3、物联网数据流：概念、模型及医疗应用

物联网数据流：概念、模型及医疗应用

1. 物联网数据流处理技术与概念漂移

在物联网数据流处理中，有并行分析和增量或串行处理等技术。并行分析可将数据分割为多个子集同时处理；增量或串行处理则是快速处理小批量数据样本。不过，这些技术虽能降低响应延迟，但对物联网流应用而言并非最佳。采用边缘/雾计算，让流分析更靠近物联网和边缘设备，可减少对中央数据并行和顺序处理的依赖。

在Web挖掘、社交网络、网络监控等多个领域，数据样本通过无界流不断到来。生成这些数据流的底层现象会不断演变，系统环境具有动态、进化或非平稳的特性。在分类学习中，输出是离散类标签；回归学习中，输出是变量的数值。这两种情况下要学习的内容被称为“概念”，学习者的输出是对该概念的描述。随着数据流的演变，输入空间与输出空间（类别）的映射会发生变化，从而导致概念漂移。

概念漂移可根据新老概念的替换方式进行定义，其相关标准能体现漂移周期、速度、强度、严重程度和频率等特征，这些特征有助于找到处理概念漂移的合适方法和工具。此外，数据流的演变还会引发概念进化，即新类别出现或现有类别消失。

1.1 漂移速度

漂移持续时间（也叫漂移时间或漂移宽度）指新概念完全取代旧概念所需的时间步数。漂移速度是漂移时间的倒数，计算公式为 (V_d = \frac{1}{t_{de}-t_{ds}})，其中 (t_{ds}) 和 (t_{de}) 分别是漂移开始和结束的时间。根据速度，漂移可分为：
- 突然漂移 ：新概念在短时间内突然取代旧概念，会立即降低分类器的性能。
- 渐进漂移 ：漂移时间相对较长，由于新旧概念共存，难以