针对智能设备的数据分析方法及装置的制造方法
【专利摘要】本申请提供一种针对智能设备的数据分析方法及装置,其中的方法包括:接收智能设备实时上传的业务数据流;基于预设的采样梯度阈值针对所述业务数据流进行动态数据采样;基于预设的数据分析模型针对所述动态数据采样得到的数据样本进行数据分析。本申请可以基于设定的采样梯度阈值对智能设备上传的业务数据流进行动态数据采样,有助于提升数据分析结果的准确度。
【专利说明】
针对智能设备的数据分析方法及装置
技术领域
[0001]本申请涉及通信领域,尤其涉及一种针对智能设备的数据分析方法及装置。
【背景技术】
[0002]随着互联网的不断深化发展,从互联网时代逐渐过渡到物联网时代目前已经成为未来发展的主流趋势。在物联网时代,通过对智能设备产生的海量数据进行大数据分析,可以从海量数据中挖掘数据蕴含的价值以及用户需求,因此,对于智能设备的生产商和运营商来说,都具有重要意义。
[0003]在相关技术中,在针对海量数据进行大数据分析处理时,为了降低数据的处理量,通常都会针对待处理的数据进行采样。然而目前在针对待处理的数据进行采样时,通常只针对静态数据进行采样,或者通过一些机械式的静态采样方式对动态数据进行采样,已经无法满足大数据分析的实际需求。
【发明内容】
[0004]本申请提出一种针对智能设备的数据分析方法,应用于服务端,所述方法包括:
[0005]接收智能设备实时上传的业务数据流;
[0006]基于预设的采样梯度阈值针对所述业务数据流进行动态数据采样;
[0007]基于预设的数据分析模型针对所述动态数据采样得到的数据样本进行数据分析。
[0008]可选的,所述基于预设的采样梯度阈值针对所述业务数据流进行动态采样包括:
[0009]计算接收到的所述业务数据流中各业务数据的波动幅度;
[0010]判断所述波动幅度是否达到所述预设的采样梯度阈值;
[0011 ]当所述业务数据流中任一业务数据的波动幅度达到所述采样梯度阈值时,针对该业务数据进行采样。
[0012]可选的,所述方法还包括:
[0013]当所述业务数据流中各业务数据的波动幅度均小于所述采样梯度阈值时,基于预设的采样频率针对所述业务数据流进行数据采样。
[0014]可选的,所述采样梯度阈值为动态阈值;
[0015]所述方法还包括:
[0016]计算所述业务数据流中各业务数据的平均波动幅度;
[0017]将计算出的所述平均波动幅度设置为所述采样梯度阈值;或者基于计算出的所述平均波动幅度针对所述采样梯度阈值进行动态修正。
[0018]可选的,所述方法还包括:
[0019]周期性的将所述数据分析的结果推送至用户客户端向用户展现;或者
[0020]在所述数据分析后确定出所述智能设备当前的业务状态发生变化时,将所述数据分析的结果推送至用户客户端向用户展现。
[0021]本申请还提出一种针对智能设备的数据分析装置,其特征在于,所述装置包括:
[0022]接收模块,用于接收智能设备实时上传的业务数据流;
[0023]采样模块,用于基于预设的采样梯度阈值针对所述业务数据流进行动态数据采样;
[0024]分析模块,用于基于预设的数据分析模型针对所述动态数据采样得到的数据样本进行数据分析。
[0025]可选的,所述采样模块具体用于:
[0026]计算接收到的所述业务数据流中各业务数据的波动幅度;
[0027]判断所述波动幅度是否达到所述预设的采样梯度阈值;
[0028]当所述业务数据流中任一业务数据的波动幅度达到所述采样梯度阈值时,针对该业务数据进行采样。
[0029]可选的,所述采样模块进一步用于:
[0030]当所述业务数据流中各业务数据的波动幅度均小于所述采样梯度阈值时,基于预设的采样频率针对所述业务数据流进行数据采样。
[0031]可选的,所述采样梯度阈值为动态阈值;
[0032]所述采样模块进一步用于:
[0033]计算所述业务数据流中各业务数据的平均波动幅度;
[0034]将计算出的所述平均波动幅度设置为所述采样梯度阈值;或者基于计算出的所述平均波动幅度针对所述采样梯度阈值进行动态修正。
[0035]可选的,所述装置还包括:
