CN105491615A

CN105491615A - 基于时间序列的传感器自适应采样方法

Info

Publication number: CN105491615A
Application number: CN201510801372.9A
Authority: CN
Inventors: 杨明霞
Original assignee: Individual
Current assignee: Individual
Priority date: 2015-11-19
Filing date: 2015-11-19
Publication date: 2016-04-13

Abstract

本申请公开了一种基于时间序列的传感器自适应采样方法，包括：调整传感器的采样率；传感器进行采样的同时对事件进行检测，并将检测结果反馈给传感器节点；传感器节点根据反馈结果进一步调整采样率。本申请与现有技术相比，能够在保持错误丢失率的基础上降低采样率。

Description

基于时间序列的传感器自适应采样方法

技术领域

本申请属于无线传感器网络领域，具体地说，涉及基于时间序列的传感器自适应采样方法。

背景技术

无线传感器网络(WirelessSensorNetworks，WSNs)的关键问题之一在于能源，传感器能耗主要由：采样、计算、传输三个部分组成，通常认为传输的能耗最关键，节点间通信所耗能量远远大于节点上工作的能量，因此大量研究集中如何在节点上尽量处理好数据，以减少发送的次数和数据量；但随着研究和应用的深入和普及，发现在很多实际应用中面临的问题并非如此，往往节点上采集和计算所耗费的能量也不少。因此，节点上的相关设计对于延长网络的生命周期也同样重要。

此外，对能源受限的传感器能源管理策略进行综述，将节能的策略分为三类：层次感知，自适应采样和基于模型的感知。而基于累积和的改变检测技术提出了自适应采样的算法，动态估计信号当前最大频率并在当前最大频率超过阈值时提示改变，并引发更新采样率。该算法采用的是集中式处理方式，即更新算法在基站执行，计算出的采样率结果发送给每个节点。所以该方法的可扩展性不太好，计算量比较大，通信负载大。另一种方法是统计协议。每个节点适应数据流的特征，自动决定采样率，在给定范围内使用卡尔曼滤波来估计错误。当出现问题时，从基站申请新的采样率。基站考虑现有的能源确定新的采样率，例如所有活动节点上使用卡尔曼滤波来估计错误最小化，但计算较为复杂，上述算法的错误丢失率和采样率均较高。

发明内容

有鉴于此，本申请所要解决的技术问题是提供了基于时间序列的传感器自适应采样方法，以降低错误丢失率和采样率。

为了解决上述技术问题，本申请公开了一种基于时间序列的传感器自适应采样方法，包括：调整传感器的采样率；

传感器进行采样的同时对事件进行检测，并将检测结果反馈给传感器节点；传感器节点根据反馈结果进一步调整采样率。

所述调整传感器的采样率的步骤包括：预测误差，及基于所述预测误差计算采样步长；基于计算之后的所述采样步长进行自适应调整采样间隔预测。

所述预测误差为预测值和真实值之间的差。

所述采样步长为两次采样点之间的时间间隔，用于时间序列预测，以产生下一个采样点的预测值。

所述的基于时间序列的传感器自适应采样方法，参考TCP拥塞控制的方式调整的采样步长。

所述的基于时间序列的传感器自适应采样方法，计算采样步长的公式为：k的初始值设为1，当k<S_max/2时，k＝2*k；当k＝S_max/2时，k＝k+1；当预测误差值超出范围时，k＝k/2；其中K为采样步长，每个采样点通过比较实际采样值和预测值，得到所述预测误差值。

所述的基于时间序列的传感器自适应采样方法，采用指数加权平均方法进行事件检测。

与现有技术相比，本申请可以获得包括以下技术效果：

1)在传感器网络中，由于节点对同一事件采集的数据间存在一定时空相关性。本申请通过有效利用数据相关性，动态调整采样间隔，能够减少不必要的采样，从而相应地减少采样、计算、传输所耗费的能源，延长网络寿命。

