АНАЛІЗ ТА ПРОГНОЗУВАННЯ НАВАНТАЖЕННЯ В МЕРЕЖАХ ІНТЕРНЕТУ РЕЧЕЙ

Анотація

У статті розглянуто актуальну проблему точного прогнозування навантаження в розподілених мережах Інтернету речей за умов високої варіативності трафіку, гетерогенності підключень та обмеженості енергетичних ресурсів вузлів, зокрема тих, що використовують гібридне сонячне живлення. Зростання кількості IoT- пристроїв та ускладнення мережевих процесів зумовлюють потребу у моделях, здатних одночасно враховувати як динаміку трафіку, так і енергетичний стан сенсорних елементів. Метою роботи є розроблення гібридної моделі прогнозування, що інтегрує методи глибинного навчання з механізмами енергетичної адаптації для формування узгодженого з енергоресурсом прогнозу мережевої активності. Запропонована архітектура включає два взаємодоповнювальні предиктори: GRU-модуль, який моделює часові закономірності трафіку, та 1D-CNN енкодер, орієнтований на оцінювання доступної енергії вузла. Ключовим компонентом є адаптивний коефіцієнт масштабування, що коригує прогноз навантаження відповідно до поточного енергетичного профілю. Для перевірки ефективності моделі створено програмний комплекс, який забезпечує повний цикл обробки даних, навчання, тестування та візуалізації результатів. Експериментальні дослідження на реальному IoT-датасеті продемонстрували зниження похибок порівняно з базовою LSTM-моделлю та наївним persistence-підходом, а також високу стабільність моделі за умов низької корельованості ознак та наявності шуму. Гібридна модель коректно виконує енергетичне коригування прогнозу та дозволяє уникати перевантаження мережі у сценаріях із нестабільним енергоживленням, забезпечуючи підвищення живучості та надійності роботи IoT-вузлів. Представлені результати підтверджують перспективність енергетично орієнтованих методів прогнозування для розумних міст, аграрних IoT-систем та інших ресурсно чутливих застосувань.