本论文提出了一种称为 Energy Loss Prediction（ELP）的框架，用于估计共享众包能源服务中的能量损失。 提出了一种名为 Easeformer 的新型基于注意力机制的算法，用于在共享能源环境中预测物联网设备的电池电量，从而估计能量损失。 通过实验验证，该框架优于现有方法。

May, 2023

本研究通过使用历史能源数据、占用模式和天气条件，引入了一种基于长短期记忆（LSTM）模型的建筑能源消耗预测方法。该 LSTM 模型对于住宅和商业建筑的短期、中期和长期能源预测相比现有的预测模型具有更高的准确性。通过与线性回归、决策树和随机森林等已有预测方法的比较，我们的 LSTM 模型在所有指标上表现出色，具有 0.97 的最高 R2 得分和 0.007 的最佳平均绝对误差（MAE）。我们的模型还具有在受限数据集上实现高效能源消耗预测的能力。通过在实际数据上的严格训练和评估，我们解决了过拟合（方差）和欠拟合（偏差）的问题。总结而言，我们的研究通过提供一种优于其他方法的、具有出色效率、普适性和可靠性的强大 LSTM 模型，为能源预测做出了贡献。

Sep, 2023

本文提出了一个使用机器学习算法（XGBoost 和神经网络）的能量预估框架，以预测无线充电设备实际接收到的能量水平。收集了真实的无线能量数据集进行训练和测试，结果表明神经网络模型比 XGBoost 模型更准确。

Mar, 2023

通过对商用 NB-IoT 设备和不同运营商进行一系列实践测量，我们证明了参数设置确实会对能耗产生影响，因此适当的配置是必要的，同时我们提供了一些简单的参数调整方案以实现更好的能源节省效果。

Apr, 2020

通过 Bluetooth 广播技术与 Tuple Space 服务建立的 BeeTS 服务，实现了物联网智能设备的短距离、低能耗、面向时空的无连接与自组织通信。

Apr, 2022

基于环境能量采集的无电池物联网设备在下一代无线网络的可持续绿色计划中至关重要，我们提出了一种基于应用感知的任务和能量管理器（ATEM）以及基于向量同步的数据聚合器（VSDA），此方案满足异构应用需求且降低数据损失、数据延迟，提高硬件组件可用性，并与先进技术相比更快地使组件可用。

Nov, 2023

为了有效地进行数字化接触追踪，我们提出了一种新的系统，通过蓝牙低功耗信号和其他设备传感器（加速计、磁力计、陀螺仪）的联合模型来估计成对个体接近度，并探索多种方法来解释传感器数据流以及使用多种统计和深度学习方法来学习传感接近度的表示，并报告规范化决策成本函数（nDCF）度量值，分析各种输入信号的差异影响，并讨论相关挑战。

Sep, 2020

本研究通过自学习、分布式学习的方法，适应环境，使物联网设备之间的通信参数最大程度优化，实现能源效率和通信可靠性的提高，并与中心化方式进行对比，结果显示本方法能显著提升物联网通信的能源效率和可靠性，在低成本和低功耗的物联网应用中具有很好的应用前景。

Jul, 2018

本文介绍了一种基于强化学习信息融合框架（RL-IFF）的新型解决方案，通过将到达角度（AoA）与 RSSI 基于粒子滤波和 IMU 基于 Dead Reckoning（PDR）框架相结合，旨在解决 Bluetooth Low Energy 在智能城市中室内动态跟踪 / 定位方法的无法靠谱的问题，实验证明其性能优于同类方案。

Oct, 2022

通过建立智能办公楼的物联网实验测试台，提出了基于物联网的能源自适应控制框架，实现了多尺度能耗自适应控制，包括建筑、用户和组织级别的能源自适应控制，并在现实中验证了其有效性。

Mar, 2016