一种基于组合模型的多传感器节点缺失数据填充方法技术

本发明专利技术公开了一种基于组合模型的多传感器节点缺失数据填充方法，属于传感器网络领域中的数据缺失填充技术领域，该填充方法首先在时间维度，针对卷积神经网络对时序数据不敏感的问题，引入具有“记忆”的长短期记忆网络，与能够自主提取和学习有效特征结构的卷积神经网络相结合进行时间维度的预填充；然后针对传感器网络中多节点缺失的问题，在空间维度引入了用户协同过滤算法，辅助挖掘节点间的空间相关性，结合卷积神经网络解决传感器网络中多节点缺失的问题，完成空间维度的预填充；最后将两个维度各自的预填充结果通过全网络连接进行融合得到最终的填充结果。本发明专利技术的效果和益处是采用基于组合模型的填充方法，保证了有更高的填充精度。高的填充精度。高的填充精度。

【技术实现步骤摘要】
一种基于组合模型的多传感器节点缺失数据填充方法

：
[0001]本专利技术属于传感器网络领域中的数据缺失填充
，具体涉及一种基于组合模型的多传感器节点缺失数据填充方法。

技术介绍
：
[0002]人们通过传感器节点获取物理世界的信息数据，之后再由网络将数据传送给用户进行进一步处理。现实世界中所获取到的监测数据往往存在缺失，例如，长期连续工作在野外环境的传感器节点，由于工作环境恶劣或动物踩踏等原因，零部件可能出现故障或损坏等问题；传感器自身能量和存储能力有限，造成节点监测数据缺失；由于气象变化造成网络传输不稳定或中断，同样可能造成监测数据出现缺失。
[0003]由于传感器网络自身的特殊性，因此传感器节点采集的监测数据有以下几个特性：1)随机性：受多因素影响，无法预知哪一监测时刻的数据会发生缺失，因此传感器网络中监测数据的缺失是随机的；2)数据结构简单：传感器节点主要是对监测区域内的环境数据进行采集，通常是数值型数据、图像数据；3)数据间的相关性：同一节点的监测数据具有时间相关性，因为传感器节点是对监测对象的物理变量进行连续的监测。监测区域内，传感器网络大多采取放置多个节点的策略，因此同一区域内的节点具有空间相关性。
[0004]当数据缺失问题无法避免时，为了从海量数据中获得有用的知识和信息为决策者提供有效依据，需要对缺失数据进行填充。人工神经网络是一种模拟人类大脑思考的非线性模型，在无需先验知识的情况下逼近非线性函数。卷积神经网络(CNN)是在传统神经网络的基础上发展而来的一种多层网络结构，CNN通过权值共享和局部连接增强了网络泛化能力，减少神经元之间的连接数目，不仅加深了模型的深度而且易于训练。CNN在人脸特征提取、图像语义分割等多个方面表现突出，同时在回归问题上也取得了很好的成果。将卷积神经网络应用于含有缺失数据的传感器网络中，自主提取和学习有效的时间和空间特征，实现传感器节点的缺失数据填充，可以有效提高精度。

