文摘
为了探索物联网技术对经济的影响市场波动和物联网技术的分析影响经济市场波动,本文使用物联网算法改进经济波动模型。此外,本文使用物联网算法来定位经济事务和执行数据处理优化智能网络系统来提高经济体系的操作效果。此外,传感器节点算法进行了改进,提出了用加权值的网络节点密度平衡定位问题引起的不平衡分布的网络节点检测区域。最后,本文分析了市场经济波动模型通过物联网技术,结合仿真实验探索物联网技术的应用在经济市场波动模型。通过实验研究,可以知道,基于物联网技术的经济市场波动模型可以在市场经济分析起着重要的作用。
1。介绍
面对以下发展现状:投资增长疲软,缺乏新的消费热点,可怜的国际市场,和隐藏的风险的存在,在某些地区,粗放型经济发展模式已不再适用。因此,国民经济的发展迫切需要寻求新的经济增长点,布鲁克斯和产业的转型升级没有延迟。物联网行业就是这样一个新的经济增长点,它隐藏了未来经济改革的动力形式(1]。在世界物联网博览会2016年11月,工业和信息化部副部长表示,中国经济目前正在深入的调整和改革,向中高端制造业正在加速,和物联网将成为武器帮助中国制造业转变。目前,中国的制造业已经完成了一个巨大的改变从头开始,从一个小的路径。目前成为更大更强。这个过程需要多种力量的支持包括材料技术、信息技术和人工智能。物联网使用传感器技术与对象识别产品,优化生产流程,改变仓储和销售模式,改善管理。这种新技术将会打开一个新的增长点和提高公司的核心竞争力的提高。随着中国制造的2025战略的持续推进和5 g时代是越来越近了,物联网将更广泛的应用领域和经济价值将越来越大,它提供了一个强大的方式转换和转换的传统企业。因此,物联网产业的发展已经成为我国经济的主要推力超越l型增长阶段(2]。
在当代政治、经济和文化背景,物联网产业的发展已经显示出强大的生命力和竞争优势,已经被许多国家和地区的重视。作为新的信息技术革命的结果,进一步优化生产、分配、交换和消费的信息资源,突破时间和空间限制的社会生产,并从工业经济转变为数字经济和信息经济。物联网技术渗透到经济和社会的各个方面,这有利于调整的理论范式,现有机制、政策趋势,和实际操作的原始产业,有利于出现的新的经济增长点,形成新的经济增长点的形式在物联网的基础上(3]。
物联网产业是一个高附加值的行业talent-intensive,知识密集型,技术密集型,自身的发展与产业结构的发展。大力发展物联网产业可以实现更高层次的产业结构调整、优化和升级。与此同时,物联网产业在价值链占据更高的地位与两个核心元素的信息技术和产业价值链延伸至强大的辐射效应,与传统产业渗透和集成。结果,传统产业得到了物联网产业的某些特征,这将有助于提高技术水平、生产效率和产品附加值的传统行业,所以传统的产业结构将继续进化到更高层次的产业结构,实现产业结构优化和升级。
物联网技术的发展将导致移动经济波动的市场,因此本文分析了物联网技术在经济波动的市场,并建立相应的智能模型,为后续的经济预测和分析提供一个理论参考。
2。相关工作
梳理之后,物联网产业的研究文献,发现由于物联网行业还没有标准化的很长一段时间和相关统计数据相对缺乏,还没有系统的研究的影响物联网产业的发展对经济增长。然而,互联网行业的相关方面的研究已经相对成熟。学者们分析了互联网行业的机制从理论和实证的角度对经济增长和测量互联网产业对经济增长的影响。文献[4实证分析了牵引和支持互联网产业对国民经济的影响。文献[5)进行了协整检验和格兰杰因果检验信息产业和经济增长之间的关系,建立了相应的误差修正模型。基于单位根检验和协整检验,文献[6人均实际GDP]使用面板数据构建单个时间点双向固定效应模型进行实证分析互联网行业的发展之间的关系和经济增长。文献[7]使用区域间贸易相关的空间权重矩阵系统地衡量互联网行业的溢出效应在生产水平,出口水平,和其他地区的工资水平。结果表明,互联网行业的发展有积极的影响这个地区和其他地区的发展。
