JP5422270B2 - 無線センサネットワークおよびそのデータ検知方法 - Google Patents

Description

本発明は、一般に無線センサネットワークに関し、より特定的には、検知されたデータの周期的特性に従ってセンサの検出挙動を動的に調整する無線センサネットワークに関する。

無線センサネットワーク（ＷＳＮ）は、森林生態系監視の検出、工場での二酸化炭素濃度の検出、または屋内監視などに応用されている。無線センサネットワークにおいて、データを検知し、収集し、かつ提供する無線センサは、重要な役割を果たす。
先行技術では、無線センサは、環境変数を検出し、かつ管理者によって特定される検知周波数（検知間隔）に従ってデータを復元する。検知間隔がより長い（検知時間がより短い）場合には、より多くのエネルギーが節約されるが、より少ないデータが取得される。検知間隔がより短い場合には、検知されたデータが多く取得されるが、電力消費がより大きくなることもあった。これは、無線センサがデータを検知または送受信している場合には、電力消費が比較的大きくなることがあったからである。さらに、無線センサは、通常バッテリによって電源投入され、かつ屋外環境にあれば、バッテリを充電するのが困難である。

したがって、無線センサの電源消費を節約する方法は、非常に重要な問題になってきている。現在のところ、無線センサ用省電力機構は、送信または検知の際の電力消費について強調されているが、効果は不十分である。
米国特許公開第2007/0211654号は、「無線センサネットワークのための省電力方法」を開示している。通信用アクティブモードを除いて、電力消費を最小にするスリープモードを動作させ、装置がオンになるとスリープ確率を初期化し、アクティブモードタイマが始動するにつれて通信用アクティブモードを動作させ、アクティブモードタイマが切れる前に送信または受信すべきパケットがない場合にはスリープモードに移行し、かつスリープ確率に基づいてスリープモードからの退出を決定する。

米国特許公開第2007/0211654号明細書

これに鑑み、無線センサによって収集されるデータの傾向を分析し、かつデータ周期の特性に従って無線センサの検出挙動（すなわち、検知すべきかどうか）を動的に調整するデータ検知方法が必要である。
本発明は、検知されたデータに従って予測モデルを確立するための無線センサネットワークおよびデータ検知方法に関し、前に検知されたデータの統計値は、許容誤差範囲および信頼水準内であれば、ユーザに提供される。あるいは、実際に検知されたデータは、必要であればユーザに提供される。

本発明の第１態様によれば、無線センサネットワークが提供される。無線センサネットワークは、検知コマンドを出力するデータ処理モジュールと、データ処理モジュールから出力される検知コマンドを受信し、かつソースデータを検知しかつデータ処理モジュールに返送するデータ収集モジュールとを備える。データ処理モジュールは、ソースデータの傾向を見つけて、予測モデルを確立する。データ処理モジュールは、確立された予測モデルに基づいて、検知コマンドを更新しかつ更新された検知コマンドをデータ収集モジュールに送出する。データ収集モジュールは、検知コマンドに従って、検知時点でデータ検知が行われるかどうか を決定する。データ収集モジュールは、データ検知が行われるならば、ソースデータを収集しかつデータ処理モジュールに提供する。データ検知が行われなければ、前のソースデータに従って予測データを取得する。

本発明の第２態様に従って、無線センサネットワークにおけるデータ検知方法が提供される。その方法は、検知コマンドを出力するステップと、検知コマンドに従ってソースデータを検知するステップと、ソースデータの傾向を見つけて、予測モデルを確立するステップと、確立された予測モデルに基づいて、検知コマンドを更新するステップと、更新された検知コマンドに従って、検知時点でデータ検知が行われるかどうかを決定するステップと、データ検知が行われるならば、ソースデータを検知しかつユーザに提供するステップと、データ検知が行われなければ、前のソースデータに従って予測データを取得しかつユーザに提供するステップとを含む。

本発明は、好ましいが非制限的な実施形態の次の詳細な説明から明らかとなろう。添付の図面を参照して以下で説明する。

図１は、本発明の実施形態による無線センサネットワークを示す模式図である。 図２は、本発明の実施形態による予測モジュール１２２の動作を示すフローチャートである。 図３Ａは、周期Ｐを有するソースデータＴをセグメント化する一例を示す。 図３Ｂは、図３ＡのデータＴ１〜Ｔ４のセグメントが積み重ねられた後の結果を示す。 図３Ｃは、予測ポイントおよび検知ポイントの一例を示す。 図３Ｄは、予測ポイント、検知ポイント、およびチェックポイントの一例を示す。 図４は、データ収集モジュール１１０およびデータ処理モジュール１２０の動作フローを示す。 図５Ａは、時間ドメインのデータを示す。 図５Ｂは、周波数ドメインのデータを示す。

