CN110602723A

CN110602723A - 一种基于水下边缘设备的两级双向预测获取数据方法

Info

Publication number: CN110602723A
Application number: CN201910795830.0A
Authority: CN
Inventors: 王田; 赵丹; 蔡绍滨; 王盼; 卢煜成; 柯浩雄
Original assignee: Huaqiao University
Current assignee: Huaqiao University
Priority date: 2019-08-27
Filing date: 2019-08-27
Publication date: 2019-12-20
Anticipated expiration: 2039-08-27
Also published as: CN110602723B

Abstract

一种基于水下边缘设备的两级双向预测获取数据方法，通过将计算从集中式云层转移到分布式边缘层，构建底层‑边缘‑云三层数据收集模式。利用水下边缘设备的移动性和计算能力进行基于历史信息的分析预测数据，实现在保证数据传输准确的前提下有效减少声波通信，减少传感器能耗。考虑到异构设备的差异化能力，对边缘层与底层这两层节点采用不同的预测算法，将水下数据收集过程转化为两级双向数据预测过程的方法。该发明可以应用在水下传感器网络数据收集机制中。

Description

一种基于水下边缘设备的两级双向预测获取数据方法

技术领域

本发明涉及水下传感网络中的数据收集领域，特别是指一种基于水下边缘设备的两级双向预测获取数据方法。

背景技术

近年来，由于水下无线传感器网络在海洋能源勘测、环境指标检测、军事监视和海洋灾害事件监测等方面广泛应用，因此国内外受到广泛关注。水下勘测等应用的技术与时俱进，所检测的数据种类愈加繁复，如水下温度、盐度、含氧度、酸碱度、CO₂、P等等元素物质浓度，采集的数据值冗长且复杂。海洋底层传感器节点的电池更换或者充电代价较大，且水下声波传输速率低(一般≤ 100kbps)，随着距离的增加，逐渐削减至零。当传感器节点在单位时间内所收集到数据需交付至汇聚节点时，需经过多跳路由，耗费大量能耗，且可能会引起网络拥塞，造成延迟等问题，降低网络生命周期。因此如何在水下数据收集过程中及时将数据交付至云端，同时尽量使网络能量消耗最小化是一个亟待解决的问题。

在水下传感器网络中，传统数据采集方式包括采用多跳路由(Multi-Hop) 或者基于AUV协同多跳路由(AUV-aided Multi-Hop)。但现在许多研究人员提出了不同的数据采集方法，如监测感知收集数据、预测感知收集数据等。传统收集方法中成员节点将网关节点与最短路径相关联，并通过网关节点将数据包传递给AUV或者下一跳节点，该方法虽在一定程度上降低节点的能耗，但也容易造成热区问题。而基于事件覆盖检测的感官数据采集技术(SDA)，单个传感器节点很可能在设备或***上反映错误或异常，它考虑到这一点，设定只有当相邻的传感器节点集体检测到可能事件的发生时，才会将这些传感器节点的感知数据采集并路由到汇聚节点。该策略避免了可能不利于事件检测的感知数据不必要的路由，降低了能耗，增加了网络容量。但这种预测仅用于判断突发事件时，可以为网络节能，无法用于每个时间点的数据传输。基于线性预测方法数据收集技术(DBP)，特点集中体现在对新数据的处理。它的核心思想是利用一种简单的模型去捕获数据变化趋势，并以一种弹性规则去计算同时处理存在的干扰，需要在拥有传感器节点采集历史数据作为样本的前提下，使用者可以改变参数控制模型，比如选择使用短期或者长期历史数据来进行训练。但DBP的预测精确度是较低的，当数据呈在短期线性规律时，适合采用此算法，因此它具有局限性。

总的来说，上述这些技术普遍存在以下缺点。其一，普遍的预测模型一般应用于陆上无线传感器网络，预测算法与水下传感器网络相结合的研究人员较少，因此无法根据水下环境的特殊性以及采集对象的特性，分析出合适的模型，选取合适的预测算法。其二、针对水下节点的计算能力薄弱、存储能量小以及无法及时交付数据至云层的问题，目前仍没有比较好的解决办法。

