一种基于多类型感知设备的数据分析方法、装置及可读介质与流程

1.本发明涉及物联网领域，具体涉及一种基于多类型感知设备的数据分析方法、装置及可读介质。


背景技术：

2.近年来物联网技术不断普及，各类物联网设备如雨后春笋般涌现出来，尤其是多类型基建现场感知设备，它们拥有更加先进的硬件基础和完善的数据反馈体系。由于设备种类及其反馈数据结构的多样性，以及数据体量的爆发式增长，通过对基建现场感知设备数据的分析和研究，进而形成一套设备管控的技术方案成为了当下最迫切的需求。所以需要构建一个能够对基建现场感知设备数据进行治理、分析和建模的标准化流程，一个普适化管理全体感知设备数据的通用方法。
3.现有技术中并不存在与多类型基建现场相仿的复杂场景下的多设备数据分析和预测方法。现有技术方案没有办法融合不同种类的数据，兼容不同类型的设备，使用一个模型完成所有设备的运行状态预测。目前仅能针对特定场景和单个设备进行预测，并且预测的准确度低。


技术实现要素：

4.针对上述提到的多类型设备难管理，状态难预测等问题。本技术的实施例的目的在于提出了一种基于多类型感知设备的数据分析方法、装置及可读介质，来解决以上背景技术部分提到的技术问题。
5.第一方面，本技术的实施例提供了一种基于多类型感知设备的数据分析方法，包括以下步骤：
6.s1，获取实时采集的感知设备的边缘计算数据；
7.s2，对边缘计算数据进行预处理，得到时序数据；
8.s3，对时序数据进行正态分布的拟合，得到拟合项；
9.s4，将拟合项输入训练好的prophet模型，输出未来时间对应的预测值和预测值上下边界，根据实际数据和预测值上下边界来判定感知设备的运行状态。
10.在一些实施例中，步骤s2具体包括：
11.s21，在边缘计算数据中选取心跳数据、设备运行时长数据和设备异常数据作为基础指标，对基础指标进行合并，得到指标数据；
12.s22，对基础指标和指标数据进行数据清洗，得到时序数据。
13.在一些实施例中，步骤s21具体包括：
14.采用加权平均的方式对基础指标进行合并，公式如下：
15.g
t
＝α*h
t
β*d
t
γ*a
t
；
16.其中，h
t
为心跳数据；d
t
为设备运行时长数据；a
t
为根据设备异常数据所得设备稳定指标，α、β和γ分别为对应的权重值，g
t
为t时刻的设备加权特征。
17.在一些实施例中，步骤s22具体包括：
18.以时间窗口定义网格，对网格内的重复数据采用模糊综合法进行综合评价，选择评分最高的数据作为重复数据的唯一结果；
19.对网格内的缺失数据进行补零填充；
20.将网格内的数据基于时间网格进行合并，时间网格包括小时网格和天网格，构建转化为时序数据三元组(device，time，accumulator)，其中device为设备唯一标识，time为时间网格，accumulator为t时刻的设备加权特征g
t
，基于三元组得到时序数据x
t
＝f(g
t
)。
21.在一些实施例中，步骤s3具体包括：对t时刻和t-1时刻的时序数据采用以下公式进行二项差分处理，得到差分项：
[0022][0023]
其中，g
t
为t时刻设备加权特征，g
t-1
为t-1时刻设备加权特征，为差分项。
[0024]
在一些实施例中，步骤s4中prophet模型的公式为：
[0025]
y(t)＝g(t) s(t) h(t) εt；
[0026]
其中，g(t)为趋势项，s(t)为周期项，h(t)为节假日项，εt为误差项，将差分项作为prophet模型输入的g(t)。
[0027]
在一些实施例中，prophet模型的预测方式包括：
[0028]
采用t时刻的时序数据预测t 1时刻的预测值上下边界，根据t 1时刻的实际数据与t 1时刻的预测值上下边界进行比对，超出t 1时刻的预测值上下边界则判定感知设备在t 1时刻的运行状态为异常，否则为正常；或者
[0029]
将t 1时刻的时序数据和t时刻的时序数据输入到prophet模型进行重新训练，对比新进点是否为异常点，若是则判定感知设备在t 1时刻的运行状态为异常，否则为正常。
[0030]
第二方面，本技术的实施例提供了一种基于多类型感知设备的数据分析装置，包括：
[0031]
数据采集模块，被配置为获取实时采集的感知设备的边缘计算数据；
[0032]
预处理模块，被配置为对边缘计算数据进行预处理，得到时序数据；
[0033]
拟合模块，被配置为对时序数据进行正态分布的拟合，得到拟合项；
[0034]
模型预测模块，被配置为将拟合项输入训练好的prophet模型，输出未来时间对应的预测值和预测值上下边界，根据实际数据和预测值上下边界来判定感知设备的运行状态。
[0035]
第三方面，本技术的实施例提供了一种电子设备，包括一个或多个处理器；存储装置，用于存储一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如第一方面中任一实现方式描述的方法。
