CN110991204B - 一种移动rfid系统标签到达率的预测方法 - Google Patents

一种移动rfid系统标签到达率的预测方法 Download PDF

Info

Publication number
CN110991204B
CN110991204B CN201911288628.5A CN201911288628A CN110991204B CN 110991204 B CN110991204 B CN 110991204B CN 201911288628 A CN201911288628 A CN 201911288628A CN 110991204 B CN110991204 B CN 110991204B
Authority
CN
China
Prior art keywords
tag
arrival rate
rfid system
mobile rfid
original
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
CN201911288628.5A
Other languages
English (en)
Other versions
CN110991204A (zh
Inventor
张立倩
付学良
李宏慧
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.)
Inner Mongolia Agricultural University
Original Assignee
Inner Mongolia Agricultural 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 Inner Mongolia Agricultural University filed Critical Inner Mongolia Agricultural University
Priority to CN201911288628.5A priority Critical patent/CN110991204B/zh
Publication of CN110991204A publication Critical patent/CN110991204A/zh
Priority to US17/014,586 priority patent/US11481565B2/en
Application granted granted Critical
Publication of CN110991204B publication Critical patent/CN110991204B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06K—GRAPHICAL DATA READING; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
    • G06K7/00—Methods or arrangements for sensing record carriers, e.g. for reading patterns
    • G06K7/10—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation
    • G06K7/10009—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation sensing by radiation using wavelengths larger than 0.1 mm, e.g. radio-waves or microwaves
    • G06K7/10366—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation sensing by radiation using wavelengths larger than 0.1 mm, e.g. radio-waves or microwaves the interrogation device being adapted for miscellaneous applications
    • G06K7/10376—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation sensing by radiation using wavelengths larger than 0.1 mm, e.g. radio-waves or microwaves the interrogation device being adapted for miscellaneous applications the interrogation device being adapted for being moveable
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06K—GRAPHICAL DATA READING; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
    • G06K7/00—Methods or arrangements for sensing record carriers, e.g. for reading patterns
    • G06K7/10—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation
    • G06K7/10009—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation sensing by radiation using wavelengths larger than 0.1 mm, e.g. radio-waves or microwaves
    • G06K7/10019—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation sensing by radiation using wavelengths larger than 0.1 mm, e.g. radio-waves or microwaves resolving collision on the communication channels between simultaneously or concurrently interrogated record carriers.
    • G06K7/10029—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation sensing by radiation using wavelengths larger than 0.1 mm, e.g. radio-waves or microwaves resolving collision on the communication channels between simultaneously or concurrently interrogated record carriers. the collision being resolved in the time domain, e.g. using binary tree search or RFID responses allocated to a random time slot
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06K—GRAPHICAL DATA READING; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
    • G06K19/00—Record carriers for use with machines and with at least a part designed to carry digital markings
    • G06K19/06—Record carriers for use with machines and with at least a part designed to carry digital markings characterised by the kind of the digital marking, e.g. shape, nature, code
    • G06K19/067—Record carriers with conductive marks, printed circuits or semiconductor circuit elements, e.g. credit or identity cards also with resonating or responding marks without active components
    • G06K19/07—Record carriers with conductive marks, printed circuits or semiconductor circuit elements, e.g. credit or identity cards also with resonating or responding marks without active components with integrated circuit chips
    • G06K19/0723—Record carriers with conductive marks, printed circuits or semiconductor circuit elements, e.g. credit or identity cards also with resonating or responding marks without active components with integrated circuit chips the record carrier comprising an arrangement for non-contact communication, e.g. wireless communication circuits on transponder cards, non-contact smart cards or RFIDs
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06K—GRAPHICAL DATA READING; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
    • G06K7/00—Methods or arrangements for sensing record carriers, e.g. for reading patterns
    • G06K7/10—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation
    • G06K7/10009—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation sensing by radiation using wavelengths larger than 0.1 mm, e.g. radio-waves or microwaves
    • G06K7/10019—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation sensing by radiation using wavelengths larger than 0.1 mm, e.g. radio-waves or microwaves resolving collision on the communication channels between simultaneously or concurrently interrogated record carriers.
    • 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)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Toxicology (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Electromagnetism (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Computer Hardware Design (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种移动RFID系统标签到达率的预测方法，首先使用建模数据和灰色模型GM（1，1）建立标签动态到达模型，然后利用加权方法对灰色模型微分方程初始值加权进行改进，最后利用滑动窗口机制进行标签到达率的预测，最终得到一个基于滑动窗口机制的加权灰色模型预测算法，从而对移动RFID系统标签到达率进行预测。本发明中的移动RFID系统标签到达率预测方法能够降低系统的预测误差率；通过滑动窗口机制，保证系统建模长度稳定在4，并且达到在线更新建模数据的要求，具有低预测误差率、低计算复杂度以及较高的系统稳定性。

