本发明涉及信息技术领域，具体而言，涉及一种监测数据预测方法、装置、设备及可读存储介质。包括获取监测点的监测数据，所述监测数据包括所述监测点每一数据时刻与所述监测点最初监测数据的差值；绘制计算曲线；根据所述计算曲线计算每一数据时刻所述计算曲线的第一切线角值；根据所述第一切线角值和回归参数，计算下一数据时刻所述计算曲线切线角的预测值；根据所述下一数据时刻所述计算曲线切线角的预测值，计算所述监测点下一数据时刻监测数据与所述监测点最初监测数据的差值的预测值。本发明通过直接利用的监测数据进行监测数据的预测，预测数据准确度高，误差小，有利于评估监测对象的安全。
1.一种监测数据预测方法，其特征在于，包括：获取监测点的监测数据，所述监测数据包括所述监测点每一数据时刻与所述监测点最初监测数据的差值；
根据所述计算曲线计算每一数据时刻所述计算曲线的第一切线角值；
根据所述第一切线角值和回归参数，计算下一数据时刻所述计算曲线切线角的预测值；
根据所述下一数据时刻所述计算曲线切线角的预测值，计算所述监测点下一数据时刻监测数据与所述监测点最初监测数据的差值的预测值；
所述根据所述第一切线角值和回归参数，计算下一数据时刻所述计算曲线切线角的预测值，包括：
采以下公式确定模型的阶数p，公式(5)中 N为移量匀速变化段样本数，n＝N/2；
通过采用最小二乘法估计模型参数μi，包括以下公式，T ‑1 T
μ＝(XX) XY (6)公式(6)中， αp表示移量匀速变化段种第p个样本的第一切T T
线角值，μ＝[μ1 μ2 … μp] ,Y＝[αp+1 αp+2 … αN]；
构建下一数据时刻所述计算曲线切线角的预测值的计算模型，如以下公式，αt+1＝μ1αt+μ2αt‑1+...+μpαt‑p+1+β (7)公式(7)中，at+1为下一数据时刻所述计算曲线切线角的预测值，β为白噪声序列，ui为自回归参数，i＝1，2，3，...，p。
2.根据权利要求1所述的监测数据预测方法，其特征在于，所述绘制计算曲线，包括：根据所述监测数据绘制第一曲线，所述第一曲线设置在第一二维坐标系中，所述二维坐标系中的一个坐标轴为时间，另一个坐标轴为监测数据；
在所述第一曲线中找出监测数据匀速变化段，计算所述监测数据匀速变化段中所述监测点监测数据的平均变化速度；
将所述第一曲线进行量纲统一，在量纲统一后绘制第二曲线；所述第二曲线为所述计算曲线；所述第二曲线设置在第二二维坐标系中，所述第二二维坐标系中的一个坐标轴为时间，另一个坐标轴为量纲统一后每一数据时刻的中间值。
3.根据权利要求2所述的监测数据预测方法，其特征在于：所述在所述第一曲线中找出监测数据匀速变化段，计算所述监测数据匀速变化段中所述监测点监测数据的平均变化速度，包括：
在所述第二切线角值中找到小于或等于45度的多个连续的所述第二切线角值所在的数据时刻区段，获得所述监测数据匀速变化段；
通过以下公式计算所述监测数据匀速变化段中每一样本时段所述监测点监测数据的平均变化速度，
公式(1)中，vt为所述监测数据匀速变化段中当前样本时段所述监测点监测数据的平均变化速度，St为t时刻所述监测数据匀速变化段中每一样本时刻所述监测点当前监测数据与最初监测数据的差值，St‑1为t‑1时刻所述监测数据匀速变化段中每一样本时刻所述监测点当前监测数据与最初监测数据的差值，tt为当前样本时刻，tt‑1为当前样本时刻的上一样本时刻；
通过以下公式计算所述监测数据匀速变化段中所述监测点监测数据的平均变化速度，公式(2)中，v为监测数据匀速变化阶段中所述监测点监测数据的平均变化速度，m为监测数据匀速变化阶段的样本数量，t为当前样本时刻，vt为所述监测数据匀速变化段中当前样本时段所述监测点监测数据的平均变化速度。
4.根据权利要求2所述的监测数据预测方法，其特征在于,所述将所述第一曲线进行量纲统一，包括：
公式(3)中，T(t)为量纲统一后每一数据时刻的中间值；St为t时刻所述监测数据匀速变化段中每一样本时刻所述监测点当前监测数据与最初监测数据的差值，v为监测数据匀速变化阶段中所述监测点监测数据的平均变化速度。
