CN103476042A - 环境监测系统中的无线温度传感器优化部署方法 - Google Patents

Abstract

本发明涉及一种环境监测系统中的无线温度传感器优化部署方法，通过温度传感器节点的历史数据来预测传感器温度值，从而达到优化传感器网络部署、节省节点能耗并能够应对节点失效的情况的目的。优点在于：当用户在环境中已经部署好传感器并已经在需要预测的时间段进行了高频率采样时，可以充分利用已经采集的历史数据，当某一时刻的数据被收集时，用户能够很容易预测某一传感器的监测值；当需要降低传感器网络的能耗时，用户可以适当减少无线传感器节点的数量来为传感器网络节省能源；当传感器网络在运行中出现节点失效的情况，用户可以很容易地预测出该传感器的温度值，很好地应对节点失效的情况。

Description

环境监测系统中的无线温度传感器优化部署方法

技术领域

本发明涉及温度传感器节点的优化部署方法，特别涉及一种环境监测系统中的无线温度传感器优化部署方法。 

背景技术

无线传感器网络的广阔的应用前景引起学术界与工业界的广泛关注和深入研究。无线传感器网络是一种由传感器节点构成的网络，能够实时地监测、感知和采集节点部署区观察者感兴趣的感知对象的各种信息，并对这些信息进行处理以后以无线的方式发送出去，通过无线网络最终发送给观察者。无线传感器网络在军事侦察、环境监测、医疗护理、工业生产控制等领域有着广阔的应用前景。 

无线传感器网络的有效性和连通性取决于传感器节点的部署，后者又直接影响网络覆盖程度、通信能量消耗以及资源管理。根据应用的不同，节点部署通常为确定性部署和传感节点不可移动部署、节点可移动部署三类。一般在不知道监测区域地形的情况下，开始时都是随机撒播节点，但这样往往不能获得较好的覆盖度，尤其是在小部分区域节点过度聚集而在其他区域只有少量节点的情况下，覆盖度很低，不能满足应用要求。随机撒播节点后需要采取动态调整节点位置的方法来提高网络的覆盖度，从而提高网络的感知精度和可靠性。 

无线传感器网络部署反映了网络监测和实现目标跟踪的质量效果，它是通过合适的算法布置网络中的节点，优化现有的网络资源，以达到网络在未来的应用中利用率最大或单个任务消耗量最小。它是无线传感器网络应用方面的最基本的问题，决定着传感器监测物理空间的效果，能够影响传感器网络的服务质量。网络的节点部署方法需要在完成监测任务的前提下，尽量节省能耗以延长网络寿命。部署覆盖问题落脚点在于覆盖，而部署则是完成覆盖的手段。通过合理的节点部署，从而使网络达到一定的覆盖性能，满足实际需要。国内外对于覆盖部署问题的研究，按照节点部署的时间先后，可以将覆盖部署问题分成三类：事前规划 与实际部署阶段、调整阶段和增量部署阶段。增量部署阶段中，网络已经运行一段时间，由于节点能量耗尽或是遭到损毁死亡后，会造成了整个网络的覆盖性能降低。此时通常需要通过部署备用节点进行覆盖增强。 

有人通过采用让一些冗余节点休眠的策略，在保证网络一定的覆盖程度的同时，延长网络的生命周期。由于未考虑到节点失效对整个网络覆盖性能的影响，还有人则提出了一种Pull和Push协议，当某些区域内节点死亡时，距离该区域较近的簇头节点利用Push算法吸引簇内冗余节点移动到死亡节点位置，如果邻近簇内没有冗余节点，则邻近簇头节点采用Pull算法吸引更远处的冗余节点向空洞区域靠近。 

现有的节点优化部署策略有的侧重于网络覆盖程度，有的则用复杂的策略应对节点失效；如果既能满足网络覆盖全面，又很好地应对了节点失效的情况，那么势必需要大量的节点或是对节点的能耗比较高，很难做到一个良好的平衡。 

发明内容

本发明的目的在于提供一种环境监测系统中的无线温度传感器优化部署方法，解决了现有技术存在的上述问题。本发明在保证了传感器网络中温度节点的监测值精度和网络覆盖率的条件下，使网络中一部分节点休眠从而减少能耗，并且可以应对节点失效的情况。本发明基于线性规划，利用节点高频率采集的温度历史数据，可以在大部分节点工作情况下，预测不工作节点的温度值。当需要一部分节点休眠时，仍可以通过历史数据以及其他节点的温度值来预测该节点的监测值；当网络中有节点失效时，也能够预测出失效节点的温度值。 

