一种时序数据特征提取和分析的方法及平台与流程

本发明涉及物联网，特别涉及一种时序数据特征提取和分析的方法及平台。

背景技术：

1、目前，在物联网应用中，传感器和智能设备不断产生大量的时序数据，这些数据需要被实时处理和分析以提供有价值的信息。而这些时序数据的特征提取和分析往往涉及复杂的计算任务，需要高效的处理能力。但是传统的处理方式是将所有数据传输到远程数据中心或云端进行处理，这种方式存在滞后性，且功耗很高。而物联网边缘计算允许在物联网设备或网络边缘进行数据分析和处理，这种技术将计算和数据处理分配到物联网内的其他设备中，使得设备能够在本地进行实时的数据分析和处理。所以如何对物联网边缘计算的计算分配进行调整，确保了资源在不同场景下的最优配置便成为了目前最紧要的问题。

2、但是，现有的时序数据特征提取和分析的方法及平台只是通过时序数据本身携带的一些数据特性，精确提取数据本身赋予的信息点，并捕捉到更多维度的数据信息，使得特征数据整体更平滑化，有助于后续建模预测精确度的提升，但并未考虑对每个计算设备在进行时序数据特征提取和分析过程中承担计算任务分配的优先程度进行量化，也未考虑到如何根据时序数据的特征和物联网设备的性能对物联网边缘计算的计算分配进行动态调整，来确保资源在不同场景下的最优配置。例如公开号为“cn110134839b”、专利名称为“时序数据特征处理方法、装置及计算机可读存储介质”，其方法包括以下步骤：结合k-means聚类算法将时序数据进行聚类分析，形成多个聚集类；利用字典中预先设置的时序特征词在各个聚集类中搜索对比，如果搜索到与字典中的时序特征词一致的数据，则对对应的聚集类中的数据按照时序特征词进行统计，统计出各时序特征词对应的数据百分比；将各聚集类中的时序数据进行均值漂移聚类，进一步将各聚集类中的数据分别按照数据百分比聚类出聚集子类。上述专利能够基于时序数据本身携带的一些数据特性，精确提取数据本身赋予的信息点，还能够捕捉到更多维度的数据信息，并使得特征数据整体更平滑化，有助于后续建模预测精确度的提升。但是该专利只通过时序数据本身携带的一些数据特性，精确提取数据本身赋予的信息点，并捕捉到更多维度的数据信息，使得特征数据整体更平滑化，有助于后续建模预测精确度的提升，但并未考虑对每个计算设备在进行时序数据特征提取和分析过程中承担计算任务分配的优先程度进行量化，也未考虑到如何根据时序数据的特征和物联网设备的性能对物联网边缘计算的计算分配进行动态调整，来确保资源在不同场景下的最优配置。

3、因此，本发明提出了一种时序数据特征提取和分析的方法及平台。

技术实现思路

1、本发明提供一种时序数据特征提取和分析的方法及平台，用以根据时序数据的所有类数据特征参数和所有物联网设备的所有类设备参数，获得所有可分配设备，实现了从所有物联网设备内筛选出可进行时序数据特征提取和分析过程的计算任务分配的部分物联网设备，进而根据时序数据的所有类数据特征参数，准确地获得时序数据的任务需求值，实现了对时序数据进行特征提取和分析时处理数据的难易程度进行量化，根据所有可分配设备的所有类设备参数，准确地获得所有可分配设备的设备性能值，实现了对每个可分配设备在进行时序数据特征提取和分析时能力高低进行量化，进而根据所有可分配设备的设备性能值和传输距离值，获得可分配设备节点图，便于后续边缘分配优先值的计算，并根据时序数据的任务需求值和可分配设备节点图，准确地获得所有计算设备的边缘分配优先值，实现了对每个计算设备在进行时序数据特征提取和分析过程中承担计算任务分配的优先程度进行量化，最终根据所有计算设备的边缘分配优先值，获得时序数据特征提取和分析结果，动态地根据时序数据的特征和物联网设备的性能对物联网边缘计算的计算分配进行调整，确保了资源在不同场景下的最优配置，提高了时序数据特征提取和分析效率。

