無線感測器通常使用電池當作它的電源，由於受限於所處環境，使得它們難以再充電，例如森林生態的監測， 工廠大樓的佈建， 居家環境的控制等。當在無法開源的狀況下， 如何節流(省電)便成為相當重要的議題。傳統的感測器資料管理系統，如TinyDB與TAG，收集資料的方式為定
期地偵測環境變數並且回傳到資料管理系統。在一般的感測應用中，如溫度光度監測，一天內的
溫度變化，可能會有週期性。傳統的省電機制著重於節省傳輸的耗電，並沒有利用此資料重複出
現的特性。有鑑於此，我們提出一個針對歷史資料進行趨勢分析的演算法，並利用找出的週期特
性，來動態的調整探測時間點，針對不必要的感測能源作節省，達到節省探測的耗費，同時也能
節省傳輸的耗電。我們的系統先收集一段時間資料，之後開始計算其週期性，利用此週期將歷史
資料收集在一起，並分析資料的趨勢當作未來估計資料的依據。建立好歷史資料趨勢模型後，我
們假定每個時間點上的資料分佈呈現常態分布，若過去資料有些時間點的資料分佈太過離散，則
該時間點上的資料將無法有效的估算資料，所以未來相對應時間點必須要實際去探測資料；如有
些時間點的資料比較集中在平均值的附近，則我們可以回報過去資料該時間點的平均值當作估計
值，藉以代替實際探測的耗費。利用Chebyshev’s Inequality我們可以保證每一筆回報的估計值，在一定的信心水準之下， 會小於一個誤差範圍。實驗證明， 在80%信心水準下， 省電率可達35%，錯誤率僅不到2%， 証明了我們的系統在省電率與錯誤率之間有非常好的平衡。因此， 我們的系統應用在無線感測器網路上， 將可有效的節省探測的耗電， 同時也避免了不必要的傳輸。

Wireless sensor networks have received considerable attention in recent years and played an important role in data collection applications. Sensor nodes usually have limited supply of energy, such as battery. Therefore, a major consideration for developing sensor network applications is to conserve the energy for sensor nodes. In this paper, we propose a novel energy-efficient data acquisition algorithm based
on the periodic patterns derived from past sensor readings. Our key observation is that sensor readings often exhibit periodic patterns, e.g., the daily cycle of temperature readings, and the patterns provide opportunities for reducing energy consumption for sensor data acquisition. We exploit the patterns and use the patterns to build a statistic model for predicting sensor readings. In our approach, sensor data acquisition is needed only when acquired readings are unpredictable. Therefore the energy for sensor data acquisition and the associated radio communications can be conserved. The experiments performed with real data validate the effectiveness and efficiency of our approach.