[0036]推送模块,用于周期性的将所述数据分析的结果推送至用户客户端向用户展现;或者在所述数据分析后确定出所述智能设备当前的业务状态发生变化时,将所述数据分析的结果推送至用户客户端向用户展现。
[0037]本申请中,通过接收智能设备实时上传的业务数据流,并基于预设的采样梯度阈值针对所述业务数据流进行动态数据采样,然后基于预设的数据分析模型针对所述动态数据采样得到的数据样本进行数据分析,实现了可以基于设定的采样梯度阈值对智能设备上传的业务数据流进行动态数据采样,对业务数据流中部分有效数据有选择性的进行采样,从而有助于提升数据分析结果的准确度。
【附图说明】
[0038]图1是本申请一实施例提供的一种针对智能设备的数据分析方法的流程图;
[0039]图2是本申请一实施例提供的一种服务端基于预先设定的采样梯度阈值针对接收到的业务数据流进行采样处理的处理流程图;
[0040]图3是本申请一实施例提供的一种智能家居的组网示意图;
[0041]图4是本申请一实施例提供的一种智能手机的界面示意图;
[0042]图5是本申请一实施例提供的一种针对智能设备的数据分析装置的逻辑框图;
[0043]图6是本申请一实施例提供的承载所述一种针对智能设备的数据分析装置的服务端的硬件结构图。
【具体实施方式】
[0044]在物联网时代,将不同类型智能设备通过物联网进行互联,有助于将用户的日常生活数字化,为用户打造更加便利更加智能化的生活。然而,在带来便利的同时,由于需要将不同类型的智能设备进行互联,因此不同的智能设备在互联和交互过程中,会产生大量的数据。而且,由于不同类型的智能设备产生的这些数据通常会具有离散性且无法量化的特点,因此在很多应用场景下,对于一些问题无法通过对产生的数据直接进行量化分析来得到“精确解”。
[0045]在这种情况下,通常需要智能设备将产生的数据上传至数据处理平台,由数据处理平台结合特定的算法或者数学模型进行数据分析来确定这些离散数据的数据规律和特征,得到“近似解”,并通过特定的算法或者数学模型进行数据分析后得到的数学表达式,来衡量“近似解”与“精确解”之间的差异,从而有助于智能设备的生产商和运营商,基于数据分析的结果从这些海量的数据中挖掘出数据蕴含的价值规律。
[0046]目前,数据处理平台在针对智能设备上传的大量数据进行分析时,为了降低数据的处理量,通常都会针对这些待处理的数据进行采样处理。
[0047]然而,目前在针对数据进行采样时,通常只通过一些机械式的静态采样方式进行采样;例如,数据处理平台可以预先设定一个采样频率,然后自动根据该采样频率对智能设备上传的数据进行采样(即按照采样频率从若干个数据中按照固定的间隔抽取数据)。
[0048]由于静态采样方式,在采样的过程中,并未考虑数据的波动性,仅仅是从大量的数据中机械的采集数据,因此并不能针对大量离散的数据中可以反映数据规律的有效数据进行有选择的采样,从而采样得到的数据中可能会遗漏一些能够反映数据规律,或者携带信息量比较大的数据样本,导致数据分析平台在针对采样得到的数据进行数据分析后,得到的数据分析结果最终可能并不能真实的反映这些数据的规律和特征。
[0049]有鉴于此,本申请提出一种针对智能设备的数据分析方法,通过接收智能设备实时上传的业务数据流,并基于预设的采样梯度阈值针对所述业务数据流进行动态数据采样,然后基于预设的数据分析模型针对所述动态数据采样得到的数据样本进行数据分析,实现了可以基于设定的采样梯度阈值对智能设备上传的业务数据流进行动态数据采样,对业务数据流中部分有效数据有选择性的进行采样,从而有助于提升数据分析结果的准确度。
[0050]下面通过具体实施例并结合具体的应用场景对本申请进行描述。
[0051]请参考图1,图1是本申请一实施例提供的一种针对智能设备的数据分析方法,应用于服务端,所述方法执行以下步骤:
[0052]步骤101,接收智能设备实时上传的业务数据流;
[0053]步骤102,基于预设的采样梯度阈值针对所述业务数据流进行动态数据采样;
[0054]步骤103,基于预设的数据分析模型针对所述动态数据采样得到的数据样本进行数据分析。
[0055]上述智能设备,可以包括智能家居设备;例如,上述智能设备可以包括智能空气净化器、智能插座、智能烟雾报警器等智能设备。
