在上一篇文章中，我们简单介绍了知识图谱的概念、历史沿革、构建方法以及知识图谱在运维领域的应用与潜力。知识图谱作为伴随人工智能而发展的一门技术，其价值在大数据的时代背景下有了质的飞跃，知识图谱的应用在某种程度上打破了人工智能认知能力的局限性，为人工智能下一阶段的深入应用奠定了基础。构建知识图谱的本质，就是让机器形成认知能力去理解这个世界，进一步强化人工智能技术“智能”的部分。

除了在智能运维领域有亮眼的表现，知识图谱在其他应用了人工智能技术的领域同样能够大展拳脚，例如金融领域、安防领域以及医疗领域等等。本期文章，主要想简单介绍一下知识图谱在AIoT，也就是智能物联网领域的应用。

自2017年起， “AIoT”一词便开始频频刷屏，成为物联网的行业热词。“AIoT”即“AI+IoT”，指的是人工智能技术与物联网在实际应用中的落地融合。随着技术能力的不断提升，已经有越来越多的人将AI与IoT结合到一起来看，AIoT作为各大传统行业智能化升级的最佳通道，已经成为物联网发展的必然趋势。

知识图谱的使用，改善了物联网获取与处理信息的方式，进一步驱动了智能物联网的发展，其价值主要表现在数据采集与曲线处理两方面。

知识图谱与AIoT数据采集

在了解AIoT数据采集方式之前，我们首先复习一下AIoT的概念。

AIoT，目前比较被认可的说法是AI+IoT，即人工智能技术与物联网技术的结合。如果说 AI 是 AIoT 中的大脑，那IoT 就相当于AIoT的手、眼、耳、鼻。AIoT的目标是把所有物品都通过信息传感设备与互联网连接起来，将整个物质世界接到线上，实现万物互联，采集海量数据，再经由AI进行处理与利用，发现数据的价值并加以利用。

目前，AIoT在我们的日常生活种已经有了不少应用实例。

最具代表性的，当属前段时间很火的无人超市。顾客在此类超市购物时，只需要从货架上取出想要的商品，系统就能知道你拿的是哪件货物，等到购物结束时也无需另行结账，系统会自动从你的账户上扣取相应的费用，极大提升了我们的购物体验。在这些便利的背后，其原理其实就是通过RFID（无线射频识别）标签，把货架上所有的商品都连上了网。货架上的物品数据，自然也就可以随时被系统掌握。货架上的读写器会实时向标签发射信号，所以只要你开门拿走了它，系统立刻就能知道你拿走了哪样商品。等购物结束离开时，系统会根据人脸识别系统将顾客与购买的商品相匹配，自动结账。

除了无人超市等比较突出的应用场景， AIoT在我们生活的方方面面都有涉及，有些已经实现了，有些距离大规模投入使用也不远了。

比如，只需要安装一些传感器，AIoT完全可以可很轻松的成为你的私人健康助理——当你把身边的事物、运动器械、穿戴设备等都安装上传感器并连上了网，那 AI 就能获取你的饮食状况、身体信息、心率、呼吸、睡眠时间等一系列数据。通过分析，AI就可以随时掌握你的健康信息，在检测到隐患的时候及时发出提醒并提供科学的医学建议。

再比如，AIoT还可以用来打造智慧城市——当汽车和道路都连上了网，那车与车、车与路之间，就可以相互通讯。每条路上的车流状况，每辆车的速度和目的地信息，在未来几小时甚至几天内可能的出行信息，都能被AI获取。AI于是就可以利用算法，规划整个城市的交通，减轻拥堵。

此外，在目前的大环境下，谈论AIoT的应用与前景，5G网络也是一个无论如何绕不开的话题。

随着5G网络商用步伐的加速，物联网的信息感知效率和信息传输速度得到了进一步的保障，在AIoT落地应用方面，5G网络有着得天独厚的优势。

5G，指的是第五代移动通信网络，对比我们目前使用的4G网络，5G网络各方面都进行了巨大的升级。首先，在通信协议的代次更迭里，传输速度的提升首当其冲，理论上来说，5G可以在实际条件下，实现当前4G网络10到20倍的浏览和下载速度；此外，前代通信网络遗留的问题，包括时延性、超低性以及多终端兼容性等层面，5G网络也都进行了跨越级提升。

