Optimization of Energy Consumption in LoRaWAN Networks Using Machine Learning Methods

Батырбек Жоламанов, Sayat Orynbassar, Kymbat Kopbay, Madiyar Nurgaliyev, Gulnaz Abzhanova

2026

Закрытый доступ Метаданные (CSL-JSON)
DOI 10.52209/1609-1825_2026_3_448
Достоверность данных 70 средняя
Как считается эта оценка

Складывается из проверяемых признаков самой записи: есть ли у статьи DOI, сколько независимых источников подтвердили её данные, заполнены ли обязательные поля и насколько свежо последнее подтверждение. Снижают оценку расхождения между источниками и отсутствие идентификатора. Значение от 80 означает, что запись опубликована без дополнительной проверки; от 60 до 79 — что она опубликована с пониженной достоверностью и ручная проверка желательна. Запись, выверенную редактором вручную, пересчёт не опускает ниже 90. Это оценка наших данных о статье, а не оценка самой статьи.

Аннотация

Optimal trade-off between energy efficiency and data transmission reliability serves as a solid foundation for improving the stability and performance of LoRaWAN networks in diverse Internet of Things (IoT) applications. This study investigates the modeling and optimization of energy consumption (EC) in wireless sensor networks (WSNs) using LoRa technology. Key transmission parameters – spreading factor (SF), bandwidth (BW), code rate (CR), and transmission power (TP) – along with the node-to-gateway distance were analyzed for their impact on network performance and energy efficiency. The simulations were conducted using the FLoRa simulation framework integrated with OMNeT++, and the XGBoost machine learning model was used to predict the optimal configurations. The results show that the proposed optimization approach achieves 28% reduction in energy consumption and 24% improvement in packet delivery ratio (PDR) compared to traditional adaptive data rate (ADR) algorithm.