一种基于物联网的规划方法和系统技术方案

本发明专利技术公开了一种基于物联网的规划方法和系统，属于物联网技术领域，方法包括：获取采样点的历史消耗值；创建基于历史消耗值的时间序列；对时间序列进行基于稳态小波变换的频域多尺度分解；建立第一预测模型和第二预测模型；并将第一预测模型和第二预测没模型下发至边缘端，分别对采样点进行预测，得到初始预测消耗值；通过边缘端获取采样点的实时消耗值；以多次实时消耗值和初始预测消耗值的比值的均值作为预测矫正因子，结合信息熵计算第一预测模型和第二预测模型的权重值；进而进行权重分配，构建目标预测模型；通过目标预测模型预测采样点的目标预测消耗值，动作执行器对采样点进行通断调整

【技术实现步骤摘要】
一种基于物联网的规划方法和系统


[0001]本专利技术属于物联网
，具体涉及一种基于物联网的规划方法和系统
。

技术介绍

[0002]物联网是指互联网中的一种网络架构，通过该架构，可以将各种物理对象（如传感器
、
设备
、
车辆
、
家电等）与互联网连接起来，使它们能够相互通信
、
交换数据和执行任务，以实现更智能的互动和自动化过程
。
物联网的核心思想是将物理世界与数字世界相互连接，以便实时监测
、
控制和协调各种物理对象，这些物理对象通常配备有传感器
、
处理器和通信设备，使它们能够收集数据
、
分析信息并与其他物联网设备或云端服务器进行通信
。
[0003]城市规划通常由城市规划师
、
政府部门和社区参与者共同完成，它需要综合考虑多种因素，包括城市的历史
、
文化
、
社会经济特征和未来发展需求，城市规划的目标是创建一个宜居
、
可持续
、
有序和繁荣的城市，以满足居民的需求，并确保城市的未来可持续发展
。
城市规划还需要不断调整和更新，以适应不断变化的社会和环境条件
。
[0004]现有技术中，城市规划所需的基础数据往往需要工作人员进行线下的人工普查或者远程调取，获取规划用的数据，这种方式延迟高，及时性差，对于需要及时调度规划的项目效果差，且存在人工主观不可控因素，以人工普查获取的数据进行城市规划准确性较低
。

技术实现思路

[0005]为了解决现有技术存在的城市规划所需的基础数据往往需要工作人员进行线下的人工普查或者远程调取，获取规划用的数据，这种方式延迟高，及时性差，对于需要及时调度规划的项目效果差，且存在人工主观不可控因素，以人工普查获取的数据进行城市规划准确性较低的技术问题，本专利技术提供一种基于物联网的规划方法和系统
。
[0006]第一方面本专利技术提供了一种基于物联网的规划方法，应用于云边协同架构，所述云边协同架构包括动作执行器
、
边缘端和云服务器，所述边缘端分别与所述动作执行器和所述云服务器连接，所述动作执行器与所述云服务器连接，所述动作执行器用于按指令控制电力设备的通断
。
[0007]方法包括：
S101
：获取采样点的历史消耗值，其中，所述历史消耗值包括历史耗电值
、
历史用水值和历史燃气使用值；
S102
：将所述历史消耗值上传至所述云服务器，在所述云服务器中创建基于所述历史消耗值的时间序列；
S103
：对所述时间序列进行基于稳态小波变换的频域多尺度分解，得到不同尺度的子时间序列，其中，所述不同尺度包括日尺度
、
周尺度
、
季节尺度
、
周末尺度
、
节日尺度；
S104
：利用核自适应滤波算法对分解得到的子时间序列进行序列融合学习，建立第一预测模型，；
S105
：对所述时间序列进行时域特征分解，得到趋势分量和残差分量；
S106
：利用核自适应滤波算法对所述趋势分量和所述残差分量进行序列学习，获取时域波动特征，建立第二预测模型；
S107
：并将所述第一预测模型和所述第二预测没模型下发至所述边缘端，分别对所述采样点进行预测，得到初始预测消耗值；
S108
：通过所述边缘端获取所述采样点的实时消耗值；
S109
：以多次所述实时消耗值和所述初始预测消耗值的比值的均值作为预测矫正因子，结合信息熵计算所述第一预测模型和所述第二预测模型的权重值；
S110
：根据所述权重值对所述第一预测模型和所述第二预测模型进行权重分配，构建目标预测模型；
S111
：通过所述目标预测模型预测所述采样点的目标预测消耗值，所述动作执行器根据所述目标预测消耗值对所述采样点进行通断调整
。
[0008]第二方面本专利技术提供了一种基于物联网的规划系统，用于执行第一方面中的基于物联网的规划方法
。
[0009]与现有技术相比，本专利技术至少具有以下有益技术效果：（1）在本专利技术中，构建基于云边协同架构的规划体系，将具有处理能力的边缘端下沉至规划区域，降低物理距离导致的数据传输延迟，避免规划交互数据不及时的问题
。
将监测区域采集到的历史消耗值等需要巨大计算资源的大体量数据上传至云服务器进行运算，获取基于时间序列的目标预测模型，之后将得到的目标预测模型下发至边缘端完成实时的近距离控制，以及时的控制动作执行器的通断，精准预测资源需求，提升生活用资源的供需平衡，提升资源利用率，减少不必要的资源浪费，提升智能化控制程度，降低由于人工决策导致的能源浪费
。
[0010]（2）对基于资源的历史消耗值建立的时间序列，利用基于稳态小波变换和成分分解技术，分别获取时间序列的频域多尺度特征和时域多尺度特征，之后利用核自适应滤波算法对获取到的多尺度特征在云服务器中进行升维，将数据映射到高维空间，在高维空间中进行非线性数据分析，捕捉多尺度特征，最后以多次实时消耗值和初始预测消耗值的比值的均值作为预测矫正因子，结合信息熵计算第一预测模型和第二预测模型的权重值，获取目标预测模型，充分利用了云服务器的强大计算能力，完成高维非线性分析，得到的标预测模型获得了时间序列时域频域的属性特征，充分考虑了包括日尺度
、
周尺度
、
季节尺度
、
周末尺度
、
节日尺度的影响，对资源消耗值的预测值更加准确可靠，进而为城市规划的提前决策提供智能化支持，提升城市规划有效性和科学性
。
附图说明
[0011]下面将以明确易懂的方式，结合附图说明优选实施方式，对本专利技术的上述特性
、
技术特征
、
优点及其实现方式予以进一步说明
。
[0012]图1是本专利技术提供的一种基于物联网的规划方法的流程示意图；图2是本专利技术提供的一种云边协同架构的结构示意图
。
具体实施方式
[0013]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对照附图说明本专利技术的具体实施方式
。
显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图，并获得其他的实施方式
。
[0014]为使图面简洁，各图中只示意性地表示出了与专利技术相关的部分，它们并不代表其作为产品的实际结构
。
另外，以使图面简洁便于理解，在有些图中具有相同结构或功能的部件，仅示意性地绘示了其中的一个，或仅标出了其中的一个
...

