CN101267446A - 无线传感器网络的时域数据融合方法 - Google Patents

Abstract

本发明提供一种无线传感器网络的时域数据融合方法，该方法包括如下步骤：1)无线传感器网络系统初始化；2)在一个时间周期，传感器节点首先根据时间序列模型以及本节点所缓存的历史数据计算出本周期的预测数据；然后计算本周期的预测误差；当预测误差小于等于预先设定的阈值时，则不向服务器传输数据，反之则向服务器发送本周期的实测数据；3)在同一个时间周期，服务器将实测数据发送给用户端，如未收到实测数据，则计算出该传感器本周期的预测数据，并将所述预测数据发送给用户端。本发明有效地减少网络中的数据传输量，节省节点的能量，从而达到延长网络寿命的目的。

Description

无线传感器网络的时域数据融合方法

技术领域

本发明涉及无线传感器网络技术领域，尤其涉及无线传感器网络中的数据融合方法。

背景技术

无线传感器网络由部署在监测区域内的大量传感器节点组成，传感器节点之间通过无线通信的方式形成一个多跳的自组织网络系统。节点通过各类集成化的微型传感器实时地感知并采集被监测对象的相关信息，这些信息通过多跳路由以无线传输的方式返回用户终端。

数据融合(data aggregation)是无线传感器网络中重要的研究领域之一。数据融合的基本思想是合并来自不同源节点的数据，去除冗余信息，减少网络中的数据传输量，从而达到节省节点能量，延长网络寿命的目的。使用数据融合技术能够有效地克服无线传感器网络中的能量限制。

在无线传感器网络中，传感器节点采集的数据按照时间顺序构成一个序列。每个序列包含产生该序列的系统的历史信息。如何根据这些序列，发现相应系统的统计特性与发展规律，从中提取出人们需要的信息，非常值得研究探讨。时间序列分析是实现上述目的的有效方法。

TiNA(temporal coherency-aware in-network aggregation)是一种利用传感器节点采集数据的时间一致性进行网内融合的机制，它在满足用户对于数据准确性需求的前提下，通过网内融合尽可能地节省能量。TiNA的基本思想是只有当前采集的数据与上一次采集的数据的差值大于某个用户指定的误差阈值时，节点才进行数据发送。由于TiNA是一种被动的数据融合算法，只有当时间相邻的监测数据恰好比较接近时，它的效果才能得以体现，当时间相邻的监测数据变化较大时，TiNA难以达到节省节点能量的目的。

发明内容

因此，本发明的目的是克服现有技术的不足，提出一种适用于无线传感器网络，能够有效地减少网络中的数据传输量，节省节点能量并且易于实现的基于预测的时域数据融合方法。

为实现上述发明目的，本发明提供的无线传感器网络的时域数据融合方法，基于时间周期，在传感器节点和服务器以相同的时间序列模型对数据进行预测，当预测数据相对于实测数据的误差不大于预先设定的阈值时，传感器节点不向服务器传输数据，当所述误差大于所述阈值时，传感器节点向服务器传输实测数据。

上述技术方案中，在传感器节点处，包括如下步骤：

1)在一个时间周期内，传感器节点首先根据时间序列模型以及本节点所缓存的前N个周期的历史数据，计算出本周期的预测数据；N的数值由所采用时间序列模型决定；

2)然后计算该传感器节点本周期的实测数据与预测数据的差值，将该差值作为预测误差；

3)当预测误差不大于所述阈值时，所述传感器节点不向服务器传输数据，当预测误差大于所述阈值时，所述传感器节点向服务器发送本周期的实测数据。

上述技术方案中，在服务器处，包括如下步骤：

4)在与所述步骤1)相应的一个时间周期内，服务器判断是否收到传感器节点发送的实测数据；如果判断为是，则将该实测数据发送给用户端，如果判断为否，则进入步骤5)；

5)服务器根据步骤1)中的所述时间序列模型以及本地所缓存的相应传感器的前N个周期的历史数据，计算出该传感器本周期的预测数据，并将所述预测数据发送给用户端。

上述技术方案中，所述各传感器节点首先采集并缓存最初N个周期的实测数据，并将这些实测数据发送给服务器，服务器同样缓存这些实测数据。

上述技术方案中，所述步骤2)中，所述传感器节点在采集到本周期的实测数据后，用本周期的实测数据更新缓存中的历史数据。

上述技术方案中，所述步骤4)或步骤5)中，所述服务器用本周期发送给用户端的数据更新缓存中的历史数据。

上述技术方案中，所述传感器节点和服务器的缓存中的历史数据的个数为一常数。

上述技术方案中，所述预先设定的阈值由用户通过用户端设定，并传送给服务器和各传感器节点。

上述技术方案中，所述步骤2)和步骤3)中，所述时间序列模型为自回归(AR)模型、移动平均(MA)模型或自回归移动平均(ARMA)模型以及其他可以表示时间序列变化的模型。

