1.本发明涉及数据处理领域，尤其涉及一种基于工业物联网的数据处理方法、装置、设备及存储介质。
背景技术：2.由于工业物联网的数据具有非常强的时间属性，而且具有顺序发生特性和顺序积累特性。也就是说，一个指标所上报的所有数据，都可以视为一个以时间为重要参数的函数，历史数据对未来的发展有一定影响，并且下一个时间节点的数值是一定显著性水平下所能预测的。考虑设备的整体运行状态，仅仅研究一两个参数是片面的，尽可能多的加入参数，可以增加对设备的把控。
3.现有方案是根据时间序列中的数据建立单一的分析模型，并没有对模型的适用性进行分析，导致数据的分析预测结果并不符合实际采样值，即现有方案的准确率低。
技术实现要素：4.本发明提供了一种基于工业物联网的数据处理方法、装置、设备及存储介质，用于提高数据处理的准确率。
5.本发明第一方面提供了一种基于工业物联网的数据处理方法，所述基于工业物联网的数据处理方法包括：获取待处理的工业物联网数据，并提取所述工业物联网数据中的参数指标；根据所述参数指标构建参数向量，并计算所述参数向量对应的系数向量；根据所述系数向量生成所述系数向量对应的多个特征值，并获取每个特征值对应的关联向量；根据所述多个特征值和每个特征值对应的关联向量计算所述参数指标的目标权重；根据所述目标权重和所述参数指标生成目标序列；将所述目标序列输入预置的工业物联网数据处理模型进行指标计算，得到目标预测值。
6.可选的，在本发明第一方面的第一种实现方式中，所述根据所述多个特征值和每个特征值对应的关联向量计算所述参数指标的目标权重，包括：计算每个特征值占所有特征值之和的比例，得到特征值贡献率；根据所述特征值贡献率构建特征贡献向量，并根据所述特征贡献向量生成综合评价向量；提取所述综合评价向量中每一维数据的绝对值，并将所述绝对值作为所述参数指标的目标权重。
7.可选的，在本发明第一方面的第二种实现方式中，所述基于工业物联网的数据处理方法还包括：调用预置的校验模型判断所述目标序列是否平稳；若平稳，则构造所述目标序列对应的自回归滑动平均模型；若不平稳，则对所述目标序列进行差分处理，并构建差分整合移动平均自回归模型。
8.可选的，在本发明第一方面的第三种实现方式中，所述基于工业物联网的数据处理方法还包括：通过所述工业物联网数据处理模型对所述目标序列进行数据拟合计算，得到预测数据；根据所述目标序列和所述预测数据生成残差序列；判断所述残差序列是否符合预置条件；若不符合，则对所述工业物联网数据处理模型进行参数调整，直至所述工业物
联网数据处理模型对应的残差序列符合预置条件。
9.可选的，在本发明第一方面的第四种实现方式中，所述判断所述残差序列是否符合预置条件，包括：判断所述残差序列是否为白噪声序列，以及判断所述残差序列是否符合正态分布；若所述残差序列为白噪声序列且符合正态分布，则确定所述残差序列符合预置条件。
10.本发明第二方面提供了一种基于工业物联网的数据处理装置，所述基于工业物联网的数据处理装置包括：获取模块，用于获取待处理的工业物联网数据，并提取所述工业物联网数据中的参数指标；计算模块，用于根据所述参数指标构建参数向量，并计算所述参数向量对应的系数向量；生成模块，用于根据所述系数向量生成所述系数向量对应的多个特征值，并获取每个特征值对应的关联向量；处理模块，用于根据所述多个特征值和每个特征值对应的关联向量计算所述参数指标的目标权重；配置模块，用于根据所述目标权重和所述参数指标生成目标序列；输入模块，用于将所述目标序列输入预置的工业物联网数据处理模型进行指标计算，得到目标预测值。
11.可选的，在本发明第二方面的第一种实现方式中，所述处理模块具体用于：计算每个特征值占所有特征值之和的比例，得到特征值贡献率；根据所述特征值贡献率构建特征贡献向量，并根据所述特征贡献向量生成综合评价向量；提取所述综合评价向量中每一维数据的绝对值，并将所述绝对值作为所述参数指标的目标权重。