[0036]
第四方面，本技术的实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如第一方面中任一实现方式描述的方法。
[0037]
本发明公开了一种基于多类型感知设备的数据分析方法、装置及可读介质，应用于现今抽水蓄能电站基建现场多设备返回数据的分析场景，构建了针对设备反馈数据进行分析和预判的方法体系，完成对任意设备的全生命周期监控和异常检测。将边缘计算、数据采集、数据治理和模型预测等过程进行串联，并行程了标准化流程，使得这个方法体系可复
用可迁移，并具备良好的可解释性，通过大数据技术完成数据的标准化治理，通过引入prophet模型完成对于设备状态的预测监控。本发明对数据本身要求不高，仅需时间和数据量两个维度即可完成整条设备监控链路的构建。此方法不仅包含了模型的构建，还包括了模型输入数据的预处理方法，模型运行后的修正方式。使用者可以使用最简单的方式完成一个通用模型的构建，用最快速的方式完成对于差异性设备的监控。设备反馈数据可以得到最大程度的利用，使设备状态预测的准确性得到进一步的提高。
附图说明
[0038]
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简要介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0039]
图1是本技术的一个实施例可以应用于其中的示例性装置架构图；
[0040]
图2为本发明的实施例的基于多类型感知设备的数据分析方法的流程示意图；
[0041]
图3为本发明的实施例的基于多类型感知设备的数据分析方法的时间网格的示意图；
[0042]
图4为本发明的实施例的基于多类型感知设备的数据分析方法的prophet模型的预测结果；
[0043]
图5为本发明的实施例的基于多类型感知设备的数据分析装置的示意图；
[0044]
图6是适于用来实现本技术实施例的电子设备的计算机装置的结构示意图。
具体实施方式
[0045]
为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
[0046]
图1示出了可以应用本技术实施例的基于多类型感知设备的数据分析方法或基于多类型感知设备的数据分析装置的示例性装置架构100。
[0047]
如图1所示，装置架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
[0048]
用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种应用，例如数据处理类应用、文件处理类应用等。
[0049]
终端设备101、102、103可以是硬件，也可以是软件。当终端设备101、102、103为硬件时，可以是各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。当终端设备101、102、103为软件时，可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块(例如用来提供分布式服务的软件或软件模块)，也可以实现成单个软件或软件模块。在此不做具体限定。
[0050]
服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103上传的文件或数据进行处理的后台数据处理服务器。后台数据处理服务器可以对获取的文件或数据进行处理，生成处理结果。
[0051]
需要说明的是，本技术实施例所提供的基于多类型感知设备的数据分析方法可以由服务器105执行，也可以由终端设备101、102、103执行，相应地，基于多类型感知设备的数据分析装置可以设置于服务器105中，也可以设置于终端设备101、102、103中。
[0052]
应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。在所处理的数据不需要从远程获取的情况下，上述装置架构可以不包括网络，而只需服务器或终端设备。
[0053]
图2示出了本技术的实施例提供的一种基于多类型感知设备的数据分析方法，包括以下步骤：
[0054]
s1，获取实时采集的感知设备的边缘计算数据。
[0055]
具体地，通过感知设备边缘计算模块，完成对于边缘计算数据的实时采集，为整个数据分析方法提供数据支撑。边缘计算将数据的处理、应用程序的运行，甚至一些功能服务的实现由中心服务器下放到网络边缘的节点上，减少了中间传输的过程，有更实时、更快速的数据处理能力。由于与云端服务器的数据交换不多，边缘计算的网络带宽需求更低。在多类型感知设备的边缘计算数据中选取合适的数据输入模型中，选用的数据需要设备具有时间属性的数据，通常情况下选择心跳数据作为首选，心跳数据具有通用性
