本发明涉及数据传输，具体涉及一种煤矿数据优化传输方法。
背景技术：
1、煤矿产业作为我国重要产业类型，在推动我国经济发展方面发挥着举足轻重的作用，为了提高煤矿井下生产的安全性，需要实时的对各项煤矿数据进行传输检测，但由于煤矿井下存在许多传感器，且传感器采集数据的频率高，导致在传输数据时的传输负载高。因此本技术通过采用预测编码，即通过预测算法预先对接下来的数据进行预测，并通过实时采集后的数据，仅传输与预测结果的差值，但由于在煤矿数据中存在噪声数据，而噪声数据会使得后续基于预测数据进行预测编码压缩时的精度和效率都会影响，即煤矿数据得不到良好的传输。
技术实现思路
1、本发明提供一种煤矿数据优化传输方法，以解决现有的问题：煤矿数据中的噪声数据会对预测结果产生影响，导致后续基于预测数据进行预测编码压缩时的精度和效率低。
2、本发明的一种煤矿数据优化传输方法采用如下技术方案：
3、包括以下步骤：
4、采集所有时刻下的煤矿数据，所述煤矿数据包括电压数据、电流数据以及温度数据；
5、对各项煤矿数据进行拟合并划分，获取各项煤矿数据的局部范围以及局部范围内的拟合曲线段；根据各项煤矿数据中每个数据与各项煤矿数据中的极值点，计算每个数据点的约束系数；根据局部范围中每个数据点的约束系数、煤矿数据的局部范围以及局部范围内的拟合曲线段，计算局部范围的异常波动程度；
6、根据局部范围的异常波动程度，获取疑似异常数据段，并计算疑似异常数据段的波动特征；根据疑似异常数据段的波动特征，获取疑似异常数据段的孤立程度；将疑似异常数据段的孤立程度作为疑似异常数据段中数据局部范围的孤立程度，同时将不是疑似异常局部范围的孤立程度置为0；
7、根据各项煤矿数据中每个局部范围的数据的分布情况以及异常波动程度，计算各项煤矿数据中的局部范围的噪声因子；
8、根据局部范围的异常波动程度、局部范围的孤立程度以及局部范围的噪声因子，获取局部范围预测价值；得到局部范围的预测价值后，将局部范围的预测价值作为局部范围内每个数据的预测价值；根据数据的预测价值优化误差模型。
9、优选的，所述对各项煤矿数据进行拟合并划分，获取各项煤矿数据的局部范围以及局部范围内的拟合曲线段，包括的具体方法为：
10、对于第项煤矿数据，以第项煤矿数据为纵坐标，以时间为横坐标建立第项煤矿数据的坐标系，将第项煤矿数据中所有数据置入第项煤矿数据的坐标系中，同时获取第项煤矿数据中所有的极值点，利用最小二乘法对第项煤矿数据中所有的极值点进行曲线拟合，得到第项煤矿数据的拟合曲线，记为第条拟合曲线；
11、预设一个大小为的时间窗口，将时间窗口以为步长在第项煤矿数据的坐标系中滑动，得到若干个时间窗口，将每个位置下对应时间窗口内的所有煤矿数据作为煤矿数据的局部范围，得到若干个局部范围，并将窗口内的拟合曲线作为煤矿数据的局部范围所对应的拟合曲线段。
12、优选的，所述根据各项煤矿数据中每个数据与各项煤矿数据中的极值点，计算每个数据点的约束系数，包括的具体方法为：
13、对于第个数据点，首先将第个数据点的上一个极值点与下一个极值点，作为第个数据点的特征极值点；
14、然后，判断第个数据点是否为极值点，若第个数据点不是极值点，则计算第个数据点与第个数据点的特征极值点在时序上的距离，将时序上与第个数据点最近的第个数据点的特征极值点，作为第个数据点的目标极值点，同时获取第个数据点的目标极值点与第个数据点在时序上的距离；根据第个数据点的特征极值点的幅值、第个数据点的目标极值点与第个数据点在时序上的距离，计算第个数据点的约束系数，其具体的计算公式为：
15、
16、若第个数据点是极值点，则根据第个数据点的特征极值点的幅值，计算第个数据点的约束系数，其具体的计算公式为：
17、
18、式中，表示第个数据点的约束系数；表示第个数据点的第一个特征极值点的幅值；表示第个数据点的第二个特征极值点的幅值；表示第个数据点的目标极值点与第个数据点在时序上的距离；表示自然常数；表示绝对值运算；表示激活函数。