12.可选的，在本发明第二方面的第二种实现方式中，所述基于工业物联网的数据处理装置还包括：判断模块，用于调用预置的校验模型判断所述目标序列是否平稳；若平稳，则构造所述目标序列对应的自回归滑动平均模型；若不平稳，则对所述目标序列进行差分处理，并构建差分整合移动平均自回归模型。
13.可选的，在本发明第二方面的第三种实现方式中，所述基于工业物联网的数据处理装置还包括：预测模块，用于通过所述工业物联网数据处理模型对所述目标序列进行数据拟合计算，得到预测数据；根据所述目标序列和所述预测数据生成残差序列；判断所述残差序列是否符合预置条件；若不符合，则对所述工业物联网数据处理模型进行参数调整，直至所述工业物联网数据处理模型对应的残差序列符合预置条件。
14.可选的，在本发明第二方面的第四种实现方式中，所述数据处理装置还包括：确定模块，用于判断所述残差序列是否为白噪声序列，以及判断所述残差序列是否符合正态分布；若所述残差序列为白噪声序列且符合正态分布，则确定所述残差序列符合预置条件。
15.本发明第三方面提供了一种基于工业物联网的数据处理设备，包括：存储器和至少一个处理器，所述存储器中存储有指令；所述至少一个处理器调用所述存储器中的所述指令，以使得所述基于工业物联网的数据处理设备执行上述的基于工业物联网的数据处理方法。
16.本发明的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述的基于工业物联网的数据处理方法。
17.本发明提供的技术方案中，获取待处理的工业物联网数据，并提取所述工业物联网数据中的参数指标；根据所述参数指标构建参数向量，并计算所述参数向量对应的系数向量；根据所述系数向量生成所述系数向量对应的多个特征值，并获取每个特征值对应的
关联向量；根据所述多个特征值和每个特征值对应的关联向量计算所述参数指标的目标权重；根据所述目标权重和所述参数指标生成目标序列；将所述目标序列输入预置的工业物联网数据处理模型进行指标计算，得到目标预测值。本发明通过对参数指标的权重进行目标序列的转换，并通过工业物联网数据处理模型进行数据预测，提高了数据处理的准确率。
附图说明
18.图1为本发明实施例中基于工业物联网的数据处理方法的一个实施例示意图；图2为本发明实施例中基于工业物联网的数据处理方法的另一个实施例示意图；图3为本发明实施例中基于工业物联网的数据处理装置的一个实施例示意图；图4为本发明实施例中基于工业物联网的数据处理装置的另一个实施例示意图；图5为本发明实施例中基于工业物联网的数据处理设备的一个实施例示意图。
具体实施方式
19.本发明实施例提供了一种基于工业物联网的数据处理方法、装置、设备及存储介质，用于提高数据处理的准确率。本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等（如果存在）是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外，术语“包括”或“具有”及其任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
20.为便于理解，下面对本发明实施例的具体流程进行描述，请参阅图1，本发明实施例中基于工业物联网的数据处理方法的第一个实施例包括：101、获取待处理的工业物联网数据，并提取工业物联网数据中的参数指标；可以理解的是，本发明的执行主体可以为基于工业物联网的数据处理装置，还可以是终端或者服务器，具体此处不做限定。本发明实施例以服务器为执行主体为例进行说明。
21.需要说明的是，为了实现工业物联网设备的同一目标参数指标的变化趋势预测，本实施例中的工业物联网数据分析系统可以基于物联网系统，周期性的采集工业物联网设备的同一目标参数指标对应的采样值，形成一组时间序列。具体的时间序列中的数据的个数此处不做限定。
