CN101511099A - 基于时间序列预测模型的无线传感器网络数据采集方法 - Google Patents

Abstract

基于时间序列预测模型的无线传感器网络数据采集方法，利用时间序列预测模型来完成对传感器节点的动态调度，优化采样频率，解决无线传感器网络能耗最小化的需求问题。与目前已研究出来的数据采集相关算法不同，本方法主要采用分布式时间序列分析方法。通过使用本发明提出的方法可以在一定程度上针对感知数据本身的特性，提高传感器网络整体的数据处理性能，该方法是一种基于感知数据概率模型的传感器网络的数据采样方法。采用层次化分簇结构，各传感器节点上实现P阶自回归模型，通过与簇首之间的通信交互来确定自己的采样和通信时机，达到最小化采样频率和通信量的目的。

Description

基于时间序列预测模型的无线传感器网络数据采集方法

技术领域

本发明是一种用于无线传感器网络数据管理领域，基于分簇结构网络通信模型与概率预测机制的数据处理技术，实现对传感器节点的动态调度，优化采样频率，降低网络能耗。本技术属于网络信息分布式计算应用领域。

背景技术

随着通信技术、嵌入式计算技术和传感器技术的飞速发展和日益成熟，具有感知能力、计算能力和通信能力的微型传感器开始在世界范围内出现。由这些微型传感器构成的无线传感器网络引起了人们的极大关注。对某些特定区域或目标进行监测是无线传感器网络的主要用途。传感器网络综合了传感器技术、嵌入式计算技术、分布式信息处理技术和通信技术，能够协作地实时监测、感知和采集网络分布区域内的各种环境或监测对象的信息，并对这些信息进行处理，获得详尽而准确的信息，传送到需要这些信息的用户。在网络工作过程中节省能源，最大化网络的生命周期，是无线传感器网络需要解决的重要问题。为了节省能源，需要研究如何尽量减少传感器节点间的通信量，如何减少传感器节点的监听时间，以及如何在满足***监测精度的前提下最小化采样次数。

在许多实际应用中，被监测区域要布置多个相同类型的传感器节点。它们通过合作的方式来完成同一监测任务。传感器节点观测值按固定的时间间隔采样，并通过多跳方式把数据传送给用户。传感器网络由于节点的密集分布，各节点采集的数据值之间存在一定的空时相关性，在正常工作状态下，对各传感器节点而言，按时间顺序排列的一系列采集的数据构成一个时间序列。

时间序列预测模型是一种先进的统计方法，该模型是利用时间序列中的相关信息建立起来的，是序列动态性和发展变化规律的描述。通过在无线传感器网络节点上建立时间序列预测模型可以实现对所采样时间序列数据的未来取值进行预测，进而优化传感器节点的采样频率，减少传感器节点的能量消耗。在满足用户的精度要求的前提下，动态调整节点采样的周期，并减少数据的传输数量，从而减少传感器节点的能量消耗。

发明内容

技术问题：本发明的目的是提供一种基于时间序列预测模型的无线传感器网络数据采集方法，利用时间序列预测模型来完成对传感器节点的动态调度，优化采样频率，解决无线传感器网络能耗最小化的需求问题。与目前已研究出来的数据采集相关算法不同，本方法主要采用分布式时间序列分析方法。通过使用本发明提出的方法可以在一定程度上针对感知数据本身的特性，提高传感器网络整体的数据处理性能。

技术方案：本发明的方法是一种基于感知数据概率模型的传感器网络的数据采样方法。采用层次化分簇结构，各传感器节点上实现P阶自回归模型，通过与簇首之间的通信交互来确定自己的采样和通信时机，达到最小化采样频率和通信量的目的。

本发明的基于时间序列预测模型的无线传感器网络数据采集方法利用时间序列预测模型来完成对传感器节点的动态调度，优化采样频率，解决无线传感器网络能耗最小化的需求问题，具体如下：

步骤1).传感器网络中各节点随机选择[0，1]之间的随机数，若该数小于估计阈值，则该节点成为簇首，

步骤2).成为簇首的节点向周围广播信息，其他节点根据接收到的广播信息的强度来选择它所要加入的簇，并告知相应的簇首，

步骤3).节点持续采集检测数据，并连同节点剩余能量的相关信息传送到簇首，

步骤4).簇首计算采样周期内计算获得的采样值的均值，并根据簇内成员节点的剩余能量确定其相应的分配采样个数与开始采样的时间，

步骤5).簇首节点将上述步骤结果通知簇内部成员节点，各成员节点根据簇头的调度计划，对最初的P阶个采样数据进行零均值处理后，将采样值的和返回给簇首节点，

步骤6).簇首节点根据簇内成员节点返回的结果，采用P阶自回归模型AR(P)实现对未来采样数据的估计，并将估计值通知给成员节点，

步骤7).簇内成员节点初始采样周期，每隔采样周期时间，节点被唤醒，

步骤8).若当前时间仍处于采样时间期间，且实际采样值与预测值间的精度小于误差范围，则增加采样周期；若实际采样值与预测值间的精度小于误差范围，则缩短采样周期，并返回采样数据；否则，传感器节点处于休眠状态。