Description

一种移动RFID系统标签到达率的预测方法
技术领域
本发明涉及移动RFID系统标签技术领域，尤其涉及一种移动RFID系统标签到达率的预测方法。
背景技术
随着物联网技术的发展，RFID成为用户追踪物体的主要技术之一。如果带有RFID标签的物体是静止的，这样的RFID系统称为静态RFID系统。反之，如果物体在识别的过程中是移动的，这个系统称为移动RFID系统。不论是静态RFID系统还是移动RFID系统，都存在一个不可避免的现象就是标签冲突。在收到阅读器发出的信息请求命令后，标签会将自己的信息回应给阅读器。如果有两个或者多于两个标签同时响应了阅读器的请求，则这些标签信息会发生冲突，阅读器不能识别任何一个标签，系统的效率大大降低。在静态RFID系统中，未识别的标签可以参加下一次识别，标签冲突会使得系统识别的时间增长，但是不会出现漏读标签的问题。但是，在移动RFID系统中，如果在标签移出识别区域之前，这个标签还未被识别，它将会漏读，系统识别效率会大大降低。标签漏读问题会严重影响移动RFID系统的应用。为了解决标签冲突问题，很多研究者提出了高效的防碰撞算法。这些算法大致分成两类：树型算法和ALOHA算法。其中动态帧时隙ALOHA(DFSA)算法是ALOHA算法的里程碑，被更多的研究者研究，并且应用到了RFID标准中。目前，ALOHA算法更多地考虑如何快速准确地识别一定数量的标签。基于树的算法如BST和QT算法，会遍历整个搜索空间识别一个特定的标签。当标签数量增长时，识别标签的时间会急剧增长。
移动RFID系统中，识别过程中可能会有新的标签移入识别区域，也会有标签移动出识别区域，标签在识别区域的时间是有限的。如果识别时间增长，会导致更多的标签在被识别之前移出识别区域。所以移动RFID系统不仅仅需要识别的准确性和效率，还需要低标签丢失率。前面提到的防碰撞算法并没有把这种情况考虑进去，所以不能直接应用到移动RFID系统中。但是很多应用，如物流系统，机场行李识别系统等，常常出现大量标签连续到达的情况。在这样的情况下，原有的静态RFID系统的防碰撞算法性能会急剧下降，所以有必要研究新的算法，满足移动RFID系统的要求。
在移动RFID系统中，识别区域内的标签数量会随着时间的推移而发生变化，一些标签离开识别区，又有新的标签进入识别区(称为新标签到达)。如果标签在识别之前就移动出了识别区域，标签信息就会丢失，这在很多移动RFID系统中是不能接受的，例如智慧物流和智慧机场。为了降低标签丢失率，对于阅读器来说最重要的就是要知道在某一时刻有多少标签在识别区域等待识别。阅读器需要根据标签数量调整识别参数，再开始识别。因为标签是移动的，并且到达率是未知的，所以在识别区域内的标签数量是未知的，进而没有办法根据标签数量设置阅读器参数，系统就不能获得较高的识别效率。因此如何获得标签到达率成为设定阅读器识别参数的关键所在。需要阅读器利用预测算法对标签到达的数量进行预测，然后再进行参数设定。
目前，有很多方法能够完成预测功能，例如时间序列、神经网络等等。在RFID系统中，受自身存储器容量的限制，RFID阅读器不能记录过多的以往数据，所以预测算法需要采用可以使用少量样本就能进行预测的方法。受限于阅读器的处理能力，标签连续到达时，标签的到达率具有局部特性，与更早期的数据关联度不大，所以选用的预测算法应该有较低的计算复杂度，并且具有实时特性。传统的时间序列预测方法、神经网络预测方法等，样本数量的多少会严重影响预测的准确度，不适合在移动RFID系统中使用。
灰色系统理论是中国学者邓聚龙教授在1982年3月首先提出来的。灰色预测方法能够对不确定系统进行预测。这种方法识别系统发展因素之间的差异程度，并进行相关分析，然后对原始数据进行处理，找出系统变化规律。根据变化规律就可以使用少量样本(最少只需要4个)实现对下一时刻样本值的预测。灰色时间序列预测就是用观察到的反映预测对象特征的时间序列来构造灰色预测模型，预测未来某一时刻的特征量。目前，灰色预测模型被广泛应用在各类小样本预测中，例如电力行业的电力损耗预测、水文工业江河湖泊的水质预测等。在移动RFID系统中，标签的到达率也是小样本，所以可以将灰色模型应用在标签到达率的预测上。
