CN117874435B - 分布式边缘数据采集方法、装置、电子设备及存储介质 - Google Patents

Abstract

本申请提供分布式边缘数据采集方法、装置、电子设备及存储介质，方法包括：获取多个不同时刻采集的目标驾驶数据；根据多个目标驾驶数据，确定目标驾驶数据的变化趋势；根据变化趋势，确定第一时刻的第一预测数据，第一时刻为当前时刻的后一个时刻，且与当前时刻的间隔时长为目标驾驶数据的采集间隔时长；获取第一时刻采集的第一实际数据，第一实际数据与第一预测数据为同一种驾驶数据；判断第一预测数据与第一实际数据是否相同，若确定第一预测数据与第一实际数据相同，则根据目标驾驶数据的当前采集频率，确定目标驾驶数据的调整采集频率，调整采集频率小于当前采集频率。本申请能够高效地进行分布式边缘数据采集。

Description

分布式边缘数据采集方法、装置、电子设备及存储介质

技术领域

本申请涉及数据采集的技术领域，具体涉及分布式边缘数据采集方法、装置、电子设备及存储介质。

背景技术

分布式边缘数据是指存储在多个边缘计算节点上的数据，这些节点通常分布在网络的边缘，靠近数据的产生源头或最终用户。这些数据分布在多个地理位置或网络边缘，以满足实时性能、低延迟和高可用性的需求，通常需要协调和管理多个节点之间的数据同步、复制和共享，以支持各种应用和***的需求。

对于智能驾驶涉及许多分布式边缘数据，这些数据对于实时决策和驾驶辅助***至关重要，包括车辆传感器数据、实时地图和导航数据、环境传感器数据以及驾驶员监测数据等。这些相关的分布式边缘数据是智能驾驶***的关键组成部分，它们用于车辆感知、决策制定、路线规划和驾驶监控。这些数据需要在车辆本身或附近的边缘节点上进行处理，以支持实时的智能驾驶功能。

在车辆进行智能驾驶的过程中，会产生大量的分布式边缘数据，并且大部分数据都是实时产生的，例如每间隔几微秒车辆的雷达***会进行一次障碍物检测。采集以及后续处理和存储这些大规模的数据，需要高昂的硬件基础设施和高性能的计算资源。因此，需要一种方法能够高效地进行分布式边缘数据采集。

发明内容

本申请提供分布式边缘数据采集方法、装置、电子设备及存储介质，能够高效地进行分布式边缘数据采集。

在本申请的第一方面提供了分布式边缘数据采集方法，所述方法包括：

获取多个不同时刻采集的目标驾驶数据，所述目标驾驶数据为多种驾驶数据中的任意一种驾驶数据，所述驾驶数据为预设车辆行驶过程中，车辆电子设备产生的数据；

根据多个所述目标驾驶数据，确定所述目标驾驶数据的变化趋势；

根据所述变化趋势，确定第一时刻的第一预测数据，所述第一时刻为当前时刻的后一个时刻，且与所述当前时刻的间隔时长为所述目标驾驶数据的采集间隔时长；

获取所述第一时刻采集的第一实际数据，所述第一实际数据与所述第一预测数据为同一种驾驶数据；

判断所述第一预测数据与所述第一实际数据是否相同，若确定所述第一预测数据与所述第一实际数据相同，则根据所述目标驾驶数据的当前采集频率，确定所述目标驾驶数据的调整采集频率，所述调整采集频率小于所述当前采集频率。

通过采用上述技术方案，在预设车辆行驶过程中产生多种分布式边缘数据，针对其中的目标驾驶数据，通过已有的目标驾驶数据，确定该目标驾驶数据的变化趋势。然后根据变化趋势，预测在未来某一个时刻的预测数据。并在该时刻获取采集到的实际数据，再判断预测数据与实际数据是否相同，如果二者相同，表明该目标驾驶数据的变化趋势可以预测。则可以降低目标驾驶数据的采集频率，后续通过预测来进行数据填充，而不需要通过高频率采集大量的数据，能够高效地进行分布式边缘数据采集。

可选的，所述根据多个所述目标驾驶数据，确定所述目标驾驶数据的变化趋势，具体包括：

根据所述当前采集频率，确定时间窗口；

将所述时间窗口置于首位，以使所述时间窗口的起始点与多个所述目标驾驶数据的第一个目标驾驶数据重合；

确定多个所述目标驾驶数据中，所述时间窗口位于首位时包含的多个时间序列数据；

根据多个所述时间序列数据，确定统计指标，所述统计指标用于反映多个所述时间序列数据的特征；

依次滑动所述时间窗口，得到多个所述统计指标；

对多个所述统计指标进行回归分析，得到所述变化趋势。

通过采用上述技术方案，基于时间窗口的预测方法能够捕获和量化边缘数据的趋势，无论是短期波动还是长期趋势。这有助于更好地理解目标驾驶数据的演变过程，识别数据中的模式和规律。同时时间窗口的大小和步长的选择具有灵活性，可以根据不同的分析需求和数据性质进行调整，能够适应不同的目标驾驶数据类型。

可选的，在所述若确定所述第一预测数据与所述第一实际数据相同，则根据所述目标驾驶数据的当前采集频率，确定所述目标驾驶数据的调整采集频率之后，所述方法还包括：

根据所述当前采集频率，确定第一驾驶数据与第二驾驶数据之间的空缺位数，所述第一驾驶数据与所述第二驾驶数据为基于所述调整采集频率采集到的多个所述目标驾驶数据中，相邻的两个目标驾驶数据；

