17、传感器数据网络中的趋势聚类克里金插值与在线讨论组用户参与模拟研究

传感器数据网络中的趋势聚类克里金插值与在线讨论组用户参与模拟研究

1. 传感器数据网络中的趋势聚类克里金插值

在传感器数据网络中，趋势聚类克里金插值（TreCK）是一种用于数据插值的有效方法。

1.1 TreCK参数设置

在南美空气气候网络的研究中，TreCK有两个重要参数：
| 参数 | 定义 | 值 |
| — | — | — |
| w | 数据流分割的窗口大小 | 12 |
| δ | 根据变异函数区域的空间边界确定的趋势相似性阈值 | 10°C |

由于数据快照是按月标记的，w 设置为 12 以便将数据流分割为年度窗口。而选择 δ = 10°C 是因为当数据的空间变化超过 10°C 时，单个变异函数无法正确建模，且数据动态变化约为 40°C。

1.2 实验结果

• 克里金计算时间和准确性

  • 数据模型在整个网络的连续窗口上学习，然后用于估计流数据。比较了两种学习方式：在每个快照中从头学习变异函数（TreCKL）和在每个窗口的中心快照中学习变异函数并跨窗口转移（TreCKT）。
  • 结果显示，TreCK 每个窗口确定不同相关模型的区域数量约为 10 个，范围在 6 到 19 个之间。并且，TreCK 平均仅保留 316 个数据点，而传感器每次产生 6477 个数据点，这种数据下采样通过考虑空间温度差异，减少了变异函数的计算时间。
  • 从计算时间和均方根误差来看：
    | 克里金方法 | 平均计算时间（秒） | 平均均方根