張普寧劉元安 吳 帆 唐碧華 吳 超

（北京郵電大學(xué)智慧無線移動(dòng)信息技術(shù)中心 北京 100876）

物聯(lián)網(wǎng)中適用于內(nèi)容搜索的實(shí)體狀態(tài)匹配預(yù)測(cè)方法

張普寧*劉元安 吳 帆 唐碧華 吳 超

（北京郵電大學(xué)智慧無線移動(dòng)信息技術(shù)中心 北京 100876）

對(duì)實(shí)體匹配用戶內(nèi)容搜索的狀態(tài)進(jìn)行預(yù)測(cè)可顯著提高物聯(lián)網(wǎng)搜索的效率，降低搜索過程的通信開銷。該文提出等時(shí)距與周期內(nèi)實(shí)體狀態(tài)預(yù)測(cè)方法，估計(jì)實(shí)體在用戶查詢時(shí)刻的狀態(tài)；設(shè)計(jì)了適用于內(nèi)容搜索的有序驗(yàn)證方法，依據(jù)實(shí)體匹配用戶查詢內(nèi)容的概率對(duì)實(shí)體進(jìn)行排序驗(yàn)證，以保證用戶搜索結(jié)果的可靠性。結(jié)果表明，所提實(shí)體狀態(tài)預(yù)測(cè)方法具有較高的精度，結(jié)合所提預(yù)測(cè)方法與匹配驗(yàn)證方法的搜索機(jī)制具有較低的通信開銷。

物聯(lián)網(wǎng)；內(nèi)容搜索；狀態(tài)預(yù)測(cè)；匹配驗(yàn)證

1 引言

面對(duì)物聯(lián)網(wǎng)中海量、多樣化的物理實(shí)體，如何快速、準(zhǔn)確地搜索用戶需要的物理實(shí)體是物聯(lián)網(wǎng)搜索服務(wù)需解決的根本問題［1］。傳統(tǒng)的搜索引擎主要用于搜索網(wǎng)頁及pdf， doc文件等靜態(tài)或緩變的非結(jié)構(gòu)化內(nèi)容，而物聯(lián)網(wǎng)中數(shù)據(jù)具有較強(qiáng)的時(shí)空特性，其建立的索引為爬取時(shí)刻的內(nèi)容［2］，無法即時(shí)呈現(xiàn)物理實(shí)體的實(shí)時(shí)狀態(tài)。因此，如何設(shè)計(jì)高效的物聯(lián)網(wǎng)實(shí)體搜索機(jī)制是物聯(lián)網(wǎng)中的關(guān)鍵性問題。

目前，國(guó)內(nèi)外針對(duì)物聯(lián)網(wǎng)實(shí)體搜索的研究剛剛起步。文獻(xiàn)［3， 4］對(duì)物聯(lián)網(wǎng)搜索服務(wù)的內(nèi)容、特點(diǎn)和典型系統(tǒng)以及物聯(lián)網(wǎng)搜索技術(shù)面臨的挑戰(zhàn)和發(fā)展趨勢(shì)進(jìn)行了概括。為避免物聯(lián)網(wǎng)搜索過程中信息資源泛濫，降低搜索過程中的通信開銷，文獻(xiàn)［5］設(shè)計(jì)了Dyser搜索引擎，將傳感器與物理實(shí)體的狀態(tài)信息均抽象為Web網(wǎng)頁，并提出可估計(jì)實(shí)體周期性狀態(tài)的預(yù)測(cè)模型。通過計(jì)算實(shí)體頁面與搜索內(nèi)容匹配的概率，獲得可能匹配搜索請(qǐng)求的物理實(shí)體的集合。然而，文中基于傳感器節(jié)點(diǎn)可獲取實(shí)體的周期性高級(jí)狀態(tài)的假設(shè)。因此，上述搜索機(jī)制對(duì)采用低成本傳感器且實(shí)體狀態(tài)轉(zhuǎn)換周期性不顯著的應(yīng)用場(chǎng)景適用性較差。