【技术保护点】

【技术特征摘要】
1.
一种基于物联网的规划方法，其特征在于，应用于云边协同架构，所述云边协同架构包括动作执行器
、
边缘端和云服务器，所述边缘端分别与所述动作执行器和所述云服务器连接，所述动作执行器与所述云服务器连接，所述动作执行器用于按指令控制电力设备的通断，方法包括：
S101
：获取采样点的历史消耗值，其中，所述历史消耗值包括历史耗电值
、
历史用水值和历史燃气使用值；
S102
：将所述历史消耗值上传至所述云服务器，在所述云服务器中创建基于所述历史消耗值的时间序列；
S103
：对所述时间序列进行基于稳态小波变换的频域多尺度分解，得到不同尺度的子时间序列，其中，所述不同尺度包括日尺度
、
周尺度
、
季节尺度
、
周末尺度
、
节日尺度；
S104
：利用核自适应滤波算法对分解得到的子时间序列进行序列融合学习，建立第一预测模型；
S105
：对所述时间序列进行时域特征分解，得到趋势分量和残差分量；
S106
：利用核自适应滤波算法对所述趋势分量和所述残差分量进行序列学习，获取时域波动特征，建立第二预测模型；
S107
：并将所述第一预测模型和所述第二预测没模型下发至所述边缘端，分别对所述采样点进行预测，得到初始预测消耗值；
S108
：通过所述边缘端获取所述采样点的实时消耗值；
S109
：以多次所述实时消耗值和所述初始预测消耗值的比值的均值作为预测矫正因子，结合信息熵计算所述第一预测模型和所述第二预测模型的权重值；
S110
：根据所述权重值对所述第一预测模型和所述第二预测模型进行权重分配，构建目标预测模型；
S111
：通过所述目标预测模型预测所述采样点的目标预测消耗值，所述动作执行器根据所述目标预测消耗值对所述采样点进行通断调整
。2.
根据权利要求1所述的基于物联网的规划方法，其特征在于，所述
S103
具体包括：
S1031
：获取所述时间序列
D
；其中，表示
t
时刻历史消耗值，
n
表示降采样时刻数目；
S1032
：分别通过高通滤波器和低通滤波器对所述时间序列进行卷积运算，获取子时间序列；
S1033
：对所述高通滤波器和所述低通滤波器进行插值补零，并利用插值后的滤波器对通过低通滤波器得到的子时间序列进行分解；
S1034
：重复
S1032
‑
S1033
，对所述低通滤波器得到的子时间序列进行多次分解，直至分解次数大于或者等于预设分解次数，得到每个尺度下的高频子时间序列和低频子时间序列
。3.
根据权利要求1所述的基于物联网的规划方法，其特征在于，所述
S104
具体包括：
S1041
：通过预设长度的时间窗口对所述子时间序列进行数据处理，得到多个序列片段
，并将每个所述序列片段作为相应时刻的输入向量：；其中，表示
s
尺度下的
t
时刻输入向量，，分别表示
s
尺度下
t
‑
m
时刻和
t
‑1时刻的历史消耗值；
S1042
： 将
t
时刻的历史消耗值作为预测值，建立所述输入向量和所述预测值的子预测模型：；其中，表示先验误差，表示步长因子，表示带宽为的默瑟核，表示预测函数
;S1043
：重复
S1041
‑
S1042
，对多个尺度下...

【专利技术属性】
技术研发人员：陈雷，郑煦，
申请(专利权)人：北京南天智联信息科技股份有限公司，
类型：发明
国别省市：