孔英會(huì),沈丹鳳

(華北電力大學(xué)電子與通信工程系,河北保定071003)

一種基于周期模型的物聯(lián)網(wǎng)實(shí)體實(shí)時(shí)預(yù)測(cè)方法*

孔英會(huì),沈丹鳳**

(華北電力大學(xué)電子與通信工程系,河北保定071003)

對(duì)物聯(lián)網(wǎng)中實(shí)體的海量數(shù)據(jù)進(jìn)行分析處理成為了物聯(lián)網(wǎng)應(yīng)用層發(fā)展的基礎(chǔ),很多應(yīng)用場(chǎng)合需要對(duì)物聯(lián)網(wǎng)實(shí)體狀態(tài)進(jìn)行預(yù)測(cè)。物聯(lián)網(wǎng)中的實(shí)體狀態(tài)具有強(qiáng)實(shí)時(shí)性和高動(dòng)態(tài)性,通過判斷物聯(lián)網(wǎng)實(shí)體的周期模式采用合理的預(yù)測(cè)模型,對(duì)特定時(shí)間段建立時(shí)間窗口,預(yù)測(cè)出實(shí)體狀態(tài)的概率值。該預(yù)測(cè)方法耗時(shí)短,能在2～4 s給出預(yù)測(cè)結(jié)果,且準(zhǔn)確度高,能與實(shí)際相符合,對(duì)物聯(lián)網(wǎng)應(yīng)用層的決策分析起到了很好的指示作用。

物聯(lián)網(wǎng);應(yīng)用層;實(shí)體狀態(tài);實(shí)時(shí)預(yù)測(cè);周期模型

1 引 言

物聯(lián)網(wǎng)是計(jì)算機(jī)網(wǎng)絡(luò)的擴(kuò)展,是一個(gè)實(shí)現(xiàn)物物相聯(lián)的網(wǎng)絡(luò)。這些物體可以由IP地址嵌入到復(fù)雜系統(tǒng)中,通過傳感器從周圍環(huán)境獲取信息,并對(duì)獲取的信息進(jìn)行響應(yīng)和處理。它融合了傳統(tǒng)網(wǎng)絡(luò)、傳感器、Ad Hoc無線網(wǎng)絡(luò)、普適計(jì)算等的ICT(Information and Communications Technology)技術(shù)。隨著嵌入式傳感器的廣泛應(yīng)用,物聯(lián)網(wǎng)將信息與通信技術(shù)充分應(yīng)用到各行各業(yè),將傳感器嵌入到汽車、家電、電網(wǎng)、橋梁、建筑等物體中,通過網(wǎng)絡(luò)實(shí)現(xiàn)智能物體的互聯(lián)與信息采集。