針對(duì)上述問題，文獻(xiàn)［6］提出支持基于內(nèi)容的搜索機(jī)制（CSS），利用傳感器的原始輸出時(shí)間序列歷史數(shù)據(jù)構(gòu)建實(shí)體狀態(tài)預(yù)測(cè)模型，估計(jì)實(shí)體與查詢內(nèi)容匹配的概率，以搜索與用戶需求匹配概率較高的傳感器。然而，CSS的實(shí)體狀態(tài)估計(jì)方法具有時(shí)間獨(dú)立性，忽略了物聯(lián)網(wǎng)中實(shí)體狀態(tài)隨時(shí)間動(dòng)態(tài)變化的特性，未準(zhǔn)確感知實(shí)體狀態(tài)的動(dòng)態(tài)變化趨勢(shì)，造成對(duì)實(shí)體狀態(tài)的估計(jì)精度較差，從而給物聯(lián)網(wǎng)的實(shí)體搜索過程帶來較多的通信開銷。

為解決上述問題，本文提出適用于物聯(lián)網(wǎng)內(nèi)容搜索的實(shí)體狀態(tài)匹配預(yù)測(cè)（Entity State Matching Prediction， ESMP）方法，通過傳感器采集的實(shí)體狀態(tài)歷史記錄構(gòu)建實(shí)體狀態(tài)預(yù)測(cè)模型，預(yù)測(cè)實(shí)體在用戶查詢時(shí)刻的狀態(tài)，并結(jié)合用戶提交的查詢內(nèi)容，提出實(shí)體狀態(tài)匹配估計(jì)方法，估計(jì)實(shí)體與用戶查詢內(nèi)容的匹配概率，進(jìn)而，依據(jù)匹配概率進(jìn)行實(shí)體狀態(tài)的有序匹配驗(yàn)證，以降低搜索過程中的通信開銷。

2 物聯(lián)網(wǎng)內(nèi)容搜索服務(wù)架構(gòu)

本文所提ESMP搜索服務(wù)架構(gòu)如圖1所示。用戶通過客戶端發(fā)出內(nèi)容搜索請(qǐng)求；物聯(lián)網(wǎng)網(wǎng)關(guān)負(fù)責(zé)搜索請(qǐng)求的下發(fā)及傳感器上報(bào)數(shù)據(jù)的收集；預(yù)測(cè)模型數(shù)據(jù)庫用于存儲(chǔ)傳感器上報(bào)的歷史數(shù)據(jù)與預(yù)測(cè)模型；傳感器用于采集實(shí)體狀態(tài)數(shù)據(jù)，實(shí)體為最終的搜索對(duì)象。

物聯(lián)網(wǎng)搜索系統(tǒng)中有多個(gè)物聯(lián)網(wǎng)網(wǎng)關(guān)分布在Internet中，每個(gè)網(wǎng)關(guān)負(fù)責(zé)一個(gè)或多個(gè)傳感器網(wǎng)絡(luò)，并與該傳感器網(wǎng)絡(luò)的預(yù)測(cè)模型數(shù)據(jù)庫關(guān)聯(lián)。物聯(lián)網(wǎng)網(wǎng)關(guān)通過周期性地爬取傳感器發(fā)布的web頁面來獲取傳感器當(dāng)前的讀數(shù)，并將讀數(shù)存入預(yù)測(cè)模型數(shù)據(jù)庫中用來構(gòu)建實(shí)體狀態(tài)的預(yù)測(cè)模型。