而这些性能上的提升，与物联网现阶段对“快”以外的升级要求也十分契合，以至于在许多技术从业者眼中，5G网络可以说是专为物联网而生的。比如在工业IoT领域，低时延就是最重要的网络命脉，无法想象一个智能流水线之间因为网络延迟造成混乱的画面是多么可笑；而就某些IoT设备而言，低功耗才是真正的及时雨，比如野生动物佩戴的监控设备，如何能让其在特定时间完成数据上传，而其他时间完全不耗电，这才是最大的需求。除此之外，5G与AIoT的结合在智能交通、智慧医疗、虚拟现实等领域都有着广阔的应用前景。

5G网络为AIoT打开了高速通道，但实现物联网一切应用的背后，都无法脱离数据的支撑。我们生活在一个信息爆炸的时代，传感器、RFID等的大量应用，电脑、摄像机等设备和智能手机、平板电脑、可穿戴设备等移动终端的迅速普及促使全球数字信息总量的急剧增长。物联网作为大数据的重要来源，随着其在各行各业的应用的深入，每秒钟物联网上都会产生海量数据。正是有了这些数据作为支撑，AIoT才能够了解和改善我们的日常生活。

同时，随着技术的不断应用与结合，数据的采集方式也随之在发生改变。

目前AIoT数据采集方式

在人工智能等技术大规模应用之前，传统的数据采集方法主要包括人工录入、调查问卷、电话随访等方式，大数据时代到来后，一个突出的变化是数据采集的方法有了质的改变，当前AIoT数据主要通过传感器与RFID技术采集。

1、传感器

传感器是一种检测装置，能感受到被测量的信息，并能将检测感受到的信息，按一定规律变换成为电信号或其他所需形式的信息输出，以满足信息的传输、处理、存储、显示、记录和控制等要求。

传感器在采集数据的过程中主要特性是其输入与输出的关系。其静态特性反映了传感器在被测量各个值处于稳定状态时的输入和输出关系，这意味着当输入为常量，或变化极慢时，这一关系就称为静态特性。

使用中一般希望传感器的输入与输出成唯一的对照关系，最好是线性关系，以便数据读取。但一般情况下，输入与输出不会符合所要求的线性关系，同时由于存在这迟滞、蠕变等因素的影响，使输入输出关系的唯一性也不能实现。因此使用过程中不能忽视外界影响因素，其影响程度取决于传感器本身，可通过传感器本身的改善加以抑制，有时也可以加对外界条件加以限制。

2、RFID技术

RFID（Radio Frequency Identification，射频识别）技术是一种非接触式的自动识别技术，通过射频信号自动识别目标对象并获取相关的数据信息。利用射频方式进行非接触双向通信，达到识别目的并交换数据。RFID技术可识别高速运动物体并可同时识别多个标签，操作快捷方便。

在工作时，RFID读写器通过天线发送出一定频率的脉冲信号，当RFID标签进入磁场时，凭借感应电流所获得的能量发送出存储在芯片中的产品信息（Passive Tag，无源标签或被动标签），或者主动发送某一频率的信号（Active Tag，有源标签或主动标签）。阅读器对接收的信号进行解调和解码然后送到后台主系统进行相关处理；主系统根据逻辑运算判断该卡的合法性，针对不同的设定做出相应的处理和控制，发出指令信号控制执行机构动作。

