[发明专利]边缘域传感器数据预测方法及装置

权利要求书

1.一种边缘域传感器数据预测方法，其特征在于，包括：

基于边缘域的位置，获取覆盖范围内的传感器数据，对所述传感器数据进行预处理，获得预处理后的数据；

基于自适应加权融合算法，对所述预处理后的数据进行数据融合处理，获得融合数据；

将所述融合数据输入至预先训练好的边缘域数据预测模型中，输出边缘域传感器数据预测结果；

其中，所述边缘域数据预测模型为以经过预处理和数据融合处理的传感器数据样本为输入，以与所述传感器数据样本对应的边缘域传感器数据为样本标签进行训练得到。

2.根据权利要求1所述的边缘域传感器数据预测方法，其特征在于，训练获得所述边缘域数据预测模型的步骤，具体包括：

构建循环神经网络；

将所述经过预处理和数据融合处理的传感器数据样本输入至所述循环神经网络，所述循环神经网络的隐藏层输出隐藏层向量；

将所述隐藏层向量输入至所述循环神经网络的输出层，获取输出结果；

基于所述输出结果和与所述传感器数据样本对应的边缘域传感器数据，利用损失函数，计算损失函数值；

通过反向传播算法，从所述循环神经网络的输出层开始调整所述循环神经网络的各个参数，以使所述损失函数值朝最小化方向移动；

判断是否达到训练结束条件，若是，则保存当前迭代所述循环神经网络的参数，获得训练好的边缘域数据预测模型。

3.根据权利要求2所述的边缘域传感器数据预测方法，其特征在于，将所述经过预处理和数据融合处理的传感器数据样本输入至所述循环神经网络，所述循环神经网络的隐藏层输出隐藏层向量，具体包括：

将所述经过预处理和数据融合处理的传感器数据样本输入至所述循环神经网络，所述循环神经网络的隐藏层节点输出隐藏层节点变量；

对所述隐藏层节点变量进行加权求和得到所述隐藏层向量。

4.根据权利要求3所述的边缘域传感器数据预测方法，其特征在于，对所述隐藏层节点变量进行加权求和得到所述隐藏层向量，具体包括：

利用如下公式，对多个所述隐藏层节点输出的所述隐藏层节点变量进行加权求和，得到所述隐藏层向量：

其中，c表示隐藏层向量，a_i表示所述每个隐藏层节点对应的权值系数，h_i表示所述每个隐藏层节点输出的隐藏层节点变量，e_i表示所述第i个隐藏层节点的能量，e_j所述第j个隐藏层节点的能量，i或j表示所述每个隐藏层节点的位置，满足i＝1,2,…,n，j＝1,2,…,n。

5.根据权利要求2所述的边缘域传感器数据预测方法，其特征在于，将所述融合数据输入至预先训练好的边缘域数据预测模型中，输出边缘域传感器数据预测结果的步骤之后，还包括：

将所述边缘域传感器数据发送至云端；

从所述云端提取所述边缘域传感器数据，对所述循环神经网络进一步训练，优化所述边缘域数据预测模型。

6.根据权利要求1所述的边缘域传感器数据预测方法，其特征在于，对所述传感器数据进行预处理，获得预处理后的数据，具体包括：

对所述传感器数据进行唯一属性删除处理，得到第一预处理数据；

对所述第一预处理数据进行异常值删除和缺失值插补处理，得到第二预处理数据；

对所述第二预处理数据基于地理特征相关性进行特征提取，获得第三预处理数据；

对所述第三预处理数据进行数据归一化处理，获得预处理后的数据。

7.根据权利要求1所述的边缘域传感器数据预测方法，其特征在于，对所述预处理后的数据进行数据融合处理，获得融合数据，具体包括：

利用如下公式，对所述预处理后的数据进行加权求和，得到融合数据：

其中，X_i表示第i个预处理后的数据，表示融合数据，表示第i个预处理后的数据对应的均方差，表示第k个预处理后的数据对应的均方差，W_i表示X_i对应的加权因子，i＝1,2,…,n，k＝1,2,…,n。