典型文献
边缘大数据分析预测建模方法研究
文献摘要：
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.
文献关键词：
边缘计算;大数据分析;边缘大数据;边缘机器学习;边云协同
中图分类号：
作者姓名：
钟运琴;朱月琴;焦守涛
作者机构：
中国科学院大学中国科学院大数据挖掘与知识管理重点实验室 北京 100190;国务院发展研究中心信息中心 北京 100010;中国地质调查局发展研究中心 北京 100037;自然资源部地质信息工程技术创新中心 北京 100037
文献出处：
引用格式：
[1]钟运琴;朱月琴;焦守涛-.边缘大数据分析预测建模方法研究)[J].高技术通讯,2022(10):1067-1075
A类：
边缘大数据,边缘大数据分析
B类：
分析预测,预测建模,物联网大数据,中心控制,云端大数据,大数据分析方法,响应延迟,开销,预测准确性,实时数据,传感器数据,流数据,边缘侧,小数据,分而治之,训练模型,预测分析,边缘计算,云端协同,理论范式,训练算法,调优,评估系统,百个,测试环境,数据场,数据训练,性能效率,网络通信,通信量,协同训练,预测准确率,召回率,训练方法,请求,有效应用,科学计算,智能金融,自动驾驶,安防监控,智能工厂,智慧城市,借鉴价值,边缘机器学习,边云协同
AB值：
0.412934
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