22.102、根据参数指标构建参数向量，并计算参数向量对应的系数向量；具体的，服务器将获取得到的多个参数指标按照时间序列进行排序，再根据排序后的参数指标对应的数值生成参数向量，该参数向量中存在多个向量元素，每个向量元素对应一个系数值，服务器计算得到该参数向量对应的系数向量。
23.103、根据系数向量生成系数向量对应的多个特征值，并获取每个特征值对应的关联向量；具体的，服务器根据该系数向量中的向量元素，计算相关系数，每个向量元素对应一个相关系数，服务器根据该相关系数对应的系数值大小进行一一对应的排序，根据排序
结果生成每个特征值对应的关联向量。
24.104、根据多个特征值和每个特征值对应的关联向量计算参数指标的目标权重；具体的，服务器根据每个特征值对应的关联向量计算出该参数指标对应的目标权重，也就是每个参数指标对应的权重值，该权重值用于指示该参数指标的重要程度。
25.105、根据目标权重和参数指标生成目标序列；具体的，服务器进行迭代运算，得到工业物联网设备的目标参数指标未来周期的预测值。具体的可以预测一个周期的预测值，也可以基于前一周期的预测值迭代运算得到至少两个周期的预测值，形成预测区间。服务器根据公式数值积分拟合出概率密度函数。根据目标参数指标的预测值中的最大值、最小值及概率密度函数计算目标参数指标的预测值对应的概率。服务器求解出的概率值在一定程度上可以反映出预测值的准确率，该预测值的准确率可以作为调整工业物联网设备运行参数的一项参照，可以基于该指标实现工业物联网设备运行参数的智能调节。
26.106、将目标序列输入预置的工业物联网数据处理模型进行指标计算，得到目标预测值。
27.具体的，服务器最终得到满足条件的工业物联网数据处理模型之后，服务器进行迭代运算，得到工业物联网设备的目标参数指标未来周期的预测值。具体的可以预测一个周期的预测值，也可以基于前一周期的预测值迭代运算得到后续多个周期的预测值，形成预测区间，得到目标预测值。
28.本发明实施例中，获取待处理的工业物联网数据，并提取工业物联网数据中的参数指标；根据参数指标构建参数向量，并计算参数向量对应的系数向量；根据系数向量生成系数向量对应的多个特征值，并获取每个特征值对应的关联向量；根据多个特征值和每个特征值对应的关联向量计算参数指标的目标权重；根据目标权重和参数指标生成目标序列；将目标序列输入预置的工业物联网数据处理模型进行指标计算，得到目标预测值。本发明通过对参数指标的权重进行目标序列的转换，并通过工业物联网数据处理模型进行数据预测，提高了数据处理的准确率。
29.请参阅图2，本发明实施例中基于工业物联网的数据处理方法的第二个实施例包括：201、获取待处理的工业物联网数据，并提取工业物联网数据中的参数指标；需要说明的是，为了实现工业物联网设备的同一目标参数指标的变化趋势预测，本实施例中的工业物联网数据分析系统可以基于物联网系统，周期性的采集工业物联网设备的同一目标参数指标对应的采样值，形成一组时间序列。具体的时间序列中的数据的个数此处不做限定。
30.202、根据参数指标构建参数向量，并计算参数向量对应的系数向量；具体的，服务器将获取得到的多个参数指标按照时间序列进行排序，再根据排序后的参数指标对应的数值生成参数向量，该参数向量中存在多个向量元素，每个向量元素对应一个系数值，服务器计算得到该参数向量对应的系数向量。
31.203、根据系数向量生成系数向量对应的多个特征值，并获取每个特征值对应的关联向量；具体的，服务器根据该系数向量中的向量元素，计算相关系数，每个向量元素对应
一个相关系数，服务器根据该相关系数对应的系数值大小进行一一对应的排序，根据排序结果生成每个特征值对应的关联向量。
32.204、根据多个特征值和每个特征值对应的关联向量计算参数指标的目标权重；可选的，服务器计算每个特征值占所有特征值之和的比例，得到特征值贡献率；服务器根据特征值贡献率构建特征贡献向量，并根据特征贡献向量生成综合评价向量；服务器提取综合评价向量中每一维数据的绝对值，并将绝对值作为参数指标的目标权重。