文献[8)的发展现状和发展趋势进行了讨论物联网的关键技术,在此基础上,将物联网产业划分为4个发展阶段。第一阶段是初始的应用无线射频识别技术在物流、零售、和制药领域;第二个阶段是连接的东西;第三阶段是semi-intelligence;第四阶段是全面的情报。文献[9)进行理论研究商业模式条件下的物联网,物联网行业及其操作,以及物联网的影响在传统的经济学。文献[10)认为:“物联网经济学是一门科学,研究如何获得更大的经济、生态、社会效益和一个小的投资。“文学(11)以产业组织理论的SCP范式作为物联网在我国行业的分析框架分析了物联网产业的市场结构从四个方面:整体市场特点、市场集中度、进入和退出壁垒、产品差异化。文献[12]分析了物联网产业的竞争力视角的产业政策,当前形势下,产业链,资本运作,市场份额和发展空间,和工业推广模型。文献[13)进行了理论和实证分析的驾驶物联网产业发展的影响因素的帮助下“钻石模型”基于面板数据从八个主要城市。文献[14]表明,主要推动物联网产业发展的影响因素是物联网产业供给和需求因素,政府的支持因素,规模因素,发展潜力因素,及相关行业的因素。
3所示。物联网的应用改进算法在经济波动模型
本文使用物联网算法来改进经济波动模型。物联网算法不仅定位经济交易,也可以执行数据处理,同时优化智能网络系统。
在经济波动模型中,网络节点的随机分布将导致网络节点的分布在目标区域达不到预期的效果,和网络中节点的分布将直接影响到定位DV-Hop在实际应用的效果。网络中一个节点的邻居的数量可以反映当地的网络节点分布。从本地分销网络,可以推断出整个网络的分布。此外,分布的网络节点的邻居也反映定位效果的因素之一。一般来说,估计邻居节点之间距离的计算值可以反映在两个方面:邻居节点的总数量和总数量的所有邻居节点。监测区域中的节点越近,越大的节点数量与对方,和更大的数量的比例共享节点单跳范围内的节点数量。相反,单跳范围内的节点更可靠。越远,彼此之间共同的节点数越少,越小的数量的比例共享节点的节点通信半径内的两个节点。基于上述分析DV-Hop算法错误,DV-Hop算法将进一步提高基于研究者的先前的研究结果。节点的分布在目标区域网络是用来协助改善定位的效果。 The concepts of weighted value of network node density and distance correction factor are proposed. The weighted value of network node density refers to the ratio of the number of shared nodes between neighbor nodes in the network to the total number of nodes. The distance between neighbor nodes is calculated according to the weighted value of the node density of the node, and the distance between all nodes in the entire network is estimated through an iterative cumulative calculation method. Finally, the specific network node is obtained through an improved particle swarm algorithm.