當(dāng)前對(duì)傳感器感知實(shí)體的海量數(shù)據(jù)和信息進(jìn)行分析處理成為了物聯(lián)網(wǎng)應(yīng)用層發(fā)展的基礎(chǔ)。實(shí)體的狀態(tài)是人們直接關(guān)心的對(duì)象,而物聯(lián)網(wǎng)數(shù)據(jù)動(dòng)態(tài)性很強(qiáng),實(shí)時(shí)變化,存在著不確定性,比如每個(gè)對(duì)象有一個(gè)確定的可能存在性以及對(duì)象的屬性可能會(huì)有不同的可能值,要檢測(cè)出重要的物聯(lián)網(wǎng)事件是具有挑戰(zhàn)性的[1]。傳感器傳回來的數(shù)據(jù)都代表的是過去某一時(shí)間的事件,無法呈現(xiàn)人們預(yù)想時(shí)間的事件情況,物聯(lián)網(wǎng)中實(shí)體的實(shí)時(shí)狀態(tài)預(yù)測(cè)越來越重要。傳統(tǒng)預(yù)測(cè)方法雖取得了大量研究成果,但無法解決不確定性事件的預(yù)測(cè)問題。如文獻(xiàn)[2]中通過時(shí)間序列分析中的MWQAR修正模型向前預(yù)測(cè)信號(hào)的變化趨勢(shì),文獻(xiàn)[3]從消除噪聲的角度對(duì)傳感器輸出時(shí)間序列進(jìn)行實(shí)時(shí)預(yù)測(cè)并模擬了一個(gè)連續(xù)信號(hào)進(jìn)行采樣處理分析,這些方法對(duì)于僅有事件發(fā)生記錄的傳感器并不適用,并不能給人們對(duì)于事件是否發(fā)生的明確判斷。關(guān)于事件發(fā)生的概率預(yù)測(cè),文獻(xiàn)[4-5]采用貝葉斯網(wǎng)絡(luò)預(yù)測(cè)未來事件發(fā)生的概率,基于貝葉斯網(wǎng)絡(luò)的預(yù)測(cè)主要事件之間的相關(guān)性角度考慮,不適用于獨(dú)立事件的縱向預(yù)測(cè)。獨(dú)立事件的縱向預(yù)測(cè)需要對(duì)事件本身的規(guī)律進(jìn)行研究,文獻(xiàn)[6]中采用馬爾科夫模型預(yù)測(cè)未來事件發(fā)生的概率,馬爾科夫模型用事件現(xiàn)有狀態(tài)預(yù)測(cè)將來的狀態(tài),與過去事件狀態(tài)無關(guān),而針對(duì)一定周期性發(fā)生的事件,將來事件的狀態(tài)與過去的狀態(tài)緊密聯(lián)系,馬爾科夫模型不適用。文獻(xiàn)[7]中提到了3種關(guān)于周期性事件的預(yù)測(cè)方法,可以解決具有一定周期性的事件預(yù)測(cè),但并未做出具體描述及模型建立。文獻(xiàn)[8]中對(duì)2種預(yù)測(cè)方法建立了模型,但沒有給出具體實(shí)現(xiàn)和預(yù)測(cè)結(jié)果。

本文針對(duì)有一定周期規(guī)律的物聯(lián)網(wǎng)監(jiān)測(cè)事件預(yù)測(cè)方法進(jìn)行研究,首先對(duì)傳感器返回的原始數(shù)據(jù)進(jìn)行統(tǒng)計(jì)處理,針對(duì)數(shù)據(jù)規(guī)律構(gòu)建周期預(yù)測(cè)模型,用過去某段時(shí)間的數(shù)據(jù)作為預(yù)測(cè)時(shí)間窗口預(yù)測(cè)將來某一時(shí)間點(diǎn)狀態(tài),同時(shí)給出了詳細(xì)的實(shí)現(xiàn)流程與預(yù)測(cè)結(jié)果。實(shí)驗(yàn)表明,本預(yù)測(cè)方法準(zhǔn)確性好,系統(tǒng)損耗小,實(shí)時(shí)性高,因此能根據(jù)用戶需要為用戶提供更有意義的信息。

2 狀態(tài)預(yù)測(cè)模型

物聯(lián)網(wǎng)中傳感器返回的數(shù)據(jù)具有很強(qiáng)的實(shí)時(shí)性和動(dòng)態(tài)性,利用過去海量的數(shù)據(jù)建立預(yù)測(cè)模型預(yù)測(cè)出將來實(shí)時(shí)動(dòng)態(tài)的實(shí)體狀態(tài)起到了舉足輕重的作用。人類的活動(dòng)通常是很有規(guī)律性的,這些規(guī)律從某種角度看都具有很強(qiáng)的周期性。因此,用來感知人類活動(dòng)的傳感器傳回的數(shù)據(jù)通常都顯示一定的周期特征[9]。根據(jù)這些周期特征,可以利用周期預(yù)測(cè)模型進(jìn)行物聯(lián)網(wǎng)實(shí)體實(shí)時(shí)預(yù)測(cè)。首先對(duì)于傳感器狀態(tài)概率作如下定義。

定義1 特定傳感器在特定時(shí)間點(diǎn)感知到特定狀態(tài)的概率是一個(gè)由3個(gè)參數(shù)構(gòu)成的函數(shù)p,即p(si,tj,ck)∈[0,1],其中ck∈C={O,F},tj∈T,si∈S={s1,s2,s3,…,sn},S為所有傳感器集合,T為時(shí)間序列集合,C為傳感器可能狀態(tài)集合,即占用(Occupied)和空閑(Free)。由定義1可知,預(yù)測(cè)需要在時(shí)間序列T上建立模型預(yù)測(cè)函數(shù)p的值。