本発明の実施形態では、データが収集され、かつ収集されたデータの周期性が計算される。次に、収集されたデータは、いっしょに積み重ねられ、かつ収集されたデータの傾向は、今後データを収集する（検知する）べきかどうかを決定するために、その周期性に基づいて分析される。
図１は、本発明の一実施形態による無線センサネットワークを示す模式図である。図１を参照して、本発明の実施形態による無線センサネットワーク１００は、データ収集モジュール１１０およびデータ処理モジュール１２０を含む。データ収集モジュール１１０は、処理ユニット１１１、無線センサ１１２、実行モジュール１１３、および無線周波数（ＲＦ）モジュール１１４を含む。データ処理モジュール１２０は、処理ユニット１２１、予測モジュール１２２、データベース１２３、および無線周波数（ＲＦ）モジュール１２４を含む。

データ収集モジュール１１０は、データ処理モジュール１２０から送信されるコマンドに従ってデータを収集し、かつ収集されたデータをデータ処理モジュール１２０に提供する。データ処理モジュール１２０が、データ収集モジュール１１０によって提供されるデータを受信した後、収集されたデータの傾向を見つけて、予測モデルを確立しかつ予測モデルを動的に調整する（更新する）。

確立された予測モデルに基づいて、データ処理モジュール１２０は、データ収集モジュール１１０が今後データを収集するかどうかを決定する。よって、データ収集モジュール１１０は、データ処理モジュール１２０の決定に基づいて、データ収集を行うかまたは行わない。
処理ユニット１１１は、コマンド分析などの局所計算を行う。処理ユニット１１１は、基本計算能力を有し、検知期間を決定してもよく、かつ無線センサ１１２を制御して、検知された結果（すなわち、収集されたデータ）をＲＦモジュール１１４を通してデータ処理モジュール１２０に提供してもよい。

無線センサ１１２は、処理ユニット１１１および実行モジュール１１３によって制御される。無線センサ１１２は、データ収集、検知などを行う。無線センサ１１２によって収集されるデータは、ＲＦモジュール１１４を通してデータ処理モジュール１２０に送信される。無線センサ１１２は、温度、湿度、輝度、圧力、ガス濃度などを含むさまざまな環境変数を検知するための多目的センサであってもよい。

実行モジュール１１３は、データ処理モジュール１２０から送信されるコマンドを分析し、これにより無線センサ１１２がデータ収集を行うかどうかを決定する。
ＲＦモジュール１１４は、データ収集モジュール１１０とデータ処理モジュール１２０との間でデータを受信しかつ送信する。
処理ユニット１２１は、局所計算およびデータ分析を行う。予測モジュール１２２は、データ収集モジュール１１０によって収集されるデータに従って予測モデルを確立する。データベース１２３は、データ収集モジュール１１０によって収集されるデータを記憶する。ＲＦモジュール１２４は、データ収集モジュール１１０とデータ処理モジュール１２０との間でデータを受信しかつ送信する。

予測モデルがデータ収集モジュール１１０によって収集されるデータに従って確立される方法および予測モデルが動的に更新される方法についての予測モジュール１２２の動作を、以下に説明する。
図２は、本発明の実施形態による予測モジュール１２２の動作を示すフローチャートである。図２に示すように、データ収集モジュール１１０は、ステップ２１０に示すように、データ処理モジュール１２０から送信されるコマンドに従ってデータを収集し、かつ収集されたデータをデータ処理モジュール１２０に返送する。