33.具体的，服务器计算每个特征值占所有特征值之和的比例，得到特征值贡献率，服务器根据每个特征值占特征值总和的比例生成每个特征值对应的特征值贡献率；服务器根据特征值贡献率构建特征贡献向量，服务器根据特征值贡献率的大小，依次进行排序，服务器将排序完成的特征值贡献率生成特征值贡献向量，服务器根据特征贡献向量生成综合评价向量；服务器提取综合评价向量中每一维数据的绝对值，并将绝对值作为参数指标的目标权重。
34.205、根据目标权重和参数指标生成目标序列；206、将目标序列输入预置的工业物联网数据处理模型进行指标计算，得到目标预测值；可选的，服务器通过工业物联网数据处理模型对目标序列进行数据拟合计算，得到预测数据；服务器根据目标序列和预测数据生成残差序列；服务器判断残差序列是否符合预置条件；若不符合，则服务器对工业物联网数据处理模型进行参数调整，直至工业物联网数据处理模型对应的残差序列符合预置条件。
35.具体的，在初步建立工业物联网数据处理模型之后，需要对构建的模型进行检验，服务器通过该模型计算得到的各个时刻的预测值与对应的原始数据差值，各个时刻的差值形成残差序列，基于该残差序列校验建立的工业物联网数据处理模型是否适用。
36.可选的，服务器判断残差序列是否为白噪声序列，以及判断残差序列是否符合正态分布；若残差序列为白噪声序列且符合正态分布，则服务器确定残差序列符合预置条件。
37.可选的，服务器通过校验残差序列是否为白噪声序列；和/或，校验残差序列是否符合正态分布，以此判断构建的工业物联网数据处理模型是否适用。可选的，若残差序列为白噪声序列，可以单独确定构建的工业物联网数据处理模型适用；可选的，若残差序列符合正态分布，可以单独确定构建的工业物联网数据处理模型适用。服务器对残差进行dw(durbin-watson)检验或者q检验，检验残差是否为白噪声。其次，对残差进行正态分布的检验，判断模型拟合情况，若符合正态分布，则证明模型提取了所有的时间序列中包含的信息，若残差序列为白噪声序列，且符合正态分布，则确定残差序列满足预置条件。
38.207、调用预置的校验模型判断目标序列是否平稳；208、若平稳，则构造目标序列对应的自回归滑动平均模型；209、若不平稳，则对目标序列进行差分处理，并构建差分整合移动平均自回归模型。
39.具体的，在确定预置校验模型之后，系统可以将时间序列输入校验模型中按照预置的校验模型进行训练得到预置校验模型函数模型中的待定参数值，生成训练完成的工业物联网数据处理模型，以用于对时间序列中的数据进行预测计算，在初步建立工业物联网数据处理模型之后，可以将时间序列中的采样值带入工业物联网数据处理模型中进行拟合
计算，得到时间序列中各个时刻的原始数据对应的预测数据。
40.本发明实施例中，获取待处理的工业物联网数据，并提取工业物联网数据中的参数指标；根据参数指标构建参数向量，并计算参数向量对应的系数向量；根据系数向量生成系数向量对应的多个特征值，并获取每个特征值对应的关联向量；根据多个特征值和每个特征值对应的关联向量计算参数指标的目标权重；根据目标权重和参数指标生成目标序列；将目标序列输入预置的工业物联网数据处理模型进行指标计算，得到目标预测值。本发明通过对参数指标的权重进行目标序列的转换，并通过工业物联网数据处理模型进行数据预测，提高了数据处理的准确率。
41.上面对本发明实施例中基于工业物联网的数据处理方法进行了描述，下面对本发明实施例中基于工业物联网的数据处理装置进行描述，请参阅图3，本发明实施例中基于工业物联网的数据处理装置第一个实施例包括：获取模块301，用于获取待处理的工业物联网数据，并提取所述工业物联网数据中的参数指标；计算模块302，用于根据所述参数指标构建参数向量，并计算所述参数向量对应的系数向量；生成模块303，用于根据所述系数向量生成所述系数向量对应的多个特征值，并获取每个特征值对应的关联向量；处理模块304，用于根据所述多个特征值和每个特征值对应的关联向量计算所述参数指标的目标权重；配置模块305，用于根据所述目标权重和所述参数指标生成目标序列；输入模块306，用于将所述目标序列输入预置的工业物联网数据处理模型进行指标计算，得到目标预测值。