客戶端通過GUI界面發(fā)起搜索請(qǐng)求，用戶請(qǐng)求首先由上層網(wǎng)關(guān)進(jìn)行處理，按照地理位置等具有區(qū)分度的信息進(jìn)行分類，并下發(fā)到下層網(wǎng)關(guān)進(jìn)行內(nèi)容查詢的搜索。由于物聯(lián)網(wǎng)中實(shí)體的狀態(tài)具有時(shí)變性，用戶查詢具體的狀態(tài)值的實(shí)用價(jià)值較小，因此，物聯(lián)網(wǎng)中搜索的形式如：表示搜索在tq時(shí)刻溫度在 aoC～ boC 之間的實(shí)體， Rq為用戶定義的需返回的匹配實(shí)體個(gè)數(shù)。

下層網(wǎng)關(guān)在接收到上層網(wǎng)關(guān)下發(fā)的搜索命令后，將訪問本地的預(yù)測(cè)模型數(shù)據(jù)庫，搜索匹配概率較高的傳感器，并將實(shí)體匹配排序列表及其匹配概率發(fā)送給上層網(wǎng)關(guān)，上層網(wǎng)關(guān)將接收到的排序列表進(jìn)行匯聚，并依據(jù)匹配概率進(jìn)行排名，進(jìn)而，對(duì)排名靠前的實(shí)體進(jìn)行逐一驗(yàn)證，以確定實(shí)體是否真正滿足用戶的查詢需求。最后，網(wǎng)關(guān)將經(jīng)過驗(yàn)證的搜索結(jié)果返回給用戶。

3 實(shí)體狀態(tài)預(yù)測(cè)方法

為保證搜索結(jié)果的時(shí)效性與可靠性，使得搜索過程快速收斂，本節(jié)通過利用傳感器周期性上報(bào)的實(shí)體狀態(tài)信息，建立可預(yù)測(cè)實(shí)體在下一個(gè)周期內(nèi)任意時(shí)刻狀態(tài)的預(yù)測(cè)模型，在用戶發(fā)起基于內(nèi)容的搜索請(qǐng)求后快速?zèng)Q策用戶所需實(shí)體。

3.1 實(shí)體等時(shí)距狀態(tài)預(yù)測(cè)方法

圖1 ESMP搜索架構(gòu)

（1）實(shí)體狀態(tài)時(shí)間序列矩陣變換：為構(gòu)建預(yù)測(cè)模型，需對(duì)傳感器采集的時(shí)間序列進(jìn)行重構(gòu)，將實(shí)體狀態(tài)時(shí)間序列轉(zhuǎn)化為可最大化時(shí)間序列相關(guān)性的矩陣形式。通過滑動(dòng)時(shí)間窗口 χt= ［x（ t） ，…，x（t + m- 1）］， t =1，2，…， nt-m 控制訓(xùn)練樣本的輸入。其中 x（t + i）為第（t + i）個(gè)周期傳感器采集的實(shí)體狀態(tài)值， nt為訓(xùn)練集的大小。 yt= x（t + m）表示實(shí)體在第 t個(gè)周期的實(shí)際狀態(tài)值，也為預(yù)測(cè)模型的期望輸出值。則 yt與 χt滿足映射關(guān)系 f:Rm→ R。變換后的訓(xùn)練集矩陣如式（1），式（2）所示：

（2）實(shí)體等時(shí)距狀態(tài)預(yù)測(cè)模型構(gòu)建：物聯(lián)網(wǎng)中傳感器所采集的實(shí)體狀態(tài)數(shù)據(jù)具有非線性、隨機(jī)性等特點(diǎn)，為減少傳感器采集數(shù)據(jù)的存儲(chǔ)開銷，降低實(shí)體狀態(tài)預(yù)測(cè)的計(jì)算復(fù)雜度，本文基于最小二乘支持向量機(jī)（LSSVM）［7］提出實(shí)體等時(shí)距狀態(tài)估計(jì)（Equal-interval Entity State Prediction， E-ESP）方法，進(jìn)行等時(shí)間距離下實(shí)體狀態(tài)的預(yù)測(cè)。

為實(shí)現(xiàn)傳感器采集的實(shí)體狀態(tài)數(shù)據(jù)線性可分，需構(gòu)造最優(yōu)線性回歸函數(shù) f（x）：