5.根据权利要求2所述的监测数据预测方法，其特征在于，所述根据所述计算曲线计算每一数据时刻所述计算曲线的第一切线角值，包括：通过以下公式计算每一数据时刻所述计算曲线的第一切线角值，公式(4)中，at为每一数据时刻所述计算曲线的第一切线角值；tt为当前样本时刻，tt‑1为当前样本时刻的上一样本时刻，T(t)为量纲统一后每一数据时刻的中间值，Δt为当前样本时刻与上一样本时刻的时间差，ΔT为Δt时间段内T(t)的变化量。
6.根据权利要求2所述的监测数据预测方法，其特征在于，所述根据所述下一数据时刻所述计算曲线切线角的预测值，计算所述监测点下一数据时刻监测数据与所述监测点最初监测数据的差值的预测值，包括：通过以下公式计算所述监测点下一数据时刻监测数据与所述监测点最初监测数据的差值的预测值，
Xt+1＝Xt+v*Δt*tan(αt+1) (8)公式(8)中，Xt+1为所述监测点下一数据时刻监测数据与所述监测点最初监测数据的差值的预测值，Xt为所述监测点当前数据时刻与所述监测点最初监测数据的差值，v为监测数据匀速变化阶段中所述监测点监测数据的平均变化速度，Δt为当前样本时刻与下一样本时刻的时间差。
7.一种监测数据预测装置，其特征在于，包括：数据读取模块，用于获取监测点的监测数据，所述监测数据包括所述监测点每一数据时刻与所述监测点最初监测数据的差值；
第一计算模块，用于根据所述计算曲线计算每一数据时刻所述计算曲线的第一切线角值；
第二计算模块，用于根据所述切线角和回归参数，计算下一数据时刻所述计算曲线切线角的预测值；
第三计算模块，用于根据所述下一数据时刻所述计算曲线切线角的预测值，计算所述监测点下一数据时刻监测数据与所述监测点最初监测数据的差值的预测值；
所述根据所述第一切线角值和回归参数，计算下一数据时刻所述计算曲线切线角的预测值，包括：
采以下公式确定模型的阶数p，公式(5)中 N为移量匀速变化段样本数，n＝N/2；
通过采用最小二乘法估计模型参数μi，包括以下公式，T ‑1 T
μ＝(XX) XY (6)公式(6)中， αp表示移量匀速变化段种第p个样本的第一切T T
线角值，μ＝[μ1 μ2 … μp] ,Y＝[αp+1 αp+2 … αN]；
构建下一数据时刻所述计算曲线切线角的预测值的计算模型，如以下公式，αt+1＝μ1αt+μ2αt‑1+...+μpαt‑p+1+β (7)公式(7)中，at+1为下一数据时刻所述计算曲线切线角的预测值，β为白噪声序列，ui为自回归参数，i＝1，2，3，...，p。
8.一种监测数据预测设备，其特征在于，包括：存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如权利要求1至7任一项所述监测数据预测方法的步骤。
9.一种可读存储介质，其特征在于：所述可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述监测数据预测方法的步骤。
一种监测数据预测方法、装置、设备及可读存储介质
技术领域
[0001] 本发明涉及信息技术领域，具体而言，涉及一种监测数据预测方法、装置、设备及可读存储介质。
背景技术
[0002] 现有的监测数据分析通常采用基于模型和数据驱动两类方法，基于模型的方法对理论模型的精度和监测数据的质量要求很高，目前在实际工程应用中未达到预期效果。数
据驱动是通过研究监测数据本身的变化规律和概率分布来识别结构状态的变化模式，是近
几年健康监测领域的研究热点。传统数据驱动方法使用的数据集较少，在被用在大数据集
上时其性能提升往往有限。因此如何通过分析海量监测数据认知结构状态并识别可能的损
伤，仍是健康监测需要解决的问题。
发明内容
[0003] 本发明的目的在于提供一种监测数据预测方法、装置、设备及可读存储介质，以改善上述问题。
[0004] 为了实现上述目的，本申请实施例提供了如下技术方案：
