15、基于趋势聚类的克里金插值在传感器数据网络中的应用

基于趋势聚类的克里金插值在传感器数据网络中的应用

1. 引言

无线传感器网络正逐渐成为监测物理现象的重要工具，如天气、污染、交通等。每个传感器节点都具备计算和存储能力，其寿命取决于能源的合理利用。然而，传感器网络在数据采集过程中面临诸多挑战，例如节点断电、时间同步错误、干扰、网络传输故障、传感器硬件问题或通信能耗过高等，这些问题导致信息获取困难。

一方面，提高传感器密度可以获取更多数据、更高分辨率和更准确的结果，但这需要更多的通信和处理资源。另一方面，传感器可能由于内存限制、主动关闭或损坏、特定位置无传感器等原因，无法提供完整信息。因此，我们需要一种有效的方法来估计未采样位置和时间点的数据。

为了解决这些问题，本文研究了一种数据挖掘方法，结合克里金（Kriging）技术和趋势聚类发现，以减少通信和能源需求，同时保持合理的数据准确性。

2. 问题提出与基本概念

2.1 传感器数据网络模型

采用快照模型来表示传感器网络连续产生的随机字段 $Z$ 的数据。每个传感器测量的数据与二维空间点（如经纬度）地理参考，并标记时间戳。在时间 $t_i$ 的快照 $D(t_i)$ 是一组具有时间戳的数据，可通过随机字段函数 $Z(·)$ 的时间戳离散化表示。

传感器网络数据流 $D$ 是一系列连续的时间戳快照：
$D = D(t_1), D(t_2), … D(t_i), …)$ (1)

在基于计数的窗口模型中，数据流被分解为连续的 $w$ 个快照窗口。当一个窗口完成后，进行分析并可选择丢弃或存储数据。

以下是传感器数据网络模型的关键信息表格：
| 模型