式中，φ （ x）: Rn→ H為非線性映射函數(shù)；w ∈H為特征空間中的權(quán)值向量；b為偏移量。

為提高所提實(shí)體狀態(tài)預(yù)測(cè)方法的泛化能力，根據(jù)結(jié)構(gòu)風(fēng)險(xiǎn)最小化（Structural Risk Minimization，SRM）準(zhǔn)則，將最小二乘支持向量機(jī)表述為

其中，J為耗費(fèi)函數(shù)； γ＞ 0表示懲罰系數(shù)；ei為偏差值。通過拉格朗日函數(shù)將其轉(zhuǎn)化為非約束優(yōu)化問題，從而得到該問題的對(duì)偶形式：

式（5）中 αi為拉格朗日乘子。根據(jù)KKT條件并消去權(quán)值w和偏差值 ei后，則可得到對(duì)應(yīng)的矩陣方程

采用最小二乘法求解式（6）中參數(shù)b與α，可推得實(shí)體狀態(tài)預(yù)測(cè)函數(shù) y（x）為

為降低所提實(shí)體狀態(tài)預(yù)測(cè)方法的計(jì)算復(fù)雜度，本文選用廣泛采用的高斯徑向基（RBF）核函數(shù)：

則實(shí)體狀態(tài)預(yù)測(cè)函數(shù) y（x）可進(jìn)一步轉(zhuǎn)化為

3.2 實(shí)體周期內(nèi)狀態(tài)估計(jì)方法

前述預(yù)測(cè)模型可預(yù)測(cè)實(shí)體等時(shí)間距離的狀態(tài)值。然而，用戶發(fā)起內(nèi)容搜索請(qǐng)求的時(shí)間具有較強(qiáng)的隨機(jī)性。因此，本文進(jìn)一步提出周期內(nèi)實(shí)體狀態(tài)的估計(jì)（During the Period Entity State Prediction，DPESP）方法，對(duì)周期內(nèi)的實(shí)體狀態(tài)進(jìn)行估計(jì)，以滿足用戶在周期內(nèi)的搜索需求。

為提高實(shí)體狀態(tài)預(yù)測(cè)模型的精度，本文采用牛頓插值多項(xiàng)式［8］對(duì)實(shí)體周期內(nèi)的狀態(tài)進(jìn)行預(yù)測(cè)。假設(shè)給定的實(shí)體狀態(tài)樣本點(diǎn)集為ti表示用戶查詢的時(shí)刻，為用戶查詢時(shí)刻的實(shí)體狀態(tài)值。定義 x（t）關(guān)于t0與 t1時(shí)刻實(shí)體狀態(tài)的一階均差］為

同理可得 x（t）關(guān)于 t0， t1與 t2時(shí)刻的二階均差則 x（t）關(guān)于 （t0，t1，…，時(shí)刻的實(shí)體狀態(tài)n階均差為

由于實(shí)體狀態(tài) x（t）關(guān)于 t0與 t1時(shí)刻的二階均差，因此，可將進(jìn)一步轉(zhuǎn)化為

將式（14）代入式（13）中可得到實(shí)體在t時(shí)刻的狀態(tài) x（t）為

由此，可進(jìn)一步獲得預(yù)測(cè)多項(xiàng)式 fn（t）為

周期內(nèi)實(shí)體狀態(tài)預(yù)測(cè)多項(xiàng)式 fn（t）構(gòu)建完成后將開始對(duì)實(shí)體在當(dāng)前周期內(nèi)的狀態(tài)進(jìn)行預(yù)測(cè)。為保證用戶得到搜索結(jié)果的可靠性，網(wǎng)關(guān)將進(jìn)行選定實(shí)體狀態(tài)的驗(yàn)證。

