物聯(lián)數(shù)據(jù)建模分析框架探討

徐 超，林友勇，李少利

（中電?？导瘓F(tuán)研究院，浙江 杭州 310012）

0 引言

本文從物聯(lián)基礎(chǔ)設(shè)施產(chǎn)生的數(shù)據(jù)出發(fā)，研究物聯(lián)數(shù)據(jù)的分類和建模形式，形成了以物模型、事件模型、感知數(shù)據(jù)模型為核心的物聯(lián)數(shù)據(jù)建模分析框架。本文還著重分析了物聯(lián)感知數(shù)值模型的幾種細(xì)分類型，提出了其相關(guān)的分析、挖掘方法，并討論了序列模型以及時序圖模型在文本、語音、視頻等感知數(shù)據(jù)類型上的拓展應(yīng)用?？偟膩碚f，本文的主要貢獻(xiàn)包括如下幾點(diǎn)：

第一，梳理了物聯(lián)基礎(chǔ)設(shè)施的數(shù)據(jù)分類體系，提出了一套較為完整的物聯(lián)數(shù)據(jù)建模及分析框架；

第二，著重對數(shù)值型物聯(lián)感知數(shù)據(jù)建模進(jìn)行了分析，并討論了這些模型在文本、語音、視頻等感知數(shù)據(jù)結(jié)構(gòu)上的拓展應(yīng)用。

1 物聯(lián)數(shù)據(jù)分類

物聯(lián)網(wǎng)的消息模型由設(shè)備協(xié)議模型構(gòu)建，主要實(shí)現(xiàn)將實(shí)體世界的設(shè)備數(shù)字化，并在云端構(gòu)建該設(shè)備的數(shù)據(jù)模型。設(shè)備協(xié)議模型主要描述感知設(shè)備是什么、能做什么、可以提供什么樣的感知數(shù)據(jù)、能夠產(chǎn)生的事件信息等。因此，根據(jù)設(shè)備協(xié)議的承載內(nèi)容，概括為設(shè)備屬性、感知（即報文數(shù)據(jù)）、狀態(tài)及事件這四種消息模型，以用于描述感知設(shè)備的屬性、報文數(shù)據(jù)及控制指令的結(jié)構(gòu)信息。針對上述4種物聯(lián)網(wǎng)消息模型，我們可以把物聯(lián)基礎(chǔ)設(shè)施中涉及到的物聯(lián)數(shù)據(jù)歸納為如下幾種：

（1）物體數(shù)據(jù)：即設(shè)備本身的數(shù)據(jù)，也就是描述設(shè)備的屬性、狀態(tài)、能力等的數(shù)據(jù)；

（2）感知數(shù)據(jù)：即設(shè)備產(chǎn)生的數(shù)據(jù)，也就是由設(shè)備感知到的數(shù)據(jù)，也稱為報文數(shù)據(jù)，一般可以分為數(shù)值、圖片、視頻、語音、文本（人、物交互產(chǎn)生）等幾種類型；

（3）事件數(shù)據(jù)：即控制指令的結(jié)構(gòu)化信息數(shù)據(jù)。

物體數(shù)據(jù)涉及到物聯(lián)設(shè)施的標(biāo)準(zhǔn)化、規(guī)范化問題，一般是按照國內(nèi)外的物體語義標(biāo)準(zhǔn)進(jìn)行設(shè)計，小企業(yè)等都很難制定相關(guān)的標(biāo)準(zhǔn)以建立自己的標(biāo)準(zhǔn)化生態(tài)。而事件數(shù)據(jù)是基于本體數(shù)據(jù)形成的一種物體能力控制的指令信息，其處理過程涉及到事件順序的推理和因果分析，目前缺乏做得比較深入的企業(yè)，一般是通過一些規(guī)則引擎來實(shí)現(xiàn)數(shù)據(jù)流轉(zhuǎn)和簡單的業(yè)務(wù)聯(lián)動。感知數(shù)據(jù)是目前我們關(guān)注最多的一種，因為它比較容易處理并且更容易獲取直接的數(shù)據(jù)收益，一般所說的物聯(lián)網(wǎng)數(shù)據(jù)處理基本都是指的這種數(shù)據(jù)類型。這些數(shù)據(jù)的挖掘分析一般包括獲取、清理、查詢、壓縮、存儲、分析、預(yù)測等步驟，業(yè)界也在逐步利用機(jī)器學(xué)習(xí)和人工智能等技術(shù)來處理這些數(shù)據(jù)，以獲取更智能化的效果。目前的問題是，沒有一個有效的框架能融合上述三種數(shù)據(jù)類型，實(shí)現(xiàn)真正的由物聯(lián)到數(shù)聯(lián)，再到智聯(lián)的過程。因此，本文提出了一個統(tǒng)一的物聯(lián)數(shù)據(jù)模型建?？蚣?，并對其中的感知數(shù)據(jù)模塊進(jìn)行了詳細(xì)分析。

