CN105939524B - 一种无线传感器网络节点事件实时预测方法 - Google Patents

一种无线传感器网络节点事件实时预测方法 Download PDF

Info

Publication number
CN105939524B
CN105939524B CN201610453143.7A CN201610453143A CN105939524B CN 105939524 B CN105939524 B CN 105939524B CN 201610453143 A CN201610453143 A CN 201610453143A CN 105939524 B CN105939524 B CN 105939524B
Authority
CN
China
Prior art keywords
node
similarity
data
vector
event
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201610453143.7A
Other languages
English (en)
Other versions
CN105939524A (zh
Inventor
杨坤奎
刘奇志
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing University
Original Assignee
Nanjing University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Nanjing University filed Critical Nanjing University
Priority to CN201610453143.7A priority Critical patent/CN105939524B/zh
Publication of CN105939524A publication Critical patent/CN105939524A/zh
Application granted granted Critical
Publication of CN105939524B publication Critical patent/CN105939524B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W24/00—Supervisory, monitoring or testing arrangements
    • H04W24/02—Arrangements for optimising operational condition
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W24/00—Supervisory, monitoring or testing arrangements
    • H04W24/04—Arrangements for maintaining operational condition
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W68/00—User notification, e.g. alerting and paging, for incoming communication, change of service or the like
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W84/00—Network topologies
    • H04W84/18—Self-organising networks, e.g. ad-hoc networks or sensor networks
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Mobile Radio Communication Systems (AREA)
  • Alarm Systems (AREA)

Abstract

一种无线传感器网络节点事件实时预测方法，基于如下系统：由静止或移动的传感器节点以自组织和多跳的方式构成无线传感器网络；当无线传感器网络中某一个节点发生事件，将发生事件节点的最近m组属性向量广播给其余关心的节点，在各个节点本地刷新本节点最近m组属性向量,并与事件节点的最近m组属性向量进行相似度计算，将计算结果回传给基站，根据计算结果进行趋势判断，并发出预警，维护人员得到预警后,采取相关干预措施，避免相同事件的发生；相似度计算采用轻量级距离计算方法，以减少能耗；相似度计算特征还在于计算变化趋势，以及变化趋势之间的距离。