次に、ステップ２２０に示すように、ソースデータ（すなわち、収集されたデータ）の周期（すなわち、サイクル）が取得される。収集されたデータの周期は、前もって取得されることがあれば、前もって予測モジュール１２２に入力されてもよく、かつ収集されたデータの長さは、周期の少なくとも２倍に等しい。収集されたデータの周期を前もって取得することができなければ、予測モジュール１２２は、データ収集モジュール１１０が十分なデータを収集した後、ソースデータの周期を予測する。ソースデータの予測された周期を以下に述べる。ソースデータＴの長さは、ｎに等しいと仮定される。ソースデータＴは、ｉだけシフトされて、他のデータＴ’となり、ここでｉは、１〜ｎ／２の範囲にある（最大周期は、データ長さの約２分の１である）。ＴとＴ’との類似性は、類似性（ＳＩＭ）機能に従って比較によって決定され、かつＳＩＭ機能のあまり計算されていない値は、より高い類似性を表す。ソースデータＴの周期がＰであれば、ソースデータＴとＰだけシフトされたデータＴ’との類似性が最も高い（ＳＩＭ機能の値が最も低い）。Ｔ’がｎ／２バージョンを有するので、ＳＩＭ機能のｎ／２値が取得されてもよい。ＳＩＭ機能のｎ／２値間で２番目に小さいものに対応するシフト値は、周期ｐの予測値として供される。ＳＩＭ機能のｎ／２値間で最も小さいものに対応するシフト値は、初期点（ｉ＝０）であってもよく、したがって排除される。さらに、見つけられた周期ｐが満たされなければ、より多くのデータが、周期を予測するためにさらに収集されてもよい。

ソースデータの周期が取得された後、ステップ２３０に示すように、周期に従ってソースデータをセグメント化することが可能である。図３Ａは、周期Ｐを有するソースデータＴをセグメント化する一例を示す。図３Ａに示すように、ソースデータＴは、周期Ｐに従って４つのセグメントデータＴ１〜Ｔ４にセグメント化され、ここでソースデータは温度を表し、縦軸は温度を表し、かつ横軸は検知時点を表す。

次に、ステップ２４０に示すように、セグメントデータが積み重ねられる。図３Ｂは、図３ＡのセグメントデータＴ１〜Ｔ４が積み重ねられた後の結果を示し、ここで縦軸は温度を表し、かつ横軸は時点を表す。
次に、ステップ２５０に示すように、ソースデータの傾向を見つけることが可能である。ソースデータの傾向を見つける際には、各時点での各セグメントデータの統計値が計算されてもよい。本実施形態では、平均値および分散値が、一例として示される。例えば図３Ｂでは、時点１でのセグメントデータＴ１〜Ｔ４の平均値（１９．３４）および分散値（０．５３）を計算する。分散値が閾値未満であれば、平均値は、ユーザによって許容される信頼水準および誤差許容度を満たす。すなわち、データ処理モジュール１２０は、平均値をユーザに提供してもよい。逆に、分散値が閾値より大きければ、平均値は、ユーザによって許容される信頼水準および誤差許容度を満たさない。したがって、データ処理モジュール１２０は、データ収集モジュール１１０に、データを収集しかつ収集されたデータをユーザに提供するように通知する。閾値の設定は、ユーザパラメータおよびデータ特性に従って決定され、ここでユーザパラメータは、信頼水準、誤差許容度、検知確率などの例である。誤差許容度がより大きくなる場合には、省電力がより高くなる。信頼水準がより高くなる場合には、省電力および誤り率がより低くなる。検出確率がより高くなる場合には、省電力および誤り率がより低くなる。より高い検出確率がより多くの検出時間を表すほど、省電力の機能がより低くなり、かつ誤差を有する復元データの機会がより少なくなる。

次に、ステップ２６０に示すように、予測モデルが確立される。予測モデルでは、予測ポイント、検知ポイント、チェックポイント、および検知確率が指定される。この時点での分散値が閾値未満であれば、その時点が予測ポイントとして設定される。その時点が予測ポイントとして設定されるならば、この時点ではいかなるデータ検知も行われず、かつ平均値がユーザに提供される。逆に、この時点での分散値が閾値より大きければ、その時点が検知ポイントとして設定される。その時点が検知ポイントとして設定されるならば、この時点でデータ検知が行われる。

図３Ｃは、予測ポイントおよび検知ポイントの例を示す。図３Ｂおよび図３Ｃを参照すると、時点２，７および８での分散値が閾値未満であり、したがって図３Ｃに示すように、時点２，７および８が予測ポイント３１０として設定される。同様に、時点１，３〜６での分散値が閾値より大きく、したがって図３Ｃに示すように、時点１，３〜６が検知ポイント３２０として設定される。

