CN106961656B - 一种无线传感器网络数据预测方法 - Google Patents

一种无线传感器网络数据预测方法 Download PDF

Info

Publication number
CN106961656B
CN106961656B CN201710098724.8A CN201710098724A CN106961656B CN 106961656 B CN106961656 B CN 106961656B CN 201710098724 A CN201710098724 A CN 201710098724A CN 106961656 B CN106961656 B CN 106961656B
Authority
CN
China
Prior art keywords
data
cluster
value
node
prediction
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
CN201710098724.8A
Other languages
English (en)
Other versions
CN106961656A (zh
Inventor
黄海平
张凯
何凡
吴鹏飞
胡林康
杜安明
王汝传
沙超
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 of Posts and Telecommunications
Original Assignee
Nanjing University of Posts and Telecommunications
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 of Posts and Telecommunications filed Critical Nanjing University of Posts and Telecommunications
Priority to CN201710098724.8A priority Critical patent/CN106961656B/zh
Publication of CN106961656A publication Critical patent/CN106961656A/zh
Application granted granted Critical
Publication of CN106961656B publication Critical patent/CN106961656B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W52/00—Power management, e.g. TPC [Transmission Power Control], power saving or power classes
    • H04W52/02—Power saving arrangements
    • H04W52/0209—Power saving arrangements in terminal devices
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/30—Services specially adapted for particular environments, situations or purposes
    • H04W4/38—Services specially adapted for particular environments, situations or purposes for collecting sensor information
    • 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

Abstract

本发明公开了一种无线传感器网络数据预测方法，首先根据分簇算法进行分簇并选举簇头，簇头获得本簇内非簇头节点的ID和总数量n，并设定存储数据的条数；簇头获得数据后记录存储在内存中；对于每一条新记录中的每一个节点的值进行计算，得到与目标值的残差和误差，进行保存，当内存中的记录条数等于k时，进行数据的预测，为选中做数据预测的每个节点分配权重，对最近一次的簇头计算的值进行修正，确定修正的方向和步长。本发明具有灵活度高、计算量小，能有效节约能耗，同时精度较高。而且本发明提出的方法简单易实现，具有较好的实用性，易于在实际环境中使用。