[0056]
s2，对边缘计算数据进行预处理，得到时序数据。
[0057]
在具体的实施例中，步骤s2具体包括：
[0058]
s21，在边缘计算数据中选取心跳数据、设备运行时长数据和设备异常数据作为基础指标，对基础指标进行合并，得到指标数据；
[0059]
s22，对基础指标和指标数据进行数据清洗，得到时序数据。
[0060]
在具体的实施例中，步骤s21具体包括：
[0061]
采用加权平均的方式对基础指标进行合并，公式如下：
[0062]gt
＝α*h
t
β*d
t
γ*a
t
；
[0063]
其中，h
t
为心跳数据；d
t
为设备运行时长数据；a
t
为根据设备异常数据所得设备稳定指标，α、β和γ分别为对应的权重值，g
t
为t时刻的设备加权特征。
[0064]
在其中一个实施例中，通过经验和实验所得权重α、β和γ分别为0.3，0.4，0.3。设备异常数据可以为报警次数等。在此情况下，时序数据根据以往的异常数据表现来完成后续prophet模型的超参数的选择，所以需要一定量的设备历史状态信息，在缺失这类数据的情况下，例如新加入的设备，可以使用其他类似设备的预测曲线完成初始化，随后进入该设备的闭环流程，不断根据反馈数据进行修正。
[0065]
在一些实施例中，步骤s22具体包括：
[0066]
以时间窗口定义网格，对网格内的重复数据采用模糊综合法进行综合评价，选择评分最高的数据作为重复数据的唯一结果；
[0067]
对网格内的缺失数据进行补零填充；
[0068]
将网格内的数据基于时间网格进行合并，时间网格包括小时网格和天网格，构建转化为时序数据三元组(device，time，accumulator)，其中device为设备唯一标识，time为
时间网格，accumulator为t时刻的设备加权特征g
t
，基于三元组得到时序数据x
t
＝f(g
t
)。
[0069]
具体地，数据清洗包括数据去重和补零。如图3所示，将分钟，小时和天等时间窗口定义为网格，对于单一网格会出现数据重复和缺失问题，例如1分钟时间窗口中可能任意网格出现心跳数据超过1条，就是心跳数据重复，心跳数据重复可以采用模糊综合法对重复心跳数据进行综合评价，选取评分最高的数据作为心跳数据。网格内不存在心跳数据就是缺失数据，采用补0的方式填充网格。数据缺失会造成相应时间下有些数据为空，因此可以将数据按照一定周期进行合并，当该周期内不存在数据时即标记为0。将网格数据进行合并，生成小时网格和天网格。合并后的数据转化为三元组(device，time，accumulator)，其中device为设备唯一标识，time为时间网格，accumulator为t时刻的设备加权特征g
t
，当小时网格向天网格汇聚时候，新网格仍旧会存在数据缺失问题，重复上述步骤完成数据预处理工作，得到时序数据x
t
＝f(g
t
)。其中x
t
是每一个单独设备device在time时间网格内accumulator也就是特征g
t
的特征工程结果。
[0070]
s3，对时序数据进行正态分布的拟合，得到拟合项。
[0071]
在具体的实施例中，步骤s3具体包括：对t时刻和t-1时刻的时序数据采用以下公式进行二项差分处理，得到差分项：
[0072][0073]
其中，g
t
为t时刻设备加权特征，g
t-1
为t-1时刻设备加权特征，为差分项。
[0074]
具体地，使用二项差分的方式对设备的时序数据进行处理，完成设备数据对于正态分布的拟合。差分项就可以作为拟合项。采用此方式完成正态分布的拟合是基于以下两方面：一方面，可以一定程度上平衡三个不同数据输入的体量大小问题，从而达到与归一化相同的效果。另一方面，计算所得数据输入并不能保证完全随机，也就是无法保证符合正态分布。那么对于整体数据的准确度评估就没有办法通过概率密度公式进行测算。而通过差分计算可以将数据拟合到正态分布曲线，进而最大程度保证超参数选择的合理性。通过正态分布95％置信区间的方式筛掉异常数据，此类异常数据会影响到模型的构建，造成噪声干扰。
[0075]
s4，将拟合项输入训练好的prophet模型，输出未来时间对应的预测值和预测值上下边界，根据实际数据和预测值上下边界来判定感知设备的运行状态。
[0076]
在具体的实施例中，步骤s4中prophet模型的公式为：
[0077]
y(t)＝g(t) s(t) h(t) εt；
[0078]
其中，g(t)为趋势项，s(t)为周期项，h(t)为节假日项，εt为误差项，将差分项作为prophet模型输入的g(t)。g(t)用于拟合时间序列中的分段线性增长或逻辑增长等非周期变化；s(t)是周期变化(如：每周/每年的季节性)；h(t)是非规律性的节假日效应(用户造成)；εt用来反映未在模型中体现的异常变动。输入时序数据、周期属性、异常点等超参数，完成模型的构建。超参数的选用需要根据经验和以往的数据表现，去掉一些异常点，给模型指定周期和节假日。