RFID技术解决了物品信息与互联网实现自动连接的问题，结合后续的大数据挖掘工作，能发挥其强大的威力。

知识图谱的数据采集方式

知识图谱获取与存储数据是个系统工程，流程复杂，内涵丰富，涉及到知识表示、自然语言处理、数据库、数据挖掘、众包等一系列技术。其基本步骤如下：

（1）模式（Schema）设计

这一步是传统本体设计所要解决的问题。基本目标是把认知领域的基本框架赋予机器。在所谓认知基本框架中需要指定领域的基本概念，以及概念之间subclassof关系（比如运维领域需要建立“智能运维”是“运维”的子类）；需要明确领域的基本属性；明确属性的适用概念；明确属性值的类别或者范围。

（2）明确数据来源

在这一步要明确建立领域知识图谱的数据来源。可能来自互联网上的领域百科爬取，可能来自通用百科图谱的导出，可能来自内部业务数据的转换，可能来自外部业务系统的导入。应该尽量选择结构化程度相对较高、质量较好的数据源，以尽可能降低知识获取代价。

（3）词汇挖掘

人们从事某个行业的知识的学习，都是从该行业的基本词汇开始的。在传统图书情报学领域，领域知识的积累往往是从叙词表的构建开始的。叙词表里涵盖的大都是领域的主题词，及这些词汇之间的基本语义关联。在这一步我们是要识别领域的高质量词汇、同义词、缩写词，以及领域的常见情感词。

（4）领域实体发现（或挖掘）

需要指出的是领域词汇只是识别出领域中的重要短语和词汇。但是这些短语未必是一个领域实体。从领域文本识别某个领域常见实体是理解领域文本和数据的关键一步。在实体识别后，还需对实体进行实体归类。能否把实体归到相应的类别（或者说将某个实体与领域类别或概念进行关联），是实体概念化的基本目标，是理解实体的关键步骤。

（5）关系发现

关系发现，或者知识库中的关系实例填充，是整个领域知识图谱构建的重要步骤。关系发现根据不同的问题模型又可以分为关系分类、关系抽取和开放关系抽取等不同变种。关系分类旨在将给定的实体对分类到某个已知关系；关系抽取旨在从文本中抽取某个实体对的具体关系；开放关系抽取（OpenIE）从文本中抽取出实体对之间的关系描述。也可以综合使用这几种模型与方法，比如根据开放关系抽取得到的关系描述将实体对分类到知识库中的已知关系。

（6）知识融合

因为知识抽取来源多样，不同的来源得到的知识不尽相同，这就对知识融合提出了需求。知识融合需要完成实体对齐、属性融合、值规范化。实体对齐是识别不同来源的同一实体。属性融合是识别同一属性的不同描述。不同来源的数据值通常有不同的格式、不同的单位或者不同的描述形式。比如日期有数十种表达方式，这些需要规范化到统一格式。

（7）质量控制

最后一步是质量控制。知识图谱的质量是构建的核心问题。通过一系列法则或人工智能消除缺漏、错误、陈旧的数据，最终形成有价值的知识图谱。

知识图谱采集数据的优点

与当前物联网数据采集和存储方式相比，知识图谱的优势主要表现在以下四点：

（1）关系的表达能力强

传统数据库通常通过表格、字段等方式进行读取，而关系的层级及表达方式多种多样，且基于图论和概率图模型，可以处理复杂多样的关联分析，满足企业各种角色关系的分析和管理需要。

（2）思考分析模式更接近人类大脑

基于知识图谱的交互探索式分析，可以模拟人的思考过程去发现、求证、推理，业务人员自己就可以完成全部过程，不需要专业人员的协助。

（3）知识学习增强

利用交互式机器学习技术，支持根据推理、纠错、标注等交互动作的学习功能，不断沉淀知识逻辑和模型，提高系统智能性，将知识沉淀在企业内部，降低对经验的依赖。

（4）反馈高速提高

图式的数据存储方式，相比传统存储方式，数据调取速度更快，图库可计算超过百万潜在的实体的属性分布，可实现秒级返回结果，真正实现人机互动的实时响应，让用户可以做到即时决策。

知识图谱与曲线处理

除了能够为AIoT来更好的数据采集方式外，知识图谱因为其在描述客观世界概念、实体、事件及其之间关系，具备可解释性等特性在智能物联网数据的处理，尤其是曲线处理方面也有着良好的应用前景。

