CN113536207B - 一种物联网网关异常状态下的节能采样方法 - Google Patents

Abstract

本发明公开了一种物联网网关异常状态下的节能采样方法，包括：对于传感器负责采样的物理量，设定好相关的参数，以及最小的采样间隔时间；传感器节点执行采样，将采样数据存储，然后对采样数据做二阶差分，并根据差分值决定下次采样时间间隔，其值为最小采样间隔时间的整数倍；根据之前的采样值及预测值，通过三次指数平滑算法预测出下一时刻到下次采样时的数据；当采样值与预测的该时刻的值的误差大于阈值时，后面若干个数据采用最小时间间隔来进行采样，平滑值也初始化，并用连续采样获得的数据进行迭代。本发明能够避免无效的采集和数据丢失；对采样数据进行二阶差分运算，实现了采样的节能，能够保证获得足够的数据和预测的准确性。

Description

一种物联网网关异常状态下的节能采样方法

技术领域

本发明属于低功耗广域网通信技术领域，尤其涉及一种基于动态调整采样间隔时间的网关异常状态下的节能采样方法。

背景技术

现有的物联网系统以无线传感器网络系统居多，这些网络中的节点设备上含有传感器，一般以固定的周期采集数据并立刻上报。但是因为工作环境的影响，节点设备以电池供电设备为主，而且难以更换电池，因此，节能问题显得尤为重要。受技术和场景影响，很难保证网关一定不会出现问题，也难以确保网关出现异常后能尽快修复。而在网关处于异常状态时，传感器节点仍然以原先的方式进行采样，但是采样数据无法上传到网关，而被直接丢弃，导致的节点能量被浪费；同时，采样获得的数据虽然失去了时效性，但是作为历史数据有重要的参考价值。

通常采集的数据一般有以下特征：这些数据都是与时间相关的连续可导函数，在一些时间内的数据变化极小；而在一些时刻内，环境数值会产生线性或非线性的变化。因此可以分析数据变化的规律，动态调整采样时间间隔，从而最大程度的保留数据曲线的形状，但是采样的频率会影响数据整体变化趋势的还原。而在相同的采样频率的状态下，环境数据的二阶导数越小，采样数据的还原度就越高。因此，可以通过环境数据的二阶导数的变化，动态的调整采样频率。

因为传感器采集的物理量是以时间为自变量的函数，因此实际采集到的数据是一个离散的时间序列。时间序列是按照时间的顺序排列，值随着时间变化，且相互关联的数据序列。对于离散的数据，并没有导数的概念，但是根据导数的推导方式，可以得到差分的概念；同样，离散数据也存在高阶差分，其性质类似于连续函数的高阶导数。现实中的数据很少会在短时间内急剧变化，而且传感器密集采样获得的数据曲线也并不是真正的平滑的，而是有许多毛刺，数据在一段时间内围绕着一个均值产生一定的偏差，这种情况产生的原因多种多样，包括但不限于环境中一些随机因素的变化、传感器本身的精度不够，甚至是空间中的电磁波对传感器电路造成了影响，因此会导致某些时刻的二阶差分值异常的高，影响节点对数据后面趋势的判断。

在一些应用场景，比如采样的数据用于训练神经网络模型，需要有足够的数据集。如果仅仅记录采样值的话，首先会造成数据的量不足，其次也存在数据在时间上的分布不均匀等情况。

发明内容

在传统的物联网系统中，传感器节点在网关发生异常后仍然以原先的方式进行采样，但是采样数据无法上传到网关，导致的节点能量被浪费。同时，采样获得的数据虽然失去了时效性，但是作为历史数据有重要的参考价值。本发明旨在解决此问题，通过将采样数据储存在存储器中来实现采样数据的保存，并通过对采样数据作二阶差分，实现动态间隔时间采样来节约采样能量。

本发明将采样数据储存在芯片的存储器中，然后对采样数据进行二阶差分运算，并根据差分值决定下一次采样的间隔时间；另外，为了保证能够获得足够的数据，使用三次指数平滑算法对未执行采样的时间点的数据进行预测。