2.1 聚合預(yù)測(cè)模型(APM)

聚合預(yù)測(cè)模型[7](Aggregated prediction model, APM)是3種預(yù)測(cè)模型中最簡(jiǎn)單的預(yù)測(cè)模型。根據(jù)文獻(xiàn)[7],本文總結(jié)了聚合預(yù)測(cè)模型的建立過程(見圖1)以及概率計(jì)算方法。

圖1 聚合預(yù)測(cè)模型序列圖Fig.1 Aggregated prediction model sequence diagram

圖中,[t0,tc]為建立模型選用的過去一段時(shí)間的時(shí)間窗口,tp為所需要預(yù)測(cè)概率的時(shí)間點(diǎn)。這個(gè)模型計(jì)算了時(shí)間窗口中傳感器狀態(tài)與預(yù)測(cè)時(shí)間點(diǎn)狀態(tài)相同的時(shí)間占時(shí)間窗口總時(shí)間的比例。

聚合預(yù)測(cè)模型對(duì)于選取的時(shí)間窗口的周期模式?jīng)]有針對(duì)性,適用于任何周期模式且原理簡(jiǎn)單,計(jì)算量小,但是該預(yù)測(cè)模型的預(yù)測(cè)結(jié)果不精確,只能給用戶一個(gè)大致的導(dǎo)向,不適用于物聯(lián)網(wǎng)中的決策分析。

2.2 單周期預(yù)測(cè)模型(SPM)

日常生活中周期性重復(fù)事件很多,如果一個(gè)事件經(jīng)過時(shí)間段l之后重復(fù)了,那么很可能在其他具有相同偏移(相對(duì)于時(shí)間段l來說)的不同時(shí)間點(diǎn),傳感器的感知狀態(tài)都是相同的[8]。單周期預(yù)測(cè)模型(Single-period Prediction Model,SPM)對(duì)這種情況具有很好的預(yù)測(cè)能力。

一般選取的時(shí)間窗口為周期l的整數(shù)倍,時(shí)間窗口大小表示為Tw,預(yù)測(cè)時(shí)間點(diǎn)tp時(shí)刻特定狀態(tài)時(shí),只看時(shí)間窗口Tw中與預(yù)測(cè)時(shí)間點(diǎn)tp有相同的相對(duì)于l的周期偏移的時(shí)間點(diǎn),預(yù)測(cè)概率如下:

2.3 多周期預(yù)測(cè)模型(MPM)

實(shí)體的實(shí)際行為狀態(tài)中,事件的周期受到多種因素的影響,因此傳感器感知到的實(shí)體狀態(tài)很多時(shí)候是多周期混合影響的結(jié)果,這種情況下如果使用SPM,預(yù)測(cè)結(jié)果將會(huì)顯得不精確了。因此,對(duì)于這種情況多周期預(yù)測(cè)模型[8](Multi-period Prediction Model,MPM)能達(dá)到更好的預(yù)測(cè)效果。

多周期預(yù)測(cè)模型預(yù)測(cè)在tp時(shí)刻特定狀態(tài)的概率時(shí),用LStp表示在tp時(shí)刻的周期事件,則有LStp= (ci,li,λi,φi)∈{LS tpmod li=λi},ci為傳感器狀態(tài),li為周期,λi為相對(duì)周期li的偏移,φi為該事件的概率。在預(yù)測(cè)tp時(shí)刻狀態(tài)為ci的概率時(shí),用滿足條件的概率支持度最大的事件作為最有決定性作用的事件,該事件的概率就是tp時(shí)刻傳感器輸出狀態(tài)為ci的概率。

MPM中周期事件的發(fā)現(xiàn)采用卷積計(jì)算周期法[10],MPM對(duì)于周期事件能得到很好的精密的預(yù)測(cè)結(jié)果,但由于卷積周期發(fā)現(xiàn)算法涉及多次FFT及逆FFT計(jì)算,計(jì)算量大,耗時(shí)多,不適用于實(shí)時(shí)性要求高的物聯(lián)網(wǎng)研究中。

3 預(yù)測(cè)實(shí)現(xiàn)