发明内容

本发明的主要目的在于克服现有技术中的上述缺陷，提出一种基于水下边缘设备的两级双向预测获取数据方法，保证了预测值的准确性。

本发明采用如下技术方案：

一种基于水下边缘设备的两级双向预测获取数据方法，其特征在于，包括如下步骤：

1)底层的传感器节点对数据进行采集，并发送传输请求信号至AUV；

2)AUV与底层传感器节点之间建立第一级双向预测-指数平滑预测；AUV与底层传感器节点分别根据时间序列的数据有无季节性或趋势成分，对指数平滑的次数进行选择，并预测，预测结束后，底层传感器将得到的预测值与实际采集值进行比对，并将比对结果发送至AUV，AUV根据比对结果对不符合预期的预测值进行校正，更新正确的数据值，得到预测收集的数据；

3)AUV发送传输请求信号至边缘层，边缘层与AUV之间建立第二级双向预测-ARMA预测；边缘层与AUV分别使用卡尔曼滤波进行对参数估计，可得到预测值，AUV将其预测值与步骤2)中预测收集的数据进行比对，并将比对结果发送至边缘层，边缘层根据比对结果对不符合预期的预测值进行校正，更新正确的数据值，得到最终的预测收集的数据；

4)边缘层将步骤3)得到的最终的预测收集的数据传输至云层。

优选的，当底层传感器节点能量>σ，时间序列的观测值为无季节性或趋势成分时，采用一次指数平滑，一次指数平滑公式及模型为：

V_t ⁽¹⁾为第t周期的一次指数平滑值，α为加权系数，σ为剩余能量最小值， v₁,v₂,...,v_t为时间序列观测值，为第t周期的预测值，为第t+T周期的预测值。

优选的，当时间序列的数据变动呈现直线趋势时，采用二次指数平滑，其计算公式及模型分别如下：

V_t ⁽²⁾为第t周期的二次指数平滑值，T为由当前周期数t到预测期的周期数，为第t+T周期的预测值，a_t、b_t是未确定的模型组成部分。

优选的，若时间序列的数据变动呈现出曲线趋势，则需要用三次指数平滑法，其计算公式及三次指数平滑法的预测模型如下：

其中，V_t ⁽³⁾为第t周期的三次指数平滑值t为当前周期数，参数a_t、b_t、c_t是未确定的模型组成部分，可表示为：

a_t＝3V_t ⁽¹⁾-3V_t ⁽²⁾+V_t ⁽³⁾

优选的，所述第二级双向预测-ARMA预测采用AR模型、MA模型或ARMA模型。

优选的，步骤2)中，底层传感器将得到的预测值与实际采集值进行比对，并将比对结果发送至AUV，AUV根据比对结果对不符合预期的预测值进行校正，更新正确的数据值，得到预测收集的数据，具体是指：底层传感器计算实际采集值与预测值的误差，将该误差与预设的阈值进行比对，反馈一个值β至AUV，当β值为1时，该预测值符合预期，AUV中对应的预测值无需校正；若β＝0，则 AUV中对应的预测值需要校正，AUV移动到底层传感器节点，利用声波通信接收正确的采集值。