しかしながら、ソースデータの傾向が変化されるかどうかをチェックするためにかつ異常データを検出するために、各予測ポイントでの検知確率は、その予測ポイントが、その検知確率に従ってチェックポイントとなるように、予測モデルにおいて指定される。チェックポイントの導入によって、ソースデータの傾向が変化されるかどうかをチェックすることが可能であり、誤差評価データの提供を防止する（すなわち、提供される平均値は、誤差であるかもしれないし、十分良好でないかもしれない）。例えば、検知確率が５０％である場合には、予測ポイントが５０％だけチェックポイントとなることを表している。予測ポイントがチェックポイントになる場合には、データ収集モジュール１１０は、この時点で（チェックポイントで）ソースデータを実際に収集する。この環境では、ソースデータの傾向がある時点で変化される場合には、評価値（例えば、前のデータの平均値）がユーザに提供されるならば誤差が生じる。提供データの高い正当性を保つために、異常データの発生またはソースデータの傾向の変化をチェックポイントを通して知ることが可能である。

図３Ｄは、予測ポイント、検知ポイント、およびチェックポイントの例を示す。図３Ｃおよび図３Ｄを参照して説明する。時点７での予測ポイントが、検知確率に従ってチェックポイント３３０になると仮定する。そこで、図３Ｄに示すように、データ処理モジュール１２０は、（予測ポイントである）時点２および８で平均値をユーザに提供する。検知ポイントまたはチェックポイントである時点１および３〜７で、データ収集モジュール１１０は、データ処理モジュール１２０からのコマンドに従ってデータを収集しかつ収集されたデータをデータ処理モジュール１２０に返送し、かつデータ処理モジュール１２０は、実際のデータをユーザに提供する。したがって、データ収集モジュール１１０は、無線センサ１１２の電力消費が節約されるように、予測ポイントであるいくつかの時点ではデータを収集も送信もしない。

次に、ステップ２７０に示すように、予測モデルが動的に更新される。データ収集モジュール１１０は検知ポイントおよびチェックポイントで実際のデータを提供するので、予測モデルがデータの現在の傾向を反映するように、本実施形態では受信された実際のデータに従って予測モデルを動的に更新することが可能である。したがって、予測ポイントが検知ポイントとして変化されるかどうか、または検知ポイントが実際のデータに従って予測ポイントとして変化されるかどうかを決定することが可能である。このことは、予測モデルのいわゆる更新である。

予測モデルを動的に更新する際に２つの方法がある。第１方法では、予測モジュール１２２は、以前のソースデータの平均値、以前のソースデータの分散値、以前のソースデータのデータ数および新たなソースデータに従って新たな平均値および新たな分散値を計算し、これにより予測モデルが更新されるかどうかを決定する。第２方法では、予測モジュール１２２は、数個の新たなソース・データに従って新たな平均値および新たな分散値を計算し、前記新たな平均値および新たな分散値に基づいて、予測モデルが更新されるかどうかを決定する。

次に、データ収集モジュール１１０およびデータ処理モジュール１２０の動作を説明する。図４は、データ収集モジュール１１０およびデータ処理モジュール１２０の動作フローを示す。最初に、ステップ４１０に示すように、データ収集モジュール１１０は、データ処理モジュール１２０から送信される検知コマンド（たとえば、５分ごとに無線センサ１１２にデータを検知させるためのコマンド）を受信し、データ収集モジュール１１０の無線センサ１１２は、データを検知しかつ提供し、ならびにデータ処理モジュール１２０は予測モデルを確立する。

より特定的には、予測モデルを確立する際には、データ処理モジュール１２０は、受信データに従ってデータの周期を予測することができ（詳細は上で説明した）、かつ予測モデルの予測可能程度（ＰＤ）を計算する。予測モデルの予測可能程度が容認できなければ、データ処理モジュール１２０は、データ収集モジュール１１０から送信される収集データを受信し続けて、よりよい予測モデルを確立する。加えてかつ上で述べたように、予測モデルは、ユーザパラメータに従ってさらに確立されてもよい。より特定的には、ユーザパラメータは、異なる時点で異なってもよい。データ処理モジュール１２０が十分良い予測モデルを確立する場合には、データ処理モジュール１２０は、ユーザパラメータおよび予測モデルに従って、予測ポイントの位置、検知ポイントの位置、検知確率などを含む新たな検知コマンドを再度取得し、これにより新たな検知コマンドをデータ収集モジュール１１０に送信する。