根据所述变化趋势，确定所述第一驾驶数据与所述第二驾驶数据之间的多个填充数据，所述多个填充数据的数量与所述空缺位数相同；

将多个所述填充数据依次填充至所述第一驾驶数据与所述第二驾驶数据之间。

通过采用上述技术方案，在确定第一预测数据第一实际数据相同后，表明计算的数据变化趋势正确，则可以降低采集频率。在数据传输后，通过数据的变化趋势，填充由于低频率采集导致的空缺数据，从而使数据更加完整。确保了数据的连续性和一致性，即使在低采集频率下，也可以提供完整的数据。

可选的，在所述获取多个不同时刻采集的目标驾驶数据之后，所述方法还包括：

获取所述驾驶数据的当前采集频率；

判断所述当前采集频率与预设采集频率的大小关系，若确定所述当前采集频率小于预设采集频率，则对第三驾驶数据和第四驾驶数据中的所述第三驾驶数据进行去除处理，或者对所述第三驾驶数据和所述第四驾驶数据中的所述第四驾驶数据进行去除处理，所述第三驾驶数据和所述第四驾驶数据为多个所述驾驶数据中，相邻的两个驾驶数据。

通过采用上述技术方案，如果驾驶数据的当前采集频率小于预设采集频率时，表明该驾驶数据的采集频率较小，可以理解为该数据的实时性要求较低。进一步可以通过去除一些数据来减小数据量，从而节省了计算和通信资源。

可选的，在所述判断所述当前采集频率与预设采集频率的大小关系之后，所述方法还包括：

若确定所述当前采集频率大于或等于所述预设采集频率，则获取所述目标驾驶数据的数据量；

根据所述数据量，对所述目标驾驶数据进行分组，以使每组的目标驾驶数据的数量相同；

对各组所述目标驾驶数据进行压缩处理，得到多个压缩包。

通过采用上述技术方案，在当前采集频率大于或等于预设采集频率的情况下，通过数据压缩和分组处理来优化数据传输，降低资源消耗，提高数据采集的效率和可扩展性。

可选的，在所述获取多个不同时刻采集的目标驾驶数据之前，所述方法还包括：

对每种所述驾驶数据进行清洗处理，以识别和纠正所述驾驶数据中的错误值和异常值；

对清洗处理后的所述驾驶数据进行转换处理，以统一数据格式；

对转换处理后的所述驾驶数据进行对齐处理，以保持多种所述驾驶数据在时间维度上的一致。

通过采用上述技术方案，清洗处理有助于识别和纠正驾驶数据中的错误值和异常值。这提高了数据的准确性和可靠性。对齐处理确保了多种不同时刻采集的驾驶数据在时间维度上的一致。这使得不同数据源的数据可以在时间轴上对齐，以便进行比较和分析。转换处理统一了驾驶数据的格式，使其更容易处理和分析。这有助于消除数据格式的差异性，从而提高了数据的可操作性。

可选的，在所述判断所述第一预测数据与所述第一实际数据是否相同之后，所述方法还包括：

若确定所述第一预测数据与所述第一实际数据不同，则根据所述变化趋势确定第二时刻的第二预测数据，所述第二时刻为所述第一时刻的后一个时刻，且与所述第一时刻的间隔时长为所述采集间隔时长；

获取所述第二时刻采集的第二实际数据，所述第二实际数据与所述第二预测数据为同一种驾驶数据；

判断所述第二预测数据与所述第二实际数据是否相同，若确定所述第二预测数据与所述第二实际数据相同，则去除所述第一实际数据。

通过采用上述技术方案，如果第一预测数据与第一实际数据不同，根据数据变化趋势预测第二时刻的预测数据，然后验证其准确性。如果第二时刻的第二预测数据与该时刻的第二实际数据一致，进一步表明数据变化趋势，第一实际数据可能为异常数据，则对其进行去除处理。

在本申请的第二方面提供了分布式边缘数据采集装置，包括获取模块、处理模块以及判断模块，其中：

所述获取模块，用于获取多个不同时刻采集的目标驾驶数据，所述目标驾驶数据为多种驾驶数据中的任意一种驾驶数据，所述驾驶数据为预设车辆行驶过程中，车辆电子设备产生的数据；

所述处理模块，用于根据多个所述目标驾驶数据，确定所述目标驾驶数据的变化趋势；

所述处理模块，用于根据所述变化趋势，确定第一时刻的第一预测数据，所述第一时刻为当前时刻的后一个时刻，且与所述当前时刻的间隔时长为所述目标驾驶数据的采集间隔时长；

所述获取模块，用于获取所述第一时刻采集的第一实际数据，所述第一实际数据与所述第一预测数据为同一种驾驶数据；

所述判断模块，用于判断所述第一预测数据与所述第一实际数据是否相同，若确定所述第一预测数据与所述第一实际数据相同，则根据所述目标驾驶数据的当前采集频率，确定所述目标驾驶数据的调整采集频率，所述调整采集频率小于所述当前采集频率。

