论文部分内容阅读
随着传感器和物联网的迅猛发展，医疗健康、环境监测等领域的研究越来越重要和复杂，并且对公共健康产生着深远的影响。传感器采集的数据具有时间序列特性，对时间序列数据的精准预测在许多领域扮演着越来越重要的角色。通过对时间序列数据进行趋势分析，可以了解其变化规律，以便能够及时采取针对性的措施，防止其往更坏的趋势发展。在实际应用中，由于人为原因或机械原因会导致传感器采集到的数据出现缺失，而很多机器学习算法无法使用含有缺失值的数据，因此需要对传感器的缺失值进行估计。通过结合多个传感器数据源，利用多个数据源之间的相关性、共变性等可以解决缺失值估计问题。此外，将多步预测预测算法通过相应的平台应用到实际的物联网数据预测中有助于提前做出决策，防患于未然。本工作重点研究缺失值处理、时间序列数据多步预测算法并将算法集成于物联网云平台中。本工作的主要贡献如下: 第一，提出了一种基于多元时间序列数据间相关性的缺失值估计算法。针对含有缺失值的多元数据，如果使用均值估计等朴素的缺失值处理方法会由于估计结果不准确而导致错误的分析结果或较大的预测误差，我们将利用相关性结合其他相关的传感器数据对缺失值进行填充。我们通过赋予多任务高斯过程(MOGP)方法和奇异值分解(SVD)算法相应的权重系数对两个方法进行组合并使用皮尔逊相关系数作为方法权重系数。由于当相关性小时MTGP算法的性能会变差，我们提出的算法通过使用SVD算法对MTGP算法进行补偿，在相关性较弱仍时能够获得较高的估计误差，因而该算法具备较高的估计性能和稳定性。通过实验验证了我们的方法与对比方法相比具有最高的估计性能。 第二，提出了一种基于多输出高斯过程模型的多步预测算法。现有方法中都没有考虑时间序列不同时间点数据之间的相关性，如某一时间点的数据与它前后时间点的数据之间存在着相关性。该方法可以利用不同预测输出端口之间的相关性来提高预测性能。从而可以对时间序列数据未来值进行更为精准的预测。通过实验证明该方法既可以在相对稀疏的数据集上也可以在非稀疏的数据集上表现出较好的预测性能。通过实验验证表明，我们提出的算法与对比方法相比平均预测性能提高了12.02％。 第三，设计并实现了物联网云平台中的预测算法等模块。该平台可以实现物联网数据的实时显示、查询、分析等功能。同时通过选择某段时间段的历史时间序列数据，调用相关的预测算法接口并进行参数设置就可以预测该时间序列数据的未来值。该平台不仅具有数据分析与可视化的功能，还可以根据用户的选择调用不同的算法接口，实现算法的灵活调用与组合应用。