Amazon IoT Analytics 功能

从包括 Amazon IoT Core 在内的任何来源提取数据 – 直接将数据从 Amazon IoT Core 提取到 Amazon IoT Analytics。或者，使用 BatchPutMessage API 将数据从 Amazon S3、Amazon Kinesis 或任何其他来源发送到 Amazon IoT Analytics。将 Amazon IoT Analytics 与 Amazon IoT Core 和该 API 完全集成后，当消息传入时，即可轻松接收来自连接设备的消息。

仅收集要存储和分析的数据 – 可以使用 Amazon IoT Analytics 控制台配置 Amazon IoT Analytics，使其通过 MQTT 主题筛选条件以各种格式和频率接收来自设备的消息。Amazon IoT Analytics 将验证这些数据是否在您定义的特定参数范围内，并创建通道。然后，该服务将通道路由到相应的管道，以进行消息处理、转换和扩充。

清除和筛选 – 通过 Amazon IoT Analytics，您可以定义在 Amazon IoT Analytics 检测到缺失数据时触发的 Amazon Lambda 函数，因此您可以运行代码来估计并填补缺口。 您还可以定义最大/最小筛选条件和百分位阈值，以删除数据中的异常值。

运行临时和计划 SQL 查询 – Amazon IoT Analytics 提供了内置 SQL 查询引擎，因此您可以运行临时或计划查询并快速获得结果。例如，您可能需要运行快速查询，查找队列中每个设备每月的活跃用户数。

时间序列分析 – Amazon IoT Analytics 支持时间序列分析，因此您可以分析设备在一段时间内的性能，了解其使用方式和使用位置，持续监控设备数据以预测维护问题，以及监控传感器以预测环境状况并做出反应应对

用于复杂分析和机器学习的托管笔记本 – Amazon IoT Analytics 支持用于复杂分析和机器学习的托管 Jupyter 笔记本。此服务包括一组预构建的笔记本模板，其中包含 Amazon Web Services 编写的机器学习模型和可视化效果，可帮助您开始使用与设备故障描述、预测事件（例如低使用量，这可能表示客户将放弃该产品）、按客户使用量（例如使用量较大的用户、周末用户）或设备运行状况为设备分段相关的 IoT 用例。

您可以通过一种逻辑回归方法进行统计分类。您还可以使用长短期记忆 (LSTM) 来预测随时间变化的进程输出或状态，LSTM 是一种功能强大的神经网络技术。预构建的笔记本模板还支持使用 K-means 集群算法进行设备细分，将设备分为类似设备组。这些模板通常用于描述设备运行状况和设备状态，例如巧克力工厂的 HVAC 单元或风力涡轮机的叶片磨损。

引入您的自定义容器 – Amazon IoT Analytics 将导入您自定义编写的代码容器、内置的 Amazon IoT Analytics 或第三方工具（例如 Matlab），这样您就可以将更多时间投入到如何从竞争中脱颖而出上。无需重新创建在第三方工具中创建的现有分析。只需在 Amazon IoT Analytics 上导入分析容器，即可根据需要执行。

如果使用的是 Jupyter 笔记本，只需单击一个按钮即可创建 Jupyter 笔记本代码的可执行容器映像，并在 Amazon IoT Analytics 控制台上可视化容器分析。

实现容器执行自动化 – 借助 Amazon IoT Analytics，您可以将托管自定义编写的分析代码或 Jupyter 笔记本的容器执行过程自动化，进而执行持续分析。您可以按最能满足您的业务需求的定期计划来安排执行自定义分析的时间。

可自定义时段内的增量数据捕获 – 通过 Amazon IoT Analytics，用户可以对自上次分析以来捕获的新增量数据执行分析。通过仅精确扫描新数据，您可以提高分析效率并降低成本。无论您何时运行上次分析，可自定义时段都可以捕获自上次分析以来的新数据。