[0056]上述服务端,可以包括面向基于智能设备组建的物联网提供设备接入服务以及管理服务的服务器主机、服务器集群或者基于服务器集群构建的云平台;例如,在智能家居的应用场景中,上述服务端可以是部署在家庭环境中,能够作为智能家居设备的接入平台以及控制中心的智能网关(或者智能主机),该智能网关可以充当服务器的功能,面向家庭环境中的智能设备提供接入服务,并对家庭环境中的智能设备统一进行管理。
[0057]以下结合智能家居的应用场景对本申请的技术方案进行详细描述。
[0058]在智能家居的应用场景中,家庭环境中的智能设备可以通过运行内置的无线通信模块(比如Zigbee模块或者W1-Fi模块)与作为接入平台的智能网关进行无线通信,接入到智能网关完成无线组网。其中,具体的组网方式,在本例中不在进行详述,本领域技术人员可以参考相关技术中的介绍。
[0059]当组网完成后,为了针对智能设备的服务以及业务运行状态进行优化,智能设备在正常的业务运行过程中,可以基于与服务端之间建立的无线连接实时的将业务数据以数据流的形式实时上传至服务端,由服务端统一进行大数据分析,分析出数据的规律和特点,并结合分析结果对智能设备的业务状态变化进行监控以及合理预测,从而使得用户可以实时的了解到智能设备的业务状态、业务趋势,以便对智能设备的运行状态作出及时调整。
[0060]其中,上述业务数据流可以是智能设备在业务运行过程中产生的与业务相关的数据,智能设备可以预先设定一个业务数据的采集周期,周期性的采集业务数据,然后将采集到的业务数据按照采集时间生成时间序列数据后,上传至服务端。
[0061]例如,以上述智能设备为智能空气净化器为例,上述业务数据可以是空气净化器在运行过程中采集到的室内的空气污染指数数据,假设上述采集周期为I秒,智能空气净化器在开启后,可以每隔I秒种采集一次当前室内的空气污染指数(比如PM2.5含量或者甲醛含量等等),然后将采集到空气污染指数按照采集时间生成时间序列数据(即按照时间先后顺序将采集到的数据组织起来,通过阅读该数据就可以了解到室内空气质量随着时间的变化情况),通过数据流的形式上传到服务端。
[0062]另外,需要指出的是,智能设备在上传业务数据时,可以将业务数据上传至部署在家庭组网中的智能网关,由智能网关作为数据分析平台进行大数据分析;也可以将业务数据通过智能网关上传至部署在云端的服务器,由云端的服务器作为数据分析平台进行大数据分析。即在实际应用中,上述服务端可以是指部署在家庭组网中的智能网关,也可以是指部署在云端的服务器来充当,在本例中并不进行特别限定。
[0063]当服务端接收到智能设备上传的业务数据流后,可以在本地保存接收到的业务数据流,并结合预先设定的采样梯度阈值针对业务数据流进行采样处理,并针对采集处理得到的数据样本进行数据分析。
[0064]请参见图2,图2为本例示出的一种服务端基于预先设定的采样梯度阈值针对接收到的业务数据流进行采样处理的处理流程图,包括以下执行步骤:
[0065]步骤201,计算接收到的所述业务数据流中各业务数据的波动幅度;
[0066]在本例中,上述波动幅度可以通过业务数据的具体取值与业务数据流中各业务数据的平均值的差异来表征,也可以通过业务数据的具体取值与业务数据流中上一个业务数据的具体取值之间的差异来表征。
[0067]在示出的一种实施方式中,服务端可以利用方差来表征各业务数据在业务数据流中的波动性。服务端在接收到智能设备上传的业务数据流后,可以实时的计算各业务数据的方差,然后将计算得到的方差的取值作为该业务数据在业务数据流中的波动幅度。
[0068]其中,方差是指是各业务数据的取值与业务数据流中各业务数据的平均值之差的平方再取平均数,在统计学中,可以通过方差来表征数据样本在一组数据中的离散程度,当某一业务数据计算出的方差取值越大,表明该业务数据的离散程度越高,即业务数据流中的波动性越高。
[0069]服务端在计算各业务数据的方差时,可以首先计算接收到的业务数据流中各业务数据的取值的平均数,并分别计算业务数据流中各业务数据的取值与该平均数之间的差值,当计算出各业务数据的取值与该平均值之间的差值后,可以针对该差值取平方再计算平均数得到各业务数据的方差。此时计算得到的方差即为各业务数据在业务数据流中的波动幅度。