在灰色模型GM(1，1)中，第一个参数1代表灰色过程可以由一阶微分方程描述，第二个参数1代表系统中只有一个变量。系统预测所需样本数最少4个，即建模长度为4。在移动RFID系统中，标签到达率作为变量，符合灰色模型GM(1，1)的单变量要求。但是当标签到达率突然变化时，使用GM(1，1)模型预测的准确性会下降。
发明内容
针对上述存在的问题，本发明旨在提供一种具有低预测误差率，低计算复杂度，以及较高系统稳定性的移动RFID系统标签到达率的预测方法。
为了实现上述目的，本发明所采用的技术方案如下：
一种移动RFID系统标签到达率的预测方法，其特征在于，包括以下步骤，
S1：使用原始建模数据和灰色模型原理建立移动RFID系统标签动态到达模型；
S2：使用加权方法对原始建模数据的初始值进行改进；
S3：使用滑动窗口机制对模型中的数据进行更新；
S4：根据更新后的模型数据得出移动RFID系统标签的到达率。
进一步的，步骤S1中建立移动RFID系统标签动态到达模型的具体操作包括，
S11：根据原始建模数据建立移动RFID系统标签到达模型；
S12：将建模长度为m的原始非负时间序列X0表示为X0＝{x0(1)，x0(2)，...x0(i)，...，x0(m)}，式中，x0(i)为帧Fi的到达率，m为建模长度，也即用于预测的原始数据的个数；
S13：将原始序列进行一次累加，得到一次累加序列X1X1＝{x1(1)，x1(2)，...x1(j)，...，x1(m)}，式中，
Figure SMS_1
与之对应的连续时间函数表示为x1(t)；
S14：根据灰色模型原理，x1(t)用一阶微分方程拟合为
Figure SMS_2
式中，参数a和b是方程的待定参数，a称为发展系数，b称为灰色作用量；
S15：当t以间隔1递增时，得到
Figure SMS_3
因此，步骤S14中的一阶微分方程可以被离散化表示为x0(k)+ay1(k)＝b，式中，/>
Figure SMS_4
k＝2,3,4,…m；令Y1＝{y1(2)，y1(3)，......y1(t)......y1(m)}称为背景值序列；
S16：对步骤S15中的被离散化的一阶微分方程求解，得出
Figure SMS_5
式中，/>
Figure SMS_6
为t＝k+1时的一次累加序列对应的标签到达率预测值；a和b利用如下最小二乘法求得，(a，b)T＝(PTP)-1PTQ，其中，P和Q都是矩阵，/>
Figure SMS_7
T为矩阵的转置运算；
S17：利用一阶微分方程的解以及a和b的值，采用一阶累减方法得到原始序列的预测值为
Figure SMS_8
其中，/>
Figure SMS_9
为t＝k+1时标签到达率的预测值，k>＝1。
进一步的，步骤S2的具体操作为：将步骤S13中的x1(1)使用加权方法改为
Figure SMS_10
式中，/>
Figure SMS_11
为加权系数，且/>
Figure SMS_12
进一步的，步骤S17中还原原始序列得到
Figure SMS_13
进一步的，步骤S3中的具体操作为：将阅读器一帧读取结束后得出的标签到达率作为最近的标签到达率追加到建模数据的最后一个，并剔除掉最早的一个建模数据。
本发明的有益效果是：本发明提出了一种基于改进的灰色模型GM(1，1)和滑动窗口机制的移动RFID系统标签到达率的预测方法，通过对灰色模型GM(1，1)微分方程初始值加权的改进，降低了移动RFID系统标签到达率的预测误差率，同时本发明中对移动RFID系统标签到达率的预测方法计算复杂度低，系统稳定性较高。
附图说明
图1为本发明中移动RFID系统标签到达率的模型；
图2为本发明中滑动窗口机制示意图；
图3为本发明移动RFID系统标签到达率的预测方法流程图；