本发明的上述目的通过以下技术方案实现： 

环境监测系统中的无线温度传感器优化部署方法，通过温度传感器节点的历史数据来预测传感器温度值，从而达到优化传感器网络部署、节省节点能耗并能够应对节点失效的情况的目的，括如下步骤： 

（1）、在环境中选定的位置布置好温度传感器，并在测试网络连通后开始在节点高能耗状态下，也就是高频率地对环境温度进行采样收集数据，并将收集到的数据保存起来，存储到历史数据库中； 

（2）、根据需要预测的温度传感器当前的时间与季节，在历史数据库中选取相应的需要预测的传感器以及辅助预测的传感器温度值；然后根据所取的数据量大小，相应地切割数据，一部分作为训练数据，一部分作为测试数据，其中每个节点的训练数据不少于50条； 

（3）、根据应用目标不同，选取需要预测的传感器节点，剩余节点作为辅助传感器节点； 

（3.1）当无线传感器优化部署要求减少电池能耗，而失效时间段内的数据对应用非常有意义时，根据要减少的节点数量不同，当用户仅仅要求减少一个节点时，根据用户指定的传感器，选择该传感器作为要预测的传感器，剩余的传感器作为辅助预测传感器；当需要减少的节点数量大于一个时，首先需要指定辅助预测传感器集合，如果剩余的传感器集合仍然足以使用线性规划方法进行预测，则每次都选定一个要预测的传感器，并根据步骤（4）、（5）计算出线性规划的各种参数以及最终的预测值，直到每个节点的值都能被预测； 

（3.2）当传感器网络中某个节点突然失效，而失效时间段内的数据对应用非常有意义时，根据要减少的节点数量不同，当失效的节点数量是一个节点时，根据失效的传感器，选择该传感器作为要预测的传感器，剩余的传感器作为辅助预测传感器；当失效的节点数量大于一个时，首先需要指定辅助预测传感器集合，如果剩余的传感器集合仍然足以使用线性规划方法进行预测，则每次选定一个要预测的传感器，并根据步骤4、5计算出线性规划的各种参数以及最终的预测值，直到每个节点的值都能被预测； 

（4）、根据历史数据，计算线性规划中的相应参数，包括目标函数、约束条件以及常向量； 

（4.1）定义目标函数 

可以在大量的实验观察中得出，同一片环境中不同传感器的监测值在一定程度上是有相似点的，并且满足一定的数量关系，或正相关或负相关；另外，目标函数需要在输入数据变化的时候保持稳定，因而在研究大量历史数据之后，将每个辅助传感器的目标函数系数定义成要预测的传感器值相对于该辅助传感器值的比例，而要预测的传感器在目标函数中的系数定义成所有辅助传感器的目标函数的和的相反数； 

（4.2）定义约束条件 

在考虑线性规划约束条件时，需要考虑描述不同传感器之间监测值的关系的条件；针对不同的场景以及部署方式，约束条件是需要变化的；可能考虑的条件有：所有传感器温度值之和的关系、不同区域类型的传感器温度值关系、最高和最低温度值的传感器监测值的关系、变化幅度最快以及变化幅度最慢的传感器监测值之间的关系、变化幅度近似的传感器监测值之间的关系等等不同的条件； 

（4.3）计算常向量 

在约束条件确定以后，根据历史数据，即可计算出相应的约束条件的不等式右侧的常量，连起来即表示为常向量； 

（5）、利用历史数据以及线性规划的各种参数可以计算出相应历史数据的目标函数的值；将这个目标函数值作为中间变量，利用该中间变量进一步预测某一时间点上要预测的传感器的值；只要将这个中间变量的值以及当前其他辅助传感器的监测值作为已知变量，即可很容易的在算数上计算出要预测的某一时间点的传感器的值。 

与现有技术相比，本发明的有益效果在于：当用户在环境中已经部署好传感器并已经在需要预测的时间段进行了高频率采样时，可以充分利用已经采集的历史数据，当某一时刻的数据被收集时，用户能够很容易预测某一传感器的监测值；当需要降低传感器网络的能耗时，用户可以适当减少无线传感器节点的数量来为传感器网络节省能源；当传感器网络在运行中出现节点失效的情况，用户可以很容易地预测出该传感器的温度值，很好地应对节点失效的情况。 

