本发明涉及数据处理，尤其涉及一种大数据智能融合的信息服务平台及方法。
背景技术：
1、数据处理技术领域是指对大规模数据进行收集、存储、管理、分析和处理的过程与方法。涵盖了从数据采集、清洗、存储到数据分析、建模和可视化的整个数据生命周期。从复杂、异构且大量的数据中提取出有价值的信息，能够在各种应用场景中做出决策或提升业务效率。
2、其中，信息服务平台是为用户提供集成和交互式的信息访问接口。平台通常整合多个数据源，提供实时数据处理和信息检索功能，使得用户能够方便地获取、分析和理解数据。通过后端数据处理技术和前端用户接口设计，确保信息的高效传递和最优用户体验。
3、现有技术在处理数据时，虽然能集成多个数据源并进行信息检索，但在面对海量数据时，难以有效区分重要变化点和普通数据点，容易造成关键数据遗漏或信息过载，影响了数据检索的准确性和时效性。同时，在数据分析时难以识别数据点之间的潜在联系，难以形成高质量的关联数据组合。此外，现有技术也未能实现对实时数据流的动态响应，导致在数据流变化剧烈时，预测结果往往与实际偏差较大。
技术实现思路
1、本发明的目的是解决现有技术中存在的缺点，而提出的一种大数据智能融合的信息服务平台及方法。
2、为了实现上述目的，本发明采用了如下技术方案：一种大数据智能融合的信息服务平台包括：
3、数据序列标注模块获取多个源的序列数据，包括数据点的时间戳、位置、内容值和来源信息，计算相邻数据点之间的内容变化率和时间间隔，判断数据点随时间变化的显著性，对关键变化点进行标记，生成标注后的序列数据；
4、数据关联分析模块基于所述标注后的序列数据，对关键数据点的内容值和时间戳进行排序和等级分配，计算数据点对的等级差值，根据斯皮尔曼等级相关系数，分析数据点间的关联性，筛选具有关联性的数据点组合，生成特征关联集合；
5、数据流预测模块使用所述特征关联集合中的关键数据，关键数据是数据点的时间戳、内容值等级和关联性评分，建立预测模型，输入实时数据流的关键参数，对数据流的变化进行趋势预测，对比当前数据进行偏差分析，调整预测模型参数，生成数据流预测结果；
6、数据处理优化模块根据所述数据流预测结果，分析未来数据处理需求，以及当前数据处理的资源效率，调整对关键数据的资源配置，得到优化的数据融合处理结果。
7、作为本发明的进一步方案，所述标注后的序列数据的获取步骤具体为：
8、基于从多个数据源获取的时间戳、位置信息、内容值和来源信息，通过对数据进行清洗、格式化和标准化处理，生成标准化的序列数据；
9、根据所述标准化的序列数据，提取相邻数据点的内容值和时间戳，采用公式：
10、
11、和
12、
13、计算相邻数据点的变化率和时间间隔，生成变化率和时间间隔分析结果；
14、其中，用于衡量内容值的变化程度，表示第个数据点的内容值，表示第个数据点的内容值，表示相邻两个数据点之间的时间间隔，第个数据点的时间戳，第个数据点的时间戳；
15、根据所述变化率和时间间隔分析结果，应用设定的变化率和时间间隔阈值进行显著性判断，对超出阈值的关键数据点进行标记，生成标注后的序列数据。
16、作为本发明的进一步方案，所述计算数据点对的等级差值的获取步骤具体为：
17、基于所述标注后的序列数据，提取关键数据点的内容值和时间戳，并进行排序操作，为每个数据点分配等级，生成关键数据点序列；
18、根据所述关键数据点序列，提取每对数据点的内容值等级，并计算数据点间的等级差值，使用差值量化数据点在内容值等级上的相对变化，得到数据点的等级差值数据。
19、作为本发明的进一步方案，所述筛选具有关联性的数据点组合的获取步骤具体为：
20、根据所述数据点的等级差值数据，采用公式：
21、
22、计算斯皮尔曼等级相关系数，得到数据点关联性分析结果；
23、其中，是第对数据点的权重值，表示第对数据点的等级差值，是数据点的总数量，是噪声调节项，是内容值和时间戳的动态影响系数；
24、根据所述数据点关联性分析结果，筛选具有关联性的数据点组合，并进行数据的整合，生成特征关联集合。
25、作为本发明的进一步方案，所述对数据流的变化进行趋势预测的获取步骤具体为：
