基于同步預(yù)測的無線傳感網(wǎng)絡(luò)自適應(yīng)采樣節(jié)能策略研究

關(guān)鍵詞：無線傳感網(wǎng)絡(luò)；同步預(yù)測；自適應(yīng)采樣；節(jié)能

中圖分類號：ＴＮ９２ 文獻標(biāo)志碼：Ａ 開放科學(xué)（資源服務(wù)）標(biāo)識碼（ＯＳＩＤ）：

文章編號：１００３－３１０６（２０２４）１１－２６９５－０８

０引言

無線傳感網(wǎng)絡(luò)（Ｗｉｒｅｌｅｓｓ Ｓｅｎｓｏｒ Ｎｅｔｗｏｒｋ，ＷＳＮ）是物聯(lián)網(wǎng)和智能系統(tǒng)中的關(guān)鍵應(yīng)用技術(shù)之一［１］。在特定要求下，ＷＳＮ 設(shè)備通常采用電池供應(yīng)的形式，而電池容量決定著單個設(shè)備甚至整個網(wǎng)絡(luò)的可用運行時長［２］。因此，尋找合適的節(jié)能策略成為延長整個網(wǎng)絡(luò)運行周期的關(guān)鍵。

目前，國內(nèi)外學(xué)者從不同方向?qū)Γ祝樱?的節(jié)能策略進行了研究。首先，在能量收集和管理方面，文獻［３－４］利用環(huán)境中可用的太陽能和風(fēng)能作為能量來源，為節(jié)點提供持續(xù)的能源供應(yīng)，但是該方法會增加硬件成本并且受到環(huán)境條件的制約。其次，在網(wǎng)絡(luò)通信協(xié)議方面，文獻［５］結(jié)合改進的蟻群算法對ＷＳＮ 節(jié)能路由算法進行優(yōu)化，通過確定最佳傳輸路徑，實現(xiàn)高效的數(shù)據(jù)傳輸、降低能耗并保證網(wǎng)絡(luò)的可靠性和穩(wěn)定性；文獻［６］提出一種基于混合策略博弈論的聚類路由算法，通過模擬節(jié)點行為，根據(jù)其剩余能量和平均能量隨機選擇簇頭，節(jié)點之間進行博弈直到平衡，該算法有效提升了網(wǎng)絡(luò)的生存周期，降低了節(jié)點能耗。優(yōu)化網(wǎng)絡(luò)通信協(xié)議主要關(guān)注整體節(jié)能，更適合大范圍區(qū)域監(jiān)測場景。最后，在數(shù)據(jù)傳輸優(yōu)化方面，文獻［７］采用動態(tài)灰色模型ＧＭ（１，１）進行預(yù)測，計算觀測值和預(yù)測值的誤差，當(dāng)誤差大于閾值時才進行數(shù)據(jù)傳輸，減少了數(shù)據(jù)傳輸量；但是灰色模型僅適用短期預(yù)測，且對數(shù)據(jù)輸入序列要求較高。文獻［８］基于自回歸模型進行同步預(yù)測，并通過預(yù)測值和前向擬合值的誤差實現(xiàn)動態(tài)改變采樣步長，減少數(shù)據(jù)采集，實現(xiàn)節(jié)能；但是建立自回歸模型需經(jīng)過平穩(wěn)檢驗、噪聲檢驗、定階和參數(shù)估計等步驟，計算量較大，難以部署在節(jié)點。綜上所述，盡管在節(jié)能研究的不同方向已經(jīng)取得了一定的成果，但仍存在一些不足之處。

因此，本文針對ＷＳＮ 的節(jié)能問題，從數(shù)據(jù)傳輸優(yōu)化方面進行研究，提出了一種基于同步預(yù)測的ＷＳＮ 節(jié)點自適應(yīng)采樣節(jié)能策略，旨在降低節(jié)點設(shè)備的采樣率和傳輸率、提高節(jié)能效率和延長設(shè)備使用壽命。首先在終端節(jié)點和協(xié)調(diào)器之間建立指數(shù)平滑同步預(yù)測模型，根據(jù)實際值和預(yù)測值的誤差實現(xiàn)自適應(yīng)通信，以減少設(shè)備傳輸率；其次在自適應(yīng)通信的基礎(chǔ)上引入了傳輸控制協(xié)議（Ｔｒａｎｓｍｉｓｓｉｏｎ ＣｏｎｔｒｏｌＰｒｏｔｏｃｏｌ，ＴＣＰ）擁塞控制思想，自適應(yīng)地調(diào)整節(jié)點的采樣間隔和睡眠時間，通過動態(tài)調(diào)整采樣間隔，避免頻繁的數(shù)據(jù)采集及傳輸，減少能耗損失；最后，基于ＺｉｇＢｅｅ的室內(nèi)甲醛監(jiān)測系統(tǒng)平臺進行了誤差分析和節(jié)能效果的驗證。