42.本发明实施例中，获取待处理的工业物联网数据，并提取所述工业物联网数据中的参数指标；根据所述参数指标构建参数向量，并计算所述参数向量对应的系数向量；根据所述系数向量生成所述系数向量对应的多个特征值，并获取每个特征值对应的关联向量；根据所述多个特征值和每个特征值对应的关联向量计算所述参数指标的目标权重；根据所述目标权重和所述参数指标生成目标序列；将所述目标序列输入预置的工业物联网数据处理模型进行指标计算，得到目标预测值。本发明通过对参数指标的权重进行目标序列的转换，并通过工业物联网数据处理模型进行数据预测，提高了数据处理的准确率。
43.请参阅图4，本发明实施例中基于工业物联网的数据处理装置第二个实施例包括：获取模块301，用于获取待处理的工业物联网数据，并提取所述工业物联网数据中的参数指标；计算模块302，用于根据所述参数指标构建参数向量，并计算所述参数向量对应的系数向量；生成模块303，用于根据所述系数向量生成所述系数向量对应的多个特征值，并获取每个特征值对应的关联向量；处理模块304，用于根据所述多个特征值和每个特征值对应的关联向量计算所述参数指标的目标权重；配置模块305，用于根据所述目标权重和所述参数指标生成目标序列；
输入模块306，用于将所述目标序列输入预置的工业物联网数据处理模型进行指标计算，得到目标预测值。
44.可选的，处理模块304具体用于：计算每个特征值占所有特征值之和的比例，得到特征值贡献率；根据所述特征值贡献率构建特征贡献向量，并根据所述特征贡献向量生成综合评价向量；提取所述综合评价向量中每一维数据的绝对值，并将所述绝对值作为所述参数指标的目标权重。
45.可选的，基于工业物联网的数据处理装置还包括：判断模块307，用于调用预置的校验模型判断所述目标序列是否平稳；若平稳，则构造所述目标序列对应的自回归滑动平均模型；若不平稳，则对所述目标序列进行差分处理，并构建差分整合移动平均自回归模型。
46.可选的，基于工业物联网的数据处理装置还包括：预测模块308，用于通过所述工业物联网数据处理模型对所述目标序列进行数据拟合计算，得到预测数据；根据所述目标序列和所述预测数据生成残差序列；判断所述残差序列是否符合预置条件；若不符合，则对所述工业物联网数据处理模型进行参数调整，直至所述工业物联网数据处理模型对应的残差序列符合预置条件。
47.可选的，数据处理装置还包括：确定模块309，用于判断所述残差序列是否为白噪声序列，以及判断所述残差序列是否符合正态分布；若所述残差序列为白噪声序列且符合正态分布，则确定所述残差序列符合预置条件。
48.本发明实施例中，获取待处理的工业物联网数据，并提取所述工业物联网数据中的参数指标；根据所述参数指标构建参数向量，并计算所述参数向量对应的系数向量；根据所述系数向量生成所述系数向量对应的多个特征值，并获取每个特征值对应的关联向量；根据所述多个特征值和每个特征值对应的关联向量计算所述参数指标的目标权重；根据所述目标权重和所述参数指标生成目标序列；将所述目标序列输入预置的工业物联网数据处理模型进行指标计算，得到目标预测值。本发明通过对参数指标的权重进行目标序列的转换，并通过工业物联网数据处理模型进行数据预测，提高了数据处理的准确率。
49.上面图3和图4从模块化功能实体的角度对本发明实施例中的基于工业物联网的数据处理装置进行详细描述，下面从硬件处理的角度对本发明实施例中基于工业物联网的数据处理设备进行详细描述。
