基于聚类的物联网监测点相邻关系的判定与分析

计算机工程与科学

基于聚类的物联网监测点相邻关系的判定与分析

李永飞1，郭晓欣1，田立勤1,2

（1.华北科技学院计算机学院，北京 101601;2.青海师范大学计算机学院，青海西宁 810008）

收稿日期:2018-07-03 修回日期:2018-10-17 出版日期:2019-07-25 发布日期:2019-07-25
基金资助:
国家自然科学基金（61472137）;青海省科技计划（2017ZJ752）;中央高校基本科研业务费（3142017067）;廊坊市科技支撑计划(2016013117);青海省重点实验室重点研发项目（2017ZJ752，2017ZJY21）;河北省物联网监控工程技术研究中心项目（3142016020）

Determination and analysis of neighbor relationship of

monitoring points in Internet of Things based on clustering

LI Yongfei1，GUO Xiaoxin1，TIAN Liqin1,2

（1.School of Computer,North China Institute of Science & Technology,Beijing 101601；

2.School of Computer Science and Technology,Qinghai Normal University,Xining 810008,China）

Received:2018-07-03 Revised:2018-10-17 Online:2019-07-25 Published:2019-07-25

摘要/Abstract

摘要：

物联网监测点相邻关系判定是实现物联网监测异常数据审核时需要解决的一个重要问题。为了克服传统的基于行政区域或地理位置直接指定相邻关系存在的不足，
采用聚类分析方法，用轮廓系数作为确定簇数和选择算法的依据，实现了一种基于历史监测数据的物联网监测点逻辑相邻关系判定方法。使用实际监测数据对该方法进行了验证，实验结果表明，所得到的相邻关系符合监测数据的实际关系，能够为物联网监测数据有效性审核提供更加科学合理的处理依据。

关键词: 物联网监测, 聚类, 相邻关系, 轮廓系数

Abstract:

It is very important to determine the neighbor relationship of the monitoring points in Internet of Things when abnormal monitoring data is audited. Traditionally the neighbor relationship is directly set according to administrative area or geographical location of monitoring points, whereas some shortcomings need to be overcome. We propose a method for determining the neighbor relationship of the monitoring points in Internet of Things based on historical monitoring data. It adopts the clustering analysis method, and chooses cluster number and clustering algorithm according to silhouette coefficients. Experiments on real monitoring data show that the neighbor relationship obtained through the proposed method is more in line with the true situation, and can provide a more scientific and reasonable basis for verifying the validity of the monitoring data of Internet of Things.

Key words: Internet of Things monitoring, clustering, neighbor relationship, silhouette coefficient

李永飞1，郭晓欣1，田立勤1,2. 基于聚类的物联网监测点相邻关系的判定与分析[J]. 计算机工程与科学.

LI Yongfei1，GUO Xiaoxin1，TIAN Liqin1,2.

Determination and analysis of neighbor relationship of

monitoring points in Internet of Things based on clustering

[J]. Computer Engineering & Science.

[1]	柴旭清, 乔一航, 范黎林, . 一种基于随机森林分类器构建高性能应用程序性能分析模型的方法[J]. 计算机工程与科学, 2024, 46(07): 1218-1228.
[2]	宋鑫海, 韩京宇, 郎杭, 毛毅. 滑动窗口投票策略的QRS波群形态识别[J]. 计算机工程与科学, 2024, 46(02): 272-281.
[3]	钟卓辉, 陈黎飞, . 基于模型的非凸聚类算法[J]. 计算机工程与科学, 2024, 46(02): 292-302.
[4]	肖振国, 陈林书, 孙少杰, 梅本霞, 柳媛慧, 赵磊. 基于代数粒的聚类方法[J]. 计算机工程与科学, 2024, 46(01): 150-158.
[5]	王若宾, 耿芳东, 张永梅, 宋威, 王伟锋, 徐琳. 基于改进自适应DBSCAN的混合式MOOC视频观看模式挖掘[J]. 计算机工程与科学, 2023, 45(09): 1670-1678.
[6]	李帅, 常锦才, 李吕牧之, 蔡昆杰, . 基于差分隐私保护的Stacking集成聚类算法研究[J]. 计算机工程与科学, 2022, 44(08): 1402-1408.
[7]	李兰, 刘杰, 张洁. 基于YOLOv4改进算法的复杂行人检测模型研究[J]. 计算机工程与科学, 2022, 44(08): 1449-1456.
[8]	陈奉贤. 基于NR-Transformer的集群作业运行时间预测[J]. 计算机工程与科学, 2022, 44(07): 1181-1190.
[9]	庞兴龙, 朱国胜, 杨少龙, 李修远. 一种基于聚类与噪声的网络流量分类方法[J]. 计算机工程与科学, 2022, 44(07): 1207-1215.
[10]	黄志强, 李军, 张世义. 基于轻量级神经网络的目标检测研究[J]. 计算机工程与科学, 2022, 44(07): 1265-1272.
[11]	刘榕, 伍欣, 敖斌, 文青, 李宽. 用于CD56图像分割的细胞标注精细化与自适应加权损失[J]. 计算机工程与科学, 2022, 44(05): 870-878.
[12]	刘云, 肖添, 王梓宇. 动态特征选择算法对恶意行为检测的优化研究[J]. 计算机工程与科学, 2022, 44(04): 665-673.
[13]	袁泉, 晏飞扬, 文志云, 张振康, . 基于谱聚类的社交网络差分隐私保护算法研究[J]. 计算机工程与科学, 2022, 44(02): 251-256.
[14]	许光宇, 丁健. 基于特征聚类的大视差图像拼接算法 [J]. 计算机工程与科学, 2022, 44(02): 283-290.
[15]	沈郭鑫, 蒋中云. 基于密度和中心指标的Canopy二分K-均值算法优化[J]. 计算机工程与科学, 2022, 44(02): 372-380.