2 物聯(lián)數(shù)據(jù)建?？蚣?/h2>

基于上節(jié)提出的物體、感知、事件三種數(shù)據(jù)類型，提出一個統(tǒng)一的物聯(lián)語義知識庫模型框架，并對框架的每個模型進(jìn)行詳細(xì)的說明。

圖1 物聯(lián)數(shù)據(jù)建模分析框架模塊圖

本框架主要由6個模塊組成，分別是物模型、事件模型、感知數(shù)據(jù)模型、業(yè)務(wù)知識庫模型、互聯(lián)網(wǎng)知識庫模型和物聯(lián)語義知識庫模型；針對感知數(shù)據(jù)模型，又分為單維時序模型、多維時序模型以及時序網(wǎng)絡(luò)模型。其中，物模型、事件模型和感知數(shù)據(jù)模型是不可或缺的核心模塊；業(yè)務(wù)知識庫模型和互聯(lián)網(wǎng)知識庫模型是對整個模型的補(bǔ)充；物聯(lián)語義知識庫模型是以上幾個模型的融合，是一個大型的知識圖譜語義模型。在一個由“云-邊-端”構(gòu)成的物聯(lián)網(wǎng)系統(tǒng)架構(gòu)中，一般來說，物模型、事件模型以及實(shí)時感知數(shù)據(jù)模型是部署在邊緣側(cè)，為實(shí)時的數(shù)據(jù)處理提供推理分析，而歷史感知數(shù)據(jù)模型和物聯(lián)語義知識庫模型一般部署在云端，負(fù)責(zé)離線數(shù)據(jù)的融合、針對歷史數(shù)據(jù)的預(yù)測等。下面詳細(xì)介紹各個模塊。

2.1 物模型

物模型基于語義物聯(lián)網(wǎng)的標(biāo)準(zhǔn)對物體進(jìn)行描述，建立物體的本體模型，并提供標(biāo)準(zhǔn)化的物體解析體系以及物體集成管理方法，核心內(nèi)容包括如下幾個方面：

（1）物聯(lián)本體建模：解決物體是什么的問題

對物聯(lián)基礎(chǔ)設(shè)施及物聯(lián)基礎(chǔ)設(shè)施產(chǎn)生的數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化歸納、整理，形成一套完整的數(shù)據(jù)目錄（元數(shù)據(jù)），在此基礎(chǔ)上抽象出一套適合物聯(lián)基礎(chǔ)設(shè)施服務(wù)場景的本體。

（2）物聯(lián)解析體系：解決物體接入、發(fā)現(xiàn)的問題

物體發(fā)現(xiàn)主要是對新接入物體的物名、能力、位置等核心要素進(jìn)行解析，以達(dá)到物體識別的功能，只有物聯(lián)知識庫識別到物體，才能正確地使用物體的能力，具體包括物名標(biāo)識解析、能力標(biāo)識解析、位置標(biāo)識解析等。

（3）物體使能體系：解決物體怎么用的問題

負(fù)責(zé)物體的管理與集成，對外提供統(tǒng)一接口的能力服務(wù)，具體包括物體接入管理、能力管理、能力集成管理等。

2.2 事件模型

事件模型是基于物體的能力體系，為數(shù)據(jù)的流轉(zhuǎn)、邏輯因果推理提供描述方法及解析等。物體與其他交互物（包括人、物等）發(fā)生一定動作時會產(chǎn)生一個基于主體、時間、位置等的事件，事件的發(fā)生存在一定的順序關(guān)系，在物模型的基礎(chǔ)上，事件之間建立相應(yīng)的事理圖譜（知識圖譜的一種類型），基于事理圖譜也可以進(jìn)行推理和分析，具體主要完成如下幾塊的內(nèi)容：

