CN111010704A - 基于指数平滑的水下无线传感器网络数据预测优化方法 - Google Patents
基于指数平滑的水下无线传感器网络数据预测优化方法 Download PDFInfo
- Publication number
- CN111010704A CN111010704A CN201911219709.XA CN201911219709A CN111010704A CN 111010704 A CN111010704 A CN 111010704A CN 201911219709 A CN201911219709 A CN 201911219709A CN 111010704 A CN111010704 A CN 111010704A
- Authority
- CN
- China
- Prior art keywords
- data
- prediction
- nodes
- esdp
- cluster head
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000009499 grossing Methods 0.000 title claims abstract description 33
- 238000005457 optimization Methods 0.000 title claims abstract description 17
- 238000005265 energy consumption Methods 0.000 claims abstract description 13
- 238000013461 design Methods 0.000 claims abstract description 11
- 238000012938 design process Methods 0.000 claims abstract description 4
- 230000007774 longterm Effects 0.000 claims abstract description 4
- 241000854291 Dianthus carthusianorum Species 0.000 claims description 47
- 238000005516 engineering process Methods 0.000 claims description 6
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 6
- 238000004891 communication Methods 0.000 claims description 5
- 230000002776 aggregation Effects 0.000 claims description 3
- 238000004220 aggregation Methods 0.000 claims description 3
- 238000013480 data collection Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims 3
- 238000012935 Averaging Methods 0.000 claims 1
- 230000005540 biological transmission Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000013277 forecasting method Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 230000036962 time dependent Effects 0.000 description 1
- 238000000700 time series analysis Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/02—Arrangements for optimising operational condition
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B13/00—Transmission systems characterised by the medium used for transmission, not provided for in groups H04B3/00 - H04B11/00
- H04B13/02—Transmission systems in which the medium consists of the earth or a large mass of water thereon, e.g. earth telegraphy
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W40/00—Communication routing or communication path finding
- H04W40/24—Connectivity information management, e.g. connectivity discovery or connectivity update
