【技术实现步骤摘要】
一种基于机器学习的物联网数据挖掘方法及系统
[0001]本专利技术涉及数据挖掘
,尤其涉及一种基于机器学习的物联网数据挖掘方法及系统。
技术介绍
[0002]物联网数据挖掘方法可以有效地从海量的物联网数据中提取有价值的信息和模式,实现智能化的决策和预测,帮助企业和组织更好地理解设备和传感器生成的数据,发现隐藏在数据背后的规律,优化运营和资源分配,提升系统的效率和性能,对于现代社会的物联网系统具有重要意义。然而,传统的物联网数据挖掘方法对于数据挖掘过于复杂,需要耗费大量的人力与财力,对于计算机的硬件压力太大,并且对于待挖掘的数据需要耗费大量的人工时间进行深度挖掘,增加了人工时间成本。
技术实现思路
[0003]基于此,本专利技术提供一种基于机器学习的物联网数据挖掘方法及系统,以解决至少一个上述技术问题。
[0004]为实现上述目的,一种基于机器学习的物联网数据挖掘方法,包括以下步骤:步骤S1:获取分布式物联网数据采集节点;对分布式物联网数据采集节点进行实时物联网数据采集,从而生成初始物联网数据包;步骤S2:对初始物联网数据包进行数字信号的编码转换,生成初始物联网数据;对初始物联网数据进行数据加密及数据序列格式转换,生成标准物联网数据;步骤S3:对标准物联网数据进行数据段事件复杂度计算,生成数据段事件复杂度;根据数据段事件复杂度对标准物联网数据进行关键物联网数据提取,生成关键物联网数据;步骤S4:对关键物联网数据进行物联网特征数据提取,生成物联网特征数据;利用K
‑
Mean ...
【技术保护点】
【技术特征摘要】
1.一种基于机器学习的物联网数据挖掘方法,其特征在于,包括以下步骤:步骤S1:获取分布式物联网数据采集节点;对分布式物联网数据采集节点进行实时物联网数据采集,从而生成初始物联网数据包;步骤S2:对初始物联网数据包进行数字信号的编码转换,生成初始物联网数据;对初始物联网数据进行数据加密及数据序列格式转换,生成标准物联网数据;步骤S3:对标准物联网数据进行数据段事件复杂度计算,生成数据段事件复杂度;根据数据段事件复杂度对标准物联网数据进行关键物联网数据提取,生成关键物联网数据;步骤S4:对关键物联网数据进行物联网特征数据提取,生成物联网特征数据;利用K
‑
Means聚合算法对物联网特征数据进行物联网特征数据的数据关联,生成关联物联网特征数据;步骤S5:利用决策树算法与关联物联网特征数据进行物联网数据的挖掘学习模型建立,生成优化物联网数据挖掘模型;将优化物联网数据挖掘模型配置在分布式物联网数据采集节点进行数据节点的自动化数据挖掘分析,以生成自动化数据挖掘学习模型。2.根据权利要求1所述的基于机器学习的物联网数据挖掘方法,其特征在于,步骤S1包括以下步骤:步骤S11:获取分布式物联网数据采集节点;步骤S12:根据分布式物联网数据采集节点进行网络通信接口建立,生成数据通信中心设备;步骤S13:对数据通信中心设备进行网络带宽及设备能耗分析,生成数据通信中心设备的实时能耗数据;步骤S14:利用数据通信中心设备对分布式数据采集节点进行实时物联网数据采集,并根据实时能耗数据对数据通信中心设备进行数据采集速率的实时调节,从而生成初始物联网数据包。3.根据权利要求2所述的基于机器学习的物联网数据挖掘方法,其特征在于,步骤S2包括以下步骤:步骤S21:对初始物联网数据包进行数字信号的编码转换,生成初始物联网数据;步骤S22:利用非对称加密算法对初始物联网数据进行非对称加密处理,生成加密物联网数据;步骤S23:对加密物联网数据进行数据清洗处理,生成清洗物联网数据;步骤S24:利用最小
‑
最大归一化法对清洗物联网数据进行数据归一化,生成归一化物联网数据;步骤S25:对归一化物联网数据进行数据的时间序列提取,获得时间序列;步骤S26:根据时间序列对归一化物联网数据进行时间序列的格式转换处理,生成标准物联网数据。4.根据权利要求3所述的基于机器学习的物联网数据挖掘方法,其特征在于,步骤S3包括以下步骤:步骤S31:将标准物联网数据进行特定间隔的数据段划分处理,生成物联网数据段;步骤S32:利用数据事件复杂度算法对物联网数据段进行数据段事件复杂度计算,生成数据段事件复杂度;
步骤S33:根据预设的事件复杂阈值与数据段事件复杂度对物联网数据段进行关键事件段提取,生成关键事件数据段;步骤S34:利用预设的时间窗口对关键事件数据段进行前后文关键数据提取,生成关键物联网数据。5.根据权利要求4所述的基于机器学习的物联网数据挖掘方法,其特征在于,步骤S32中的数据事件复杂度算法如下所示:;式中,P表示为数据段事件复杂度,T表示为物联网数据段涉及的结束时间,t表示为物联网数据段涉及的当前时间,K表示为物联网数据段的数据长度,Q表示为物联网数据段的出现频率,o表示为物联网数据段涉及的流量大小,p表示为物联网数据段设定的初始流量调整值,γ表示为数据段的数据项变更频率,τ表示为数据段事件复杂度的异常调整值。6.根据权利要求5所述的基于机器学习的物联网数据挖掘方法,其特征在于,步骤S4包括以下步骤:步骤S41:利用傅里叶变换技术对关键物联网数据进行频域信号转换,生成关键物联网信号;步骤S42:利...
【专利技术属性】
技术研发人员:徐缓,王国志,周骋,
申请(专利权)人:苏州讯途益智能科技有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。