[0079]
需要说明的是，本发明的实施例中，需要拥有对感知设备产生的时序数据的存储和计算能力，并且prophet模型预测与判定异常需要根据相应的上下边界来进行，此边界的确定需要超参数来完成，超参数的确定需要根据以往的异常数据表现来完成，所以需要一
定量的设备历史状态信息，在缺失这类数据的情况下，例如新加入的设备，可以使用其他类似设备的预测曲线完成初始化，随后进入该设备的闭环流程，不断根据反馈数据进行修正。prophet模型的训练正是在以往的数据的基础上对超参数进行调整的过程，确定超参数之后，就得到训练好的prophet模型，就可以进行prophet模型的预测。
[0080]
在具体的实施例中，prophet模型的预测方式包括：
[0081]
采用t时刻的时序数据预测t 1时刻的预测值上下边界，根据t 1时刻的实际数据与t 1时刻的预测值上下边界进行比对，超出t 1时刻的预测值上下边界则判定感知设备在t 1时刻的运行状态为异常，否则为正常；或者
[0082]
将t 1时刻的时序数据和t时刻的时序数据输入到prophet模型进行重新训练，对比新进点是否为异常点，若是则判定感知设备在t 1时刻的运行状态为异常，否则为正常。
[0083]
实施例
[0084]
以一个现场显示屏设备的监控场景为例，首先收集该设备的心跳数据，再对设备的心跳数据进行清洗，过滤掉所有不符合协议规则的数据，并进行去重。非重复数据需要进行网格构建，如图3所示，可以进行分钟网格，小时网格和天网格的构建，根据数据的时间戳来进行汇总统计，网格总量加起来要和自然天的总时长一致，对于没有数据的空网格填0进行数据补全，通过此方法即完成了心跳数据指标的提取工作。
[0085]
通过t时刻和t-1时刻的差值获取差分项，该数据符合正态分布的随机要求，然后根据95％置信度去除异常数据，此类异常数据是一些明显的离群点数据，他们由于设备调试，人为错误等原因而产生，是偶发的不能反应真实数据分布的异常点，故而剔除，最后将时序数据输入到prophet模型进行模型构建。此时构建的prophet模型已经能够判定已有数据的异常点，同时会给出未来时间范围的预测值上下边界值，但是当未来时间不断延长时，边界会不断的扩大，这也是由prophet模型的特性所决定，该模型对于未来的判定要基于最近的数据表现。所以prophet模型预测的方式为两种，第一种，通过t时刻的时序数据得到的曲线预测t 1时刻的预测值上下边界，带入t 1时间真实数据进行比对，超出边界判定为异常；第二种，将t 1时刻的时序数据和t时刻的时序数据输入到prophet模型进行重新训练，查看新进点是否为异常点，此处的新进点指的是设备进入监控周期后最新产生的数据。第一种方式更加高效，prophet模型的更新可以放在结果之后，第二种方式在数据较少时可以提供一定的容错能力，可根据场景自行选择。在本实施例中，超参数设定为：预测的敏感度参数interval_width＝0.94；周期性变化设置为1周，每个自然周为一个周期，参数为weekly_seasonality＝auto；根据实际数据对特殊日期进行定义，去除节假日，停工日等异常值可以达到降噪效果，参数选定为change_point＝[2021-02-05,2021-02-06]。整个预测结果如图4所示，其中yhat为预测值，yhat_lower为预测值的下边界，yhat_upper为预测值的上边界，y为实际值。
[0086]
以上仅为一个简单举例，通常功能下感知设备会拥有更多的数据，可以进行加权求和进一步提高预测的准确定。
[0087]
本发明提供的方法适用于多种类设备，仅需拥有时序数据和一个通用模型，并且该模型的算力要求低，使用极少的时间即可完成预测任务，可以形成闭环，通过人工反馈和超参数等方式不断调节模型，不断提高模型的准确度。在设备反馈数据分析等多种领域有十分广阔的应用前景。
[0088]
进一步参考图5，作为对上述各图所示方法的实现，本技术提供了一种基于多类型感知设备的数据分析装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
[0089]
本技术实施例提供了一种基于多类型感知设备的数据分析装置，包括：
[0090]
数据采集模块1，被配置为获取实时采集的感知设备的边缘计算数据；
[0091]
预处理模块2，被配置为对边缘计算数据进行预处理，得到时序数据；
[0092]
拟合模块3，被配置为对时序数据进行正态分布的拟合，得到拟合项；
[0093]
模型预测模块4，被配置为将拟合项输入训练好的prophet模型，输出未来时间对应的预测值和预测值上下边界，根据实际数据和预测值上下边界来判定感知设备的运行状态。
