[发明专利]一种基于K-means的能耗感知的数据分类方法

权利要求书

1.一种基于K-means的能耗感知的数据分类方法，其特征在于，包括：提取数据的潮汐特性和季节性特性；利用K-means对数据进行聚类存储。

2.根据权利要求1所述的基于K-means的能耗感知的分类方法，其特征在于，所述数据分类方法具体为：首先从存储系统中提取指定数据指定时间段中每一天的访问频次，然后针对每一个数据构建相应的季节性特性数组，进而利用K-means算法对数据进行聚类，设定相应的类别，具有不同季节特性的数据存储在不同的季节性存储区域，而针对不同的季节性存储区域中的数据进一步挖掘其潮汐特性，并将不同潮汐特性的数据分布在不同的存储区域。

3.根据权利要求1-2所述的基于K-means的能耗感知的分类方法，其特征在于，分类所基于的数据集表示为D＝{d₁，d₂，…，d_m}，数据集的大小为m，m为正整数。

4.根据权利要求1-3所述的基于K-means的能耗感知的分类方法，其特征在于，数据的潮汐特性表示为

其中cx_i＝[p_i，1 v_i，1 p_i，2 v_i，2 … p_i，z v_i，z]，

其中z为数据所涉及到的周次个数，z为正整数。

5.根据权利要求1-4所述的基于K-means的能耗感知的分类方法，其特征在于，数据的季节性特性表示为

假设采集的是数据y年的季节性特性，每年有四个季节的搜索指数占比维度值，因此每个数据的季节性特性用

Se_i＝[se₁，se₂，…，se_4*y]表示。

6.根据权利要求1-5所述的基于K-means的能耗感知的分类方法，其特征在于，在所述数据分类方法中，根据数据的季节性特性的提取算法SCEA针对每一个数据构建相应的季节性特性数组。

7.根据权利要求1-6所述的基于K-means的能耗感知的分类方法，其特征在于，在所述的分类方法中，提取数据的季节性特性后，利用K-means算法将数据分成5类：冬季、秋季、夏季、春季、其他。

8.根据权利要求1-7所述的基于K-means的能耗感知的分类方法，其特征在于，在所述的分类方法中，针对不同的数据类别，通过数据的潮汐特性提取算法TCEA，提取数据的潮汐特性，构建一个数组存储数据的潮汐特性。

9.根据权利要求1-8所述的基于K-means的能耗感知的分类方法，其特征在于，在所述的分类方法中，提取数据的潮汐特性后，利用K-means算法将数据分成3类：与工作相关的数据、与娱乐相关的数据、其他数据。

10.根据权利要求1-9所述的基于K-means的能耗感知的分类方法，其特征在于，在所述的分类方法中，数据被分成5大类和15小类，每一个大类包含3个小类，相应地将存储系统也划分成5个大存储区和15个小存储区。在不同季节下不同的潮汐日，对相应的存储区域实施不同的能耗模型，在保证性能的前提下最大程度地降低能耗。