基于AR模型的WSN流量多步预测算法研究

针对WSN流量预测,基于AR模型提出一种WSN流量双卡尔曼并行递推预测算法,该算法使用两个Kalman滤波器,交替进行AR模型参数的递推辨识与时变数据中真实值的最优估计,根据序列数据的最新信息实时修正AR模型参数进行动态预测。同时针对大步长的流量预测,引入滚动修正思想,克服动态预测算法存在间隔时间过长的缺点,降低多步预测误差。实验研究表明,利用研究的双卡尔曼并行递推算法使用A

第 1 O卷第 4期 21年 1 01 2月

广东轻工职业技术学院学报J OURNA L 0F GU AN GD 0N G ND USTRY I TECHN I CAL C0 LLEGE

VO . 0 1 1

N o. 4

De . 2 1 c 01

基于 A R模型的 WS N流量多步预测算法研究术叶廷东(东轻工职业技术学院计算机工程系，东广州 500 )广广 13 0

摘

要：对 WS针 N流量预测，于 A基 R模型提出一种 WS N流量双卡尔曼并行递推预测算

法，算法使用两个 K l a该 am n滤波器，交替进行 A R模型参数的递推辨识与时变数据中真实值的最优估计，据序列数据的最新信息实时修正 A根 R模型参数进行动态预测。同时针对大步长的流量预测，引入滚动修正思想，服动态预测算法存在间隔时间过长的缺克

点，降低多步预测误差。实验研究表明，用研究的双卡尔曼并行递推算法使用 A利 R模型进行多步预测，原理设计和实现算法上，从实现了 WS流量的准确预测。 N

关键词：A R模型；线传感器网络；尔曼；无卡预测；网络流量中图分类号： P 9 .6 T 2 4文献标识码：文章编号：17 .9 0 2 1 )40 0 -5 T 3 30,P7 A 6 2 15 ( 0 1 0 -0 10网络实时监测是 WS Wi ls S no e N( r es e srN t e .

型参数进行在线估计。目前 WS N流量预测时对 A R模型参数进行估计的方法主要是：自适用 L MS( e s Me n q ae)方法和 RL L at a S u r S(R c rie e s e u s L at v

w rs ok,WS有效管理的基础，中网络流量管理 N)其是网络监测中的重要方面，已有研究成果表明无线

网络流量预测对 WS N管理具有重要意义，如可以譬优化路由选择机制、行拥塞控制、长 WS进延 N生存期等。 WS N流量预测算法主要有 Makv、 R、 ro A’ A MA R 和基于小波的 F RI 等。其中 A A MA R预

Sur) q ae方法等

,于L基 s的方法有两方面不

足：当模型噪声是有色噪声时，小二乘参数估计①最不是无偏、一致估计；随着数据的增

长，小二乘②最法将出现“数据饱和”象，致参数估计值不能跟现导踪时变参数的变化。论文将针对上述问题，出一提

测模型是线性时间序列的基本原型之一，作为一它种动态有限参数预测模型，考虑了有限时间以内既的历史数据，具有一定的记忆功能；同时又反映了数据的随机与统计特性，合于具有强随机性数据序适列的预测。其中， R模型分析作为一种动态有 A限参数预测模型，它考虑了有限时间以内的历史数据，具有一定的记忆功能；同时又反映了数据的随机与统计特性，适合于具有强随机性数据序列的在线预测， R模型若用一个含有足够多参数的模型去 A

种基于窗口的动态预测方法，用双卡尔曼对 A 利 R模型参数进行自适应估计，现对 WS实 N流量的动态预测。

1时间序列多步预测方法 通常 WS N整个工作时间可间隔地分为很多均匀工作周期，每个工作周期采集其原始网络流量它构成一时间序列{ ( )}然后节点进行睡眠，间 k,再隔若干周期进行侦听，因此节点流量的变化将需要体现在未来的若干个周期中。 自回归 A n时间序列模型定义为： ( R( ) k+1 )=0l k ( )+02( k一1…+0 ( )+ k—n+1 )+

拟合一系列数据集，以达到最佳拟合度，可且模型算法简单。 从A R预测模型的研究看，使用 A模型进要 R行动态预测，须在确定 A必 R模型阶次后， A对 R模收稿日期： 0 1—1 0 21 1— 6

基金项目：莞市科技计划项目( 0 O8 5 O 1 6,东轻工职业技术学院 2 1东 2 10 14 O 5 )广 0 0年科技基金 ( J0 0 2 K 2 12 )

作者简介：叶廷东 ( 96 )男， 17一，讲师，士。博

本文来源：https://www.bwwdw.com/article/d1h1.html