為充分利用驗(yàn)證過程的實(shí)體狀態(tài)信息，提高實(shí)體狀態(tài)預(yù)測(cè)方法的精度，本文進(jìn)一步提出利用驗(yàn)證數(shù)據(jù)的周期內(nèi)實(shí)體狀態(tài)估計(jì)（During the Period Entity State Predictionwith Verification Data， DPESP-VD）方法，將用戶的查詢時(shí)間 tq及被選定驗(yàn)證的實(shí)體狀態(tài)值x（tq）作為樣本點(diǎn)代入預(yù)測(cè)多項(xiàng)式中，對(duì) SNT進(jìn)行更新：

4 實(shí)體有序驗(yàn)證方法

通過前述建立的預(yù)測(cè)模型，網(wǎng)關(guān)可估計(jì)實(shí)體的狀態(tài)與用戶搜索的內(nèi)容是否匹配，然而，實(shí)體狀態(tài)的匹配程度尚缺乏統(tǒng)一的度量指標(biāo)。并且，為保證搜索結(jié)果的可靠性，網(wǎng)關(guān)需對(duì)實(shí)體的實(shí)際狀態(tài)作進(jìn)一步驗(yàn)證，而逐一驗(yàn)證的方式將極大地增加系統(tǒng)的通信開銷，影響搜索結(jié)果的時(shí)效性。因此，本文提出實(shí)體有序驗(yàn)證方法，由網(wǎng)關(guān)按照匹配排序列表依次對(duì)實(shí)體的狀態(tài)進(jìn)行驗(yàn)證。

4.1 實(shí)體匹配排序方法

為便于比較實(shí)體之間的匹配概率，估計(jì)實(shí)體狀態(tài)與用戶搜索內(nèi)容的匹配程度，本文提出實(shí)體狀態(tài)匹配排序方法，將實(shí)體狀態(tài)預(yù)測(cè)值映射到向量空間中進(jìn)行度量。假定實(shí)體在 ti時(shí)刻的狀態(tài)預(yù)測(cè)值為（ti），則將（ti）映射入向量空間中并轉(zhuǎn)化為如式（18）形式：

4.2 實(shí)體匹配驗(yàn)證方法

為保證搜索結(jié)果的可靠性，需選定匹配實(shí)體并對(duì)其進(jìn)行驗(yàn)證。本部分提出實(shí)體匹配驗(yàn)證方法，依據(jù)實(shí)體匹配排序列表ML對(duì)排名靠前的實(shí)體的實(shí)際狀態(tài)進(jìn)行驗(yàn)證。

如前所述，下層網(wǎng)關(guān)在獲取本地實(shí)體匹配排序列表ML后，將該列表發(fā)布給上層網(wǎng)關(guān)，由上層網(wǎng)關(guān)對(duì)下層網(wǎng)關(guān)的多個(gè)排序列表進(jìn)行融合處理，從而得到驗(yàn)證列表融合決策規(guī)則為

其中MLi為下層網(wǎng)關(guān) i上報(bào)的排序列表，δ為上層網(wǎng)關(guān)發(fā)布的驗(yàn)證次數(shù)，函數(shù) MAX｛·｝為獲取列表中具有最大匹配概率的節(jié)點(diǎn)。定義 Rq為用戶指定的需返回的搜索結(jié)果數(shù)量，則δ與 Rq滿足式（21），式（22）：

5 仿真驗(yàn)證與結(jié)果分析

本文采用Intel Berkeley數(shù)據(jù)集［9］對(duì)所提方法進(jìn)行仿真驗(yàn)證。查詢范圍［a， b］為區(qū)間內(nèi)的隨機(jī)值。 xMin與 xMax分別為所有傳感器讀數(shù)的最小值與最大值，查詢時(shí)間 tq為［0， ω］內(nèi)的隨機(jī)值。計(jì)算機(jī)仿真軟件環(huán)境為Matlab R2014a，仿真結(jié)果均為運(yùn)行20次后的平均值。

