服务于大数据去噪优化的智能分析输出方法及系统与流程

1.本发明涉及人工智能技术领域，尤其涉及一种服务于大数据去噪优化的智能分析输出方法及系统。


背景技术：

2.随着近几年感知技术和大数据技术的不断发展，大数据在城市中的应用越来越广泛，其中，城市中的交通轨迹大数据研究是一个城市合理规划的重要研究资源，同时也是实现智慧城市的关键技术之一。随着城市中汽车数量的急剧增长，城市交通系统的发展也逐渐复杂化，城市交通正面临着交通用具和交通事故频发等压力，为了缓解城市的交通压力，需要采用智能交通系统，因为利用智能交通系统可以挖掘城市车辆移动特征、大气环境变化等规律信息，从而为城市交通规划提供重要的研究资源。但是，往往在进行城市交通信息数据采集、处理以及传输的过程中会不可避免地受到噪声干扰，使得采集到的原始数据包含不同程度的系统噪声和测量噪声，正是因为这些噪声的存在会降低城市交通信息数据采集的数据质量，从而影响交通控制规划管理过程的可靠性和科学性，并且也会影响到智能交通系统作用的发挥；因此，为了避免这些问题，我们需要对城市交通信息数据进行降噪处理。
3.目前，国内对于交通数据的去噪方法主要有免疫算法、减谱法等，但是这些方法只适用于数据中含有少量噪声值及异常值的情况，对于大数据下的交通信息处理并不能达到满意的效果，导致去噪后的交通数据质量较低。因此，如何对大数据进行去噪优化已经成为一个亟待解决的问题。


技术实现要素：

4.本发明提供一种服务于大数据去噪优化的智能分析输出方法及系统，其主要目的在于对大数据进行去噪优化，提高数据质量。
5.为实现上述目的，本发明提供的一种服务于大数据去噪优化的智能分析输出方法，包括：
6.获取原始数据，对所述原始数据进行时间戳转换，得到时间序列数据，对所述时间序列数据进行平滑处理，得到预处理数据；
7.对所述预处理数据进行特征提取，得到特征信号，对所述特征信号频率分解，得到系数矩阵；
8.根据所述系数矩阵对所述特征信号进行阈值处理，得到所述特征信号的阈值函数；
9.根据所述阈值函数对所述系数矩阵进行信号重构，得到降噪数据。
10.可选地，所述对所述原始数据进行时间戳转换，得到时间序列数据，包括：
11.将所述原始数据进行文本读取，得到参数列；
12.对所述参数列进行数据规约，得到目标数据列；
13.对所述目标数据列进行时间转化，得到所述时间序列数据。
14.可选地，所述对所述参数列进行数据规约，得到目标数据列，包括：
15.对所述参数列进行矩阵计算，得到所述参数列的方差矩阵；
16.利用下式表示所述参数列的方差矩阵：
[0017][0018]
其中，r表示为所述参数列的方差矩阵；n表示为所述方差矩阵的行数；x
ij
表示为所述方差矩阵中的第i行第j列的元素；表示为所述方差矩阵的第i行的元素均值；表示为所述方差矩阵的第j列的元素均值；
[0019]
对所述方差矩阵进行特征计算，得到特征向量及特征向量对应的特征值；
[0020]
根据所述特征值计算所述特征向量的主成分系数，根据所述主成分系数对所述特征向量进行筛选，得到所述特征向量对应的目标数据列；
[0021]
利用下式根据所述特征值计算所述特征向量的主成分系数：
[0022][0023]
其中，p表示为所述特征向量对应的主成分系数；λk表示为第k个所述特征向量对应的特征值；q表示为所述特征向量对应的特征值的总数。
[0024]
可选地，所述根据所述阈值函数对所述系数矩阵进行信号重构，得到降噪数据，包括：
[0025]
根据所述阈值函数对所述系数矩阵进行系数插零，得到上采样数据；
[0026]
对所述上采样数据进滤波器重构，得到降噪滤波；
[0027]
对所述降噪滤波进行求和，得到降噪数据。
[0028]
可选地，所述对所述预处理数据进行特征提取，得到特征信号，包括：
[0029]
对所述预处理数据进行线性插值，得到完整数据样本；
[0030]
对所述完整数据样本进行独立分析，得到特征信号。
[0031]
可选地，所述对所述完整数据样本进行独立分析，得到特征信号，包括：
[0032]
利用下式对所述完整数据样本进行独立分析：
[0033][0034]
其中，i
(α,β)
表示为所述完整数据样本；vd表示为第d个特征信号；ud表示为预设的第d个独立系数。
[0035]
可选地，所述对所述特征信号频率分解，得到系数矩阵，包括：
[0036]
对所述特征信号进行层级分解，得到多个分解层；
[0037]
分别对多个所述分解层中的低频近似部分进行分解，得到系数矩阵。
[0038]
可选地，所述根据所述系数矩阵对所述特征信号进行阈值处理，得到所述特征信号的阈值函数，包括：
