基于模型驱动的田间数据压缩采集方法研究

摘要

基于模型驱动的数据采集方法可有效降低数据传输能耗.阐述了差分自回归移动平均模型(ARIMA)、支持向量回归模型(SVR)、线性模型(DBP)和时钟驱动循环神经网络(CW-RNN)等数据预测模型的运行机制.结合空气温度、土壤湿度、果实膨大和风速等数据,探索预测模型的训练参数和误差阈值设置方法.综合考虑数据采集误差、业务数据传输率、模型更新及预测代价等指标,运用熵权逼近最优排序法(TOPSIS)评价模型适用性.结果表明:最佳训练参数与模型机制和数据对象有关,基于前期采样值自动获取误差阈值可行.模型的适用性与数据对象、节点运算资源和网络带宽有关.常量模型Constant的适用性最高,DBP模型次之.ARIMA模型可应用于带宽受限、节点运算资源较为充沛的应用场景,SVR模型可应用于高带宽、节点运算资源受限的应用场景.