50.图5是本发明实施例提供的一种基于工业物联网的数据处理设备的结构示意图，该基于工业物联网的数据处理设备500可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器（central processing units，cpu）510（例如，一个或一个以上处理器）和存储器520，一个或一个以上存储应用程序533或数据532的存储介质530（例如一个或一个以上海量存储设备）。其中，存储器520和存储介质530可以是短暂存储或持久存储。存储在存储介质530的程序可以包括一个或一个以上模块（图示没标出），每个模块可以包括对基于工业物联网的数据处理设备500中的一系列指令操作。更进一步地，处理器510可以设置为与存储介质530通信，在基于工业物联网的数据处理设备500上执行存储介质530中的一系列指令操作。
51.基于工业物联网的数据处理设备500还可以包括一个或一个以上电源540，一个或一个以上有线或无线网络接口550，一个或一个以上输入输出接口560，和/或，一个或一个
以上操作系统531，例如windows serve，mac os x，unix，linux，freebsd等等。本领域技术人员可以理解，图5示出的基于工业物联网的数据处理设备结构并不构成对基于工业物联网的数据处理设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
52.本发明还提供一种基于工业物联网的数据处理设备，所述基于工业物联网的数据处理设备包括存储器和处理器，存储器中存储有计算机可读指令，计算机可读指令被处理器执行时，使得处理器执行上述各实施例中的所述基于工业物联网的数据处理方法的步骤。
53.本发明还提供一种计算机可读存储介质，该计算机可读存储介质可以为非易失性计算机可读存储介质，该计算机可读存储介质也可以为易失性计算机可读存储介质，所述计算机可读存储介质中存储有指令，当所述指令在计算机上运行时，使得计算机执行所述基于工业物联网的数据处理方法的步骤。
54.进一步地，计算机可读存储介质可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序等；存储数据区可存储根据区块链节点的使用所创建的数据等。
55.本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
56.所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
57.所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器（read-only memory， rom）、随机存取存储器（random access memory，ram）、磁碟或者光盘等各种可以存储程序代码的介质。
58.以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
技术特征：1.一种基于工业物联网的数据处理方法，其特征在于，所述基于工业物联网的数据处理方法包括：获取待处理的工业物联网数据，并提取所述工业物联网数据中的参数指标；根据所述参数指标构建参数向量，并计算所述参数向量对应的系数向量；根据所述系数向量生成所述系数向量对应的多个特征值，并获取每个特征值对应的关联向量；根据所述多个特征值和每个特征值对应的关联向量计算所述参数指标的目标权重；根据所述目标权重和所述参数指标生成目标序列；将所述目标序列输入预置的工业物联网数据处理模型进行指标计算，得到目标预测值。2.根据权利要求1所述的基于工业物联网的数据处理方法，其特征在于，所述根据所述多个特征值和每个特征值对应的关联向量计算所述参数指标的目标权重，包括：计算每个特征值占所有特征值之和的比例，得到特征值贡献率；根据所述特征值贡献率构建特征贡献向量，并根据所述特征贡献向量生成综合评价向量；提取所述综合评价向量中每一维数据的绝对值，并将所述绝对值作为所述参数指标的目标权重。