北极星

搜索历史清空

  • 水处理
您的位置:电力输配电输配电智能用电评论正文

物联网的智能关键—数据分析与预测系统

2016-08-22 14:52来源:物联网智库作者:刘建志关键词:智慧城市物联网传感器收藏点赞

投稿

我要投稿

如下图(Figure1)所示,从传感器所搜集到的资料(Data),经整理后变成信息(Information),再透过机器学习之类的方法将之转化成有用的知识(Knowledge),最后就会蜕变成可执行的智能(Wisdom),这样才真正让对象有了智能。

给一个简单的物联网应用定义一个规则,比如当温度太高时,就把冷气压缩机启动——该规则非常简单。然而确定多个传感器的输入与外部因素之间的相关性却不是想当然的结论。举个例子说明:根据自动贩卖机的销售状况、库存水平、当地的天气预报和促销广告等传感器数据,系统必须决定何时派遣一辆卡车去补充自动贩卖机内的商品。如果判断时间错误导致出现货品空窗期或摆放不合适的商品,都可能导致不同的销售失败。

好的物联网平台层都应该提供具备机器学习功能的数据分析系统,帮助链接到这个物联网平台的各种物联网应用方案分析传感器数据,寻找相关性,并做出最佳响应,解决类似上面自动贩卖机补货时间与内容的议题。这个系统还必须不断监控它的预测准确度,持续训练完善既有的算法,提高决策的正确性与速度。

目前,主要有两类的机器学习方法:

监督式学习(Supervisedlearning):

它是指在一组实例的基础上开发一种算法。例如,一个简单的智慧零售为例可能是一个产品每天的销售记录。该算法计算的是一种相关性,有关每个产品在一天之中到底有多少有可能会顺利出售。这个信息有助于确定何时传送卡车来补充自动贩卖机器。过去常见的监督式学习方法为支持向量机(SupportVectorMachine,SVM),现在流行的监督式学习方法就是众口传颂的深度学习法(Deeplearning)。

非监督式学习(UnsupervisedLearning):

不提供人为定义标签(如销售/天),系统需要自己去分析探索关键因素。它主动提供所有与分析相关的数据,而让系统去主动识别不那么明显的相关性,例如,价格折扣、本地事件和天气状态(例如:下雨与否)都可能影响自动贩卖机的销售数量。常见的非监督式学习法包含有:主成份分析(PrincipalComponentAnalysis,PCA)、关联规则学习(Associationrulelearning)、分群(Clustering)算法这些最红火的深度学习法(Deeplearning)。

按照IndustrialInternetConsortium(IIC)提出的IndustrialInternetReferenceArchitecture(IIRA)的定义,一个物联网应用方案(IoTsolution)可以分成三个层次:各项硬件传感器的装置层(Edgetier)、串连装置层与企业层的平台层(Platformtier)、企业层(Enterprisetier)。

相关阅读:

智慧城市辣么火我们离它到底还有多远?

投稿与新闻线索:陈女士 微信/手机:13693626116 邮箱:chenchen#bjxmail.com(请将#改成@)

特别声明:北极星转载其他网站内容,出于传递更多信息而非盈利之目的,同时并不代表赞成其观点或证实其描述,内容仅供参考。版权归原作者所有,若有侵权,请联系我们删除。

凡来源注明北极星*网的内容为北极星原创,转载需获授权。

智慧城市查看更多>物联网查看更多>传感器查看更多>