論文の概要: Adaptive machine learning strategies for network calibration of IoT smart air quality monitoring devices

• arxiv url: http://arxiv.org/abs/2003.12011v1
• Date: Tue, 24 Mar 2020 10:26:51 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-20 08:41:00.061390
• Title: Adaptive machine learning strategies for network calibration of IoT smart air quality monitoring devices
• Title（参考訳）: IoTスマート空気質モニタリングデバイスのネットワークキャリブレーションのための適応型機械学習戦略
• Authors: Saverio De Vito, Girolamo Di Francia, Elena Esposito, Sergio Ferlito, Fabrizio Formisano and Ettore Massera
• Abstract要約: 低コストの化学マイクロセンサーアレイは、比較的正確な大気汚染物質定量推定を提供することができる。 これらの精度は、いくつかの技術的問題の負の影響により、長期の現場展開において制限されている。 本研究では,マルチセンサキャリブレーションモデルの妥当性を高めるために,適応学習戦略を用いた非定常フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 1.957338076370071
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Air Quality Multi-sensors Systems (AQMS) are IoT devices based on low cost chemical microsensors array that recently have showed capable to provide relatively accurate air pollutant quantitative estimations. Their availability permits to deploy pervasive Air Quality Monitoring (AQM) networks that will solve the geographical sparseness issue that affect the current network of AQ Regulatory Monitoring Systems (AQRMS). Unfortunately their accuracy have shown limited in long term field deployments due to negative influence of several technological issues including sensors poisoning or ageing, non target gas interference, lack of fabrication repeatability, etc. Seasonal changes in probability distribution of priors, observables and hidden context variables (i.e. non observable interferents) challenge field data driven calibration models which short to mid term performances recently rose to the attention of Urban authorithies and monitoring agencies. In this work, we address this non stationary framework with adaptive learning strategies in order to prolong the validity of multisensors calibration models enabling continuous learning. Relevant parameters influence in different network and note-to-node recalibration scenario is analyzed. Results are hence useful for pervasive deployment aimed to permanent high resolution AQ mapping in urban scenarios as well as for the use of AQMS as AQRMS backup systems providing data when AQRMS data are unavailable due to faults or scheduled mainteinance.
• Abstract（参考訳）: 空気質マルチセンサーシステム(aqms)は、比較的正確な空気汚染物質量の推定を可能にすることができることを最近証明した低コストの化学マイクロセンサーアレイに基づくiotデバイスである。 彼らの可用性は、現在のAQRMS(AQ Regulatory Monitoring Systems)のネットワークに影響を与える地理的疎度問題を解決するために、広汎な空気品質モニタリング(AQM)ネットワークをデプロイすることを可能にする。 残念なことに、その精度は、センサー中毒や老化、非目標ガス干渉、製造の繰り返し性欠如など、いくつかの技術上の問題の影響により、長期にわたる現場展開において制限されている。 先行変数、観測変数、および隠れたコンテキスト変数(すなわち非観測可能な干渉変数)の確率分布の季節的変化 フィールドデータ駆動型キャリブレーションモデル 短期的・中期的なパフォーマンスが最近、都市の権威や監視機関の注目を集めるようになった。 本研究では,この非定常的フレームワークに適応学習戦略を適用し,連続学習を可能にするマルチセンサキャリブレーションモデルの妥当性を高める。 異なるネットワークにおける関連パラメータの影響を解析し,ノード間再校正シナリオを分析する。 したがって、都市シナリオにおける恒久的な高分解能AQマッピングを目的とした普及デプロイメントや、AQRMSデータが障害やスケジュールされたメインテナンスのために利用できない場合にデータを提供するAQRMSバックアップシステムとしてAQMSを使用するために有用である。

