边缘大数据分析预测建模方法研究

摘要：

随着物联网大数据分析实时性要求的提高,中心控制的云端大数据分析方法无法满足实时性和准确性要求,表现为响应延迟大、成本开销大、特定环境下的预测准确性低.本文提出了在海量实时数据如传感器数据、流数据等场景下的边缘侧大数据分析预测建模方法,该方法在边缘侧训练小数据样本,根据特定的应用场景多接入边缘侧进行分布式建模学习,分而治之地训练模型和推理预测分析.首先,通过将大数据分析和边缘计算相结合提出了边缘侧和云端协同的大数据分析预测建模的理论范式框架;其次,在该标准范式框架的基础上,设计了边缘侧大数据分析预测的训练算法和调优机制;最后实现了边缘侧大数据分析的训练和评估系统原型.在百个节点测试环境的实验结果表明,在实时大数据场景,同云端训练相比,本文提出的边缘侧大数据训练的性能效率平均提升了3.95倍,网络通信量减少了88.7％,边缘侧协同训练模型的预测准确率、召回率和F1值比传统训练方法可以提升3％ ～9％,请求预测的响应延迟降低了67.5％.本文方法可有效应用于科学计算、智能金融、自动驾驶、安防监控、数据安全、智能工厂和智慧城市等领域,具有一定的借鉴价值.

关键词：边缘计算、大数据分析、边缘大数据、边缘机器学习、边云协同

所属期刊栏目：32

分类号：TP393;TM715;U469

资助基金：国家自然科学基金;国家重点研发计划

在线出版日期：2023-02-13（万方平台首次上网日期，不代表论文的发表时间）

页数：共9页

页码：1067-1075