优选的，步骤3)中，若预测值不在预设的误差范围内，则AUV移动至边缘层的汇聚节点传输正确的数据值。

由上述对本发明的描述可知，与现有技术相比，本发明具有如下有益效果：

1、采样本发明的方法，在底层传感器节点能量有限的情况下，能够延长其生存周期。

2、本发明的方法引入了边缘计算，响应及时，并且充分利用边缘层的计算能力，减轻了带宽压力以及云层计算压力。

3、本发明的方法采样两级双向的结构，既保证了数据传输的准确性，又减小了声波通信带来的巨大能耗。

附图说明

图1为本发明水下数据两级预测收集原理图；

图2为本发明基于边缘计算水下数据收集结构图；

图3为2016年第一级预测值与实际值拟合效果图；

图4为2017年第一级预测值与实际值拟合效果图；

图5为2018年第一级预测值与实际值拟合效果图；

图6为两级预测值与收集值拟合效果图(未经过移动节点校正)；

图7为两级预测值与收集值拟合效果图(误差被及时校正)；

以下结合附图和具体实施例对本发明作进一步详述。

具体实施方式

以下通过具体实施方式对本发明作进一步的描述。

边缘计算在减轻云计算负担方面发挥着重要作用，因此一些计算任务可以从集中式云转移到边缘端。构建底层-边缘-云的数据采集结构，为了满足水下不同节点的计算能力，利用边缘层的移动节点构建两级预测算法，即基于历史信息利用水下机器人AUV对未来数据进行预测，以减少水声通信和巨大的能源消耗。同时采用双向预测方法，通过每一次预测由传输方和收集方同时进行并且传输方节点包含采集值和预测值，保证了预测值的准确性。

参见图1水下两级双向预测数据结构图，其左边图示为水下数据传输的简略图，包含AUV、普通传感器节点以及汇聚节点，展示了两级的结构，即：底层－移动节点AUV和移动节点AUV－水面汇聚节点；数据的预测传输如右边图示，在传输方与收集方之间进行，利用历史数据进行，如果预测出现较大误差，提示错误，AUV移动至节点处接收正确值。、

参见图2，其为基于边缘计算水下数据收集结构图(图示包含底层，边缘层以及云层的结构，底层的数据经过边缘层传输到云层；边缘层距离底层更近，通过AUV进行移动收集传感器数据)。

一种基于水下边缘设备的两级双向预测获取数据方法，包括：

1)底层的传感器节点对数据进行采集，并发送传输请求信号至AUV，二者建立连接通信。该步骤的初始条件:充满电的AUV、传感器节点初始位置、误差控制范围thd、剩余能量最小值σ；当AUV电量低于σ时，AUV会移动至太阳能充电板充电。

2)AUV与底层传感器节点之间建立第一级双向预测-指数平滑预测，即AUV 和底层传感器节点均采用相同的第一级双向预测-指数平滑预测。AUV与底层传感器节点分别根据时间序列的数据有无季节性或趋势成分，对指数平滑的次数进行选择，并执行预测。预测结束后，底层传感器将得到的预测值与实际采集值进行比对，并将比对结果发生至AUV，AUV根据比对结果，对不符合预期的预测值进行校正，更新正确的数据值。则在AUV中，正确的预测值和更新后数据值构成 AUV预测收集的数据。

具体的，建立第一级双向预测-指数平滑预测模型方程。如图1所示，下半部分为第一级双向预测的过程示意图，左半部分为AUV的运动轨迹，右半部分为进行的预测过程。

3)AUV发送传输请求信号至边缘层，边缘层与AUV之间建立第二级双向预测-ARMA预测；边缘层与AUV分别使用卡尔曼滤波进行对参数估计，可得到预测值，AUV将其预测值与步骤2)中预测收集的数据进行比对，并将比对结果发送至边缘层，边缘层根据比对结果对不符合预期的预测值进行校正，更新正确的数据值，则正确的预测值和更新后数据值构成边缘层得到的最终的预测收集的数据。

4)边缘层将步骤3)得到的最终的预测收集的数据传输至云层。

在步骤1)中，当底层传感器节点能量>σ，时间序列观测值为v₁,v₂,...,v_t无季节性或趋势成分时，采用一次指数平滑，修正创建平滑方程由于滞后而产生的遗漏。当节点n_j时间序列没有明显的趋势变动时，使用第t周期一次指数平滑即可预测第t+1周期的观测值。设该时间序列观测值为v₁,v₂,...,v_t，则一次指数平滑公式及模型为，

V_t ⁽¹⁾为第t周期的一次指数平滑值，α(0<α<1)为加权系数，σ为剩余能量最小值，v₁,v₂,...,v_t为时间序列观测值，为第t周期的预测值，为第t+T周期的预测值。