第一，數(shù)據(jù)流轉(zhuǎn)：針對環(huán)境狀態(tài)和物體能力，對獲取的數(shù)據(jù)進(jìn)行合理的分配；

第二，因果推理：針對異常事件或動作，進(jìn)行有效的因果推理，獲取合理的分析結(jié)果。

2.3 感知數(shù)據(jù)模型

感知數(shù)據(jù)模型主要是針對感知設(shè)備產(chǎn)生的數(shù)據(jù)建立分析、預(yù)測等模型。物聯(lián)感知數(shù)據(jù)具有時空性、關(guān)聯(lián)性、質(zhì)量差、海量和非結(jié)構(gòu)性等特點(diǎn)?？臻g時效性是物聯(lián)感知數(shù)據(jù)的固有屬性，所有原始數(shù)據(jù)在缺省狀態(tài)下都具有時間、空間和設(shè)備戳，即表示在特定時間、地點(diǎn)在特定設(shè)備上收集的。針對這些數(shù)據(jù)特點(diǎn)，下面主要針對數(shù)值型的感知數(shù)據(jù)進(jìn)行分類：

（1）單傳感器節(jié)點(diǎn)，單維時序模型

單傳感器節(jié)點(diǎn)獲取單個維度的感知數(shù)據(jù)，并且感知數(shù)據(jù)隨著時間演變，傳統(tǒng)的時序數(shù)據(jù)分析都是針對單維屬性進(jìn)行的，也就是只考慮歷史數(shù)據(jù)的影響。

圖2 單傳感器節(jié)點(diǎn)單維時序模型

（2）單感知數(shù)據(jù)節(jié)點(diǎn)，多維時序模型

單傳感器節(jié)點(diǎn)同時獲取多個維度的感知數(shù)據(jù)，并且這些維度存在一定的相關(guān)性，感知數(shù)據(jù)也隨著時間演變，可以看做是多維或多元時間序列。

圖3 單感知數(shù)據(jù)節(jié)點(diǎn)多維時序模型

（3）多感知數(shù)據(jù)節(jié)點(diǎn)時序圖模型

大量的傳感器被部署在各個地方連續(xù)地、協(xié)同地監(jiān)測周圍的環(huán)境，如空氣質(zhì)量。這些檢測器生成很多時空序列數(shù)據(jù)，之間有著空間相關(guān)性。預(yù)測這些時空數(shù)據(jù)很有挑戰(zhàn)，因為預(yù)測受很多因素影響，比如動態(tài)的時空關(guān)聯(lián)和其他因素。傳感器的讀數(shù)取決于歷史的記錄數(shù)據(jù)和鄰近傳感器的讀數(shù)，而這些影響的權(quán)重是隨著位置和時間不斷變化的。因此，在物聯(lián)網(wǎng)應(yīng)用建模時，應(yīng)當(dāng)充分考慮并表達(dá)物理個體之間的關(guān)系特別是直接的關(guān)系。各個物理個體除以上論述的實(shí)時收集的時空數(shù)據(jù)之外，也應(yīng)充分表達(dá)它們之間的連結(jié)關(guān)系。在一些應(yīng)用中，這些連結(jié)關(guān)系也會隨著時空的轉(zhuǎn)換而發(fā)生變化（例如智能交通中車輛之間的關(guān)系）。模型本身應(yīng)有充分的能力來表達(dá)直接關(guān)系，以方便推理間接關(guān)系。

因此，針對多傳感器節(jié)點(diǎn)獲取的感知數(shù)據(jù)（可以是上述的單維或多維情況）可以構(gòu)成時空網(wǎng)絡(luò)，是指同一時刻多個多傳感器節(jié)點(diǎn)相互影響，構(gòu)成了一個靜態(tài)圖結(jié)構(gòu)，而不同時刻的圖數(shù)據(jù)結(jié)構(gòu)，就構(gòu)成了時序圖，時序圖顯示了各感知數(shù)據(jù)間相互影響、動態(tài)演變的過程。

