【技術實現步驟摘要】
本專利技術涉及物聯網數據采集以及傳感器漂移校準技術，特別是涉及一種傳感器數據漂移在線校準方法。
技術介紹
1、物聯網采集數據的準確性是進行后續各類分析與應用的前提，然而，由于傳感器的測量節點多使用相對廉價、易于部署的傳感器，又常常部署在野外、建筑物內部等相對惡劣的環境中，因而很容易產生測量錯誤和數據漂移。隨著物聯網新型基礎設施的部署，對傳感器網絡的運行時間、實時監測能力、數據準確性等提出了更高的要求，但隨著運行時間增加，傳感器產生的漂移和誤差累積問題會愈發嚴重，極大地影響物聯網的數據可信性。
2、傳統的實地校準方法需要將傳感器從系統卸載，或者人工攜帶專門校準儀器前往現場，存在校準成本高、影響數據實時性等問題。目前的在線校準算法研究則集中于密集網絡、移動網絡和目標檢測網絡，這三類網絡都是通過其特殊的應用性質為盲校準提供參考依據，因此應用范圍局限，且現有算法由于沒有管控預測誤差，其校準結果的正確性難以保證，在一些實驗中，該方法甚至會使校準誤差大于漂移誤差。
3、因此，開發基于時序預測的傳感器數據漂移在線校準方法對于提高傳感器校準精度、實現具有通用性的物聯網數據在線校準方法具有重要意義。
4、需要說明的是，在上述
技術介紹
部分公開的信息僅用于對本申請的背景的理解，因此可以包括不構成對本領域普通技術人員已知的現有技術的信息。
技術實現思路
1、本專利技術的主要目的在于克服上述
技術介紹
中存在的缺陷，提供一種傳感器數據漂移在線校準方法。
2、為實現
3、一種傳感器數據漂移在線校準方法，包括以下步驟：
4、s1.對采集的傳感器數據進行預處理；
5、s2.利用層次聚類方法對t時刻之前的一段歷史數據進行分組；
6、s3.對于t時刻之前的歷史數據，計算同一組內傳感器數據的相關性矩陣，定期檢驗矩陣變化情況，并設置閾值進行漂移初步識別篩選，以識別潛在的漂移傳感器；
7、s4.使用基于transformer的時序預測算法，利用所述相關性矩陣，捕捉傳感器數據的時間相關性和空間相關性，根據t時刻之前的歷史數據及其分組結果生成t時刻之后的高精度的預測值；
8、s5.對t時刻之后的實測數據再次進行相關性分析和聚類分析，將傳感器時序數據分組，當分組結果與t時刻之前的分組結果相比發生變動，且t時刻之后的預測值與t時刻之后的實測數據的差值超過預設閾值時，觸發在線校準機制，用預測值代替實測值進行校準。
9、進一步地，所述方法還包括以下步驟：
10、s6.將校準后的數據加入整體數據集，并根據新數據集重新訓練時序預測模型，實現模型的自適應更新。
11、進一步地，步驟s1中，使用小波變換對初始可靠數據進行處理，以去除噪聲并提取特征。
12、進一步地，步驟s1中，對采集的傳感器數據利用lstm、插值填補法對數據集進行預處理。
13、進一步地，步驟s2中，通過動態時間規整(dtw)度量數據相似性，并采用平均鏈接作為鏈接函數，以識別數據模式，實現分組。
14、進一步地，步驟s4中，所述基于transformer的時序預測算法具體包括：利用基于局部加權回歸的季節性分解方法，將時間序列分解為趨勢、季節和殘差三個部分，并通過多次迭代更新loess平滑參數，以逐步提高分解精度；并增加頻率增強模塊，將transformer的注意力機制應用于頻域，捕獲時間序列的全局屬性。
15、進一步地，步驟s4中，所述時序預測算法的transformer架構僅包含編碼器部分，通過基于變量的特征嵌入方法，捕捉變量間的獨特變化趨勢；應用層歸一化操作，增強模型對非對齊數據的適應性；使用前饋網絡替代時序依賴建模，提取時間序列的周期性和幅值特征；引入自注意力模塊，提升多維時序數據的建模效果。
16、進一步地，步驟s4中還包括，結合時序信號季節-趨勢分解、頻率變換模塊，重構transformer結構，驗證時序預測的有效性。
17、一種計算機可讀存儲介質，存儲有計算機程序，所述計算機程序由處理器執行時實現所述的傳感器數據漂移在線校準方法。
18、一種計算機程序產品，包括計算機程序，所述計算機程序由處理器執行時實現所述的傳感器數據漂移在線校準方法。
19、本專利技術具有如下有益效果：