具体实施方式

本发明的环境监测系统中的无线温度传感器优化部署方法，通过温度传感器节点的历史数据来预测传感器温度值，从而达到优化传感器网络部署、节省节点能耗并能够应对节点失效的情况的目的，括如下步骤： 

（1）、在环境中选定的位置布置好温度传感器，并在测试网络连通后开始在节点高能耗状态下，也就是高频率地对环境温度进行采样收集数据，并将收集到的数据保存起来，存储 到历史数据库中； 

（2）、根据需要预测的温度传感器当前的时间与季节，在历史数据库中选取相应的需要预测的传感器以及辅助预测的传感器温度值；然后根据所取的数据量大小，相应地切割数据，一部分作为训练数据，一部分作为测试数据，其中每个节点的训练数据不少于50条； 

（3）、根据应用目标不同，选取需要预测的传感器节点，剩余节点作为辅助传感器节点； 

（3.1）当无线传感器优化部署要求减少电池能耗，而失效时间段内的数据对应用非常有意义时，根据要减少的节点数量不同，当用户仅仅要求减少一个节点时，根据用户指定的传感器，选择该传感器作为要预测的传感器，剩余的传感器作为辅助预测传感器；当需要减少的节点数量大于一个时，首先需要指定辅助预测传感器集合，如果剩余的传感器集合仍然足以使用线性规划方法进行预测，则每次都选定一个要预测的传感器，并根据步骤（4）、（5）计算出线性规划的各种参数以及最终的预测值，直到每个节点的值都能被预测； 

（3.2）当传感器网络中某个节点突然失效，而失效时间段内的数据对应用非常有意义时，根据要减少的节点数量不同，当失效的节点数量是一个节点时，根据失效的传感器，选择该传感器作为要预测的传感器，剩余的传感器作为辅助预测传感器；当失效的节点数量大于一个时，首先需要指定辅助预测传感器集合，如果剩余的传感器集合仍然足以使用线性规划方法进行预测，则每次选定一个要预测的传感器，并根据步骤4、5计算出线性规划的各种参数以及最终的预测值，直到每个节点的值都能被预测； 

（4）、根据历史数据，计算线性规划中的相应参数，包括目标函数、约束条件以及常向量； 

（4.1）定义目标函数 

可以在大量的实验观察中得出，同一片环境中不同传感器的监测值在一定程度上是有相似点的，并且满足一定的数量关系，或正相关或负相关；另外，目标函数需要在输入数据变化的时候保持稳定，因而在研究大量历史数据之后，将每个辅助传感器的目标函数系数定义成要预测的传感器值相对于该辅助传感器值的比例，而要预测的传感器在目标函数中的系数定义成所有辅助传感器的目标函数的和的相反数； 

（4.2）定义约束条件 

在考虑线性规划约束条件时，需要考虑描述不同传感器之间监测值的关系的条件；针对不同的场景以及部署方式，约束条件是需要变化的；可能考虑的条件有：所有传感器温度值之和的关系、不同区域类型的传感器温度值关系、最高和最低温度值的传感器监测值的关系、变化幅度最快以及变化幅度最慢的传感器监测值之间的关系、变化幅度近似的传感器监测值之间的关系等等不同的条件； 

（4.3）计算常向量 

在约束条件确定以后，根据历史数据，即可计算出相应的约束条件的不等式右侧的常量，连起来即表示为常向量； 

（5）、利用历史数据以及线性规划的各种参数可以计算出相应历史数据的目标函数的值；将这个目标函数值作为中间变量，利用该中间变量进一步预测某一时间点上要预测的传感器的值；只要将这个中间变量的值以及当前其他辅助传感器的监测值作为已知变量，即可很容易的在算数上计算出要预测的某一时间点的传感器的值。 

实施例1：获得准确的历史数据 

数据的选择分为以下几个步骤： 

1.确定需要预测传感器节点监测值所处的时间段 

这一步是首要的步骤，必须要求需要预测的时间段与选取的历史数据处于同一个时间段内，网络的拓扑结构以及节点序号同样不能改变。例如，我们要对3月11日中午12点节点ｉ的温度进行预测，从而对节点ｉ进行优化部署，这就要求我们需要调用数据库中3月11日的三日内的并且是中午12点左右传感器网络温度数据，时间差别最好不要超过30分钟，另外，当选取不同日期的数据时，尽可能选取天气情况近似的日期中节点数据作为历史数据。 