5.1 實(shí)體等時(shí)距狀態(tài)預(yù)測(cè)方法性能驗(yàn)證

本節(jié)對(duì)E-ESP與典型的等時(shí)距實(shí)體狀態(tài)預(yù)測(cè)算法GM-ESP［10］進(jìn)行了對(duì)比，仿真結(jié)果如圖2所示。

圖2 不同誤差容忍閾值下的成功率對(duì)比

由圖2可知，E-ESP及GM-ESP的預(yù)測(cè)成功率隨閾值的增大都呈現(xiàn)出顯著上升趨勢(shì)。E-ESP較GM-ESP在預(yù)測(cè)成功率方面平均提高了約7.6%。其中在 γ= 0.2時(shí)，E-ESP的預(yù)測(cè)成功率可達(dá)到96.7%，在誤差閾值較小時(shí)即達(dá)到了較高的精度。所提E-ESP算法通過將數(shù)據(jù)轉(zhuǎn)換至矩陣空間中，從而增強(qiáng)實(shí)體狀態(tài)數(shù)據(jù)之間的時(shí)間相關(guān)性，并采用LSSVM 模型進(jìn)行實(shí)體等時(shí)距狀態(tài)的單步預(yù)測(cè)。因此，相比GM-ESP， E-ESP在預(yù)測(cè)成功率方面有較大幅度的性能提升。

5.2 周期內(nèi)實(shí)體狀態(tài)預(yù)測(cè)方法性能驗(yàn)證

本部分驗(yàn)證了所提周期內(nèi)實(shí)體狀態(tài)預(yù)測(cè)方法（DPESP）的性能，并與利用驗(yàn)證數(shù)據(jù)的周期內(nèi)實(shí)體狀態(tài)預(yù)測(cè)方法（DPESP-VD）進(jìn)行了對(duì)比，仿真結(jié)果如圖3所示。

由圖3可知，隨著查詢次數(shù)的增多DPESP-VD方法的預(yù)測(cè)精度呈現(xiàn)上升趨勢(shì)，而DPESP并未呈現(xiàn)出明顯的變化趨勢(shì)。兩種周期內(nèi)實(shí)體狀態(tài)預(yù)測(cè)方法均具有較高的精度，其中DPESP-VD較DPESP在預(yù)測(cè)精度方面有一定提升。DPESP-VD方法合理利用了匹配驗(yàn)證過程中的歷史數(shù)據(jù)，適用于所需預(yù)測(cè)精度較高的應(yīng)用場(chǎng)景中，而 DPESP方法未利用歷史數(shù)據(jù)，適用于網(wǎng)關(guān)的存儲(chǔ)空間受限的場(chǎng)景中。

5.3 實(shí)體匹配預(yù)測(cè)的搜索方法有效性驗(yàn)證

本節(jié)驗(yàn)證了融合所提實(shí)體匹配預(yù)測(cè)方法的搜索機(jī)制的有效性。由于所設(shè)計(jì)的搜索機(jī)制包括實(shí)體有序驗(yàn)證環(huán)節(jié)，因此用戶總是得到符合搜索要求的實(shí)體列表，則搜索過程中的通信開銷就只與實(shí)體的驗(yàn)證列表相關(guān)。因而，定義搜索過程的歸一化通信開銷co（VLq）為

由圖4可知，隨著單個(gè)周期內(nèi)查詢次數(shù)的增多，所提 ESMP算法的通信開銷呈現(xiàn)出顯著的下降趨勢(shì)，而CSS算法的趨勢(shì)則并不明顯。ESMP的通信開銷相比CSS平均降低了約30.6%，較CSS算法有較大幅度的提升。