Description

一种无线传感器网络节点事件实时预测方法
技术领域
本发明涉及无线传感器网络技术领域，具体涉及一种无线传感器网络中根据已发生事件节点的相关信息，来实时预测潜在发生事件节点的方法。
背景技术
无线传感器网络是由大量的静止或移动的传感器节点以自组织和多跳的方式构成的无线网络，以协作地感知、采集、处理和传输网络覆盖地理区域内被感知对象的信息，并最终把这些信息发送给网络的所有者(基站、上位机或系统主机)。这些节点采集不同的物理数据，例如森林火灾监测中的地理位置、空气的湿度、温度、气压、光强度及风向等物理指标的数值。
由于被监控的对象和所处环境的复杂性，通常会导致一些节点监控对象发生事件，例如森林火灾、电梯故障、通信故障。目前，实际应用中大多采用专家系统进行事件预测，其缺点是只能预测已知明确原因的事件，对于多属性的复杂环境，显得乏力。也有基于大量历史数据进行机器学习的预测方法，但这类方法对未曾出现的事故无能为力，因为学习具有滞后性。
鉴于整个无线传感器网络中的节点具有相似性，当某一个节点发生事件(为了叙述简洁，节点发生事件指的是节点所监测的对象发生事件)，该节点的信息对于其它节点具有非常重要的参考作用。本发明根据这一原理进行节点事件的实时预测，同时具有易于实施、计算量小、节能、预测准确率高等特色。
发明内容
本发明目的是，利用已经发生事件节点的数据，实时在其它节点进行相似度计算，得到其它节点发生相同事件的概率，以便维护人员及时采取相关干预措施，避免相同事件的发生，减少损失。
本发明是这样实现的，一种无线传感器网络节点事件实时预测方法，基于如下系统设置：由静止或移动的传感器节点以自组织和多跳的方式构成无线传感器网络，以感知、采集、处理和传输无线传感器网络覆盖地理区域内被感知对象的信息，并最终把这些信息发送给无线传感器网络的基站；
(1)每隔固定时间，每个节点向基站发送一组最新数据；
(2)节点采集数据包括监测对象的n个属性；
(3)节点数据采用本地存储，保存m组最近历史数据，运行时最新数据覆盖最旧数据；
无线传感器网络节点事件实时预测方法，以如下步骤：当无线传感器网络中某一个节点发生事件，将发生事件节点的最近m组属性向量广播给其余关心的节点(由维护人员设定)，在各个节点本地刷新本节点最近m组属性向量,并与事件节点的最近m组属性向量进行相似度计算，将计算结果回传给基站，根据计算结果进行趋势判断，并发出预警，维护人员得到预警后,采取相关干预措施，避免相同事件的发生；
相似度计算采用轻量级距离计算方法(如曼哈顿距离)，以减少能耗；
相似度计算特征还在于计算变化趋势，以及变化趋势之间的距离；
最终判断特征在于综合相似度距离的变化趋势，当变化趋势变小时，系统发出预警。
本发明的思路是，当无线传感器网络中某一个节点发生事件，将发生事件的节点最近采集的数据所形成的m组属性向量广播给其余的关心节点，广播的范围可以人工设定，然后在各个节点本地刷新属性向量组,并与接收到的事件节点属性向量组进行相似度计算，将计算结果回传给基站，以便判断数据变化趋势，并发出预警。
本发明具体包括如下步骤：
(1)当无线传感器网络中某一个节点S发生了事件，立即将该节点最近的m条记录提取出来，构成如下向量矩阵：
其中ei＝(e1,e2,…,en)，i∈[1,m]，是节点S在时刻i的所有监控数据组成的属性向量，e1是最新时刻的数据，em是最旧时刻数据。m条数据组成一个m×n的矩阵；提取m条数据而不是一条数据的原因是某些属性值的变化趋势(而不是属性值本身)对事件的预测更加重要，比如温度的急剧升高(而不是温度高)说明极有可能将要发生火灾事件，如果是一条数据则无法携带这种变化信息。
(2)由于节点能源有限，一般和基站的通信时间间隔相对较长，所以系统此时需要向其余关心的节点广播数据A。
(3)节点T接收到广播数据后，在节点本地进行相似度计算，每个节点本地属性向量为t＝(t1,t2,…,tn)，节点本地属性组成如下矩阵B：
为了降低计算量，减少能耗，采取计算简单的曼哈顿距离作为相似度度量方式。距离越小表示越有可能发生相同事件。两个向量之间的距离用d表示，先对每一行进行相似度计算(n是属性的数量)：
第一行相似度，
第二行相似度，
……
第m行相似度，
然后取平均值得到行距离dr：
S、T之间的相似度，
接着计算每列之间的变化趋势相似度，即先依次采用一元线性回归方法计算A、B每个属性的变化曲线的近似斜率，得到斜率向量KA＝(k1，k2,…,kn),KB＝(k1，k2,…,kn)，kj体现每个属性相邻两个时刻的变化趋势，再计算A、B变化趋势的距离dc：
距离越小，变化趋势越相似，表明T越有可能发生类似S的事件；
(4)将(dr，dc)返回给基站；
(5)一个周期后，更新本地矩阵B，再次计算，得到(dr，dc)返回给基站；
(6)因为距离大小没有参照值，所以直接观察计算出来的数值并没有太大意义，由于所处环境复杂，影响因素众多，很多事件发生都是多个因素综合导致的结果，历史数据库中没有相似的数据，导致计算出一个参考的阈值也非常困难，但是观察返回值(dr，dc)的变化情况可以进行有效预测，也即，当过了t个周期后，基站收到T节点的t组(dr，dc)数据，如果两个值都出现了不断变小的趋势，那么T非常有可能即将发生相同的事件，系统发出预警。
本发明的有益效果，当无线传感器网络中某一个节点发生事件，将发生事件的节点最近采集的数据所形成的属性向量组广播给其余关心的节点，利用已经发生事件节点的数据，实时在其它节点进行相似度计算，将计算结果回传给基站，以便判断数据变化趋势，进一步预测出其它节点发生相同事件的概率，并发出预警，由维护人员及时采取相关干预措施，避免相同事件的发生，减少损失。
附图说明
图1所示为本发明所述一种无线传感器网络节点事件实时预测方法的总流程图；
图2a-图2c所示为基站与不同节点之间的数据交互示意图。
具体实施方式
下面结合说明书附图对本发明实施方式作进一步说明，但本发明不局限于下面的实例。
实例：采用真实的数据集Intel Lab Data，数据来源是部署在因特尔伯克利研究所的54个传感器在2004年2月28号至4月5号之间采集到的数据，主要包括温度、湿度、光强和电压等物理指标。本实验对数据进行了预处理，将原始数据从每隔30秒采集一个数据改为每隔5分钟取一个(平均)数据。实验中，将湿度、光强、电压作为属性，温度作为事件指标，设定温度达到20℃为发生事件(受光照影响的升温除外)。
