實時數據無處不在，由嵌入在各種技術（包括自動駕駛汽車、制造設備和醫(yī)療設備）中的傳感器生成。但是，“實時”對工程決策的真正含義是什么，更重要的是，如何使用實時數據？

許多工程師可能認為這些數據的主要用途是預測性維護，監(jiān)測產生所述數據的設備的長期可行性。雖然這肯定是這種數據的一種潛在用途，但它不是主要用途。實時數據最好由機器學習模型處理，這些模型能夠在收到數據時盡快分析數據。然后，此數據用于生成見解，這些見解將快速或“實時”發(fā)送到數據庫、儀表板或設備。

然而，工程師面臨的一個共同挑戰(zhàn)是處理實時數據，因為原始形式的數據太混亂，無法進行有效分析。使用機器學習模型來處理這些數據是有幫助的，但更重要的是，工程師必須在將實時數據放入這些模型之前有效地準備這些數據。

考慮汽車發(fā)動機的溫度計。從理論上講，從儀表收集的數據每秒捕獲一個溫度。但是，發(fā)動機的溫度由多個傳感器測量，每個傳感器的測量速率略有不同 - 稱為采樣率或時間步長 - 必須將其同步到單個數據集中，然后才能由模型進行分析。那么，工程師應該從哪里開始使用實時數據呢？

嘗試同步數據

在宏觀層面上，同步數據的目標與同步手表的目標相同 - 將一個不同的時間與另一個不同的時間對齊，以便它們一起流動。在微觀層面上，目標是將多個不同的數據點（本質上是幾個不同步的手表測量的秒數）實時合并到一個數據集中。然而，每個數據點都是如此的微不足道，它們之間的差距是如此細化，以至于將它們同步在一起需要仔細準備。

同步實時數據的第一步是對齊。它可以幫助工程師從所需的目標開始 - 特定的時間步長或采樣率，例如每小時或每10秒。但是，實時數據模型通常設計為一次僅處理 1 秒的數據。因此，同步原始設備數據需要創(chuàng)建一個運行在 0 到 1 秒之間的時間向量，時間步長為 0.001 秒，然后對數據進行“重采樣”以匹配新時間。

考慮到這一點，下一步是數據同步的藝術所在，因為工程師必須決定如何在時間不匹配的地方填寫數據點。這通常是通過對原始數據重新采樣來完成的。幾種常見的重采樣方法包括最近鄰、聚合和插值，最佳選擇取決于初始時間矢量對齊和應用要求。

當工程師不確定數據集之間的時間對齊時，常見的解決方案是用恒定值或缺失數據填充空白。這在涉及許多傳感器時尤其有用，因為瀏覽和可視化結果數據可以幫助確定如何繼續(xù)分析其余數據。如果時間緊密對齊，則可以使用所記錄的任何重采樣方法。如果時間不緊密對齊，工程師應聚合或插值數據。

想象一下，將每小時的數據轉換為每日數據。如何在單個數據點中表示 24 小時內的所有數據？此方案中的一個適當示例是數據聚合，例如每日平均值。對于非數值數據，模式、計數或最近鄰方法更為常見。

在處理實時傳感器數據時，特別是在時間僅略微錯位的情況下，許多工程師使用插值，因為它有助于提供數據趨勢的知識，因為需要填充的時間空間更少。如果在處理實時傳感器數據時點較遠，則多項式或樣條插值是更準確的方法。

下面是使用溫度、壓力和電流傳感器預測設備故障的示例。

圖 1：流式處理工作流的圖示。? 1984–2020 數學工程公司

在此示例中，消息傳遞服務處理原始傳感器數據，然后將其應用于模型，該模型用于實時生成預測。生成預測后，模型將更新并應用于下一組實時傳感器數據。這些結果會持續(xù)且反復地實時發(fā)送到儀表板。

實時數據和通用數據的區(qū)別

概述的準備實時數據的過程可能聽起來很有挑戰(zhàn)性。但是，對于工程師來說，它很常見，可以內置到大多數數據科學平臺的API和模塊中。由于與數據科學平臺的常見集成，在執(zhí)行此過程時，在使用實時傳感器數據構建模型之前，通常需要解決最少的額外數據準備注意事項。

其中一個考慮因素應該是規(guī)劃一個系統(tǒng)，這意味著在構建任何東西之前捕獲所有需求并建立參數。此外，在流程早期構建完整的流式處理原型也會有所幫助，因為它允許工程師在分析實時數據的同時返回調整算法。時間窗口可能是另一個需要考慮的好參數，因為這些參數通?？刂七M入系統(tǒng)的數據量。

構建模型時，工程師通常會對數據集進行平滑和縮減采樣。使用實時數據，可以添加頻域，從而創(chuàng)建一個新參數，以便在模型分析數據之前考慮這些參數。一旦原始數據被組織到具有匹配時間的單個數據集中，就更容易執(zhí)行其他分析。

總體而言，隨著自動駕駛汽車和醫(yī)療設備以及制造設備和其他設備繼續(xù)嵌入各種傳感器，實時數據將變得更加普遍。隨著工程師希望繼續(xù)為系統(tǒng)提供有價值的基于數據的見解，有效地導航傳感器數據的“實時”方面將非常重要。

審核編輯：郭婷