基于物联网数据仿真建模的关键方法研究及其应用

发布时间：2020-01-22 00:01

【摘要】：在物联网中,最重要、最核心的单元是种类各异、功能各异的大大小小传感器。随着传感器技术的不断发展,传感器部署成本不断降低等因素的影响,越来越多的传感器将会部署到城市的各个角落。与此同时,建立起对这些传感器管理、控制、分享平台的需求将会变得越来越突出。而在建立物联网传感器管理平台会面临如下一些问题：由于通常建立起管理平台与部署传感器的工程是同时进行的,对管理平台的并发性要求以及能否应对大数量级的传感器的处理问题将会凸显出来。这些问题对于传感器平台的架构设计以及后期调整会有重大的影响。另外,对于传感器管理平台的性能测试来说,测试组会实地部署大量的测试传感器用来测试传感器管理平台的性能,而在部署过程中会耗费掉大量的人力与物力。这对于建立传感器管理平台来说会增加额外的成本。其次,对于千差万别的传感器数据,如何从中提取出有价值的模式信息,构建基于传感器变化特性的数据模型,便于对数据进行后续的处理,进而便于对数据分析整理,仍是待解决的问题。针对上述问题,本文主要研究集中在两个方向点上,一是研究基于物联网传感器的仿真数据模型的关键方法。即基于现有实验室所搭建的物联网研究环境,收集已有传感器数据,对物联网中的传感器特性进行分析研究,并根据物联网传感器特征设计用于传感器数据仿真的关键算法。本文提出基于物联网数据的短期回归预测模型与基于物联网数据的周期模式提取模型这两个用于传感器数据建模的关键模型。另一方面是对设计物联网数据仿真资源开放平台系统架构以及关键模块设计进行相关的研究工作,搭建出物联网数据仿真资源开放平台,为之前建立的传感器数据仿真模型提供运行的环境以及对外服务媒介。另外,基于JAVAWEB完成对于物联网数据仿真资源开放平台的关键模块的相关开发工作。
【图文】：

相对湿度,纵轴,横轴,数据

一二年一月到二零一三年五月的数据。本文将数据导入到MATLAB中，根据时间与幅值，绘制了图3-1至图34的数据图。（图3-1至图3-4的横轴是时间跨度，纵轴接下图的顺序分别是0.1摄氏度rC)、0.1米每秒（m/s)、0.1百帕（hPa)、1%相对湿度）根据数据的图示，可以发现不同的传感器的数据趋势以及模式都不尽相同，这对传感器数据分析带来了难度与挑战。但是，本文可以从周期性、波动性、数据趋势三方面对这些传感器数据进行分类分析。例如，从周期性来分析，温度传感器数据和气压传感器数据具有明显的周期性。这是因为从以一年数据为基础来看，温度数据在一年中会经历春夏秋冬四季。而对于温度来说，每年与每年的数据差别不是非常大，因此从以年的角度来看，温度数据保持周期性较为明显。而与此相对

模型仿真,气压传感器,温度数据,测试集

..….1..,......,.._,.-...丨—...丨Mu 丨叫，，__I■叫....曙丨丨—__—“，图3-5 基于物联网数据的短期回归预测模型3.2.3模型仿真与结果分析3.2.3.1模型仿真在仿真中，本文选用之前提到的测量北京地区的风力传感器数据、气压传感器数据、温度数据、相对湿度数据作为主要分析的目标。其中，每个传感器数据中有517个数据点。本文将其分成训练集和测试集两部分。取前400个数据点为训练数据点，后40个数据为测试数据点。在测试中，本文将测试一步预测、两步预测、三步预测来作为测试的内容。同时，采用其他现有较好的模型来验证提出模型的优势，其中包括SVR、EMD-SVR、ARIMA三种模型。本文采用两种指标来对测试结果进行量化
【学位授予单位】：北京邮电大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：TN929.5;TP391.44

【参考文献】