034] 步骤S200中主要的任务是探测事件。当k到达最大值，并W最大值持续采样时，需 要监测采样过程中是否有异常发生。异常意味着发生了事件，或者是传感器错误，如果发现 异常，则需要降低k的值。本实施例中对异常检测的方法是采用指数加权平均化WMA)方法。 EWMA方法具有两个平滑参数：
[00对日1。吨，日34加，其中日1。吨用于计算长期平滑值1^1。叫，日311。:^用于计算短期平滑值1^31101·*， 而0=1^34。巧/11。吨，当0超过了一定阔值时，就代表有事件发生，此时相应降低1^的值。
[0036] W下将通过实验详细说明本申请的有益效果。本实验在matlab中实现，数据集为 一个24小时的室内自来水水溫数据。由于水溫变化不大，数据较为平稳，算法中用到的各参 数列表如下：
[0037] 表1算法参数列表 [00；3 引
[0039]~采样率调整的目标在于避免不必要的采样，从而节省能源。但由于拉长了采样间 隔，更容易漏掉一些重要的变化和信息，因此衡量算法性能的最基本指标为采样率和事件 丢失率，此处主要针对运两个指标做算法的具体比较和分析。
[0040] (1)采样率:定义了用算法取得的数据样本点个数与实际数据集中样本点个数之 比。运代表了采样算法节省的能耗。
[0041] (2)事件丢失率(miss ratio, MR):在给定的相对阔值下，漏检测的事件比例，即数 据库中实际事件数与算法检测到的事件数之差的比。如果在某个时间点，事件发生了，但 该点没有被采样到，则认为是一个事件丢失。用nf代表事件丢失数目，η表示整个采样点数 目，则事件丢失率(MR)由如下公式计算：
[0042] MR = nf/n
[0043] 采样性能分析的计算中，参数的设置是非常重要的。容错率的范围为0.01至0.11， 最大步长的范围设为Is至20s。容错率的选择的依据为应用场景中的实际情况，例如，室内 水溫的变化多大时是异常，此处设置为0.01至0.11。
[0044] 取数据集中的9000个数据点运行程序，相对阔值S = 〇.〇7，Smax =別寸，对不同数据 段进行实验，所得部分结果如表1所示。n2代表实际的事件个数，nl代表判断出的事件数，t 为采样数。
[0045] 表2基本数据结果
[0046]
[0047] 为减少随机性，分别取不同的数据段做实验，在获取事件数方面，邸SAS与基于TCP 的方法能够获取的事件数相差不大;而在采样数方面，基于TCP的方法的采样数均明显低于 邸SAS方法，因此，基于TCP的方法在保持识别事件的基础上，进一步降低了采样率。
[004引接下来衡量两种自适应采样方法的参数问题，即最大步长和容错率对于采样率和 错误丢失率的影响程度。首先，在相对阔值δ = 0.07时，对不同的Smax做实验，结果如图2所 示。图2是在不同最大步长下的采样率比较结果，由图2可见，当最大步长增加时，采样率下 降;在不同的Smax下，基于TCP的方法的采样率均低于邸SAS。
[0049]由于两种方法实际采样的次数不一样，因此评价Miss Ratio不具有可比性，因而 直接比较两种方法实际获取的事件数，结果如图3所示。图3是在不同最大步长下获取的事 件数对比结果，由图3可见，基于TCP的方法获取的事件数与抓SAS方法基本一致，没有丢失 重要的事件。接下来，衡量不同阔值对于采样率和事件丢失率的影响。取Smax=8的情况，基 于不同的相对阔值得到的结果如图4-图5所示。图4是不同最大容错率的采样率比较结果， 图5是不同容错阔值下获取的事件数对比结果。
[0050] 当容错率增加时，采样率快速下降，在容错率从0.05增至0.07时，EDSAS方法的采 样率从18 %降至17 %，而基于TCP的采样方法，采样率则从18 %降至13 %，性能优于抓SAS; 在获取事件数方面，两种方法的性能仍基本一致。可见，容错率对于算法的影响比较大。针 对不同的具体应用场景，需要通过实验来设置合理的参数。考虑数据精度与能量损耗两个 因素，从图中可W发现适合的参数值。
