物联网时序数据的建模与分析方法研究

发布时间：2024-04-07 22:44

　　随着物联网这项新兴信息技术的发展,城市建设的内涵已经从“数字城市”转为“智慧城市”。智慧城市指的是运用信息和通信技术手段感知、分析、整合城市运行核心系统的各项数据,从而对包括民生、环保、公共安全、城市服务、工商业活动在内的各种需求做出智能响应。然而,由于物联网时间序列数据(时序数据)的非平稳性、非线性等特点,现有的时序数据分析方法无法满足物联网业务多样性和差异性的需求。因此,如何有效地对物联网时序数据进行建模与分析成为了目前亟待解决的问题之一。当前深度学习的发展,为物联网时序数据的建模与分析提供了更灵活有效的解决思路。然而,由于数据缺失或者感知周期过短,某些场景下只能采集到少量时序数据。如何针对不同大小数据集,构建面向数据特征的物联网时序数据建模与分析算法,以及如何在大规模网络中高效地使用算法,为物联网应用提供高效精准的服务,是本文研究的关键所在。首先,针对小样本数据集,提出了基于集成学习的时间序列短期预测算法。然后,着手研究基于深度学习的大样本时序数据建模与分析方法:面向单点场景,即仅包含单个或少数几个时间序列,设计了基于深度神经网络的长期预测算法;在此基础上,面向网络场景,即包含多...

【文章页数】：136 页

【学位级别】：博士

【文章目录】：
摘要
ABSTRACT
符号列表
第一章 绪论
    1.1 研究背景
    1.2 物联网时间序列
        1.2.1 时间序列概念
        1.2.2 物联网时序数据典型特征
        1.2.3 时间序列分析任务
    1.3 时序数据建模与分析的研究现状以及挑战
        1.3.1 国内外研究现状
        1.3.2 现有研究存在的问题
    1.4 论文主要贡献及组织结构
        1.4.1 论文主要工作与创新
        1.4.2 论文结构与内容
第二章 小样本时序数据的建模与短期预测算法研究
    2.1 引言
    2.2 问题描述
    2.3 基于集成学习的时间序列建模与预测算法
        2.3.1 加法表达式
        2.3.2 提升回归算法
    2.4 实验结果及分析
    2.5 本章小结
第三章 大样本时序数据的建模与长短期预测算法研究
    3.1 引言
    3.2 时间序列长期预测所面临的挑战以及目标问题
    3.3 时变卷积神经网络:TD-CNN
    3.4 周期递归神经网络:C-LSTM
    3.5 实验结果及分析
        3.5.1 数据集
        3.5.2 实验设置
        3.5.3 实验结果
    3.6 本章小结
第四章 基于深度聚类的时间序列预测技术网络化方法研究
    4.1 引言
    4.2 问题描述
    4.3 时间序列预测技术网络化方法
        4.3.1 基于表示学习的深度聚类模块:DeepCluster
        4.3.2 深度预测模块:DeepPrediction
    4.4 实验结果及分析
        4.4.1 数据集
        4.4.2 实验配置
        4.4.3 实验结果
    4.5 本章小结
第五章 面向网络场景的时序数据缺失值补全算法研究
    5.1 引言
    5.2 时间序列建模与目标问题
        5.2.1 时间序列的张量建模
        5.2.2 问题描述
    5.3 基于内容感知的时序数据GAN补全算法:CA-GAN
        5.3.1 张量生成模型
        5.3.2 张量补全
    5.4 性能评估与分析
        5.4.1 数据集
        5.4.2 实验配置
        5.4.3 交通生成模型
        5.4.4 交通流速补全性能评估
        5.4.5 性能比较
    5.5 本章小结
第六章 结束语
    6.1 论文主要工作总结
    6.2 全文展望
附录一 缩略语列表
致谢
攻读学位期间发表的学术论文目录



本文编号：3948090