可选的，所述处理模块，用于根据所述当前采集频率，确定时间窗口；

所述处理模块，用于将所述时间窗口置于首位，以使所述时间窗口的起始点与多个所述目标驾驶数据的第一个目标驾驶数据重合；

所述处理模块，用于确定多个所述目标驾驶数据中，所述时间窗口位于首位时包含的多个时间序列数据；

所述处理模块，用于根据多个所述时间序列数据，确定统计指标，所述统计指标用于反映多个所述时间序列数据的特征；

所述处理模块，用于依次滑动所述时间窗口，得到多个所述统计指标；

所述处理模块，用于对多个所述统计指标进行回归分析，得到所述变化趋势。

可选的，所述处理模块，用于根据所述当前采集频率，确定第一驾驶数据与第二驾驶数据之间的空缺位数，所述第一驾驶数据与所述第二驾驶数据为基于所述调整采集频率采集到的多个所述目标驾驶数据中，相邻的两个目标驾驶数据；

所述判断模块，用于根据所述变化趋势，确定所述第一驾驶数据与所述第二驾驶数据之间的多个填充数据，所述多个填充数据与所述空缺位数相同；

所述处理模块，用于将多个所述填充数据依次填充至所述第一驾驶数据与所述第二驾驶数据之间。

可选的，所述获取模块，用于获取所述驾驶数据的当前采集频率；

所述判断模块，用于判断所述当前采集频率与预设采集频率的大小关系，若确定所述当前采集频率小于预设采集频率，则对第三驾驶数据和第四驾驶数据中的所述第三驾驶数据进行去除处理，或者对所述第三驾驶数据和所述第四驾驶数据中的所述第四驾驶数据进行去除处理，所述第三驾驶数据和所述第四驾驶数据为多个所述驾驶数据中，相邻的两个驾驶数据。

可选的，所述获取模块，用于若确定所述当前采集频率大于或等于所述预设采集频率，则获取所述目标驾驶数据的数据量；

所述处理模块，用于根据所述数据量，对所述目标驾驶数据进行分组，以使每组的目标驾驶数据的数量相同；

所述处理模块，用于对各组所述目标驾驶数据进行压缩处理，得到多个压缩包。

可选的，所述处理模块，用于对每种所述驾驶数据进行清洗处理，以识别和纠正所述驾驶数据中的错误值和异常值；

所述处理模块，用于对清洗处理后的所述驾驶数据进行转换处理，以统一数据格式；

所述处理模块，用于对转换处理后的所述驾驶数据进行对齐处理，以保持多种所述驾驶数据在时间维度上的一致。

可选的，所述处理模块，用于若确定所述第一预测数据与所述第一实际数据不同，则根据所述变化趋势确定第二时刻的第二预测数据，所述第二时刻为所述第一时刻的后一个时刻，且与所述第一时刻的间隔时长为所述采集间隔时长；

所述获取模块，用于获取所述第二时刻采集的第二实际数据，所述第二实际数据与所述第二预测数据为同一种驾驶数据；

所述判断模块，用于判断所述第二预测数据与所述第二实际数据是否相同，若确定所述第二预测数据与所述第二实际数据相同，则去除所述第一实际数据。

在本申请的第三方面提供了一种电子设备，包括处理器、存储器、用户接口以及网络接口，所述存储器用于存储指令，所述用户接口和所述网络接口均用于与其他设备通信，所述处理器用于执行所述存储器中存储的指令，以使所述电子设备执行如上述任意一项所述的方法。

在本申请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存储有指令，当所述指令被执行时，执行如上述任意一项所述的方法。

综上所述，本申请实施例中提供的一个或多个技术方案，至少具有如下技术效果或优点：

1.在预设车辆行驶过程中产生多种分布式边缘数据，针对其中的目标驾驶数据，通过已有的目标驾驶数据，确定该目标驾驶数据的变化趋势。然后根据变化趋势，预测在未来某一个时刻的预测数据。并在该时刻获取采集到的实际数据，再判断预测数据与实际数据是否相同，如果二者相同，表明该目标驾驶数据的变化趋势可以预测。则可以降低目标驾驶数据的采集频率，后续通过预测来进行数据填充，而不需要通过高频率采集大量的数据，能够高效地进行分布式边缘数据采集。

2.基于时间窗口的预测方法能够捕获和量化边缘数据的趋势，无论是短期波动还是长期趋势。这有助于更好地理解目标驾驶数据的演变过程，识别数据中的模式和规律。同时时间窗口的大小和步长的选择具有灵活性，可以根据不同的分析需求和数据性质进行调整，能够适应不同的目标驾驶数据类型。

3. 在确定第一预测数据第一实际数据相同后，表明计算的数据变化趋势正确，则可以降低采集频率。在数据传输后，通过数据的变化趋势，填充由于低频率采集导致的空缺数据，从而使数据更加完整。确保了数据的连续性和一致性，即使在低采集频率下，也可以提供完整的数据。

附图说明

图1是本申请实施例公开的一种分布式边缘数据采集方法的流程示意图；

图2是本申请实施例公开的一种时间窗口滑动的示意图；

图3是本申请实施例公开的一种分布式边缘数据采集装置的结构示意图；

图4是本申请实施例公开的一种电子设备的结构示意图。

附图标记说明：301、获取模块；302、处理模块；303、判断模块；401、处理器；402、通信总线；403、用户接口；404、网络接口；405、存储器。

具体实施方式

为了使本领域的技术人员更好地理解本说明书中的技术方案，下面将结合本说明书实施例中的附图，对本说明书实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。

在本申请实施例的描述中，“例如”或者“举例来说”等词用于表示作例子、例证或说明。本申请实施例中被描述为“例如”或者“举例来说”的任何实施例或设计方案不应被解释为比其他实施例或设计方案更优选或更具优势。确切而言，使用“例如”或者“举例来说”等词旨在以具体方式呈现相关概念。