26、提取所述特征关联集合的关键数据，整理数据点的时间戳、内容值等级和关联性评分作为预测模型的输入参数，建立趋势预测模型；
27、根据所述趋势预测模型，采用公式：
28、
29、对当前时刻的外部影响因素进行分析，计算时间点下的数据流预测值，得到当前时刻的预测结果；
30、其中，表示数据流的基础水平值，是滞后期的数量，是第个滞后期的系数，是第个滞后期的观测值，表示在时间前时刻的数据点值，是外部影响因素的系数，是外部影响因素，是误差项，是当前时间点的标识符，是滞后期的标识符，是滞后期的数量。
31、作为本发明的进一步方案，所述调整预测模型参数的获取步骤具体为：
32、将所述当前时刻的预测结果与当前数据流值的比对，计算偏差比率并将其与常规标准比较，得到偏差分析结果；
33、基于所述偏差分析结果，重新评估模型中的滞后期系数，同时考虑外部环境变化对预测的影响，更新误差估算，生成数据流预测结果。
34、作为本发明的进一步方案，所述调整对关键数据的资源配置的获取步骤具体为：
35、根据所述数据流预测结果，分析未来数据处理需求，采用公式：
36、
37、计算平台所需的处理能力值，得到未来的预测数据流量信息；
38、其中，是每tb数据所需的处理能力，是预计所需处理时间，是并行处理节点的数量，是基础处理资源；
39、根据平台当前的数据处理性能，通过实时监测资源的使用情况，采用公式：
40、
41、计算每tb数据处理所消耗的量，得到当前数据处理的资源效率信息；
42、其中，是当前任务处理消耗的总量，是当前处理的数据量；
43、根据所述未来的预测数据流量信息和当前数据处理的资源效率信息，动态调整资源配置，优化对关键数据的处理流程，得到优化的数据融合处理结果。
44、一种大数据智能融合的信息服务方法，所述大数据智能融合的信息服务方法基于上述大数据智能融合的信息服务平台执行，包括以下步骤：
45、s1：基于多源序列数据，收集数据点信息，并计算数据点间的变化，生成标注后的序列数据；
46、s2：使用所述标注后的序列数据，对数据点进行排序和等级分配，分析数据点之间的关联性，生成特征关联集合；
47、s3：基于所述特征关联集合，对数据模式进行分析和趋势识别，建立数据流预测模型；
48、s4：使用所述数据流预测模型对当前数据进行趋势预测，并进行模型调整，获取数据流预测结果；
49、s5：基于所述数据流预测结果，分析未来数据处理需求和资源效率，调整资源配置，生成优化的数据融合处理结果。
50、与现有技术相比，本发明的优点和积极效果在于：
51、本发明中，通过对多个源的序列数据的关键数据点的排序和等级分配，并分析数据点之间的关联性，能够筛选具有实际意义的数据点组合，优化了数据分析的深度，使得预测模型能够基于真实关联进行更加精确的趋势预测，并能根据实时数据流的变化，动态调整预测模型参数，确保预测的准确性。同时，通过对未来数据处理需求的预测，资源配置得以优化，避免了资源的浪费，提高了数据处理的效率和精度。整个过程结合了数据变化的敏感捕捉、关联分析的深度挖掘以及资源优化配置等多种手段，有效提升了数据处理的精准度和资源利用率。
1.一种大数据智能融合的信息服务平台，其特征在于，所述平台包括：
2.根据权利要求1所述的大数据智能融合的信息服务平台，其特征在于，所述标注后的序列数据的获取步骤具体为：
3.根据权利要求2所述的大数据智能融合的信息服务平台，其特征在于，所述计算数据点对的等级差值的获取步骤具体为：
4.根据权利要求3所述的大数据智能融合的信息服务平台，其特征在于，所述筛选具有关联性的数据点组合的获取步骤具体为：
5.根据权利要求4所述的大数据智能融合的信息服务平台，其特征在于，所述对数据流的变化进行趋势预测的获取步骤具体为：
6.根据权利要求5所述的大数据智能融合的信息服务平台，其特征在于，所述调整预测模型参数的获取步骤具体为：
7.根据权利要求6所述的大数据智能融合的信息服务平台，其特征在于，所述调整对关键数据的资源配置的获取步骤具体为：
8.一种大数据智能融合的信息服务方法，其特征在于，根据权利要求1-7任一项所述的大数据智能融合的信息服务平台执行，包括以下步骤：