本发明具有如下技术效果：

1、本发明提出的基于预测的时域数据融合方法能够有效地减少网络中的数据传输量，节省节点的能量，从而达到延长网络寿命的目的。

2、本发明提出的基于预测的时域数据融合方法具有较好的自适应性。预测算法能够根据应用数据的变化进行动态的调整，具有较好的自适应性，无线传感器网络一旦部署完毕，则不再需要人工维护。

3、本发明提出的基于预测的时域数据融合方法具有较好的可扩展性。时间序列模型的复杂度仅与单个节点的数据相关，而与网络规模无关，因此，该方法具有较好的可扩展性，适用于网络规模通常较大的无线传感器网络。

4、本发明提出的基于预测的时域数据融合方法具有较强的实用性。时间序列预测的计算量相对较小，能够在能力十分有限的传感器节点上实现，因此，该方法具有较好的实用性。

5、本发明提出的基于预测的时域数据融合方法具有一定的灵活性。在数据准确性方面，基于预测的时域数据融合方法损失了一部分数据精度，用来换取节能收益。然而，数据准确性的损失是有界的，误差阈值可以由用户根据具体应用的需求灵活地进行设置。

附图说明

以下，结合附图来详细说明本发明的实施例，其中：

图1为本发明提供的基于预测的时域数据融合方法所采用的无线传感器网络系统的体系结构；

图2为本发明提供的基于预测的时域数据融合方法中传感器节点嵌入式软件的架构设计；

图3为本发明提供的基于预测的时域数据融合方法中传感器节点在一个采样周期的工作流程；

图4为本发明提供的基于预测的时域数据融合方法中服务器在一个采样周期的工作流程；

图5为本发明对基于预测的时域数据融合方法进行实验验证时采用的网络拓扑结构；

图6为本发明对基于预测的时域数据融合方法进行实验验证时节点发送数据包数量的比较；

图7为本发明对基于预测的时域数据融合方法进行实验验证时网络中节点寿命的比较。

具体实施方式

实施例

图1为本发明提供的基于预测的时域数据融合方法所采用的无线传感器网络系统的体系结构。无线传感器网络系统由三个层次组成：无线传感器网络、服务器以及客户端。无线传感器网络负责信息获取，网络中的节点周期性地采集数据，通过网关将数据传输到服务器。服务器存储无线传感器网络获取的相关信息，向本地用户以及远程用户提供相应的服务。本地用户可以直接访问数据库服务器，远程用户可以通过Internet访问Internet服务器。

本发明在无线传感器网络以及服务器中分别加入一个预测模型。在每个采样周期，网络中的节点根据历史数据对即将采集的未来数据进行预测，在下一个采样周期，完成数据采集后，节点比较预测数据与实测数据，若预测误差在用户可以接受的范围之内，则无需向服务器传输数据；否则，将实测数据传输到服务器。与此同时，服务器使用同样的预测模型根据历史数据预测未来数据，完成预测后，服务器等待一个采样周期，若没有收到节点发来的实测数据，则将预测数据返回给用户；否则，将节点发来的实测数据返回给用户，然后更新预测模型使其与节点的预测模型保持同步。

图2为本发明提供的基于预测的时域数据融合方法中传感器节点嵌入式软件的架构设计。本发明在无线传感器网络协议栈的网络层与应用层之间加入了一个数据融合层。数据融合层包括两个功能模块：控制模块与计算模块。控制模块负责将实测数据发送到计算模块，并从计算模块接收预测数据，然后比较预测误差与用户指定的误差阈值，对预测结果做出判断。计算模块接收控制模块发来的实测数据，对历史数据进行缓存，然后使用预测算法计算预测数据，将预测数据返回给控制模块。

图3为本发明提供的基于预测的时域数据融合方法中传感器节点在一个采样周期的工作流程。下面以使用一阶自回归预测算法为例，对传感器节点的工作流程进行详细说明。传感器节点的工作流程包括以下步骤：