[0070]当然,在实际应用中,除了以上描述的利用各业务数据的方差来表征各业务数据在业务数据流中的波动幅度以外,也可以直接使用业务数据较业务数据流中各业务数据的平均值之间的差值(即将某一业务数据较平均值之间的差值作为该业务数据的波动幅度)来表征各业务数据在业务数据流中的波动幅度。
[0071]在示出的另一种实施方式中,服务端可以利用业务数据的具体取值较业务数据流中的上一个业务数据的具体取值之间的差值来表征该业务数据在业务数据流中的波动幅度(即将某一业务数据较上一业务数据的差值作为该业务数据的波动幅度)。服务端可以计算业务数据流中各业务数据的取值与上一个业务数据的取值之间的差值,然后将计算得到的该差值作为各业务数据在业务数据流中的波动幅度。
[0072]当然,在实际应用中,除了以上示出的表征方式以外,波动幅度也可以通过其它方式来进行表征,在本例中不再详述。
[0073]步骤202,判断所述波动幅度是否达到所述预设的采样梯度阈值;
[0074]在本例中,服务端在判断业务数据流中各业务数据的波动幅度是否达到该采样梯度阈值时,可以按照顺序从业务数据流中依次读取业务数据,将计算出的该业务数据的波动幅度与上述采样梯度阈值进行比较,然后根据比较结果来确定是否需要将该业务数据作为数据样本执行采样。
[0075]其中,上述采样梯度阈值,可以是为智能设备预先设定的用于确定被采样的数据样本的阈值,不同的智能设备可以分别设定不同的采样梯度阈值。
[0076]在示出的一种实施方式中,智能设备厂商在设备出厂时,可以为该智能设备设置一个采样梯度阈值,并将该采样梯度阈值烧制在智能设备的内存中,当智能设备启动需要向服务端上传业务数据流时,可以一并将该采样梯度阈值上传至服务端。
[0077]在示出的另一种实施方式中,上述采样梯度阈值也可以是一个动态阈值,可以由服务端在接收到智能设备上传的业务数据流时,根据业务数据流的具体波动状况进行动态设定。
[0078]在一种实现方式中,服务端在计算出业务数据流中各业务数据的波动幅度后,可以进一步计算各业务数据的平均波动幅度,然后将计算得到的该平均波动幅度设置为上述采样梯度阈值。随着智能设备发送的业务数据流中业务数据的增多,服务端计算出的平均波动幅度也会相应变化,因此基于该平均波动幅度设置的采样梯度阈值,使得上述采样梯度阈值,实际上为一个动态变化的阈值。
[0079]在另一种实现方式中,除了以上描述的服务端可以直接将计算得到的上述平均波动幅度设置为上述采样梯度阈值以外,服务端也可以将计算出的该平均波动幅度作为修正值,对智能设备上传至服务端的采样梯度阈值进行动态修正;例如,可以通过将智能设备上传至服务端的采样梯度阈值与该修正值进行比较,如果智能设备上传至服务端的采样梯度阈值小于该修正参数,则可以基于预设的调节幅度调高智能设备上传的该采样梯度阈值;相反,如果智能设备上传至服务端的采样梯度阈值大于该修正参数,也可以基于预设的调节幅度调低该采样梯度阈值。其中具体的调节幅度可以通过算法来控制,在本例中不再进行详述。
[0080]可见,通过以上这两种这种方式,可以根据接收到的业务数据流的具体波动状况对采样梯度阈值进行动态调节,从而可以提升数据采样的准确度。
[0081]步骤203,当所述业务数据流中任一业务数据的波动幅度达到所述采样梯度阈值时,针对该业务数据进行采样。
[0082]在本例中,一方面,如果通过各业务数据流的方差来表征各业务数据流的波动幅度,此时上述采样梯度阈值可以是各业务数据的平均方差,服务端可以按照顺序从业务数据流中依次读取业务数据,并将计算出的该业务数据的方差与上述平均方差进行比较;如果任一业务数据的方差达到该平均方差,表明该业务数据相对与业务数据流中其它各业务数据的波动幅度来说,波动幅度相对较高(等于或者超过平均水平),此时服务端可以将该业务数据作为数据样本执行采样。