在本申请实施例的描述中，术语“多个”的含义是指两个或两个以上。例如，多个***是指两个或两个以上的***，多个屏幕终端是指两个或两个以上的屏幕终端。此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。

分布式边缘数据是指存储在多个边缘计算节点上的数据，这些节点通常分布在网络的边缘，靠近数据的产生源头或最终用户。这些数据分布在多个地理位置或网络边缘，以满足实时性能、低延迟和高可用性的需求，通常需要协调和管理多个节点之间的数据同步、复制和共享，以支持各种应用和***的需求。

对于智能驾驶涉及许多分布式边缘数据，这些数据对于实时决策和驾驶辅助***至关重要，包括车辆传感器数据、实时地图和导航数据、环境传感器数据以及驾驶员监测数据等。这些相关的分布式边缘数据是智能驾驶***的关键组成部分，它们用于车辆感知、决策制定、路线规划和驾驶监控。这些数据需要在车辆本身或附近的边缘节点上进行处理，以支持实时的智能驾驶功能。

在车辆进行智能驾驶的过程中，会产生大量的分布式边缘数据，并且大部分数据都是实时产生的，例如每间隔几微秒车辆的雷达***会进行一次障碍物检测。采集以及后续处理和存储这些大规模的数据，需要高昂的硬件基础设施和高性能的计算资源。因此，需要一种方法能够高效地进行分布式边缘数据采集。

本实施例公开了分布式边缘数据采集方法，参照图1，包括如下步骤：

S110，获取多个不同时刻采集的目标驾驶数据。

本申请实施例公开的分布式边缘数据采集方法应用于车载计算平台。车载计算平台为预设车辆的计算平台（通常是一台车载计算机）用于处理和分析来自传感器、摄像头和其他数据源的数据。车载计算平台通常配备高性能的处理器和图形处理单元（GPU），用于实时数据处理和决策制定。

在预设车辆进行行驶过程中，相关传感器及电子设备根据已有控制指令进行数据采集。举例来说，包括车辆传感器数据，现代汽车配备了各种传感器，如雷达、摄像头、超声波传感器和激光雷达（LiDAR），用于感知车辆周围的环境。这些传感器产生的数据包括障碍物检测、距离测量、速度、方向和目标识别等信息。实时地图和导航数据，智能驾驶***需要实时地图数据，包括道路、交通标志、路况、道路施工和导航信息。这些数据通常需要在边缘节点上存储和更新，以提供精确的导航和路线规划。环境传感器数据，智能驾驶车辆可以收集环境数据，如温度、湿度、气压和能见度等，以适应不同的气象条件和道路情况。

由于智能驾驶涉及许多分布式边缘数据，即驾驶数据。但是这些数据中部分数据对于实时决策和驾驶辅助***比较重要，而部分数据则不会参与智能驾驶。例如驾驶员监测数据，一些智能驾驶***使用摄像头和传感器来监测驾驶员的状态，如疲劳、分心和姿势。这部分数据并不影响智能驾驶，如果将这部分数据进行实时采集、传输以及处理，会造成硬件设施以及计算资源的浪费。

在相关的设备采集到驾驶数据后，传输至车载计算平台。首先需要对大量不同的驾驶数据进行预处理，预处理至少包括清洗处理、转换处理和对齐处理。首先对驾驶数据进行清洗处理，删除或修复数据中的错误、不一致或缺失值的过程。这可能涉及到删除重复数据、填充缺失值、校正数据格式错误等。识别和处理异常值，这些异常值可能会影响分析结果。可以采用统计方法或机器学习算法来检测异常值，并选择适当的处理方式，如删除、替代或调整。

再对清洗处理后的驾驶数据进行转换处理，数据变换包括对原始数据进行转换，以改变数据的度量单位、规范化数据或应用数学函数来改善分析。常见的数据变换包括对数变换、标准化、归一化等。同时确保数据以适当的格式存储和呈现，以供分析使用。这可能涉及将数据转换为标准格式，如CSV、JSON或数据库格式。

最后进行对齐处理，如果驾驶数据来自不同源头或具有不同时间戳，需要进行数据对齐，以确保数据在时间维度上一致，以便后续分析。清洗处理有助于识别和纠正驾驶数据中的错误值和异常值。这提高了数据的准确性和可靠性。对齐处理确保了多种不同时刻采集的驾驶数据在时间维度上的一致。这使得不同数据源的数据可以在时间轴上对齐，以便进行比较和分析。转换处理统一了驾驶数据的格式，使其更容易处理和分析。这有助于消除数据格式的差异性，从而提高了数据的可操作性。

对多种驾驶数据进行预处理后，车载计算平台根据数据采集的数量以及采集所需要的时间，计算出驾驶数据的当前采集频率。然后判断当前采集频率与预设采集频率的大小关系，其中对于预设采集频率，不同实施例中可以根据实际情况调整，以作为驾驶数据采集频率的快慢判断标准。若确定驾驶数据的当前采集频率小于预设采集频率，可以理解为该驾驶数据的采集频率较小，该数据的实时性要求不高。

如果当前采集频率大于或等于预设采集频率，则获取该当前采集频率对应的目标驾驶数据的数据量，即该种驾驶数据有多少个数据。然后根据数据量对目标驾驶数据进行分组，组数根据数据量来确定，以确保每组的目标驾驶数据的数量相同即可。然后对各组目标驾驶数据进行压缩处理，得到多个压缩包，最后将压缩包发送至进行数据处理的设备，完成数据的采集。在当前采集频率大于或等于预设采集频率的情况下，通过数据压缩和分组处理来优化数据传输，降低资源消耗，提高数据采集的效率和可扩展性。