20、本專利技術提出了一種傳感器數據漂移在線校準方法，能夠有效提高物聯網傳感器數據的準確性，滿足新型基礎設施對傳感器網絡運行時間、實時監測能力和數據準確性的高要求。該方法通過利用時序數據相關性分析與聚類算法，智能識別發生漂移的傳感器，并采用基于transformer的時間序列預測算法，精確捕捉傳感器數據的時間相關性和空間相關性，從而提高預測精度。與傳統實地校準方法相比，本專利技術的在線校準算法避免了高昂的校準成本和對數據實時性的負面影響，同時解決了現有在線校準算法應用范圍局限和校準結果正確性難以保證的問題。此外，通過將校準后的數據加入整體數據集并重新訓練時序預測模型，實現了模型的自適應更新，進一步提高了傳感器數據的可靠性，并有效延長了傳感器網絡的使用壽命。該方法的成功實施，為物聯網數據的在線校準提供了具有通用性的解決方案，對于提升物聯網數據的可信性具有重要意義。
21、本專利技術實施例中的其他有益效果將在下文中進一步述及。
本文檔來自技高網...【技術保護點】
1.一種傳感器數據漂移在線校準方法，其特征在于，包括以下步驟：
2.如權利要求1所述的傳感器數據漂移在線校準方法，其特征在于，還包括以下步驟：
3.如權利要求1或2所述的傳感器數據漂移在線校準方法，其特征在于，步驟S1中，使用小波變換對初始可靠數據進行處理，以去除噪聲并提取特征。
4.如權利要求1至3任一項所述的傳感器數據漂移在線校準方法，其特征在于，步驟S1中，對采集的傳感器數據利用LSTM、插值填補法對數據集進行預處理。
5.如權利要求1至4任一項所述的傳感器數據漂移在線校準方法，其特征在于，步驟S2中，通過動態時間規整(DTW)度量數據相似性，并采用平均鏈接作為鏈接函數，以識別數據模式，實現分組。
6.如權利要求1至5任一項所述的傳感器數據漂移在線校準方法，其特征在于，步驟S4中，所述基于Transformer的時序預測算法具體包括：利用基于局部加權回歸的季節性分解方法，將時間序列分解為趨勢、季節和殘差三個部分，并通過多次迭代更新LOESS平滑參數，以逐步提高分解精度；并增加頻率增強模塊，將Transformer的
7.如權利要求6所述的傳感器數據漂移在線校準方法，其特征在于，步驟S4中，所述時序預測算法的Transformer架構僅包含編碼器部分，通過基于變量的特征嵌入方法，捕捉變量間的獨特變化趨勢；應用層歸一化操作，增強模型對非對齊數據的適應性；使用前饋網絡替代時序依賴建模，提取時間序列的周期性和幅值特征；引入自注意力模塊，提升多維時序數據的建模效果。
8.如權利要求6或7所述的傳感器數據漂移在線校準方法，其特征在于，步驟S4中還包括，結合時序信號季節-趨勢分解、頻率變換模塊，重構Transformer結構，驗證時序預測的有效性。
9.一種計算機可讀存儲介質，存儲有計算機程序，其特征在于，所述計算機程序由處理器執行時實現如權利要求1至8任一項所述的傳感器數據漂移在線校準方法。
10.一種計算機程序產品，包括計算機程序，其特征在于，所述計算機程序由處理器執行時實現如權利要求1至8任一項所述的傳感器數據漂移在線校準方法。
...【技術特征摘要】
1.一種傳感器數據漂移在線校準方法，其特征在于，包括以下步驟：
2.如權利要求1所述的傳感器數據漂移在線校準方法，其特征在于，還包括以下步驟：
3.如權利要求1或2所述的傳感器數據漂移在線校準方法，其特征在于，步驟s1中，使用小波變換對初始可靠數據進行處理，以去除噪聲并提取特征。
4.如權利要求1至3任一項所述的傳感器數據漂移在線校準方法，其特征在于，步驟s1中，對采集的傳感器數據利用lstm、插值填補法對數據集進行預處理。
5.如權利要求1至4任一項所述的傳感器數據漂移在線校準方法，其特征在于，步驟s2中，通過動態時間規整(dtw)度量數據相似性，并采用平均鏈接作為鏈接函數，以識別數據模式，實現分組。
6.如權利要求1至5任一項所述的傳感器數據漂移在線校準方法，其特征在于，步驟s4中，所述基于transformer的時序預測算法具體包括：利用基于局部加權回歸的季節性分解方法，將時間序列分解為趨勢、季節和殘差三個部分，并通過多次迭代更新loess平滑參數，以逐步提高分解精度；并增加頻...
【專利技術屬性】
技術研發人員：張盛，高婷，
申請(專利權)人：清華大學深圳國際研究生院，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。