截取第1个节点2004-02-28 08:23开始的数据，如表1所示。可以看出，第5个数据温度开始超过20℃，即发生了事件。
表1：1号节点数据
序号 日期 时间 节点号 湿度 光照 电压 温度
1 2004/2/28 8:23 1 36.6118 397.44 2.69 19.2436
2 2004/2/28 8:27 1 36.2673 397.44 2.69 19.4396
3 2004/2/28 8:32 1 35.9221 397.44 2.70 19.6650
4 2004/2/28 8:39 1 35.5764 397.44 2.70 19.9296
5 2004/2/28 8:42 1 35.2648 397.44 2.70 20.0472
6 2004/2/28 8:47 1 34.8834 397.44 2.70 20.2530
7 2004/2/28 8:54 1 34.5360 412.16 2.70 20.5176
此时基站检测到事件发生，立即将序号1-5行最新的5条数据提取出来，记为矩阵A，广播给附近其他节点。本实验选取了环境比较相似的3、4、6号节点，即把矩阵A发送给3、4、6号节点。
3号节点的数据如表2所示。
表2：3号节点数据
计算1-5行数据组成矩阵B：
计算A、B的相似度：
Step1：计算行相似度
计算对应行的相似度：
第一行相似度，
第二行相似度，
第三行相似度，
第四行相似度，
第五行相似度，
计算平均值：dr＝78.2。
Step2：计算列相似度
计算A每一列的变化趋势，用一元线性回归方法进行计算，得到KA＝(0.3385，0.0，-0.003)和KB＝(0.261，-2.944，0.0)，
4和6号节点的数据如表3和表4所示。计算过程同Step1和Step2。
表3：4号节点数据
序号 日期 时间 节点号 湿度 光照 电池电压 温度
1 2004/2/28 8:12 4 38.7357 250.24 2.66 18.7536
2 2004/2/28 8:17 4 38.5311 264.96 2.65 18.8614
3 2004/2/28 8:23 4 38.3946 264.96 2.65 18.9300
4 2004/2/28 8:28 4 38.3605 279.68 2.65 19.0476
5 2004/2/28 8:33 4 38.0529 279.68 2.65 19.2044
6 2004/2/28 8:37 4 37.9845 279.68 2.66 19.3122
7 2004/2/28 8:42 4 37.8477 279.68 2.66 19.3906
8 2004/2/28 8:48 4 37.5051 294.40 2.66 19.5768
9 2004/2/28 8:53 4 37.0933 294.40 2.68 19.7924
10 2004/2/28 8:57 4 36.8871 294.40 2.68 19.8806
11 2004/2/28 9:03 4 36.543 309.12 2.68 20.1060
12 2004/2/28 9:07 4 36.4741 309.12 2.66 20.1746
表4：6号节点数据
序号 日期 时间 节点号 湿度 光照 电池电压 温度
1 2004/2/28 8:12 6 38.7016 861.12 2.63 18.3420
2 2004/2/28 8:17 6 38.5311 890.56 2.63 18.3812
3 2004/2/28 8:23 6 38.5993 920.00 2.63 18.4302
4 2004/2/28 8:28 6 38.5652 964.16 2.63 18.5282
5 2004/2/28 8:32 6 38.5311 964.16 2.64 18.5968
6 2004/2/28 8:37 6 38.3263 1023.04 2.64 18.7340
7 2004/2/28 8:42 6 38.1213 1023.04 2.64 18.8222
8 2004/2/28 8:47 6 38.1213 1023.04 2.63 18.9104
9 2004/2/28 8:52 6 37.9161 1081.92 2.63 18.9888
10 2004/2/28 8:57 6 37.745 1081.92 2.64 19.1260
11 2004/2/28 9:02 6 37.5394 1140.80 2.64 19.2534
12 2004/2/28 9:07 6 37.4708 1140.80 2.64 19.3514
3、4、6号节点分别将(dr,dc)返回给基站。持续5个周期后，基站共收到3、4、6节点的数据如表5和表6所示。
表5：行距离表
事件发生时刻(min) 3号节点 4号节点 6号节点
0 78.26 123.43 585.04
5 71.99↓ 117.24↓ 605.46↑
10 68.67↓ 113.88↓ 628.79↑
15 62.49↓ 110.59↓ 652.08↑
20 56.41↓ 104.41↓ 675.37↑
表6：列距离表
事件发生时刻(min) 3号节点 4号节点 6号节点
0 3.0892 3.2268 1315.316
5 3.0943 3.1764↓ 1306.4768↓
10 4.6128 4.5836 1312.3569
15 7.5571 4.5187 1735.9714
20 7.5396 5.9431 1747.7153
根据表5和表6的数据，综合判断3、4、6号节点与1号节点之间行、列距离值的变化趋势，系统会在5分钟的时候，对4号节点发出事件预警。观察表5和表6，不难发现：3、4号节点行距离减小趋势明显，说明3、4号节点与1号节点总体状态越来越相似；4、6号节点列距离有减小趋势，说明4、6号节点的状态变化趋势与1号节点的状态变化趋势越来越相似。也就是说，4号节点发生事件概率最高。实际上，4号节点在20分钟的时候温度的确超过20℃，而6号节点温度未曾达到20℃，与预测结果相吻合。至于3号节点，在20分钟的时候温度也超过20℃，但3号节点的状态变化趋势缓慢，所以未予报警。