步骤301：节点启动，开始进行数据采集。

步骤302：节点判断当前是否具有足够的历史数据用来计算预测数据。使用一阶自回归预测算法时，所需历史数据的个数设为3。若历史数据的个数等于3，执行步骤303；若历史数据的个数小于3，执行步骤304。

步骤303：节点根据历史数据计算预测数据。使用一阶自回归预测算法时，计算过程如下所示：设历史数据为y₁，y₂，y₃，首先计算系数

令随机扰动α₄＝0，则预测数据

步骤304：节点采集实测数据。

步骤305：节点判断当前是否具有根据历史数据计算的预测数据，若存在预测数据，则执行步骤307；若不存在预测数据，则执行步骤306。

步骤306：节点将采集的实测数据作为历史数据进行缓存。

步骤307：节点计算预测误差，即预测数据与实测数据的差值，并判断预测误差是否超过用户指定的误差阈值。若预测误差小于等于误差阈值，则执行步骤309；若预测误差大于误差阈值，则执行步骤308。

步骤308：节点将实测数据作为下一轮预测的历史数据进行缓存，同时删除历史数据队列中位于对头的数据，保持历史数据的个数为某一常数。使用一阶自回归预测算法时，历史数据的个数为3。

步骤309：节点将预测数据作为下一轮预测的历史数据进行缓存，同时删除历史数据队列中位于对头的数据，保持历史数据的个数为某一常数。使用一阶自回归预测算法时，历史数据的个数为3。

步骤310：节点将实测数据传输到服务器。

步骤311：节点结束在一个采样周期的工作流程。

图4为本发明提供的基于预测的时域数据融合方法中服务器在一个采样周期的工作流程。下面以使用一阶自回归预测算法为例，对服务器的工作流程进行详细说明。服务器的工作流程包括以下步骤：

步骤401：服务器启动，开始一个采样周期的工作流程。

步骤402：服务器判断当前是否具有足够的历史数据用来计算预测数据。使用一阶自回归预测算法时，所需历史数据的个数设为3。若历史数据的个数等于3，执行步骤403；若历史数据的个数小于3，执行步骤404。

步骤403：服务器根据历史数据计算预测数据。使用一阶自回归预测算法时，计算过程如下所示：设历史数据为y₁，y₂，y₃，首先计算系数

令随机扰动α₄＝0，则预测数据

步骤404：服务器等待一个采样周期。

步骤405：服务器判断当前是否具有根据历史数据计算的预测数据，若存在预测数据，则执行步骤407；若不存在预测数据，则执行步骤406。

步骤406：服务器接收节点发来的实测数据。

步骤407：服务器判断在等待期间是否收到了节点发来的数据。若没有收到节点发来的数据，则执行步骤409；若收到节点发来的数据，则执行步骤410。

步骤408：服务器将节点发来的数据作为历史数据进行缓存。

步骤409：服务器将节点发来的预测数据作为下一轮预测的历史数据进行缓存，同时删除历史数据队列中位于对头的数据，保持历史数据的个数为某一常数。使用一阶自回归预测算法时，历史数据的个数为3。

步骤410：服务器将节点发来的实测数据作为下一轮预测的历史数据进行缓存，同时删除历史数据队列中位于对头的数据，保持历史数据的个数为某一常数。使用一阶自回归预测算法时，历史数据的个数为3。

步骤411：服务器将本地计算的预测数据作为结果返回给用户。

步骤412：服务器将节点发来的实测数据作为结果返回给用户。

步骤413：服务器结束在一个采样周期的工作流程。

图3中的步骤303与图4中的步骤403，可以根据不同应用场景的具体需求，采用不同的预测算法，包括自回归预测算法、移动平均预测算法以及指数平滑预测算法。

设t时刻的观测序列为y₁，...，y_t，使用一阶自回归预测算法，则t+1时刻的预测结果为：

其中，

ρ₁为样本自相关函数，α_t+1为t+1时刻的随机扰动，正整数N为历史数据的个数。

设t时刻的观测序列为y₁，...，y_t，使用一次移动平均预测算法，则t+1时刻的预测结果为：

$y_{t+1}=\frac{1}{N}(y_t+...+y_{t-N+1})$

其中，正整数N为历史数据的个数。

设t时刻的观测序列为y₁，...，y_t，使用二次移动平均预测算法，使用上标(*)表示运算迭代的次数，则t+1时刻的预测结果为：

$y_{t+1}=M_t^{\left(2\right)}$

其中， $M_t^{\left(2\right)}=\frac{1}{N}(M_t^{\left(1\right)}+...+M_{t-N+1}^{\left(1\right)}),$ $M_t^{\left(1\right)}=\frac{1}{N}(y_t+y_{t-1}+...+y_{t-N+1}),$ 正整数N为历史数据的个数。