[0039]
根据所述系数矩阵对所述特征信号进行阈值选择，得到所述特征信号的阈值；
[0040]
利用所述阈值对所述特征信号进行阈值函数选择，得到所述特征信号的阈值函数。
[0041]
可选地，所述根据所述系数矩阵对所述特征信号进行阈值选择，得到所述特征信号的阈值，包括：
[0042]
利用下式根据所述系数矩阵对所述特征信号进行阈值选择：
[0043][0044]
其中，μ表示为所述特征信号的阈值；σ表示为所述系数矩阵；e表示为所述特征信号的信号长度。
[0045]
为了解决上述问题，本发明还提供一种服务于大数据去噪优化的智能分析输出系统，所述系统包括：
[0046]
数据预处理模块，用于获取原始数据，对所述原始数据进行时间戳转换，得到时间序列数据，对所述时间序列数据进行平滑处理，得到预处理数据；
[0047]
特征信号分解模块，用于对所述预处理数据进行特征提取，得到特征信号，对所述特征信号频率分解，得到系数矩阵；
[0048]
阈值函数生成模块，用于根据所述系数矩阵对所述特征信号进行阈值处理，得到所述特征信号的阈值函数；
[0049]
信号重构模块，用于根据所述阈值函数对所述系数矩阵进行信号重构，得到降噪数据。
[0050]
本发明实施例通过对原始数据进行时间戳转换，得到时间序列数据，可以对原始数据进行数据压缩并保留目标数据，提高了数据质量；对预处理数据进行特征提取，得到特征信号，可以准确提取预处理数据的数据特征，便于信号的频率分解；根据阈值函数对系数矩阵进行信号重构，可以灵活选择合适的阈值函数，去除数据中的噪声信号，实现大数据去噪优化，提高数据质量。因此本发明提出的服务于大数据去噪优化的智能分析输出方法及系统，可以对大数据进行去噪优化，提高数据质量。
附图说明
[0051]
图1为本发明一实施例提供的服务于大数据去噪优化的智能分析输出方法的流程示意图；
[0052]
图2为本发明一实施例提供的对原始数据进行时间戳转换，得到时间序列数据的流程示意图；
[0053]
图3为本发明一实施例提供的根据阈值函数对所述系数矩阵进行信号重构，得到降噪数据的流程示意图；
[0054]
图4为本发明一实施例提供的服务于大数据去噪优化的智能分析输出系统的功能模块图；
[0055]
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
[0056]
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
[0057]
本技术实施例提供一种服务于大数据去噪优化的智能分析输出方法。所述服务于大数据去噪优化的智能分析输出方法的执行主体包括但不限于服务端、终端等能够被配置为执行本技术实施例提供的该方法的电子设备中的至少一种。换言之，所述服务于大数据去噪优化的智能分析输出方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。所述服务器可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(content delivery network，cdn)、以及大数据和人工智能平台等基础云计算服务的云服务器。
[0058]
参照图1所示，为本发明一实施例提供的服务于大数据去噪优化的智能分析输出方法的流程示意图。在本实施例中，所述服务于大数据去噪优化的智能分析输出方法包括：
[0059]
s1、获取原始数据，对所述原始数据进行时间戳转换，得到时间序列数据，对所述时间序列数据进行平滑处理，得到预处理数据。
[0060]
本发明实施例中，以所述原始数据为城市的交通轨迹大数据为例，由于所述交通轨迹大数据可能会受到道路、时间、天气等因素的影响，从而导致对数据的识别与提取的不准确；同时，所述交通轨迹大数据具有时空二维特性及非平稳、非线性的特点，因此，在进行数据处理前可以对其采用预处理技术，预处理技术可以包括数据清洗、数据集成、数据变换以及数据规约等。
[0061]
请参阅图2所示，本发明实施例中，所述对所述原始数据进行时间戳转换，得到时间序列数据，包括：
[0062]
s21、将所述原始数据进行文本读取，得到参数列；
[0063]
s22、对所述参数列进行数据规约，得到目标数据列；
[0064]
s23、对所述目标数据列进行时间转化，得到所述时间序列数据。
[0065]
本发明实施例中，所述原始数据可以选择城市中某一日的公交车辆相关信息，并将其存储在预设的分析数据库中，例如，pandas数据库、python数据库等；文本读取可以采用readline()函数的读取方法，利用所述用readline()函数对所述分析数据库中的原始数据进行函数解析，得到所述参数列，其中，所述参数列包含的信息有：速度、信息采集时间、地理位置等；由于所述原始数据是根据数据收集的时间顺序进行信息存储的，无法直接进行数据分析，所以需要对所述目标数据进行时间转化，具体地可以采用time.strftime函数对所述目标数据列进行时间格式化，从而控制所述目标数据列的日期时间对象的输出格式；所述时间序列数据与所述原始数据相比，在降低了数据存储量的同时也对进行了格式统一，便于后续的数据分析。
[0066]
本发明实施例中，所述对所述参数列进行数据规约，得到目标数据列，包括：
[0067]
对所述参数列进行矩阵计算，得到所述参数列的方差矩阵；
[0068]
对所述方差矩阵进行特征计算，得到特征向量及特征向量对应的特征值；
[0069]
根据所述特征值计算所述特征向量的主成分系数，根据所述主成分系数对所述特征向量进行筛选，得到所述特征向量对应的目标数据列。
[0070]
本发明实施例中，所述参数列的方差矩阵可以为一个协方差矩阵；矩阵计算首先是计算所述参数列的均值，然后根据所述均值对所述参数列中的元素进行线性计算，例如，点积计算，最后根据计算结果生成所述参数列的方差矩阵；本发明可以通过下述公式将两个步骤合成一步，减少计算的步骤，提高了矩阵计算的效率；特征计算是对所述方差矩阵进行行列式计算，将所述方差矩阵的n阶行列式变形化简，得到所述方差矩阵的n次方程，然后对方程求解，得到所述方差矩阵的特征向量及特征向量对应的特征值。
[0071]
本发明实施例中，利用下式表示所述参数列的方差矩阵：
[0072][0073]
其中，r表示为所述参数列的方差矩阵；n表示为所述方差矩阵的行数；x
ij
表示为所述方差矩阵中的第i行第j列的元素；表示为所述方差矩阵的第i行的元素均值；表示为所述方差矩阵的第j列的元素均值。
[0074]
本发明实施例中，利用下式根据所述特征值计算所述特征向量的主成分系数：
[0075][0076]
其中，p表示为所述特征向量对应的主成分系数；λk表示为第k个所述特征向量对应的特征值；q表示为所述特征向量对应的特征值的总数。
[0077]
本发明实施例中，所述特征向量可以表示为a1,a2…
,ak，其中，a1＝[a
11
,a
21
,
…
,a
k1
]，所述特征向量对应的特征值可以表示为λ1,λ2,
…
λk，且λk≥0；所述主成分分析系数可以反映该分析系数对应的特征向量的重要程度，若主成分分析系数的值越大，则说明该特征向量的重要性越大；根据所述主成分系数对所述特征向量进行筛选，可以取主成分分析系数前三的特征向量，将这三个特征向量对应的参数为目标数据列。
[0078]
本发明实施例中，可以采用滑动平均法对所述时间序列数据进行平滑处理，根据所述时间序列数据的时间戳把当前第m个时间序列数据的前后时刻一共2m+1个数据进行平均值计，将所述平均值作为新的观测值，从而消除偶然变动因素的影响。
[0079]
s2、对所述预处理数据进行特征提取，得到特征信号，对所述特征信号频率分解，得到系数矩阵。
[0080]
本发明实施例中，所述对所述预处理数据进行特征提取，得到特征信号，包括：
[0081]
对所述预处理数据进行线性插值，得到完整数据样本；
[0082]
对所述完整数据样本进行独立分析，得到特征信号。
[0083]
本发明实施例中，由于受到交通信息采集设备异常或者采集信号弱等原因会导致所述预处理数据中存在部分缺失值，若忽略缺失值的影响，会降低预处理数据的质量，因此需要对所述预处理数据进行缺失值补充，具体地，对数据缺失值所在列的前后的有效值可以使用线性插值法，计算得到该位置的缺失值；例如，若所述预处理数据中的两个坐标点为(b1,c1)、(b2,c2)，则利用下式进行线性插值计算：
[0084]
[0085]
其中，b表示为所述缺失值的横坐标；c表示为所述缺失值的纵坐标。
[0086]
本发明实施例中，利用下式对所述完整数据样本进行独立分析：
[0087][0088]
其中，i
(α,β)
表示为所述完整数据样本；vd表示为第d个特征信号；ud表示为预设的第d个独立系数。
[0089]
本发明实施例中，独立分析可以采用独立成分分析法，利用统计原理把所述完整数据样本分离成统计独立的非高斯信号源的线性组合，所述独立成分分析法可以将混合的多元信号分离为多个独立的分量信号，从而实现特征提取。
[0090]
本发明实施例中，所述对所述特征信号频率分解，得到系数矩阵，包括：
[0091]
对所述特征信号进行层级分解，得到多个分解层；