3.根据权利要求1所述的基于工业物联网的数据处理方法，其特征在于，所述基于工业物联网的数据处理方法还包括：调用预置的校验模型判断所述目标序列是否平稳；若平稳，则构造所述目标序列对应的自回归滑动平均模型；若不平稳，则对所述目标序列进行差分处理，并构建差分整合移动平均自回归模型。4.根据权利要求1-3中任一项所述的基于工业物联网的数据处理方法，其特征在于，所述基于工业物联网的数据处理方法还包括：通过所述工业物联网数据处理模型对所述目标序列进行数据拟合计算，得到预测数据；根据所述目标序列和所述预测数据生成残差序列；判断所述残差序列是否符合预置条件；若不符合，则对所述工业物联网数据处理模型进行参数调整，直至所述工业物联网数据处理模型对应的残差序列符合预置条件。5.根据权利要求4所述的基于工业物联网的数据处理方法，其特征在于，所述判断所述残差序列是否符合预置条件，包括：判断所述残差序列是否为白噪声序列，以及判断所述残差序列是否符合正态分布；若所述残差序列为白噪声序列且符合正态分布，则确定所述残差序列符合预置条件。6.一种基于工业物联网的数据处理装置，其特征在于，所述基于工业物联网的数据处理装置包括：获取模块，用于获取待处理的工业物联网数据，并提取所述工业物联网数据中的参数指标；计算模块，用于根据所述参数指标构建参数向量，并计算所述参数向量对应的系数向
量；生成模块，用于根据所述系数向量生成所述系数向量对应的多个特征值，并获取每个特征值对应的关联向量；处理模块，用于根据所述多个特征值和每个特征值对应的关联向量计算所述参数指标的目标权重；配置模块，用于根据所述目标权重和所述参数指标生成目标序列；输入模块，用于将所述目标序列输入预置的工业物联网数据处理模型进行指标计算，得到目标预测值。7.根据权利要求6所述的基于工业物联网的数据处理装置，其特征在于，所述处理模块具体用于：计算每个特征值占所有特征值之和的比例，得到特征值贡献率；根据所述特征值贡献率构建特征贡献向量，并根据所述特征贡献向量生成综合评价向量；提取所述综合评价向量中每一维数据的绝对值，并将所述绝对值作为所述参数指标的目标权重。8.根据权利要求6所述的基于工业物联网的数据处理装置，其特征在于，所述基于工业物联网的数据处理装置还包括：判断模块，用于调用预置的校验模型判断所述目标序列是否平稳；若平稳，则构造所述目标序列对应的自回归滑动平均模型；若不平稳，则对所述目标序列进行差分处理，并构建差分整合移动平均自回归模型。9.一种基于工业物联网的数据处理设备，其特征在于，所述基于工业物联网的数据处理设备包括：存储器和至少一个处理器，所述存储器中存储有指令；所述至少一个处理器调用所述存储器中的所述指令，以使得所述基于工业物联网的数据处理设备执行如权利要求1-5中任一项所述的基于工业物联网的数据处理方法。10.一种计算机可读存储介质，所述计算机可读存储介质上存储有指令，其特征在于，所述指令被处理器执行时实现如权利要求1-5中任一项所述的基于工业物联网的数据处理方法。
技术总结本发明涉及数据处理领域，公开了一种基于工业物联网的数据处理方法、装置、设备及存储介质，用于提高数据处理的准确率。所述基于工业物联网的数据处理方法包括：获取待处理的工业物联网数据，并提取所述工业物联网数据中的参数指标；根据所述参数指标构建参数向量，并计算所述参数向量对应的系数向量；根据所述系数向量生成所述系数向量对应的多个特征值，并获取每个特征值对应的关联向量；根据所述多个特征值和每个特征值对应的关联向量计算所述参数指标的目标权重；根据所述目标权重和所述参数指标生成目标序列；将所述目标序列输入预置的工业物联网数据处理模型进行指标计算，得到目标预测值。到目标预测值。到目标预测值。
技术研发人员：王小清
受保护的技术使用者：北京华夏运通科技有限公司
技术研发日：2022.05.06
技术公布日：2022/7/5