次に、ステップ４２０に示すように、実行モジュールは、現時点が期間における最後の時点であるかどうかを判断する。もしＹＥＳであれば、ステップ４２５に進むか、さもなければステップ４３０に進む。
ステップ４２５では、実行モジュールは、時点を期間における最初の時点に設定する。あるいは、ステップ４３０に示すように、実行モジュールは、受信された検知コマンドに従って、現時点が予測ポイントであるかどうかを判断する。もしＹＥＳであれば、ステップ４４０に進むか、さもなければステップ４３５に進む。

現時点が予測ポイントでなければ、現時点が検知ポイントであることを表している。そこで、ステップ４３５に示すように、実行モジュール１１３は、無線センサ１１２にデータ検知および収集を行うように通知し、かつ収集データをデータ処理モジュール１２０に返送する。さらに、データ処理モジュール１２０は、受信された実際に検知されたデータに従って（必要に応じて）予測モジュールを動的に更新する。また、データ処理モジュール１２０は、実際に検知されたデータをユーザに提供する。

より特定的には、必要に応じて、データ処理モジュール１２０は、更新された予測モジュールに従って検知コマンドを更新し、かつ新たな検知コマンドをデータ収集モジュール１１０に送信して、そのデータ収集を制御する。
現時点が予測ポイントであれば、ステップ４４０に示すように、実行モジュールは、検知確率に従って、予測ポイントがチェックポイントとして設定されるかどうかを判断する。もしＹＥＳであれば、ステップ４３５に進み、さもなければステップ４４５に進む。

現時点は予測ポイントであってチェックポイントでなければ、無線センサ１１２は、データを検知しない。ステップ４４５に示すように、データ処理モジュール１２０は、古いデータ（すなわち、前もって検知されたデータ）の平均値をユーザに提供する。
図４に示すように、本発明の実施形態において現時点が予測ポイントであってチェックポイントでなければ、無線センサ１１２はデータを検知しない。そこで、データ送信およびデータ検知の時間ならびに無線センサ１１２の電力消費も減じることが可能である。さらに、データ周期性がより明白になれば、予測ポイントがより多くなり、かつ電力消費がより効果的に節約される。さらに、チェックポイントの導入は、本実施形態における予測モデルを、その予測モデルがさまざまな環境に適合される（すなわちデータ傾向がばらついている）ように更新してもよい。予測モデルは、更新される場合には、ますます精密になる。

本発明の実施形態では、ソースデータの周期を知る他の方法がある。例えば、データ収集モジュールがある時間間隔にデータを収集した後、予測モジュールは、フーリエ変換によって、時間ドメインのデータ（図５Ａに示す）を周波数ドメインのデータ（図５Ｂに示す）に変換する。その後、周波数ドメインのデータの低周波数成分がフィルターにかけて除去され、かつデータの周期が、周波数ドメインのデータの高周波値の逆数を取ることによって取得されてもよい。

本発明の実施形態では、データ収集は、スライディングウィンドウを用いて行われてもよい。すなわち、数個の最新のデータ値は、推定値を計算するために保たれ、ここでｋは正の整数でありかつデータ鮮度を表す。推定値は、平均値に制限されないが、異常値が除去された後に取得される中央値、モード（最頻値）または平均値などの統計値であってもよい。

チェックポイントは、本発明の実施形態では所定の確率に従って決定されるが、その他の方法によって決定されてもよい。

データ収集モジュール１１０およびデータ処理モジュール１２０は、本発明の実施形態では非対称アーキテクチャを有する。すなわち、データ収集モジュール１１０の計算能力がより低くなり、かつデータ処理モジュール１２０の計算能力がより強くなる。したがって、複雑な予測動作（例えば、傾向計算動作、予測モデルの動的調整など）がデータ処理モジュール１２０によって行われる。さらに、検知間隔（データがいくつかの時点で検知され、かつデータが他の時点で検知されない）は、確率理論に基づいて、データ特性またはユーザパラメータに従って自動的に決定されてもよい。さらに、予測モデルは、さらに適応動的に変化されてもよい。したがって、無線センサのバッテリの耐久性を延ばすことが可能である。