[0005] 一种监测数据预测方法，包括：获取监测点的监测数据，所述监测数据包括所述监测点每一数据时刻与所述监测点最初监测数据的差值；绘制计算曲线；根据所述计算曲线
计算每一数据时刻所述计算曲线的第一切线角值；根据所述第一切线角值和回归参数，计
算下一数据时刻所述计算曲线切线角的预测值；根据所述下一数据时刻所述计算曲线切线
角的预测值，计算所述监测点下一数据时刻监测数据与所述监测点最初监测数据的差值的
预测值。
[0006] 可选地，所述绘制计算曲线，包括：根据所述监测数据绘制第一曲线，所述第一曲线设置在第一二维坐标系中，所述二维坐标系中的一个坐标轴为时间，另一个坐标轴为监
测数据；在所述第一曲线中找出监测数据匀速变化段，计算所述监测数据匀速变化段中所
述监测点监测数据的平均变化速度；将所述第一曲线进行量纲统一，在量纲统一后绘制第
二曲线；所述第二曲线为所述计算曲线；所述第二曲线设置在第二二维坐标系中，所述第二
二维坐标系中的一个坐标轴为时间，另一个坐标轴为量纲统一后每一数据时刻的中间值。
[0007] 可选地，所述在所述第一曲线中找出监测数据匀速变化段，计算所述监测数据匀速变化段中所述监测点监测数据的平均变化速度，包括：计算出所述第一曲线中每一数据
时刻的第二切线角值；在所述第二切线角值中找到小于或等于45度的多个连续的所述第二
切线角值所在的数据时刻区段，获得所述监测数据匀速变化段；
[0008] 通过以下公式计算所述监测数据匀速变化段中每一样本时段所述监测点监测数据的平均变化速度，
[0009]
[0010] 公式(1)中，vt为所述监测数据匀速变化段中当前样本时段所述监测点监测数据的平均变化速度，St为t时刻所述监测数据匀速变化段中每一样本时刻所述监测点当前监
测数据与最初监测数据的差值，St‑1为t‑1时刻所述监测数据匀速变化段中每一样本时刻所
述监测点当前监测数据与最初监测数据的差值，tt为当前样本时刻，tt‑1为当前样本时刻的
上一样本时刻；
[0011] 通过以下公式计算所述监测数据匀速变化段中所述监测点监测数据的平均变化速度，
[0012]
[0013] 公式(2)中，v为监测数据匀速变化阶段中所述监测点监测数据的平均变化速度，m为监测数据匀速变化阶段的样本数量，t为当前样本时刻，vt为所述监测数据匀速变化段中
当前样本时段所述监测点监测数据的平均变化速度。
[0014] 可选地，所述将所述第一曲线进行量纲统一，包括：
[0015] 通过以下公式进行量纲统一，
[0016]
[0017] 公式(3)中，T(t)为量纲统一后每一数据时刻的中间值；St为t时刻所述监测数据匀速变化段中每一样本时刻所述监测点当前监测数据与最初监测数据的差值，v为监测数
据匀速变化阶段中所述监测点监测数据的平均变化速度。
[0018] 可选地，所述根据所述计算曲线计算每一数据时刻所述计算曲线的第一切线角值，包括：
[0019] 通过以下公式计算每一数据时刻所述计算曲线的第一切线角值，
[0020]
[0021] 公式(4)中，at为每一数据时刻所述计算曲线的第一切线角值；tt为当前样本时刻，tt‑1为当前样本时刻的上一样本时刻，T(t)为量纲统一后每一数据时刻的中间值，Δt为当
前样本时刻与上一样本时刻的时间差，ΔT为Δt时间段内T(t)的变化量。
[0022] 可选地，所述根据所述第一切线角值和回归参数，计算下一数据时刻所述计算曲线切线角的预测值，包括：
[0023] 采以下公式确定模型的阶数p，
[0024]
[0025] 公式(5)中 N为所述移量匀速变化段样本数，n＝N/2；
[0026] 通过采用最小二乘法估计模型参数μi，包括以下公式，
[0027] μ＝(XTX)‑1XTY (6)
[0028] 公式(6)中， αp表示所述移量匀速变化段种第p个样本T T
的第一切线角值，μ＝[μ1 μ2 … μp] ,Y＝[αp+1 αp+2 … αN]；