為保證模型的預(yù)測精度，定義最大預(yù)測次數(shù)Ｎ。當(dāng)終端節(jié)點預(yù)測成功后，預(yù)測次數(shù)加一，直到連續(xù)Ｎ 次預(yù)測成功后，強制性地將實際采樣值上傳并進行模型修正。這是由于每次預(yù)測都存在一定的誤差，即使連續(xù)預(yù)測成功，這些誤差也可能會逐漸累積，導(dǎo)致模型的預(yù)測精度下降。通過強制性地將實際采樣值上傳并進行模型修正，可以及時糾正誤差，避免錯誤的累積，保持模型的高準(zhǔn)確性。自適應(yīng)通信流程如圖２ 所示。

４自適應(yīng)采樣

在上述自適應(yīng)通信算法中，雖然通過同步預(yù)測模型減少了數(shù)據(jù)傳輸量，但是終端節(jié)點在每個固定周期到來時進行采樣，也會造成大量的能量損耗。因此，為減少終端節(jié)點的能量損耗，將固定周期進行傳感器采樣的策略轉(zhuǎn)變成自適應(yīng)采樣，動態(tài)調(diào)整采樣周期的大小［１５－１６］。為優(yōu)化系統(tǒng)運行效果，不在固定周期的基礎(chǔ)上進行增加或減少時間，而選擇在固定周期的整數(shù)倍進行調(diào)整，如一個周期設(shè)置為一步。因此，基于自適應(yīng)通信策略動態(tài)調(diào)整步長的大小，在環(huán)境變化緩慢的時候減小采樣步長，在環(huán)境劇烈波動時增大采樣步長，以達到自適應(yīng)采樣的目的，從而減少能耗損失。

４．１步長更新策略

為了滿足不同環(huán)境下的采樣需求，需要設(shè)計一個合理的采樣步長更新策略，以實現(xiàn)步長的動態(tài)變化。因此，參考ＴＣＰ 擁塞控制算法的思想引入步長控制窗口以達到自適應(yīng)采樣的目的。

ＴＣＰ擁塞控制是一種網(wǎng)絡(luò)流量控制機制，用于調(diào)節(jié)ＴＣＰ 連接中的數(shù)據(jù)傳輸速率，以防止網(wǎng)絡(luò)擁塞的發(fā)生［１７－１８］，通過動態(tài)調(diào)整發(fā)送方的擁塞窗口來適應(yīng)網(wǎng)絡(luò)的擁塞程度，并避免對網(wǎng)絡(luò)造成過大的壓力，主要包括慢啟動、擁塞避免和擁塞控制３ 個階段，在慢啟動階段，發(fā)送方會將初始的擁塞窗口設(shè)置為一個較小的值，然后每次成功接收到一個確認字符（Ａｃｋｎｏｗｌｅｄｇｅｄ Ｃｈａｒａｃｔｅｒ，ＡＣＫ），擁塞窗口大小會倍增，直到達到慢啟動門限，進入擁塞避免階段。在擁塞避免階段中，發(fā)送方會根據(jù)網(wǎng)絡(luò)的擁塞情況以更慢的速率增加擁塞窗口大小，此時，擁塞窗口增長的速率由指數(shù)增加改為加法增加，直到出現(xiàn)網(wǎng)絡(luò)擁塞，進入擁塞控制階段。在擁塞控制階段，發(fā)送方將迅速減小擁塞窗口的大小，并將慢啟動門限設(shè)置為擁塞窗口大小的一半，然后重新進入慢啟動階段。ＴＣＰ 擁塞控制算法的使用，使得ＴＣＰ 協(xié)議能夠根據(jù)網(wǎng)絡(luò)擁塞的程度進行自適應(yīng)調(diào)整，從而實現(xiàn)網(wǎng)絡(luò)流量的控制和優(yōu)化。