进一步地，当驾驶数据的采集频率小于预设采集频率，则对该驾驶数据进行采样处理。每间隔一个驾驶数据剔除一个驾驶数据，以多个驾驶数据中的任意相邻两个驾驶数据，第三驾驶数据和第四驾驶数据为例。对第三驾驶数据和第四驾驶数据中的第三驾驶数据进行去除处理，或者对第三驾驶数据和第四驾驶数据中的第四驾驶数据进行去除处理。如果驾驶数据的当前采集频率小于预设采集频率时，表明该驾驶数据的采集频率较小，可以理解为该数据的实时性要求较低。进一步可以通过去除一些数据来减小数据量，从而节省了计算和通信资源。

S120，根据多个目标驾驶数据，确定目标驾驶数据的变化趋势。

具体地，根据前面确定的目标驾驶数据的当前采集频率，确定时间窗口大小，即窗口内数据的时间跨度。通常情况下，当前采集频率与时间窗口成反比例关系，而二者的具体比例关系可根据实际情况进行自由调整，本实施例不作具体限定。然后将所选时间窗口置于首位，以使其起始点与目标驾驶数据的第一个数据点重合，确保从数据序列的开头开始进行分析。从多个目标驾驶数据中，确定哪些数据包含在首位的时间窗口内，这些数据将用于计算统计指标和趋势。举例来说，参照图2，目标驾驶数据的当前采集频率为每间隔两秒采集一次数据，得到数据a、b、c、d、e、f、g、h……。而时间窗口的大小为16秒。则时间窗口A置于首位时，包含前9个目标驾驶数据。接着使用所选时间窗口内的数据进行统计指标的计算。这些统计指标可以包括均值、方差、标准差、最大值、最小值等，用于反映数据的特征。计算这些指标以便进行趋势分析。再依次滑动时间窗口，以覆盖整个目标驾驶数据序列。参照图2，滑动间隔可以为1个数据，依次得到时间窗口B和时间窗口C。在每个窗口内重复上述步骤计算统计指标，这将提供一系列时间窗口内的统计指标。最后，对这些统计指标进行回归分析。回归分析是一种统计方法，用于识别和量化数据的趋势。可以使用线性回归、多项式回归或其他回归模型，以找到统计指标与时间的关系，从而分析出目标驾驶数据的变化趋势。

其中，变化趋势包括递增趋势、递减趋势以及周期性波动趋势。递增趋势表示数据呈现逐渐增长或递增的特点，但不一定是线性的。递减趋势表示数据逐渐减小或逐渐减小，反映了逐渐减小的趋势。周期性波动趋势表示数据在较短时间内经历快速波动。需要说明的是，数据的变化趋势还有更多已知变化趋势，在此不进行一一列举。而数据的随机变化趋势不属于本申请讨论的范围，当数据权限随机变化趋势时，可以理解为不进行后续的处理或者是理解为未计算出变化趋势。

基于时间窗口的预测方法能够捕获和量化边缘数据的趋势，无论是短期波动还是长期趋势。这有助于更好地理解目标驾驶数据的演变过程，识别数据中的模式和规律。同时时间窗口的大小和步长的选择具有灵活性，可以根据不同的分析需求和数据性质进行调整，能够适应不同的目标驾驶数据类型。

S130，根据变化趋势，确定第一时刻的第一预测数据。

确定了目标驾驶数据的变化趋势后，即可以计算出目标驾驶数据在不同时刻的数值。举一个简单的示例，一组每间隔一秒采样一次的目标驾驶数据为“2.2，4.2，6.2，8.2，10.2，12.2，14.2……”从中可以看出这一组数据呈现递增趋势，且每次增加值为2，因此可以预测出后续紧接着14.2的数据应该为16.2。以此类推，能够根据变化趋势，确定第一时刻的第一预测数据，第一时刻为当前时刻的后一个时刻，且第一时刻与当前时刻的间隔时长为目标驾驶数据的采集间隔时长。

S140，获取第一时刻采集的第一实际数据。

由于在步骤S130中得到的第一预测数据是通过数据变化趋势预测出来的，可能会存在预测失误的情况，因此需要进行进一步验证。即在第一时刻，获取采集到的第一实际数据，且第一实际数据与第一预测数据属于同一种驾驶数据。举例来说，在当前时刻，预测的第一时刻的第一预测数据为车内温度数据，则第一实际数据也应该为车内温度数据，且是在第一时刻采集到的车内温度数据。

S150，判断第一预测数据与第一实际数据是否相同，若确定第一预测数据与第一实际数据相同，则根据目标驾驶数据的当前采集频率，确定目标驾驶数据的调整采集频率。

在第一时刻，获取到采集的第一实际数据后，验证预测的第一预测数据是否正确。即判断第一预测数据与第一实际数据是否相同，如果二者相同，表明通过目标驾驶数据的变化趋势进行预测的结果正确，则可以降低目标驾驶数据的采集频率。即根据的当前采集频率，确定调整采集频率，调整采集频率小于当前采集频率。