[0029] 构建下一数据时刻所述计算曲线切线角的预测值的计算模型，如以下公式，
[0030] αt+1＝μ1αt+μ2αt‑1+...+μpαt‑p+1+β (7)
[0031] 公式(7)中，at+1为下一数据时刻所述计算曲线切线角的预测值，β为白噪声序列，ui为自回归参数，i＝1，2，3，...，p。
[0032] 可选地，所述根据所述下一数据时刻所述计算曲线切线角的预测值，计算所述监测点下一数据时刻监测数据与所述监测点最初监测数据的差值的预测值，包括：
[0033] 通过以下公式计算所述监测点下一数据时刻监测数据与所述监测点最初监测数据的差值的预测值，
[0034] Xt+1＝Xt+v*Δt*tan(αt+1) (8)
[0035] 公式(8)中，Xt+1为所述监测点下一数据时刻监测数据与所述监测点最初监测数据的差值的预测值，Xt为所述监测点当前数据时刻与所述监测点最初监测数据的差值，v为监
测数据匀速变化阶段中所述监测点监测数据的平均变化速度，Δt为当前样本时刻与下一
样本时刻的时间差。
[0036] 一种监测数据预测装置，包括：数据读取模块，用于获取监测点的监测数据，所述监测数据包括所述监测点每一数据时刻与所述监测点最初监测数据的差值；建模模块，用
于绘制计算曲线；第一计算模块，用于根据所述计算曲线计算每一数据时刻所述计算曲线
的切线角；第二计算模块，用于根据所述切线角和回归参数，计算下一数据时刻所述计算曲
线切线角的预测值；第三计算模块，用于根据所述下一数据时刻所述计算曲线切线角的预
测值，计算所述监测点下一数据时刻监测数据与所述监测点最初监测数据的差值的预测
值。
[0037] 一种监测数据预测设备，包括：存储器，用于存储计算机程序；处理器，用于执行所述计算机程序时实现上述监测点监测数据预测方法的步骤。
[0038] 一种可读存储介质，所述可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现上述监测数据预测方法的步骤。
[0039] 本发明的有益效果为：
[0040] 本发明通过直接利用的监测数据进行监测数据的预测，预测数据准确度高，误差小，有利于保障监测对象安全。
[0041] 本发明的其他特征和优点将在随后的说明书阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明实施例了解。本发明的目的和其他优点可通过在所写的说
明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
[0042] 为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对
范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这
些附图获得其他相关的附图。
[0043] 图1为本申请实施例1中所述的一种监测数据预测方法流程图；
[0044] 图2为本申请实施例2中所述的一种监测数据预测方法流程图；
[0045] 图3为本申请实施例9中所述的一种监测数据预测装置结构框图
[0046] 图4为本申请实施例10中所述的一种监测数据预测设备结构示意图；
[0047] 图5为本申请实施例2中所述的第一曲线示意图；
[0048] 图6为本申请实施例2中所述的第二曲线示意图；
[0049] 图7为本申请实施例2中所述的监测数据预测方法仿真结果图。
具体实施方式
[0050] 为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是
本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施
例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实
施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施
