[发明专利]基于时序分割和聚类的工业物联网高频数据压缩方法

权利要求书

1.一种基于时序分割和聚类的工业物联网高频数据压缩方法，其特征在于，包括以下步骤：

步骤S101，使用基于改进象群优化算法的高斯分割模型对时间序列进行划分，得到多个分割点和多个时间序列片段；

步骤S102，使用基于改进峰值密度初始化的高斯混合模型对所述多个时间序列片段进行聚类，得到多个聚类中心、分模块方差和聚类标签；

步骤S103，根据所述分模块方差所占比例对每个聚类中心再次进行等距分割；

步骤S104，利用SAX方法将每个类中心的每段均值转化为符号表示，每类第一个字符为大写字母；

步骤S105，对同一类的相同的符号表示进行剪切，保留第一个大写字母，最终得到时间序列值压缩数据；

步骤S106，获取时间戳和所述时间序列值压缩数据产生的分割点信息；

步骤S107，采用DPCM算法对所述时间戳进行压缩，加入所述分割点信息，再使用Huffman编码或LZ77编码进行压缩，得到时间戳压缩数据；

步骤S108，将所述聚类标签符号化，并使用Huffman编码进行压缩，得到聚类标签压缩数据。

2.根据权利要求1所述的基于时序分割和聚类的工业物联网高频数据压缩方法，其特征在于，所述步骤S101中的基于改进象群优化算法的高斯分割模型为：

对初始象群优化算法的部落更新算子加入扰动性，得到：

其中，x_i，j表示i部落的j大象的位置，表示所有大象中适应度函数值最优的大象位置，称为长老；表示部落i的族长对大象个体的影响，α表示影响参数；表示群体最优的长老对大象个体的影响，1-α表示影响参数；Levy(λ)表示变异机制；round表示对括号内的值进行四舍五入的运算；

对初始象群优化算法的部落分类算子进行调整，得到：

其中，为i部落差的大象的更新位置，x_min为大象可选位置的最小值，x_max为大象可选位置的最大值，round为四舍五入运算，T为时间序列长度，rand为随机数。

3.根据权利要求1所述的基于时序分割和聚类的工业物联网高频数据压缩方法，其特征在于，所述步骤S101具体包括：

初始化基于改进象群优化算法的参数和种群；

采用分段高斯模块计算所述时间序列中所有时间序列片段的适应度值，开始迭代，直至到达预设最大迭代次数，输出最优位置和适应度值，反之则对所述所有时间序列片段的适应度值进行排序，保留若干好的时间序列片段；

执行所述基于改进象群优化算法的部落更新算子，更新所有时间序列片段位置和族长位置，直至所有部落中的时间序列片段更新完位置；

执行所述基于改进象群优化算法的部落分离算子，更新若干差的时间序列片段位置和适应度值，直至所有部落中的分离完差的时间序列片段；

对所有时间序列片段的适应度值进行排序，得到若干差的需要分离的时间序列片段，将保留的时间序列片段位置更新给需要分离的时间序列片段，并计算适应度值，以更新最优长老位置，即所有时间序列片段中最优的分割点。

4.根据权利要求1所述的基于时序分割和聚类的工业物联网高频数据压缩方法，其特征在于，所述步骤S102具体包括：

对基于改进峰值密度聚类算法进行初始化，得到时间序列高斯混合模型均值的初始化值、每个分模型系数的初始化值和每个分模型方差初始化值；

输入预设最大迭代次数、预设阈值、所述多个分割点和所述多个时间序列片段；

迭代执行EM算法的E步计算时间序列片段S_k属于第m个分模型的概率迭代执行EM算法的M步，以计算每个聚类的更新均值更新方差更新系数

判断前后两次对数似然函数值的差是否小于所述预设阈值，或者高斯混合模型的分模型的方差是否为0，若是则结束迭代，输出最优聚类对应的参数均值方差系数以及概率反之，则判断是否小于所述预设最大迭代次数，若是则继续迭代，若不是则结束迭代，输出最优聚类对应的参数均值方差系数以及概率