设t时刻的观测序列为y₁，...，y_t，使用趋势移动平均预测算法，则t+1时刻的预测结果为：

y_t+1＝a_t+b_t

其中， $a_t={2M}_t^{\left(1\right)}-M_t^{\left(2\right)},$ $b_t=\frac{2}{N-1}(M_t^{\left(1\right)}-M_t^{\left(2\right)}),$ $M_t^{\left(1\right)}=\frac{1}{N}(y_t+y_{t-1}+...+y_{t-N+1}),$ $M_t^{\left(2\right)}=\frac{1}{N}(M_t^{\left(1\right)}+...+M_{t-N+1}^{\left(1\right)}),$ 正整数N为历史数据的个数。

设t时刻的观测序列为y₁，...，y_t，使用水平趋势预测算法，则t+1时刻的预测结果为：

$y_{t+1}=S_t^{\left(1\right)}$

其中， $S_t^{\left(1\right)}={\mathrm{\αy}}_t+(1-\mathrm{\α})S_{t-1}^{\left(1\right)},$ α为加权系数，0＜α＜1。

设t时刻的观测序列为y₁，...，y_t，使用线形趋势预测算法，则t+1时刻的预测结果为：

y_t+1＝a_t+b_t

其中， $a_t={2S}_t^{\left(1\right)}-S_t^{\left(2\right)},$ $b_t=\frac{\mathrm{\α}}{1-\mathrm{\α}}(S_t^{\left(1\right)}-S_t^{\left(2\right)}),$ $S_t^{\left(1\right)}={\mathrm{\αy}}_t+(1-\mathrm{\α})S_{t-1}^{\left(1\right)},$ $S_t^{\left(2\right)}={\mathrm{\αS}}_t^{\left(1\right)}+(1-\mathrm{\α})S_{t-1}^{\left(2\right)},$ α为加权系数，0＜α＜1。

设t时刻的观测序列为y₁，...，y_t，使用二次曲线趋势预测算法，则t+1时刻的预测结果为：

$y_{t+1}=a_t+b_t+\frac{1}{2}{c}_t$

其中， $a_t={3S}_t^{\left(1\right)}-{3S}_t^{\left(2\right)}+S_t^{\left(3\right)},$ $b_t=\frac{\mathrm{\α}}{{2(1-\mathrm{\α})}^2}[(6-5\mathrm{\α})S_t^{\left(1\right)}-2(5-4\mathrm{\α})S_t^{\left(2\right)})+(4-3\mathrm{\α})S_t^{\left(3\right)}],$ $c_t=\frac{{\mathrm{\α}}^2}{{(1-\mathrm{\α})}^2}(S_t^{\left(1\right)}-2_t^{\left(2\right)}+S_t^{\left(3\right)}),$ $S_t^{\left(1\right)}={\mathrm{\αy}}_t+(1-\mathrm{\α})S_{t-1}^{\left(1\right)},$ $S_t^{\left(2\right)}={\mathrm{\αS}}_t^{\left(1\right)}+(1-\mathrm{\α})S_{t-1}^{\left(2\right)},$ $S_t^{\left(3\right)}={\mathrm{\αS}}_t^{\left(2\right)}+(1-\mathrm{\α})S_{t-1}^{\left(3\right)},$ α为加权系数，0＜α＜1。

为了检验基于预测的时域数据融合方法是否能够运行于实际的无线传感器网络中，并有效地减少网络中的数据传输量，节省节点的能量，从而达到延长网络寿命的目的，本发明首先在传感器节点上实现了相关预测算法，然后部署了无线传感器实验网络以及参比网络，通过对比的方式进行验证。