有益效果：本发明方法提出了采用分簇结构，利用概率预测方法实现无线传感器网络数据采集的频率控制。通过传感器所感知数据的时间序列分析来来完成对传感器节点的动态调度，优化采样频率，解决无线传感器网络能耗最小化的需求问题。

与目前业界已有的采样调度算法不同，本方法主要采用分布式时间序列分析方法。通过使用本发明提出的方法可以在一定程度上针对感知数据本身的特性，提高传感器网络整体的数据处理性能。

附图说明

图1是无线传感器网络层次化分簇结构示意图。图中包括：汇聚节点Sink，簇首节点以及簇内成员节点。

图2是算法2.1的流程示意图。表示本发明传感器节点AR(p)模型建立算法的流程示意。

图3是算法2.2的流程示意图。表示本发明传感器节点采样调度算法的流程示意。

具体实施方式

一、体系结构

结合无线传感器网络数据的分布式特点，本发明提出的基于时间序列预测分析的网内数据收集方法，其网络通信模型采用层次化分簇结构，如图1所示。在分层结构中，无线传感器网络被划分成多个簇，每个簇由一个簇首和多个成员节点构成。簇首节点不仅负责所管辖内信息的收集和融合处理，还负责簇之间数据的转发。

由于传感器节点的资源有限，因此采用P阶自回归模型AR(p)来表示传感器节点的采样数据。如下给出AR(p)模型的形式定义：

x_t＝φ₁x_t-1+φ₂x_t-2+…+φ_px_t-p+ε_t(t≥P)，ε_t～NID(0，δ_t ²)       (1)

其中，x_t是在时刻t采集得到的数据，φ是回归系数，ε_t是白噪声序列且和前一时刻序列x_k(k<t)不相关，服从标准正态分布。p阶模型用前p个采样数据的一个线性组合加上一个随机白噪声来预测时刻t的数据。

二、方法流程

无线传感器网络的数据收集以轮为单位，各传感器节点获得感知区域数据信息，完成簇头选择的聚类过程。每个传感器节点通过与所属簇的簇首之间的通信交互，根据感知数据的概率模型来确定自己的采样和通信时机，最小化采样频率和通信量。

主要工作流程如图2所示：

(1)簇首形成：随机选择节点为簇首，成为簇首的节点向周围广播信息，其他节点根据接受到广播信息的强度来选择它所要加入的簇，并告知相应的簇首。在此阶段内不发送实际传感的数据。

传感器节点从0到1之间中任意选择一个随机数来决定是否成为簇头，若当前轮中这个数值小于设定的阀值T(n)，则该节点成为簇头节点，T(n)的计算如下：

其中，P为期望的簇头节点在所有传感节点中的百分比，对于不同的网络，P的最佳取值也不同。r是当前轮数，G是在最近的1/P轮中未成为簇首节点的节点集。

(2)传感器网内数据建模：每个簇对所监测目标的采样数据建立P阶自回归模型AR(p)，传感器节点AR(p)模型建立算法2.1，流程如图3所示，具体说明如下：

算法2.1传感器节点AR(p)模型建立算法

步骤1：簇首节点计算在时间段T_m内采样值的均值 ${\mathrm{\&mu;}}_t=\left(\underset{t-T_m<j<t}{\mathrm{\&Sigma;}}\right)/\left|x_j\right|t-T_m<j<t|;$

步骤2：簇首节点根据节点i的剩余能量E_i确定分配给节点i采样的个数 $N_i=\mathrm{Max}(N*E_i)\underset{j=1}{\overset{M}{\mathrm{\&Sigma;}}}{E}_j;P+1),$ 其中M表示一个簇内部参加计算的节点数目，N表示采样总数，P表示AR(P)模型的阶数。

步骤3：簇首节点计算每个节点开始采样的时间 $L_i=\left(\underset{j=1}{\overset{i-1}{\mathrm{\&Sigma;}}}{N}_j\right)-P+1;1<i\&le;m;L_1=1;$

步骤4：簇首节点将上述步骤结果通知簇内部成员节点，各成员节点根据簇首节点的调度计划，对最初的P个采样数据进行零均值处理后，将采样值的和返回给簇首节点。

步骤5：簇首节点根据簇内成员节点返回的结果，执行下列计算：

基于分簇的数据收集结构，设定簇内的节点采样序列值X＝(x₁，x₂，…x_m)^T，Y＝(x_p-1，x_p-2，…x_m)^T通过最小二乘估计，求出φ₁，φ₂，…φ_p。

设

  $A={\left[\begin{array}{ccc}{x}_p& x_{p+1}& \&CenterDot;\&CenterDot;\&CenterDot;x_{N-1}\\ \&CenterDot;& \&CenterDot;& \&CenterDot;\\ \&CenterDot;& \&CenterDot;& \&CenterDot;\\ \&CenterDot;& \&CenterDot;& \&CenterDot;\\ x_1& x_2& \&CenterDot;\&CenterDot;\&CenterDot;x_{N-p}\end{array}\right]}^T$