通过采用上述技术方案，在预设车辆行驶过程中产生多种分布式边缘数据，针对其中的目标驾驶数据，通过已有的目标驾驶数据，确定该目标驾驶数据的变化趋势。然后根据变化趋势，预测在未来某一个时刻的预测数据。并在该时刻获取采集到的实际数据，再判断预测数据与实际数据是否相同，如果二者相同，表明该目标驾驶数据的变化趋势可以预测。则可以降低目标驾驶数据的采集频率，后续通过预测来进行数据填充，而不需要通过高频率采集大量的数据，能够高效地进行分布式边缘数据采集。

进一步地，在降低目标驾驶数据的采集频率后，采集到的目标驾驶数据的数量会减少，是为了后续分析的准确性，需要对空缺的目标驾驶数据进行填充处理。以调整采集频率后采集得到的多个目标驾驶数据中，任意相邻的两个目标驾驶数据，第一驾驶数据和第二驾驶数据为例。首先根据当前采集频率，即调整之前的采集频率，确定第一驾驶数据第二驾驶数据之间的空缺位数。例如调整之后，每间隔8秒采样一次，而调整之前每间隔2秒采样一次，则第一驾驶数据与第二驾驶数据之间应该还包括三个驾驶数据，空缺位数为3。

然后根据前面预测的变化趋势，确定第一驾驶数据第二驾驶数据之间的填充数据，填充数据的数量与空缺位数相同。最后将多个填充数据依次填充至第一驾驶数据第二驾驶数据之间。通过采用上述技术方案，在确定第一预测数据第一实际数据相同后，表明计算的数据变化趋势正确，则可以降低采集频率。在数据传输后，通过数据的变化趋势，填充由于低频率采集导致的空缺数据，从而使数据更加完整。确保了数据的连续性和一致性，即使在低采集频率下，也可以提供完整的数据。

如果第一预测数据与第一实际数据不同，为了验证采集的第一实际数据是否为异常数据。则继续根据变化趋势，确定在第二时刻的第二预测数据，第二时刻为第一时刻的后一个时刻，且与第一时刻的间隔时长为采集间隔时长。同时在第二时刻获取采集的第二实际数据，第二实际数据与第二预测数据也为同一种驾驶数据，并且第二实际数据、第二预测数据、第一实际数据以及第一预测数据均为同一种驾驶数据。最后判断第二预测数据与第二实际数据是否相同，如果确定第二预测数据与第二实际数据相同，表明第一实际数据可能为异常数据，则去除第一实际数据，采用第一预测数据。

如果第一预测数据与第一实际数据不同，根据数据变化趋势预测第二时刻的预测数据，然后验证其准确性。如果第二时刻的第二预测数据与该时刻的第二实际数据一致，进一步表明数据变化趋势，第一实际数据可能为异常数据，则对其进行去除处理。

本实施例还公开了分布式边缘数据采集装置，参照图3，包括获取模块301、处理模块302以及判断模块303，其中：

获取模块301，用于获取多个不同时刻采集的目标驾驶数据，目标驾驶数据为多种驾驶数据中的任意一种驾驶数据，驾驶数据为预设车辆行驶过程中，车辆电子设备产生的数据。

处理模块302，用于根据多个目标驾驶数据，确定目标驾驶数据的变化趋势。

处理模块302，用于根据变化趋势，确定第一时刻的第一预测数据，第一时刻为当前时刻的后一个时刻，且与当前时刻的间隔时长为目标驾驶数据的采集间隔时长。

获取模块301，用于获取第一时刻采集的第一实际数据，第一实际数据与第一预测数据为同一种驾驶数据。

判断模块303，用于判断第一预测数据与第一实际数据是否相同，若确定第一预测数据与第一实际数据相同，则根据目标驾驶数据的当前采集频率，确定目标驾驶数据的调整采集频率，调整采集频率小于当前采集频率。

在一种可能的实施方式中，处理模块302，用于根据当前采集频率，确定时间窗口。

处理模块302，用于将时间窗口置于首位，以使时间窗口的起始点与多个目标驾驶数据的第一个目标驾驶数据重合。

处理模块302，用于确定多个目标驾驶数据中，时间窗口位于首位时包含的多个时间序列数据。

处理模块302，用于根据多个时间序列数据，确定统计指标，统计指标用于反映多个时间序列数据的特征。

处理模块302，用于依次滑动时间窗口，得到多个统计指标。

处理模块302，用于对多个统计指标进行回归分析，得到变化趋势。

在一种可能的实施方式中，处理模块302，用于根据当前采集频率，确定第一驾驶数据与第二驾驶数据之间的空缺位数，第一驾驶数据与第二驾驶数据为基于调整采集频率采集到的多个目标驾驶数据中，相邻的两个目标驾驶数据。

判断模块303，用于根据变化趋势，确定第一驾驶数据与第二驾驶数据之间的多个填充数据，多个填充数据与空缺位数相同。

处理模块302，用于将多个填充数据依次填充至第一驾驶数据与第二驾驶数据之间。

在一种可能的实施方式中，获取模块301，用于获取驾驶数据的当前采集频率。

判断模块303，用于判断当前采集频率与预设采集频率的大小关系，若确定当前采集频率小于预设采集频率，则对第三驾驶数据和第四驾驶数据中的第三驾驶数据进行去除处理，或者对第三驾驶数据和第四驾驶数据中的第四驾驶数据进行去除处理，第三驾驶数据和第四驾驶数据为多个驾驶数据中，相邻的两个驾驶数据。