- H04W40/32—Connectivity information management, e.g. connectivity discovery or connectivity update for defining a routing cluster membership
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W84/00—Network topologies
- H04W84/18—Self-organising networks, e.g. ad-hoc networks or sensor networks
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Arrangements For Transmission Of Measured Signals (AREA)
Abstract
基于指数平滑的水下无线传感器网络数据预测优化方法，涉及一种传感器网络数据预测优化方法，所述方法包括ESDP预测模型、ESDP设计；其中ESDP预测模型：
（3）采用公式(3)建立的预测模型在预测过程中，通过参数
来控制模型，比如，根据实际情况来进行短期或者长期预测；ESDP设计过程为三个阶段，分别是：分簇阶段、构建路由树阶段和数据预测阶段。该方法兼顾了能耗和精度的问题，所以该预测模型能很好地应用在水下环境。
Description
技术领域
本发明涉及一种无线传感器网络数据优化方法，特别是涉及一种基于指数平滑的水下无线传感器网络数据预测优化方法。
背景技术
无线传感器网络下的数据预测技术是在已采集数据的基础上建立一个预测模型来预测短期内传感器节点感知数据的发展趋势。通常会根据数据集的不同采用不同的预测方法，常见的数据集有离散数据、高维数据、时间相关性数据等。数据预测技术要解决的问题主要有两个，一是预测的精确度，二是节点的能耗问题，所以如何平衡节点的能耗和预测精度变得十分重要。目前，绝大部分的数据预测技术侧重于通过建立比较复杂的预测模型来提高预测精度，并将预测模型应用到每一个传感器节点上，这样会很大程度上降低整个传感器网络的生命周期。所以对于没有强大的CPU和存储空间并且能量有限的水下传感器节点来说，现有的数据预测技术不能很好地应用到水下环境中。
发明内容
本发明的目的在于提供一种基于指数平滑的水下无线传感器网络数据预测优化方法，该方法从减少网络整体能耗以及提高数据预测准确度的角度出发，采用LEACH协议对水下所有节点进行分簇并选取簇头，然后簇头与汇聚节点之间构建用于通信的路由树，最后采用统计学中的指数平滑法在各簇头节点上建立预测模型，该方法兼顾了能耗和精度的问题，所以该预测模型能很好地应用在水下环境。
本发明的目的是通过以下技术方案实现的：
基于指数平滑的水下无线传感器网络数据预测优化方法，所述方法包括ESDP预测模型、ESDP设计；
其中ESDP预测模型：
采用公式(3)建立的预测模型在预测过程中，通过参数
来控制模型，比如，根据实际情况来进行短期或者长期预测；
ESDP设计过程为三个阶段，分别是：分簇阶段、构建路由树阶段和数据预测阶段。
所述的基于指数平滑的水下无线传感器网络数据预测优化方法，所述ESDP预测算法在指数平滑法的基础上建立预测模型；指数平滑法以某种指标的本期实际数据和预测数据为基础，引入加权因子即平滑系数
，计算出指数平滑值，融合了全期平均法和移动平均法优点，给予过去数据逐渐减弱的影响程度，即随着数据的远离，权重逐渐收敛为零。
所述的基于指数平滑的水下无线传感器网络数据预测优化方法，所述ESDP设计分簇阶段采用一种经典的分簇路由协议LEACH协议对普通节点进行分簇，将整个网络的能量消耗均衡地分配到每个节点，从而达到网络的能量消耗负载均衡。
所述的基于指数平滑的水下无线传感器网络数据预测优化方法，所述ESDP设计构建路由树阶段，簇头节点与水面汇聚节点采用构建路由树的方式通信，通过寻找没有父节点的节点，逐层选择中继节点的方法，尽可能确定最优路径，减少网络中节点的相互通信，同时维持网络中稳定有序的数据聚集。
所述的基于指数平滑的水下无线传感器网络数据预测优化方法，所述ESDP设计数据预测阶段对于ESDP的预测算法具体步骤如下：
步骤1：处于数据收集阶段时，簇头获得簇内各个成员节点的数据，作为一条新记录存储在内存中，如果当前内存中的记录条数小于k，则只进行存储记录的操作；若大于k，则删除最早的记录，存入新记录；然后按公式(3)计算并存储预测数据
，执行步骤2；
步骤2：簇头在簇内广播预测值
以及误差阈值
，执行步骤3；
步骤3：簇内各非簇头节点在下一次传输的数据是各实际值与预测值的差值
，且
大于误差阈值
，执行步骤4；反之，非簇头节点不需要传输
值，视预测值为真实值，继续下一次预测；其中
的正负号表示数据的方向；
步骤4：若簇头收到节点发出的差值
，则转步骤1更新数据记录，重新进行预测；
步骤5：当处于数据发送阶段时，簇头节点根据路由树确定的父子节点连接，采用同态加密技术将一段时间簇内各节点的数据变动打包发送至其父节点，所有簇头节点重复上述操作，直到最终节点为水面汇聚节点为止。
本发明的优点与效果是：
