CN110011847A - 一种传感云环境下的数据源质量评估方法 - Google Patents

Abstract

本发明实施例公开了一种传感云环境下的数据源质量评估方法，包括：获取传感云存储数据源的当前和历史监测数据，所述传感云是云计算和无线传感器网络的结合体，用于收集来自多个传感器节点或传感器子网络的监测数据并加以处理；基于空间关联性和时间关联性整合数据源的监测数据并确定数据真值；基于所述数据真值生成数据源的初始质量评估向量，并根据质量规则调整所述数据源的初始质量评估向量；根据调整后的所述数据源的初始质量评估向量计算所述数据源的最终质量评估结果。采用本发明，可以多角度描述数据源质量，对数据源质量的刻画更为全面。

Description

一种传感云环境下的数据源质量评估方法

技术领域

本发明涉及质量评估领域，特别是涉及一种传感云环境下的数据源质量评估方法。

背景技术

目前，已经有一些数据源质量评估方法被提出，现有方法大多基于规则，如条件函数依赖(conditional functional dependency)、条件包含依赖(conditional inclusiondependency)、时效约束(currency constraint)、匹配规则(matching rule)等，来评估数据库中的数据质量，监测劣质数据。基于数据源产生的劣质数据的比例，可以进一步评估数据源质量。数据质量规则一般具有A＝a→B＝b的形式，其语义为“如果属性集合A的值为a，则属性集合B的值必须为b”。通过在数据库中筛选满足规则前件A＝a的数据并检查规则后件B＝b是否满足，可以判断数据中是否存在错误，不满足规则的数据被认为是劣质数据(或称错误数据)，一些数据源的数据质量可能受自身或外部因素影响而下降。这些受到负面影响的劣质数据源如果不能够被及时发现，又会进一步影响基于该数据源的服务的质量。为了能够准确发现劣质数据源，需要一套准确的数据源质量评估方法。

发明内容

为了解决上述问题，本发明提供了一种传感云环境下的数据源质量评估方法，可以多角度更准确的描述数据源质量，对数据源质量的刻画更为全面。

基于此，本发明提供了一种传感云环境下的数据源质量评估方法，包括：一种传感云环境下的数据源质量评估方法，其特征在于，包括：

获取传感云存储数据源的当前和历史监测数据，所述传感云是云计算和无线传感器网络的结合体，用于收集来自多个传感器节点或传感器子网络的监测数据并加以处理；

基于空间关联性和时间关联性整合数据源的监测数据并确定数据真值；

基于所述数据真值生成数据源的初始质量评估向量，并根据质量规则调整所述数据源的初始质量评估向量；

根据调整后的所述数据源的初始质量评估向量计算所述数据源的最终质量评估结果。

其中，所述获取传感云存储数据源的当前和历史监测数据之后，若获取传感云存储数据源的当前和历史监测数据超过阈值，则对所述数据进行数据归约，所述数据归约用于精简数据量，所述数据归约包括逐段聚集近似法或自适应逐段常量近似法。

其中，所述基于空间关联性和时间关联性整合数据源的监测数据并确定数据真值包括：判断数据是否具有空间上的相关性，若数据具有空间上的相关性，则针对给定的数据源s_i，读取s_i周围的一个规则监测区域中的其他传感器节点集合S_N ⁽ⁱ⁾以及S_N ⁽ⁱ⁾中节点的监测数据序列，S_N ⁽ⁱ⁾中的节点构成簇Cluster⁽ⁱ⁾。

其中，所述得到s_i所在的簇Cluster⁽ⁱ⁾后，通过综合位置相似度和数据相似度对S_N ⁽ⁱ⁾中节点的监测数据序列进行聚簇，计算Cluster⁽ⁱ⁾每一时刻的质心，以之作为真值的候选序列。

其中，所述得到了经过空间关联性处理之后的真值候选序列后，还需要对其进行时间关联性处理即平滑处理，所述平滑处理包括用n阶移动平均法或最小二乘法，平滑后的序列即最终的真值序列。

其中，所述基于所述数据真值生成数据源的初始质量评估向量包括：比较s_i的值与真值的差别来评价s_i的质量，基于质量评估函数得到s_i在t_k时刻的质量值Q(s_i,t_k)，t₁～t_m的质量值<Q(s_i,t₁),…,Q(s_i,t_m)>构成si的初始质量评估向量Qvec(s_i)，所示质量评估函数包括:

Q(s_i,t_k)＝1-dist(v_ik,true(v_ik))/maxdist

其中，v_ik是s_i在t_k时刻的值，true(v_ik)是s_i在t_k时刻对应的真值，dist(v_ik,true(v_ik))是v_ik和true(v_ik)的距离，maxdist是v_ik和true(v_ik)的距离最大值。

其中，所述质量规则表示正相关、负相关和其他的数值上的关联关系，所述质量规则表示为：

(f(A)∈target_A)→(g(B)∈valid_B)

其中，A和B是两个属性集合，f()和g()是作用在A和B上的函数，target_A表示f(A)的目标值域，valid_B是g(B)的合法取值范围，target_A和valid_B为区间或取值集合或另一个函数，若所述质量规则在某时刻被满足，则认为该时刻的数据合理，不存在质量问题。

其中，所述根据质量规则调整所述数据源的初始质量评估向量包括：

步骤(1)、计算Qvec(s_i)＝<Q(s_i,t₁),…,Q(s_i,t_m)>的均值QMean_i和标准差QSD_i；

步骤(2)、定义偏离阈值T_i为h倍的标准差，即T_i＝h·QSD_i；

步骤(3)、对于质量分值低于Qmean_i超过T_i(即质量分值过低)时刻t_k，遍历数据质量规则Ψ中的所有规则，检查在时刻t_k，s_i的数据中是否存在前件的条件满足但后件条件不满足的情况：

a)如果存在被违背的规则，则质量分值Q(s_i,t_k)维持不变；

b)如果遍历完成但未发现被违背的规则，则调整该时刻的质量分值，将其修改为QMean_i，并跳转到步骤(1)(2)，更新QMean_i、QSD_i和T_i；

步骤(4)、重复步骤(1)(2)(3)，直至QMean_i和QSD_i不再发生变化。

其中，所述s_i的质量评估包括：Qvec(s_i)的均值、Qvec(s_i)的标准差和平稳性QStationary_i。

其中，所述均值QMean_i，即表示被评估的这段时间内平均质量评分，其值越高，s_i质量表现越好；

标准差QSD_i，即s_i的质量的稳定程度，其值越小质量越稳定；

平稳性QStationary_i的取值范围为{True,False}，值为True表示平稳，值为False时表示非平稳。

本发明的综合考虑时空关联性进行真值发现，并对数据源质量做出评价，这弥补了现有工作不能处理时空属性的缺点，使得真值发现和质量评估更为准确；

在质量评估的过程中不仅仅依赖无监督方法发现的真值，而是提出了新的质量规则，并使用质量规则对评估结果进行修正，降低了误判的可能；

当前方法对数据源质量的评估只能给出一维评价(如错误率)，而本发明所提出的技术使用三元组<QMean_i,QSD_i,QStationary_i>来表示最终的数据源质量，可以从多角度描述数据源质量，对数据源质量的刻画更为全面。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，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。

图1是本发明实施例提供的传感云环境下的数据源质量评估方法的流程图；

图2是本发明实施例提供的确定数据真值的流程图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，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作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

图1是本发明实施例提供的传感云环境下的数据源质量评估方法的流程图，所述传感云环境下的数据源质量评估方法包括：

S101、获取传感云存储数据源的当前和历史监测数据，所述传感云是云计算和无线传感器网络的结合体，用于收集来自多个异构传感器节点或传感器子网络的监测数据并加以处理。

通过在目标区域部署无线传感器网络(wireless sensor network，WSN)，可以方便地收集物理世界的数据。无线传感器节点的体积小、价格便宜等优点使其可以广泛应用于环境监测、国防军事、交通管制、社区安防、目标定位等领域，但受限于其计算、存储、通信等方面的能力，大规模传感器网络的应用也面临着诸多挑战。随着云计算发展和信息物理融合的需求日益旺盛，将云计算和无线传感器网络结合成为了一种必然趋势，传感云(sensor-cloud)应运而生。在传感云中，云服务可以收集来自多个异构传感器节点或传感器子网络的数据并加以处理，进而完成一些原本在传感器端难以完成的数据驱动的计算密集型任务。云计算出色的计算能力使得数据源质量评估等原本较为笨重的服务能够应用于计算能力受限的传感器网络，被云服务集成异构传感器节点和子网络可以在云端进行数据源质量评估，进而按需使用或弃用。

