基于时间相关性WSN数据预测算法.docVIP

基于时间相关性WSN数据预测算法 　　摘要：由于无线传感器网络节点采样的数据序列具有时间相关性，本文提出一种实用的数据预测算法。该预测算法可以动态地选择采样时间以及预测采样值，若下一时刻的采样值与预测值之间的误差不大，则不进行数据的传输，从而可以大大压缩采样数据的规模，且该算法可实现算法特征值的本地保存。仿真结果表明该算法具有较好的数据压缩性能以及数据还原性能。 　　关键词：无线传感器网络 数据预测算法 分段线性回归 WSN 　　中图分类号：TP212.9 文献标识码：A 文章编号：1007-9416（2016）03-0000-00 　　无线传感器网络（Wireless Sensor Network，WSN）是由部署在检测区域内的大量廉价的微型传感器节点组成，通过无线方式通信的一个多跳的自组织的网络系统[1]。WSN已被广泛用于军事、工业、交通、农业、物流、环境、医疗、太空探索以及各种其他商业应用[2]。 　　由于物理现象的连续性，同一节点一段时间内的采样数据之间具有较高的时间相关性[3]。因此，可以采用数据预测的方法减少单节点的工作时间以及节点间的数据通信量。其基本思想是：使用传感器节点采集的历史数据，得出数据预测模型，继而计算出下一个采样的预测值。若预测值与实际采样值之间的误差在一定阈值范围内，节点就不发送数据，从而减少数据的通信量。 　　1 背景与构思 　　目前，WSN数据预测算法主要是基于时间序列的，包括自回归预测算法、移动平均预测算法、指数平滑预测算法等算法。文献[4]提出了一种基于分段一元线性回归方程的算法SLR（Segment Linear Regression，分段线性回归算法）来预测节点采样数据。但是该算法没有考虑到数据的偏差值对采样周期的影响，以及如何更好地处理异常值。基于SLR的以上缺点，本文提出基于时间相关性的数据预测算法DPATC（Data Prediction Algorithm on Temporal Correlation）。该算法的优点主要体现在：①自适应地调整节点的采样时间；②延迟线性回归计算的时机，降低模型的计算频度；③加强异常值处理机制；④取消分段边界值，减少每次上传的数据量；⑤本地保存回归模型的特征值。算法不仅实现了数据压缩，而且实现了数据的本地保存，增强了数据鲁棒性。仿真实验验证了该算法的有效性。 　　2 DPATC算法 　　2.1 算法概述 　　算法基于双预测模型[5]进行数据预测。DPATC算法主要分为构建算法模型、调整采样时间、分析采样误差和特征值本地保存4个部分，其框架图见图2.1。 　　图2.1 DPATC算法框架图 　　（1）构建算法模型。使用节点采样来的组时间-数值对作为建立模型的输入数据，然后使用最小二乘法构建出一元线性回归模型，、为模型的特征值。 　　（2）调整采样时间。通过比较预测误差与误差阈值，确定节点的下一次采样时间。 　　（3）分析采样误差。分析采样误差，决定模型调整时机。 　　（4）特征值本地保存。采样节点保存模型的特征值于本地，增强数据鲁棒性。 　　2.2 算法实现 　　DPATC算法中使用到的部分参数及其含义，如表2.1所示。 　　表2.1 DPATC算法的参数及其含义 　　DPATC算法核心在于采样时间调整和误差处理2个方面。 　　（1）采样时间调整。时刻，节点的模型特征值为、，且，则重新计算下次采样时间。步骤如下： 　　Step1：根据序列与序列，得到序列，其中， 　　（2.1） 　　记的最大值为。 　　Step2：计算下次采样间隔时间为： 　　（2.2） 　　其中，是向下取整函数，是取最大值函数。 　　Step3：决定下次采样时间。 　　①如果，则下次采样时间为； 　　②如果，则下次采样时间为。 　　Step4：节点在时刻由休眠状态转入工作状态，进行数据采样。 　　（2）误差处理。对采样值与预测值进行比较，根据比较结果选择相应的操作步骤。步骤如下（其中表示S的索引，，表示的索引，，、初始值均为1）： 　　Step1：计算得到时刻的值。 　　①，则，转Step1； 　　②，则，转Step3； 　　③，则，保存此时的、为、，且将节点的采样周期置为标准周期，转Step2； 　　④如果，则转Step3； 　　⑤如果，则，转Step2； 　　⑥如果，则，将数值对保存为S2中的第1个数据成员，，节点的采样周期置为标准周期，转Step1； 　　⑦如果，则转Step4； 　　Step2：将采样值发送给簇头节点，采样节点将数值对保存为的第个成员。转Step4。 　　Step3：采样节点不发送数据，采样节点将数值对保存为S的第个成员。转Step4。 　　Step4：判断是否进行回归