本发明从减少网络整体能耗以及提高数据预测准确度的角度出发，在允许存在一定误差的前提下，设计了一种适用于水下网络环境的数据预测优化方法—基于指数平滑的UWSN数据预测优化方法(Data Prediction optimization method based on ExponentialSmoothing,ESDP)。该方法首先采用LEACH协议对水下所有节点进行分簇并选取簇头，然后簇头与汇聚节点之间构建用于通信的路由树，最后采用统计学中的指数平滑法在各簇头节点上建立预测模型，通过对簇内各节点不同时段收集到的数据赋予不同的权值来预测数据，并且在预测误差大于设定阈值的情况下，通过差值传输来修正预测模型，减少了传输数据包的数量以及数据包的大小，由于该方法兼顾了能耗和精度的问题，所以该预测模型能很好地应用在水下环境。
附图说明
图1为本发明 ESDP流程图。
具体实施方式
下面结合附图所示实施例对本发明进行详细说明。
一、ESDP预测模型
ESDP预测算法是在指数平滑法的基础上建立的预测模型。指数平滑法实际是一种时间序列分析预测法，它以某种指标的本期实际数据和预测数据为基础，引入加权因子即平滑系数
，计算出指数平滑值，融合了全期平均法和移动平均法的优点，给予过去数据逐渐减弱的影响程度，即随着数据的远离，权重逐渐收敛为零。指数平滑公式如下：
其中
是平滑系数，
是时间序列
期的预测值，
是
期的实际观察值，
是
期的预测值。对公式(1)进行迭代得：
由于ESDP预测算法被应用在水下网络环境中，考虑到水下节点的众多限制，为了减少簇头节点的计算量，取将要预测数据的前
条数据进行建模，并令平滑系数
，其中
表示簇内所有的节点数。
由公式(1)(2)得到最终的预测公式(3)：
采用公式(3)建立的预测模型在预测过程中，可以通过参数
来控制模型，比如根据实际情况来进行短期或者长期预测。
二、ESDP算法设计
ESDP的设计过程大体上分为三个阶段，分别是：分簇阶段、构建路由树阶段和数据预测阶段。
(1)分簇阶段
采用一种经典的分簇路由协议LEACH协议对普通节点进行分簇，由于网络中的节点被选为簇头的概率是一样的，因此将整个网络的能量消耗均衡地分配到每个节点，从而达到网络的能量消耗负载均衡。LEACH协议是随机选取簇头节点，在确定簇头节点前，每个节点产生一个随机数
，如果
小于给定的阈值
，则该节点在本轮中被选中为簇头。
由公式(4)计算得出。
其中，
表示在具体的网络中需要的簇头节点比例；
为当前轮次；
为前
轮未被选为簇头的节点集。
簇头选定后以最大功率广播自身的相关信息，普通节点根据接收的信号强弱选择最佳簇头发送响应信息加入该簇。簇头根据接收到的成员信息，采用TDMA方式为各成员节点分配数据传输时隙。簇生成后，若簇内只有一个节点，即簇头节点，则选择最近的簇加入，成为普通节点。
(2)构建路由树阶段
簇头节点与水面汇聚节点采用构建路由树的方式通信，通过寻找没有父节点的节点，逐层选择中继节点的方法，尽可能确定最优路径，减少网络中节点的相互通信，同时维持网络中稳定有序的数据聚集。
水面汇聚节点向水下区域广播“HELLO”数据包，接收到数据包的簇头节点则向汇聚节点发送“Join_Request”数据包加入路由树的节点集合，表示同意成为汇聚节点的子节点，普通节点收到消息则直接丢弃。加入路由树的簇头节点又逐层向下发送“HELLO”数据包，招募没有父节点的簇头节点成为其子节点，若一个节点同时收到多个“HELLO”数据包，则选择距离最近的簇头作为父节点，直到再无新的节点加入路由树为止。
(3)数据预测阶段
对于ESDP的预测算法具体步骤如下：
步骤1：处于数据收集阶段时，簇头获得簇内各个成员节点的数据，作为一条新记录存储在内存中，如果当前内存中的记录条数小于k，则只进行存储记录的操作；若大于k，则删除最早的记录，存入新记录。然后按公式(3)计算并存储预测数据
，执行步骤2；
步骤2：簇头在簇内广播预测值
以及误差阈值
，执行步骤3；
步骤3：簇内各非簇头节点在下一次传输的数据是各实际值与预测值的差值
，且
大于误差阈值
，执行步骤4；反之，非簇头节点不需要传输
值，视预测值为真实值，继续下一次预测。其中
的正负号表示数据的方向。
步骤4：若簇头收到节点发出的差值
，则转步骤1更新数据记录，重新进行预测。
步骤5：当处于数据发送阶段时，簇头节点根据路由树确定的父子节点连接，采用同态加密技术将一段时间簇内各节点的数据变动打包发送至其父节点，所有簇头节点重复上述操作，直到最终节点为水面汇聚节点为止。
如图1所示就是ESDP优化方法的整个流程。
Claims (5)
1.基于指数平滑的水下无线传感器网络数据预测优化方法，其特征在于，所述方法包括ESDP预测模型、ESDP设计；
其中ESDP预测模型：
采用公式(3)建立的预测模型在预测过程中，通过参数
来控制模型，比如，根据实际情况来进行短期或者长期预测；
ESDP设计过程为三个阶段，分别是：分簇阶段、构建路由树阶段和数据预测阶段。
2.根据权利要求1所述的基于指数平滑的水下无线传感器网络数据预测优化方法，其特征在于，所述ESDP预测算法在指数平滑法的基础上建立预测模型；指数平滑法以某种指标的本期实际数据和预测数据为基础，引入加权因子即平滑系数
，计算出指数平滑值，融合了全期平均法和移动平均法优点，给予过去数据逐渐减弱的影响程度，即随着数据的远离，权重逐渐收敛为零。