Description

一种无线传感器网络数据预测方法
技术领域
本发明属于无线传感器网络及数据预测等技术领域，具体涉及一种无线传感器网络数据预测方法。
背景技术
无线传感器网络(Wireless Sensor Network,WSN)是一种典型的分布式网络，它包含大量的传感器节点，通常被部署在各种环境下以收集数据。通过无线传感器网络中采集到的历史数据，可以对未来的数据或者走势进行预测。如预测森林中某些关键区域的温度以判断是否存在火灾的风险、预测未来几天雾霾的走势以及时地提醒广大市民进行相应的防范等。
无线传感器收集的数据具有多源特点，即由于网络中节点的密度较高，所以在空间上距离较近的节点在同一时刻的采样值相似。此外，任意的一个节点在连续的时间区间之内的采样值也具有相似性，以上的特点使得无线传感器网络可以进行相关数据的预测。另外，无线传感器网络数据预测技术与数据融合技术联系紧密，可作为弥补数据融合缺陷的关键技术，并对降低无线传感器网络的能耗也有特殊的贡献。
目前，运用于无线传感器网络数据预测的方法主要有时序算法、基因表达编程、神经网络算法等等。然而这些传统的数据预测方法普遍存在的缺点是计算复杂，尤其是基因表达编程算法和粒子群-神经网络算法，有较高的算法复杂度，虽然精度有所提高，但是能量开销巨大。
发明内容
本发明要解决的技术问题是针对传统方法中存在的能量消耗过高、计算开销较大等弊端，为此提出了一种新的数据预测方法，以无线传感器网络中的簇为单位，每个簇的簇头负责进行数据预测，能够有效地保证数据预测的精度，且具备较好的通用性和实用性。
为达到上述目的，本发明提出的技术方案为一种无线传感器网络数据预测方法，具体包含以下步骤：
步骤1：根据某种分簇算法进行分簇并选举簇头，该分簇算法须能选出计算能力较强的节点担任簇头，分簇结束后，簇头获得本簇内非簇头节点的ID(标记为IDi,1＝<i<＝n)和总数量n，并设定存储数据的条数k，簇头开始簇内数据的收集；
步骤2：簇头获得簇内各个非簇头节点的数据，将其作为一条新的记录存储在内存中；
步骤3：对于每一条新记录中的每一个节点的值进行计算，由公式(1)得到与目标值y，即簇头需要上传到基站的最终值的残差
ri＝|xi-y| (1)；
步骤4：基于步骤3得到的残差，由公式(2)计算误差：
Figure DEST_PATH_FDA0002158789590000011
步骤5：对于每一条记录的每一个节点的数据值xi，保存其对应的ri和ei；
步骤6：当内存中的记录条数等于k时，则可以进行数据的预测，簇头由公式(3) 计算参与数据预测的节点数目pn：
Figure BDA0001231031330000024
步骤7：确定参与预测的节点数目pn后，进一步确定这些节点的ID，由公式(4) 计算当前k条历史数据中各个节点的总误差Ei，并对Ei从小到大进行排序，根据排序结果选择出前pn个节点进行预测，用sj(1＝<j<＝pn)表示被选中做数据预测的节点的 ID：
Figure BDA0001231031330000022
步骤8：为选中做数据预测的每个节点分配权重wj，根据这些节点的比值进行归一化之后确定各自的wj，并保证各个wj的总和等于1；
步骤9：对最近一次的簇头计算的y值进行修正，确定修正的方向和步长，如公式(5)所示：
Figure BDA0001231031330000023
其中，rtj表示ID为sj的节点在第t(1＝<t<＝k)条数据中的残差，正负号表示本次数据预测的方向，该方向根据k条历史数据记录值的走势给出式中ɑ为本次数据预测的步长，表示以怎样的速率去接近当前预测值的真实值。
进一步，上述k值的设定是基于对数据预测的准确程度和消耗内存空间的平衡，k值较大，预测的结果越准确，但同时也会消耗较大的内存空间并造成较高的计算开销。
步骤2中，如果当前内存中数据的条数等于k，则删除最早的那条数据；如果当前内存中数据的条数小于k，则只进行存储新记录的操作。
步骤3中，所述目标值y是簇头需要上传到基站的最终值，该值可以是每一个节点的值的平均值。
步骤9中所述ɑ的取值原则如下：
(1)对于一些敏感值，步长ɑ应尽可能地小；
(2)如果在这k条数据中，数据走势波动较大，步长ɑ应尽可能地小；
(3)如果采样时间间隔较大，可适当增加步长ɑ。
与现有技术相比，本发明的有益效果是：
1、本发明在数据预测的过程中没有选择所有的节点而是选择了部分历史误差较低的节点。
2、本发明的历史数据条数k和预测步长ɑ等参数都可以根据实际需求进行自定义，灵活度高。
3、计算量小，能有效节约能耗，同时精度较高。
4、本方法简单易实现，具有较好的实用性，易于在实际环境中使用。
附图说明
图1为簇头内存中存储数据的示意图。
图2为本发明的具体流程图。
具体实施方式
下面结合附图对本发明做进一步详细的说明。
本发明方法的具体流程如图2所示，具体的步骤如下：
步骤1：根据某种分簇算法进行分簇并选举簇头，该分簇算法须能选出计算能力较强的节点担任簇头。分簇结束后，簇头获得本簇内非簇头节点的ID(标记为IDi,1＝<i<＝n)和总数量n，并设定好存储数据(用于数据预测)的条数k(k的选择关系到数据预测的准确程度，k值较大，则说明用于预测的数据量越多，预测的结果越准确，但同时也会消耗较大的内存空间并造成较高的计算开销)。完成k值的选择之后，簇头开始簇内数据的收集。
