| Περίληψη: | Η απώλεια δεδομένων καθώς και η ανακρίβεια αρκετών από τις τιμές που καταγράφονται αποτελούν γεγονότα που συμβαίνουν συχνά σε ασύρματα δίκτυα αισθητήρων εξαιτίας της φύσης των αισθητήρων που απαρτίζουν ένα τέτοιο σύστημα. Οι αισθητήρες τέτοιων συστημάτων ναι μεν προσφέρουν οικονομικά και ενεργειακά αποδοτικές λύσεις για την παρακολούθηση του περιβάλλοντος, ωστόσο είναι αρκετά ευάλωτοι. Καθόλη τη διάρκεια λειτουργίας τους, μπορούν να καταγραφούν αναξιόπιστα δεδομένα λόγω της επιρροής εξωτερικών αλλά και εσωτερικών παραγόντων όπως είναι για παράδειγμα η πτώση τάσης ή η υπερθέρμανσή τους. Ακραίες τιμές ή τιμές που λείπουν όμως τις περισσότερες φορές προκαλούν δυσκολίες σε διάφορες εφαρμογές. Εάν έχουν καταγραφεί αναξιόπιστα δεδομένα τότε είναι σίγουρο πως τα αποτελέσματα που θα εξαχθούν ύστερα από οποιαδήποτε ανάλυση πάνω σε αυτά θα είναι παραπλανητικά. Σε περιπτώσεις ασυρμάτων δικτύων αισθητήρων που συλλέγουν δεδομένα θερμοκρασίας, υγρασίας και άλλων τέτοιων περιβαλλοντικών μεταβλητών, ελλιπή δεδομένα προκαλούν πρόβλημα εφόσον πολλά από τα υπάρχοντα εργαλεία ανάλυσης δεν μπορούν να επεξεργαστούν δεδομένα στα οποία λείπουν τιμές. Συνεπώς, η συμπλήρωση αυτών των τιμών είναι σημαντική. Στα πλαίσια της διπλωματικής εργασίας, επιλέχθηκε ένα σύνολο δεδομένων το οποίο προέρχεται από ένα τέτοιο δίκτυο αισθητήρων και στο οποίο παρατηρούνται τα παραπάνω προβλήματα. Επομένως, πριν την εφαρμογή διαφόρων αλγορίθμων μηχανικής μάθησης πάνω σε αυτά τα δεδομένα, προηγήθηκε η προεπεξεργασία τους. Κατά το στάδιο της προεπεξεργασίας, αναπτύχθηκε αλγόριθμος ο οποίος συμπληρώνει τις τιμές που λείπουν αξιοποιώντας τόσο τη χωρική όσο και τη χρονική συσχέτιση των δεδομένων εφόσον πρόκειται για δεδομένα χρονοσειράς και κάθε αισθητήρας του συστήματος φέρει τις δικές του συντεταγμένες. Μετά την ολοκλήρωση της προεπεξεργασίας των δεδομένων, εφαρμόστηκαν διάφορα μοντέλα πρόβλεψης επιδιώκοντας την αξιολόγηση της αποτελεσματικότητας καθενός από αυτούς τους αλγορίθμους πρόβλεψης πάνω στα δεδομένα.
|
|---|