Claims (2)

1.一种无线传感器网络节点事件实时预测方法，基于如下系统：由静止或移动的传感器节点以自组织和多跳的方式构成无线传感器网络，以感知、采集、处理和传输无线传感器网络覆盖地理区域内被感知对象的信息，并最终把这些信息发送给无线传感器网络的基站；
(1)每隔固定时间，每个节点向基站发送一组最新数据；
(2)节点采集数据包括监测对象的n个属性；
(3)节点数据采用本地存储，保存m组最近历史数据，运行时最新数据覆盖最旧数据；
采用上述系统的预测方法如下：当无线传感器网络中某一个节点发生事件，将发生事件节点的最近m组属性向量广播给其余关心的节点，在各个节点本地刷新本节点最近m组属性向量,并与事件节点的最近m组属性向量进行节点之间向量相似度的计算，将计算结果回传给基站，根据计算结果进行趋势判断，并发出预警，维护人员得到预警后,采取相关干预措施，避免相同事件的发生；
向量相似度采用常用的曼哈顿距离进行衡量，以减少能耗；
向量相似度计算在于计算节点不同组向量的变化趋势以及节点之间向量的变化趋势的相似度；
趋势判断的特征在于综合向量相似度和向量的变化趋势的相似度两个因素，当衡量二者的曼哈顿距离均呈现变小的趋势时，系统发出预警。
2.根据权利要求1所述的无线传感器网络节点事件实时预测方法，其特征是，采用如下步骤：
(1)当无线传感器网络中某一个节点S发生了事件，立即将该节点在监控中心最近的m条记录提取出来，构成如下向量矩阵：
其中ei＝(e1,e2,…,en)，i∈[1,m]，是节点S在时刻i的所有监控数据组成的属性向量，e1是最新时刻的数据，em是最旧时刻数据；m条数据组成一个m×n的矩阵；
(2)系统此时需要向其余所有关心的节点广播数据A；
(3)节点T接收到广播数据后，在节点本地进行相似度计算，每个节点本地属性向量为t＝(t1,t2,…,tn)，节点本地最近m组属性组成如下矩阵B：
为了降低计算量，减少能耗，采取计算简单的曼哈顿距离作为相似度度量方式；距离越小表示越有可能发生相同事件；两个向量之间的距离用d表示，先对每一行进行相似度计算，每一行包括n个属性：
即第一行相似度，
即第二行相似度，
……
即第m行相似度，
然后取平均值得到行距离dr：
即S、T之间的相似度，
接着计算各组向量之间的变化趋势的相似度，即先依次采用一元线性回归方法计算A、B每个属性的变化曲线的近似斜率，得到斜率向量KA＝(kA1，kA2,…,kAn),KB＝(kB1，kB2,…,kBn)，kAj和kBj体现每个属性相邻两个时刻的变化趋势,
再计算A、B变化趋势的距离dc：
距离越小，变化趋势越相似，表明T越有可能发生类似S的事件；
(4)将(dr，dc)返回给基站；
(5)一个周期后，更新本地矩阵B，再次计算，得到(dr，dc)返回给基站；
(6)观察返回值(dr，dc)的变化情况进行有效预测：当过了t个周期后，基站收到T节点的t组(dr，dc)数据；如果两个值都出现了变小的趋势，那么认为T即将发生相同的事件，系统发出预警。
CN201610453143.7A 2016-06-21 2016-06-21 一种无线传感器网络节点事件实时预测方法 Active CN105939524B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610453143.7A CN105939524B (zh) 2016-06-21 2016-06-21 一种无线传感器网络节点事件实时预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610453143.7A CN105939524B (zh) 2016-06-21 2016-06-21 一种无线传感器网络节点事件实时预测方法

Publications (2)

Publication Number Publication Date
CN105939524A CN105939524A (zh) 2016-09-14
CN105939524B true CN105939524B (zh) 2019-08-16