[0092]
分别对多个所述分解层中的低频近似部分进行分解，得到系数矩阵。
[0093]
本发明实施例中，频率分解可以采用小波分解的方法，先将所述特征信号进行对半分解，得到第一分解层，第一分解层包含低频近似以及高频细节两个部分的滤波系数；然后继续对当前分解层中的低频近似部分的滤波系数进行分解，得到第二分解层，第二分解层包含低频近似以及高频细节两个部分的滤波系数；继续对第二分解层中的低频近似部分的滤波系数进行分解，直至得到的分解层中低频近似部分的滤波系数只有一个，则分解过程结束；层级分级可以采用预设的低通滤波器以及高通滤波器对所述特征信号进行分解，每次分解都对分解层中的高频细节部分的滤波系数保持不动，最后根据分解过程中的低频近似部分的滤波系数生成系数矩阵；根据所述低通滤波器以及高通滤波器进行频率分解，无需尺度函数或者小波函数的具体表达式即可进行准确的信号分解，提高了数据去噪的效率。
[0094]
s3、根据所述系数矩阵对所述特征信号进行阈值处理，得到所述特征信号的阈值函数。
[0095]
本发明实施例中，所述根据所述系数矩阵对所述特征信号进行阈值处理，得到所述特征信号的阈值函数，包括：
[0096]
根据所述系数矩阵对所述特征信号进行阈值选择，得到所述特征信号的阈值；
[0097]
利用所述阈值对所述特征信号进行阈值函数选择，得到所述特征信号的阈值函数。
[0098]
本发明实施例中，利用下式根据所述系数矩阵对所述特征信号进行阈值选择：
[0099][0100]
其中，μ表示为所述特征信号的阈值；σ表示为所述系数矩阵；e表示为所述特征信号的信号长度。
[0101]
本发明实施例中，根据所述系数矩阵可以对所述特征信号进行噪声估计，然后根据阈值选择的公式计算所述特征信号的阈值μ，以阈值μ为门限选择适合所述特征信号的阈值函数；所述阈值的作用是舍弃比阈值小的系数矩阵中的小波系数，保留比阈值大的系数据矩阵中的小波系数，从而实现信号的去噪。
[0102]
本发明实施例中，所述阈值函数可以采用matlab软件中存在的自适应阈值选择函
数进行函数选择，将所述特征信号的阈值输入至所述matlab的选择函数的参数栏，然后生成所述特征信号的阈值函数；所述阈值函数可以为第一阈值函数以及第二阈值函数，其中，第一阈值函数表现为：当所述系数矩阵中的小波系数绝对值大于所述阈值时，小波系数不变，当所述系数矩阵中的小波系数绝对值小于所述阈值时，则将所述小波系数置零；第二阈值函数表现为：当所述系数矩阵中的小波系数的绝对值大于所述阈值时，则用所述小波系数减去所述阈值，当所述系数矩阵中的小波系数的绝对值小于所述阈值时，则将所述小波系数置零。
[0103]
s4、根据所述阈值函数对所述系数矩阵进行信号重构，得到降噪数据。
[0104]
请参阅图3所示，本发明实施例中，所述根据所述阈值函数对所述系数矩阵进行信号重构，得到降噪数据，包括：
[0105]
s31、根据所述阈值函数对所述系数矩阵进行系数插零，得到上采样数据；
[0106]
s32、对所述上采样数据进滤波器重构，得到降噪滤波；
[0107]
s33、对所述降噪滤波进行求和，得到降噪数据。
[0108]
本发明实施例中，系数插零是将经过阈值函数筛选后的小波系数分为高频系数及低频系数，分别对所述高频系数及所述低频系数进行频域补零处理，一般可以为在所述高频系数及所述低频系数的时域信号的末尾补0，或者在频域正值后面补零，负值前面补零。
[0109]
本发明实施例中，所述降噪滤波是利用预设的重构低通滤波器及重构高通滤波器进行滤波器重构生成的；首先对低频系数进行上采样，利用所述重构低通滤波器对上采样数据中的低频系数进行重构，从重构的降噪滤波中找出高频系数，然后对高频系数进行高通卷积，得到卷积系数，将所述卷积系数与重构的低频系数进行重构求和形成新的降噪滤波，对所述行的降噪滤波进行从上采样至重构求和的过程；信号重构的次数与频率分解的次数是相同的，最后一层重构得到的数据即为所述降噪数据。
[0110]
本发明提出了一种服务于大数据去噪优化的ai分析输出方法，通过对原始数据进行时间戳转换，得到时间序列数据，可以对原始数据进行数据压缩并保留目标数据，提高了数据质量；对预处理数据进行特征提取，得到特征信号，可以准确提取预处理数据的数据特征，便于信号的频率分解；根据阈值函数对系数矩阵进行信号重构，可以灵活选择合适的阈值函数，去除数据中的噪声信号，实现大数据去噪优化，提高数据质量。因此，本发明提出的一种服务于大数据去噪优化的ai分析输出方法，可以对大数据进行去噪优化，提高数据质量。
[0111]