步骤2：簇头获得簇内各个非簇头节点的数据，将其作为一条新的记录存储在内存中。如果当前内存中数据的条数等于k，则删除最早的那条数据；如果当前内存中数据的条数小于k，则只进行存储新记录的操作。
步骤3：对于每一条新记录中的每一个节点的值进行计算，由公式(1)得到与目标值y(簇头需要上传到基站的最终值，如平均值)的残差。
ri＝|xi-y| (1)
步骤4：通过步骤3得到的残差，由公式(2)计算误差。
Figure 432919DEST_PATH_FDA0002158789590000011
步骤5：对于每一条记录的每一个节点的数据值xi，保存其对应的ri和ei。
步骤6：当内存中的记录条数等于k时，则可以进行数据的预测。簇头由公式(3) 计算参与数据预测的节点数目pn。
Figure BDA0001231031330000044
步骤7：确定参与预测的节点数目pn后，进一步确定这些节点的ID：由公式(4) 计算当前k条历史数据中各个节点的总误差Ei，并对Ei从小到大进行排序，根据排序结果选择出前pn个节点进行预测，用sj(1＝<j<＝pn)表示被选中做数据预测的节点的 ID。
Figure BDA0001231031330000042
步骤8：为选中做数据预测的每个节点分配权重wj，根据这些节点的的比值归一化之后确定各自的wj，并保证各个wj的总和等于1。
步骤9：预测的基本思想是对最近一次的簇头计算的y值(簇头要上传到基站的最终值)进行修正，确定修正的方向和步长，如公式(5)所示。
Figure BDA0001231031330000043
其中rtj表示ID为sj的节点在第t(1＝<t<＝k)条数据中的残差。公式(5)中的正负号即表示本次数据预测的方向，该方向根据k条历史数据记录值的走势给出。
式中ɑ为本次数据预测的步长，表示以怎样的速率去接近当前预测值的真实值，ɑ取值的原则如下：
(1)对于一些敏感值，步长ɑ应尽可能地小
(2)如果在这k条数据中，数据走势波动较大，步长ɑ应尽可能地小
(3)如果采样时间间隔较大，可适当增加步长ɑ。
为便于本领域的技术人员进一步理解本发明，现提供一个实施例，实施例的背景为计算无线传感器网络某区域内的平均温度值。
步骤1：根据经典LEACH算法进行分簇并选举簇头，每个簇拥有一个簇头负责将数据发送给基站并进行数据预测。设现有某簇，簇内非簇头节点数量n等于5，这些节点的ID分别为A至E。簇头选择其存储的历史数据条数k等于3。随后，开始数据收集的过程。
步骤2：簇头获得簇内各个非簇头节点的数据，将其作为一条新的记录存储在内存中。如果当前内存中数据的条数等于3，则删除最早的那条数据；如果当前内存中数据的条数小于3，则只进行存储新记录的操作。
现给定该簇的3条历史数据内容(包括各节点采集的温度值)如下表所示：
A B C D E average
1 25 24 25.7 22.4 26.2 24.6
2 25.6 24.4 26.8 23.6 27.8 25.6
3 26.3 25.5 27.9 25 28.9 26.7
未来值(需要预测的值)如下表所示：
A B C D E average
27 26.1 28.8 26.1 30 27.6
步骤3：对于每一条新记录中的每一个节点的值进行计算，由公式(1)得到与平均值y的残差。如对第三条记录中的节点A，残差为0.4。最终得到每条记录中每个节点的ri，如下表所示：
A B C D E
1 0.4 0.6 1.1 2.2 1.6
2 0 1.2 1.2 2 2.2
3 0.4 1.2 1.2 1.7 2.2
步骤4：通过残差计算平方误差,如对第三条记录中的节点A，由公式(2)得其平方误差为0.03。最终得到每条记录中每个节点的ei，如下表所示：
A B C D E
1 0.03 0.07 0.25 1 0.5
2 0 0.29 0.29 0.82 1
3 0.03 0.29 0.29 0.59 1
步骤5：簇头将以上两张表的数据存储在内存中，此时簇头内存中的数据如图1所示的内容。
步骤6：当内存中的记录条数等于3时，即可以进行数据的预测。簇头由公式(3) 计算参与数据预测的节点数目pn＝log25＝2，即在数据预测过程中，需要两个节点的历史值。
步骤7：现由步骤6知需要2个节点参与数据预测，簇头需要确定这两个节点的ID。簇头根据公式(4)计算当前3条历史数据记录中各个节点的总误差。对于节点A至E，总误差如下表所示：
A B C D E
0.06 0.65 0.83 2.41 2.5
计算完成后根据总误差对节点进行升序排序，取前两个节点即A和B来完成数据预测。
步骤8：为选中做数据预测的节点A和B分配权重wj，根据各个节点的比值确定wj，并保证各个wj的总和等于1。节点A和节点B的总误差分别为0.06和0.65，故分别配置权重为0.92和0.08。
步骤9：开始数据的预测，确定方向和步长。从3条历史数据中可以观察到平均值呈上升的趋势，故方向为正方向。观察平均值的历史走势可以发现，它分别以1,1.1 的步长在增加，取1和1.1的均值1.05作为步长，最后根据公式(5)可以得到预测值为27.75，与第4条记录中的27.6近似度很高。