然而，由于传感器节点大多被部署在环境恶劣或无人照看的区域，其中一些数据源(即传感器节点或者子网络)的数据的正确性和精确性在采集和传输的过程中易受到环境或攻击的负面影响。换言之，一些数据源的数据质量可能受自身或外部因素影响而下降。这些受到负面影响的劣质数据源如果不能够被及时发现，又会进一步影响云端数据驱动的服务质量。为了能够准确发现劣质数据源，需要一套准确的数据源质量评估方法。由于传感器的数据采集过程是持续不断的，故其数据源质量也会随时间波动，因此上述数据源质量评估方法还需要支持时间序列或数据流分析，以保证能够及时准确地对数据源质量评估结果进行更新。基于数据源质量的评估结果，云端应用可以更好地选取和利用数据源以提高服务的效率和质量。

令Se＝{s₁,…,s_n}表示要参与评价的数据源集合，t₁是初始时刻，t_m是当前时刻。首先从数据库中读出n个时间序列V＝{<v₁₁,…,v_1m>,…,<v_n1,…,v_nm>}，其中<v_i1,…,v_im>是数据源s_i的监测值序列，v_ij表示数据源在时刻i的监测值构成的向量。

接着，检查数据量是否超过阈值θ，若m>θ，则对每一个序列<v_i1,…,v_im>执行维归约操作。出于简单性的考虑，约简操作可选用PAA(Piecewise Aggregate Approximation)或APCA(Adaptive Piecewise Constant Approximation)，即将序列<v_i1,…,v_im>分为等长或变长的l段，每段用相应点的平均值来代表。阈值θ是一个经验值，根据云端的计算能力来设置。

S102、基于空间关联性和时间关联性整合数据源的监测数据并确定数据真值。

当前的方法多采用简单投票、反复迭代的方法来评估数据源质量，且多针对Web数据源和关系型数据库，并未考虑数据源的空间、时间、不同属性上的关联性对其质量评估的影响。但是，在传感器网络中，由于传感器节点的地理位置相近、监测对象一致、持续监测、且一些物理量是相关的，故不同的数据源同一时刻产生的数据存在空间关联性，同一数据源产生的不同时刻的数据存在时间关联性，同一数据源的不同属性之间存在物理量的关联性。这些关联性既可能表现在数据值的相似性上，也可能表现在数据变化趋势的正相关或负相关上。

可以首先处理空间相关性，得到空间相关性处理后的真值时间序列，接着，再基于该真值时间序列处理时间相关性，图2是本发明实施例提供的确定数据真值的流程图，请参考图2：

S201、数据是否具有空间上的相关性。

这里考虑的空间相关性的来源主要是传感器节点位置是否相近以及监测对象是否一致。由于传感器本身的脆弱性(能量有限且易被破坏)，在布置时往往存在冗余，即同时存在多个传感器节点监测同一对象。这些传感器节点在地理位置上是相近的，其产生的数据也应该是相似的。给定的数据源(即传感器节点或子网)s_i，将所有与s_i监测对象一致的数据源构成的集合记为s_i所属的簇Cluster⁽ⁱ⁾。

S202、针对给定的数据源s_i，读取s_i同一监测区域的其他传感器节点集合S_N ⁽ⁱ⁾以及S_N ⁽ⁱ⁾中节点的监测数据序列。

如果监测对象对应的区域是规则的(例如监测房间的温度和湿度)，那么针对给定的数据源s_i，可以读取s_i周围的一个规则监测区域中的其他传感器节点集合S_N ⁽ⁱ⁾以及S_N ⁽ⁱ⁾中节点的监测数据序列。S_N ⁽ⁱ⁾中的所有节点自然地构成Cluster⁽ⁱ⁾。

S203、综合位置相似度和数据相似度对S_N ⁽ⁱ⁾中节点的监测数据序列进行聚簇。

然而，在一些情况下，由于河流、山谷、道路、建筑物等因素的影响，监测对象对应的区域往往不是规则的。这时，S_N ⁽ⁱ⁾中的一部分节点可能与s_i监测的对象并不相同，其对应的真值也不同，为了不让这部分节点污染真值发现的结果，需通过聚簇(即聚类)筛选出和s_i足够相像的节点，在聚簇时需要同时考虑数据的相似性和位置的相似性。定义传感器节点的相似性为位置相似度和数据相似度的加权平均，如式(1)所示：

Sim(s_i,s_j)＝w₁×Simspace(s_i,s_j)+w₂×Simdata(s_i,s_j)