技术实现思路
：
[0005]针对现有技术中的不足，本专利技术结合神经网络理论和用户协同过滤理论，提出一种精度好且具有可适应性的基于组合模型的多传感器节点缺失数据填充方法。
[0006]本专利技术的技术方案如下：
[0007]一种基于组合模型的多传感器节点缺失数据填充方法，包括如下步骤：
[0008]1)基于时间序列的缺失数据填充；
[0009]2)基于空间节点的缺失数据填充；
[0010]3)基于融合的缺失数据填充。
[0011]进一步地，所述的步骤1)中，包括如下步骤：
[0012]步骤1.1：对于目标传感器节点S
n
的时间序列监测数据，根据局部时间索引(Local Time Index,LTI)策略，生成t-1时刻的原始训练样本一维向量p
t-1
和t时刻的原始测试样本
一维向量q
t
；
[0013]步骤1.2：利用公式(1)将原始训练样本和原始测试样本中的一维序列转换成二维信息矩阵X，其中x(a1,
…
,a
n
)为构建的原始列向量，x
T
为x的转置向量；
[0014][0015]步骤1.3：对于目标传感器节点S
n
的时间序列二维信息矩阵，使用CNN对时间维度的输入矩阵进行特征提取；
[0016]步骤1.4：LSTM通过学习CNN输出的具有时间特征的信息，完成缺失值的估算，得到时间维度的预填充结果
[0017]进一步地，所述的步骤2)中，包括如下步骤：
[0018]步骤2.1：根据N-1个传感器的时间序列数据集合data，使用用户协同过滤(UCF)算法，获取目标传感器节点S
n
在t时刻对应的最佳匹配节点集合；
[0019]步骤2.2：根据最佳匹配节点集合V中每个节点同一时间戳下的监测数据，构造原始训练样本和原始测试样本，由公式(1)转变为二维信息矩阵，生成模型的训练集和测试集；
[0020]步骤2.3：使用CNN网络对缺失数据进行填充，得到空间维度的预填充结果
[0021]进一步地，所述的步骤3)中，包括如下步骤：
[0022]步骤3.1：选取时间、空间维度的预填充结果和作为输入变量；
[0023]步骤3.2：使用神经网络全连接网络非线性融合时间、空间维度的预填充结果和即首先将这两个输入变量赋值给输入层对应的神经元，然后传递给隐含层中的神经元进行信息的交换，最后输出层将融合交换后的信息进行输出，得到最终的基于时空的填充结果
[0024]进一步地，所述的步骤1.1的具体过程为：
[0025]1.11：传感器节点S
n
的时间序列表示为S
n
＝(＜d1,1＞,
…
,＜d
t
,t＞,
…
＜d
T
,T0＞)，其中d
t
表示节点S
n
在t(t∈{1,2,
…
,T0})时刻的观测值；
[0026]1.12：按照给出的公式计算局部时间索引：
[0027]t
min
＝min(GTI
i
)
ꢀꢀ
(2)
[0028]LTI
i
＝GTI
i-t
min
ꢀꢀ
(3)
[0029]其中，i表示全局索引中的第i个时刻，GTI
i
表示所截取的全局索引(连同缺失时刻)，LTI
i
表示局部时间索引；
[0030]1.13：按照LTI，生成t-1时刻的原始训练样本一维向量p
t-1
和t时刻的原始测试样本一维向量q
t
。
[0031]进一步地，所述的步骤2.1的具体过程为：
[0032]根据N-1个传感器的时间序列数据集合data，使用用户协同过滤(UCF)算法，利用公式(4)获取目标传感器节点S
n
在t时刻对应的最佳匹配节点集合：
[0033][0034]其中，传感器节点S
n
在t时刻发生数据缺失现象，t时刻未发生缺失现象的传感器节点S
u
，u(u∈{1,2，...,N},u≠n)，Sim(S
n
,S
u
)表示S
n
、S
u
两个传感器节点的相似度，I
nu
表示传感器节点S
n
和传感器节点S
u
在同一时刻都存在读数的时间戳集合，d
n,i
和d
u,i
表示局部监测数据矩阵中传感器节点S
n
和传感器节点S
u
在i时刻的监测数据，和表示传感器节点S
n
和传感器节点S
u
所有有效监测数本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于组合模型的多传感器节点缺失数据填充方法，其特征在于：包括如下步骤：1)基于时间序列的缺失数据填充；2)基于空间节点的缺失数据填充；3)基于融合的缺失数据填充。2.根据权利要求1所述的一种基于组合模型的多传感器节点缺失数据填充方法，其特征在于：所述的步骤1)中，包括如下步骤：步骤1.1：对于目标传感器节点S
n
的时间序列监测数据，根据局部时间索引策略，生成t-1时刻的原始训练样本一维向量p
t-1
和t时刻的原始测试样本一维向量q
t
；步骤1.2：利用公式(1)将原始训练样本和原始测试样本中的一维序列转换成二维信息矩阵X，其中x(a1,
…
,a
n
)为构建的原始列向量，x
T
为x的转置向量；步骤1.3：对于目标传感器节点S
n
的时间序列二维信息矩阵，使用CNN对时间维度的输入矩阵进行特征提取；步骤1.4：LSTM通过学习CNN输出的具有时间特征的信息，完成缺失值的估算，得到时间维度的预填充结果3.根据权利要求1所述的一种基于组合模型的多传感器节点缺失数据填充方法，其特征在于：所述的步骤2)中，包括如下步骤：步骤2.1：根据N-1个传感器的时间序列数据集合data，使用用户协同过滤算法，获取目标传感器节点S
n
在t时刻对应的最佳匹配节点集合；步骤2.2：根据最佳匹配节点集合V中每个节点同一时间戳下的监测数据，构造原始训练样本和原始测试样本，由公式(1)转变为二维信息矩阵，生成模型的训练集和测试集；步骤2.3：使用CNN网络对缺失数据进行填充，得到空间维度的预填充结果4.根据权利要求1所述的一种基于组合模型的多传感器节点缺失数据填充方法，其特征在于：所述的步骤3)中，包括如下步骤：步骤3.1：选取时间、空间维度的预填充结果和作为输入变量；步骤3.2：使用神经网络全连接网络非线性融合时间、空间维度的预填充结果和即首先将这两个输入变量赋值给输入层对应的神经元，然后传递给隐含层中的神经元进行信息的交换，最后输出层将融合交换后的信息进行输出，得到最终的基于时空的填充结果5.根据权利要求2所述的基于组合模型的多传感器节点缺失数据填充方法，其特征在于：所述的步骤1.1的具体过程为：1.11：传感器节点S
n
的时间序列表示为S
...

【专利技术属性】
技术研发人员：许国艳，张网娟，景子栩，
申请(专利权)人：河海大学，
类型：发明
国别省市：