图4为本发明移动RFID系统标签到达率的预测方法中阅读器和标签的交互过程示意图；
图5为本发明移动RFID系统标签到达率的预测方法的仿真伪代码截图；
图6a为本发明实施例一中传统GM(1，1)方法正态分布均值为50，方差为15时仿真结果曲线图；
图6b为本发明实施例一中WGMSW(1,1)方法正态分布均值为50，方差为15时仿真结果曲线图；
图6c为本发明实施例一中传统GM(1，1)方法正态分布均值为50，方差为25时仿真结果曲线图；
图6d为本发明实施例一中WGMSW(1,1)方法正态分布均值为50，方差为25时仿真结果曲线图。
具体实施方式
为了使本领域的普通技术人员能更好的理解本发明的技术方案，下面结合附图和实施例对本发明的技术方案做进一步的描述。
在静态RFID系统中，从阅读器发出第一条读指令开始，到所有在识别区内的标签被识别完毕，称为一个轮次R，这个轮次由多个帧Fi(i>＝1)构成，即
Figure SMS_14
N表示自然数。每个帧Fi又分成多个时隙tij，即Fi＝{tij|j＝1,2,……Li}，其中Li是第i帧中时隙的数量，也称为为第i帧的帧长。识别区域内的标签随机选择一个时隙等待识别，一帧结束后，阅读器会统计出三种类型的时隙。第一种时隙能够成功识别一个标签，称为成功时隙。第二种时隙因为标签冲突，没有识别任何一个标签，称为冲突时隙。如果所有标签都没有选择这个时隙，这个时隙称为空闲时隙。阅读器根据统计出的三种时隙的数量，设置新的识别帧长，并开始下一个帧的识别。在静态RFID系统中，标签不移动，在识别的过程中，不会有新标签进入识别区域，所以，静态RFID系统中轮次R的概念不适用于动态RFID系统中。在动态RFID系统中，帧Fi的概念与静态RFID系统相同，但是帧Fi在识别的过程中，会有新的标签进入识别区。我们使用如下假设：在Fi帧内到达的标签，不参与本帧的读取，只能参加下一帧的读取。由于第i帧标签到达率未知，所以帧内到达的标签数量也无法预知，继而下一帧待识别的标签数量未知，下一帧的帧长就无法准确设定。
本发明中一种移动RFID系统标签到达率的预测方法具体包括以下步骤：
S1：使用原始建模数据和灰色模型原理建立移动RFID系统标签动态到达模型；
具体的，包括以下步骤：
S11：根据原始建模数据建立移动RFID系统标签到达模型，如附图1所示；
在附图1中，Fi代表识别过程中的第i个帧，Xi代表第i个帧的标签到达率。Ui是从第i帧转移到第i+1帧的未识别标签数量。W是在识别区域内可以容纳的帧的总数。F0是预备帧，在预备帧中，阅读器不识别任何标签，所有在F0帧中到达的标签将转移到F1帧进行识别，所以U0＝x0*L0，其中L0代表F0帧的帧长。在预备帧后，所有Ui(i>＝1)包括两部分，一部分是在第i帧由于冲突没有识别的标签数量Ci，另外一部分是在第i帧新到达的标签数量Xi*Li，即Ui＝Ci+xi*Li。
S12：将建模长度为m的原始非负时间序列X0表示为X0＝{x0(1)，x0(2)，...x0(i)，...，x0(m)}，式中，x0(i)为帧Fi的到达率；m为建模长度，也即用于预测的原始数据的个数；
S13：将原始序列进行一次累加，得到一次累加序列X1，这一步骤旨在削弱随机序列的波动性；
X1＝{x1(1)，x1(2)，...x1(j)，...，x1(m)}，式中，
Figure SMS_15
与之对应的连续时间函数为x1(t)；
S14：根据灰色模型原理，x1(t)用一阶微分方程拟合为
Figure SMS_16
式中，参数a和b是方程的待定参数，a称为发展系数，b称为灰色作用量；
S15：当t以间隔1递增时，得到
Figure SMS_17
因此，步骤S14中的一阶微分方程可以被离散化表示为x0(k)+ay1(k)＝b，式中，/>
Figure SMS_18
k＝2,3,4,…m；令Y1＝{y1(2)，y1(3)，......y1(t)......y1(m)}称为背景值序列，常用的背景值序列是中值序列；
