发送给复位门，以确定最终丢弃的信息；r
t
＝σ(W
r
·
[h
t
‑1,m
t
]+b
r
)
ꢀꢀꢀꢀꢀꢀꢀꢀ
(1)其中，r
t
是复位门的输出，W
r
是复位门的权值，b
r
为复位门的偏移量，激活函数为σ＝1/(1+e
‑
x
)；x为输入的任意样本x(2)更新门将最后观测到的数据h
t
‑1，以及当前时间的输入数据m
t
发送给更新门，以确定最后更新的信息；更新阶段为Z
t
＝σ(W
Z
·
[h
t
‑1,m
t
]+b
Z
)
ꢀꢀꢀꢀꢀꢀꢀ
(2)其中，Z
t
，W
Z
，b
Z
分别是更新门的输出、权值和偏移量。4.根据权利要求1所述的智能协作数据服务方法，其特征在于，所述显性的情境感知方法具体包括：用户数据采集界面提供传感器的全部或部分属性信息，用户可以根据个人偏好定制不同属性类型的权重；在用户定义了传感器属性的偏好和权重后，云端需要根据传感器对每个属性的实际能力来确定传感器满足用户数据采集情境需求的程度。
5.根据权利要求4所述的智能协作数据服务方法，其特征在于，所述用户数据采集界面提供传感器的全部或部分属性信息，用户可以根据个人偏好定制不同属性类型的权重，具体包括：假设传感器属性列表为P＝[p1,p2,
…
,p
n
]，该列表定义了传感器的各种属性，p
i
表示传感器的第i个属性，i＝1,2,
…
,n；权重...

【专利技术属性】
技术研发人员：杨慧娉，冯文果，赖小龙，李文娟，黄颖，
申请(专利权)人：重庆移通学院，
类型：发明
国别省市：