CorrelaÃÃo EspaÃo-Temporal Multivariada na Melhoria da PrecisÃo de PrediÃÃo para ReduÃÃo de Dados em Redes de Sensores Sem Fio
Autor(a) principal: | |
---|---|
Data de Publicação: | 2012 |
Tipo de documento: | Tese |
Idioma: | por |
Título da fonte: | Biblioteca Digital de Teses e Dissertações da UFC |
Texto Completo: | http://www.teses.ufc.br/tde_busca/arquivo.php?codArquivo=7771 |
Resumo: | A prediÃÃo de dados nÃo enviados ao sorvedouro à uma tÃcnica usada para economizar energia em RSSF atravÃs da reduÃÃo da quantidade de dados trafegados. PorÃm, os dispositivos devem rodar mecanismos simples devido as suas limitaÃÃes de recursos, os quais podem gerar erros indesejÃveis e isto pode nÃo ser muito preciso. Este trabalho propÃe um mÃtodo baseado na correlaÃÃo espacial e temporal multivariada para melhorar a precisÃo da prediÃÃo na reduÃÃo de dados de Redes de Sensores Sem Fio (RSSF). SimulaÃÃes foram feitas envolvendo funÃÃes de regressÃo linear simples e regressÃo linear mÃltipla para verificar o desempenho do mÃtodo proposto. Os resultados mostram um maior grau de correlaÃÃo entre as variÃveis coletadas em campo, quando comparadas com a variÃvel tempo, a qual à uma variÃvel independente usada para prediÃÃo. A precisÃo da prediÃÃo à menor quando a regressÃo linear simples à usada, enquanto a regressÃo linear mÃltipla à mais precisa. AlÃm disto, a soluÃÃo proposta supera algumas soluÃÃes atuais em cerca de 50% na prediÃÃo da variÃvel umidade e em cerca de 21% na prediÃÃo da variÃvel luminosidade. |
id |
UFC_8a326468a6fbef3eca69ed6b6b4a6019 |
---|---|
oai_identifier_str |
oai:www.teses.ufc.br:5419 |
network_acronym_str |
UFC |
network_name_str |
Biblioteca Digital de Teses e Dissertações da UFC |
spelling |
info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/doctoralThesisCorrelaÃÃo EspaÃo-Temporal Multivariada na Melhoria da PrecisÃo de PrediÃÃo para ReduÃÃo de Dados em Redes de Sensores Sem FioImproving Prediction Accuracy for WSN Data Reduction by Applying Multivariate Spatio-Temporal Correlation2012-03-23Josà Neuman de Souza09779604391http://lattes.cnpq.br/361425614105480057821224391http://buscatextual.cnpq.br/buscatextual/visualizacv.do?id=K4760796P5Carlos Giovanni Nunes de CarvalhoUniversidade Federal do CearÃPrograma de PÃs-GraduaÃÃo em Engenharia de TeleinformÃticaUFCBRTeleinformÃticaSistemas de comunicaÃÃo mÃvelData reduction Prediction accuracy Wireless Sensor NetworkENGENHARIASA prediÃÃo de dados nÃo enviados ao sorvedouro à uma tÃcnica usada para economizar energia em RSSF atravÃs da reduÃÃo da quantidade de dados trafegados. PorÃm, os dispositivos devem rodar mecanismos simples devido as suas limitaÃÃes de recursos, os quais podem gerar erros indesejÃveis e isto pode nÃo ser muito preciso. Este trabalho propÃe um mÃtodo baseado na correlaÃÃo espacial e temporal multivariada para melhorar a precisÃo da prediÃÃo na reduÃÃo de dados de Redes de Sensores Sem Fio (RSSF). SimulaÃÃes foram feitas envolvendo funÃÃes de regressÃo linear simples e regressÃo linear mÃltipla para verificar o desempenho do mÃtodo proposto. Os resultados mostram um maior grau de correlaÃÃo entre as variÃveis coletadas em campo, quando comparadas com a variÃvel tempo, a qual à uma variÃvel independente usada para prediÃÃo. A precisÃo da prediÃÃo à menor quando a regressÃo linear simples à usada, enquanto a regressÃo linear mÃltipla à mais precisa. AlÃm disto, a soluÃÃo proposta supera algumas soluÃÃes atuais em cerca de 50% na prediÃÃo da variÃvel umidade e em cerca de 21% na prediÃÃo da variÃvel luminosidade.