將以上預(yù)測(cè)模型運(yùn)用到物聯(lián)網(wǎng)實(shí)體實(shí)時(shí)預(yù)測(cè),從而通過單個(gè)事件周期性發(fā)生規(guī)律預(yù)測(cè)出物聯(lián)網(wǎng)中實(shí)體事件發(fā)生的概率,判斷事件的發(fā)生與否,是本文研究的重點(diǎn),同時(shí)也是之前研究并未具體實(shí)現(xiàn)的,具有很強(qiáng)的現(xiàn)實(shí)意義。

物聯(lián)網(wǎng)中實(shí)體狀態(tài)實(shí)時(shí)預(yù)測(cè)對(duì)于實(shí)時(shí)性以及系統(tǒng)消耗要求較高,需要實(shí)時(shí)返回預(yù)測(cè)的狀態(tài)概率等信息。由以上分析可知,APM的預(yù)測(cè)結(jié)果不精確,不能給用戶提供準(zhǔn)確的決策支持。MPM中周期事件的發(fā)現(xiàn)采用卷積計(jì)算周期法,但由于卷積周期發(fā)現(xiàn)算法涉及多次FFT及逆FFT計(jì)算,計(jì)算量大,耗時(shí)多,不適用于實(shí)時(shí)性要求高的系統(tǒng),而SPM的實(shí)時(shí)性和精度方面都能滿足物聯(lián)網(wǎng)中實(shí)體實(shí)時(shí)預(yù)測(cè)的要求。因此,本文重點(diǎn)對(duì)SPM實(shí)現(xiàn)并進(jìn)行數(shù)據(jù)分析。將SPM的思想運(yùn)用到實(shí)際數(shù)據(jù)中,根據(jù)SPM實(shí)現(xiàn)事件發(fā)生概率預(yù)測(cè)。本文采用美國三菱電子研究實(shí)驗(yàn)室(Mitsubishi Electric Research Labs,MERL)公開的一個(gè)大規(guī)模傳感器數(shù)據(jù)集作為實(shí)驗(yàn)研究對(duì)象,通過軟件編程實(shí)現(xiàn)事件概率預(yù)測(cè)。

預(yù)測(cè)流程圖如圖2所示。首先對(duì)研究數(shù)據(jù)集進(jìn)行搜索,由傳感器的位置確定傳感器ID號(hào),對(duì)傳感器ID號(hào)進(jìn)行篩選出特定位置的傳感器數(shù)據(jù)對(duì)象;然后對(duì)篩選出的數(shù)據(jù)逐條遍歷,提取出時(shí)間窗口中的事件數(shù),由于傳感器不斷被觸發(fā),每次間隔為1.5 s,因此,一個(gè)傳感器可能會(huì)對(duì)同一個(gè)事件感知到上百條數(shù)據(jù),所以這里設(shè)定當(dāng)相鄰兩個(gè)數(shù)據(jù)間隔時(shí)間大于40 min時(shí),則認(rèn)為是一個(gè)新的事件發(fā)生,記錄下新事件的開始和結(jié)束時(shí)間點(diǎn),判斷與預(yù)測(cè)時(shí)間點(diǎn)具有相同周期偏移的時(shí)間點(diǎn)是否在這些記錄下的事件中,若在這些記錄下的事件中,則傳感器狀態(tài)統(tǒng)計(jì)加一;若不在這些記錄下的事件中,則將該事件舍棄,統(tǒng)計(jì)出具有相同周期偏移的時(shí)間點(diǎn)在這些記錄中的個(gè)數(shù),從而預(yù)測(cè)出所需的傳感器狀態(tài)概率。