圖4 多感知數(shù)據(jù)節(jié)點(diǎn)時序圖模型

2.4 物聯(lián)語義知識庫模型

在物聯(lián)應(yīng)用中，各個物理對象不是獨(dú)立存在的，它們之間存在復(fù)雜多樣的關(guān)聯(lián)。其中一些關(guān)聯(lián)是直接的，另一些是間接隱含的。例如：在智能電網(wǎng)中，不同用電戶在物理電網(wǎng)上的相對位置會影響他們之間的關(guān)系和關(guān)聯(lián)程度；在交通運(yùn)輸中，路網(wǎng)上游、中游和下游的車流量是與路網(wǎng)的網(wǎng)絡(luò)結(jié)構(gòu)以及道路的距離長度緊密相關(guān)的；在環(huán)境監(jiān)測中，不同污染源的相對位置和相對獨(dú)立性，都會對監(jiān)測系統(tǒng)的設(shè)計與實(shí)現(xiàn)帶來影響。以路網(wǎng)中追捕逃犯車輛為例，路網(wǎng)中的各種傳感器（物模型）獲取每個感知節(jié)點(diǎn)的人流、車流情況，并對未來某個時間段利用時序模型進(jìn)行預(yù)測（時序網(wǎng)絡(luò)模型：如圖5路網(wǎng)中的上下游在人流、車流的感知上存在一定的滯后性，也就是相關(guān)性），路網(wǎng)中的路卡設(shè)備可以根據(jù)預(yù)測的結(jié)果實(shí)時對路網(wǎng)進(jìn)行截斷 （事件模型），同時根據(jù)預(yù)測結(jié)果合理分配警力資源的數(shù)量、所需占據(jù)的有利位置（業(yè)務(wù)知識庫模型）等。

這些物聯(lián)應(yīng)用都是建立在數(shù)聯(lián)的基礎(chǔ)之上，因此，在物模型、事件模型、時序模型、時序圖模型的基礎(chǔ)上，還需要在云端建立一個龐大的知識庫模型。該知識庫模型融合多源異構(gòu)、多模態(tài)的數(shù)據(jù)，并對這些數(shù)據(jù)進(jìn)行統(tǒng)一的表示學(xué)習(xí)，在某個相空間中建立統(tǒng)一的語義表示模型。通過打通物模型圖譜、事理圖譜、時序網(wǎng)絡(luò)圖譜、業(yè)務(wù)數(shù)據(jù)圖譜、互聯(lián)網(wǎng)圖譜，融合各圖譜之間的語義知識，獲得對各種數(shù)據(jù)的進(jìn)一步認(rèn)識，挖掘其價值。

圖5 路網(wǎng)中的逃犯追捕場景簡單演示

3 感知數(shù)據(jù)分析模型及拓展

從2.3可知，數(shù)值型感知數(shù)據(jù)可以建模為單元時間序列、多元時間序列以及時序圖，其中所涉及到的圖網(wǎng)絡(luò)模型、序列模型、時序圖模型也可以在其他類型的感知數(shù)據(jù)中得到拓展應(yīng)用。其中，序列模型一般解決數(shù)值、語音、文本等數(shù)據(jù)問題，圖模型或時序圖模型解決圖片、視頻等數(shù)據(jù)問題，但還得根據(jù)具體的數(shù)據(jù)建模具體分析。下面主要針對時序模型以及時序圖模型在預(yù)測上的方法進(jìn)行詳細(xì)介紹。

3.1 單維時間序列方法

指僅根據(jù)歷史時間序列的趨勢發(fā)展來預(yù)測未來時間序列的趨勢發(fā)展的方法，此類方法通過建立適當(dāng)?shù)臄?shù)學(xué)模型擬合歷史時間趨勢曲線，根據(jù)所建模型預(yù)測未來時間序列的趨勢曲線，常見模型包括ARIMA、VAR、ARCH等[5-7]。單維時間序列方法所依賴的數(shù)據(jù)較簡單，只需要?dú)v史時間序列趨勢曲線便可構(gòu)建模型，因此可適用于多種場景，模型較為通用。但是，ARIMA不能對非線性關(guān)系進(jìn)行建模，也不能對序列以外的其他因素進(jìn)行建模，VAR雖然屬于多維時間序列模型，但也不能對非線性進(jìn)行建模，而且它們都不能對多個節(jié)點(diǎn)序列之間的關(guān)系進(jìn)行建模。

