随着近年来水下传感器设备的突破性发展,水下传感器网络正被广泛应用于建设智慧海洋领域,例如海洋数据采集、污染监测、海洋勘探、灾难预防以及辅助导航等。水下传感器网络实时监测海洋环境变化,当某一事件发生时,决策者需及时定位到事件发生区域,以便做出即时应对,同时利用历史数据分析事件发展趋势。本文提出的基于实时数据预测的高效事件确定及其演变机制,在水下环境变化不剧烈或者存在某种规律时,利用数据预测模型,从根源上减少数据包上传数量,从而实现高效地事件识别。同时利用历史收集数据信息,分析事件的演变规律。主要研究内容如下:首先,考虑到水下传感器网络节点的计算能力较小、存储空间有限以及传感器网络的传输延迟,本文采用一种简单的模型去捕获数据变化趋势,即DBP数据预测模型,并以一种弹性规则去计算,同时处理存在的干扰。通过控制模型的学习窗大小以及基于时间数值的容忍度来调节模型,不断迭代计算倾斜度来适应于当前数据发展趋势。其次,水下传感器网络的实时数据收集需要消耗较多的能量,论文中方法会在水下节点和基站部署相同的数据预测模型,当某个节点的预测值和真实值的误差,在提前设定好的可接受范围内时,基站节点会以预测值视作真实值;相反,当预测误差过大时,节点需要上传数据,同时水下节点和基站更新模型。然后,水下传感器网络的实时数据预测和同步机制,能够高效实现数据聚集。当事件发生时,利用收集到异常数据,构建网络异常权重图,识别事件发生区域定位事件源。再基于连续时间片的历史数据,分析事件的演变规律。以便于决策者做出即时应对,防止事件恶化蔓延。最后,对于论文提出的基于实时数据预测的高效事件确定和事件演变分析,模拟实验结果验证了事件算法在数据变化不剧烈或者存在某种变化规律时,具有较好性能。从根本上减少整体的能量消耗,延长传感器网络生命周期。