CARVALHO, C. G. N. de. Correlação espaço-temporal multivariada na melhoria da precisão de predição para redução de dados em redes de sensores sem fio. 2012. 76 f. Tese (Doutorado em Engenharia de Teleinformática) - Centro de Tecnologia, Universidade Federal do Ceará, Fortaleza, 2012. / Submitted by Marlene Sousa (mmarlene@ufc.br) on 2012-09-17T17:32:45Z
No. of bitstreams: 1
2012_tese_cgncarvalhol.pdf: 1210887 bytes, checksum: fdacec2927ed72d889ea69806ddf13d2 (MD5) / Approved for entry into archive by Marlene Sousa(mmarlene@ufc.br) on 2012-09-25T19:13:01Z (GMT) No. of bitstreams: 1
2012_tese_cgncarvalhol.pdf: 1210887 bytes, checksum: fdacec2927ed72d889ea69806ddf13d2 (MD5) / Made available in DSpace on 2012-09-25T19:13:01Z (GMT). No. of bitstreams: 1
2012_tese_cgncarvalhol.pdf: 1210887 bytes, checksum: fdacec2927ed72d889ea69806ddf13d2 (MD5)
Previous issue date: 2012-03 / Prediction of data not sent to the sink node is a technique used to save energy in WSNs by
reducing the amount of data traffic. However, sensor devices must run simple mechanisms
due to its constrained resources, which may cause unwanted errors and this may not be very
accurate. This work proposes a method based on multivariate spatial and temporal correlation
to improve prediction accuracy in data reduction for Wireless Sensor Networks (WSN).
Simulations were made involving simple linear regression and multiple linear regression
functions to assess the performance of the proposed method. The results show a higher
correlation between gathered inputs when compared to variable time, which is an independent
variable widely used for prediction and forecasting. Prediction accuracy is lower when simple
linear regression is used, whereas multiple linear regression is the most accurate one. In
addition to that, the proposed solution outperforms some current solutions by about 50% in
humidity prediction and 21% in light prediction. / A predição de dados não enviados ao sorvedouro é uma técnica usada para economizar
energia em RSSF através da redução da quantidade de dados trafegados. Porém, os
dispositivos devem rodar mecanismos simples devido as suas limitações de recursos, os quais
podem gerar erros indesejáveis e isto pode não ser muito preciso. Este trabalho propõe um
método baseado na correlação espacial e temporal multivariada para melhorar a precisão da
predição na redução de dados de Redes de Sensores Sem Fio (RSSF). Simulações foram feitas
envolvendo funções de regressão linear simples e regressão linear múltipla para verificar o
desempenho do método proposto. Os resultados mostram um maior grau de correlação entre
as variáveis coletadas em campo, quando comparadas com a variável tempo, a qual é uma
variável independente usada para predição. A precisão da predição é menor quando a
regressão linear simples é usada, enquanto a regressão linear múltipla é mais precisa. Além
disto, a solução proposta supera algumas soluções atuais em cerca de 50% na predição da
variável umidade e em cerca de 21% na predição da variável luminosidade.
| Identifer | oai:union.ndltd.org:IBICT/oai:www.repositorio.ufc.br:riufc/3822 |
| Date | 03 1900 |
| Creators | Carvalho, Carlos Giovanni Nunes de |
| Contributors | Gomes, Danielo Gonçalves, Souza, José Neuman de |
| Source Sets | IBICT Brazilian ETDs |
| Language | Portuguese |
| Detected Language | Portuguese |
| Type | info:eu-repo/semantics/publishedVersion, info:eu-repo/semantics/doctoralThesis |
| Source | reponame:Repositório Institucional da UFC, instname:Universidade Federal do Ceará, instacron:UFC |
| Rights | info:eu-repo/semantics/openAccess |
Page generated in 0.002 seconds