基于神经网络和时空关联度的物联网数据汇聚方法及装置制造方法及图纸

本申请实施例提供基于神经网络和时空关联度的物联网数据汇聚方法及装置

【技术实现步骤摘要】
基于神经网络和时空关联度的物联网数据汇聚方法及装置


[0001]本申请涉及物联网领域，尤其涉及基于神经网络和时空关联度的物联网数据汇聚方法及装置
。

技术介绍

[0002]在物联网应用中，由于物联网中数据采集装置比如传感器等本身的精度
、
以及外部干扰等影响，物联网中数据采集装置比如传感器等采集的数据会存在误差，而该误差会影响物联网应用比如目标识别
、
驾驶导航
、
监测等的准确度
。

技术实现思路

[0003]本申请实施例提供基于神经网络和时空关联度的物联网数据汇聚方法及装置，以减少物联网中数据采集装置比如传感器等采集的数据所存在的误差
。
[0004]根据本申请实施例的第一方面，提供一种基于神经网络和时空关联度的物联网数据汇聚方法，所述方法包括：对当前采样时间窗口采样得到的各终端的终端数据进行划分，得到同构数据集和异构数据集；所述同构数据集中任一终端数据与所述同构数据集中其它终端数据之间的接近程度总和大于阈值，所述异构数据集中任一终端数据与所述同本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于神经网络和时空关联度的物联网数据汇聚方法，其特征在于，所述方法包括：对当前采样时间窗口采样得到的各终端的终端数据进行划分，得到同构数据集和异构数据集；所述同构数据集中任一终端数据与所述同构数据集中其它终端数据之间的接近程度总和大于阈值 ，所述异构数据集中任一终端数据与所述同构数据集中其它终端数据之间的接近程度总和小于阈值 ；针对所述同构数据集中每一终端数据，确定该终端数据分别与所述同构数据集中其它各终端数据之间的时空关联度；基于该终端数据和所述同构数据集中其它各终端数据之间的时空关联度确定该终端数据进行数据融合时所需要的加权融合参数；利用所述同构数据集中各终端数据的加权融合参数对所述同构数据集中各终端数据进行融合并输出；针对所述异构数据集中各终端数据，利用神经网络模型对所述异构数据集中各终端数据进行融合并输出
。2.
根据权利要求1所述的方法，其特征在于，所述对当前采样时间窗口采样得到的各终端的终端数据进行划分，得到同构数据集和异构数据集，包括：针对当前采样时间窗口采样得到的来自每一终端的终端数据，分别计算该终端数据与其它各终端数据之间的接近程度；基于该终端数据与其它各终端数据之间的接近程度，确定该终端数据的支持度；该终端数据的支持度通过该终端数据与其它各终端数据之间的接近程度之和表示；依据各终端数据的支持度对各终端数据进行划分；其中，若一终端数据的支持度大于或等于阈值 ，则将该终端数据划分至同构数据集，若一终端数据的支持度小于阈值 ，则将该终端数据划分至异构数据集
。3.
根据权利要求1或2所述的方法，其特征在于，所述阈值 通过以下步骤确定：获得当前采样时间窗口采样得到的每两个终端数据之间的接近程度；将已获得的各接近程度按照第一设定顺序进行排列得到接近程度序列，从所述接近程度序列中选取目标接近程度；针对当前采样时间窗口采样得到的每两个终端数据，获得该两个终端数据之间的接近程度与所述目标接近程度的差值；将获得的各差值按照第二设定顺序进行排列得到差值序列，从所述差值序列中选取目标差值；基于所述目标接近程度和所述目标差值，确定所述阈值 。4.
根据权利要求1所述的方法，其特征在于，所述针对所述同构数据集中每一终端数据，确定该终端数据分别与所述同构数据集中其它各终端数据之间的时空关联度包括：针对所述同构数据集中第一终端数据，所述第一终端数据为所述同构数据集中任一终端数据，第一终端数据来自第一终端，依据第一终端数据和所述同构数据集中第二终端数据，确定第一终端数据和第二终端数据之间的空间距离；所述第二终端数据为所述同构数据集中除第一终端数据之外的任一终端数据，第二终端数据来自第二终端；
依据第一终端数据和第二终端数据
、
以及上一采样时间窗口采样得到的来自第一终端的第三终端数据
、
以及来自第二终端的第四终端数据，确定第一终端数据和第二终端数据之间的目标关联度；基于第一终端数据和第二终端数据之间的空间距离
、
以及第一终端数据和第二终端数据之间的目标关联度，确定第一终端数据和第二终端数据之间的时空关联度
。5.
根据权利要求4所述的方法，其特征在于，所述终端数据由多个数值组成；所述依据第一终端数据和第二终端数据
、