其中，对s_i和任意S_N ⁽ⁱ⁾中的节点s_j，Simspace(s_i,s_j)表示s_i和s_j的位置相似度，可以选用坐标相似度，Simdata(s_i,s_j)表示s_i和s_j的数据相似度，可以选用归一化的时间序列欧氏距离或先将时间序列处理为直方图再计算归一化的EMD距离(Earth Mover'sDistance)，w₁和w₂是权重，可均设为0.5。

S204、得到s_i所在的簇，计算出每一时刻该类的质心，以之作为候选真值序列。

得到s_i所在的簇Cluster⁽ⁱ⁾后，计算Cluster⁽ⁱ⁾每一时刻的质心，以之作为真值的候选序列(即t时刻的真值是Cluster⁽ⁱ⁾在t时刻的质心)。

S205、数据是否是具有时间上的相关性。

处理时间相关性首先需要判断数据在时间维度上是否存在相似性。考虑临近时刻的相似性。临近时刻的数据相似性在许多监测对象上都存在，例如温度、湿度、高度等量通常都是连续变化的，这种相似性也应当反应在真值上。因此在得到了经过空间相关性处理之后的真值候选序列后，还需要对其进行平滑处理，避免因为传感器数据出错而出现真值骤变的情况。

S206、对质心的时间序列做平滑处理。

平滑策略可选用n阶移动平均法或最小二乘法，平滑后的序列即最终的真值序列。

S103、基于所述数据真值生成数据源的初始质量评估向量。

得到真值序列后，可以比较s_i的值与真值的差别来评价s_i的质量。可以基于式(2)所示的质量评估函数得到s_i在t_k时刻的质量值Q(si，t_k)，t₁～t_m的质量值<Q(s_i,t₁),…,Q(s_i,t_m)>构成s_i的初始质量评估向量Qvec(s_i)。

Q(s_i,t_k)＝1-dist(v_ik,true(v_ik))/maxdist

其中，v_ik是s_i在t_k时刻的值，true(v_ik)是s_i在t_k时刻对应的真值，dist(v_ik,true(v_ik))是v_ik和true(v_ik)的距离，maxdist是v_ik和true(v_ik)的距离最大值。如果只考虑精度错误，则dist函数可使用数值的差的绝对值，如果传感器网络部署环境比较恶劣，还需考虑比特串的传输和存储错误，此时可先转化为二进制串再选用汉明距离(Hamming Distance)或编辑距离(edit distance)。

S104、根据质量规则调整所述数据源的初始质量评估向量。

得到的初始质量评估向量直接用于数据源质量评估还存在一些问题。其问题在于并没有考虑突发的异常事件带来的影响。环境中的一些突发事件(例如突然起火会令温度读数骤然增高)可能会令传感器读数突变，而这种突变却不应被视为质量问题，换言之，不应该因这种突变而降低数据源的质量评分。

在关系数据库中的质量评价中，通常采用质量规则来说明哪些依赖是合理的、不应被违背的。不过，关系数据库的质量规则不能直接用于传感器监测的应用场景。为此，本发明设计了一种新的质量规则，如式(3)所示，可以表示正相关、负相关和其他的数值上的关联关系。

(f(A)∈target_A)→(g(B)∈valid_B)

其中，A和B是两个属性集合，f()和g()是作用在A和B上的函数，target_A表示f(A)的目标值域，valid_B是g(B)的合法取值范围，target_A和valid_B可以是区间或取值集合、也可以是另一个函数，如(-∞,0]、[0,+∞)或{0,1}等。

规则用于声明在物理世界中，属性集合A和B(例如高度和气压)应该存在的关联关系，其语义如下：如果规则前件(即箭头左部)的函数f(A)的值落在目标值域target_A中，那么规则后件(即箭头右部)的函数g(B)的值域应该落在valid_B中。如果规则在某时刻被满足(即前件的条件被满足时，后件的条件也被满足)，则可认为该时刻的数据合理，不存在质量问题。