圖2 預(yù)測(cè)實(shí)現(xiàn)流程圖Fig.2 Prediction flow chart

4 預(yù)測(cè)結(jié)果分析

本文對(duì)實(shí)際物聯(lián)網(wǎng)傳感器數(shù)據(jù)集進(jìn)行實(shí)驗(yàn),實(shí)驗(yàn)數(shù)據(jù)可以從網(wǎng)站http://www.merl.com/wmd通過FTP獲得:ftp://wmd@ftp.merl.com/,username: wmd,password:w0rksh0Pwmd。這些數(shù)據(jù)是美國三菱電子研究實(shí)驗(yàn)室公開的一個(gè)大規(guī)模傳感器數(shù)據(jù)集。MERL主要是利用了200個(gè)傳感器來記錄實(shí)驗(yàn)室兩層建筑物辦公人員1年內(nèi)的不同時(shí)間不同位置的活動(dòng)情況。該數(shù)據(jù)集嚴(yán)格滿足周一到周五上班、周末休息的規(guī)律,所以它的一個(gè)內(nèi)在的并且起到?jīng)Q定性作用的周期就是一個(gè)星期。這樣可以節(jié)省MPM中周期事件發(fā)現(xiàn)而采用的卷積算法而消耗的時(shí)間和系統(tǒng)資源,直接采用一星期為一個(gè)周期,同時(shí)SPM的實(shí)時(shí)性和精度方面都能滿足物聯(lián)網(wǎng)中實(shí)體實(shí)時(shí)預(yù)測(cè)的要求。因此,針對(duì)物聯(lián)網(wǎng)的實(shí)時(shí)性要求,本實(shí)驗(yàn)中采用SPM進(jìn)行預(yù)測(cè)。

4.1 各個(gè)位置的預(yù)測(cè)結(jié)果

本文選取從2006年6月12日00∶00∶00到2006年9月10日23∶59∶59這3個(gè)月的7 675 404條數(shù)據(jù),來預(yù)測(cè)2006年9月11日00∶00∶00到2006年9月17日23∶59∶59之間的不同位置傳感器狀態(tài)概率。對(duì)8-North conf、Belady Conference room、Nitta Seminar room、Mall這4個(gè)地方的10個(gè)傳感器在2006年9月13日15∶31∶59時(shí)間點(diǎn)的狀態(tài)進(jìn)行預(yù)測(cè)的結(jié)果如表1所示,其中“O”代表占用,“F”代表空閑,下同。

表1 各位置預(yù)測(cè)結(jié)果Table 1 The predicted results at each point

實(shí)驗(yàn)中,將預(yù)測(cè)概率的臨界設(shè)為0.5,若預(yù)測(cè)到占用的概率大于0.5,則認(rèn)為該傳感器在預(yù)測(cè)時(shí)間點(diǎn)是有事件觸發(fā)的,也即被占用的;若預(yù)測(cè)到占用的概率小于0.5,則認(rèn)為該傳感器在預(yù)測(cè)時(shí)間點(diǎn)是沒有事件觸發(fā)的,也即空閑的。將這些預(yù)測(cè)結(jié)果與這10個(gè)傳感器的實(shí)際情況做比較,發(fā)現(xiàn)該預(yù)測(cè)結(jié)果與實(shí)際情況完全符合,因此該預(yù)測(cè)結(jié)果具有很好的指示性。同時(shí)搜索預(yù)測(cè)時(shí)間短,與文獻(xiàn)[7]中的預(yù)測(cè)排序均需產(chǎn)生20 s的延遲相比,本方法能在2～4 s之間完成一次搜索預(yù)測(cè),大大提高了預(yù)測(cè)的速度,實(shí)時(shí)性好,符合物聯(lián)網(wǎng)實(shí)體實(shí)時(shí)預(yù)測(cè)的高實(shí)時(shí)性要求,通過以上概率預(yù)測(cè)可以及時(shí)告知會(huì)議室的占用情況,準(zhǔn)確性好,且能滿足實(shí)時(shí)搜索預(yù)測(cè)的要求,從而可以將該方法運(yùn)用到更多物聯(lián)網(wǎng)事件預(yù)測(cè)中,如教室占用情況、道路擁堵情況預(yù)測(cè)等,為生活生產(chǎn)帶來極大的便利。

4.2 各個(gè)時(shí)間點(diǎn)的預(yù)測(cè)結(jié)果

另外,本文還對(duì)kitchen(廚房)2006年9月13日一天內(nèi)各個(gè)時(shí)間點(diǎn)占用狀態(tài)做預(yù)測(cè),用2006年6月12日00∶00∶00到2006年9有10日23∶59∶59時(shí)間段中每周同一天的相同時(shí)間點(diǎn)來進(jìn)行預(yù)測(cè)實(shí)驗(yàn),預(yù)測(cè)各個(gè)時(shí)間點(diǎn)廚房被占用的概率。實(shí)驗(yàn)結(jié)果如表2所示。