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.FundaÃÃo de Amparo a Pesquisa do Estado do PiauÃhttp://www.teses.ufc.br/tde_busca/arquivo.php?codArquivo=7771application/pdfinfo:eu-repo/semantics/openAccessporreponame:Biblioteca Digital de Teses e Dissertações da UFCinstname:Universidade Federal do Cearáinstacron:UFC2019-01-21T11:21:13Zmail@mail.com - |
dc.title.pt.fl_str_mv |
CorrelaÃÃo EspaÃo-Temporal Multivariada na Melhoria da PrecisÃo de PrediÃÃo para ReduÃÃo de Dados em Redes de Sensores Sem Fio |
dc.title.alternative.en.fl_str_mv |
Improving Prediction Accuracy for WSN Data Reduction by Applying Multivariate Spatio-Temporal Correlation |
title |
CorrelaÃÃo EspaÃo-Temporal Multivariada na Melhoria da PrecisÃo de PrediÃÃo para ReduÃÃo de Dados em Redes de Sensores Sem Fio |
spellingShingle |
CorrelaÃÃo EspaÃo-Temporal Multivariada na Melhoria da PrecisÃo de PrediÃÃo para ReduÃÃo de Dados em Redes de Sensores Sem Fio Carlos Giovanni Nunes de Carvalho TeleinformÃtica Sistemas de comunicaÃÃo mÃvel Data reduction Prediction accuracy Wireless Sensor Network ENGENHARIAS |
title_short |
CorrelaÃÃo EspaÃo-Temporal Multivariada na Melhoria da PrecisÃo de PrediÃÃo para ReduÃÃo de Dados em Redes de Sensores Sem Fio |
title_full |
CorrelaÃÃo EspaÃo-Temporal Multivariada na Melhoria da PrecisÃo de PrediÃÃo para ReduÃÃo de Dados em Redes de Sensores Sem Fio |
title_fullStr |
CorrelaÃÃo EspaÃo-Temporal Multivariada na Melhoria da PrecisÃo de PrediÃÃo para ReduÃÃo de Dados em Redes de Sensores Sem Fio |
title_full_unstemmed |
CorrelaÃÃo EspaÃo-Temporal Multivariada na Melhoria da PrecisÃo de PrediÃÃo para ReduÃÃo de Dados em Redes de Sensores Sem Fio |
title_sort |
CorrelaÃÃo EspaÃo-Temporal Multivariada na Melhoria da PrecisÃo de PrediÃÃo para ReduÃÃo de Dados em Redes de Sensores Sem Fio |
author |
Carlos Giovanni Nunes de Carvalho |
author_facet |
Carlos Giovanni Nunes de Carvalho |
author_role |
author |
dc.contributor.advisor1.fl_str_mv |
Josà Neuman de Souza |
dc.contributor.advisor1ID.fl_str_mv |
09779604391 |
dc.contributor.advisor1Lattes.fl_str_mv |
http://lattes.cnpq.br/3614256141054800 |
dc.contributor.authorID.fl_str_mv |
57821224391 |
dc.contributor.authorLattes.fl_str_mv |
http://buscatextual.cnpq.br/buscatextual/visualizacv.do?id=K4760796P5 |
dc.contributor.author.fl_str_mv |
Carlos Giovanni Nunes de Carvalho |
contributor_str_mv |
Josà Neuman de Souza |
dc.subject.por.fl_str_mv |
TeleinformÃtica Sistemas de comunicaÃÃo mÃvel |
topic |
TeleinformÃtica Sistemas de comunicaÃÃo mÃvel Data reduction Prediction accuracy Wireless Sensor Network ENGENHARIAS |
dc.subject.eng.fl_str_mv |
Data reduction Prediction accuracy Wireless Sensor Network |
dc.subject.cnpq.fl_str_mv |
ENGENHARIAS |
dc.description.sponsorship.fl_txt_mv |
FundaÃÃo de Amparo a Pesquisa do Estado do Piauà |
dc.description.abstract.por.fl_txt_mv |