例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的
所有其他实施例，都属于本发明保护的范围。
[0051] 应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本发明的
描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
[0052] 实施例1
[0053] 如图1所示，本实施例中提供了一种监测数据预测方法，该方法包括步骤S101、步骤S102、步骤S103、步骤S104和步骤S105。
[0054] 步骤S101.获取监测点的监测数据，所述监测数据包括所述监测点每一数据时刻与所述监测点最初监测数据的差值；所述监测点的监测数据由传感器提供，该传感器可以
是GNSS传感器或裂缝计等；
[0055] 步骤S102.绘制计算曲线；
[0056] 步骤S103.根据所述计算曲线计算每一数据时刻所述计算曲线的第一切线角值；
[0057] 步骤S104.根据所述第一切线角值和回归参数，计算下一数据时刻所述计算曲线切线角的预测值；
[0058] 步骤S105.根据所述下一数据时刻所述计算曲线切线角的预测值，计算所述监测点下一数据时刻监测数据与所述监测点最初监测数据的差值的预测值。
[0059] 通过本实施例，可以对采集到的监测数据进行预测，如采集到的是GNSS传感器的监测数据，则可以预测下一数据时刻的与最初时刻的位移变化量；当然，本实施例中所提供
的监测数据预测方法也不限于对上述传感器的监测数据的预测。另外，本实施例中，两个相
邻的数据时刻之间的时间差可以是任意时间，如5秒、1小时、1天、5天或一个月等。
[0060] 实施例2
[0061] 请参考图2，本实施例中提供了一种监测数据预测方法，该方法包括步骤S201、步骤S202、步骤S203、步骤S204、步骤S205、步骤S206和步骤S207。
[0062] 步骤S201.获取GNSS传感器的监测数据，所述监测数据包括所述GNSS传感器每一数据时刻与所述GNSS传感器最初位置的距离；
[0063] 步骤S202.根据所述监测数据绘制第一曲线，所述第一曲线设置在第一二维坐标系中，所述二维坐标系中的一个坐标轴为时间，另一个坐标轴为位移量；所述第一曲线如图
5所示；
[0064] 步骤S203.在所述第一曲线中找出位移量匀速变化段，计算所述位移量匀速变化段中所述GNSS传感器的平均位移速度；
[0065] 步骤S204.将所述第一曲线进行量纲统一，在量纲统一后绘制第二曲线；所述第二曲线为所述计算曲线；所述第二曲线设置在第二二维坐标系中，所述第二二维坐标系中的
一个坐标轴为时间，另一个坐标轴为量纲统一后每一数据时刻的中间值。第二曲线如图6所
示；
[0066] 从第一曲线中可观察出累计位移存在等速变化阶段和加速变化阶段。在位移的监测过程中，第一曲线的斜率是在不断改变，8月份位移变化较为平缓，位移在9月份时处于加
速变化阶段，其曲线斜率逐渐增大。但由于桥梁第一曲线横、纵坐标的量纲不同，如果对任
一坐标进行伸缩变换，第一曲线任然可以保持其原有的特点，但是相同时刻的位移切线角
会发生改变。比如，当不改变横坐标，只对纵坐标进行压缩，其单位长度所代表的位移量增
大，则同一时刻的位移切线角将会因纵坐标压缩而减小，反之亦然。也就是说，使用不同的
坐标尺度绘制同一个位移数据的第一曲线，所计算出的相同时刻的位移切线角会不同，所
以直接采用第一曲线计算位移切线角会存在不确定性的因素影响，为此通过统一坐标量纲
的方法确定唯一的位移切线角值，并以此预测未来监测数据发展趋势。
[0067] 步骤S205.根据所述计算曲线计算每一数据时刻所述计算曲线的第一切线角值；
[0068] 步骤S206.根据所述第一切线角值和回归参数，计算下一数据时刻所述计算曲线切线角的预测值；