Claims (5)

1.一种无线传感器网络数据预测方法，其特征在于包含以下步骤：
步骤1：根据某种分簇算法进行分簇并选举簇头，该分簇算法须能选出计算能力较强的节点担任簇头，分簇结束后，簇头获得本簇内非簇头节点的ID(标记为IDi，1＝＜i＜＝n)和总数量n，并设定存储数据的条数k，簇头开始簇内数据的收集；
步骤2：簇头获得簇内各个非簇头节点的数据，将其作为一条新的记录存储在内存中；
步骤3：对于每一条新记录中的每一个节点的值进行计算，由公式(1)得到与目标值y，即簇头需要上传到基站的最终值的残差
ri＝|xi-y| (1)；
步骤4：基于步骤3得到的残差，由公式(2)计算误差：
Figure FDA0002158789590000011
步骤5：对于每一条记录的每一个节点的数据值xi，保存其对应的ri和ei；
步骤6：当内存中的记录条数等于k时，则可以进行数据的预测，簇头由公式(3)计算参与数据预测的节点数目pn：
Figure FDA0002158789590000012
步骤7：确定参与预测的节点数目pn后，进一步确定这些节点的ID，由公式(4)计算当前k条历史数据中各个节点的总误差Ei，并对Ei从小到大进行排序，根据排序结果选择出前pn个节点进行预测，用sj(1＝＜j＜＝pn)表示被选中做数据预测的节点的ID：
Figure FDA0002158789590000013
步骤8：为选中做数据预测的每个节点分配权重wj，根据这些节点的比值进行归一化之后确定各自的wj，并保证各个wj的总和等于1；
步骤9：对最近一次的簇头计算的y值进行修正，确定修正的方向和步长，如公式(5)所示：
Figure FDA0002158789590000014
其中，rtj表示ID为sj的节点在第t(1＝＜t＜＝k)条数据中的残差，正负号表示本次数据预测的方向，该方向根据k条历史数据记录值的走势给出式中a为本次数据预测的步长，表示以怎样的速率去接近当前预测值的真实值。
2.根据权利要求1所述的无线传感器网络数据预测方法，其特征在于步骤1中所述k值的设定是基于对数据预测的准确程度和消耗内存空间的平衡，k值较大，预测的结果越准确，但同时也会消耗较大的内存空间并造成较高的计算开销。
3.根据权利要求1所述的无线传感器网络数据预测方法，其特征在于步骤2中如果当前内存中数据的条数等于k，则删除最早的那条数据；如果当前内存中数据的条数小于k，则只进行存储新记录的操作。
4.根据权利要求1所述的无线传感器网络数据预测方法，其特征在于步骤3中所述目标值y是簇头需要上传到基站的最终值，该值可以是每一个节点的值的平均值。
5.根据权利要求1所述的无线传感器网络数据预测方法，其特征在于步骤9中所述a的取值原则如下：
(1)对于一些敏感值，步长a应尽可能地小；
(2)如果在这k条数据中，数据走势波动较大，步长a应尽可能地小；
(3)如果采样时间间隔较大，可适当增加步长a。
CN201710098724.8A 2017-02-23 2017-02-23 一种无线传感器网络数据预测方法 Active CN106961656B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710098724.8A CN106961656B (zh) 2017-02-23 2017-02-23 一种无线传感器网络数据预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710098724.8A CN106961656B (zh) 2017-02-23 2017-02-23 一种无线传感器网络数据预测方法

Publications (2)

Publication Number Publication Date
CN106961656A CN106961656A (zh) 2017-07-18
CN106961656B true CN106961656B (zh) 2020-04-07

Family

ID=59480939

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710098724.8A Active CN106961656B (zh) 2017-02-23 2017-02-23 一种无线传感器网络数据预测方法

Country Status (1)

Country Link
CN (1) CN106961656B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108541018B (zh) * 2018-03-09 2022-01-04 成都世纪光合作用科技有限公司 大规模自组织无线通信分簇网络的生成簇头选择方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101251593A (zh) * 2008-03-31 2008-08-27 中国科学院计算技术研究所 一种无线传感器网络的目标跟踪方法
CN103781108A (zh) * 2012-10-23 2014-05-07 伍爵博 一种基于神经网络的无线传感器网络数据预测方法
EP2945457A1 (en) * 2014-05-14 2015-11-18 Alcatel Lucent Sensor clustering and data aggregation in wireless sensor networks
CN106341842A (zh) * 2016-08-23 2017-01-18 北京邮电大学 一种无线传感器网络数据的传输方法及装置

