[发明专利]基于边缘计算的数据采集系统及方法

说明书

本发明公开了基于边缘计算的数据采集系统，包括：传感器，用于采集目标数据；边边缘计算设备，其与所述传感器连接，并用于从所述传感器获取所述目标数据，所述边缘计算设备具有本地存储器；云平台，其与所述边缘计算设备通信连接；其中，所述边缘计算设备还用于判断所述目标数据是否符合第一类型或第二类型，符合所述第一类型，则将所述目标数据发送至所述云平台，若符合所述第二类型，则将所述目标数据存储至所述本地存储器。本发明还公开了基于边缘计算的数据采集方法。本发明能够减轻大量数据传输和存储给云平台带来的压力。

技术领域

本发明涉及边缘计算相关技术领域。更具体地说，本发明涉及一种基于边缘计算的数据采集系统及方法。

背景技术

在数据采集过程中，由于传感器采集数据较多，若无差别通过互联网上传至云平台，将会给数据的传输和存储造成较大压力。因此，亟需设计一种能够一定程度克服上述缺陷的技术方案。

发明内容

本发明的一个目的是提供一种基于边缘计算的数据采集系统及方法，能够减轻大量数据传输和存储给云平台带来的压力。

为了实现本发明的这些目的和其它优点，根据本发明的一个方面，本发明提供了基于边缘计算的数据采集系统，包括：传感器，用于采集目标数据；边缘计算设备，其与所述传感器连接，并用于从所述传感器获取所述目标数据，所述边缘计算设备具有本地存储器；云平台，其与所述边缘计算设备通信连接；其中，所述边缘计算设备还用于判断所述目标数据是否符合第一类型或第二类型，符合所述第一类型，则将所述目标数据发送至所述云平台，若符合所述第二类型，则将所述目标数据存储至所述本地存储器。

进一步地，将所述目标数据与预测数据比较，若所述目标数据与所述预测数据的误差大于预定误差，则判断所述目标数据符合第一类型，若小于预定误差，则判断所述目标数据符合第二类型；所述预测数据通过将之前若干次的所述目标数据输入第一神经网络模型得到，所述第一神经网络模型由所述目标数据的历史值训练得到。

进一步地，间隔预定时间段重新训练所述第一神经网络模型。

进一步地，若符合所述第二类型，则将所述目标数据合并、标记，然后存储至所述本地存储器。

进一步地，所述边缘计算设备在空闲时间将所述本地存储器存储的所述目标数据以第一预定传输速度向所述云平台传送。

进一步地，所述边缘计算设备还用于采集所述本地存储器的剩余容量、容量消耗速度以及所述传感器上传的数据量增加速度，估算所述本地存储器的预测工作时长，若所述预测工作时长小于预定工作时长，则将所述第一预定传输速度转换为第二预定传输速度，所述第二预定传输速度大于所述第一预定传输速度。

进一步地，所述边缘计算设备将所述剩余容量、所述容量消耗速度和所述数据量增加速度输入第二神经网络模型，获得所述预测工作时长，所述第二神经网络由所述剩余容量、所述容量消耗速度和所述数据量增加速度的历史值训练得到。

根据本发明的另一个方面，本发明提供了基于边缘计算的数据采集方法，包括：从传感器获取目标数据；判断所述目标数据是否符合第一类型或第二类型；若符合所述第一类型，则将所述目标数据发送至所述云平台，若符合所述第二类型，则将所述目标数据存储至所述本地存储器。

进一步地，将所述目标数据与预测数据比较，若所述目标数据与所述预测数据的误差大于预定误差，则判断所述目标数据符合第一类型，若小于预定误差，则判断所述目标数据符合第二类型；所述预测数据通过将之前若干次的所述目标数据输入第一神经网络模型得到，所述第一神经网络模型由所述目标数据的历史值训练得到。

进一步地，间隔预定时间段重新训练所述第一神经网络模型。

本发明至少包括以下有益效果：