基于大数据处理及云传输下的智能监测方法及平台与流程

本发明涉及一种大数据分析和云平台结合的智能监测方法及平台，可以全面查看一定范围内所有电梯的实时工作状态。

背景技术：

大数据技术的战略意义在于对这些含有意义的数据进行专业化处理。换而言之，如果把大数据比作一种产业，那么这种产业实现盈利的关键，在于提高对数据的“加工能力”，通过“加工”实现数据的“增值”。

从技术上看，大数据与云计算的关系密不可分。大数据必然无法用单台的计算机进行处理，必须采用分布式架构。它的特色在于对海量数据进行分布式数据挖掘。但它必须依托云计算的分布式处理、分布式数据库和云存储、虚拟化技术。

随着云时代的来临，大数据(bigdata)也吸引了越来越多的关注。分析师团队认为，大数据(bigdata)通常用来形容一个公司创造的大量非结构化数据和半结构化数据，这些数据在下载到关系型数据库用于分析时会花费过多时间和金钱。大数据分析常和云计算联系到一起，因为实时的大型数据集分析需要像mapreduce一样的框架来向数十、数百或甚至数千的电脑分配工作。

大数据需要特殊的技术，以有效地处理大量的容忍经过时间内的数据。适用于大数据的技术，包括大规模并行处理(mpp)数据库、数据挖掘、分布式文件系统、分布式数据库、云计算平台、互联网和可扩展的存储系统。

云存储是在云计算(cloudcomputing)概念上延伸和发展出来的一个新的概念，是指通过集群应用、网格技术或分布式文件系统等功能，将网络中大量各种不同类型的存储设备通过应用软件集合起来协同工作，共同对外提供数据存储和业务访问功能的一个系统。当云计算系统运算和处理的核心是大量数据的存储和管理时，云计算系统中就需要配置大量的存储设备，那么云计算系统就转变成为一个云存储系统，所以云存储是一个以数据存储和管理为核心的云计算系统。

云计算涉及的云物联：

随着物联网业务量的增加，对数据存储和计算量的需求将带来对“云计算”能力的要求：

(1).云计算：从计算中心到数据中心在物联网的初级阶段，pop即可满足需求；

(2).在物联网高级阶段，可能出现mvno/mmo营运商(国外已存在多年)，需要虚拟化云计算技术，soa等技术的结合实现互联网的泛在服务：taas(everythingasaservice)。

技术实现要素：

1、发明目的。

本发明提出了一种大数据分析和云平台结合的智能监测方法及平台,高效、可靠性高的、交叉的实时数据采集，处理和预测。

2、本发明所采用的技术方案。

本发明提供了一种基于大数据处理及云传输下的智能监测方法：

步骤1、由前端设备采集数据，通过预处理后，传输到大数据存储平台；

步骤2、由大数据平台实时大量的采集存储数据后，利用大数据平台的数据，和人工提前设定好的安全数据范围，对比做出第一次监测预警；

步骤3、若无明显预报的警告数据，则利用大数据平台进一步对数据进行分纳归类，大量的数据不断地打包发送给云计算平台；

步骤4、若有一次成功预判则作为一次学习，具有人工智能算法的云平台，在不间断的预判学习中一次次将预判能力加强，同时作为的服务器。

更进一步，还包括云平台通过人工智能学习预测算法步骤，实时计算数据，加以计算并预测，待预测准确度到达峰值，预测警报；接收端收到警报，做出反应；接收端收到警报，做出反应当控制器接收到一个消息时，它将在活动数据流列表中建立一个带有初始统计连接时隙的新数据流对象，其初始时隙为t毫秒.若该数据流在t毫秒内过期，则控制器得到统计数据，否则控制器将返回，并通过消息联系交换机以重新得到该数据流的统计数据.如果在这一时期内收集到的关于该数据流的监控数据变化并不显著特数的变化没有超过阈值，则时隙t将被增大λ倍；对于低数据传输率的数据流，该过程可以重复执行，直到监控采样时隙达到上界。

本发明提出了一种基于大数据处理及云传输下的智能监测系统，包括前端数据采集设备、大数据存储平台、云计算平台、前端设备用户；

前端数据采集设备将数据传输至大数据存储平台，进行数据比对后发出警报；云计算平台读取大数据存储平台数据进行故障抓取或上传故障参数值前端设备用户。

更进一步，前端设备采集数据发送给大数据平台，大数据平台采集各种数据，初次预判，第一次基础监测；后大数据平台分类打包大量数据给云平台。

更进一步，接收根据环境变化为云平台提供参数。

更进一步，还包括云平台通过人工智能学习预测算法模块，实时计算数据，加以计算并预测，待预测准确度到达峰值，预测警报；接收端收到警报，做出反应当控制器接收到一个消息时，它将在活动数据流列表中建立一个带有初始统计连接时隙的新数据流对象，其初始时隙为t毫秒.若该数据流在t毫秒内过期，则控制器得到统计数据，否则控制器将返回，并通过消息联系交换机以重新得到该数据流的统计数据.如果在这一时期内收集到的关于该数据流的监控数据变化并不显著特数的变化没有超过阈值，则时隙t将被增大λ倍；对于低数据传输率的数据流，该过程可以重复执行，直到监控采样时隙达到上界。

3、本发明所产生的技术效果。

(1)本发明克服现有技术的封闭性，由原先单个的前端数据采集器和计算机进行的简单的预测；演变为互联网+大数据+云计算的形式，进一步提高了预测的准确性。

(2)本发明采用的云平台具有人工智能的学习预测算法，可根据环境的变化实时调整预测参数，相比独立预测设备，适应新可靠性更强。

(3)本发明不要求前端设备具有计算与猜测能力，大数据与云平台的形式大规模运用上可以减少使用成本。

附图说明

图1为本发明的逻辑框图。

图2为本发明逻辑平台数据传输图。

具体实施方式

实施例1

如图1所示，由前端设备采集数据，通过简单的预处理后，传输到大数据存储平台，由大数据平台实时大量的采集存储数据后，利用大数据平台的数据，和人工提前设定好的安全数据范围，对比做出第一次监测预警，若无明显预报的警告数据，则利用大数据平台的特有能力进一步对数据进行分纳归类，大量的数据不断地打包发送给云计算平台。(云计算平台需要具有深度学习和预判能力，由人工提请设计点的人工智能算法驱动)，大量的数据依托云平台强大的计算能力，不间断的被计算，带预测准确度到达一定程度，预测警报。若有一次成功预判则作为一次学习，具有人工智能算法的云平台，在不间断的预判学习中一次次将预判能力加强。

如图2所示，云平台另一个重要作用就是作为各个接收端的服务器，云平台不间断的向接收端提供预测的同时，也接受他们发送过来的请求，实时为接收端提供服务。接收端也可根据环境的变化为云平台提供变化的参数，提高预判的精确性。

前端设备采集数据发送给大数据平台，大数据平台采集各种数据，初次预判，第一次基础监测。后大数据平台分类打包大量数据给云平台，云平台通过人工智能学习预测算法，实时计算数据，加以计算并预测，待预测准确度到达峰值，预测警报。接收端收到警报，做出反应。接收端也可根据环境变化为云平台提供参数，提高预测准确性。