为了提高网络的定位效应和网络节点定位的准确性,本文结合传统DV-Hop的现有改进方法和提出的网络节点密度加权值来提高DV-Hop的定位效果。
因为大多数网络部署在危险的地方,几乎所有的大型网络使用的方法随机部署节点初始化整个网络,他们通常部署专用的机器。网络的随机部署机制创造了一系列的网络节点的定位问题。为了解决贫穷的问题定位效应引起的不均匀分布的网络节点,网络将计算每个信标节点的节点的可信度。锚节点的可信度是基于实际的锚节点之间的跳数,锚节点之间的实际距离,和节点的通信半径计算锚节点之间的信誉,然后所有跳距离加权得到最终节点可信度。改进的灯塔可靠性原理图如图1。
所有节点的跳的距离是位于网络加权根据平均跳信标节点的距离。为了减少误差的影响跳距离信标节点的网络网络上的定位,进一步将加权调整平均跳距锚节点的网络。如图2,啤酒花的实际数量从锚节点到锚节点B, C和D是2,3,3,和实际距离信标节点到信标节点B, C和D是A, B和C。信标节点的可信度计算的公式如下所示公式:
以此类推,锚节点的可信度的一般表达式我在网络中给出以下公式:
网络中所有信标节点可以依靠他们自己的硬件优势来实现定位。信标节点之间的距离可以根据欧几里得实际的距离,彼此的公式。然后,每个锚节点的平均跳距HopDis获得网络中根据计算公式;也就是说,实际的距离除以彼此的最低啤酒花。最后,修改后的平均跳距HopDis的锚节点获得根据加权值,并计算公式如下公式所示:
经典DV-Hop,节点位于需要保存的最后一跳距离信息分组的平均跳距离,和这个值造成的定位误差方法仍相对较大。为了改善这种情况,在部分中,节点的平均跳距位于不使用一个信标节点作为参考节点来计算节点的跳的距离。相反,加权平均的平均跳的距离在3跳的节点是用来确定最后一跳距离。为了突出信标节点单跳范围内节点的重要性,重量比,信标节点可以直接沟通占平均跳距的50%在计算过程中,和其余的节点也占50%。跳的距离表达式给出以下公式: 在哪里是节点的平均跳距离,HopDis (n)的平均跳距离未知节点的邻居节点,和n意味着在一跳范围内的锚节点数量的未知节点。
优化后的平均跳距使用信誉重包获得的数据,以减少算法的定位误差,随机部署的网络节点的特点考虑在内。
节点密度代表本地节点的密度在整个网络。网络中,节点的密度越大,越接近广播节点的路径是一条直线,算法的定位精度越高。在节点密度方面,经典的DV-Hop也把节点位置和最近的信标节点到相同类型的节点密度。默认节点密度是相同的,和跳距离来源于彼此也一样的。拟使用网络节点密度的加权值De平衡定位问题引起的不平衡分布的网络节点检测区域。网络节点密度的加权值指的节点数量的比值,可以直接沟通网络中节点的总数,可以直接沟通的网络图2。
节点density-weighted值De (A, B)表达式节点A和B和距离的表达式校正系数方程所示(5)和(6): 在哪里和 ,分别代表节点的数量在一跳范围内的节点A和B, 是共同的邻居节点之间的节点A和B,然后呢 代表的邻居节点的节点总数和b .邻居节点在网络中可以修改根据加权值的估计距离的节点密度,从而避免同一DV-Hop估计节点之间的距离。
网络中的节点是由电池供电,和有限的能源的考虑。在定位的过程中,应避免复杂的计算节点。当节点的能量是有限的,这种计算将极大地消耗节点本身所携带的能量,从而减少节点的寿命。一个节点的失败将导致网络的拓扑变化,和节点之间的路由网络也会相应地改变。这种变化将导致定位效应的变化,这对整个网络是不可接受的。为了进一步减少造成的能量损失节点定位,线性计算公式(7)和更小的计算量时采用惯性权重粒子群算法的改进:
在实验中,惯性权重设置值 ,和 是理想的设置。之间的关系和t在公式如图3。网络的惯性权重的数量是线性正相关的实验仿真。更新粒子的速度在整个优化过程是相同的,但线性方法可以减少节点的能量消耗在算术运算。
