你将学习:
- 如何将人工智能模型应用于实时传感器数据集。
- 最重要的问题是数据同步以及实现这一目标的最佳方法。
- 查看流环境模型。
人工智能无处不在。具体来说，人工智能模型现在被集成到一系列不同的应用中，包括自动化车辆、制造设备和医疗设备。这些应用程序现在使用数十个、数百个甚至数千个传感器来收集实时性能数据。由于这些传感器每时每刻都在不断生成硬件数据，要想以同样恒定的速度获得见解，可能非常困难，除非工程师们部署了机器学习驱动的模型。
随时可以访问如此广泛的传感器数据池可能会让人感到不知所措。然而，对于工程师来说，有多种技术可以将人工智能模型应用到实时传感器数据集，以帮助他们更好地准备和提取数据的见解，正如Heather Gorr，数据科学的高级产品经理MathWorks讨论了与电子设计的比尔黄。
为什么将机器学习应用于实时传感器数据是一个挑战?
最大的挑战是数据同步。即使在不处理高频、时间敏感数据的情况下，这也很困难。对于实时传感器数据，每个传感器都有略微不同的采样率或时间步长，这些采样率或时间步长必须同步到具有相同的分析时间的单个流数据集。很难知道从哪里开始。
工程师如何确保实时传感器数据集是同步的?
从本质上讲，数据同步是关于选择如何在时间步长不匹配的地方最好地对齐数据点，无论是通过聚合、插值，还是简单地使用平均值来填补缺失的数据。这确保了时间步长是同步的，同时与原始数据集匹配得足够紧密以保持可用性。选择使用哪种方法取决于时间矢量对齐和应用需求等因素。
第一步，特别是当数据集之间的时间对齐不确定时，应该用缺失的数据填补空白，比如外部连接或常量值。探索和可视化结果数据，包括时间步骤和缺失的数据点，将帮助工程师确定如何继续。
同步传感器数据的最佳方法是什么?
重申一下，数据同步主要是关于如何填充不匹配的数据点。因此，最常用的方法是对传感器数据进行插值。由于在使用插值法时，传感器数据集之间的差距非常小，工程师往往对这些数据集的驱动趋势有现有的知识或见解。更具体地说，线性插值特别常见，因为它很容易理解。
然而，插值变得不那么精确，如果点更远，在这种情况下，更好的解决方案是一个多项式或样条插值。为了保留更多的趋势，它是常用的一种保形分段立方(“pchip”)Akima分段立方Hermiteinterpolants。记住，为了使这些插值方法工作，数据必须是单调增加的(排序，均匀间隔时间)。
由于这些方法的普及和有效性，它们通常被内置到主流数据科学平台的api和模块中。
那么流环境模型呢?在流环境模型中，预测必须不断地进行和报告。
第一步是与工程团队合作规划系统。在构建任何东西之前，重要的是要建立可用的系统需求和参数，比如时间窗口，它控制为预测目的进入系统的数据数量。完整的流原型(第二步)也应该尽早构建;算法本身可以稍后进行微调。
存在用于比较算法的多种资源，但为流数据选择的模型应该非常适合于时间序列和预测。潜在的模型包括传统的时间序列(GARCH、ARIMA、曲线拟合)、机器学习(支持向量机、非线性树、高斯过程)和深度学习(LSTMs、cnn、tns、多层感知器)。
虽然所有这些模型都可以工作，但在处理流数据时，应该首先考虑几个关键方面。通常，流数据集的分析时间为1秒或更短，因此在其上使用的任何算法都必须是兼容的。选择的算法还应该能够实时接收更新，合并新数据而不丢失历史数据。由模型产生的任何预测都应该是同样快速和容易分布的。
如何你是否特别为机器学习模型准备流数据?
如前所述，分析流数据需要规划。在整个开发过程中，捕获数据类型、时间窗需求和其他期望是很有帮助的，也是很重要的。标准的软件实践，如文档、源代码控制和单元测试，也有助于促进流数据的准备。您还需要故障数据，可以通过模拟这些数据来预测故障。
由于数据每次通过流的时间只有一秒钟，所以模型在尽可能少的噪音下分析尽可能多的信息也是很重要的。通常使用频域工具，如FFT和功率谱。缓存模型是维护这些系统所需的低延迟的另一种有用方法。
将人工智能模型应用于流应用程序具有挑战性，可以使用MATLAB和Apache Kafka等工具来帮助将数据准备和人工智能建模阶段集成到流架构中，使其更容易执行。
Heather Gorr, MathWorks MATLAB平台数据科学高级产品经理，专注于数据分析、预处理、结构、数学和大数据。