本発明を一例としてかつ好ましい実施形態について説明してきたが、本発明はそれに制限されないと理解されたい。それどころか、さまざまな修正および類似の範囲および手順を扱うよう意図されており、よって後掲の特許請求の範囲は、そのような修正および類似の配置および手順のすべてを包含するように最も広い解釈が与えられるべきである。
本出願は、２００８年１２月５日に出願された台湾特許出願第９７１４７５３３号明細書の優先権を主張し、その全ての開示内容を本明細書中に援用する。

Claims (17)

1. 検知コマンドを出力するデータ処理モジュールと、
   前記データ処理モジュールから出力される前記検知コマンドを受信し、ソースデータを検知しかつ前記データ処理モジュールに提供するデータ収集モジュールとを備える無線センサネットワークであって、
   前記データ処理モジュールは、前記ソースデータの周期を用いて前記ソースデータの傾向を見つけて、予測モデルを確立するとともに前記ソースデータを用いて前記予測モデルを更新する予測モジュールを備え、
   前記ソースデータの周期が、ユーザにより前記予測モジュールに入力されれば、その周期を用い、
   前記ソースデータの周期が、ユーザにより前記予測モジュールに入力されなければ、前記予測モジュールは、前記データ収集モジュールからの前記ソースデータに従って前記ソースデータの周期を予測するものであり、
   前記データ処理モジュールは、前記確立された予測モデルに基づいて、前記検知コマンドを更新しかつ前記更新された検知コマンドを前記データ収集モジュールに送出し、
   前記データ収集モジュールは、前記検知コマンドに従って、検知時点でデータ検知が行われるかどうかを決定し、
   前記データ収集モジュールは、データ検知が行われるならば、前記ソースデータを検知しかつ前記データ処理モジュールに提供し、前記データ処理モジュールは前記ソースデータを出力し、かつ
   前記データ処理モジュールは、データ検知が行われなければ、前に検知されたソースデータの統計値に従って予測データを取得し、かつ当該予測データを出力する、無線センサネットワーク。
2. 前記データ処理モジュールは、
   前記データ収集モジュールと前記データ処理モジュールとの間で前記ソースデータおよび前記検知コマンドを送受信する第１データトランシーバモジュールと、
   前記第１データトランシーバモジュールに結合され、前記第１データトランシーバモジュールによって受信される前記ソースデータを記憶するデータベースと、
   前記データベースに結合され、前記ソースデータを分析する第１処理ユニットと、
   前記第１処理ユニットに結合され、前記ソースデータの前記傾向を見つけて、前記予測モデルを確立しかつ、前記予測モデルがデータの現在の傾向を反映するように動的に更新する前記予測モジュールとを備える、請求項１に記載の無線センサネットワーク。
3. 前記データ収集モジュールは、
   前記データ収集モジュールと前記データ処理モジュールとの間で前記ソースデータおよび前記検知コマンドを送受信する第２データトランシーバモジュールと、
   前記第２データトランシーバモジュールに結合され、前記第２データトランシーバモジュールによって受信される前記検知コマンドに従って前記ソースデータを検知する無線センサと、
   前記無線センサを制御して、前記ソースデータを前記第２データトランシーバモジュールを通して前記データ処理モジュールに提供する第２処理ユニットと、
   前記第２データトランシーバモジュールによって受信される前記検知コマンドを受信して、前記無線センサが、前記検知時点でデータ検知を行うかどうかを決定する実行モジュールとを備える、請求項２に記載の無線センサネットワーク。
4. 前記予測モジュールは、前記ソースデータをシフトして、シフトされたデータを取得し、前記予測モジュールは、前記ソースデータと前記シフトされたデータとの類似性を比較して、前記ソースデータの前記周期を取得する、請求項１に記載の無線センサネットワーク。
5. 前記予測モジュールは、前記ソースデータを時間ドメインから周波数ドメインに変換し、この周波数ドメインに変換されたデータに基づいて、前記ソースデータの前記周期を取得する、請求項１に記載の無線センサネットワーク。
6. 前記予測モジュールは、前記ソースデータの前記周期に従って、前記ソースデータを複数のセグメントデータにセグメント化し、かつ前記ソースデータの前記セグメントデータを周期ごとに重ね合わせ、かつ前記予測モジュールは、前記検知時点で重ね合わせられた前記セグメントデータの統計値を計算して、前記ソースデータの前記傾向を見つける、請求項１に記載の無線センサネットワーク。
7. 前記統計値は、平均値および分散値を含み、