抽样的定位算法,该算法利用节点的通信半径定位节点。确定了权重因子根据节点密度在一跳范围内的节点。网络第一次计算density-weighted相邻节点的价值网络,增加节点的通信半径density-weighted价值获取网络中所有相邻节点之间的估计距离,然后计算网络中节点之间的跳数根据公式估计和最优路径距离2啤酒花。最后,计算网络中所有节点的估计距离根据迭代积累方法。具体步骤如下:(1)邻居节点模型:为了进一步利用网络节点密度来提高算法的定位精度,本文提出了一种抽样距离模型,如图4。当节点可以直接相互通信,节点之间的距离我和j见公式(8)[15]: 距离(我。j)是节点之间的距离我和jR是节点的通信半径,和抽样(我。j)是density-weighting系数节点我和j。抽样的价值(我,j)的数量等于公共传感单元的通信半径内我,j除以总数量的节点的通信半径内我,j。计算公式如下公式所示: N我,Nj在一跳节点的节点数量我和j, 是公共节点的数量在一个节点的跳我和j, 是在一跳节点的节点总数我和j(16]。(2)两跳节点之间距离的模型:当节点之间的距离我和j是两个啤酒花,本文考虑两个距离计算方法。两种方法的计算公式见公式(10)。首先,十字路口在一跳节点的节点我和j用于寻找中继节点集,但这两种方法选择中继节点采用不同的方法α。分析结果如下: 根据图5(一个),啤酒花的数量我和j是2。虚线是一个路径,距离两跳节点之间可以相互通信,中继节点是一个,圆的虚线是中继节点的通信半径的范围α。第一个方法是选择一个。当有多个网络的最短路线,中继节点数量最大的节点 在三个节点我、j和一个被选中。根据图5 (b),啤酒花的数量我和j等于2,中继节点是一个。第二种方法是选择一个时,如果有多个选择从网络路由方法,最短的路线我被选中。经过实验仿真分析,发现第一种方法更适合本文提出的算法和第二种方法会导致更大的定位误差。可能的原因是,一跳两跳的分离在第一种方法可以减少错误的积累引起的多个网络节点之间的跳。第二种方法在后续迭代多次反射的影响更大。(3)节点之间的多次反射距离模型:当节点之间的距离是多次反射(跳(ij)> 2),如图6。当跳的数量等于3啤酒花,如果假设之间的跳数我是一个跳,中继节点之间的距离b和一个节点j是一跳,本文使用一个跳+ 2啤酒花找到three-hop距离。计算公式见公式(11)[17]: 抽样(b,j从节点)是density-weighted价值我到节点b和节点b到节点j。当有多个中继节点b的最小值 选择的中继节点。的情况下,节点之间的跳数我和j是n(n> 2)跳,跳我,b)=n−1是选择和b跳(b,j)= 1用作运输单位。当网络中合格的运输单位的数量大于1,最低的价值 选为节点之间的距离吗我和j(18]。每个节点之间的距离的公式如下所示: (4)锚节点是用来正确估计距离:一个节点密度校正因子介绍了计算公式下面: 在公式(10),我和j信标节点,N信标节点的集合, 和 ,分别代表了欧氏距离和估计的距离我每个锚节点。距离计算公式是(14)[19]: 第三阶段DV-Hop算法和多算法采用三边测量定位估计方法,这取决于网络测距的精度,而最小二乘法是受硬件条件在确定定位节点的位置。智能算法用于优化定位,以避免错误和积累获得令人满意的结果。与其它智能算法相比,粒子群优化算法的优点是算法复杂度低、简单网络实现和良好的优化能力。在本文的最后,一种改进的PSO用于取代三边测量估计方法正确的网络节点的定位。
(一)
(b)
在本文中使用的改进算法,如果假定颗粒的数量N等于,搜索空间维度米的位置我th粒子 ,速度是 ,粒子的历史最优位置我是 ,和全球历史最优位置 。更新速度的公式和位置的粒子我方程(15)和(16)[20.]:
其中,我代表了我th粒子,是惯性权重,r(N2)是一个随机数均匀分布在区间[0,1]。与此同时,c1,c2正在学习因素,T代表的迭代次数。(1)改进的惯性权重:适当的使用的惯性权重算法不仅可以防止算法陷入早熟,也避免陷入局部最优。为了获得一个更好的优化效果,本文使用了一个指数递减函数以提高惯性权重的值 ,和改进的公式如下: 其中,T是当前迭代数,最大迭代次数,和分别是最大和最小的惯性权重。当惯性权重 和 ,一个理想的定位范围。之间的关系和T如图7。(2)定位优化粒子群优化的过程:粒子群优化的过程来优化网络节点的定位如下:(1)网络提供的坐标信标节点,节点之间的距离位于到信标节点,节点的跳数到信标节点,信标节点的数量和总数量的节点作为初始化参数的粒子群算法。(2)算法初始化引用表达式的粒子的速度 ,速度 ,和最优位置粒子本身的(10)。健身F值计算人口的粒子,设置为初始种群的最优位置,T= 0。(3)T=T+ 1,根据公式(10),粒子的速度和位置更新。(4)健身F的价值相比,粒子更新粒子的最优位置。(5)如果粒子位置符合设置条件,输出方程的最优解。否则,它是判断算法是否已经完成了迭代过程。如果是这样,该算法输出粒子坐标。否则,返回步骤3到5和循环找到网络的最佳点。抽样算法过程如下:(1)网络进行广播。(2)网络获得锚节点的距离矩阵和最小节点跳矩阵基于洪水的信息数据广播在第一阶段。(3)节点获得节点的数量和他们的标签在一范围内根据广播数据包。(4)该算法计算节点的距离在一跳范围内根据半径R乘以density-weighted价值。(5)该算法发现2-hop距离节点之间的距离。(6)该算法使用迭代积累方法多次反射节点之间的距离。(7)该算法计算节点之间的距离位于和锚节点,并使用改进的PSO获得进一步优化节点的坐标。
抽样算法流程图如图8。
4所示。基于物联网技术的市场经济波动模型
目前,物联网服务提供商在物联网市场分布在不同的地区不同的数据中心以提供最好的物联网,以满足不同群体的需求的用户。然而,为了更好的满足用户的服务需求,有必要协调服务资源的数量从不同的服务提供商在市场市场供求平衡。因此,有必要协调市场供求。图9描绘了一个物联网的市场交易机制。在该机制中,云代理协调各方的服务需求,并进行合理的分配和平衡协调市场需求服务。图9描述了协作开发的分布类型的物联网交易系统。它可以给市场交易参与者带来可观的经济效益。
本文分析了市场经济波动模型通过物联网技术,结合模拟实验,探讨了物联网技术的应用,在经济市场波动模型。首先,本文探讨了市场经济波动的影响模型通过仿真实验中,基于物联网技术和结果如表所示1和图10。
从上面的研究,我们可以看到,本文的方法可以实现经济市场交易位置的精确定位,并可以处理经济数据在同一时间。在此基础上,本文法官的影响物联网技术在市场经济波动的分析,提出了由评分结果,如表所示2和图11。
从上面的分析,可以看出市场经济波动模型基于物联网技术可以在市场经济分析中起着重要的作用。
5。结论
物联网的产业链长,形成一个广泛的报道。的过程中渗透和集成不同的行业,它将扩大经济发展和刺激经济增长的空间。为代表的制造业生产的芯片、传感器、和终端设备物联网产业链的上游形成了一个与第二产业的关系,特别是制造业。下游信息传输、软件行业云计算技术应用和金融行业、交通运输行业和信息通信产业和其他第三产业已经形成了一个反向的关系。可以说,物联网的应用领域几乎所有类别的延伸现有的国民经济行业。例如,行业,如智能交通、环境监测、公共安全、智能物流、精准农业、工业安全监控、娱乐、教育、医疗卫生所有涉及物联网技术的使用。依靠物联网的优势产业,出现了一个新的利润增长空间在国民经济各行各业,这促进了市场经济的繁荣和发展。本文分析了物联网技术的波动对经济市场,构建相应的智能模型,为后续的经济预测和分析提供一个理论参考。
数据可用性
标签数据集用于支持本研究的发现可以从相应的作者。
的利益冲突
作者宣称没有利益冲突。
确认
这项研究是由关键辽宁省社会科学规划基金项目:研究困境和路径新常态下的辽宁工业供应结构性改革(L18AJL001)和辽宁省教育部科研基金项目:研究高质量发展的动力机制和路径辽宁省制造业(WQN202020)。