3.根据权利要求1所述的基于指数平滑的水下无线传感器网络数据预测优化方法，其特征在于，所述ESDP设计分簇阶段采用一种经典的分簇路由协议LEACH协议对普通节点进行分簇，将整个网络的能量消耗均衡地分配到每个节点，从而达到网络的能量消耗负载均衡。
4.根据权利要求1所述的基于指数平滑的水下无线传感器网络数据预测优化方法，其特征在于，所述ESDP设计构建路由树阶段，簇头节点与水面汇聚节点采用构建路由树的方式通信，通过寻找没有父节点的节点，逐层选择中继节点的方法，尽可能确定最优路径，减少网络中节点的相互通信，同时维持网络中稳定有序的数据聚集。
5.根据权利要求1所述的基于指数平滑的水下无线传感器网络数据预测优化方法，其特征在于，所述ESDP设计数据预测阶段对于ESDP的预测算法具体步骤如下：
步骤1：处于数据收集阶段时，簇头获得簇内各个成员节点的数据，作为一条新记录存储在内存中，如果当前内存中的记录条数小于k，则只进行存储记录的操作；若大于k，则删除最早的记录，存入新记录；然后按公式(3)计算并存储预测数据
，执行步骤2；
步骤2：簇头在簇内广播预测值
以及误差阈值
，执行步骤3；
步骤3：簇内各非簇头节点在下一次传输的数据是各实际值与预测值的差值
，且
于误差阈值
，执行步骤4；反之，非簇头节点不需要传输
，视预测值为真实值，继续下一次预测；其中
的正负号表示数据的方向；
步骤4：若簇头收到节点发出的差值
，则转步骤1更新数据记录，重新进行预测；
步骤5：当处于数据发送阶段时，簇头节点根据路由树确定的父子节点连接，采用同态加密技术将一段时间簇内各节点的数据变动打包发送至其父节点，所有簇头节点重复上述操作，直到最终节点为水面汇聚节点为止。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911219709.XA CN111010704B (zh) | 2019-12-03 | 2019-12-03 | 基于指数平滑的水下无线传感器网络数据预测优化方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911219709.XA CN111010704B (zh) | 2019-12-03 | 2019-12-03 | 基于指数平滑的水下无线传感器网络数据预测优化方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111010704A true CN111010704A (zh) | 2020-04-14 |
| CN111010704B CN111010704B (zh) | 2023-06-02 |
Family
ID=70113927
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911219709.XA Active CN111010704B (zh) | 2019-12-03 | 2019-12-03 | 基于指数平滑的水下无线传感器网络数据预测优化方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111010704B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117998448A (zh) * | 2024-04-07 | 2024-05-07 | 广州华生网络科技股份有限公司 | 无线网络质量数据采集方法及系统 |
| CN118568582A (zh) * | 2024-08-05 | 2024-08-30 | 南京先维信息技术有限公司 | 一种基于工业大数据的智能决策方法及系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102883399A (zh) * | 2012-10-19 | 2013-01-16 | 南京大学 | 基于簇的ctp路由协议 |
| DE102012204173A1 (de) * | 2012-03-16 | 2013-09-19 | Siemens Aktiengesellschaft | Übermittlung von Messwerten und Prognosewerten eines Sensorknotens |
| CN106341842A (zh) * | 2016-08-23 | 2017-01-18 | 北京邮电大学 | 一种无线传感器网络数据的传输方法及装置 |
| CN108683468A (zh) * | 2018-04-27 | 2018-10-19 | 河海大学常州校区 | 基于数据预测的水下传感网络中auv移动数据收集算法 |
| CN109413710A (zh) * | 2018-11-26 | 2019-03-01 | 珠海格力电器股份有限公司 | 基于遗传算法优化的无线传感器网络的分簇方法及装置 |
-
2019
- 2019-12-03 CN CN201911219709.XA patent/CN111010704B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE102012204173A1 (de) * | 2012-03-16 | 2013-09-19 | Siemens Aktiengesellschaft | Übermittlung von Messwerten und Prognosewerten eines Sensorknotens |