如前文所述，当前智能物联网数据获取的主要方式主要包括两种——传感器与RFID技术。RFID技术多用于读取与采集固有的数据，而传感器则主要用于采集实时参数并进行输出。

AioT的发展目前主要依靠智能感知、识别和通讯等技术作为支撑，而感知的关键就是传感器及相关技术，可以毫不夸张的说，没有传感器，就没有物联网的繁荣。传感器是物联网采集数据的关键组件，为物联网源源不断的提供着数据，也因此被视为物联网的基础，。

想要了解知识图谱对于AIoT数据曲线的处理，我们可以从智能传感器的应用领域入手，再进一步分析知识图谱对处理这些数据起到的作用。

智能传感器的应用领域

目前，AIoT中传感器覆盖率比较多的为如下几大领域：

（1）智能工业

众所周知，工业4.0已经成为国家战略的一部分，智能制造是国家工业变革的关键，智能工业传感器在制造中的角色越来越重要。工业传感器主要用来监视和控制生产过程中的参数，使设备保持正常的工作状态。

（2）智能家居

智能家居的一大特点就是实现对家居用品的控制，随着物联网的发展，越来越多的传感器将用于家电中，如洗衣机、电视、冰箱、灯光、空调、油烟机等，原来没有传感器的产品都将因智能家居的普及而成为传感器主战场。

传感器将是智能家居产品的标配，例如压力传感器可用于洗衣机中对泡沫量的监控；光电传感器用于灯泡实现对灯光的控制；电磁传感器用在洗碗机里面可实现喷水臂的移动等，还有流量传感器、智能气体传感器等均大有用途。

（3）智慧医疗

智慧医疗是利用物联网技术，实现患者和医务人员及医疗设备之间的互动，其工作的核心部分是对患者的信息进行采集、存储、传输和处理。在进行图像传输以及海量数据计算处理的过程中，需要各中各有具有智能处理功能的传感器，如用于测量病人血压的MEMS压力传感器，用于研究睡眠窒息的热电传感器，用于监控和测量体表体温的温度传感器等。

随着物联网技术的发展，无线医疗传感器逐渐向智能化、微型化、低功耗等方向发展，传感器在智慧医疗领域的应用也会越来越广泛。据外媒报道，科学家研究了一种新型传感器，可用于诊断眼外伤，它根据测定人类眼泪所含维C浓度的高低，判断眼外伤的严重情况。最近科学家又研究了一款仅有胶囊大小的可吞服心率传感器，病人吞服后可测量其生命体征等数据并将信息传输到接收器中，供医生远程监控。

随着技术的进步，应用于智慧医疗的传感器种类将越来越多，但它们的一大共性是具备智能传感器的特点。

（4）无人驾驶

随着AI和物联网技术的发展，无人驾驶汽车可能会成为未来的主流。智能汽车是一个集环境感知、多等级辅助驾驶等功能于一体的综合系统，它的一大特点是能实现联网控制，而控制与操作的关键离不开智能传感器，智能汽车的普及将带来智能传感器的增加。

（5）智能农业

智能农业是我国建设成为农业强国的关键，在未来的农业生产中，需要很多类型的物联网传感器和相关技术。物联网农业的特点是以信息化技术为基础，在农业生产过程中通过传感器收集数据并进行量化分析和智能决策，农业生产的环境非常复杂，不同的场景需要的传感器不一样，如空气温度、湿度、光照强度、二氧化碳浓度等，这些数据的采集都需要使用相对应的智能农业传感器。

知识图谱在曲线处理中的应用

目前，通过传感器所采集的数据大致可以分为两种——一种是直接给出具体数值的数据（例如温度、湿度、距离等），另外一种则是输出有规律的波形或者脉冲（例如脉搏波、心电图、电信号等）。