如圖5所示，ESMP算法的通信開銷隨運(yùn)行時(shí)間的延長(zhǎng)保持了相對(duì)穩(wěn)定的趨勢(shì)，充分說明了ESMP方法具有較好的泛化能力，對(duì)實(shí)體狀態(tài)的預(yù)測(cè)精度保持了較為穩(wěn)定的態(tài)勢(shì)。而CSS對(duì)實(shí)體狀態(tài)的估計(jì)存在較大的隨機(jī)誤差，因而，CSS機(jī)制的通信開銷隨運(yùn)行時(shí)間的延長(zhǎng)表現(xiàn)出較大幅度的波動(dòng)。并且，ESMP較CSS在通信開銷方面平均降低了約36.2%，在通信開銷性能方面ESMP相比CSS有較大幅度的性能增益。

圖3 單周期內(nèi)不同查詢次數(shù)下的預(yù)測(cè)精度對(duì)比

圖4 單周期內(nèi)不同查詢次數(shù)下的通信開銷對(duì)比

圖5運(yùn)行時(shí)間的通信開銷對(duì)比

6 總結(jié)

本文提出了適用于物聯(lián)網(wǎng)內(nèi)容搜索的實(shí)體狀態(tài)匹配估計(jì)方法，設(shè)計(jì)了等時(shí)距與周期內(nèi)實(shí)體狀態(tài)估計(jì)方法對(duì)未來實(shí)體狀態(tài)進(jìn)行估計(jì)，并依據(jù)預(yù)測(cè)所得實(shí)體狀態(tài)提出實(shí)體有序驗(yàn)證方法，驗(yàn)證選定實(shí)體與用戶搜索需求的符合狀態(tài)，以提高物聯(lián)網(wǎng)內(nèi)容搜索的效率。仿真結(jié)果表明，相比現(xiàn)有的典型方法，本文所提實(shí)體狀態(tài)預(yù)測(cè)方法具有較高的預(yù)測(cè)精度，基于所提匹配預(yù)測(cè)方法的搜索機(jī)制具有較低的通信開銷。

［1］ 于海寧， 余翔湛. 物聯(lián)網(wǎng)中基于編碼的多路徑并發(fā)實(shí)體通用搜索算法［J］. 智能計(jì)算機(jī)與應(yīng)用， 2013， 3（2）: 25-31. Yu Hai-ning and Yu Xiang-zhan. A multi-path concurrency object universal search （MCOUS） algorithms based on code in internet of things［J］. Intelligent Computerand Applications，2013， 3（2）: 25-31.

［2］ 茹立云， 李智超， 馬少平. 搜索引擎索引網(wǎng)頁集合選取方法研究［J］. 計(jì)算機(jī)研究與發(fā)展， 2014， 51（10）: 2239-2247. Ru Li-yun， Li Zhi-chao， and Ma Shao-ping. Indexing page collection selection method for search engine［J］. Journal of Computer Research and Development， 2014， 51（10）: 2239-2247.

［3］ 李養(yǎng)群， 沈蘇彬， 許斌. 物品萬維網(wǎng)技術(shù)綜述［J］.南京郵電大學(xué)學(xué)報(bào)（自然科學(xué)版）， 2014， 34（2）: 32-42. Li Yang-qun， Shen Su-bin， and Xu Bin. Technology of web of things: asurvey［J］. Journal of Nanjing University of Posts and Telecommunications （Natural Science）， 2014， 34（2）: 32-42.

［4］ 于海寧， 張宏莉， 方濱興， 等. 物聯(lián)網(wǎng)中物理實(shí)體搜索服務(wù)的研究［J］. 電信科學(xué)， 2012， 28（10）: 111-119. Yu Hai-ning， Zhang Hong-li， Fang Bin-xing， et al.. Research on search service for physical entities in the internet of things［J］. Telecommunications Science， 2012， 28（10）: 111-119.

［5］ Benedikt O， Kay R， Friedemann M， et al.. A real-time search engine for the web of things［C］. Internet of Things， Tokyo，2010: 1-8.

［6］ Cuong T and Kay R. Content-based sensor search for the web of things［C］. Global Communications Conference， Atlanta，2013: 2654-2660.

［7］ 唐舟進(jìn)， 彭濤， 王文博. 一種基于相關(guān)分析的局域最小二乘支持向量機(jī)小尺度網(wǎng)絡(luò)流量預(yù)測(cè)算法［J］. 物理學(xué)報(bào)， 2014，63（13）: 57-66. Tang Zhou-jin， Peng Tao， and Wang Wen-bo. A local least square support vector machine prediction algorithm of small scale network traffic based on correlation analysis［J］. Acta Physica Sinica， 2014， 63（13）: 57-66.

［8］ 李增科， 高井祥， 王堅(jiān)， 等. 利用牛頓插值的GPS/INS組合導(dǎo)航慣性動(dòng)力學(xué)模型［J］. 武漢大學(xué)學(xué)報(bào)（信息科學(xué)版）， 2014，39（5）: 591-595. Li Zeng-ke， Gao Jing-xiang， Wang Jian， et al.. Inerialdynamic model of GPS/INS integrated navigation based on newton interpolaion［J］. Geomatics and Information Science of Wuhan University， 2014， 39（5）: 591-595.

［9］ http://db.csail.mit.edu/labdata/labdata.html［OL］. 2014.10.

［10］ 尚軍亮， 方敏. 一種優(yōu)化的高精度灰色 GM（1，1）預(yù)測(cè)模型［J］.電子與信息學(xué)報(bào)， 2010， 32（6）: 1301-1305. Shang Jun-liang and Fang Min. New optimized method of high-precision grey GM（1，1） forecasting model［J］. Journal of Electronics & Information Technology， 2010， 32（6）: 1301-1305.

張普寧： 男，1988年生，博士生，研究方向?yàn)槲锫?lián)網(wǎng)搜索、無線傳感器網(wǎng)絡(luò).

劉元安： 男，1963年生，教授，研究方向?yàn)殡姶偶嫒荨⒎涸跓o線網(wǎng)絡(luò).

吳 帆： 女，1981年生，副教授，研究方向?yàn)槲锫?lián)網(wǎng)搜索、泛在無線網(wǎng)絡(luò).

An Entity State Matching Prediction Method for Content-based Search in the Internet of Things

Zhang Pu-ning Liu Yuan-an Wu Fan Tang Bi-hua Wu Chao
（Institute of Smart Wireless Mobile Information Technology， Beijing University of Posts and Telecommunications， Beijing 100876， China）

Matching prediction with high accuracy of entity state can cansignificantly improve the efficiency of content-based search in the Internet of Things and reduce communication overhead while searching. The equal-interval and during the period entity state prediction methods are proposed， which are applied to the estimation of the entity state at the moment of querying. Moreover， the ordered verification approach is designed to verify the entities in sequence based on the degree of compliance with the searching content， for the sake of enhancing the reliability of searching results. Numerical results show that the proposed entity state prediction approachescan achieve high accuracy， which combines with the ordered verification approach to dramatically improve the performance of communication overheadduring the searching process.

Internet of Things； Content-based search； State prediction； Matching verification

s: The National Natural Science Foundation of China （61170275）； The National 863 Program of China； Civil Space “12th Five-year” Plan Pre-Research Project of Science and Technology； Beijing Higher Education Young Elite Teacher Project； Beijing Key Laboratory of Work Safety Intelligent Monitoring

TP393

A

1009-5896（2015）12-2815-06

10.11999/JEIT150191

2015-02-02；改回日期：2015-08-19；網(wǎng)絡(luò)出版：2015-11-01

*通信作者：張普寧 zhangpuningpaper@gmail.com

國(guó)家自然科學(xué)基金（61170275），國(guó)家 863計(jì)劃項(xiàng)目，民用航天十二五預(yù)研科技項(xiàng)目，北京市高等學(xué)校青年英才計(jì)劃項(xiàng)目和安全生產(chǎn)智能監(jiān)控北京市重點(diǎn)實(shí)驗(yàn)室基金