2、本发明提供一种时序数据特征提取和分析的方法，包括：

3、s1：基于时序数据的所有类数据特征参数和所有物联网设备的所有类设备参数，获得所有可分配设备；

4、s2：基于时序数据的所有类数据特征参数和所有可分配设备的所有类设备参数，获得时序数据的任务需求值和所有可分配设备的设备性能值；

5、s3：基于所有可分配设备的设备性能值和传输距离值，获得可分配设备节点图，并基于时序数据的任务需求值和可分配设备节点图，获得所有计算设备的边缘分配优先值；

6、s4：基于所有计算设备的边缘分配优先值，获得时序数据特征提取和分析结果。

7、优选的，时序数据特征提取和分析的方法，s1：基于时序数据的所有类数据特征参数和所有物联网设备的所有类设备参数，获得所有可分配设备，包括：

8、获取时序数据的所有类数据特征参数，其中所有类数据特征参数包括数据量、数据采集频率、数据维度量；

9、获取所有物联网设备的所有类设备参数，其中所有类设备参数包括设备处理器主频、设备处理器核心数、设备内存量及设备内存速度；

10、基于所有物联网设备的设备内存量和时序数据的所有类数据特征参数，获得所有可分配设备。

11、优选的，时序数据特征提取和分析的方法，基于所有物联网设备的设备内存量和时序数据的所有类数据特征参数，获得所有可分配设备，包括：

12、将时序数据的数据量的数值和时序数据的数据采集频率的数值之间的商值，与时序数据的数据维度量的数值之间的积值，作为筛选数据量值；

13、若每个物联网设备的设备内存量的数值大于筛选数据量值时，判定对应物联网设备为可分配设备，获得所有可分配设备。

14、优选的，时序数据特征提取和分析的方法，s2：基于时序数据的所有类数据特征参数和所有可分配设备的所有类设备参数，获得时序数据的任务需求值和所有可分配设备的设备性能值，包括：

15、获取时序数据特征提取方式，并基于时序数据特征提取方式和预设特征提取方式赋分表，获得时序数据特征提取赋分值；

16、获取时序数据特征分析方式，并基于时序数据特征分析方式和预设特征分析方式赋分表，获得时序数据特征分析赋分值；

17、基于时序数据特征提取赋分值、时序数据特征分析赋分值及时序数据的所有类数据特征参数，获得时序数据的任务需求值，即为：

18、

19、其中，β为时序数据的任务需求值，α1为时序数据特征提取赋分值，α2为时序数据特征分析赋分值，e为自然常数，a为时序数据的数据量的数值，b为时序数据的数据采集频率的数值，c为时序数据的数据维度量，(α1,α2)max为α1和α2中的最大值，ln为自然对数，且自然常数e的取值为2.718；

20、基于所有可分配设备的所有类设备参数，获得每个可分配设备的设备性能值。

21、优选的，时序数据特征提取和分析的方法，基于所有可分配设备的所有类设备参数，获得每个可分配设备的设备性能值，包括：

22、

23、其中，γ为当前计算的可分配设备的设备性能值，w为当前计算的可分配设备的设备处理器主频，w0为所有可分配设备的设备处理器主频的均值，e为当前计算的可分配设备的设备处理器核心数，e0为所有可分配设备的设备处理器核心数的均值，r为当前计算的可分配设备的设备内存量，r0为所有可分配设备的设备内存量的均值，h为当前计算的可分配设备的设备内存速度，h0为所有可分配设备的设备内存速度的均值。

24、优选的，时序数据特征提取和分析的方法，s3：基于所有可分配设备的设备性能值和传输距离值，获得可分配设备节点图，并基于时序数据的任务需求值和可分配设备节点图，获得所有计算设备的边缘分配优先值，包括：

25、获取所有可分配设备的传输距离值，并将所有可分配设备的传输距离值的数值作为横坐标值，对应可分配设备的设备性能值作为纵坐标值，获得所有可分配设备节点，并将包含有所有可分配设备节点的直角坐标系，当作可分配设备节点图；

