CorrelaÃÃo EspaÃo-Temporal Multivariada na Melhoria da PrecisÃo de PrediÃÃo para ReduÃÃo de Dados em Redes de Sensores Sem Fio

Detalhes bibliográficos
Autor(a) principal: Carlos Giovanni Nunes de Carvalho
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 PiauÃ
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 CearÃ
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 CearÃ
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

Registros relacionados