3.2 多維時間序列方法

為提高預(yù)測的精度，機(jī)器學(xué)習(xí)算法被引入時序預(yù)測，此類方法根據(jù)具體的應(yīng)用場景，選取可能影響預(yù)測值的特征，將這些特征引入模型，應(yīng)用機(jī)器學(xué)習(xí)的分類/回歸模型來進(jìn)行預(yù)測。為提取特征，機(jī)器學(xué)習(xí)方法需要多個維度的數(shù)據(jù)，預(yù)測精度較高，建立的模型較為復(fù)雜，但是模型往往不夠通用，針對不同應(yīng)用場景需要重新提取特征，建立模型?，F(xiàn)實(shí)預(yù)測中，機(jī)器學(xué)習(xí)方法往往結(jié)合傳統(tǒng)單維時序預(yù)測法來運(yùn)用?；跈C(jī)器學(xué)習(xí)的時間預(yù)測方法一般適用于多維時間序列分析，如 SVR[8]等，而像RNN、LSTM、GRU[9-11]等序列分析方法，也可以用于單維時間序列分析。

3.3 時序圖分析方法

為了考慮節(jié)點(diǎn)之間的網(wǎng)絡(luò)關(guān)系，考慮各個節(jié)點(diǎn)的關(guān)系影響，時序圖方法也被用來解決該類問題。時序圖模型是指基于時間快照的圖模型，即每個時刻所有節(jié)點(diǎn)的關(guān)系都是一個固定的靜態(tài)圖，或者干脆只考慮其簡接關(guān)系即隱含的、可學(xué)習(xí)的關(guān)系。這些模型與上面的多元時間序列分析方法不同，需要通過模型直接學(xué)習(xí)空間關(guān)系而不是手動抽取結(jié)構(gòu)特征，所以這種方法需要結(jié)合空間卷積或圖結(jié)構(gòu)的學(xué)習(xí)方法，比如卷積網(wǎng)絡(luò) （CNN）、圖神經(jīng)網(wǎng)絡(luò)（GCN）等。隨著圖神經(jīng)網(wǎng)絡(luò)的爆火，目前已經(jīng)在車流預(yù)測上取得了一定的效果，涌現(xiàn)了STGCN、DCRNN[12-13]等時空序列模型。

物聯(lián)感知數(shù)據(jù)不僅包括傳感器獲得的數(shù)值數(shù)據(jù)，還包括圖片、視頻、語音、文本（人、物交互產(chǎn)生）等幾種類型。如果我們對本文提到的復(fù)雜系統(tǒng)以及內(nèi)部的數(shù)據(jù)節(jié)點(diǎn)進(jìn)行合理的映射，就基本可以對上述所有數(shù)據(jù)進(jìn)行建模。例如，對于單維或多維序列模型，可以解決數(shù)值、語音、文本等數(shù)據(jù)建模、預(yù)測問題，例如車流/人流預(yù)測、文本翻譯等，對于時序圖模型可以解決圖片、視頻等數(shù)據(jù)建模、預(yù)測問題，例如物體識別、場景識別、人物姿態(tài)識別等，并且時序圖建模還可以應(yīng)用于復(fù)雜物理系統(tǒng)的狀態(tài)預(yù)測和推理，例如自動駕駛、司機(jī)動作理解等。

4 結(jié)語

近年來，物聯(lián)數(shù)據(jù)分析已成為數(shù)據(jù)挖掘領(lǐng)域的研究熱點(diǎn)，在國內(nèi)外獲得了廣泛關(guān)注，本文從物聯(lián)基礎(chǔ)設(shè)施產(chǎn)生的數(shù)據(jù)種類出發(fā)，建立了基于物模型、事件模型、感知數(shù)據(jù)模型為核心的物聯(lián)數(shù)據(jù)建模分析框架，并著重分析了數(shù)值型感知數(shù)據(jù)的分析方法。清晰定義的建模理論框架將會給該研究領(lǐng)域帶來理論上的指導(dǎo)，一方面可更好地理解物聯(lián)數(shù)據(jù)種類及其具備的特點(diǎn)，另一方面也有助于物聯(lián)數(shù)據(jù)研究者提出更有效的分析技術(shù)。