如图4所示，是本发明一实施例提供的服务于大数据去噪优化的智能分析输出系统的功能模块图。
[0112]
本发明所述服务于大数据去噪优化的智能分析输出系统100可以安装于电子设备中。根据实现的功能，所述服务于大数据去噪优化的智能分析输出系统400可以包括数据预处理模块401、特征信号分解模块402、阈值函数生成模块403及信号重构模块404。本发明所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
[0113]
在本实施例中，关于各模块/单元的功能如下：
[0114]
所述数据预处理模块401，用于获取原始数据，对所述原始数据进行时间戳转换，得到时间序列数据，对所述时间序列数据进行平滑处理，得到预处理数据；
[0115]
所述特征信号分解模块402，用于对所述预处理数据进行特征提取，得到特征信号，对所述特征信号频率分解，得到系数矩阵；
[0116]
所述阈值函数生成模块403，用于根据所述系数矩阵对所述特征信号进行阈值处理，得到所述特征信号的阈值函数；
[0117]
所述信号重构模块404，用于根据所述阈值函数对所述系数矩阵进行信号重构，得到降噪数据。
[0118]
详细地，本发明实施例中所述服务于大数据去噪优化的智能分析输出系统400中所述的各模块在使用时采用与附图中所述的服务于大数据去噪优化的智能分析输出方法一样的技术手段，并能够产生相同的技术效果，这里不再赘述。
[0119]
本实施例还提供一种电子设备，所述电子设备可以包括处理器、存储器、通信总线以及通信接口，还可以包括存储在所述存储器中并可在所述处理器上运行的计算机程序，如服务于大数据去噪优化的智能分析输出程序。
[0120]
其中，所述处理器在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(central processing unit，cpu)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器是所述电子设备的控制核心(control unit)，利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器内的程序或者模块(例如执行服务于大数据去噪优化的智能分析输出程序等)，以及调用存储在所述存储器内的数据，以执行电子设备的各种功能和处理数据。
[0121]
所述存储器至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如：sd或dx存储器等)、磁性存储器、磁盘、光盘等。所述存储器在一些实施例中可以是电子设备的内部存储单元，例如该电子设备的移动硬盘。所述存储器在另一些实施例中也可以是电子设备的外部存储设备，例如电子设备上配备的插接式移动硬盘、智能存储卡(smart media card，smc)、安全数字(secure digital，sd)卡、闪存卡(flash card)等。进一步地，所述存储器还可以既包括电子设备的内部存储单元也包括外部存储设备。所述存储器不仅可以用于存储安装于电子设备的应用软件及各类数据，例如服务于大数据去噪优化的智能分析输出程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
[0122]
所述通信总线可以是外设部件互连标准(peripheral component interconnect，简称pci)总线或扩展工业标准结构(extended industry standard architecture，简称eisa)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器以及至少一个处理器等之间的连接通信。
[0123]
所述通信接口用于上述电子设备与其他设备之间的通信，包括网络接口和用户接口。可选地，所述网络接口可以包括有线接口和/或无线接口(如wi-fi接口、蓝牙接口等)，通常用于在该电子设备与其他电子设备之间建立通信连接。所述用户接口可以是显示器(display)、输入单元(比如键盘(keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是led显示器、液晶显示器、触控式液晶显示器以及oled(organic light-emitting diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备中处理的信息以及用于显示可
视化的用户界面。
[0124]