质量规则集合Ψ根据被监测对象的领域知识得到，应用规则集合如下迭代地调整质量评估向量Qvec(s_i)。

步骤(1)、计算Qvec(s_i)＝<Q(s_i,t₁),…,Q(s_i,t_m)>的均值QMean_i和标准差QSD_i。

步骤(2)、定义偏离阈值T_i为h倍(h是一个预先约定的常数)的标准差，即T_i＝h·QSD_i。

步骤(3)、对于质量分值低于Qmean_i超过T_i(即质量分值过低)时刻t_k，遍历Ψ中的所有规则，检查在时刻t_k，s_i的数据中是否违背了某些规则，即是否存在前件的条件满足但后件条件不满足的情况：

a)如果存在被违背的规则，则质量分值Q(s_i,t_k)维持不变；

b)如果遍历完成但未发现被违背的规则，则调整该时刻的质量分值，将其修改为QMeani，并跳转到步骤(1)(2)，更新QMean_i、QSD_i和Ti。

步骤(4)、重复步骤(1)(2)(3)，直至QMean_i和QSD_i不再发生变化。

由于质量规则反应的是现实世界中的物理规则，所以上述调整过程的直观思想是，如果一次数据异常满足其应用场景下的所有物理规则，则该数据异常更有可能指示了一次物理世界中的突发事件，而非错误数据。相对应地，如果数据取值异常，同时还违背物理规律，那么数据更有可能是错误数据，而非物理世界中真实发生的异常事件。基于上述调整，可以修正误判的情况。

S105、根据调整后的所述数据源的初始质量评估向量计算所述数据源的最终质量评估结果。

获取到数据源s_i的最终质量评估向量Qvec(s_i)之后，可基于该向量完成s_i的质量评估。s_i的质量评估可以用三元组<QMean_i,QSD_i,QStationary_i>来表示。

均值QMean_i。QMean_i是Qvec(s_i)的均值，即被评估的这段时间内平均质量评分，其值越高则说明s_i在平均情况下的质量表现越好。

标准差QSD_i。QSD_i是Qvec(s_i)的标准差，表示s_i的质量的稳定程度，其值越小，说明s_i的质量评分变化不明显，质量越稳定。

平稳性QStationary_i。QStationary_i的取值范围为{True,False}，值为True表示平稳，值为False时表示非平稳。正常情况下，如果将各时刻对数据源的质量评分看做是一个随机过程，则该过程应是一个平稳随机过程(stationary stochastic process)，换言之，数据源忠实地提供每一时刻的监测数据，此行为不随时间发生改变。如果该过程不是平稳随机过程，则表示数据源的质量评分和时间有某种不可忽略的相关性，进而可以推测数据源本身存在着某些随时间影响数据质量的异常因素。因此，需要对Qvec(s_i)进行平稳性检验。如果QStationary_i的值为False，即Qvec(s_i)是非平稳的，则说明由于某些未知的异常因素的影响，使用此数据源的数据有较大风险，应在有条件的情况下应对数据源的异常因素进行排查，然后再决定是否要继续使用该数据源。

基于三元组<QMean_i,QSD_i,QStationary_i>，可以对数据源s_i的整体质量及稳定性做出描绘。对于参与评价的数据源集合S_e＝{s₁,…,s_n}中的每一个数据源都计算其三元组，即可完成数据源质量评价任务。

本发明所提出的技术与现有工作相比有如下优点：

综合考虑时空关联性进行真值发现，并对数据源质量做出评价，这弥补了现有工作不能处理时空属性的缺点，使得真值发现和质量评估更为准确；

在质量评估的过程中不仅仅依赖无监督方法发现的真值，而是提出了新的质量规则，并使用质量规则对评估结果进行修正，降低了误判的可能；

当前方法对数据源质量的评估只能给出一维评价(如错误率)，而本发明所提出的技术使用三元组<QMean_i,QSD_i,QStationary_i>来表示最终的数据源质量，可以从多角度描述数据源质量，对数据源质量的刻画更为全面。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和替换，这些改进和替换也应视为本发明的保护范围。

Claims (10)

1.一种传感云环境下的数据源质量评估方法，其特征在于，包括：

获取传感云存储数据源的当前和历史监测数据，所述传感云是云计算和无线传感器网络的结合体，用于收集来自多个传感器节点或传感器子网络的监测数据并加以处理；

基于空间关联性和时间关联性整合数据源的监测数据并确定数据真值；

基于所述数据真值生成数据源的初始质量评估向量；

根据质量规则调整所述数据源的初始质量评估向量；

根据调整后的所述数据源的初始质量评估向量计算所述数据源的最终质量评估结果。

2.如权利要求1所述传感云环境下的数据源质量评估方法，其特征在于，所述获取传感云存储数据源的当前和历史监测数据之后，若获取传感云存储数据源的当前和历史监测数据超过阈值，则对所述数据进行数据归约，所述数据归约用于精简数据量，所述数据归约包括逐段聚集近似法或自适应逐段常量近似法。

