基于KNN 和BP 神經(jīng)網(wǎng)絡的物聯(lián)網(wǎng)預測模型

于浩

國網(wǎng)安徽省電力有限公司信息通信分公司,安徽 合肥 230041

從第一臺聯(lián)網(wǎng)的ATM（自動取款機），到第一臺聯(lián)網(wǎng)的筆記本電腦，再到第一個聯(lián)網(wǎng)的移動電話、第一臺聯(lián)網(wǎng)的汽車、第一只聯(lián)網(wǎng)的電表……，越來越多的設備通過蜂窩網(wǎng)、NFC、RF-ID、藍牙、ZigBee 和Wifi 等連接方式連到網(wǎng)絡上。根據(jù)華為公司的預測，到2025 年將有超過1000 億個物體（不包括個人寬帶用戶）被連接起來。任何物體，在任何時間和任何地點都能連接到網(wǎng)絡上，物聯(lián)網(wǎng)（Internet of Things,IoT）正在深刻地影響著人們的生產(chǎn)和生活。在物聯(lián)網(wǎng)中，各種無線傳感器將從物理世界獲取到的信息（信息獲取功能），通過泛在的連接和網(wǎng)絡管道傳送給各種智能的應用進行信息加工和決策（信息處理功能），智能應用將決策的結(jié)果施效到物理世界里，將關注的對象控制在預期的運動狀態(tài)（信息的施效功能）。在這個過程中，泛在的連接充當了非常重要的角色，尤其是處于網(wǎng)絡邊緣的無線傳感器網(wǎng)絡，它們需要支持多樣性的連接方式。但是，有源標簽使用的射頻技術是多種多樣的，比如標簽使用的射頻技術可以是RFID、BLE 或Zig Bee 的。接入設備如何快速融合IoT 領域多樣化的無線接入方式，是需要解決的問題，為了解決無線傳感器網(wǎng)絡數(shù)據(jù)丟失異常問題，本文利用KNN 結(jié)合BP 神經(jīng)網(wǎng)絡提出網(wǎng)絡預測模型，增強無線傳感器網(wǎng)絡的可靠性。

1 物聯(lián)網(wǎng)傳統(tǒng)預測方法

1.1 指數(shù)平滑模型

指數(shù)平滑預測模型是由羅伯特.布朗首次提出的，該模型的遵循時間序列特征，事物的預測應該滿足規(guī)則性和穩(wěn)定性，在時間刻度上，相鄰更近的結(jié)果越可能在未來預測模型的權重更大，結(jié)合模型中的每個時間序列的指數(shù)平滑數(shù)值與之前的一小段時間的指數(shù)平滑值參考加權法平均，可以采用一次指數(shù)的加權平均，也可以使用二次指數(shù)的加權平均，利用指數(shù)平滑值進行預測，其數(shù)學一次和二次指數(shù)平滑的數(shù)學模型如式子（1）和式子（2）所示。

其中st代表一次指數(shù)平滑數(shù)值，α代表權重，每個時間段的數(shù)據(jù)為yt，下一時間段要預測的數(shù)據(jù)則是yt+1，而二次指數(shù)的模型的系數(shù)權重值要根據(jù)式子（3）計算出，通過測定這些系數(shù)，計算出二次指數(shù)平滑的預測值。

1.2 簡單移動平均模型

目前該模型預測方法實現(xiàn)較為簡單，主要是利用一段時間序列內(nèi)的數(shù)值受到周期性影響后，來預算未來時間內(nèi)時間發(fā)生的可能性，其數(shù)學模型的表達如式子（4）所示，通過移動平均的方法減少不明確波動的作用，其中預測值為wt+1，N代表樣本的總數(shù)。

1.3 灰色預測模型

灰色預測模型是介于白盒預測與黑盒預測之間的預測方法，相比于白盒中要素全部明顯和黑盒預測中的要素未知狀態(tài)，灰色預測方法主要針對部分要素未知和已知的狀態(tài)。在時間尺度上，事件序列有n個要素，其表示為式子（5）所示，隨著時間推移，事件狀態(tài)進行積累，新的序列值為式子（6）所示，該序列的微分方程如式子（7）所示。

其中的參數(shù)μ指明內(nèi)生的控制灰值，α為發(fā)展灰數(shù)。利用最小二乘法求解得到預測模型的數(shù)學表達為式子（8）所示，其中X1(k+1)為預測值。