借鑒ＴＣＰ 擁塞窗口的設(shè)計思想，對節(jié)點的步長控制窗口進行進一步改進，以實現(xiàn)對節(jié)點步長的動態(tài)調(diào)整和優(yōu)化。在步長更新策略中，將節(jié)點步長控制窗口ｋ 的初始值定為１，并設(shè)置步長控制窗口的最大值ｋ_ＭＡＸ。在預(yù)測誤差小于設(shè)定閾值時，當(dāng)ｋ＜ｋ＿ＭＡＸ/２ 時，步長控制窗口ｋ 的值以倍數(shù)遞增；當(dāng)ｋ≥ｋ＿ＭＡＸ/２ 時，減慢步長控制窗口ｋ 的增長速度，ｋ 的值僅在上一次窗口值的基礎(chǔ)上加１，直到ｋ ＝ ｋ＿ＭＡＸ后，步長控制窗口ｋ 不再增加。在預(yù)測誤差大于設(shè)定閾值時，ｋ 的值不直接減為初始值１，而是減為原來的一半。步長更新策略示意如圖３所示。

４．２算法描述

自適應(yīng)采樣在自適應(yīng)通信的基礎(chǔ)上進行改進，通過動態(tài)調(diào)整采樣步長來優(yōu)化數(shù)據(jù)采樣過程。為實現(xiàn)自適應(yīng)采樣，將改進ＤＥＳ 算法應(yīng)用于同步預(yù)測模型，通過結(jié)合自適應(yīng)通信和改進后的ＤＥＳ 算法，自適應(yīng)采樣在不斷學(xué)習(xí)和調(diào)整的過程中，能夠根據(jù)實際數(shù)據(jù)情況靈活地調(diào)整采樣步長，從而減少能耗損失。

對于終端節(jié)點，基于同步預(yù)測模型得到預(yù)測值，并與實際采樣值進行比較，如果二者之間的差值在誤差允許范圍內(nèi)，則認為此次預(yù)測成功；然后逐步增大步長控制窗口ｋ 的值，直到達到設(shè)定的最大值ｋ＿ＭＡＸ后，不再增加步長ｋ，防止步長過大導(dǎo)致數(shù)據(jù)丟失或錯誤。當(dāng)誤差超出允許范圍，則認為此次預(yù)測失敗，首先將步長控制窗口ｋ直接降為原先的一半，以降低采樣步長，增加數(shù)據(jù)的采樣精度；其次把實際采樣值上傳到協(xié)調(diào)器，以提供最新的數(shù)據(jù)信息；最后根據(jù)實際采樣值修正預(yù)測模型，以提高預(yù)測的準(zhǔn)確度。

對于協(xié)調(diào)器，在一定周期時間內(nèi)未收到終端節(jié)點上傳的數(shù)據(jù)，則認為預(yù)測數(shù)據(jù)有效，保留數(shù)據(jù)并進行下一次預(yù)測；當(dāng)協(xié)調(diào)器接收到來自終端節(jié)點的數(shù)據(jù)時，更新和修正模型參數(shù)，以確保模型與實際數(shù)據(jù)保持一致。

確保協(xié)調(diào)器和終端節(jié)點之間數(shù)據(jù)的一致性非常重要，而維護一致的同步預(yù)測模型可以實現(xiàn)這一目標(biāo)。由于雙方都使用相同的數(shù)據(jù)和模型，可以確保它們在相同的輸入條件下產(chǎn)生相同的預(yù)測結(jié)果。這意味著無論是協(xié)調(diào)器還是終端節(jié)點，它們都可以獨立地進行預(yù)測，并在需要時相互驗證預(yù)測結(jié)果。這種一致性保證了數(shù)據(jù)的準(zhǔn)確性和可靠性，對于實時決策和系統(tǒng)控制是至關(guān)重要的。通過這種方式，協(xié)調(diào)器和終端節(jié)點可以在數(shù)據(jù)處理和預(yù)測方面進行有效的協(xié)作，從而實現(xiàn)整體系統(tǒng)的優(yōu)化和性能提升。

自適應(yīng)采樣流程如圖４所示。

５實驗驗證及分析

５．１甲醛監(jiān)測系統(tǒng)平臺

在建筑室內(nèi)場景中，甲醛監(jiān)測系統(tǒng)采用星型組網(wǎng)結(jié)構(gòu)，整個系統(tǒng)由終端節(jié)點、協(xié)調(diào)器和上位機組成。終端節(jié)點用于數(shù)據(jù)的采集，并將數(shù)據(jù)發(fā)送到協(xié)調(diào)器，協(xié)調(diào)器接收到數(shù)據(jù)發(fā)送到上位機進行可視化顯示。考慮到終端節(jié)點方便性和擴展性，常采用電池供電提供更靈活的部署和擴展選項，因此增加終端節(jié)點的壽命成為一個必不可少的考慮因素。甲醛監(jiān)測系統(tǒng)結(jié)構(gòu)示意如圖５所示。

