一种无线传感器网络节点事件实时预测方法
【专利摘要】一种无线传感器网络节点事件实时预测方法，基于如下系统：由静止或移动的传感器节点以自组织和多跳的方式构成无线传感器网络；当无线传感器网络中某一个节点发生事件，将发生事件节点的最近m组属性向量广播给其余关心的节点，在各个节点本地刷新本节点最近m组属性向量,并与事件节点的最近m组属性向量进行相似度计算，将计算结果回传给基站，根据计算结果进行趋势判断，并发出预警，维护人员得到预警后,采取相关干预措施，避免相同事件的发生；相似度计算采用轻量级距离计算方法，以减少能耗；相似度计算特征还在于计算变化趋势，以及变化趋势之间的距离。
【专利说明】
-种无线传感器网络节点事件实时预测方法
技术领域
[0001] 本发明设及无线传感器网络技术领域，具体设及一种无线传感器网络中根据已发 生事件节点的相关信息，来实时预测潜在发生事件节点的方法。
【背景技术】
[0002] 无线传感器网络是由大量的静止或移动的传感器节点W自组织和多跳的方式构 成的无线网络，W协作地感知、采集、处理和传输网络覆盖地理区域内被感知对象的信息， 并最终把运些信息发送给网络的所有者(基站、上位机或系统主机）。运些节点采集不同的 物理数据，例如森林火灾监测中的地理位置、空气的湿度、溫度、气压、光强度及风向等物理 指标的数值。
[0003] 由于被监控的对象和所处环境的复杂性，通常会导致一些节点监控对象发生事 件，例如森林火灾、电梯故障、通信故障。目前，实际应用中大多采用专家系统进行事件预 ，其缺点是只能预测已知明确原因的事件，对于多属性的复杂环境，显得乏力。也有基于 大量历史数据进行机器学习的预测方法，但运类方法对未曾出现的事故无能为力，因为学 习具有滞后性。
[0004] 鉴于整个无线传感器网络中的节点具有相似性，当某一个节点发生事件(为了叙 述简洁，节点发生事件指的是节点所监测的对象发生事件），该节点的信息对于其它节点具 有非常重要的参考作用。本发明根据运一原理进行节点事件的实时预测，同时具有易于实 施、计算量小、节能、预测准确率高等特色。
【发明内容】
[0005] 本发明目的是，利用已经发生事件节点的数据，实时在其它节点进行相似度计算， 得到其它节点发生相同事件的概率，W便维护人员及时采取相关干预措施，避免相同事件 的发生，减少损失。
[0006] 本发明是运样实现的，一种无线传感器网络节点事件实时预测方法，基于如下系 统设置：由静止或移动的传感器节点W自组织和多跳的方式构成无线传感器网络，W感知、 采集、处理和传输无线传感器网络覆盖地理区域内被感知对象的信息，并最终把运些信息 发送给无线传感器网络的基站；
[0007] (1)每隔固定时间，每个节点向基站发送一组最新数据；
[000引（2)节点采集数据包括监测对象的n个属性；
[0009] (3)节点数据采用本地存储，保存m组最近历史数据，运行时最新数据覆盖最旧数 据；
[0010] 无线传感器网络节点事件实时预测方法，W如下步骤：当无线传感器网络中某一 个节点发生事件，将发生事件节点的最近m组属性向量广播给其余关屯、的节点（由维护人员 设定），在各个节点本地刷新本节点最近m组属性向量，并与事件节点的最近m组属性向量进 行相似度计算，将计算结果回传给基站，根据计算结果进行趋势判断，并发出预警，维护人 员得到预警后，采取相关干预措施，避免相同事件的发生；
[0011] 相似度计算采用轻量级距离计算方法(如曼哈顿距离），W减少能耗；
[0012] 相似度计算特征还在于计算变化趋势，W及变化趋势之间的距离；
[0013] 最终判断特征在于综合相似度距离的变化趋势，当变化趋势变小时，系统发出预 警。
[0014] 本发明的思路是，当无线传感器网络中某一个节点发生事件，将发生事件的节点 最近采集的数据所形成的m组属性向量广播给其余的关屯、节点，广播的范围可W人工设定， 然后在各个节点本地刷新属性向量组，并与接收到的事件节点属性向量组进行相似度计 算，将计算结果回传给基站，W便判断数据变化趋势，并发出预警。
[001引本发明具体包括如下步骤：
[0016] (1)当无线传感器网络中某一个节点S发生了事件，立即将该节点最近的m条记录 提取出来，构成化下向量矩阵：
[0017]