   前記分散値が閾値より大きいと前記データ処理モジュールが判定すれば、前記データ収集モジュールは、前記ソースデータを検知しかつ前記ソースデータを前記データ処理モジュールに提供し、かつ
   前記分散値が前記閾値未満であると前記データ処理モジュールが判定すれば、前記データ処理モジュールは、前記平均値を前記予測データとして前記ユーザに提供する、請求項６に記載の無線センサネットワーク。
8. 前記予測モデルが動的に更新される場合には、前記予測モジュールは、更新される前のソースデータの平均値および分散値、ならびに更新される前のソースデータの数および更新のために新たに取り込まれるソースデータの数に従って、新たなソースデータの新たな平均値および新たな分散値を計算し、これにより前記予測モデルが更新されるかどうかを決定する、請求項２に記載の無線センサネットワーク。
9. 前記予測モデルが動的に更新される場合には、前記予測モジュールは、更新のために新たに取り込まれるソースデータの新たな平均値および新たな分散値を計算し、これにより前記予測モデルが更新されるかどうかを決定する、請求項２に記載の無線センサネットワーク。
10. 無線センサネットワークのデータ検知方法であって、前記方法は、
    検知コマンドを出力するステップと、
    前記検知コマンドに従ってソースデータを検知するステップと、
    前記ソースデータの周期を用いて前記ソースデータの傾向を見つけて、予測モデルを確立し、前記ソースデータを用いて前記予測モデルを更新するステップと、
    前記確立された予測モデルに基づいて、前記検知コマンドを更新するステップと、
    前記更新された検知コマンドに従って、検知時点でデータ検知が行われるかどうかを決定するステップと、
    データ検知が行われるならば、前記ソースデータを検知しかつそのソースデータをユーザに提供するステップと、
    データ検知が行われなければ、前に検知されたソースデータの統計値に従って予測データを取得しかつかつ当該予測データを前記ユーザに提供するステップとを含み、
    前記予測モデルを確立し更新するステップにおいて、前記ソースデータの周期が入力されれば、その周期を用い、
    前記予測モデルを確立し更新するステップにおいて、前記ソースデータの周期が入力されなければ、前記ソースデータに従って前記ソースデータの周期が予測される、データ検知方法。
11. 前記検知されたソースデータを記憶するステップと、
    前記ソースデータを分析するステップと、
    前記ソースデータの前記傾向が見つけられた後、前記予測モデルがデータの現在の傾向を反映するように前記予測モデルを動的に更新するステップとをさらに含む、請求項１０に記載の方法。
12. 前記ソースデータの前記周期を予測するステップは、
    前記ソースデータをシフトして、シフトされたデータを取得し、かつ前記ソースデータと前記シフトされたデータとの類似性を比較して、前記ソースデータの前記周期を取得するステップを含む、請求項１０に記載の方法。
13. 前記ソースデータを時間ドメインから周波数ドメインに変換し、この周波数ドメインに変換されたデータに基づいて、前記ソースデータの前記周期を取得するステップを含む、請求項１０に記載の方法。
14. 前記ソースデータの前記周期に従って、前記ソースデータを複数のセグメントデータにセグメント化するステップと、
    前記ソースデータの前記セグメントデータを結合するステップと、
    前記ソースデータの前記セグメントデータを周期ごとに重ね合わせるステップと、
    重ね合わせられた前記セグメントデータの統計値を前記検知時点で計算して、前記ソースデータの前記傾向を見つけるステップとをさらに含む、請求項１０に記載の方法。
15. 前記統計値は、平均値および分散値を含み、
    前記分散値が閾値より大きければ、前記ソースデータは、前記検知時点で検知されかつ前記ユーザに提供され、かつ
    前記分散値が前記閾値未満であれば、前記ソースデータの前記平均値は、前記検知時点で前記ユーザに提供される、請求項１４に記載の方法。
16. 前記予測モデルを動的に更新するステップは、
    新たなソースデータの新たな平均値および新たな分散値を、更新される前のソースデータの平均値および分散値、ならびに更新される前のソースデータの数および更新のために新たに取り込まれるソースデータの数に従って計算し、これにより前記予測モデルが更新されるかどうかを決定するステップを含む、請求項１１に記載の方法。
17. 前記予測モデルを動的に更新するステップは、
    更新のために新たに取り込まれるソースデータの新たな平均値および新たな分散値を計算し、これにより前記予測モデルが更新されるかどうかを決定する、請求項１１に記載の方法。