2 神經(jīng)網(wǎng)絡預測模型

2.1 BP 神經(jīng)網(wǎng)絡

BP 神經(jīng)網(wǎng)絡的模型由輸出節(jié)點輸出模型和隱含層節(jié)點輸出模型組成，該神經(jīng)網(wǎng)絡模型具有反向誤差反饋的特征，是一種具有多層傳遞函數(shù)的學習型網(wǎng)絡，其網(wǎng)絡架構如圖1 所示，它具有三個層次，這三層分別是輸入層、中間層以及輸出層，輸入層獲取外界的信息，將信息傳遞給中間層，經(jīng)過中間層的各個神經(jīng)元的計算，傳遞給輸出層，在中間層的過程中，可以由單隱藏層或多隱藏層來處理。

圖1 BP 神經(jīng)網(wǎng)路結(jié)構Fig.1 BP neural network structure

隱藏層節(jié)點到輸出層節(jié)點的權重不同，連接權重系數(shù)分成兩部分，由輸入層節(jié)點Df連接到中間層節(jié)點Dm的權重系數(shù)設為wfm，而中間層節(jié)點Dm到輸出層節(jié)點Dj設為wmj，指明當輸出層將信息輸出給外界時，會將輸出值與實際值進行對比，當誤差達到無法滿足系統(tǒng)要求時，通過反向傳播的方式，調(diào)整修正各層節(jié)點的權重值。在這個權重值不斷修改的過程也是神經(jīng)網(wǎng)絡進行訓練學習的過程，在這個學習的過程中采用最速下降法，直至達到訓練模型的目的，后者滿足預定設置的神經(jīng)網(wǎng)絡訓練次數(shù)。實現(xiàn)該神經(jīng)網(wǎng)絡的算法流程如圖2 所示，隱藏層的誤差計算和自學習的數(shù)學模型表達式分別如式子（9）和（10）所示，在自學習的過程中網(wǎng)絡中順序傳播方向與反向傳播的過程是反復交替出現(xiàn)的，而在物聯(lián)網(wǎng)的預測模型中需要將網(wǎng)絡中的變量進行歸一化的處理。

其中，tpi代表節(jié)點i的期望輸出值，而Opi則是指對于節(jié)點i來說的實際輸出值。式子（10）中的m作為學習因子，α代表動量因子，φ和O都代表是計算誤差值。

圖2 BP 神經(jīng)網(wǎng)絡算法流程Fig.2 BP neural network algorithm process

2.2 KNN 算法理論

K近鄰算法主要是用來計算待測樣本數(shù)據(jù)與總體樣本數(shù)據(jù)的距離，然后將最相鄰的樣本數(shù)據(jù)作為決策對象來使用該算法。KNN 算法中最為重要的部分就是三要素，分別是k值的選取、分類決策的方式以及如何度量距離。其基本思想可以理解為對于某個未知樣本數(shù)據(jù)與從樣本集合中k個樣本是最近鄰的關系，當這k個樣本符合一個具體的類別時，也就確定了未知樣本是也屬于該類別。其中的相似度表示形式是通過歐拉距離來進行度量，其表達式如式子（11）所示。

其中，Vi=(vi1,vi2,…,vin)作為一個樣本，表達式的值越小，說明歐拉距離越小，越是滿足最近鄰的條件，兩個樣本的相似度越大，當使用KNN 算法時，應進行適當?shù)匦拚?，改為式子?2），表明只有正常的數(shù)據(jù)值參與運算，用于預測。

對于k值的選取分析，k值對預測結(jié)果具有很大的影響，較小的k值造成分類的不準確，無法體現(xiàn)樣本的實際意義，而較大的k值則會引入無關的樣本數(shù)據(jù)，造成樣本分類精度的下降。對于KNN算法的衡量可采用均方差來表示，用來描述樣本的分布程度，如式子（13）所示，其中，為期望值，xi代表每個樣本數(shù)據(jù)，n代表數(shù)據(jù)樣本總數(shù)。

3 預測模型的分析

3.1 基于KNN 和BP 神經(jīng)網(wǎng)絡的模型流程

KNN 算法結(jié)合BP 神經(jīng)網(wǎng)絡的預測模型如圖3 所示，該預測模型的預測流程是首先將輸入數(shù)據(jù)輸入到判斷窗口，當存在異常值時，會經(jīng)過KNN 算法的校正，將丟失的數(shù)據(jù)或者是異常的數(shù)據(jù)值由KNN 算法估計值來代替，然后將修正的值傳遞到BP 神經(jīng)網(wǎng)絡中進行學習訓練，建立起基于正確輸入數(shù)據(jù)的模型，BP 神經(jīng)網(wǎng)絡則是依賴于知識庫中的數(shù)據(jù)不斷進行訓練，最后給出預測值。