本发明一种物联网网关异常状态下的节能采样方法，包括：

对于传感器负责采样的物理量，分析其在自然状态下的变化规律，设定好相关的参数，以及最小的采样间隔时间；

传感器节点执行采样，将采样数据存储，然后对采样数据做二阶差分，并根据差分值决定下次采样时间间隔，其值为最小采样间隔时间的整数倍；

根据之前的采样值及预测值，通过三次指数平滑算法预测出下一时刻到下次采样时的数据；

当采样值与预测的该时刻的值的误差大于阈值时，后面若干个数据采用最小时间间隔来进行采样，平滑值也初始化，并用连续采样获得的数据进行迭代。

本发明的有益效果在于：

1.在网关处于异常状态时，将节点的采样数据存储在芯片的存储器上，避免了无效的采集和数据丢失；

2.对采样数据进行二阶差分运算，并根据二阶差分值动态调整采样间隔时间，实现了采样的节能；

3.使用三次指数平滑算法对未采样的时间点的数据进行了预测，保证能够获得足够的数据；

4.对预测数据的误差进行评估，并修正平滑值，保证了预测的准确性。

附图说明

图1为本发明实施例提供的原理框图；

图2为二阶差分值和采样时间间隔的映射函数T(x)的示意图；

图3为网关正常时的指数平滑值更新的流程图；

图4为网关异常时的动态采样流程图；

图5为本发明整个流程的流程图。

具体实施方式

下面结合附图对本发明作进一步说明：

如附图1所示，本发明为一种基于动态调整采样间隔时间的网关异常状态下的节能采样方法，具体实现流程为：

A1：对传感器负责采集的物理量在自然状态下的变化规律进行分析，设置最小采样时间间隔t_u，并指定二阶差分值和采样时间间隔的映射表，将该表定义为函数T(x)，自变量为二阶差分值，输出为下一次采样的时间间隔，为最小采样时间间隔的整数倍，如附图2所示；同时设定好二阶差分的步长n，即通过对相邻的n个数据求均值，然后再计算这些均值的二阶差分值；另外设定预测误差的阈值ε，以及当误差超过阈值后平滑值重新初始化需要迭代的次数k，为了更准确的预测数据，提前仿真实验并确定好平滑常数a；

A2：在网关正常的时期，为了采样数据的时效性，一般可以考虑使用最小时间间隔t_u作为采样时间间隔。每次采样采集到的数据，不仅仅要上报给网关，同时也要用于更新三次指数平滑值。三次指数平滑算法的计算公式为：

其中表示t时刻的三次指数平滑值，/>表示t时刻的二次指数平滑值。二次指数平滑算法的公式如下：

式中指t时刻的一次指数平滑值，一次指数平滑算法的基本公式为：

S_t＝ay_t-1+(1-a)S_t-1；

其中S_t指t时刻的一次指数平滑值，y_t-1是t-1时刻的实际值，S_t-1是t-1时刻的平滑值，a是平滑常数，取值为[0,1]。

三次指数平滑算法的预测值为：

Y_t+k＝p_t+kq_t+k²r_t；

其中：

在节点初始化时，执行第一次采样，并且将第一次采集的数据定义为第一时刻的一次指数平滑值二次指数平滑值/>三次指数平滑值/>以及实际值y₁；当这些初始值定义完成后，循环执行下面的流程：

A21：执行一次采样，获得此刻的数据，记为y_t；

A22：通过上一次的采样值y_t-1，以及上一次的一次指数平滑值计算出本次的一次指数平滑值/>并更新一次指数平滑值；

A23：通过上一步获得的一次指数平滑值以及上一次的二次指数平滑值/>计算出本次的二次指数平滑值/>并更新二次指数平滑值；

A24：通过上一步获得的二次指数平滑值以及上一次的三次指数平滑值/>计算出本次的三次指数平滑值/>并更新三次指数平滑值；

将以上的流程结合，得到的算法流程图如图3所示。

A3：根据本次采样的获得的值以及之前采样和预测获得的值，计算二阶差分。将网关异常时的数据采样值和预测值储存在数组中，令t表示数组Y的元素数量，或者说是时间序列的时刻值，则最新采集的数据为Y(t)；定义变量▽²S用来储存二阶差分值，则有:

获得的下一次采样的间隔时间为

A4：使用三次指数平滑算法，预测出中间未采样的时刻的值及下一次执行采样的时刻的值，同时更新平滑值；

A5：睡眠后唤醒并执行采样，将采样值与上次预测的值进行对比，当预测值与真实值的误差大于ε时，用当前的采样值初始化平滑值，并连续k次以最小时间间隔t_u进行采样，同时更新平滑值。

本发明的有益效果在于：

1.在网关处于异常状态时，将节点的采样数据存储在芯片的存储器上，避免了无效的采集和数据丢失；

2.对采样数据进行二阶差分运算，并根据二阶差分值动态调整采样间隔时间，实现了采样的节能；

3.使用三次指数平滑算法对未采样的时间点的数据进行了预测，保证能够获得足够的数据；

4.对预测数据的误差进行评估，并修正平滑值，保证了预测的准确性。

本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。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权利要求范围之内。

Claims (1)

1.一种物联网网关异常状态下的节能采样方法，其特征在于，包括：

A1：对传感器负责采集的物理量在自然状态下的变化规律进行分析，设置最小采样时间间隔t_u，并指定二阶差分值和采样时间间隔的映射表，将该表定义为函数T(x)，自变量为二阶差分值，输出为下一次采样的时间间隔，为最小采样时间间隔的整数倍；同时设定好二阶差分的步长n，即通过对相邻的n个数据求均值，然后再计算这些均值的二阶差分值；另外设定预测误差的阈值ε，以及当误差超过阈值后平滑值重新初始化需要迭代的次数k，提前仿真实验并确定好平滑常数a；

A2：在网关正常的时期，使用最小时间间隔t_u作为采样时间间隔；每次采样采集到的数据，既要上报给网关，同时也要用于更新三次指数平滑值；三次指数平滑算法的计算公式为：

其中表示t时刻的三次指数平滑值，/>表示t时刻的二次指数平滑值；二次指数平滑算法的公式如下：

式中指t时刻的一次指数平滑值，一次指数平滑算法的基本公式为：

S_t＝ay_t-1+(1-a)S_t-1；

其中S_t指t时刻的一次指数平滑值，y_t-1是t-1时刻的实际值，S_t-1是t-1时刻的平滑值，a是平滑常数，取值为[0,1]；

三次指数平滑算法的预测值为：

Y_t+k＝p_t+kq_t+k²r_t；

其中：

在节点初始化时，执行第一次采样，并且将第一次采集的数据定义为第一时刻的一次指数平滑值二次指数平滑值/>三次指数平滑值/>以及实际值y₁；当这些初始值定义完成后，循环执行下面的流程：

A21：执行一次采样，获得此刻的数据，记为y_t；

A22：通过上一次的采样值y_t-1，以及上一次的一次指数平滑值计算出本次的一次指数平滑值/>并更新一次指数平滑值；

A23：通过上一步获得的一次指数平滑值以及上一次的二次指数平滑值/>计算出本次的二次指数平滑值/>并更新二次指数平滑值；

A24：通过上一步获得的二次指数平滑值以及上一次的三次指数平滑值/>计算出本次的三次指数平滑值/>并更新三次指数平滑值；

A3：根据本次采样的获得的值以及之前采样和预测获得的值，计算二阶差分；将网关异常时的数据采样值和预测值储存在数组中，令t表示数组Y的元素数量，或者说是时间序列的时刻值，则最新采集的数据为Y(t)；定义变量用来储存二阶差分值，则有:

获得的下一次采样的间隔时间为T(▽²S)；

A4：使用三次指数平滑算法，预测出中间未采样的时刻的值及下一次执行采样的时刻的值，同时更新平滑值；

A5：睡眠后唤醒并执行采样，将采样值与上次预测的值进行对比，当预测值与真实值的误差大于ε时，用当前的采样值初始化平滑值，并连续k次以最小时间间隔t_u进行采样，同时更新平滑值。