[发明专利]用于多变量数据提供方的深度学习数据操纵

说明书

本申请公开了用于多变量数据提供方的深度学习数据操纵。本公开总体上涉及被布置成用于提供数据的众多设备被部署在其中的系统。系统包括被布置成用于从数据提供方设备接收数据的源处理设备。源处理设备被布置成用于基于数据的部分是否可用来推断数据的剩余部分来处理和/或存储数据的全部或部分。所接收的数据可以被标识为预测数据或响应数据。可以使用数据处理模型从预测数据生成推断响应数据。在推断响应数据在响应数据的误差阈值内的情况下，可以存储预测数据。由此，可以使用数据处理模型来再现响应数据。

背景技术

系统的连接性不断提高。例如，向云、边缘和其他服务器供应数据的传感器设备(例如，物联网(IoT)设备等等)的数量呈指数增长。随着这些类型的部署变得更加普遍，所部署的传感器的数量将大大增加，这进而又将导致所产生、传输和存储的数据量大大增加。通常，利用其来推送传感器数据的边缘和云环境是在网络带宽和存储容量方面受约束的资源。数据的增加再加上资源约束的得到的组合可能导致网络中的严重拥塞和瓶颈以及边缘和云环境中资源需求的显著增加。

附图说明

图1图示出数据提供方设备。

图2图示出源处理设备。

图3图示出数据处理系统。

图4图示出用于处理来自众多数据提供方设备的数据的技术。

图5图示出源处理设备。

图6图示出逻辑流程。

图7图示出逻辑流程。

图8图示出存储介质。

图9图示出计算系统。

具体实施方式

本文中所公开的实施例提供了一种可以在其中部署众多传感器的系统，每个传感器提供数据。系统包括被布置有推断模型的源处理设备，以基于数据中除了传感器提供的部分以外的其他部分来推断数据中由传感器提供的部分。因此，仅仅推断数据的剩余部分(即其他部分)所需要的数据部分需要被处理(例如，被聚集、被存储、被操纵、被保留等等)。在数据的剩余部分未被推断为处于可接受的误差阈值内的情况下，则所有数据可被处理。

另外，推断模型可以在操作期间被训练并基于进一步的训练而被更新。在推断模型被更新的情况下，可以填充模型数据库并且作出对要使用哪个模型从经处理的数据来推断数据的指示。

根据对本文中使用的标记法和命名法的一般引用，可以在计算机或计算机网络上执行的程序过程方面来呈现以下详细描述的一个或多个部分。这些程序性描述和表示是由本领域技术人员使用以便最有效地将他们工作的实质传达给本领域其他技术人员。过程在此一般被理解为导致所需结果的自洽的操作序列。这些操作是需要对物理量进行物理操纵的操作。通常地但非必然地，这些量采取能够被存储、传输、组合、比较并以其他方式操纵的电、磁或光信号的形式。主要出于惯用法的原因，时不时地将这些信号称为位、值、元素、符号、字符、项、数字等被证明是方便的。然而，应当注意，这些项和/或类似项旨在与适当的物理量相关联，并且仅仅是应用于那些量的方便的标记。

此外，通常按术语将这些操纵称为常与逻辑操作相关联的诸如相加或比较之类的方面。用于执行这些逻辑操作的有用的机器可包括通用数字计算机，其由根据本文中的教导而被写入的计算机程序选择性地激活或配置，和/或包括专门为所需目的而构造的装置。各实施例也涉及用于执行这些操作的装置或系统。可出于所需目的而专门构造这些装置，或者这些装置可包括通用计算机。各种这些机器的所需结构从给定的描述将是显而易见的。

现在将参考附图，自始至终相同的附图标记用于指代相同的要素。在以下描述中，出于解释的目的，阐述了众多具体细节以便提供对该描述的全面理解。然而，可以显而易见的是，可能够在不具有这些具体细节的情况下实施新颖的实施例。在其他实例中，以框图形式示出了公知的结构和设备以促进对这些结构和设备的描述。本发明旨在涵盖在权利要求范围之内的所有修改、等效方案和替代方案。