[发明专利]一种基于HH-VBF的时间序列预测方法

说明书

本发明公开了一种基于HH‑VBF的时间序列预测方法，所述时间序列预测方法包括以下步骤：节点X是虚拟管道中经过MHH‑VBF验证的合法节点，节点Y是节点X的相邻节点；节点Y的影响指标包括：链路质量状态与剩余能量；对于加权移动平均法，根据数据包的到达时间，赋予最近的IF值以较大的权重；对于指数平滑法，通过平滑历史观测值曲线来预测时间序列的下一个值，并假定序列的极值代表了随机波动，利用收集的数据预测未知的值；如果节点IF的估计值大于阈值TD，该节点就是推荐的节点。本发明解决了在链路质量不稳定、高丢包率等恶劣无线网络环境下，节点的寻路问题。

技术领域

本发明涉及无线网络与数据挖掘领域，尤其涉及一种基于HH-VBF(HOP-BY-HOPVECTOR-BASED FORWARDING逐跳矢量转发)的时间序列预测方法。

背景技术

随着物联网技术的发展，基于位置信息的无线网络路由设计凭借其无状态轻量级的优势占据无线网络路由设计的主导地位。其中，最著名的算法莫过于一系列基于VBF(矢量转发)协议开发的算法。

但是，现在的一系列算法仅是单纯的路由算法，没有涉及主导路由选择的关键因素。这些因素包括，节点能耗、底层信道状况等，直接影响到路径选择的效果。

发明内容

本发明提供了一种基于HH-VBF的时间序列预测方法，本发明用于解决在链路质量不稳定、高丢包率等恶劣无线网络环境下，节点的寻路问题，详见下文描述：

一种基于HH-VBF的时间序列预测方法，所述时间序列预测方法包括以下步骤：

节点X是虚拟管道中经过MHH-VBF验证的合法节点，节点Y是节点X的相邻节点；节点Y的影响指标包括：链路质量状态与剩余能量；

对于加权移动平均法，根据数据包的到达时间，赋予最近的IF值以较大的权重；

对于指数平滑法，通过平滑历史观测值曲线来预测时间序列的下一个值，并假定序列的极值代表了随机波动，利用收集的数据预测未知的值；

如果节点IF的估计值大于阈值TD，该节点就是推荐的节点。

所述节点Y的影响指标具体为：

IF＝λSNR×(1-λ)RE (1)

在公式(1)中，SNR是节点Y的信噪比，RE是节点Y的剩余能量，系数λ是权重，用于平衡链路状态与剩余能量。

所述对于加权移动平均法，根据数据包的到达时间，赋予最近的IF值以较大的权重的形式化表示具体为：

在公式(2)中，IF_WMA(n+1)代表n次传输后IF的预测值，i代表传输次数，IF_i代表第n次传输的观测值，系数β为恒定的平滑因子。

所述指数平滑法的形式化表示具体为：

在公式(3)中，IF_ES(n)代表使用指数平滑法来计算第n个节点的IF值，IF_ES(n-1)代表使用指数平滑法来计算第n-1个节点的IF值，IF(n-1)代表第n-1个节点的IF值，α代表数据平滑因子，n代表传输次数，IF(n)是第n次传输的IF值，公式(3)表明下一次的预测值是通过上一次的观测值和已经做出的上一次的预测值计算得到。

所述数据平滑因子α越接近1，平滑越粗糙，相应地赋予最近的数据的权重越大；

所述数据平滑因子α越接近0，平滑效果越显著，相应地最近观测值对预测结果的影响越小。

所述阈值TD具体为：