当时间序列的变动呈现直线趋势时，一次指数平滑法来预测存在着明显的滞后偏差，采用二次指数平滑解决这个问题。计算公式及模型如下：

若时间序列的变动呈现出曲线趋势，则需要用三次指数平滑法。计算公式及三次指数平滑法的预测模型如下：

其中，V_t ⁽³⁾为第t周期的三次指数平滑值，t为当前周期数；T为由当前周期数t 到预测期的周期数；为第t+T周期的预测值；参数a_t、b_t、c_t是未确定的模型组成部分，可表示为，

a_t＝3V_t ⁽¹⁾-3V_t ⁽²⁾+V_t ⁽³⁾

底层传感器节点和AUV分别执行第一级预测过程并分别得到预测值，例如底层传感器节点运行自适应指数平滑算法后，得到预测值此时底层传感器节点n_j具有采集值Collect与预测值对两者的误差与事先所设置阈值thd进行比对，反馈一个值β至AUV，当β值为1时，则代表AUV的预测值在可接受范围内，则底层传感器节点无需要利用声波转发数据包，当若β＝0，则AUV中对应的预测值需要校正，AUV移动到底层传感器节点，利用声波通信接收正确的采集值。

在步骤3)中，建立第二级双向预测-ARMA预测模型方程，即AUV和边缘层均进行第二级预测，且分别得到相对应的预测值。过程如图1上半部分所示，左上半部分表示运动轨迹以及周期循环，右上部分表示第二级预测过程。

第二级数据传输为移动边缘节点AUV到汇聚节点之间的传输，采取准确度较高的算法，即采用ARMA(auto regression moving average)模型。它分为 AR模型、MA模型和ARMA模型(auto regression moving average model)三大类。如若序列为非平稳序列，可采用差分模型即ARIMA模型。使用数学公式表述ARMA(p,q)模型，如下所示：

p为自回归项数,q为滑动平均项数，q＝0时，模型退化为AR(P)模型；p＝0时，模型退化为MA(q)模型，c为常数项,ε_t代表t周期的误差值。

上式中预测值由p个先前观测值{X_t-1,X_t-2,...,X_t-p}(即为历史数据)与q 个误差值{ε_t-1,ε_t-2,...,ε_t-p}的线性组合表示。因此本问题要求即是求出最优系数集以及系数集{θ₁,θ₂,...,θ_q}使得均方差最小，即

其中RMSE为均方差,其中代表{X_t-1,X_t-2,...,X_t-p}的均值。

采用扩展的卡尔曼滤波器EKF可以更有效的估计权限预测模型的参数，基本的EKF状态空间模型如下所示：

H_i＝A_iH_i-1+V_i

Y_i＝C_iH_i+W_i

上式中，H为i时刻的n维***状态矩阵，A为随时间变化的状态转移矩阵； V为i时刻***误差矩阵，W为i时刻测量误差矩阵，Y代表i时刻得到的测量向量，C为i时刻的时变输出矩阵，V_i与W_i是均值为零且无时间相关性的白噪声，相互独立，V_i为状态噪声，W_i为观测噪声，两者均为无相关性的白噪声，相互独立。两者的合并协方差矩阵(噪声级)定义如下式：

E[V_iV_i ^T]＝Q_i

E[W_iW_i ^T]＝R_i

其中Q、R为代表状态噪声与观测噪声的协方差，针对上述***，扩展卡尔曼滤波算法如下所示：

K(i)＝[A_iP_iC_i ^T][C_iP_iC_i ^T+R_i]^-1

H_i+1＝A_iH_i+K(i)[Y_i-C_iH_i]

K(i)代表卡尔曼获得值、P_i代表误差协方差的更新、C_i ^T代表矩阵的转置。

由上述公式三个阶段步骤求取ARMA模型中的系数，经过参数估计，对预测值求解，将系数表示为C矩阵，如下所示：

如果没有随机输入并且测量值时无噪音的，则可构建H矩阵：

H＝[y_i...y_i-pε_i...ε_i-q]