表2 同一位置各時(shí)間點(diǎn)結(jié)果Table 2 The predicted results of each time point at the same position in kitchen

實(shí)驗(yàn)中給定閾值0.5,即預(yù)測(cè)概率大于0.5的就認(rèn)為被占用,而小于0.5則認(rèn)為是空閑狀態(tài)。同時(shí)對(duì)2006年9月13日各個(gè)時(shí)間點(diǎn)的實(shí)際占用情況也用數(shù)據(jù)表示,若實(shí)際為占用狀態(tài),則概率就為1;若實(shí)際為空閑狀態(tài),則概率就為0。將表2數(shù)據(jù)與實(shí)際情況擬合成曲線,如圖3所示。

圖3 預(yù)測(cè)值與實(shí)際值對(duì)比Fig.3 Comparison between the predicted value and the actual value

由圖3可得,實(shí)際值與預(yù)測(cè)值的曲線基本符合,其中預(yù)測(cè)值小于0.5的表示為空閑狀態(tài),在實(shí)際值中就為0;預(yù)測(cè)值大于0.5的表示為占用狀態(tài),在實(shí)際值中就為1,以0.5作為閾值進(jìn)行歸一化之后,預(yù)測(cè)情況與實(shí)際情況完全符合,可以很好地預(yù)測(cè)出廚房一天中任意時(shí)間的占用情況。

相對(duì)于文獻(xiàn)[7-8]中僅對(duì)預(yù)測(cè)方法的延遲、系統(tǒng)損耗等性能做比較而并未具體實(shí)現(xiàn)實(shí)體事件概率預(yù)測(cè)得出具體概率結(jié)果來說,通過以上實(shí)驗(yàn)方法,可以實(shí)現(xiàn)物聯(lián)網(wǎng)中特定實(shí)體的任意時(shí)間狀態(tài)概率預(yù)測(cè),能給出預(yù)測(cè)事件發(fā)生的概率數(shù)據(jù)以及事件發(fā)生與否的判斷結(jié)果。同時(shí),經(jīng)過與實(shí)際情況的比對(duì),得出該預(yù)測(cè)方法的可靠性和準(zhǔn)確度都很高,能滿足物聯(lián)網(wǎng)實(shí)時(shí)預(yù)測(cè)的要求。

5 結(jié) 語

本文針對(duì)物聯(lián)網(wǎng)中實(shí)體數(shù)據(jù)的強(qiáng)實(shí)時(shí)性和高動(dòng)態(tài)性,對(duì)實(shí)體將來狀態(tài)進(jìn)行了實(shí)時(shí)預(yù)測(cè),介紹了3種預(yù)測(cè)模型,利用過去海量的數(shù)據(jù)建立預(yù)測(cè)模型預(yù)測(cè)出將來實(shí)時(shí)動(dòng)態(tài)的實(shí)體狀態(tài),從而實(shí)現(xiàn)了實(shí)體實(shí)時(shí)事件概率的預(yù)測(cè)以及事件發(fā)生與否的判斷。其中單周期預(yù)測(cè)模型能很好地滿足物聯(lián)網(wǎng)實(shí)體狀態(tài)的實(shí)時(shí)性和動(dòng)態(tài)性,能在2～4 s內(nèi)完成一次搜索預(yù)測(cè),且預(yù)測(cè)結(jié)果精確,均與實(shí)際情況吻合,能為人們對(duì)物聯(lián)網(wǎng)實(shí)體實(shí)時(shí)搜索提供很好的指示作用。在以后的研究中,應(yīng)將周期預(yù)測(cè)模型運(yùn)用到更多的物聯(lián)網(wǎng)實(shí)體中,如交通數(shù)據(jù)流等,以實(shí)現(xiàn)更有意義的預(yù)測(cè)。

[1] Chen L,Tseng M,Lian X.Development of foundation models for Internet of Things[J].Frontiers of Computer Science in China,2010,4(3):376-385.