[0069] 步骤S207.根据所述下一数据时刻所述计算曲线切线角的预测值，计算所述GNSS传感器下一数据时刻与所述GNSS传感器最初位置的距离的预测值。
[0070] 实施例3
[0071] 在本实施例中，为了提高预测的准确率，可对上述实施例2中的监测数据预测方法进行优化，即步骤S203中，可具体包括步骤S2031、步骤S2032、步骤S2033和步骤S2034。
[0072] 步骤S2031.计算出所述第一曲线中每一数据时刻的第二切线角值；
[0073] 步骤S2032.在所述第二切线角值中找到小于或等于45度的多个连续的所述第二切线角值所在的数据时刻区段，获得所述位移量匀速变化段；
[0074] 步骤S2033.通过以下公式计算所述位移量匀速变化段中每一样本时段所述GNSS传感器的平均位移速度，
[0075]
[0076] 公式(1)中，vt为所述位移量匀速变化段中当前样本时段所述GNSS传感器的平均位移速度，St为t时刻所述位移量匀速变化段中每一样本时刻所述GNSS传感器与最初位置
的距离，St‑1为t‑1时刻所述位移量匀速变化段中每一样本时刻所述GNSS传感器与最初位置
的距离，tt为当前样本时刻，tt‑1为当前样本时刻的上一样本时刻；
[0077] 步骤S2034.通过以下公式计算所述位移量匀速变化段中所述GNSS传感器的平均位移速度，
[0078]
[0079] 公式(2)中，v为位移量匀速变化阶段中所述GNSS传感器的平均位移速度，m为位移量匀速变化阶段的样本数量，t为当前样本时刻，vt为所述位移量匀速变化段中当前样本时
段所述GNSS传感器的平均位移速度。
[0080] 实施例4
[0081] 在本实施例中，为了提高预测的准确率，可对上述实施例2中的监测数据预测方法进行优化，即步骤S204中，可具体包括：
[0082] 通过以下公式进行量纲统一，
[0083]
[0084] 公式(3)中，T(t)为量纲统一后每一数据时刻的中间值；St为t时刻所述位移量匀速变化段中每一样本时刻所述GNSS传感器与最初位置的距离，v为位移量匀速变化阶段中
所述GNSS传感器的平均位移速度。
[0085] 实施例5
[0086] 在本实施例中，为了提高预测的准确率，可对上述实施例2中的监测数据预测方法进行优化，即步骤S205中，可具体包括：
[0087] 通过以下公式计算每一数据时刻所述计算曲线的第一切线角值，
[0088]
[0089] 公式(4)中，at为每一数据时刻所述计算曲线的第一切线角值；tt为当前样本时刻，tt‑1为当前样本时刻的上一样本时刻，T(t)为量纲统一后每一数据时刻的中间值，Δt为当
前样本时刻与上一样本时刻的时间差，ΔT为Δt时间段内T(t)的变化量。
[0090] 实施例6
[0091] 在本实施例中，为了提高预测的准确率，可对上述实施例2中的监测数据预测方法进行优化，即步骤S206中，可具体包括：
[0092] 采以下公式确定模型的阶数p，
[0093]
[0094] 公式(5)中 N为所述移量匀速变化段样本数，n＝N/2；
[0095] 通过采用最小二乘法估计模型参数μi，包括以下公式，
[0096] μ＝(XTX)‑1XTY (6)
[0097] 公式(6)中， αp表示所述移量匀速变化段种第p个样本T T
的第一切线角值，μ＝[μ1 μ2 … μp] ,Y＝[αp+1 αp+2 … αN]；
[0098] 构建下一数据时刻所述计算曲线切线角的预测值的计算模型，如以下公式，
[0099] αt+1＝μ1αt+μ2αt‑1+...+μpαt‑p+1+β (7)
[0100] 公式(7)中，at+1为下一数据时刻所述计算曲线切线角的预测值，β为白噪声序列，ui为自回归参数，i＝1，2，3，...，p。
[0101] 实施例7
[0102] 在本实施例中，为了提高预测的准确率，可对上述实施例2中的监测数据预测方法进行优化，即步骤S207中，可具体包括：