[001引其中ei = (ei，e2,…，en)，iG[l，m]，是节点S在时刻i的所有监控数据组成的属性 向量，ei是最新时刻的数据，em是最旧时刻数据。m条数据组成一个m X n的矩阵;提取m条数据 而不是一条数据的原因是某些属性值的变化趋势(而不是属性值本身)对事件的预测更加 重要，比如溫度的急剧升高（而不是溫度高)说明极有可能将要发生火灾事件，如果是一条 数据则无法携带运种变化信息。
[0019] (2)由于节点能源有限，一般和基站的通信时间间隔相对较长，所W系统此时需要 向其余关屯、的节点广播数据A。
[0020] (3)节点T接收到广播数据后，在节点本地进行相似度计算，每个节点本地属性向 量为t=(tl，t2，???，tn)，节点本地属性组成如下矩阵B:
[0021]
[0022] 为了降低计算量，减少能耗，采取计算简单的曼哈顿距离作为相似度度量方式。距 离越小表示越有可能发生相同事件。两个向量之间的距离用d表示，先对每一行进行相似度 计算(n是属性的数量）：
[0023] I 一行相似度，
[0024] I二行相似度，
[0025]
[00%] 第m行相似度，
[0027] 然后取平均值得到行距离山：
[002引扣S是iAi/巧，S、T之间的相似度，
[0029]接着计算每列之间的变化趋势相似度，即先依次采用一元线性回归方法计算A、B 每个属性的变化曲线的近似斜率，得到斜率向量Ka =化1，k2，…，kn)，Kb =化1，k2，…，kn)，kj 体现每个属性相邻两个时刻的变化趋势，再计算A、B变化趋势的距离dc:
[0030]
[0031] 距离越小，变化趋势越相似，表明T越有可能发生类似S的事件；
[0032] (4)将(山，山)返回给基站；
[003；3] (5)-个周期后，更新本地矩阵B，再次计算，得到(山，山)返回给基站；
[0034] (6)因为距离大小没有参照值，所W直接观察计算出来的数值并没有太大意义，由 于所处环境复杂，影响因素众多，很多事件发生都是多个因素综合导致的结果，历史数据库 中没有相似的数据，导致计算出一个参考的阔值也非常困难，但是观察返回值(山，山)的变 化情况可W进行有效预测，也即，当过了t个周期后，基站收到T节点的t组(山，山)数据，如果 两个值都出现了不断变小的趋势，那么巧自常有可能即将发生相同的事件，系统发出预警。
[0035] 本发明的有益效果，当无线传感器网络中某一个节点发生事件，将发生事件的节 点最近采集的数据所形成的属性向量组广播给其余关屯、的节点，利用已经发生事件节点的 数据，实时在其它节点进行相似度计算，将计算结果回传给基站，W便判断数据变化趋势， 进一步预测出其它节点发生相同事件的概率，并发出预警，由维护人员及时采取相关干预 措施，避免相同事件的发生，减少损失。
【附图说明】
[0036] 图1所示为本发明所述一种无线传感器网络节点事件实时预测方法的总流程图；
[0037] 图2a-图2c所示为基站与不同节点之间的数据交互示意图。
【具体实施方式】
[0038] 下面结合说明书附图对本发明实施方式作进一步说明，但本发明不局限于下面的 实例。
[0039] 实例：采用真实的数据集Intel Lab Data,数据来源是部署在因特尔伯克利研究 所的54个传感器在2004年2月28号至4月5号之间采集到的数据，主要包括溫度、湿度、光强 和电压等物理指标。本实验对数据进行了预处理，将原始数据从每隔30秒采集一个数据改 为每隔5分钟取一个(平均)数据。实验中，将湿度、光强、电压作为属性，溫度作为事件指标， 设定溫度达到20°C为发生事件(受光照影响的升溫除外）。
[0040] 截取第1个节点2004-02-28 08:23开始的数据，如表1所示。可W看出，第5个数据 溫度开始超过20°C，即发生了事件。
[0041] 表1:1号节点数据 「nrvn1
[0043] 此时基站检测到事件发生，立即将序号1-5行最新的5条数据提取出来，记为矩阵 A，广播给附近其他节点。本实验选取了环境比较相似的3、4、6号节点，即把矩阵A发送给3、 4、6号节点。
[0044]
[0045] 3号节点的数据如表2所示。
[0046] 表2:3号节点数据
[0047]
[0化1]计算A、B的相似度：
[0052] Stepl:计算行相似度 [0053]计算对应行的相似度：
[0化4]
行相似度，
[0化5] 第二
第= 第四 第五 行相似度，
[0化9] 计算平均值:化= 78.2。
[0060] Step2:计算列相似度