26、基于时序数据的任务需求值和可分配设备节点图，获得所有计算设备的边缘分配优先值。

27、优选的，时序数据特征提取和分析的方法，基于时序数据的任务需求值和可分配设备节点图，获得所有计算设备的边缘分配优先值，包括：

28、以可分配设备节点图的直角坐标系原点为圆心、时序数据的任务需求值为半径，获得分析圆；

29、判断分析圆内的可分配设备节点的个数是否为0，若是，则将分析圆的半径和1的和值，作为新的分析圆的半径，以可分配设备节点图的直角坐标系原点为圆心、新的分析圆的半径为半径，获得新的分析圆，继续判断新的分析圆内的可分配设备节点的个数是否为0，若是，则继续对新的分析圆的半径进行单位数值的递增，直至最新的分析圆内的可分配设备节点的个数不为0时，将最新的分析圆内的所有可分配设备节点当作计算设备节点，并将最新的分析圆的半径当作计算半径；

30、否则，将分析圆内的所有可分配设备节点当作计算设备节点，并将分析圆的半径当作计算半径；

31、基于所有计算设备节点、计算半径及时序数据的任务需求值，获得每个计算设备节点的边缘分配优先值，并将每个计算设备节点的边缘分配优先值作为对应计算设备的边缘分配优先值。

32、优选的，时序数据特征提取和分析的方法，基于所有计算设备节点、计算半径及时序数据的任务需求值，获得每个计算设备节点的边缘分配优先值，包括：

33、

34、其中，δ为当前计算的计算设备节点的边缘分配优先值，β为时序数据的任务需求值，x为当前计算的计算设备节点的横坐标值，y为当前计算的计算设备节点的纵坐标值，r为当前计算的计算设备节点和直角坐标系原点之间的距离，r0为计算半径，ln为自然对数，且自然常数e的取值为2.718。

35、优选的，时序数据特征提取和分析的方法，s4：基于所有计算设备的边缘分配优先值，获得时序数据特征提取和分析结果，包括：

36、按所有计算设备的边缘分配优先值从大至小的顺序，对所有计算设备进行排序，获得计算设备排序结果；

37、将时序数据特征提取和分析过程的计算任务分配至所有计算设备，且分配顺序与计算设备排序结果保持一致。

38、本发明提供了一种时序数据特征提取和分析的平台，用于执行实施例1至9中任一一种时序数据特征提取和分析的方法，包括：

39、筛选模块，用于基于时序数据的所有类数据特征参数和所有物联网设备的所有类设备参数，获得所有可分配设备；

40、第一计算模块，用于基于时序数据的所有类数据特征参数和所有可分配设备的所有类设备参数，获得时序数据的任务需求值和所有可分配设备的设备性能值；

41、第二计算模块，用于基于所有可分配设备的设备性能值和传输距离值，获得可分配设备节点图，并基于时序数据的任务需求值和可分配设备节点图，获得所有计算设备的边缘分配优先值；

42、分配模块，用于基于所有计算设备的边缘分配优先值，获得时序数据特征提取和分析结果。

43、本发明相对于现有技术产生的有益效果为：根据时序数据的所有类数据特征参数和所有物联网设备的所有类设备参数，获得所有可分配设备，实现了从所有物联网设备内筛选出可进行时序数据特征提取和分析过程的计算任务分配的部分物联网设备，进而根据时序数据的所有类数据特征参数，准确地获得时序数据的任务需求值，实现了对时序数据进行特征提取和分析时处理数据的难易程度进行量化，根据所有可分配设备的所有类设备参数，准确地获得所有可分配设备的设备性能值，实现了对每个可分配设备在进行时序数据特征提取和分析时能力高低进行量化，进而根据所有可分配设备的设备性能值和传输距离值，获得可分配设备节点图，便于后续边缘分配优先值的计算，并根据时序数据的任务需求值和可分配设备节点图，准确地获得所有计算设备的边缘分配优先值，实现了对每个计算设备在进行时序数据特征提取和分析过程中承担计算任务分配的优先程度进行量化，最终根据所有计算设备的边缘分配优先值，获得时序数据特征提取和分析结果，动态地根据时序数据的特征和物联网设备的性能对物联网边缘计算的计算分配进行调整，确保了资源在不同场景下的最优配置，提高了时序数据特征提取和分析效率。

44、本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的本技术文件中所特别指出的结构来实现和获得。

45、下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。