[0103] 通过以下公式计算所述GNSS传感器下一数据时刻与所述GNSS传感器最初位置的距离的预测值，
[0104] Xt+1＝Xt+v*Δt*tan(αt+1) (8)
[0105] 公式(8)中，Xt+1为所述GNSS传感器下一数据时刻与所述GNSS传感器最初位置的距离的预测值，Xt为所述GNSS传感器当前数据时刻与所述GNSS传感器最初位置的距离，v为位
移量匀速变化阶段中所述GNSS传感器的平均位移速度，Δt为当前样本时刻与下一样本时
刻的时间差。
[0106] 实施例8
[0107] 在本实施例中，为了提高预测的准确率，可对上述实施例2中的监测数据预测方法进行优化，即步骤S207中，可具体包括：
[0108] 通过以下公式计算所述GNSS传感器下一数据时刻与所述GNSS传感器最初位置距离的预测值，
[0109] Xt+1＝Xt+v*Δt*tan(αt+Δαt+1) (9)
[0110] 公式(9)中，Xt+1为所述GNSS传感器下一数据时刻与所述GNSS传感器最初位置距离的预测值，Xt为所述GNSS传感器当前数据时刻与所述GNSS传感器最初位置的差值，v为位移
量匀速变化阶段中所述GNSS传感器的平均位移速度，Δt为当前样本时刻与下一样本时刻
的时间差，Δat+1＝at‑at‑1。
[0111] 实施例9
[0112] 相应于上面的方法实施例，本公开实施例还提供了一种监测数据预测装置，下文描述的监测数据预测装置与上文描述的监测数据预测方法可相互对应参照。
[0113] 如图3所示，该装置包括如下模块：
[0114] 数据读取模块31，用于获取监测点的监测数据，所述监测数据包括所述监测点每一数据时刻与所述监测点最初监测数据的差值；
[0115] 建模模块32，用于绘制计算曲线；
[0116] 第一计算模块33，用于根据所述计算曲线计算每一数据时刻所述计算曲线的切线角；
[0117] 第二计算模块34，用于根据所述切线角和回归参数，计算下一数据时刻所述计算曲线切线角的预测值；
[0118] 第三计算模块35，用于根据所述预测值计算所述监测点下一数据时刻监测数据与所述监测点最初监测数据的差值的预测值。
[0119] 所述建模模块32包括第一建模单元321、计算单元322和第二建模单元323。
[0120] 所述第一建模单元321，用于根据所述监测数据绘制第一曲线，所述第一曲线设置在第一二维坐标系中，所述二维坐标系中的一个坐标轴为时间，另一个坐标轴为监测数据；
[0121] 所述计算单元322，用于在所述第一曲线中找出监测数据匀速变化段，计算所述监测数据匀速变化段中所述监测点监测数据的平均变化速度；
[0122] 所述第二建模单元323，用于将所述第一曲线进行量纲统一，在量纲统一后绘制第二曲线；所述第二曲线为所述计算曲线；所述第二曲线设置在第二二维坐标系中，所述第二
二维坐标系中的一个坐标轴为时间，另一个坐标轴为量纲统一后每一数据时刻的中间值。
[0123] 需要说明的是，关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
[0124] 实施例10
[0125] 相应于上面的方法实施例，本公开实施例还提供了一种监测数据预测设备，下文描述的一种监测数据预测设备(下文简称为电子设备)与上文描述的一种监测数据预测方
法可相互对应参照。
[0126] 图4是根据一示例性实施例示出的一种电子设备400的框图。如图4所示，该电子设备400可以包括：处理器401，存储器402。该电子设备400还可以包括多媒体组件403，输入/
输出(I/O)接口404，以及通信组件405中的一者或多者。
[0127] 其中，处理器401用于控制该电子设备400的整体操作，以完成上述的监测数据预测方法中的全部或部分步骤。存储器402用于存储各种类型的数据以支持在该电子设备400
的操作，这些数据例如可以包括用于在该电子设备400上操作的任何应用程序或方法的指