S16：对步骤S15中的被离散化的一阶微分方程求解，得出
Figure SMS_19
式中，/>
Figure SMS_20
为t＝k+1时的一次累加序列对应的标签到达率预测值；a和b利用如下最小二乘法求得，(a，b)T＝(PTP)-1PTQ，其中，P和Q都是矩阵，/>
Figure SMS_21
T为矩阵的转置运算；
S17：利用一阶微分方程的解以及a和b的值，采用一阶累减方法得到原始序列的预测值为
Figure SMS_22
其中，/>
Figure SMS_23
为t＝k+1时标签到达率的预测值，k>＝1。
进一步的，步骤S2：使用加权方法对原始建模数据的初始值进行改进；
具体的，将步骤S13中的x1(1)使用加权方法改为
Figure SMS_24
式中，/>
Figure SMS_25
为加权系数，且/>
Figure SMS_26
则步骤S17中还原原始序列得到
Figure SMS_27
式中，/>
Figure SMS_28
即为最终得到的标签到达率预测值。
这样设置的主要原因在于，预测值是发生在x0(m)后的，所以，受x0(m)的影响最大，而最早的数据x0(1)对预测值的影响是最小的，所以权重选择上，影响越大的权重越大，影响越小的，权重越小。
进一步的，步骤S3：由于使用灰色模型预测标签到达率之后，RFID阅读器会使用这一预测值设定帧长，并执行下一次读周期，一帧读取结束后阅读器能够根据统计出的时隙状态和对应的值，再次估计出标签到达率，因此这个预测值应该作为最近标签到达率追加到建模数据的最后一个，并剔除掉最早的建模数据。
这个过程就像一个随着识别过程滑动的窗口，窗口的大小就是建模长度。阅读器执行完一帧读操作之后，窗口向前移动，如附图2所示。
具体的，当某一次预测序列的建模数据为x0(i)，x0(i+1)，...x0(i+m-1)时，经过一次预测后，得到x0(i+m)，则下一次用来预测的数据集是{x0(i+1)，...x0(i+m)}。
进一步的，步骤S4：根据更新后的模型数据，得出还原后原始序列中的
Figure SMS_29
值，也即移动RFID系统标签的到达率。
综上所述，得出了本发明中的建模长度为4的一种基于滑动窗口机制的加权灰色模型的移动RFID系统标签到达率的预测方法WGMSW(1，1)，该预测方法的实施方法如附图3所示。
由附图3可以看出，本发明中的移动RFID系统标签到达率的预测方法，输入原始数据序列X0＝{x0(k)}，k＝1,2,3,4；
使用累加生成算法得出一次累加序列X1＝{x1(k)},k＝1,2,3,4，x1(k)＝x0(1)+x0(2)+…+x0(k)；
离散获取a和b，(a，b)T＝(PTP)-1PTQ；
对求解方程的初始值加权x1(1)，得出
Figure SMS_30
利用加权后的x1(1)，求解一阶单变量灰色微分方程得到解
Figure SMS_31
k＝2,3,4,5。
使用一阶累减生成算法还原原始序列，得出
Figure SMS_32
k＝2,3,4,5，即为移动RFID系统标签到达率的预测结果；
去掉原始数据序列中的x0(1)，将预测值x0(5)作为数据序列中的最后一个值，重新构件模型序列X0＝{x0(k)}，k＝2,3,4,5；
重复上述计算步骤，得出下一个标签到达率的预测值。
进一步的，在本发明的移动RFID系统标签到达率的预测方法中，预测计算是阅读器一侧运行的，而在标签一侧只接收阅读器信号并且在特定时隙回应阅读器。阅读器和标签具体的交互过程如附图4所示。
从附图4中可以看出，本发明中阅读器和标签具体交互的过程为：首先阅读器广播阅读参数，初始化新一轮读取。标签收到阅读器的广播后随机选择一个时隙进行数据传输。阅读器在一轮识别结束后统计成功时隙、空闲时隙和冲突时隙的数量，并利用统计结果计算出冲突标签的数量。采用本发明中提到的预测方法预测标签到达率，并计算出参加下一轮次读取的总标签数量。根据总标签数量设定阅读器参数，并广播参数，开始新一轮的读取，如此往复。