[0094]
下面参考图6，其示出了适于用来实现本技术实施例的电子设备(例如图1所示的服务器或终端设备)的计算机装置600的结构示意图。图6示出的电子设备仅仅是一个示例，不应对本技术实施例的功能和使用范围带来任何限制。
[0095]
如图6所示，计算机装置600包括中央处理单元(cpu)601和图形处理器(gpu)602，其可以根据存储在只读存储器(rom)603中的程序或者从存储部分609加载到随机访问存储器(ram)604中的程序而执行各种适当的动作和处理。在ram 604中，还存储有装置600操作所需的各种程序和数据。cpu 601、gpu602、rom 603以及ram 604通过总线605彼此相连。输入/输出(i/o)接口606也连接至总线605。
[0096]
以下部件连接至i/o接口606：包括键盘、鼠标等的输入部分607；包括诸如、液晶显示器(lcd)等以及扬声器等的输出部分608；包括硬盘等的存储部分609；以及包括诸如lan卡、调制解调器等的网络接口卡的通信部分610。通信部分610经由诸如因特网的网络执行通信处理。驱动器611也可以根据需要连接至i/o接口606。可拆卸介质612，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器611上，以便于从其上读出的计算机程序根据需要被安装入存储部分609。
[0097]
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分610从网络上被下载和安装，和/或从可拆卸介质612被安装。在该计算机程序被中央处理单元(cpu)601和图形处理器(gpu)602执行时，执行本技术的方法中限定的上述功能。
[0098]
需要说明的是，本技术所述的计算机可读介质可以是计算机可读信号介质或者计算机可读介质或者是上述两者的任意组合。计算机可读介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的装置、装置或器件，或者任意以上的组合。计算机可读介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本技术中，计算机可读介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行装置、装置或者器件使用或者与其结合使用。而在本技术中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可
读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行装置、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、rf等等，或者上述的任意合适的组合。
[0099]
可以以一种或多种程序设计语言或其组合来编写用于执行本技术的操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如java、smalltalk、c ，还包括常规的过程式程序设计语言—诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(lan)或广域网(wan)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
[0100]
附图中的流程图和框图，图示了按照本技术各种实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的装置来实现，或者可以用专用硬件与计算机指令的组合来实现。
[0101]
描述于本技术实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的模块也可以设置在处理器中。
[0102]
作为另一方面，本技术还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：获取实时采集的感知设备的边缘计算数据；对边缘计算数据进行预处理，得到时序数据；对时序数据进行正态分布的拟合，得到拟合项；将拟合项输入训练好的prophet模型，输出未来时间对应的预测值和预测值上下边界，根据实际数据和预测值上下边界来判定感知设备的运行状态。
[0103]
以上描述仅为本技术的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本技术中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本技术中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。