[0083]另一方面,如果通过业务数据的具体取值与业务数据流中上一个业务数据的具体取值之间的差异来表征波动幅度,此时上述采样梯度阈值可以是各业务数据的取值的平均值,服务端可以按照顺序从业务数据流中依次读取业务数据,并计算该业务数据与上一个业务数据的取值之间的差值,然后将该差值与上述平均值进行比较;如果任一业务数据较上一个业务数据的取值的差值,达到业务数据流中各业务数据的平均值,表明该业务数据相对与业务数据流中其它各业务数据的波动幅度来说,波动幅度相对较高,此时服务端可以将该业务数据作为数据样本执行采样。
[0084]当服务端完成采样后,可以将采样得到的数据样本在预设的容器中进行存储。其中,该预设的容器可以是服务端在内存中划分出的一段用于存储采样样本的存储空间。
[0085]当然,如果业务数据流中所有业务数据的波动幅度均小于采样梯度阈值,此时服务端可以基于预设的采样频率针对业务数据流进行数据采样;其中,该采样频率的具体取值在本例中不进行特别限定,本领域技术人员可以根据实际的数据分析需求来进行设定。
[0086]在本例中,当服务端完成数据采样,此时服务端可以基于预设的数据分析模型针对该容器中存储的数据样本进行数据分析。
[0087]其中,上述数据分析模型,可以是基于大量数据样本结合预设的算法进行训练后得到的数学模型。
[0088]例如,在一种实现方式中,上述数学模型可以是基于神经网络(Neural Network)构建的数据分析模型,服务端可以从上述容器中读取数据样本,输入至该数据分析模型中,然后在数据分析模型中进行训练,当该数据分析模型的算法收敛后,可以将数据分析结果向用户输出。
[0089]当服务端基于预设的数据分析模型对容器中的数据样本完成数据分析,并得到数据分析结果后,还可以将数据分析结果推送至用户的客户端向用户展现。
[0090]其中,上述用户客户端可以安装在用户的智能终端上,用于对家居环境中的智能设备进行控制和监控的客户端软件(APP)。
[0091]例如,在示出的一种实施方式中,上述智能终端可以是用户的智能手机,上述客户端软件可以是用户的智能手机上安装的一款用于对智能设备进行控制和监控的APP。
[0092]上述数据分析结果,可以包括服务端分析得到的数据样本的规律和特点,智能设备当前的业务状态变化情况以及服务端对智能设备业务状态的合理预测。
[0093]例如,仍以上述智能设备为智能空气净化器为例,空气净化器可以基于预设的采集周期采集当前室内的空气污染指数(比如PM2.5含量以及甲醛含量等等),将采集到空气污染指数按照采集时间生成时间序列数据上传到服务端,服务端在对空气净化器上传的数据基于上述采样梯度阈值进行采样并且对采样后的数据进行分析后,分析结果中可以包括当前室内空气质量的状态变化情况,以及结合当前的空气净化速度对未来一定时间段后室内的空气质量的改善程度的预测结果。
[0094]在本例中,服务端在向上述客户端软件推送数据分析结果时,可以周期性的进行推送,也可以在基于数据分析确定出智能设备的业务状态变化发生变化时再进行推送。
[0095]例如,仍以上述智能设备为智能空气净化器为例,空气净化器可以基于预设的采集周期采集当前室内的空气污染指数(比如PM2.5含量以及甲醛含量等等),服务端对空气净化器上传的数据基于上述采样梯度阈值进行采样,并且对采样后的数据进行分析得到数据分析结果后,可以基于一定的周期(比如每30分钟推送一次)向用户侧的APP推送数据分析结果,也可以在分析出空气净化器的业务状态发生变化(比如已将室内空气质量提高了一个级别)之时,再向用户侧的APP推送数据分析结果。
[0096]通过以上各实施例的描述可知,在本例中,服务端在进行数据采样时,不再仅仅针对业务数据进行静态采样,通过引入对业务数据进行波动幅度的量化过程,实现了在针对大量离散的数据进行采样时,可以只针对被采样数据中那些波动性比较高,能够反映数据规律的有效数据进行有选择的动态采样,从而有助于提升数据分析结果的准确度。通过这种方式,可以避免在相关技术中,只针对数据进行静态采样时,由于遗漏能够反映数据规律,或者携带信息量比较大的数据样本,而造成的最终的数据分析结果不能真实的反映这些数据的规律和特征的问题。
[0097]以下结合智能家居的应用场景并通过具体的实例来描述以上实施例中的技术方案。