进一步的，为了验证本发明中移动RFID系统标签到达率的预测方法的可行性，进行了一下实施例。
实施例一：
采用单峰高斯分布对本发明中的移动RFID系统标签到达率的预测方法进行模拟仿真，选择正态分布的函数代表标签的到达率，因此x(t)～N(μ，σ)，μ代表均值，σ代表方差。
在进行预测之前，首先计算数据的级比，保证数据能够使用WGMSW(1，1)进行预测。数据的级比定义为
Figure SMS_33
根据GM(1，1)的应用条件，ρi应该落于
Figure SMS_34
之间，m为建模长度，若系统建模长度选择4，则ρi应该落于/>
Figure SMS_35
如果条件不能满足，需要在进行预测之前进行预处理，使级比落于要求的区间范围内。
WGMSW(1，1)的仿真伪代码如附图5所示。
在附图5的伪代码中，wgmsw(parameters)是使用图3的算法构建的自定义函数，函数中采用滑动窗口和加权更新初始化值的方法实现标签到达率的预测。
在移动RFID系统中，阅读器使用上面的伪代码，根据已经得到的标签到达率可以预测下一个标签到达率，这个预测值就可以用于设定下一轮阅读的帧长。
仿真的硬件平台如下：
CPU：Intel(R)Core(TM)i5-4590 CPU@3.3GHz
RAM：8GB
仿真软件平台如下：
操作系统：Windows 7
应用软件：Matlab 2015b
为了衡量WGMSW(1，1)的性能，本发明中选择相同均值μ、不同方差σ的正态分布，模拟采样100个数据。使用滑动窗口机制，算法能够运行96次，预测从第5帧到第100个帧的标签到达率。当正态分布的均值选择50，方差分别选择15和25时，得到如附图6a-6d(参照实质审查参考资料图6a-6d)所示的仿真结果。
图中蓝色线代表实际的标签到达率，红色线代表预测的标签到达率。附图6a(参照实质审查参考资料图6a)和附图6c(参照实质审查参考资料图6c)代表传统GM(1，1)方法仿真分析结果，附图6b(参照实质审查参考资料图6b)和附图6d(参照实质审查参考资料图6d)是WGMSW(1，1)仿真结果。
附图6a(参照实质审查参考资料图6a)中，第52帧中，真实数据是0.4535，但是预测值是0.5，这个误差远远大于其他数据的预测误差。同样的现象也出现在附图6c(参照实质审查参考资料图6c)中。在附图6b(参照实质审查参考资料图6b)和附图6d(参照实质审查参考资料图6d)没有出现误差突变的情况。所以WGMSW(1，1)比传统的GM(1，1)算法具有更好的稳定性。
进一步的，使用相对误差法衡量预测序列X0与原始序列X0之间的差异性，二者的残差表示为
Figure SMS_36
相对误差/>
Figure SMS_37
平均相对误差/>
Figure SMS_38
表1列出了GM(1，1)和WGMSW(1，1)的平均预测误差率。
表1平均预测误差表
Figure SMS_39
从表1可以看出WGMSW(1，1)的预测误差率比GM(1，1)低。当σ变大时，代表标签到达率变化缓慢，预测的跟踪性能比σ小时更好。
实施例二：
为了与其他研究者的研究结果进行比较，我们选择对比文件《RFID标签到达率的动态自适应灰色模型预测算法研究》中提到的DSA-RMGM预测方法，使用对比文件中的数据，并与DSA-RMGM预测方法进行对比，得到如表2中的比较结果。
表2 WGMSW(1，1)与DSA-RMGM预测方法的数据对比
Figure SMS_40
在表2中可以看出，平均预测误差率是从第41帧到第47帧的预测误差求平均得到，数值与文献[20]中的数据略有差异，但是并不影响我们的结论。从结果中可以发现，我们提出的WGMSW(1，1)比文献[20]中提到的方法具有更低的预测误差率。而且WGMSW(1，1)的建模长度是固定值4，系统具有更好的稳定性。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (1)