[0051] 本申请的参数设置依赖于具体的应用需求，针对场景选择合适的参数，能够很好 地动态调整采样间隔并尽可能地获取重要信息。当预测误差低于阔值时，步长k增大，可W 让传感器节点避免对不需要的数据点进行采样。另一方面，如果预测误差超过了阔值，或者 是检测到了事件，将降低k的值，在较小的采样间隔上采样，避免丢失重要的信息。本申请参 考TCP拥塞控制的思想，使得k的调整能够快速响应变化，实验结果表明，本申请进一步提高 了采样率调整的有效性，能在保持错误丢失率的基础上降低采样率。且计算简单，在资源受 限的节点上易于实现。
[0052] 还需要说明的是，术语"包括"、"包含"或者其任何其他变体意在涵盖非排他性的 包含，从而使得包括一系列要素的商品或者系统不仅包括那些要素，而且还包括没有明确 列出的其他要素，或者是还包括为运种商品或者系统所固有的要素。在没有更多限制的情 况下，由语句"包括一个……"限定的要素，并不排除在包括所述要素的商品或者系统中还 存在另外的相同要素。
[0053] 上述说明示出并描述了本发明的若干优选实施例，但如前所述，应当理解本发明 并非局限于本文所披露的形式，不应看作是对其他实施例的排除，而可用于各种其他组合、 修改和环境，并能够在本文所述发明构想范围内，通过上述教导或相关领域的技术或知识 进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围，则都应在本发 明所附权利要求的保护范围内。
【主权项】
1. 一种基于时间序列的传感器自适应采样方法，其特征在于，包括： 调整传感器的采样率； 传感器进行采样的同时对事件进行检测，并将检测结果反馈给传感器节点； 传感器节点根据反馈结果进一步调整采样率。2. 如权利要求1所述的基于时间序列的传感器自适应采样方法，其特征在于，所述调整 传感器的采样率的步骤包括： 预测误差，及基于所述预测误差计算采样步长； 基于计算之后的所述采样步长进行自适应调整采样间隔预测。3. 如权利要求2所述的基于时间序列的传感器自适应采样方法，其特征在于，所述预测 误差为预测值和真实值之间的差。4. 如权利要求3所述的基于时间序列的传感器自适应采样方法，其特征在于，所述采样 步长为两次采样点之间的时间间隔，用于时间序列预测，以产生下一个采样点的预测值。5. 如权利要求4所述的基于时间序列的传感器自适应采样方法，其特征在于，参考TCP 拥塞控制的方式调整的采样步长。6. 如权利要求5所述的基于时间序列的传感器自适应采样方法，其特征在于，计算采样 步长的公式为： k的初始值设为1，当k〈Smax/2时，k= 2*k;当k=Smax/2时，k=k+l;当预测误差值超出范 围时，k=k/2; 其中K为采样步长，每个采样点通过比较实际采样值和预测值，得到所述预测误差值。7. 如权利要求6所述的基于时间序列的传感器自适应采样方法，其特征在于，采用指数 加权平均方法进行事件检测。
【专利摘要】本申请公开了一种基于时间序列的传感器自适应采样方法，包括：调整传感器的采样率；传感器进行采样的同时对事件进行检测，并将检测结果反馈给传感器节点；传感器节点根据反馈结果进一步调整采样率。本申请与现有技术相比，能够在保持错误丢失率的基础上降低采样率。
【IPC分类】H04L12/801, H04W52/36, H04W52/02, H04W28/02
【公开号】CN105491615
【申请号】CN201510801372
【发明人】杨明霞
【申请人】杨明霞
【公开日】2016年4月13日
【申请日】2015年11月19日