图5为本发明对基于预测的时域数据融合方法进行实验验证时采用的网络拓扑结构。本发明在同一环境(温度、湿度以及光照度)中部署了两个网络，采用数据融合算法的实验网络和不采用数据融合算法的参比网络。在实际应用中，无线传感器网络通常采用树状拓扑结构，因此，实验中的两个网络均采用树状拓扑结构。其中，网关节点的两棵子树左右对称，确保对应位置上的节点具有相同的网络流量。两个网络具有相同的拓扑结构，以便进行比较。其中，参比网络不使用数据融合技术，而实验网络采用基于预测的时域数据融合方法(一阶自回归预测算法)。通过比较两个网络中对应位置上的节点发送数据包的数量以及网络的寿命，检验基于预测的时域数据融合方法的效果。实验中，节点的采样周期为2秒，误差阈值为0.10℃。

图6显示了从实验开始到参比网络中的节点死亡这一时间间隔内两个网络中对应位置上的节点发送数据包数量的比较。从图6中可以看出，采用基于预测的时域数据融合方法，节点发送数据包的数量明显减少，节点平均发送数据包的数量仅为运行原始程序时的38％。

图7显示了两个网络中对应位置上节点的寿命的比较。从图7中可以看出，采用基于预测的时域数据融合方法，网络寿命有所延长，节点的平均寿命比运行原始程序时延长了58％。

实验证明，在无线传感器网络中，采用基于预测的时域数据融合方法能够有效地减少网络中的数据传输量，节省节点的能量，从而达到延长网络寿命的目的。

以上所述的具体实施例对本发明的目的、技术方案以及有益效果进行了详细的说明。所应理解的是，上述内容仅为本发明的具体实施例而已，并不用于限制本发明。凡在本发明的精神与原则之内，所做的任何修改、等同替换以及改进等，均应包含在本发明的保护范围之内。

Claims (9)

1. 一种无线传感器网络的时域数据融合方法，该方法基于时间周期，在传感器节点和服务器以相同的时间序列模型对数据进行预测，当预测数据相对于实测数据的误差不大于预先设定的阈值时，传感器节点不向服务器传输数据，当所述误差大于所述阈值时，传感器节点向服务器传输实测数据。

2.按权利要求1所述的无线传感器网络的时域数据融合方法，其特征在于，在传感器节点处，包括如下步骤：

1)在一个时间周期内，传感器节点首先根据时间序列模型以及本节点所缓存的前N个周期的历史数据，计算出本周期的预测数据；N的数值由所采用时间序列模型决定；

2)然后计算该传感器节点本周期的实测数据与预测数据的差值，将该差值作为预测误差；

3)当预测误差不大于所述阈值时，所述传感器节点不向服务器传输数据，当预测误差大于所述阈值时，所述传感器节点向服务器发送本周期的实测数据。

3.按权利要求2所述的无线传感器网络的时域数据融合方法，其特征在于，在服务器处，包括如下步骤：

4)在与所述步骤1)相应的一个时间周期内，服务器判断是否收到传感器节点发送的实测数据；如果判断为是，则将该实测数据发送给用户端，如果判断为否，则进入步骤5)；

5)服务器根据步骤1)中的所述时间序列模型以及本地所缓存的相应传感器的前N个周期的历史数据，计算出该传感器本周期的预测数据，并将所述预测数据发送给用户端。

4.根据权利要求1所述的无线传感器网络的时域数据融合方法，其特征在于，所述各传感器节点首先采集并缓存最初N个周期的实测数据，并将这些实测数据发送给服务器，服务器同样缓存这些实测数据。

5.根据权利要求2所述的无线传感器网络的时域数据融合方法，其特征在于，所述步骤2)中，所述传感器节点在采集到本周期的实测数据后，用本周期的实测数据更新缓存中的历史数据。

6.根据权利要求3所述的无线传感器网络的时域数据融合方法，其特征在于，所述步骤4)或步骤5)中，所述服务器用本周期发送给用户端的数据更新缓存中的历史数据。

7.根据权利要求5或6所述的无线传感器网络的时域数据融合方法，其特征在于，所述传感器节点和服务器的缓存中的历史数据的个数为一常数。

8.根据权利要求1所述的无线传感器网络的时域数据融合方法，其特征在于，所述预先设定的阈值由用户通过用户端设定，并传送给服务器和各传感器节点。

9.根据权利要求1所述的无线传感器网络的时域数据融合方法，其特征在于，所述时间序列模型为自回归模型、移动平均模型或自回归移动平均模型以及其他可以表示时间序列变化的模型。

Images