2.选取合适数据 

在选取的时间段内，选择与要预测的时间段最相近的30分钟高频采样的温度数据，并对数据进行适当的预处理，例如去除重复数据，去除错误数据，去除缺失的数据。 

3.划分数据 

对于上述步骤选取的历史数据进行预处理以后，本发明对数据进行了分割，根据实际应用要求的预测精度、执行速度以及数据量大小，可以对数据进行不同的划分。最终将数据划分成训练数据以及测试数据，训练数据用于训练线性规划的参数，而测试数据用来验证训练的参数是实际有效的、可用的。 

实施例2：选择需要预测的节点集合以及辅助预测的节点集合 

在优化网络部署以及节点失效时，我们要缩减的节点数量是不确定的，根据节点数量的不同，我们需要使用不同的方法来选择节点集合。 

对于需要缩减的节点数量是一个时，本发明遵循以下步骤： 

1.如果用户指定某一节点为需要预测的节点，则将该节点作为要预测的节点集合；如果用户并未指定，则本发明自动指定平均温度最低的节点作为需要预测的节点来缩减。 

2.在无线传感器网络中，去除要预测的节点，剩余节点作为辅助预测的节点集合对于需要缩减的节点数量大于一个时，本发明遵循以下步骤： 

1.如果用指定了需要预测的节点集合，那么将用户指定的节点集合作为需要预测的节点集合；如果用户并未制定，则选取温度最低的若干个节点作为要预测的节点集合，节点数量由用户指定。 

2.比较指定的需要预测的节点数量与传感器网络中所有节点的数量，如果剩余的节点数量不足以执行线性规划方法，那么用户需要考虑减少缩减的节点数量或者更换优化节点部署的方法；如果生育的节点数量仍然能够很好地执行线性规划方法，那么进入第三步。 

3.在无线传感器网络中，去除要预测的节点，剩余节点作为辅助预测的节点集合。 

实施例3：计算线性规划参数、预测节点监测值 

针对需要预测的节点集合中的每一个节点，都实施本实施例，即可计算出对于该节点的线性规划参数以及对应的传感器节点预测值。 

对于一个需要预测的节点，都需要计算相应的参数来预测；然而，这些参数是与历史数据所在的日期、时间有关的。也就是说，对应的日期、时间计算出来的线性规划参数只能用于预测对应的时间段内的节点监测值。 

计算各项参数遵循以下步骤： 

1.计算目标函数 

在研究大量历史数据之后，我们将每个辅助传感器的目标函数系数定义成要预测的传感器值相对于该辅助传感器值的比例，而要预测的传感器在目标函数中的系数定义成所有辅助传感器的目标函数的和的相反数。目标函数可以表示为minimiz＝cx，其中c＝(C_l，C₂，…，C_n)且 $\left\{\begin{array}{cc}{c}_i=\frac{d_p}{d_i},& i\∈U_a\\ c_i=-{\mathrm{\Σ}}_{{\∀j\∈U}_a}{d}_j,& i\∈U_p\end{array}\right.,$ c_i表示节点i的目标函数系数，d_i表示节点i的平均温度，U_a表示辅助预测节点集合，U_p表示要预测的节点集合。 

2.计算约束条件 

在考虑线性规划约束条件时，我们需要考虑尽可能多的可能的描述不同传感器之间监测值的关系的条件。针对不同的场景以及部署方式，约束条件是需要变化的。我们在针对一个多实验室环境监测系统中，使用了一下条件：所有传感器温度值之和的关系、不同实验室中相似位置（例如窗户、背光面）的传感器温度值关系、同一密闭空间内的不同传感器节点温度关系、两两实验室的传感器温度关系。利用这些关系，构造多个不等式或者等式，需要控制不等式方向不同，这样才能使限制条件是有界的，才能保证计算出来可用的线性规划限制条件 

3.计算常向量 

在约束条件确定以后，根据历史数据，即可计算出相应的约束条件的不等式右侧的常量，连起来即表示为常向量。常向量要求是非负的，因此在确定约束条件后需要适当对约束不等式、方程进行变形。 

计算节点的预测值需要遵循以下步骤： 

1.利用matlab r2009b版本中，软件自带的遗传算法来训练数据，得到合适的训练参数。 

2.利用训练得到的参数，对测试数据进行测试，当测试准确率达到用户满意的范围，则可以确定参数可用。 

3.在确定训练得到的参数可用后，我们利用参数反向计算指定节点的预测值，此时需要输入传感器网络中其他节点在预测时刻的数据。 

本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于一计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。 

最后应说明的是：以上所述仅为本发明的优选待办待阅实施例而已，并不用于限制本发明适用范围，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。 

以上所述仅为本发明的优选实例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡对本发明所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。 

Claims (1)

1.一种环境监测系统中的无线温度传感器优化部署方法，通过温度传感器节点的历史数据来预测传感器温度值，从而达到优化传感器网络部署、节省节点能耗并能够应对节点失效的情况的目的，包括如下步骤：

（1）、在环境中选定的位置布置好温度传感器，并在测试网络连通后开始在节点高能耗状态下，也就是高频率地对环境温度进行采样收集数据，并将收集到的数据保存起来，存储到历史数据库中；

（2）、根据需要预测的温度传感器当前的时间与季节，在历史数据库中选取相应的需要预测的传感器以及辅助预测的传感器温度值；然后根据所取的数据量大小，相应地切割数据，一部分作为训练数据，一部分作为测试数据，其中每个节点的训练数据不少于50条；

（3）、根据应用目标不同，选取需要预测的传感器节点，剩余节点作为辅助传感器节点；

（3.1）当无线传感器优化部署要求减少电池能耗，而失效时间段内的数据对应用非常有意义时，根据要减少的节点数量不同，当用户仅仅要求减少一个节点时，根据用户指定的传感器，选择该传感器作为要预测的传感器，剩余的传感器作为辅助预测传感器；当需要减少的节点数量大于一个时，首先需要指定辅助预测传感器集合，如果剩余的传感器集合仍然足以使用线性规划方法进行预测，则每次都选定一个要预测的传感器，并根据步骤（4）、（5）计算出线性规划的各种参数以及最终的预测值，直到每个节点的值都能被预测；

（3.2）当传感器网络中某个节点突然失效，而失效时间段内的数据对应用非常有意义时，根据要减少的节点数量不同，当失效的节点数量是一个节点时，根据失效的传感器，选择该传感器作为要预测的传感器，剩余的传感器作为辅助预测传感器；当失效的节点数量大于一个时，首先需要指定辅助预测传感器集合，如果剩余的传感器集合仍然足以使用线性规划方法进行预测，则每次选定一个要预测的传感器，并根据步骤（4）、（5）计算出线性规划的各种参数以及最终的预测值，直到每个节点的值都能被预测；

（4）、根据历史数据，计算线性规划中的相应参数，包括目标函数、约束条件以及常向量；

（4.1）定义目标函数

同一片环境中不同传感器的监测值在一定程度上是有相似点的，并且满足一定的数量关系，或正相关或负相关；另外，目标函数需要在输入数据变化的时候保持稳定，因而将每个辅助传感器的目标函数系数定义成要预测的传感器值相对于该辅助传感器值的比例，而要预测的传感器在目标函数中的系数定义成所有辅助传感器的目标函数的和的相反数；

（4.2）定义约束条件

在考虑线性规划约束条件时，需要描述不同传感器之间监测值的关系的条件；针对不同的场景以及部署方式，约束条件是需要变化的；可能考虑的条件有：所有传感器温度值之和的关系、不同区域类型的传感器温度值关系、最高和最低温度值的传感器监测值的关系、变化幅度最快以及变化幅度最慢的传感器监测值之间的关系、变化幅度近似的传感器监测值之间的关系等等不同的条件；

（4.3）计算常向量

在约束条件确定以后，根据历史数据，即可计算出相应的约束条件的不等式右侧的常量，连起来即表示为常向量；

（5）、利用历史数据以及线性规划的各种参数可以计算出相应历史数据的目标函数的值；将这个目标函数值作为中间变量，利用该中间变量进一步预测某一时间点上要预测的传感器的值；只要将这个中间变量的值以及当前其他辅助传感器的监测值作为已知变量，即可很容易的在算数上计算出要预测的某一时间点的传感器的值。