５．２節(jié)能驗證

５．２．１能耗分析

為了驗證本文所提出節(jié)能策略的有效性，采用甲醛監(jiān)測系統(tǒng)平臺以５ｓ固定周期進行數(shù)據(jù)采集，并參考器件數(shù)據(jù)手冊和實際測試結(jié)果得到終端節(jié)點的能耗參數(shù)。根據(jù)能耗參數(shù)評估所提出的節(jié)能策略在實際應(yīng)用中的效果。終端節(jié)點能耗參數(shù)如表１所示。

本文通過甲醛監(jiān)測系統(tǒng)獲取１９０６組甲醛濃度數(shù)據(jù)，并在Ｍａｔｌａｂ仿真軟件中使用該數(shù)據(jù)集來驗證節(jié)能策略的有效性。為直觀地展現(xiàn)所提策略的節(jié)能效率，將其與常規(guī)固定采樣周期方法、文獻［９］的自適應(yīng)通信方法（算法１）和文獻［８］的基于最小二乘法的自適應(yīng)采樣方法（算法２）進行能耗對比。算法中所用參數(shù)如表２ 所示。

根據(jù)上述參數(shù)進行仿真分析，得到不同節(jié)能策略下采樣次數(shù)、傳輸次數(shù)和能耗的變化，具體變化量如圖６ 所示。

由圖６ 可知，相對于采用固定采樣周期方法，算法１ 雖然采樣次數(shù)保持不變，但傳輸次數(shù)減少了９３．７％ ；算法２ 采樣次數(shù)減少了７８．８％ ，傳輸次數(shù)減少了８８．８％ ；自適應(yīng)采樣算法采樣次數(shù)減少了８４．１％ ，傳輸次數(shù)減少了９４．９％ 。總體而言，算法１、算法２ 和自適應(yīng)采樣算法相較于固定采樣周期方法，都展現(xiàn)了顯著的效果。其中，自適應(yīng)采樣算法在降低采樣次數(shù)和傳輸次數(shù)的方面表現(xiàn)得最為突出。根據(jù)終端節(jié)點能耗參數(shù)計算出不同策略下的能耗，相對于固定采樣周期、算法１ 和算法２，本文所提出的節(jié)能策略能夠使能耗分別降低８９．７％ 、７４．４％ 和２７．９％ 。

考慮到節(jié)點設(shè)備采用容量為６００ ｍＡｈ 的電池供電，則對于固定采樣周期方法，在１ ｄ 內(nèi)就需要向協(xié)調(diào)器采集并傳輸采樣數(shù)據(jù)１７２８０ 個，而一次固定周期耗電約０．３４ ｍＡｓ，那么該節(jié)點設(shè)備的生命周期約為３１２ ｄ；對于本文所提自適應(yīng)采樣算法，節(jié)點設(shè)備的采樣次數(shù)和傳輸次數(shù)都有明顯的減少，能耗也有很大的下降，若節(jié)點在整個生命周期能耗降低８９． ７％ ，則該節(jié)點的使用壽命約為３ ０２９ ｄ，相對于固定采樣周期方法，使用壽命得到了大幅提升。

５.２.２準(zhǔn)確性分析

為了驗證本文所提出的節(jié)能策略的準(zhǔn)確性，還需要進行誤差分析，其中一個常用的誤差度量方法是均方根誤差（Ｒｏｏｔ Ｍｅａｎ Ｓｑｕａｒｅ Ｅｒｒｏｒ，ＲＭＳＥ）。首先計算每個數(shù)據(jù)點預(yù)測值與真實觀測值之間的殘差，然后對這些殘差的平方求平均并開根號。ＲＭＳＥ 值越小表示預(yù)測值與實際采樣值越接近，代表算法的準(zhǔn)確性越高。為了便于觀察，將不同節(jié)能策略的結(jié)果進行偏置，仿真結(jié)果如圖７ 所示。根據(jù)仿真結(jié)果計算ＲＭＳＥ 值，計算結(jié)果如表３所示。