| CN102883399A (zh) * | 2012-10-19 | 2013-01-16 | 南京大学 | 基于簇的ctp路由协议 |
| CN106341842A (zh) * | 2016-08-23 | 2017-01-18 | 北京邮电大学 | 一种无线传感器网络数据的传输方法及装置 |
| CN108683468A (zh) * | 2018-04-27 | 2018-10-19 | 河海大学常州校区 | 基于数据预测的水下传感网络中auv移动数据收集算法 |
| CN109413710A (zh) * | 2018-11-26 | 2019-03-01 | 珠海格力电器股份有限公司 | 基于遗传算法优化的无线传感器网络的分簇方法及装置 |
Non-Patent Citations (3)
| Title |
|---|
| 周建钦: "WSN 分簇路由协议LEACH 的研究与改进" * |
| 回春立: "无线传感器网络中基于预测的时域数据融合技术" * |
| 王军: "基于LEACH的WSN路由协议的研究与改进" * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117998448A (zh) * | 2024-04-07 | 2024-05-07 | 广州华生网络科技股份有限公司 | 无线网络质量数据采集方法及系统 |
| CN117998448B (zh) * | 2024-04-07 | 2024-06-07 | 广州华生网络科技股份有限公司 | 无线网络质量数据采集方法及系统 |
| CN118568582A (zh) * | 2024-08-05 | 2024-08-30 | 南京先维信息技术有限公司 | 一种基于工业大数据的智能决策方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111010704B (zh) | 2023-06-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108990129B (zh) | 一种无线传感网络分簇方法及系统 | |
| CN102149158B (zh) | 基于网格分簇的传感器网格数据融合方法 | |
| CN105246097B (zh) | 一种具有移动Sink节点的无线传感网生存时间优化方法 | |
| CN111553469B (zh) | 一种无线传感器网络数据融合方法、装置和存储介质 | |
| CN107659974B (zh) | 无线传感网路由方法、装置、设备及计算机可读存储介质 | |
| CN109547965A (zh) | 一种基于业务优先级的无线传感器网络路径规划方法 | |
| CN102158417A (zh) | 实现多约束QoS路由选择的优化方法及装置 | |
| CN104166630B (zh) | 一种面向内容中心网络中基于预测的最优化缓存放置方法 | |
| CN105517093A (zh) | 一种无线传感器网络中基于网络均衡性的节能路由方法 | |
| CN114423061A (zh) | 一种基于注意力机制和深度强化学习的无线路由优化方法 | |
| CN110225478B (zh) | 一种无线传感器网络簇间数据传输方法 | |
| CN111010704A (zh) | 基于指数平滑的水下无线传感器网络数据预测优化方法 | |
| CN109862532A (zh) | 轨道交通状态监测多传感器节点布局优化方法及系统 | |
| CN111698706A (zh) | 基于混沌遗传的无线传感器网络改进leach路由方法 | |
| CN117014355A (zh) | 一种基于ddpg深度强化学习算法的tssdn动态路由决策方法 | |
| CN106658638B (zh) | 一种基于hh-vbf的时间序列预测方法 | |
| CN111447658B (zh) | 一种基于sdwsn的分簇路由方法 | |
| CN111405634A (zh) | 一种无线传感器网络自适应分簇的方法及装置 | |
| CN108092892B (zh) | 一种物联网最优网络路由路径的确定方法及系统 | |
| CN110719617A (zh) | 基于反正切学习率因子的q路由方法 | |
| CN110691364B (zh) | 基于双曲正割学习率因子的q路由方法 | |
| Sulakshana et al. | [Retracted] Data Acquisition through Mobile Sink for WSNs with Obstacles Using Support Vector Machine | |
| CN117939569A (zh) | 基于MR-WSNs移动Sink节点的路径规划方法 | |
| CN108684066B (zh) | 基于K-medoids的无线传感器网络分簇方法 | |
| CN108366409B (zh) | 一种基于能量均衡的可靠多路径聚合路由方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |