[论文解读] On the importance and feasibility of forecasting data in sensors

Gabriel Martins Dias, Boris Bellalta+1 more|arXiv (Cornell University)|Apr 5, 2016

Sensor Technology and Measurement Systems参考文献 22被引用 9

一句话总结

本文提出在传感器节点上直接应用先进的预测方法（如ARIMA和指数平滑）以减少数据传输，同时不牺牲测量质量。使用真实传感器数据的实验表明，这些方法可将传输量减少高达51.74%，显著降低信道利用率，同时保持分辨率和时间保真度。

ABSTRACT

The first generation of wireless sensor nodes have constrained energy resources and computational power, which discourages applications to process any task other than measuring and transmitting towards a central server. However, nowadays, sensor networks tend to be incorporated into the Internet of Things and the hardware evolution may change the old strategy of avoiding data computation in the sensor nodes. In this paper, we show the importance of reducing the number of transmissions in sensor networks and present the use of forecasting methods as a way of doing it. Experiments using real sensor data show that state-of-the-art forecasting methods can be successfully implemented in the sensor nodes to keep the quality of their measurements and reduce up to 30% of their transmissions, lowering the channel utilization. We conclude that there is an old paradigm that is no longer the most beneficial, which is the strategy of always transmitting a measurement when it differs by more than a threshold from the last one transmitted. Adopting more complex forecasting methods in the sensor nodes is the alternative to significantly reduce the number of transmissions without compromising the quality of their measurements, and therefore support the exponential growth of the Internet of Things.

研究动机与目标

• 评估在无线传感器节点上直接实现预测算法以减少数据传输的可行性和优势。
• 评估最先进的预测方法是否能在减少传输次数的同时保持真实传感器网络中测量质量。
• 确定预测模型计算复杂度与其在最小化冗余传输方面有效性的权衡关系。
• 识别在传感器网络中预测最有效的实际条件——如内存、计算能力和历史数据长度。
• 为未来传感器网络设计提供基准，通过预测分析将数据处理从中心服务器向边缘设备转移。

提出的方法

• 在传感器节点上直接应用ARIMA和指数平滑（ES）预测模型，基于历史数据预测未来测量值。
• 采用基于阈值的传输策略：仅当实际测量值与预测值的偏差超过传感器分辨率时，传感器才进行传输。
• 将传感器分辨率校准为真实数据中可检测到的最小变化，以确保预测精度不会损害测量质量。
• 在四个真实世界数据集（空气质量、小球追踪、跑步GPS、Sensorscope）上评估性能，其时间动态和采样率各不相同。
• 将传输减少量作为相对于基线恒定值传输策略的节省传输百分比进行测量。
• 使用AICC和AIC准则优化模型选择，以在精度和计算成本之间取得平衡。

实验结果

研究问题

• RQ1 预测方法是否能在不降低测量质量的前提下减少传感器网络中的传输次数？
• RQ2 ARIMA和指数平滑在减少多样化真实世界传感器数据类型中的冗余传输方面效果如何？
• RQ3 预测模型实现显著传输节省所需的最小历史数据长度是多少？
• RQ4 传感器分辨率如何影响预测在减少传输方面的有效性，同时保持数据保真度？
• RQ5 在资源受限的传感器节点上，预测模型的计算复杂度与其传输减少性能之间的权衡关系如何？

主要发现

• 在跑步（经度）数据集中，ARIMA模型将传输量减少了高达51.74%，表明在动态追踪场景中具有高度有效性。
• 在小球数据集中，指数平滑实现了高达43.03%的传输减少，表明其在间歇性或非平稳数据中表现优异。
• 预测模型需要至少50至200个历史值才能持续优于基线恒定传输策略。
• 即使窗口长度较短（例如5–10），某些数据集中的预测方法仍能减少传输，表明其在实时应用中的潜力。
• 当传感器分辨率与预测误差对齐时，传输节省达到最大，确保预测值满足最小可检测测量阈值。
• 本研究证实，预测可将传输量在典型场景中减少高达30%，在间歇性场景中高达85%，并以实证数据验证了理论预期。