以及上一采样时间窗口采样得到的来自第一终端的第三终端数据
、
以及来自第二终端的第四终端数据，确定第一终端数据和第二终端数据之间的目标关联度包括：若第一终端数据中数值的数量
m
和第二终端数据中数值的数量
n
不同，则获得第三终端数据与第二终端数据之间的时空关联度
、
第一终端数据与第四终端数据之间的时空关联度
、
以及第三终端数据与第四终端数据之间的时空关联度，基于所述第三终端数据与第二终端数据之间的时空关联度
、
第一终端数据与第四终端数据之间的时空关联度
、
以及第三终端数据与第四终端数据之间的时空关联度，确定所述目标关联度；若第一终端数据中数值的数量
m
和第二终端数据中数值的数量
n
相同，则基于所述第三终端数据与第四终端数据之间的时空关联度，确定所述目标关联度
。6.
根据权利要求1所述的方法，其特征在于，所述基于该终端数据和所述同构数据集中其它各终端数据之间的时空关联度确定该终端数据进行数据融合时所需要的加权融合参数包括：针对所述同构数据集中第一终端数据，所述第一终端数据为所述同构数据集中任一终端数据，第一终端数据来自第一终端，依据第一终端数据和所述同构数据集中第二终端数据之间的时空关联度，确定第一终端数据与第二终端数据之间的时空距离值；所述第二终端数据为所述同构数据集中除第一终端数据之外的任一终端数据，第二终端数据来自第二终端；若所述时空距离值大于距离阈值 ，则确定第一终端数据与第二终端数据之间的同构程度为设定值，若所述时空距离值小于或等于距离阈值 ，则基于所述时空距离值以及第一终端数据分别和所述同构数据集中其它各终端数据之间的时空距离值确定第一终端数据与第二终端数据之间的同构程度；所述距离阈值 依据所述同构数据集中每两个终端数据之间的时空距离值动态确定；基于第一终端数据与所述同构数据集中其它各终端数据之间的同构程度，确定第一终端数据的加权融合参数
。7.
根据权利要求6所述的方法，其特征在于，所述距离阈值 通过以下步骤确定：将所述同构数据集中每两个终端数据之间的时空距离值按照第三设定顺序排列，得到时空距离值序列；从所述时空距离值序列中选取目标时空距离值；针对所述同构数据集中每两个终端数据之间的时空距离值
、
以及所述目标时空距离值，确定所述距离阈值 。
8.
根据权利要求1所述的方法，其特征在于，所述神经网络模型是指对上一采样时间窗口下的异构数据集中的终端数据进行融合时所采用的网络模型；或者，所述神经网络模型是依据当前采样时间窗口下的异构数据集中的目标终端数据训练出的模型
。9.
根据权利要求8所述的方法，其特征在于，所述目标终端数据通过以下步骤确定：针对所述异构数据集中第五终端数据，所述第五终端数据为所述异构数据集中任一终端数据，第五终端数据来自第五终端，确定第五终端数据的关联参数，所述关联参数用于表示第五终端数据与所述异构数据集中其它各终端数据之间的关联程度；若第五终端数据的关联参数大于设定参数，则确定第五终端数据为用于参与神经网络训练的目标终端数据
。10.
根据权利要求9所述的方法，其特征在于，第五终端数据由多个数值组成；所述确定第五终端数据的关联参数包括：将所述异构数据集中各终端数据转换为对比矩阵；所述对比矩阵中各元素具有相同的量纲；若所述对比矩阵中同一列中的元素对应同一个终端数据中的数值，则针对所述对比矩阵中与所述第五终端数据对应的目标列中任一元素，确定该元素的关联度系数；任一元素的关联度系数依据该元素
、
绝对最小差值以及绝对最大差值确定；所述绝对最小差值依据目标列中每一元素分别与所述对比矩阵中与该元素处于同一行中其它各元素之间的差值的绝对值的最小值确定，所述绝对最大差值依据目标列中每一元素分别与所述对比矩阵中与该元素处于同一行中其它各元素之间的差值的绝对值的最大值确定；依据目标列中各元素的关联度系数，确定第五终端数据的关联参数；或者，若所述对比矩阵中同一行中的元素对应同一个终端数据中的数值，则针对所述对比矩阵中与所述第五终端数据对应的目标行中任一元素，确定该元素的关联度系数；任一元素的关联度系数依据该元素
、
绝对最小差值以及绝对最大差值确定；所述绝对最小差值依据目标行中每一元素分别与所述对比矩阵中与该元素处于同一列中其它各元素之间的差值的绝对值的最小值确定，所述绝对最大差值依据目标行中每一元素分别与所述对比矩阵中与该元素处于同一列中其它各元素之间的差值的绝对值的最大值确...

【专利技术属性】
技术研发人员：王滨，王琴，王星，赵海涛，丁中正，
申请(专利权)人：杭州海康威视数字技术股份有限公司，
类型：发明
国别省市：