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9031571B2 (en) * 2008-04-11 2015-05-12 Alcatel Lucent Methods and apparatus for coverage verification in a wireless sensor network
US9461872B2 (en) * 2010-06-02 2016-10-04 Hewlett Packard Enterprise Development Lp Compressing data in a wireless network

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101251593A (zh) * 2008-03-31 2008-08-27 中国科学院计算技术研究所 一种无线传感器网络的目标跟踪方法
CN103781108A (zh) * 2012-10-23 2014-05-07 伍爵博 一种基于神经网络的无线传感器网络数据预测方法
EP2945457A1 (en) * 2014-05-14 2015-11-18 Alcatel Lucent Sensor clustering and data aggregation in wireless sensor networks
CN106341842A (zh) * 2016-08-23 2017-01-18 北京邮电大学 一种无线传感器网络数据的传输方法及装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
无线传感器网络分簇算法综述;徐晶晶，张欣慧;《计算机科学》;20170105;第44卷(第2期);全文 *

Also Published As

Publication number Publication date
CN106961656A (zh) 2017-07-18

Similar Documents

Publication Publication Date Title
CN108846517B (zh) 一种分位数概率性短期电力负荷预测集成方法
CN106485262B (zh) 一种母线负荷预测方法
CN107037373B (zh) 基于神经网络的蓄电池剩余电量预测方法
Ouyang et al. Estimating parameters of Muskingum model using an adaptive hybrid PSO algorithm
CN106022954B (zh) 基于灰色关联度的多重bp神经网络负荷预测方法
CN107436971B (zh) 适用于非正定型相关性控制的改进拉丁超立方抽样方法
WO2022077767A1 (zh) 交通流量预测方法及装置、计算机设备及可读存储介质
CN114912705A (zh) 一种联邦学习中异质模型融合的优化方法
CN108156617B (zh) 一种雾无线接入网中基于图论的协作缓存方法
CN113206887A (zh) 边缘计算下针对数据与设备异构性加速联邦学习的方法
CN112633316A (zh) 一种基于边界估值理论的负荷预测方法和装置
CN114167898B (zh) 一种无人机收集数据的全局路径规划方法及系统
CN115840900A (zh) 一种基于自适应聚类分层的个性化联邦学习方法及系统
CN114169543A (zh) 一种基于模型陈旧性与用户参与度感知的联邦学习算法
CN111008790A (zh) 一种水电站群发电调度规则提取方法
CN109754122A (zh) 一种基于随机森林特征提取的bp神经网络的数值预测方法
CN110807508B (zh) 计及复杂气象影响的母线峰值负荷预测方法
CN104008433A (zh) 基于贝叶斯动态模型的中长期电力负荷预测方法
CN107133877B (zh) 网络中重叠社团的挖掘方法
CN106961656B (zh) 一种无线传感器网络数据预测方法
CN109214610B (zh) 一种基于长短期记忆神经网络的饱和电力负荷预测方法
CN115018119A (zh) 用电负荷预测方法及系统
CN111192158A (zh) 一种基于深度学习的变电站日负荷曲线相似度匹配方法
CN112990478B (zh) 联邦学习数据处理系统
WO2016112618A1 (zh) 一种基于距离的求解二维空间中代表性节点集的算法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
EE01 Entry into force of recordation of patent licensing contract
EE01 Entry into force of recordation of patent licensing contract

Application publication date: 20170718

Assignee: NANJING RONGFEI TECHNOLOGY Co.,Ltd.

Assignor: NANJING University OF POSTS AND TELECOMMUNICATIONS

Contract record no.: X2020980007041

Denomination of invention: A data prediction method for Wireless Sensor Networks

Granted publication date: 20200407

License type: Common License

Record date: 20201023

EE01 Entry into force of recordation of patent licensing contract
EE01 Entry into force of recordation of patent licensing contract

Application publication date: 20170718

Assignee: NUPT INSTITUTE OF BIG DATA RESEARCH AT YANCHENG

Assignor: NANJING University OF POSTS AND TELECOMMUNICATIONS

Contract record no.: X2020980007071

Denomination of invention: A data prediction method for Wireless Sensor Networks

Granted publication date: 20200407

License type: Common License

Record date: 20201026

EC01 Cancellation of recordation of patent licensing contract
EC01 Cancellation of recordation of patent licensing contract

Assignee: NANJING RONGFEI TECHNOLOGY CO.,LTD.

Assignor: NANJING University OF POSTS AND TELECOMMUNICATIONS

Contract record no.: X2020980007041

Date of cancellation: 20211122