Family

ID=56872544

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610453143.7A Active CN105939524B (zh) 2016-06-21 2016-06-21 一种无线传感器网络节点事件实时预测方法

Country Status (1)

Country Link
CN (1) CN105939524B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106294621B (zh) * 2016-08-02 2019-11-12 西南石油大学 一种基于复杂网络结点相似性的计算事件相似性的方法和系统
CN110113807B (zh) * 2019-05-05 2021-10-01 辽宁大学 无线传感器网络中基于数据相似度的节点休眠调度方法
CN111191836A (zh) * 2019-12-27 2020-05-22 东软集团股份有限公司 一种井漏预测方法、装置及设备
CN111969725B (zh) * 2020-07-28 2022-03-29 福建集薪物联网科技有限公司 一种用电安全超前预警的空气开关
US11640163B1 (en) 2021-11-30 2023-05-02 International Business Machines Corporation Event time characterization and prediction in multivariate event sequence domains to support improved process reliability

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7302362B2 (en) * 2006-03-01 2007-11-27 International Business Machines Corporation System and method for efficient and collective adjustment of sensor reporting ranges for long-lived queries
CN101516099A (zh) * 2009-04-07 2009-08-26 华中科技大学 一种传感器网络异常检测方法
CN102340811A (zh) * 2011-11-02 2012-02-01 中国农业大学 无线传感器网络故障诊断方法
CN102612065A (zh) * 2012-03-19 2012-07-25 中国地质大学（武汉） 无线传感器网络监控异常事件的快速容错检测方法
CN103533571A (zh) * 2013-11-07 2014-01-22 东南大学 基于投票策略的容错事件检测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7302362B2 (en) * 2006-03-01 2007-11-27 International Business Machines Corporation System and method for efficient and collective adjustment of sensor reporting ranges for long-lived queries
CN101516099A (zh) * 2009-04-07 2009-08-26 华中科技大学 一种传感器网络异常检测方法
CN102340811A (zh) * 2011-11-02 2012-02-01 中国农业大学 无线传感器网络故障诊断方法
CN102612065A (zh) * 2012-03-19 2012-07-25 中国地质大学（武汉） 无线传感器网络监控异常事件的快速容错检测方法
CN103533571A (zh) * 2013-11-07 2014-01-22 东南大学 基于投票策略的容错事件检测方法

Also Published As

Publication number Publication date
CN105939524A (zh) 2016-09-14

Similar Documents

Publication Publication Date Title
CN105939524B (zh) 一种无线传感器网络节点事件实时预测方法
Adam et al. Object tracking sensor networks in smart cities: Taxonomy, architecture, applications, research challenges and future directions
HRP20210573T1 (hr) Posredovanje u upozoravanju na katastrofe uz pomoć prirode
US20180338224A1 (en) System and method for estimating interest in, activity at and occupancy of a physical location
US11429078B2 (en) Intelligent distributed industrial facility safety system inter-device data communication
Vijayalakshmi et al. Real time monitoring of wireless fire detection node
US20250006324A1 (en) Systems for generating personalized and/or local weather forecasts
Shetty et al. User presence estimation in multi-occupancy rooms using plug-load meters and PIR sensors
Tao et al. Architecture for monitoring urban infrastructure and analysis method for a smart-safe city
CN106448080B (zh) 一种基于传感网嗅探的小型空间挥发性易燃液体检测系统
CN107121943B (zh) 一种用于获得智能仪表的健康预测信息的方法和装置
Troncoso-Pastoriza et al. IoT-based platform for automated IEQ spatio-temporal analysis in buildings using machine learning techniques
Manocha et al. IoT-DEW computing-inspired real-time monitoring of indoor environment for irregular health prediction
CN105636093B (zh) 无线传感器网络节点的智能唤醒方法
JP2010250775A (ja) 犯罪防止装置およびプログラム
CN105615839A (zh) 一种人体佩戴装置及其检测方法
US10311705B1 (en) Distributed industrial facility safety system
CN108509537B (zh) 一种输电线路舞动概率预报系统及方法
Wang et al. Cloud-fog-based approach for smart wildfire monitoring
US20160098024A1 (en) Occupancy Interaction Detection
US20150234366A1 (en) Motion tracking
US20220084647A1 (en) Monitoring-based usage suggestion system
Sanyal et al. IoT-based Wireless Real-time Temperature and Humidity Surveillance System for Hill Stations
Liu Optimization of hierarchical data fusion in Wireless Sensor Networks
Kumari et al. Disaster management system for forest fire prediction: Fog and cloud data-driven analytical compatible model

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant