无线传感器网络中基于预测的时域数据融合技术

计算机工程与应用 ›› 2007, Vol. 43 ›› Issue (21): 121-125.

无线传感器网络中基于预测的时域数据融合技术

回春立^1,2，崔莉¹

1.中国科学院计算技术研究所，北京 100080
2.中国科学院研究生院，北京 100080

收稿日期:1900-01-01 修回日期:1900-01-01 出版日期:2007-07-21 发布日期:2007-07-21
通讯作者: 回春立

Forecast-based temporal data aggregation in wireless sensor networks

HUI Chun-li^1,2，CUI Li¹

1.Institute of Computing Technology，Chinese Academy of Sciences，Beijing 100080，China
2.Graduate University of the Chinese Academy of Sciences，Beijing 100080，China

Received:1900-01-01 Revised:1900-01-01 Online:2007-07-21 Published:2007-07-21
Contact: HUI Chun-li

摘要/Abstract

摘要：

数据融合是无线传感器网络中重要的研究领域之一。在无线传感器网络中，数据融合的作用主要体现在节省能量、提高数据收集效率、增强数据准确性以及获取综合性信息等几个方面。时间序列分析是一种根据动态数据揭示系统动态结构以及规律的统计方法。基于监测数据的时间序列模型以及时间序列预测，提出适用于无线传感器网络的基于预测的时域数据融合方法，以部署于故宫博物院的环境监测网络采集的温度数据作为样本，通过仿真对该方法进行有效性验证以及性能分析。结果表明，一阶自回归预测算法与其它预测算法相比，具有更好的适用性，当误差阈值为0.05 ℃-0.50 ℃时，预测成功率为21%-83%;当误差阈值为0.05 ℃时，节能收益达到68%。

关键词: 无线传感器网络, 预测, 数据融合, 能量

Abstract: Data aggregation is an important research area in Wireless Sensor Networks（WSN）.In WSN，using data aggregation technique can bring the following benefits：saving energy，improving data gathering efficiency，enhancing data accuracy，getting integrated information and so on.Time series analysis is a statistical method which is used to reveal dynamic architecture and changing rule of certain system according to dynamic data.In this paper，a forecast-based temporal data aggregation technique is proposed based on time series model and time series forecast method.The effect and performance of the method is verified and evaluated by simulation using the temperature data collected by an environment monitoring network deployed in Forbidden City.The results show that autoregressive （AR） algorithm is more effective than others for WSN.When error threshold is 0.05 ℃ to 0.50 ℃，forecast success ratio is 21% to 83%.When error threshold is 0.05 ℃，energy saving is up to 68%.

Key words: wireless sensor networks, forecast, data aggregation, energy

回春立^1,2，崔莉¹. 无线传感器网络中基于预测的时域数据融合技术[J]. 计算机工程与应用, 2007, 43(21): 121-125.

HUI Chun-li^1,2，CUI Li¹. Forecast-based temporal data aggregation in wireless sensor networks [J]. Computer Engineering and Applications, 2007, 43(21): 121-125.

[1]	黄冬宜，杨兵，吴子豪，匡佳一，颜泽明. 用于全市蜂窝流量预测的时空全连接卷积网络[J]. 计算机工程与应用, 2021, 57(9): 168-175.
[2]	杨力，吴义，魏德宾，潘成胜. 基于时空相关性的卫星网络流量预测[J]. 计算机工程与应用, 2021, 57(7): 101-106.
[3]	常昊，陈晓雷，张爱华，李策，林冬梅. 嵌入改进SENet的卷积神经网络连续血压预测[J]. 计算机工程与应用, 2021, 57(7): 130-135.
[4]	李莉，纪欣沅，宋嵩. 回环软件缺陷数量预测模型[J]. 计算机工程与应用, 2021, 57(7): 158-163.
[5]	刘紫燕，袁磊，朱明成，马珊珊，陈霖周廷. 融合SPP和改进FPN的YOLOv3交通标志检测[J]. 计算机工程与应用, 2021, 57(7): 164-170.
[6]	张睿，吴伯雄，张丽园，张博. 复杂场景下行人轨迹预测方法[J]. 计算机工程与应用, 2021, 57(6): 138-143.
[7]	李中道，刘元盛，常飞翔，张军，路铭. 室内环境下UWB与LiDAR融合定位算法研究[J]. 计算机工程与应用, 2021, 57(6): 260-266.
[8]	杨丰玉，黄雅璇，周世健，郑巍. 结合多元度量指标软件缺陷预测研究进展[J]. 计算机工程与应用, 2021, 57(5): 10-24.
[9]	张倩玉，严冬梅，韩佳彤. 结合深度学习和分解算法的股票价格预测研究[J]. 计算机工程与应用, 2021, 57(5): 56-64.
[10]	李硕，梁毅. 面向Spark的批处理应用执行时间预测模型[J]. 计算机工程与应用, 2021, 57(5): 79-87.
[11]	倪宗军，陈辉，张昀，苏敏，郑秀娟. 自适应去噪的非接触式生理参数检测方法[J]. 计算机工程与应用, 2021, 57(5): 153-160.
[12]	赵红蕊，薛雷. 基于LSTM-CNN-CBAM模型的股票预测研究[J]. 计算机工程与应用, 2021, 57(3): 203-207.
[13]	徐先峰，蔡路路，张丽. 融合MLP和DBN的光伏发电预测算法[J]. 计算机工程与应用, 2021, 57(3): 266-272.
[14]	郑建锋，王应明. 基于DEA-BP神经网络的效率置信区间预测模型研究[J]. 计算机工程与应用, 2021, 57(3): 273-278.
[15]	安卫超，阎婷，张楠，张杉，相洁，曹锐，王彬. 病理图像纹理分析在胃癌MSI预测中的应用研究[J]. 计算机工程与应用, 2021, 57(24): 205-211.