例如，尽管未示出，所述电子设备还可以包括给各个部件供电的电源(比如电池)，优选地，电源可以通过电源管理系统与所述至少一个处理器逻辑相连，从而通过电源管理系统实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电系统、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备还可以包括多种传感器、蓝牙模块、wi-fi模块等，在此不再赘述。
[0125]
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
[0126]
所述电子设备中的所述存储器存储的服务于大数据去噪优化的智能分析输出程序是多个指令的组合，在所述处理器中运行时，可以实现：
[0127]
获取原始数据，对所述原始数据进行时间戳转换，得到时间序列数据，对所述时间序列数据进行平滑处理，得到预处理数据；
[0128]
对所述预处理数据进行特征提取，得到特征信号，对所述特征信号频率分解，得到系数矩阵；
[0129]
根据所述系数矩阵对所述特征信号进行阈值处理，得到所述特征信号的阈值函数；
[0130]
根据所述阈值函数对所述系数矩阵进行信号重构，得到降噪数据。
[0131]
具体地，所述处理器对上述指令的具体实现方法可参考附图对应实施例中相关步骤的描述，在此不赘述。
[0132]
进一步地，所述电子设备集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读存储介质中。所述计算机可读存储介质可以是易失性的，也可以是非易失性的。例如，所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或系统、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(rom，read-only memory)。
[0133]
本发明还提供一种计算机可读存储介质，所述可读存储介质存储有计算机程序，所述计算机程序在被电子设备的处理器所执行时，可以实现：
[0134]
获取原始数据，对所述原始数据进行时间戳转换，得到时间序列数据，对所述时间序列数据进行平滑处理，得到预处理数据；
[0135]
对所述预处理数据进行特征提取，得到特征信号，对所述特征信号频率分解，得到系数矩阵；
[0136]
根据所述系数矩阵对所述特征信号进行阈值处理，得到所述特征信号的阈值函数；
[0137]
根据所述阈值函数对所述系数矩阵进行信号重构，得到降噪数据。
[0138]
在本发明所提供的几个实施例中，应该理解到，所揭露的设备，系统和方法，可以通过其它的方式实现。例如，以上所描述的系统实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
[0139]
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目
的。
[0140]
另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
[0141]
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
[0142]
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
[0143]
本技术实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(artificial intelligence，ai)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
[0144]
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元或系统也可以由一个单元或系统通过软件或者硬件来实现。第一、第二等词语用来表示名称，而并不表示任何特定的顺序。
[0145]
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。

技术特征：
