基于机器学习的大型 LoRaWAN 移动 IoT 网络中预测扩频因子的有效特征选择
机器学习
2025-03-13 v1
摘要
LoRaWAN 是一种低功耗长距离协议，能够实现可靠且稳健的通信。本文探讨了利用机器学习（ML）技术预测 LoRaWAN 网络中扩频因子（SF）的挑战。最优的 SF 分配对于优化物联网移动设备的数据传输至关重要，但由于环境和网络条件的波动，这仍是一项具有挑战性的任务。我们在一个大型公开数据集上评估了 ML 模型的性能，以探索 RSSI、SNR、频率、终端设备与网关之间的距离以及终端设备天线高度等关键 LoRaWAN 特征中的最佳特征；此外，我们还针对 5 个特征测试了 31 种可能的组合。我们使用 k 近邻（k-NN）、决策树分类器（DTC）、随机森林（RF）和多项逻辑回归（MLR）算法对模型进行了训练和评估。结果表明，RSSI 和 SNR 的组合被确定为最佳特征集。本文的发现为降低 ML 模型训练的数据集收集总成本以及延长 LoRaWAN 设备的电池寿命提供了有价值的信息。通过理解特定特征集对于优化 SF 分配的重要性，这项工作有助于构建更可靠的 LoRaWAN 系统。
引用
@article{arxiv.2503.09170,
title = {Effective Feature Selection for Predicting Spreading Factor with ML in Large LoRaWAN-based Mobile IoT Networks},
author = {Aman Prakash and Nikumani Choudhury and Anakhi Hazarika and Alekhya Gorrela},
journal= {arXiv preprint arXiv:2503.09170},
year = {2025}
}
备注
Accepted at 31st National Conference on Communications