圖3 結(jié)合KNN 的BP 神經(jīng)網(wǎng)絡預測流程圖Fig.3 BP neural network prediction flow chart combined with KNN

對訓練樣本數(shù)據(jù)流程進行算法描述，首先假設輸入的數(shù)據(jù)的原始樣本為W，數(shù)量為n個，最后得到訓練后的樣本為WKNN，在數(shù)學上的處理，可以將初始樣本W(wǎng)分成兩個結(jié)合W1和W2，對于變量i滿足i∈(0,N]的自然數(shù)，針對每一個Wi，考查數(shù)據(jù)是否正常，不正常將其剔除，置于W2異常數(shù)據(jù)集合，如果正常，則置于W1正常數(shù)據(jù)集合。而對于異常數(shù)據(jù)集合W1，利用KNN 的方法，在正常數(shù)據(jù)集合W1中選取k個最近鄰樣本數(shù)據(jù)，然后通過計算出k個最近鄰的權重系數(shù)，從而得到W2KNN，處理完成后對集合合并成WA，訓練結(jié)束后預測新樣本，利用新的集合輸入到BP 神經(jīng)網(wǎng)絡中，進行模型預測。此時對輸入的新樣本Y，預測結(jié)果。假設μ1為KNN 方法初步的預測概率，當樣本Y滿足矯正條件，從WA中選取k個最近鄰，計算取代異常值權重后，組成新的集合YA，找到樣本YA屬于某類別的概率為P1，再利用BP 神經(jīng)網(wǎng)絡對YA預測，得到P2中概率值最大的類別。α、β分別表示KNN 與BP 神經(jīng)網(wǎng)絡進行預測的置信度權重系數(shù)，應滿足α+β=1。

3.2 預測模型的實驗結(jié)果

為了對模型的預測誤差進行分析，選取安放在不同大樓外的位置的無線傳感器，設置對比實驗組，在相同的時間段內(nèi)采取諸如光照、濕度、溫度和氣壓等參數(shù)來對比，依照這些氣候參數(shù)來預測未來幾天無線傳感器所在位置的天氣狀況，分析哪種模型預測得更加精準。為了簡單起見，主要將預測環(huán)境的天氣結(jié)果分為下雨、陰天和晴天。選取200 條數(shù)據(jù)樣本作為輸入，同時設定k值為5，預測算法的置信度權重設置為α=0.3、β=0.7，異常數(shù)據(jù)個數(shù)大于3 時，判斷為無效樣本，所以針對異常個數(shù)分別為0、1、2、3 時分析預測結(jié)果。實驗的對比結(jié)果如表1 所示。

表1 訓練數(shù)據(jù)集的模型預測結(jié)果Table 1 Model prediction results of training data

由上表，可以分析出當異常數(shù)目增加后，普通的BP 神經(jīng)網(wǎng)絡的預測能力開始下降，準確性有所降低，并不能適應無線傳感器易于數(shù)據(jù)異常的場景，而結(jié)合KNN 的BP 神經(jīng)網(wǎng)絡的預測能力基本一致，適應能力很強，當異常數(shù)目保持在一定數(shù)值范圍內(nèi)，預測準確幾乎不受影響，更適用于無線傳感器擺放較為分散的特點，保證輸入的數(shù)據(jù)樣本的完整性。

4 結(jié)論與展望

本文針對于物聯(lián)網(wǎng)場景中無線傳感器數(shù)據(jù)容易出現(xiàn)異常的特點，首先分析BP 傳統(tǒng)的預測模型，然后提出利用BP 神經(jīng)網(wǎng)絡結(jié)合KNN 算法來解決的方法，K近鄰算法對于調(diào)整補充異常值具有良好的數(shù)據(jù)穩(wěn)定性，增強了預測模型的準確性，該方法相比于傳統(tǒng)的BP 神經(jīng)網(wǎng)絡算法具有更高效的算法實現(xiàn)，均方差更小，對于確保在樣本數(shù)據(jù)值沒有丟失和突變的情況下，保證預測數(shù)據(jù)模型具有最好的預測意義。對于沒有屬性經(jīng)驗的樣本數(shù)據(jù)，計算出經(jīng)驗預測值往往是困難的，而采用文中的預測模型具有更明顯的算法優(yōu)勢，使用該種方法并在實際的案例中應用該方法，具有一定的參考價值。在后續(xù)的研究中，還會繼續(xù)展開優(yōu)化該預測模型，例如可以引入深度學習的方式來訓練模型，利用信息融合技術，進一步地提高在物聯(lián)網(wǎng)環(huán)境中無線傳感器網(wǎng)絡的預測精度與效率。