在一种可能的实施方式中，获取模块301，用于若确定当前采集频率大于或等于预设采集频率，则获取目标驾驶数据的数据量。

处理模块302，用于根据数据量，对目标驾驶数据进行分组，以使每组的目标驾驶数据的数量相同。

处理模块302，用于对各组目标驾驶数据进行压缩处理，得到多个压缩包。

在一种可能的实施方式中，处理模块302，用于对每种驾驶数据进行清洗处理，以识别和纠正驾驶数据中的错误值和异常值。

处理模块302，用于对清洗处理后的驾驶数据进行转换处理，以统一数据格式。

处理模块302，用于对转换处理后的驾驶数据进行对齐处理，以保持多种驾驶数据在时间维度上的一致。

在一种可能的实施方式中，处理模块302，用于若确定第一预测数据与第一实际数据不同，则根据变化趋势确定第二时刻的第二预测数据，第二时刻为第一时刻的后一个时刻，且与第一时刻的间隔时长为采集间隔时长。

获取模块301，用于获取第二时刻采集的第二实际数据，第二实际数据与第二预测数据为同一种驾驶数据。

判断模块303，用于判断第二预测数据与第二实际数据是否相同，若确定第二预测数据与第二实际数据相同，则去除第一实际数据。

需要说明的是：上述实施例提供的装置在实现其功能时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将设备的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的装置和方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。

本实施例还公开了一种电子设备，参照图4，电子设备可以包括：至少一个处理器401，至少一个通信总线402，用户接口403，网络接口404，至少一个存储器405。

其中，通信总线402用于实现这些组件之间的连接通信。

其中，用户接口403可以包括显示屏（Display）、摄像头（Camera），可选用户接口403还可以包括标准的有线接口、无线接口。

其中，网络接口404可选的可以包括标准的有线接口、无线接口（如WI-FI接口）。

其中，处理器401可以包括一个或者多个处理核心。处理器401利用各种接口和线路连接整个服务器内的各个部分，通过运行或执行存储在存储器405内的指令、程序、代码集或指令集，以及调用存储在存储器405内的数据，执行服务器的各种功能和处理数据。可选的，处理器401可以采用数字信号处理（Digital Signal Processing，DSP）、现场可编程门阵列（Field-Programmable Gate Array，FPGA）、可编程逻辑阵列（Programmable LogicArray，PLA）中的至少一种硬件形式来实现。处理器401可集成中央处理器401（CentralProcessing Unit，CPU）、图像处理器401（Graphics Processing Unit，GPU）和调制解调器等中的一种或几种的组合。其中，CPU主要处理操作***、用户界面和应用程序等；GPU用于负责显示屏所需要显示的内容的渲染和绘制；调制解调器用于处理无线通信。可以理解的是，上述调制解调器也可以不集成到处理器401中，单独通过一块芯片进行实现。

其中，存储器405可以包括随机存储器405（Random Access Memory，RAM），也可以包括只读存储器405（Read-Only Memory）。可选的，该存储器405包括非瞬时性计算机可读介质（non-transitory computer-readable storage medium）。存储器405可用于存储指令、程序、代码、代码集或指令集。存储器405可包括存储程序区和存储数据区，其中，存储程序区可存储用于实现操作***的指令、用于至少一个功能的指令（比如触控功能、声音播放功能、图像播放功能等）、用于实现上述各个方法实施例的指令等；存储数据区可存储上面各个方法实施例中涉及的数据等。存储器405可选的还可以是至少一个位于远离前述处理器401的存储装置。如图所示，作为一种计算机存储介质的存储器405中可以包括操作***、网络通信模块、用户接口403模块以及分布式边缘数据采集方法的应用程序。

在图4所示的电子设备中，用户接口403主要用于为用户提供输入的接口，获取用户输入的数据；而处理器401可以用于调用存储器405中存储分布式边缘数据采集方法的应用程序，当由一个或多个处理器401执行时，使得电子设备执行如上述实施例中一个或多个的方法。

需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本申请并不受所描述的动作顺序的限制，因为依据本申请，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本申请所必需的。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。

在本申请所提供的几个实施例中，应该理解到，所披露的装置，可通过其他的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个***，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些服务接口，装置或单元的间接耦合或通信连接，可以是电性或其他的形式。

作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

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器405中。基于这样的理解，本申请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器405中，包括若干指令用以使得一台计算机设备（可为个人计算机、服务器或者网络设备等）执行本申请各个实施例方法的全部或部分步骤。而前述的存储器405包括：U盘、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述者，仅为本公开的示例性实施例，不能以此限定本公开的范围。即但凡依本公开教导所作的等效变化与修饰，皆仍属本公开涵盖的范围内。本领域技术人员在考虑说明书及实施例的公开后，将容易想到本公开的其他实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未记载的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的范围和精神由权利要求限定。

Claims (7)

1.分布式边缘数据采集方法，其特征在于，所述方法包括：

获取多个不同时刻采集的目标驾驶数据，所述目标驾驶数据为多种驾驶数据中的任意一种驾驶数据，所述驾驶数据为预设车辆行驶过程中，车辆电子设备产生的数据；

根据多个所述目标驾驶数据，确定所述目标驾驶数据的变化趋势；所述根据多个所述目标驾驶数据，确定所述目标驾驶数据的变化趋势，具体包括：根据当前采集频率，确定时间窗口；将所述时间窗口置于首位，以使所述时间窗口的起始点与多个所述目标驾驶数据的第一个目标驾驶数据重合；确定多个所述目标驾驶数据中，所述时间窗口位于首位时包含的多个时间序列数据；根据多个所述时间序列数据，确定统计指标，所述统计指标用于反映多个所述时间序列数据的特征；依次滑动所述时间窗口，得到多个所述统计指标；对多个所述统计指标进行回归分析，得到所述变化趋势；