2)采用二次指数平滑法进行预测，参考TCP拥塞控制思想，快速调整采样间隔。实验证明，与现有技术相比，本申请能在保持错误丢失率的基础上降低采样率。

当然，实施本申请的任一产品必不一定需要同时达到以上所述的所有技术效果。

附图说明

此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：

图1是本申请实施例的基于时间序列的自适应采样方法流程图；

图2是本申请实施例在不同最大步长下的采样率比较结果图；

图3是本申请实施例在不同最大步长下获取的事件数对比结果图；

图4是本申请实施例在不同最大容错率的采样率比较结果图；

图5是本申请实施例在不同容错阈值下获取的事件数对比结果图。

具体实施方式

以下将配合附图及实施例来详细说明本申请的实施方式，藉此对本申请如何应用技术手段来解决技术问题并达成技术功效的实现过程能充分理解并据以实施。

在传感器网络中，节点对同一事件采集的数据间存在一定时空相关性，若能利用这些相关性，分析数据的特性，则可以避免不必要的采样。在时间相关性方面，可以结合节点的历史读数记录，遵照评价指标来对采样进行反馈控制。简而言之，节点对比上一时刻数据，若数据没有发生改变，则节点可以延长下一个采样时间。而在另外一些方案中，***默认在一个相对较短的时间范围内，传感器节点所采集到的数据之间的浮动是不大的。依据一段时间的平均值来划定一个置信区间，以此来判断传感器读数是否处于正常范围，并进一步判断是否需要调整采样频率来适应变化。这些方案在相对稳定的环境中非常有效，在其采样协议中，各个节点根据读数的变化和对下一组观测数据的预测来自行调节采样频率。

为监测公路一氧化碳浓度安放传感器，延长生命周期，本申请基于双指数平滑法进行预测，提出了一种自适应调整采样间隔的算法方案。本申请的技术方在考虑单个节点上，基于时间序列相关性调整采样率，目标是减少采样次数的同时不丢失重要信息，并提高数据特征提取的精确性。主要采用双指数平滑法的改进方法进行预测，采用指数加权平均方法(exponentiallyweightedmovingaverages，EWMA)进行事件检测。

如图1所示，本申请基于时间序列的自适应采样方法包括如下步骤：

步骤S100，调整传感器的采样率；

步骤S200，根据调整后的采样率对传感器中的事件进行检测，并将检测结果反馈给传感器节点；传感器节点根据反馈结果进一步调整采样率。

在本实施例中，步骤S100包括步骤S101和步骤S102：

步骤S101，预测误差，及基于所述预测误差计算采样步长。在本实施例中是基于预测误差计算采样步长，预测误差是指预测值和真实值之间的差。步长k是两次采样点之间的时间间隔，用于时间序列预测，以产生下一个采样点的预测值；

步骤S102，基于计算之后的采样步长进行自适应调整采样间隔预测(EDSAS)；在本实施例中，当检测到异常时，可能有重要的事件发生，或是遇到了错误，需要及时减小采样率。

具体而言：

步骤S101及步骤102中，每个采样点通过比较实际采样值和预测值，得到一个预测误差值δ，基于δ计算下一个采样间隔k，得到下一个采样点。当误差δ在允许的范围内时，可以加大k的值，但不能超过k的最大值(记为S_max，由实际应用程序的需求决定)。现有技术中，采用的是简单的加1来改变k的值，k的值在任何情况下都线性加一；然而，在数据平稳的情况下，可以快速加大采样间隔。本实施例是基于TCP拥塞控制的方式计算采样步长：k的初始值设为1，在k<S_max/2的范围内，采用指数增长的方式，k＝2*k，k成倍增长；当k＝S_max/2时，减缓k的增长速度，改用k＝k+1的线性增长方式。当δ超出范围时，k不直接减为1，而是先减半，即k＝k/2。

步骤S200中主要的任务是探测事件。当k到达最大值，并以最大值持续采样时，需要监测采样过程中是否有异常发生。异常意味着发生了事件，或者是传感器错误，如果发现异常，则需要降低k的值。本实施例中对异常检测的方法是采用指数加权平均(EWMA)方法。EWMA方法具有两个平滑参数：

α_long,α_short，其中α_long用于计算长期平滑值L_long，α_short用于计算短期平滑值L_short，而θ＝L_short/L_long，当θ超过了一定阈值时，就代表有事件发生，此时相应降低k的值。

以下将通过实验详细说明本申请的有益效果。本实验在matlab中实现，数据集为一个24小时的室内自来水水温数据。由于水温变化不大，数据较为平稳，算法中用到的各参数列表如下：

表1算法参数列表

参数	值
		α	0.9
β	0.6
		α_long	0.01
α_short	0.9
		δ	0.07
S_max	8
		q	1

采样率调整的目标在于避免不必要的采样，从而节省能源。但由于拉长了采样间隔，更容易漏掉一些重要的变化和信息，因此衡量算法性能的最基本指标为采样率和事件丢失率，此处主要针对这两个指标做算法的具体比较和分析。

(1)采样率：定义了用算法取得的数据样本点个数与实际数据集中样本点个数之比。这代表了采样算法节省的能耗。

(2)事件丢失率(missratio,MR)：在给定的相对阈值下，漏检测的事件比例，即数据库中实际事件数与算法检测到的事件数之差的比。如果在某个时间点，事件发生了，但该点没有被采样到，则认为是一个事件丢失。用n_f代表事件丢失数目，n表示整个采样点数目，则事件丢失率(MR)由如下公式计算：