1.一种服务于大数据去噪优化的智能分析输出方法，其特征在于，所述方法包括：获取原始数据，对所述原始数据进行时间戳转换，得到时间序列数据，对所述时间序列数据进行平滑处理，得到预处理数据；对所述预处理数据进行特征提取，得到特征信号，对所述特征信号频率分解，得到系数矩阵；根据所述系数矩阵对所述特征信号进行阈值处理，得到所述特征信号的阈值函数；根据所述阈值函数对所述系数矩阵进行信号重构，得到降噪数据。2.如权利要求1所述的服务于大数据去噪优化的智能分析输出方法，其特征在于，所述对所述原始数据进行时间戳转换，得到时间序列数据，包括：将所述原始数据进行文本读取，得到参数列；对所述参数列进行数据规约，得到目标数据列；对所述目标数据列进行时间转化，得到所述时间序列数据。3.如权利要求2所述的服务于大数据去噪优化的智能分析输出方法，其特征在于，所述对所述参数列进行数据规约，得到目标数据列，包括：对所述参数列进行矩阵计算，得到所述参数列的方差矩阵；利用下式表示所述参数列的方差矩阵：其中，r表示为所述参数列的方差矩阵；n表示为所述方差矩阵的行数；x
ij
表示为所述方差矩阵中的第i行第j列的元素；表示为所述方差矩阵的第i行的元素均值；表示为所述方差矩阵的第j列的元素均值；对所述方差矩阵进行特征计算，得到特征向量及特征向量对应的特征值；根据所述特征值计算所述特征向量的主成分系数，根据所述主成分系数对所述特征向量进行筛选，得到所述特征向量对应的目标数据列；利用下式根据所述特征值计算所述特征向量的主成分系数：其中，p表示为所述特征向量对应的主成分系数；λ
k
表示为第k个所述特征向量对应的特征值；q表示为所述特征向量对应的特征值的总数。4.如权利要求1所述的服务于大数据去噪优化的智能分析输出方法，其特征在于，所述根据所述阈值函数对所述系数矩阵进行信号重构，得到降噪数据，包括：根据所述阈值函数对所述系数矩阵进行系数插零，得到上采样数据；对所述上采样数据进滤波器重构，得到降噪滤波；对所述降噪滤波进行求和，得到降噪数据。5.如权利要求1所述的服务于大数据去噪优化的智能分析输出方法，其特征在于，所述对所述预处理数据进行特征提取，得到特征信号，包括：对所述预处理数据进行线性插值，得到完整数据样本；
对所述完整数据样本进行独立分析，得到特征信号。6.如权利要求5所述的服务于大数据去噪优化的智能分析输出方法，其特征在于，所述对所述完整数据样本进行独立分析，得到特征信号，包括：利用下式对所述完整数据样本进行独立分析：其中，i
(α,β)
表示为所述完整数据样本；v
d
表示为第d个特征信号；u
d
表示为预设的第d个独立系数。7.如权利要求1所述的服务于大数据去噪优化的智能分析输出方法，其特征在于，所述对所述特征信号频率分解，得到系数矩阵，包括：对所述特征信号进行层级分解，得到多个分解层；分别对多个所述分解层中的低频近似部分进行分解，得到系数矩阵。8.如权利要求1所述的服务于大数据去噪优化的智能分析输出方法，其特征在于，所述根据所述系数矩阵对所述特征信号进行阈值处理，得到所述特征信号的阈值函数，包括：根据所述系数矩阵对所述特征信号进行阈值选择，得到所述特征信号的阈值；利用所述阈值对所述特征信号进行阈值函数选择，得到所述特征信号的阈值函数。9.如权利要求8所述的服务于大数据去噪优化的智能分析输出方法，其特征在于，所述根据所述系数矩阵对所述特征信号进行阈值选择，得到所述特征信号的阈值，包括：利用下式根据所述系数矩阵对所述特征信号进行阈值选择：其中，μ表示为所述特征信号的阈值；σ表示为所述系数矩阵；e表示为所述特征信号的信号长度。10.一种服务于大数据去噪优化的智能分析输出系统，其特征在于，所述系统包括：数据预处理模块，用于获取原始数据，对所述原始数据进行时间戳转换，得到时间序列数据，对所述时间序列数据进行平滑处理，得到预处理数据；特征信号分解模块，用于对所述预处理数据进行特征提取，得到特征信号，对所述特征信号频率分解，得到系数矩阵；阈值函数生成模块，用于根据所述系数矩阵对所述特征信号进行阈值处理，得到所述特征信号的阈值函数；信号重构模块，用于根据所述阈值函数对所述系数矩阵进行信号重构，得到降噪数据。

技术总结
本发明涉及人工智能技术，揭露了一种服务于大数据去噪优化的智能分析输出方法及系统，所述方法包括：获取原始数据，对所述原始数据进行时间戳转换，得到时间序列数据，对所述时间序列数据进行平滑处理，得到预处理数据；对所述预处理数据进行特征提取，得到特征信号，对所述特征信号频率分解，得到系数矩阵；根据所述系数矩阵对所述特征信号进行阈值处理，得到所述特征信号的阈值函数；根据所述阈值函数对所述系数矩阵进行信号重构，得到降噪数据。本发明通过阈值函数对大数据进行信号重构，可以对大数据进行去噪优化，提高数据质量。提高数据质量。提高数据质量。


技术研发人员：李志强 沈宪明 张大同
受保护的技术使用者：李志强
技术研发日：2023.04.14
技术公布日：2023/7/7