[0061] 计算A每一列的变化趋势，用一元线性回归方法进行计算，得到KA= (0.3385， 0.0，-0.003)和邸=(0.261,-2.944,0.0)，
[0。足勺1
[0063] 4和6号节点的数据如表3和表4所示。计算过程同Stepl和Step2。
[0064] 表3:4号节点数据 「00 化 1
[0068] 3、4、6号节点分别将(dr，dc)返回给基站。持续5个周期后，基站共收到3、4、6节点 的数据如表5和表6所示。
[0069] 表5:行距离表 「00701
L0073J 根据表5和表6的数据，综合判断3、4、6号节点与1号节点之间行、列距离值的变化 趋势，系统会在5分钟的时候，对4号节点发出事件预警。观察表5和表6,不难发现:3、4号节 点行距离减小趋势明显，说明3、4号节点与1号节点总体状态越来越相似;4、6号节点列距离 有减小趋势，说明4、6号节点的状态变化趋势与1号节点的状态变化趋势越来越相似。也就 是说，4号节点发生事件概率最高。实际上，4号节点在20分钟的时候溫度的确超过20°C，而6 号节点溫度未曾达到20°C，与预测结果相吻合。至于3号节点，在20分钟的时候溫度也超过 2(TC，但3号节点的状态变化趋势缓慢，所W未予报警。
【主权项】
1. 一种无线传感器网络节点事件实时预测方法，基于如下系统：由静止或移动的传感 器节点W自组织和多跳的方式构成无线传感器网络，W感知、采集、处理和传输无线传感器 网络覆盖地理区域内被感知对象的信息，并最终把运些信息发送给无线传感器网络的基 站； (1) 每隔固定时间，每个节点向基站发送一组最新数据； (2) 节点采集数据包括监测对象的η个属性； (3) 节点数据采用本地存储，保存m组最近历史数据，运行时最新数据覆盖最旧数据； 采用上述系统的预测方法W如下步骤：当无线传感器网络中某一个节点发生事件，将 发生事件节点的最近m组属性向量广播给其余关屯、的节点，在各个节点本地刷新本节点最 近m组属性向量，并与事件节点的最近m组属性向量进行相似度计算，将计算结果回传给基 站，根据计算结果进行趋势判断，并发出预警，维护人员得到预警后，采取相关干预措施，避 免相同事件的发生； 相似度计算采用轻量级距离计算方法，W减少能耗； 相似度计算特征还在于计算变化趋势，W及变化趋势之间的距离； 最终判断特征在于综合相似度距离的变化趋势，当变化趋势变小时，系统发出预警。2. 根据权利要求1所述的无线传感器网络节点事件实时预测方法，其特征是采用如下 步骤： (1) 当无线传感器网络中某一个节点S发生了事件，立即将该节点在监控中屯、最近的m 条记录提取出来，构成如下向量矩阵：其中61=(61，62，-'，6。），1￡[1，111]，是节点5在时亥1]1的所有监控数据组成的属性向量， ei是最新时刻的数据，em是最旧时刻数据;m条数据组成一个mXn的矩阵； (2) 系统此时需要向其余所有关屯、的节点广播数据A; (3) 节点T接收到广播数据后，在节点本地进行相似度计算，每个节点本地属性向量为t =(ti，t2，…，tn)，节点本地最近m组属性组成如下矩阵B:为了降低计算量，减少能耗，采取计算简单的曼哈顿距离作为相似度度量方式;距离越 小表示越有可能发生相同事件;两个向量之间的距离用d表示，先对每一行进行相似度计算 (η是属性的个数）：第一行相似度，第二行相似度，第m行相似度， 然后取平均值得到行距离山：S、T之间的相似度， 接着计算每列之间的变化趋势相似度，即先依次采用一元线性回归方法计算A、B每个 属性的变化曲线的近似斜率，得到斜率向量Ka=化1，k2，…，kn)，Kb =化1，k2，…，kn)，kj体现 每个属性相邻两个时刻的变化趋势，再计算A、B变化趋势的距离dc:距离越小，变化趋势越相似，表明T越有可能发生类似S的事件； (4) 将(山，山)返回给基站； (5) -个周期后，更新本地矩阵B，再次计算，得到(山，山)返回给基站； (6) 观察返回值(山，山)的变化情况可W进行有效预测：当过了t个周期后，基站收至I"节 点的t组(山，山)数据;如果两个值都出现了不断变小的趋势，那么认为T即将发生相同的事 件，系统发出预警。
【文档编号】H04W24/02GK105939524SQ201610453143
【公开日】2016年9月14日
【申请日】2016年6月21日
【发明人】杨坤奎, 刘奇志
【申请人】南京大学