科创中国

行业领域

新一代信息技术产业,信息传输、软件和信息技术服务业

需求背景

随着计算机技术和物联网技术的发展，利用传感器来感知复杂系统各个环节状态成为了一个普遍的现象，随之产生了海量的时空感知数据。基于海量数据的建模分析，可以对系统的运行状态变化进行实时监测和预警，减少极端不良时间的发生。然而，海量时空感知数据的传输、存储、计算和建模为实际工程应用提出了巨大的挑战。如何从海量数据中识别、提取关键的信息，对海量时空数据进行子抽样已成为了迫切需要解决的问题。

目前，文献和实际工程应用中所提出的方法主要是针对独立观测的大数据的线性模型或者广义线性模型开展抽样方法研究。但是，时空感知数据存在时间和空间的相关性，并且主要使用非线性模型，文献中对时空感知数据的优化子抽样方法的研究相对还比较欠缺。针对大规模时空感知数据，利用现代统计方法或者机器学习技术，突破空间和时间相关性的非线性模型子抽样技术，给出自适应的优化采样方法，是国际热点和重点研究课题，具有非常好的实际应用价值。

需解决的主要技术难题

1. 针对时空感知数据，研究数据特征分解方法，研究提取空间相关性和时间相关性的方法，给出数据重构模型；

2. 研究识别和提取时空感知数据特征的技术，建立快速计算方法；

3. 研究时空感知数据的在线优化采样技术，建立特征提取 — 优化采用 — 建模分析 — 数据重构的在线实时快速算法。

期望实现的主要技术目标

1. 数据压缩比例不低于50%；

2. 基于子样的特征重构精度不低于95%；

3. 子抽样的模型复杂度不大于时空感知数据建模的复杂度。

处理进度