然而无论是即时输出具体数值，还是输出规律波形或脉冲，都可以看作连续的曲线。对于前者，除了读取即时数据外，可以通过分析其一段时间之内数据的走势曲线，从而发现更多内在信息；而后者曲线则需要进行二次处理去发现输出曲线与真实数据之间的映射关系，其准确性很大程度上也取决于数据处理方式的性能。

知识图谱由于其自身特性，能够将发现数据之间的联系，通过读取传感器采集的曲线，再结合大数据与人工智能等技术，发现数据之间的内在联系，发掘曲线之间的含义。知识图谱的引入能够提高曲线处理的速度与准曲率，此外还能能够根据具体分析结果给出针对性的解决方案。

尽管知识图谱对于曲线处理不受限于曲线种类与应用领域，但在目前的应用中，比较合适的当属智慧医疗领域，一方面人体生物数据是衡量人体基本机能的生命体征数据，此类信息包括体温、脉搏 / 心率、呼吸速率和血压，这些生命体征数据至关重要，因为这些数据中如果出现不良的变化，也表示健康状况的变化；另一方面，物联网时代人体穿戴设备越来越精巧，数据获取也越来越容易，所得到的数据量十分巨大。

本文从知识图谱对于脉搏波以及血糖处理为入口，以此为代表简单讨论一下知识图谱在AIoT曲线处理方面的优越性。

利用知识图谱处理脉搏波曲线

1、脉搏波数据获取

目前通过传感器采集脉搏波的主要方式是光电容积法，其具有方法简单、佩戴方便、可靠性高等特点。光电容积法的基本原理是利用人体组织在血管搏动时造成透光率不同来进行脉搏和血氧饱和度测量的。

2、脉搏波处理过程

针对脉搏波曲线，目前团队采集脉搏波进行血压血糖等功能参数检测的基础理论是血流动力学原理及弹性腔模型理论，运用了人工智能方法分析相关性。处理的主要步骤如下： 

1.输入原始采集数据； 

2.通过快速傅立叶变换，从时域到频域。将低于 48hz 的频谱置为 0； 

3.通过快速傅立叶变换反变换回时域； 

4.画出时域的曲线图。 

技术层面，智能技术处理脉搏波信息的具体实现过程如下：

3、知识图谱处理脉搏波

联动北方以自有核心知识图谱技术为支撑，能对传感器采集到的曲线进行处理与分析，提取内部模式与结构，进而针对不同的曲线进行识别与判断，并输出具有参考价值的数据。通过知识图谱等技术对这些参数进行处理，最终达到实时监测用户自身健康状况的作用

知识图谱处理血糖曲线

1、血糖数据的获取

传统的血糖数据获取方法均属于有创监测，虽然随着技术的发展创口越来越小，但是监测不方便及采血疼痛依旧使部分患者血糖监测依从性降低。随着传感器技术的不断提高，现在已经可以通过传感器无创测量血糖。

2、血糖数据采集难点

血糖数据能够通过血糖测量仪器直接读取，但血糖测量值受外界干扰较大，测量时间、用户身体状态甚至饮食习惯等都会影响测量值的准确性。

3、知识图谱处理血糖数据

知识图谱技术的引入让血糖不单单再是一个数值，而是成为个人健康数据的一部分，通过记录血糖数据并与历史血糖数据的对比，同时将测量时间段的，主动排除干扰，输出真实血糖值，并及时反馈最新的健康状态。利用知识图谱能够将通过历史血糖数据，以及血糖大数据，来判断血糖测量值的准确性，并适当给予建议。

知识图谱的引入弥补了人工智能在物联网领域数据采集与处理能力的不足，提高了AIoT数据采集与曲线处理的准确性，为智能物联网的后续发展奠定了基础。与此同时，虽然人工智能目前已经广为人接受与使用，但是关于人工智能技术“智能性”不足的抱怨时有出现，相信随着知识图谱技术应用的进一步加强，各行各业智能水平会进一步提高，将智能的应用推往一个新的高度。

5G拍照已经颁发，技术发展速度太过喜人