公式(1)表示为Y＝Aφ+ε，系数矩阵

通过最小二乘法计算取得：θ＝(AA^T)^-1AY

步骤6：簇首节点将参数θ通知给成员节点，接收从成员节点返回的误差值s²和剩余能量E_i，计算AR(P)模型中白噪声序列 ${\mathrm{\&epsiv;}}_{\mathrm{\&alpha;}}^2=\left(\underset{i=1}{\overset{M}{\mathrm{\&Sigma;}}}{\mathrm{\&epsiv;}}_i^2\right)/M$

(3)传感器节点采样调度：利用上述AR(P)模型的预测功能，根据历史数据来预测将来的数据。同时，根据用户的精度要求，采用无线传感器网络采样调度算法2.2，动态调整采样时间间隔。若预测的值满足精度要求，则传感器节点处于休眠，不进行实际采样和数据传送。

算法2.2传感器节点采样调度算法

步骤1：传感器网络各节点初始采样周期T₁＝T，每隔采样周期时间，节点被唤醒，执行下列步骤；

步骤2：若当前时间仍处于采样时间期间，且实际采样值与预测值间的精度小于误差范围|X_t-x_t|<error_bound，则增加采样周期T₁＝T₁+T/2，若|X_t-x_t|>error_bound，则缩短采样周期T₁＝max(T₁，T₁-T/2)，并返回采样数据；否则，传感器节点处于休眠状态。

为了方便描述，我们假定有如下应用实例：

一、传感器网络节点聚合成簇

传感器网络节点聚合成簇规划流程如下：

1.布设M＝100个传感器节点处于某监测区域，根据区域规模初始化期望的簇首节点在所有节点中的百分比p＝10％，当前轮数r＝1，计算初始阀值T(n)。

2.每个传感器节点随机选择[0，1]之间的随机数，若该数小于T(n)，则该节点成为簇首，且把T(n)设置为0。

3.节点当选为簇首后，发布通告消息告知其他节点，非簇首节点根据自己与簇首之间的距离来选择加入哪个簇，并告知该簇首。

4.当簇首接收到所有的加入信息后，就产生一个TDMA定时消息，并且通知该簇中的所有节点。

5.簇首决定本簇中所有节点所用的CDMA编码，该编码连同TDMA定时一起发送。当簇内成员节点收到这个消息后，就会在各自的时间槽内发送数据(包括采样数据及剩余能量值)。

二、传感器节点建立时间序列分析模型

1.簇首时间计算在时间段T_m＝1秒内计算获得的采样值的均值，并根据簇内成员节点的剩余能量确定其相应的分配采样个数与开始采样的时间。

2.簇首节点将上述步骤结果通知簇内部成员节点，各成员节点根据簇头的调度计划，对最初的P＝5个采样数据进行零均值处理后，将采样值的和返回给簇首节点。

3.簇首节点根据簇内成员节点返回的结果，采用AR(P)序列模型实现对未来采样数据的估计，并将估计值通知给成员节点。

三、传感器节点采样调度

1.簇内成员节点初始采样周期T₁＝T＝1秒，每隔采样周期时间，节点被唤醒。

2.若当前时间仍处于采样时间期间，且实际采样值与预测值间的精度小于误差范围(error_bound＝0.001)，则增加采样周期T₁＝T₁+T/2；若实际采样值与预测值间的精度小于误差范围，则缩短采样周期T₁＝max(T₁，T₁-T/2)，并返回采样数据；否则，传感器节点处于休眠状态。

Claims (1)

1.一种基于时间序列预测模型的无线传感器网络数据采集方法，其特征在于利用时间序列预测模型来完成对传感器节点的动态调度，优化采样频率，解决无线传感器网络能耗最小化的需求问题，具体如下：

步骤1).传感器网络中各节点随机选择[0，1]之间的随机数，若该数小于估计阀值，则该节点成为簇首，

步骤2).成为簇首的节点向周围广播信息，其他节点根据接收到的广播信息的强度来选择它所要加入的簇，并告知相应的簇首，

步骤3).节点持续采集检测数据，并连同节点剩余能量的相关信息传送到簇首，

步骤4).簇首计算在采样周期内计算获得的采样值的均值，并根据簇内成员节点的剩余能量确定其相应的分配采样个数与开始采样的时间，

步骤5).簇首节点将上述步骤结果通知簇内部成员节点，各成员节点根据簇头的调度计划，对最初的P阶个采样数据进行零均值处理后，将采样值的和返回给簇首节点，

步骤6).簇首节点根据簇内成员节点返回的结果，采用P阶自回归模型AR(P)实现对未来采样数据的估计，并将估计值通知给成员节点，

步骤7).簇内成员节点初始采样周期，每隔采样周期时间，节点被唤醒，

步骤8).若当前时间仍处于采样时间期间，且实际采样值与预测值间的精度小于误差范围，则增加采样周期；若实际采样值与预测值间的精度小于误差范围，则缩短采样周期，并返回采样数据；否则，传感器节点处于休眠状态。

Images