19、优选的，所述根据局部范围中每个数据点的约束系数、煤矿数据的局部范围以及局部范围内的拟合曲线段，计算局部范围的异常波动程度，包括的具体方法为：
20、对于第个局部范围内的第个数据，首先计算第个局部范围以及局部范围内的拟合曲线段中的第个数据之间的差的绝对值，记为第个局部范围内的第个数据的第一差异因子；将第一差异因子与1减去第个局部范围内的第个数据的约束系数的差相乘，将乘积记为第个局部范围内的第个数据的差异因子，将第个局部范围内的所有数据的差异因子的均值，作为第个局部范围的异常波动程度。
21、优选的，所述根据局部范围的异常波动程度，获取疑似异常数据段，并计算疑似异常数据段的波动特征，包括的具体方法为：
22、对于第项煤矿数据，预设一个异常波动程度阈值，将第项煤矿数据的各个局部范围按照局部范围的异常波动程度进行降序排序，得到第项煤矿数据的局部范围序列，将第项煤矿数据的局部范围序列中前的局部范围，作为第项煤矿数据的疑似异常局部范围；
23、将煤矿数据中连续的疑似异常局部范围，作为同一段疑似异常数据段，对于计算任意一个疑似异常数据段的孤立程度，首先获取疑似异常数据段中每个局部范围内所有数据的标准差，记为局部范围的标准差；接着，将疑似异常数据段中每个局部范围进行两两组合，得到若干组合；然后计算疑似异常数据段中的每个组合内的局部范围间的皮尔逊相关系数；最后根据疑似异常数据段中的每个组合内的局部范围间的皮尔逊相关系数以及疑似异常数据段中的局部范围的标准差，计算疑似异常数据段的波动特征，其具体的计算公式为：
24、
25、式中，表示疑似异常数据段的波动特征；表示疑似异常数据段中的组合数量；表示第个组合内的局部范围间的皮尔逊相关系数；表示第个组合内的第一个局部范围的标准差；表示第个组合内的第二个局部范围的标准差；表示绝对值运算；表示激活函数。
26、优选的，所述根据疑似异常数据段的波动特征，获取疑似异常数据段的孤立程度，包括的具体方法为：
27、对于计算第个疑似异常数据段的孤立程度，首先获取所有疑似异常数据段的波动特征以及所有疑似异常数据段内的局部范围数量，计算第个疑似异常数据段的孤立程度，其具体的计算公式为：
28、
29、式中，表示第个疑似异常数据段的孤立程度；表示第个疑似异常数据段的波动特征；表示第个疑似异常数据段的波动特征；表示第个疑似异常数据段内的局部范围数量；表示疑似异常数据段的数量。
30、优选的，所述根据各项煤矿数据中每个局部范围的标准差以及异常波动程度，计算各项煤矿数据中的局部范围的噪声因子，包括的具体方法为：
31、对于第项煤矿数据，首先获取煤矿数据中每个局部范围的标准差以及异常波动程度；
32、对于第项煤矿数据中的第个局部范围，利用激活函数对第项煤矿数据中的第个局部范围的标准差与异常波动程度进行归一化，得到归一化后的第项煤矿数据中的第个局部范围的标准差与异常波动程度，将归一化后的第项煤矿数据中的第个局部范围的标准差与异常波动程度的乘积，作为第项煤矿数据中的第个局部范围的可信因子；获取第项煤矿数据中所有局部范围的可信因子；
33、将第项煤矿数据中所有局部范围的可信因子的均值，作为第项煤矿数据的可信程度；
34、根据各项煤矿数据的可信程度以及所有项煤矿数据中的局部范围的异常波动程度，计算各项煤矿数据中的局部范围的噪声因子。
35、优选的，所述根据各项煤矿数据的可信程度以及所有项煤矿数据中的局部范围的异常波动程度，计算各项煤矿数据中的局部范围的噪声因子，包括的具体方法为：
36、对于计算第项煤矿数据中的第个局部范围的噪声因子，首先获取所有项煤矿数据中的第个局部范围的异常波动程度；根据所有项煤矿数据中的第个局部范围的异常波动程度以及每项煤矿数据的可信程度，计算第项煤矿数据中的第个局部范围的噪声因子，其具体的计算公式为：
37、
