[发明专利]无线传感网中模型驱动的数据传输方法及系统

说明书

技术领域

本发明属于无线传感器网络技术领域，尤其涉及无线传感器网络中的模型驱动的数据采集和传输的方法。

背景技术

近年来在无线传感网技术领域中诞生了大量的应用。然而传感器节点通常由电池供电，这使得能量成为无线传感器网络应用的瓶颈。在无线传感网络应用中，传感器节点的能量消耗主要发生在数据传输和接收期间的无线通信上。因此，在数据驱动的无线传感网应用(如环境监测)中，为了延长网络的生命周期，需要在保证数据质量的同时减少数据的冗余传输。

相关研究工作表明，模型驱动的数据传输机制能保证在不影响数据质量的前提下减少数据传输开销。在这种机制中，传感器节点上运行一个数据趋势预测模型，并在每次采集到新的传感数据时，将该所采集的真实数据与数据趋势预测模型的预测结果进行比较，如果二者保持一致则不向网关发送传感数据，反之则将所采集的传感数据发送到网关。在网关节点上，同时运行一个与传感器节点上相同的数据趋势预测模型，在未收到传感器节点发送的传感数据的情况下，将其预测结果(与传感器节点的预测结果相同)作为传感数据的估计值发送给用户，从而在保证数据质量的前提下节省了通信开销。

现有工作主要集中在预测模型的设计上。有些方法将传感数据看作一个典型的时间序列数据，利用时间序列分析方法(如ARIMA模型)建立传感数据预测模型。这类方法非常复杂，只能在计算能力较强的网关上进行模型训练。每个传感器节点对应一个预测模型，随着传感器节点个数的增加，所需的计算和存储资源急剧增多，导致可扩展性问题。此外，当预测值偏离真实值时，需要进行离线模型更新，在此阶段传感器节点需要向网关发送大量的数据以保证数据质量，从而导致大量的能量消耗。

还有些方法利用具有轻量级计算代价的模型(如AR模型和最小均方滤波器模型)替代ARIMA模型，从而能够在资源受限的传感器节点上进行模型训练，达到分担整个网络上的模型训练负荷的目的。然而，这些方法仍然需要进行离线的模型更新，在此阶段传感器节点需要向网关发送大量的数据，从而导致大量的能量消耗。并且在进行模型更新时，依赖于缓存的历史数据以及复杂的算法(如最小二乘法，Yule-Walker等式，几何格法，最大熵估计和前向后向方法)来更新模型的系数。考虑到传感器节点受限的硬件资源，采用这些方法将带来较高的计算和存储代价。

发明内容

可见，上述方法中主要存在两个问题：一是模型离线训练阶段，传感器节点需要进行大量的数据传输，导致大量能耗；二是模型更新需要大量的计算和存储资源。

为克服上述现有技术的缺陷，本发明提供一种无线传感网中在线模型驱动的数据传输系统和方法。

本发明的目的是通过以下技术方案实现的：

一方面，本发明提供了一种无线传感网中模型驱动的数据传输方法，所述方法包括：

传感器节点采集新的传感数据，基于所采集的传感数据更新该传感器节点上第一数据趋势预测模型的参数，并利用该传感器节点上第二数据趋势预测模型计算该时刻的传感数据预测值；

将所采集的传感数据与所述传感数据预测值进行比较，获取预测误差；以及

当所述预测误差大于设定的误差阈值时，利用第一数据趋势预测模型的参数来更新第二数据趋势预测模型的参数，并将更新后的第二数据趋势预测模型的参数与所采集的传感数据发送给网关。

在上述方法中，还可包括网关接收来自传感器节点的传感数据并将其报告给用户；以及网关接收来自传感器节点的数据趋势预测模型参数，并根据所接收的参数来更新与该传感器节点对应的数据趋势预测模型的参数。

在上述方法中，还可包括网关在未收到传感器节点发送的传感数据时，利用与该传感器节点对应的数据趋势预测模型计算该时刻的传感数据预测值并将其报告给用户。

在上述方法中，传感器节点上初始的第一数据趋势预测模型和第二数据趋势预测模型以及网关上与该传感器节点对应的初始的数据趋势预测模型为相同的模型。

在上述方法中，在初始化时第一和第二数据趋势预测模型以及所述网关上的数据趋势预测模型均为线性回归模型。

在上述方法中，当传感器节点采集到新的传感数据时，可采用随机梯度下降法来基于所采集的传感数据更新第一数据趋势预测模型的参数。

在上述方法中，当传感器节点采集到新的传感数据时，可采用下列方法的其中之一来基于所采集的传感数据更新第一数据趋势预测模型的参数：全局梯度下降法、最小二乘法、Yule-Walk等式、几何格法、最大熵估计和前向后向方法。