A prediÃÃo de dados nÃo enviados ao sorvedouro à uma tÃcnica usada para economizar energia em RSSF atravÃs da reduÃÃo da quantidade de dados trafegados. PorÃm, os dispositivos devem rodar mecanismos simples devido as suas limitaÃÃes de recursos, os quais podem gerar erros indesejÃveis e isto pode nÃo ser muito preciso. Este trabalho propÃe um mÃtodo baseado na correlaÃÃo espacial e temporal multivariada para melhorar a precisÃo da prediÃÃo na reduÃÃo de dados de Redes de Sensores Sem Fio (RSSF). SimulaÃÃes foram feitas envolvendo funÃÃes de regressÃo linear simples e regressÃo linear mÃltipla para verificar o desempenho do mÃtodo proposto. Os resultados mostram um maior grau de correlaÃÃo entre as variÃveis coletadas em campo, quando comparadas com a variÃvel tempo, a qual à uma variÃvel independente usada para prediÃÃo. A precisÃo da prediÃÃo à menor quando a regressÃo linear simples à usada, enquanto a regressÃo linear mÃltipla à mais precisa. AlÃm disto, a soluÃÃo proposta supera algumas soluÃÃes atuais em cerca de 50% na prediÃÃo da variÃvel umidade e em cerca de 21% na prediÃÃo da variÃvel luminosidade. |
dc.description.abstract.eng.fl_txt_mv |
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. |
description |
A prediÃÃo de dados nÃo enviados ao sorvedouro à uma tÃcnica usada para economizar energia em RSSF atravÃs da reduÃÃo da quantidade de dados trafegados. PorÃm, os dispositivos devem rodar mecanismos simples devido as suas limitaÃÃes de recursos, os quais podem gerar erros indesejÃveis e isto pode nÃo ser muito preciso. Este trabalho propÃe um mÃtodo baseado na correlaÃÃo espacial e temporal multivariada para melhorar a precisÃo da prediÃÃo na reduÃÃo de dados de Redes de Sensores Sem Fio (RSSF). SimulaÃÃes foram feitas envolvendo funÃÃes de regressÃo linear simples e regressÃo linear mÃltipla para verificar o desempenho do mÃtodo proposto. Os resultados mostram um maior grau de correlaÃÃo entre as variÃveis coletadas em campo, quando comparadas com a variÃvel tempo, a qual à uma variÃvel independente usada para prediÃÃo. A precisÃo da prediÃÃo à menor quando a regressÃo linear simples à usada, enquanto a regressÃo linear mÃltipla à mais precisa. AlÃm disto, a soluÃÃo proposta supera algumas soluÃÃes atuais em cerca de 50% na prediÃÃo da variÃvel umidade e em cerca de 21% na prediÃÃo da variÃvel luminosidade. |
publishDate |
2012 |
dc.date.issued.fl_str_mv |
2012-03-23 |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/doctoralThesis |
status_str |
publishedVersion |
format |
doctoralThesis |
dc.identifier.uri.fl_str_mv |
http://www.teses.ufc.br/tde_busca/arquivo.php?codArquivo=7771 |
url |
http://www.teses.ufc.br/tde_busca/arquivo.php?codArquivo=7771 |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.rights.driver.fl_str_mv |
info:eu-repo/semantics/openAccess |
eu_rights_str_mv |
openAccess |
dc.format.none.fl_str_mv |
application/pdf |
dc.publisher.none.fl_str_mv |
Universidade Federal do Cearà |
dc.publisher.program.fl_str_mv |
Programa de PÃs-GraduaÃÃo em Engenharia de TeleinformÃtica |
dc.publisher.initials.fl_str_mv |
UFC |
dc.publisher.country.fl_str_mv |
BR |
publisher.none.fl_str_mv |
Universidade Federal do Cearà |
dc.source.none.fl_str_mv |
reponame:Biblioteca Digital de Teses e Dissertações da UFC instname:Universidade Federal do Ceará instacron:UFC |
reponame_str |
Biblioteca Digital de Teses e Dissertações da UFC |
collection |
Biblioteca Digital de Teses e Dissertações da UFC |
instname_str |
Universidade Federal do Ceará |
instacron_str |
UFC |
institution |
UFC |
repository.name.fl_str_mv |
-
|
repository.mail.fl_str_mv |
mail@mail.com |
_version_ |
1643295162419380224 |