边缘端的时间数据融合

作为一种赋能技术，数据融合在物联网（IoT）背景下受到了极大关注。在传统设置中，数据融合在云服务器上完成。因此，待融合的数据须先从传感器节点传输至云服务器，再进行数据融合。这种数据融合应用模式继承了云计算框架中令人困扰的问题，例如隐私泄露、数据采集与计算间的大延迟、过量的入站带宽消耗。我们考虑如何在边缘端进行时间数据融合以规避上述问题。我们提出了一种基于高斯过程的时间数据融合（GPTDF）方法，针对边缘端顺序在线预测问题。GPTDF方法契合边缘计算框架，从而继承了边缘计算所具有的理想特性，如隐私保护、数据采集与计算间的低延迟以及极小的带宽消耗。通过使用来自Caltrans性能测量系统（PeMS）的归档交通数据集进行真实数据实验，我们证明了GPTDF的应用能够在网络边缘提供更及时、准确的实时预测。