(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211524340.5 (22)申请日 2022.12.01 (71)申请人 中南大学 地址 410000 湖南省长 沙市岳麓区麓山 南 路932号 (72)发明人 刘佳琦　许虎城　李登　 (74)专利代理 机构 长沙轩荣专利代理有限公司 43235 专利代理师 李崇章 (51)Int.Cl. G06F 9/50(2006.01) G06N 20/20(2019.01) H04L 67/10(2022.01) (54)发明名称 基于不确定性的边缘计算数据收集分析方 法、 系统及设备 (57)摘要 本公开实施例中提供了一种基于不确定性 的边缘计算数据收集分析方法、 系统及设备， 属 于数据处理技术领域， 具体包括： 得到每个基学 习器的准确率均值、 不确定性和基学习器之间的 相关性； 确立集成学习模型的最优条件； 根据方 法使用者设置的不确定性的偏好和最优条件， 权 衡集成学习模 型的准确率和泛化能力， 并据此设 计不确定性参数； 计算出基学习器的最优组合权 重， 并以此确定最优权重集合； 使用基学习器对 所有数据进行学习训练， 并利用训练得到的集成 学习模型进行预测， 将预测的结果代入基于最优 权重集合的预测结果加权机制中， 加权得到最终 的数据分析结果。 通过本公开的方案， 在提高算 法准确率和泛化能力的同时， 在它们之间达到最 优的权衡。 权利要求书3页 说明书15页 附图5页 CN 115543638 A 2022.12.30 CN 115543638 A 1.一种基于不确定性的边 缘计算数据收集分析 方法， 其特 征在于， 包括： 步骤1， 根据确定的基学习器对目标边缘服务器收集到的数据进行训练分析以得到每 个所述基学习器的准确率均值、 不确定性和基学习器之间的相关性； 步骤2， 根据所述基学习器的准确率均值、 不确定性和基学习器之间的相关性， 确定集 成学习模型 的准确率均值和 不确定性的一般表达式， 并按照最大化准确 率均值， 最小化不 确定性的目标确立 集成学习模型的最优条件； 步骤3， 根据 方法使用者设置的不确定性的偏好和所述最优条件， 权衡集成学习模型的 准确率和泛化能力， 并据此设计不确定性 参数； 步骤4， 根据集成学习框架的最优条件以及方法使用者确定的不确定性参数， 计算出所 述基学习器的最优组合权 重， 并以此确定最优权 重集合； 步骤5， 使用基学习器对所有数据进行学习训练， 并利用训练得到的集成学习模型进行 预测， 将预测的结果代入基于最优权重集合的预测结果加权机制中， 加权得到最终的数据 分析结果。 2.根据权利要求1所述的方法， 其特 征在于,所述 步骤1具体包括： 根据确定的基学习器对该边缘服务器收集到的数据进行训练评估， 以确定该边缘服务 器的准确率和不确定性的集合， 中央服务器对边缘服务器的准确率和不确定性集合进 行分 析计算， 得到每 个基学习器的准确率均值、 不确定性和基学习器之间的相关性。 3.根据权利要求2所述的方法， 其特 征在于,所述基学习器的准确率均值的定义 为： 其中， 表示第 个基学习器 的准确率均值， 表示第 个基学习器在第 个边 缘服务器的数据集上训练学习的准确率， 表示边缘服务器的个数； 所述基学习器的不确定性的定义 为： 其中， 表示第 个基学习器 的不确定性； 所述基学习器之间相关性的定义 为： 其中， 为第 个基学习器的准确率构成的集合， 表示第 个基学习器 和第 个基学习器 的相关性， 表示 和 权　利　要　求　书 1/3 页 2 CN 115543638 A 2的协方差 。 4.根据权利要求3所述的方法， 其特 征在于,所述 最优条件的表达式为： 其中， 表示因为组合权重不同， 产生的无 数对可能的基学习器组合的准确率 不确定性组合对， 表示方法使用者的不确定性 参数； 其中， 产生的可能组合的准确率和不确定性的定义 为： 其中， 表示基学习器的个数， 表示第 个基学习器的的权重， 表示产生的可能 组合的准确率， 表示产生的可能的组合的不确定性； 其中， 通过对约束条件进行转换， 得到的最优化问题的定义 为： 其中， 表示由所有基学习器的权重构成的矩阵， 其中 表示准确率之间的协方差矩 阵， 定义为： 。 5.根据权利要求 4所述的方法， 其特 征在于,所述 不确定性 参数的定义 为： 其中， 为方法使用者设置的不确定性的偏好，权　利　要　求　书 2/3 页 3 CN 115543638 A 3