1.一种移动RFID系统标签到达率的预测方法，其特征在于，包括以下步骤，
S1：使用原始建模数据和灰色模型原理建立移动RFID系统标签动态到达模型；
S2：使用加权方法对原始建模数据的初始值进行改进；
S3：使用滑动窗口机制对模型中的数据进行更新；
S4：根据更新后的模型数据得出移动RFID系统标签的到达率；
步骤S1中建立移动RFID系统标签动态到达模型的具体操作包括，
S11：根据原始建模数据建立移动RFID系统标签到达模型；
S12：将建模长度为m的原始非负时间序列X0表示为x0＝{x0(1)，x0(2)，...x0(i)，...，x0(m)}，式中，x0(i)为帧Fi的到达率，m为建模长度，也即用于预测的原始数据的个数；
S13：将原始序列进行一次累加，得到一次累加序列X1，X1＝{x1(1)，x1(2)，...x1(j)，..，x1(m)}，式中，
Figure QLYQS_1
与之对应的连续时间函数表示为x1(t)；
S14：根据灰色模型原理，x1(t)用一阶微分方程拟合为
Figure QLYQS_2
式中，参数a和b是方程的待定参数，a称为发展系数，b称为灰色作用量；
S15：当t以间隔1递增时，得到
Figure QLYQS_3
因此，步骤S14中的一阶微分方程可以被离散化表示为x0(k)+ay1(k)＝b，式中，/>
Figure QLYQS_4
令Y1＝{y1(2)，y1(3)，......y1(t)......y1(m)}称为背景值序列；
S16：对步骤S15中的被离散化的一阶微分方程求解，得出
Figure QLYQS_5
式中，/>
Figure QLYQS_6
为t＝k+1时的一次累加序列对应的标签到达率预测值；a和b利用如下最小二乘法求得，(a，b)T＝(PTP)-1PTQ，其中，P和Q都是矩阵，/>
Figure QLYQS_7
T为矩阵的转置运算；
S17：利用一阶微分方程的解以及a和b的值，采用一阶累减方法得到原始序列的预测值为
Figure QLYQS_8
其中，/>
Figure QLYQS_9
为t＝k+1时标签到达率的预测值，k＞＝1；还原原始序列得到/>
Figure QLYQS_10
步骤S2的具体操作为：将步骤S13中的x1(1)使用加权方法改为
Figure QLYQS_11
式中，/>
Figure QLYQS_12
为加权系数，且/>
Figure QLYQS_13
步骤S3中的具体操作为：将阅读器一帧读取结束后得出的标签到达率作为最近的标签到达率追加到建模数据的最后一个，并剔除掉最早的一个建模数据。
CN201911288628.5A 2019-12-12 2019-12-12 一种移动rfid系统标签到达率的预测方法 Active CN110991204B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201911288628.5A CN110991204B (zh) 2019-12-12 2019-12-12 一种移动rfid系统标签到达率的预测方法
US17/014,586 US11481565B2 (en) 2019-12-12 2020-09-08 Method for predicting tag arrival rate of mobile RFID system