3.如权利要求1所述传感云环境下的数据源质量评估方法，其特征在于，所述基于空间关联性和时间关联性整合数据源的监测数据并确定数据真值包括：判断数据是否具有空间上的相关性，若数据具有空间上的相关性，则针对给定的数据源s_i，读取s_i周围的一个规则监测区域中的其他传感器节点集合S_N ⁽ⁱ⁾以及S_N ⁽ⁱ⁾中节点的监测数据序列，S_N ⁽ⁱ⁾中的节点构成簇Cluster⁽ⁱ⁾。

4.如权利要求3所述传感云环境下的数据源质量评估方法，其特征在于，所述得到s_i所在的簇Cluster⁽ⁱ⁾后，通过综合位置相似度和数据相似度对S_N ⁽ⁱ⁾中节点的监测数据序列进行聚簇，计算Cluster⁽ⁱ⁾每一时刻的质心，作为真值的候选序列。

5.如权利要求4所述传感云环境下的数据源质量评估方法，其特征在于，所述得到真值候选序列后，对所述真值候选序列进行时间关联性处理即平滑处理，所述平滑处理包括用n阶移动平均法或最小二乘法，平滑后的序列即最终的真值序列。

6.如权利要求1所述传感云环境下的数据源质量评估方法，其特征在于，所述基于所述数据真值生成数据源的初始质量评估向量包括：通过比较s_i的值与真值的差别来评价s_i的质量，基于质量评估函数得到s_i在t_k时刻的质量值Q(s_i,t_k)，t₁～t_m的质量值<Q(s_i,t₁),…,Q(s_i,t_m)>构成s_i的初始质量评估向量Qvec(s_i)，所示质量评估函数包括

Q(s_i,t_k)＝1-dist(v_ik,true(v_ik))/maxdist

其中，v_ik是s_i在t_k时刻的值，true(v_ik)是s_i在t_k时刻对应的真值，dist(v_ik,true(v_ik))是v_ik和true(v_ik)的距离,maxdist是v_ik和true(v_ik)的距离最大值。

7.如权利要求1所述传感云环境下的数据源质量评估方法，其特征在于，所述质量规则表示为：

(f(A)∈target_A)→(g(B)∈valid_B)

其中，A和B是两个属性集合，f()和g()是作用在A和B上的函数，target_A表示f(A)的目标值域，valid_B是g(B)的取值范围，target_A和valid_B为区间或取值集合或另一个函数，若所述质量规则在某时刻被满足，则所述时刻的数据合理，不存在质量问题。

8.如权利要求1所述传感云环境下的数据源质量评估方法，其特征在于，所述根据质量规则调整所述数据源的初始质量评估向量包括：

步骤(1)、计算Qvec(s_i)＝<Q(s_i,t₁),…,Q(s_i,t_m)>的均值QMean_i和标准差QSD_i；

步骤(2)、定义偏离阈值T_i为h倍的标准差，即T_i＝h·QSD_i；

步骤(3)、对于质量分值低于Qmean_i超过T_i时刻t_k，遍历数据质量规则Ψ中的规则，检查在时刻t_k，s_i的数据中是否存在前件的条件满足但后件条件不满足的情况：

a)若存在被违背的规则，则质量分值Q(s_i,t_k)维持不变；

b)若遍历完成但未发现被违背的规则，则调整该时刻的质量分值，将其修改为QMean_i，并跳转到步骤(1)(2)，更新QMean_i、QSD_i和T_i；

步骤(4)、重复步骤(1)(2)(3)，直至QMean_i和QSD_i不再发生变化。

9.如权利要求1所述传感云环境下的数据源质量评估方法，其特征在于，所述s_i的质量评估包括：Qvec(s_i)的均值、Qvec(s_i)的标准差和平稳性QStationary_i。

10.如权利要求9所述传感云环境下的数据源质量评估方法，其特征在于，所述均值QMean_i，即用于表示被评估的这段时间内平均质量评分，其值越高，s_i质量表现越好；

标准差QSD_i，即s_i的质量的稳定程度，其值越小质量越稳定；

平稳性QStationary_i的取值范围包括{True,False}，值为True表示平稳，值为False时表示非平稳。