根据所述变化趋势，确定第一时刻的第一预测数据，所述第一时刻为当前时刻的后一个时刻，且与所述当前时刻的间隔时长为所述目标驾驶数据的采集间隔时长；

获取所述第一时刻采集的第一实际数据，所述第一实际数据与所述第一预测数据为同一种驾驶数据；

判断所述第一预测数据与所述第一实际数据是否相同，若确定所述第一预测数据与所述第一实际数据相同，则根据所述目标驾驶数据的当前采集频率，确定所述目标驾驶数据的调整采集频率，所述调整采集频率小于所述当前采集频率；

在所述若确定所述第一预测数据与所述第一实际数据相同，则根据所述目标驾驶数据的当前采集频率，确定所述目标驾驶数据的调整采集频率之后，所述方法还包括：

根据所述当前采集频率，确定第一驾驶数据与第二驾驶数据之间的空缺位数，所述第一驾驶数据与所述第二驾驶数据为基于所述调整采集频率采集到的多个所述目标驾驶数据中，相邻的两个目标驾驶数据；

根据所述变化趋势，确定所述第一驾驶数据与所述第二驾驶数据之间的多个填充数据，所述多个填充数据的数量与所述空缺位数相同；

将多个所述填充数据依次填充至所述第一驾驶数据与所述第二驾驶数据之间；

在所述获取多个不同时刻采集的目标驾驶数据之后，所述方法还包括：

获取所述驾驶数据的当前采集频率；

判断所述当前采集频率与预设采集频率的大小关系，若确定所述当前采集频率小于预设采集频率，则对第三驾驶数据和第四驾驶数据中的所述第三驾驶数据进行去除处理，或者对所述第三驾驶数据和所述第四驾驶数据中的所述第四驾驶数据进行去除处理，所述第三驾驶数据和所述第四驾驶数据为多个所述驾驶数据中，相邻的两个驾驶数据。

2.根据权利要求1所述的分布式边缘数据采集方法，其特征在于，在所述判断所述当前采集频率与预设采集频率的大小关系之后，所述方法还包括：

若确定所述当前采集频率大于或等于所述预设采集频率，则获取所述目标驾驶数据的数据量；

根据所述数据量，对所述目标驾驶数据进行分组，以使每组的目标驾驶数据的数量相同；

对各组所述目标驾驶数据进行压缩处理，得到多个压缩包。

3.根据权利要求1所述的分布式边缘数据采集方法，其特征在于，在所述获取多个不同时刻采集的目标驾驶数据之前，所述方法还包括：

对每种所述驾驶数据进行清洗处理，以识别和纠正所述驾驶数据中的错误值和异常值；

对清洗处理后的所述驾驶数据进行转换处理，以统一数据格式；

对转换处理后的所述驾驶数据进行对齐处理，以保持多种所述驾驶数据在时间维度上的一致。

4.根据权利要求1所述的分布式边缘数据采集方法，其特征在于，在所述判断所述第一预测数据与所述第一实际数据是否相同之后，所述方法还包括：

若确定所述第一预测数据与所述第一实际数据不同，则根据所述变化趋势确定第二时刻的第二预测数据，所述第二时刻为所述第一时刻的后一个时刻，且与所述第一时刻的间隔时长为所述采集间隔时长；

获取所述第二时刻采集的第二实际数据，所述第二实际数据与所述第二预测数据为同一种驾驶数据；

判断所述第二预测数据与所述第二实际数据是否相同，若确定所述第二预测数据与所述第二实际数据相同，则去除所述第一实际数据。

5.分布式边缘数据采集装置，其特征在于，所述装置应用于如权利要求1-4任意一项所述的方法，包括获取模块(301)、处理模块(302)以及判断模块(303)，其中：

所述获取模块(301)，用于获取多个不同时刻采集的目标驾驶数据，所述目标驾驶数据为多种驾驶数据中的任意一种驾驶数据，所述驾驶数据为预设车辆行驶过程中，车辆电子设备产生的数据；

所述处理模块(302)，用于根据多个所述目标驾驶数据，确定所述目标驾驶数据的变化趋势；

所述处理模块(302)，用于根据所述变化趋势，确定第一时刻的第一预测数据，所述第一时刻为当前时刻的后一个时刻，且与所述当前时刻的间隔时长为所述目标驾驶数据的采集间隔时长；

所述获取模块(301)，用于获取所述第一时刻采集的第一实际数据，所述第一实际数据与所述第一预测数据为同一种驾驶数据；

所述判断模块(303)，用于判断所述第一预测数据与所述第一实际数据是否相同，若确定所述第一预测数据与所述第一实际数据相同，则根据所述目标驾驶数据的当前采集频率，确定所述目标驾驶数据的调整采集频率，所述调整采集频率小于所述当前采集频率。

6.一种电子设备，其特征在于，包括处理器(401)、存储器(405)、用户接口(403)以及网络接口(404)，所述存储器(405)用于存储指令，所述用户接口(403)和所述网络接口(404)均用于与其他设备通信，所述处理器(401)用于执行所述存储器(405)中存储的指令，以使所述电子设备执行如权利要求1-4任意一项所述的方法。

7.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有指令，当所述指令被执行时，执行如权利要求1-4任意一项所述的方法。