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911288628.5A CN110991204B (zh) 2019-12-12 2019-12-12 一种移动rfid系统标签到达率的预测方法

Publications (2)

Publication Number Publication Date
CN110991204A CN110991204A (zh) 2020-04-10
CN110991204B true CN110991204B (zh) 2023-07-07

Family

ID=70093722

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911288628.5A Active CN110991204B (zh) 2019-12-12 2019-12-12 一种移动rfid系统标签到达率的预测方法

Country Status (2)

Country Link
US (1) US11481565B2 (zh)
CN (1) CN110991204B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
AU2007231656A1 (en) * 2003-04-07 2007-11-15 Silverbrook Research Pty Ltd Handheld laser scanner
CN101359361A (zh) * 2008-09-17 2009-02-04 湖南大学 一种rfid系统中的数据防碰撞算法
CN106651023A (zh) * 2016-12-17 2017-05-10 三峡大学 一种基于灰色关联度分析的改进型烟花算法的中长期负荷预测方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5035869B2 (ja) * 2006-01-27 2012-09-26 京セラ株式会社 Ｒｆｉｄタグシステム、ｒｆｉｄリーダ補助装置、及びｒｆｉｄリーダ
EP3232414A1 (en) * 2008-04-14 2017-10-18 Mojix, Inc. Radio frequency identification tag location estimation and tracking system
ES2654949T3 (es) * 2012-05-10 2018-02-15 9Solutions Oy Mejora de la precisión de posicionamiento del sistema de seguimiento de la ubicación
CN104021432A (zh) * 2014-06-18 2014-09-03 温州大学 基于改进灰色预测模型的电力负荷中长期预测方法
CN107609443B (zh) * 2017-09-12 2020-12-15 郑州航空工业管理学院 一种提高rfid射频识别率的方法
CN108446577B (zh) * 2018-02-28 2022-04-08 北京宏诚创新科技有限公司 高频/超高频rfid识别系统中的多标签防碰撞方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
AU2007231656A1 (en) * 2003-04-07 2007-11-15 Silverbrook Research Pty Ltd Handheld laser scanner
CN101359361A (zh) * 2008-09-17 2009-02-04 湖南大学 一种rfid系统中的数据防碰撞算法
CN106651023A (zh) * 2016-12-17 2017-05-10 三峡大学 一种基于灰色关联度分析的改进型烟花算法的中长期负荷预测方法

Also Published As

Publication number Publication date
CN110991204A (zh) 2020-04-10
US11481565B2 (en) 2022-10-25
US20210182513A1 (en) 2021-06-17

Similar Documents

Publication Publication Date Title
Li et al. Learning interpretable deep state space model for probabilistic time series forecasting
Cavalcante et al. Fedd: Feature extraction for explicit concept drift detection in time series
Du et al. Probabilistic time series forecasting with deep non‐linear state space models
CN114120652A (zh) 一种基于动态图神经网络的交通流量预测方法
CN108629358B (zh) 对象类别的预测方法及装置
CN110445939B (zh) 容量资源的预测方法及装置
Park et al. Missing-insensitive short-term load forecasting leveraging autoencoder and LSTM
WO2023207411A1 (zh) 一种基于时空数据的流量确定方法、装置、设备和介质
Yu et al. Forecasting a short‐term wind speed using a deep belief network combined with a local predictor
Wambura et al. Long-range forecasting in feature-evolving data streams
Ozyegen et al. Experimental results on the impact of memory in neural networks for spectrum prediction in land mobile radio bands
Chen et al. An approximate bayesian long short-term memory algorithm for outlier detection
CN114584601A (zh) 用户流失识别及干预方法、系统、终端及介质
CN110991204B (zh) 一种移动rfid系统标签到达率的预测方法
WO2017131696A1 (en) Database server to predict sales
CN115935265B (zh) 训练风险识别模型的方法、风险识别方法及对应装置
CN116228284A (zh) 货品需求预测方法、训练方法、装置、计算机系统及介质
Cribben Change points in heavy‐tailed multivariate time series: Methods using precision matrices
Liu et al. Bridging the gap between training and inference for spatio-temporal forecasting
CN114943608A (zh) 一种欺诈风险评估方法、装置、设备及存储介质
CN111159397B (zh) 文本分类方法和装置、服务器
CN113344585A (zh) 反欺诈预测模型的训练方法及装置、存储介质及电子设备
CN102004661A (zh) 一种通用的数据驱动的软件和系统可靠性模型及参数优化方法
Andriyanov et al. Development and Research of Intellectual Algorithms in Taxi Service Data Processing Based on Machine Learning and Modified K-means Method
Zeng et al. Anomaly detection for high‐dimensional dynamic data stream using stacked habituation autoencoder and union kernel density estimator

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