38、式中，表示第项煤矿数据中的第个局部范围的噪声因子；表示所有煤矿数据的项数；表示第项煤矿数据中的第个局部范围的异常波动程度；表示第项煤矿数据中的第个局部范围的异常波动程度；表示第项煤矿数据的可信程度，经过归一化处理；表示第项煤矿数据的不可信程度。
39、优选的，所述根据局部范围的异常波动程度、局部范围的孤立程度以及局部范围的噪声因子，获取局部范围预测价值，包括的具体方法为：
40、对于第项煤矿数据的第个局部范围，若第项煤矿数据的第个局部范围是疑似异常局部范围，则将第项煤矿数据的第个局部范围的异常波动程度、孤立程度以及噪声因子的乘积作为特征因子，利用激活函数对特征因子进行归一化，得到归一化后的特征因子，将1减去归一化后的特征因子，作为第项煤矿数据的第个局部范围的预测价值；
41、若第项煤矿数据的第个局部范围不是疑似异常局部范围，则将第项煤矿数据的第个局部范围的异常波动程度以及噪声因子的乘积作为特征因子，利用激活函数对特征因子进行归一化，得到归一化后的特征因子，将1减去归一化后的特征因子，作为第项煤矿数据的第个局部范围的预测价值。
42、优选的，所述根据数据的预测价值优化误差模型，包括的具体方法为：
43、利用arima算法对各项煤矿数据进行预测，得到预测的煤矿数据，根据预测的煤矿数据以及煤矿数据，优化arima算法中的误差模型，优化后的误差模型为：
44、
45、式中，表示优化后的误差模型；表示煤矿数据的数量；表示第个煤矿数据；表示预测的第个煤矿数据；表示第个煤矿数据的预测价值。
46、本发明的技术方案的有益效果是：本技术首先对各项煤矿数据进行区域划分，得到各项煤矿数据的局部范围，根据单个局部范围自身的波动、多个局部范围之间的波动差异以及不同项的煤矿数据的局部范围间的波动差异、分别得到局部范围的异常波动程度、局部范围的孤立程度以及局部范围的噪声因子，用以衡量每个局部范围受到噪声的影响程度，得到每个局部范围的预测价值，以此优化预测算法中的误差模型使得降低噪声数据的干扰，从而达到优化传输的目的。
1.一种煤矿数据优化传输方法，其特征在于，该方法包括以下步骤：
2.根据权利要求1所述一种煤矿数据优化传输方法，其特征在于，所述对各项煤矿数据进行拟合并划分，获取各项煤矿数据的局部范围以及局部范围内的拟合曲线段，包括的具体方法为：
3.根据权利要求1所述一种煤矿数据优化传输方法，其特征在于，所述根据各项煤矿数据中每个数据与各项煤矿数据中的极值点，计算每个数据点的约束系数，包括的具体方法为：
4.根据权利要求1所述一种煤矿数据优化传输方法，其特征在于，所述根据局部范围中每个数据点的约束系数、煤矿数据的局部范围以及局部范围内的拟合曲线段，计算局部范围的异常波动程度，包括的具体方法为：
5.根据权利要求1所述一种煤矿数据优化传输方法，其特征在于，所述根据局部范围的异常波动程度，获取疑似异常数据段，并计算疑似异常数据段的波动特征，包括的具体方法为：
6.根据权利要求1所述一种煤矿数据优化传输方法，其特征在于，所述根据疑似异常数据段的波动特征，获取疑似异常数据段的孤立程度，包括的具体方法为：
7.根据权利要求1所述一种煤矿数据优化传输方法，其特征在于，所述根据各项煤矿数据中每个局部范围的标准差以及异常波动程度，计算各项煤矿数据中的局部范围的噪声因子，包括的具体方法为：
8.根据权利要求7所述一种煤矿数据优化传输方法，其特征在于，所述根据各项煤矿数据的可信程度以及所有项煤矿数据中的局部范围的异常波动程度，计算各项煤矿数据中的局部范围的噪声因子，包括的具体方法为：
9.根据权利要求1所述一种煤矿数据优化传输方法，其特征在于，所述根据局部范围的异常波动程度、局部范围的孤立程度以及局部范围的噪声因子，获取局部范围预测价值，包括的具体方法为：
10.根据权利要求1所述一种煤矿数据优化传输方法，其特征在于，所述根据数据的预测价值优化误差模型，包括的具体方法为：
