近年来,物联网的发展日新月异,并在各个领域的应用场景下产生了实际的作用。伴随着机器学习算法的飞快发展和光伏硬件的不断更迭,使得光充能物联网体系有了更大的优化空间。因此,如何通过合适的模型降低网络能耗,延长网络寿命成为了可充能物联网领域亟待解决的问题。现有光充能物联网研究通常存在如下欠妥之处:1.现有光充能预测算法模式单一、忽略了小型传感器节点易受环境影响的因素,导致预测算法准确度降低。2.现有光充能预测算法忽略了“预测周期”这一隐性因素为预测结果带来的较大影响,预测周期过长或过短都会使得网络能耗增加而提前死亡。3.现有的光充能物联网路由调度策略运算负担较大,不能很好地计算光照频繁变化下的网络拓扑。另外,不能适应光充能场景下允许部分节点暂时死亡,待光照恢复后复活的、一定比例节点死亡的应用场景。为了解决上述光充能物联网研究中的不足,本文针对小型传感器节点网络,提出了一种基于机器学习的光充能预测模型JEKM,并结合一种动态的预测周期选择算法,必要时进行不同周期的预测,在有效提高光充能预测模型准确率的情况下降低了计算开销。另外,提出一种适配光充能物联网场景的、充放能感知的路由调度策略FAT。实验表明,本文模型能够增强光充能预测准确率、降低计算开销、提高网络寿命,为光充能传感器网络带来优化效果。其中,本文模型使得网络寿命提高了20%-40%。