令，以及应用程序相关的数据，例如联系人数据、收发的消息、图片、音频、视频等等。该存储
器402可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，例如静态随机
存取存储器(Static Random Access Memory，简称SRAM)，电可擦除可编程只读存储器
(Electrically Erasable Programmable Read‑Only Memory，简称EEPROM)，可擦除可编程
只读存储器(Erasable Programmable Read‑Only Memory，简称EPROM)，可编程只读存储器
(Programmable Read‑Only Memory，简称PROM)，只读存储器(Read‑Only Memory，简称
ROM)，磁存储器，快闪存储器，磁盘或光盘。多媒体组件403可以包括屏幕和音频组件。其中
屏幕例如可以是触摸屏，音频组件用于输出和/或输入音频信号。例如，音频组件可以包括
一个麦克风，麦克风用于接收外部音频信号。所接收的音频信号可以被进一步存储在存储
器402或通过通信组件405发送。音频组件还包括至少一个扬声器，用于输出音频信号。I/O
接口404为处理器401和其他接口模块之间提供接口，上述其他接口模块可以是键盘，鼠标，
按钮等。这些按钮可以是虚拟按钮或者实体按钮。通信组件405用于该电子设备400与其他
设备之间进行有线或无线通信。无线通信，例如Wi‑Fi，蓝牙，近场通信(Near
FieldCommunication，简称NFC)，2G、3G或4G，或它们中的一种或几种的组合，因此相应的该
通信组件405可以包括：Wi‑Fi模块，蓝牙模块，NFC模块。
[0128] 在一示例性实施例中，电子设备400可以被一个或多个应用专用集成电路(Application Specific Integrated Circuit，简称ASIC)、数字信号处理器
(DigitalSignal Processor，简称DSP)、数字信号处理设备(Digital Signal Processing
Device，简称DSPD)、可编程逻辑器件(Programmable Logic Device，简称PLD)、现场可编程
门阵列(Field Programmable Gate Array，简称FPGA)、控制器、微控制器、微处理器或其他
电子元件实现，用于执行上述的监测数据预测方法。
[0129] 在另一示例性实施例中，还提供了一种包括程序指令的计算机可读存储介质，该程序指令被处理器执行时实现上述的监测数据预测方法的步骤。例如，该计算机可读存储
介质可以为上述包括程序指令的存储器402，上述程序指令可由电子设备400的处理器401
执行以完成上述的监测数据预测方法。
[0130] 实施例11
[0131] 相应于上面的方法实施例，本公开实施例还提供了一种可读存储介质，下文描述的一种可读存储介质与上文描述的一种监测数据预测方法可相互对应参照。
[0132] 一种可读存储介质，可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现上述方法实施例的监测数据预测方法的步骤。
[0133] 该可读存储介质具体可以为U盘、移动硬盘、只读存储器(Read‑Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可存储程序代
码的可读存储介质。
[0134] 以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修
改、等同替换、改进等，均应包含在本发明的保护范围之内。
[0135] 以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵
盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。