[2] 姚俊章,余永,葛運(yùn)建.基于實(shí)時(shí)預(yù)測(cè)的傳感器信號(hào)倍頻算法[J].傳感技術(shù)學(xué)報(bào),2011,24(3):376-381. YAO Jun-zhang,YU Yong,GE Yun-jian.Frequency multiplying algorithm for sensor signal based on real-time predicting[J].Sensing Technology,2011,24(3):376-381.(in Chinese)

[3] 劉志成,彭紅星.傳感器輸出時(shí)間序列實(shí)時(shí)預(yù)測(cè)方法的比較研究[J].電子測(cè)量與儀器學(xué)報(bào),2011,25(11): 946-951. LIU Zhi-cheng,PENG Hong-xing.Comparison study on real time prediction method of sensor output time series [J].Electronic Measurement and Instrument,2011,25 (11):946-951.(in Chinese)

[4] 裘江南,王延章,董磊磊,等.基于貝葉斯網(wǎng)絡(luò)的突發(fā)事件預(yù)測(cè)模型[J].系統(tǒng)管理學(xué)報(bào),2011,20(1):98-103,108. QIU Jiang-nan,WANG Yan-zhang,DONG Lei-lei,et al.A model for predicting emergency event based on Bayesian Networks[J].Systems Management Journal, 2011,20(1):98-103,108.(in Chinese)

[5] Mietz R,Romer K.Exploiting correlations for efficient content-based sensor search[C]//Proceedings of 2011 IEEE International Conference on Sensors.Limerick: IEEE,2011:187-190.

[6] Letchner J,Re C,Balazinska M,et al.Access methods for markovian streams[C]//Proceedings of IEEE 25th International Conference on Data Engineering.Shanghai: IEEE,2009:246-257.

[7] Ostermaier B,Romer K,Mattern F,et al.A real-time search engine for the web of things[C]//Proceedings of 2010 IEEE International Conference on Internet of Things (IOT).Tokyo:IEEE,2010:1-8.

[8] Elahi B M,Romer K,Ostermaier B,et al.Sensor ranking:A primitive for efficient content-based sensor search [C]//Proceedings of 2009 International Conference on Information Processing in Sensor Networks.San Francisco,CA:IEEE,2009:217-228.

[9] Reades J,Calabrese F,Sevtsuk A,et al.Cellular census:Explorations in urban data collection[J].IEEE Pervasive Computing,2007,6(3):30-38.

[10] Elfeky M G,Aref W G,Elmagarmid A K.Using convolution to mine obscure periodic patterns in one pass [C]//Proceedings of 9th International Conference on ExtendingDatabaseTechnology.Heraklion,Crete, Greece:IEEE,2004:605-620.

KONG Ying-hui was born in Baoding,Hebei Province,in 1965.She is now a professor with the Ph.D.degree.Her research interests include intelligent information processing and the Internet of Things.

沈丹鳳(1988—),女,碩士研究生,主要研究方向?yàn)槲锫?lián)網(wǎng)。

SHEN Dan-feng was born in 1988.She is now a graduate student.Her research concerns the Internet of Things.

Email:sdf2283400@126.com

A Real-time Forecasting Method of Entities in Internet of Things Based on Cycle Models

KONG Ying-hui,SHEN Dan-feng
(Department of Electronics and Communication Engineering,North China Electric Power University,Baoding 071003,China)

The analysis and processing of vast amounts of data of entities in the Internet of Things(IOT) has become the basis for the development of IOT application layer.Many applications need to predict the states of entities in IOT.States of entities in IOT are strong real-time and high dynamic.By judging cycle mode of entities in IOT and establishing the time window of a specific period of time,reasonable prediction model is used to predict the probability value of future state of entities.The prediction method is of short time-consuming and high accuracy.With this method,the prediction result can be given in 2～4 s and it is in accordance with actual one.It plays a role of good indicator in the decision-making analysis of IOT application layer.

Internet of Things;application layer;entities state;real-time forecasting;cycle model

date:2013-05-28;Revised date:2013-07-29

**通訊作者:sdf2283400@126.com Corresponding author:sdf2283400@126.com

TN915.9

A

1001-893X(2013)10-1347-05

孔英會(huì)(1965—),女,河北保定人,博士,教授,主要研究方向?yàn)橹悄苄畔⑻幚怼⑽锫?lián)網(wǎng);

10.3969/j.issn.1001-893x.2013.10.018

2013-05-28;

2013-07-29