根據(jù)圖７和表３可知，３種節(jié)能策略都能達到較好的準(zhǔn)確度，其中算法２的ＲＭＳＥ值最小。因此，在準(zhǔn)確度基本相同的情況下，本文所提自適應(yīng)采樣節(jié)能策略的采樣次數(shù)和傳輸次數(shù)最低，能夠更有效地降低終端節(jié)點的能量損失，達到較好的節(jié)能效果。

５．２．３參數(shù)優(yōu)化

對于本文所提自適應(yīng)采樣節(jié)能策略，參數(shù)的選擇對于策略的性能和效果都會有顯著的影響。例如不同的水平平滑系數(shù)和趨勢平滑系數(shù)會對整體的ＲＭＳＥ產(chǎn)生影響，通過上述數(shù)據(jù)集進行實驗仿真，得到不同平滑系數(shù)下ＲＭＳＥ的變化，如圖８所示。

由圖８可知，水平平滑系數(shù)α 對預(yù)測誤差的影響較大，較小的水平平滑系數(shù)α 將使預(yù)測結(jié)果更加敏感和接近原始數(shù)據(jù)的變化，但可能會導(dǎo)致較大的噪聲和不穩(wěn)定性。較大的水平平滑系數(shù)α 將使預(yù)測結(jié)果更加平滑和穩(wěn)定，但可能會導(dǎo)致較大的滯后和對趨勢變化的遲鈍。因此，選擇不同的水平平滑系數(shù)會顯著影響預(yù)測的準(zhǔn)確性。此外，容錯誤差閾值ε 的選取也會影響預(yù)測準(zhǔn)確性，不同容錯誤差閾值下絕對誤差的占比如圖９ 所示。隨著容錯誤差閾值ε 的增大，箱線圖中位線逐漸增加，并且箱體將變得更大，這說明更大的容錯范圍將導(dǎo)致更多的數(shù)據(jù)點被視為正常值，因此預(yù)測準(zhǔn)確性會受到影響。具體來說，較小的ε 會更容易地檢測到異常值，從而對預(yù)測模型進行更精確的調(diào)整。但是，如果容錯閾值設(shè)置過小，可能會將一些正常但稍微異常的值也識別為異常值，從而降低了模型的適應(yīng)性。

同理，步長控制窗口ｋ＿ＭＡＸ 也會對模型整體效果產(chǎn)生影響，對不同的ｋ＿ＭＡＸ 進行仿真，計算采樣次數(shù)和傳輸次數(shù)的變化，為便于觀察，以百分比的形式展示，如圖１０所示。

由圖１０可知，隨著步長控制窗口ｋ＿ＭＡＸ 的增大，采樣次數(shù)和傳輸次數(shù)會逐漸減小并趨于穩(wěn)定。所以通過增大步長控制窗口ｋ＿ＭＡＸ 能達到降低節(jié)點能耗的效果。然而，過大的ｋ＿ＭＡＸ 可能會導(dǎo)致更多的數(shù)據(jù)被聚合和壓縮，并且會丟失一部分有價值的信息，從而影響預(yù)測的準(zhǔn)確性。因此，針對不同的應(yīng)用場景，應(yīng)綜合考量數(shù)據(jù)準(zhǔn)確性和節(jié)能效果來選取適合的參數(shù)。

６結(jié)束語

本文提出一種基于同步預(yù)測的ＷＳＮ 自適應(yīng)采樣節(jié)能策略，通過在終端節(jié)點和協(xié)調(diào)器建立起融合改進ＤＥＳ算法的同步預(yù)測模型，實現(xiàn)對數(shù)據(jù)的預(yù)測，并根據(jù)預(yù)測誤差來自適應(yīng)地調(diào)整采樣步長和傳輸策略。實驗結(jié)果表明，本文所提節(jié)能策略能夠在滿足數(shù)據(jù)準(zhǔn)確性的前提下，有效減少節(jié)點的能耗損失，提高網(wǎng)絡(luò)的壽命。

作者簡介

劉威 男，（２０００—），碩士研究生。主要研究方向：智能環(huán)境與網(wǎng)絡(luò)化控制。

（*通信作者）鄭煥祺 男，（１９８７—），博士，講師。主要研究方向：綠色建筑能源與環(huán)境系統(tǒng)研究智能化。

周玉成 男，（１９５８—），博士，研究員。主要研究方向：智能環(huán)境與網(wǎng)絡(luò)化控制。