[0098]请参见图3,图3为本例中示出的一种智能家居的组网示意图。
[0099]在图3所示出的组网图中,包括智能空气净化器、智能网关以及用户侧的智能手机等互联设备。
[0100]其中,上述智能网关可以是一台名为“智慧家居主机”的网关设备,用于作为服务端对智能空气净化器上传的数据进行数据分析,以及作为接入平台面向家庭组网中的智能设备提供接入服务。
[0101]请参见图4,上述智能手机上可以预先安装了一款名“风眼”的APP软件,用户可以通过该APP对家庭环境中的智能家居设备进行控制和监控。
[0102]在初始状态下,智能空气净化器启动后,可以基于预设的采集周期采集室内的空气污染指数数据(即空气净化器的业务数据),该空气污染指数数据可以包括PM2.5含量或者甲醛含量等等数据,然后按照时间先后顺序将采集到的数据组织起来,生成时间序列数据以数据流的形式上传到智能网关。
[0103]智能网关在收到智能空气净化器上传的数据后,可以计算数据流中各空气污染指数数据的波动幅度,并将计算出的各空气污染指数数据的波动幅度与上述采样梯度阈值进行比较,以判断数据流中各空气污染指数数据的波动幅度是否达到预设的采样梯度阈值。当数据流中任一空气污染指数数据的波动幅度达到上述采样梯度阈值时,可以将该空气污染指数数据作为数据样本进行采样,存储至预设的容器中。
[0104]当采样完成,智能网关读取上述容器中存储的采样后的数据样本,将容器中的数据样本输入至预设的数据分析模型中进行数据分析,直到该数据分析模型的算法收敛,得到数据分析结果。
[0105]该数据分析结果可以包括当前室内空气质量的状态变化情况;例如室内空气质量的变化曲线图;以及结合当前的空气净化速度对未来一定时间段后室内的空气质量的改善程度的预测结果;例如在XX分钟后室内空气质量可以达到XX级别。
[0106]智能网关可以将数据分析结果推送至用户智能手机上安装的上述APP,上述APP在收到数据分析结果后,可以向用户输出一个显示界面,将数据分析结果在该显示界面中输出。
[0107]例如,在该显示界面中可以向用户显示输出室内空气质量的变化曲线图,以及“在XX分钟后室内空气质量可以达到XX级别”的输出文本。用户可以通过查看APP输出的上述数据分析结果,了解到当前室内的空气质量的变化情况,以及未来一段时间内室内空气质量的改善程度,使得用户可以基于实时了解到的空气净化器的运行状态、室内空气改善的趋势,对空气净化器的运行状态作出及时调整。
[0108]与上述方法实施例相对应,本申请还提供了装置的实施例。
[0109]请参见图5,本申请提出一种针对智能设备的数据分析装置50,应用于服务端;其中,请参见图6,作为承载所述针对智能设备的数据分析装置50的服务端所涉及的硬件架构中,通常包括CPU、内存、非易失性存储器、网络接口以及内部总线等;以软件实现为例,所述针对智能设备的数据分析装置50通常可以理解为加载在内存中的计算机程序,通过CPU运行之后形成的软硬件相结合的逻辑装置,所述装置50包括:
[0110]接收模块501,用于接收智能设备实时上传的业务数据流;
[0111]采样模块502,用于基于预设的采样梯度阈值针对所述业务数据流进行动态数据米样;
[0112]分析模块503,用于基于预设的数据分析模型针对所述动态数据采样得到的数据样本进行数据分析。
[0113]在本例中,所述采样模块502具体用于:
[0114]计算接收到的所述业务数据流中各业务数据的波动幅度;
[0115]判断所述波动幅度是否达到所述预设的采样梯度阈值;
[0116]当所述业务数据流中任一业务数据的波动幅度达到所述采样梯度阈值时,针对该业务数据进行采样。
[0117]在本例中,所述采样模块502进一步用于:
[0118]当所述业务数据流中各业务数据的波动幅度均小于所述采样梯度阈值时,基于预设的采样频率针对所述业务数据流进行数据采样。
[0119]在本例中,所述采样梯度阈值为动态阈值;
[0120]所述采样模块502进一步用于:
[0121]计算所述业务数据流中各业务数据的平均波动幅度;
