Drahtlose Sensornetzwerke (WSNs) leiden unter übermäßiger Datenredundanz aufgrund dichter Bereitstellung und überlappender Erfassungsregionen. Traditionelle Datenaggregationsmethoden reduzieren Redundanzen, scheitern jedoch oft daran, Energieeffizienz, Genauigkeit und Anpassungsfähigkeit in Einklang zu bringen. Dieser Artikel schlägt ein hybrides raum-zeitliches maschinelles Lernmodell zur Datenaggregation (HST-MLDA) vor, das Clustering, Korrelationsanalyse und leichte maschinelle Lerntechniken integriert, um redundante Daten effektiv zu eliminieren. Das vorgeschlagene Modell kombiniert zeitliche Filterung auf der Knotenebene und räumliche Korrelation auf der Cluster-Ebene, gefolgt von klassifikationsbasierter Eliminierung von Redundanzen. Simulationsbasierte Analysen zeigen eine verbesserte Lebensdauer des Netzwerks, einen reduzierten Energieverbrauch und eine verbesserte Datenqualität im Vergleich zu traditionellen Aggregationstechniken.
Padiya et al. (Sun,) haben diese Frage untersucht.