MR＝n_f/n

采样性能分析的计算中，参数的设置是非常重要的。容错率的范围为0.01至0.11，最大步长的范围设为1s至20s。容错率的选择的依据为应用场景中的实际情况，例如，室内水温的变化多大时是异常，此处设置为0.01至0.11。

取数据集中的9000个数据点运行程序，相对阈值δ＝0.07，S_max＝8时，对不同数据段进行实验，所得部分结果如表1所示。n2代表实际的事件个数，n1代表判断出的事件数，t为采样数。

表2基本数据结果

为减少随机性，分别取不同的数据段做实验，在获取事件数方面，EDSAS与基于TCP的方法能够获取的事件数相差不大；而在采样数方面，基于TCP的方法的采样数均明显低于EDSAS方法，因此，基于TCP的方法在保持识别事件的基础上，进一步降低了采样率。

接下来衡量两种自适应采样方法的参数问题，即最大步长和容错率对于采样率和错误丢失率的影响程度。首先，在相对阈值δ＝0.07时，对不同的S_max做实验，结果如图2所示。图2是在不同最大步长下的采样率比较结果，由图2可见，当最大步长增加时，采样率下降；在不同的S_max下，基于TCP的方法的采样率均低于EDSAS。

由于两种方法实际采样的次数不一样，因此评价MissRatio不具有可比性，因而直接比较两种方法实际获取的事件数，结果如图3所示。图3是在不同最大步长下获取的事件数对比结果，由图3可见，基于TCP的方法获取的事件数与EDSAS方法基本一致，没有丢失重要的事件。接下来，衡量不同阈值对于采样率和事件丢失率的影响。取S_max＝8的情况，基于不同的相对阈值得到的结果如图4-图5所示。图4是不同最大容错率的采样率比较结果，图5是不同容错阈值下获取的事件数对比结果。

当容错率增加时，采样率快速下降，在容错率从0.05增至0.07时，EDSAS方法的采样率从18％降至17％，而基于TCP的采样方法，采样率则从18％降至13％，性能优于EDSAS；在获取事件数方面，两种方法的性能仍基本一致。可见，容错率对于算法的影响比较大。针对不同的具体应用场景，需要通过实验来设置合理的参数。考虑数据精度与能量损耗两个因素，从图中可以发现适合的参数值。

本申请的参数设置依赖于具体的应用需求，针对场景选择合适的参数，能够很好地动态调整采样间隔并尽可能地获取重要信息。当预测误差低于阈值时，步长k增大，可以让传感器节点避免对不需要的数据点进行采样。另一方面，如果预测误差超过了阈值，或者是检测到了事件，将降低k的值，在较小的采样间隔上采样，避免丢失重要的信息。本申请参考TCP拥塞控制的思想，使得k的调整能够快速响应变化，实验结果表明，本申请进一步提高了采样率调整的有效性，能在保持错误丢失率的基础上降低采样率。且计算简单，在资源受限的节点上易于实现。

还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的商品或者***不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种商品或者***所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的商品或者***中还存在另外的相同要素。

上述说明示出并描述了本发明的若干优选实施例，但如前所述，应当理解本发明并非局限于本文所披露的形式，不应看作是对其他实施例的排除，而可用于各种其他组合、修改和环境，并能够在本文所述发明构想范围内，通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围，则都应在本发明所附权利要求的保护范围内。

Claims

1.一种基于时间序列的传感器自适应采样方法，其特征在于，包括：

调整传感器的采样率；

传感器进行采样的同时对事件进行检测，并将检测结果反馈给传感器节点；

传感器节点根据反馈结果进一步调整采样率。

2.如权利要求1所述的基于时间序列的传感器自适应采样方法，其特征在于，所述调整传感器的采样率的步骤包括：

预测误差，及基于所述预测误差计算采样步长；

基于计算之后的所述采样步长进行自适应调整采样间隔预测。

3.如权利要求2所述的基于时间序列的传感器自适应采样方法，其特征在于，所述预测误差为预测值和真实值之间的差。

4.如权利要求3所述的基于时间序列的传感器自适应采样方法，其特征在于，所述采样步长为两次采样点之间的时间间隔，用于时间序列预测，以产生下一个采样点的预测值。

5.如权利要求4所述的基于时间序列的传感器自适应采样方法，其特征在于，参考TCP拥塞控制的方式调整的采样步长。

6.如权利要求5所述的基于时间序列的传感器自适应采样方法，其特征在于，计算采样步长的公式为：

k的初始值设为1，当k<S_max/2时，k＝2*k；当k＝S_max/2时，k＝k+1；当预测误差值超出范围时，k＝k/2；

其中K为采样步长，每个采样点通过比较实际采样值和预测值，得到所述预测误差值。

7.如权利要求6所述的基于时间序列的传感器自适应采样方法，其特征在于，采用指数加权平均方法进行事件检测。