[0122]将计算出的所述平均波动幅度设置为所述采样梯度阈值;或者基于计算出的所述平均波动幅度针对所述采样梯度阈值进行动态修正。
[0123]在本例中,所述装置50还包括:
[0124]推送模块504,用于周期性的将所述数据分析的结果推送至用户客户端向用户展现;或者在所述数据分析后确定出所述智能设备当前的业务状态发生变化时,将所述数据分析的结果推送至用户客户端向用户展现。
[0125]本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本申请的真正范围和精神由下面的权利要求指出。
[0126]应当理解的是,本申请并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的权利要求来限制。
[0127]以上所述仅为本申请的较佳实施例而已,并不用以限制本申请,凡在本申请的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本申请保护的范围之内。
【主权项】
1.一种针对智能设备的数据分析方法,应用于服务端,其特征在于,所述方法包括: 接收智能设备实时上传的业务数据流; 基于预设的采样梯度阈值针对所述业务数据流进行动态数据采样;基于预设的数据分析模型针对所述动态数据采样得到的数据样本进行数据分析。2.如权利要求1所述的方法,其特征在于,所述基于预设的采样梯度阈值针对所述业务数据流进行动态采样包括: 计算接收到的所述业务数据流中各业务数据的波动幅度; 判断所述波动幅度是否达到所述预设的采样梯度阈值; 当所述业务数据流中任一业务数据的波动幅度达到所述采样梯度阈值时,针对该业务数据进行采样。3.如权利要求2所述的方法,其特征在于,所述方法还包括: 当所述业务数据流中各业务数据的波动幅度均小于所述采样梯度阈值时,基于预设的采样频率针对所述业务数据流进行数据采样。4.如权利要求2所述的方法,其特征在于,所述采样梯度阈值为动态阈值; 所述方法还包括: 计算所述业务数据流中各业务数据的平均波动幅度; 将计算出的所述平均波动幅度设置为所述采样梯度阈值;或者基于计算出的所述平均波动幅度针对所述采样梯度阈值进行动态修正。5.如权利要求1所述的方法,其特征在于,所述方法还包括: 周期性的将所述数据分析的结果推送至用户客户端向用户展现;或者在所述数据分析后确定出所述智能设备当前的业务状态发生变化时,将所述数据分析的结果推送至用户客户端向用户展现。6.—种针对智能设备的数据分析装置,应用于服务端,其特征在于,所述装置包括: 接收模块,用于接收智能设备实时上传的业务数据流;采样模块,用于基于预设的采样梯度阈值针对所述业务数据流进行动态数据采样; 分析模块,用于基于预设的数据分析模型针对所述动态数据采样得到的数据样本进行数据分析。7.如权利要求6所述的装置,其特征在于,所述采样模块具体用于: 计算接收到的所述业务数据流中各业务数据的波动幅度; 判断所述波动幅度是否达到所述预设的采样梯度阈值; 当所述业务数据流中任一业务数据的波动幅度达到所述采样梯度阈值时,针对该业务数据进行采样。8.如权利要求7所述的装置,其特征在于,所述采样模块进一步用于: 当所述业务数据流中各业务数据的波动幅度均小于所述采样梯度阈值时,基于预设的采样频率针对所述业务数据流进行数据采样。9.如权利要求7所述的装置,其特征在于,所述采样梯度阈值为动态阈值; 所述采样模块进一步用于: 计算所述业务数据流中各业务数据的平均波动幅度; 将计算出的所述平均波动幅度设置为所述采样梯度阈值;或者基于计算出的所述平均波动幅度针对所述采样梯度阈值进行动态修正。10.如权利要求6所述的装置,其特征在于,所述装置还包括: 推送模块,用于周期性的将所述数据分析的结果推送至用户客户端向用户展现;或者在所述数据分析后确定出所述智能设备当前的业务状态发生变化时,将所述数据分析的结果推送至用户客户端向用户展现。
【文档编号】G06F17/30GK105868294SQ201610172142
【公开日】2016年8月17日
【申请日】2016年3月23日
【发明人】王松, 彭强兵, 胡志敏, 顾蒙, 马延文
【申请人】浙江风向标科技有限公司