{y_i...y_i-p}代表Y_i的元素取值，则在第i周期，当矩阵C与H确定时，预测值可被表达为Y_i＝C_iH_i。

如果预测结果Y_i在误差范围内，则表示数据传输(AUV→边缘层的汇聚节点) 第二级预测成功，即所收集数据无需通过AUV移动传输，边缘层的预测数据作为最终的预测收集的数据。如果出现误差，则AUV移动至边缘层的汇聚节点进行矫正，将步骤2)中得到的对应的预测收集的数据进行传输。最终边缘层得到的最终的预测收集的数据，并将其传输至云端。

本发明提出了底层-边缘层-云层结构的基于两级双向的数据预测算法的水下数据收集方案：即通过将数据收集过程转化为数据预测过程减少声波通信，减少传输能耗；针对水下节点的不同特性，分为两级进行预测，采用双向的预测模式，保证数据的准确性，最终实现数据准确传输的同时最大化节点的剩余能量。

对应本申请的方法，利用NOAA(National Oceanic and AtmosphericAdministration)数据库中KEO站点近年来数据，采用深度为400m处的数据为实验数据，利用部分数据作为历史数据，进行训练预测，拟合结果如图3至图5 所示，分别为2016、2017以及2018上半年的训练结果以及部分预测结果。图6、图7为两级预测值与收集值拟合效果图，图6为当第一级预测出现误差时，AUV 未能够及时进行矫正误差的拟合效果图；图7为当第一级预测出现误差时，AUV 及时进行矫正误差的预测值拟合效果图。

上述仅为本发明的具体实施方式，但本发明的设计构思并不局限于此，凡利用此构思对本发明进行非实质性的改动，均应属于侵犯本发明保护范围的行为。

Claims

1.一种基于水下边缘设备的两级双向预测获取数据方法，其特征在于，包括如下步骤：

4)边缘层将步骤3)得到的最终的预测收集的数据传输至云层。

2.如权利要求1所述的一种基于水下边缘设备的两级双向预测获取数据方法，其特征在于，当底层传感器节点能量>σ，时间序列的观测值为无季节性或趋势成分时，采用一次指数平滑，一次指数平滑公式及模型为：

V_t ⁽¹⁾为第t周期的一次指数平滑值，α为加权系数，σ为剩余能量最小值，v₁,v₂,...,v_t为时间序列观测值，为第t周期的预测值，为第t+T周期的预测值。

3.如权利要求1所述的一种基于水下边缘设备的两级双向预测获取数据方法，其特征在于，当时间序列的数据变动呈现直线趋势时，采用二次指数平滑，其计算公式及模型分别如下：

4.如权利要求1所述的一种基于水下边缘设备的两级双向预测获取数据方法，其特征在于，若时间序列的数据变动呈现出曲线趋势，则需要用三次指数平滑法，其计算公式及三次指数平滑法的预测模型如下：

a_t＝3V_t ⁽¹⁾-3V_t ⁽²⁾+V_t ⁽³⁾

5.如权利要求1所述的一种基于水下边缘设备的两级双向预测获取数据方法，其特征在于，所述第二级双向预测-ARMA预测采用AR模型、MA模型或ARMA模型。

6.如权利要求1所述的一种基于水下边缘设备的两级双向预测获取数据方法，其特征在于，步骤2)中，底层传感器将得到的预测值与实际采集值进行比对，并将比对结果发送至AUV，AUV根据比对结果对不符合预期的预测值进行校正，更新正确的数据值，得到预测收集的数据，具体是指：底层传感器计算实际采集值与预测值的误差，将该误差与预设的阈值进行比对，反馈一个值β至AUV，当β值为1时，该预测值符合预期，AUV中对应的预测值无需校正；若β＝0，则AUV中对应的预测值需要校正，AUV移动到底层传感器节点，利用声波通信接收正确的采集值。

7.如权利要求1所述的一种基于水下边缘设备的两级双向预测获取数据方法，其特征在于，步骤3)中，若预测值不在预设的误差范围内，则AUV移动至边缘层的汇聚节点传输正确的数据值。