関連論文リスト

• Efficient Unsupervised Domain Adaptation Regression for Spatial-Temporal Air Quality Sensor Fusion [6.963971634605796]
  本稿では,グラフ構造データに対する回帰処理に適した新しいunsupervised domain adapt(UDA)手法を提案する。 センサ間の関係をモデル化するために、時空間グラフニューラルネットワーク(STGNN)を組み込んだ。 弊社のアプローチでは、安価なIoTセンサが高価な参照センサから校正パラメータを学習できる。
  論文  参考訳（メタデータ） (2024-11-11T12:20:57Z)
• Towards Resource-Efficient Federated Learning in Industrial IoT for Multivariate Time Series Analysis [50.18156030818883]
  異常と欠落したデータは、産業応用における厄介な問題を構成する。 ディープラーニングによる異常検出が重要な方向として現れている。 エッジデバイスで収集されたデータは、ユーザのプライバシを含む。
  論文  参考訳（メタデータ） (2024-11-06T15:38:31Z)
• Convolutional Neural Network Design and Evaluation for Real-Time Multivariate Time Series Fault Detection in Spacecraft Attitude Sensors [41.94295877935867]
  本稿では,ドローンのような宇宙船の加速度計および慣性測定ユニット内のスタンプ値を検出するための新しい手法を提案する。 マルチチャネル畳み込みニューラルネットワーク(CNN)は、マルチターゲット分類を実行し、センサ内の障害を独立に検出するために使用される。 ネットワークの異常を効果的に検出し,システムレベルでの回復動作をトリガーする統合手法を提案する。
  論文  参考訳（メタデータ） (2024-10-11T09:36:38Z)
• A Global Multi-Unit Calibration as a Method for Large Scale IoT Particulate Matter Monitoring Systems Deployments [0.5779598097190628]
  我々は,IoT AQマルチセンサデバイスのための技術実現手段として,ゼロ転送サンプル,グローバルキャリブレーション手法を提案する。 この作業は、限られた数のIoT AQマルチセンサーユニットと機械学習の概念からのフィールド記録された応答に基づいている。 これらの結果は、適切に導出されると、多数のネットワークデバイスに対して、大域的な校正法を活用できることを示している。
  論文  参考訳（メタデータ） (2023-10-27T13:04:53Z)
• Ranking-Based Physics-Informed Line Failure Detection in Power Grids [66.0797334582536]
  ライン障害のリアルタイムかつ正確な検出は、極端な気象の影響を緩和し、緊急制御を活性化する最初のステップである。 電力収支方程式は、非線形性、極端な事象における発生の不確実性の増加、グリッドオブザーバビリティの欠如は、従来のデータ駆動障害検出手法の効率を損なう。 本稿では,グリッドトポロジ情報を利用した物理インフォームドライン故障検出器(FIELD)を提案する。
  論文  参考訳（メタデータ） (2022-08-31T18:19:25Z)
• Evaluating Short-Term Forecasting of Multiple Time Series in IoT Environments [67.24598072875744]
  IoT(Internet of Things)環境は、多数のIoT対応センシングデバイスを介して監視される。 この問題を緩和するため、センサーは比較的低いサンプリング周波数で動作するように設定されることが多い。 これは、予測などの後続の意思決定を劇的に妨げる可能性がある。
  論文  参考訳（メタデータ） (2022-06-15T19:46:59Z)
• DAE : Discriminatory Auto-Encoder for multivariate time-series anomaly detection in air transportation [68.8204255655161]
  識別オートエンコーダ(DAE)と呼ばれる新しい異常検出モデルを提案する。 通常のLSTMベースのオートエンコーダのベースラインを使用するが、いくつかのデコーダがあり、それぞれ特定の飛行フェーズのデータを取得する。 その結果,DAEは精度と検出速度の両方で良好な結果が得られることがわかった。
  論文  参考訳（メタデータ） (2021-09-08T14:07:55Z)
• MAQ-CaF: A Modular Air Quality Calibration and Forecasting method for cross-sensitive pollutants [1.2114524594104759]
  モジュラー空気質の校正と予測手法であるMAQ-CaFを提案する。 モジュール型機械学習ベースの設計により、信頼性の難しさを脇に置きます。 キャリブレーションされたデータはローカルとリモートの両方に格納され、将来の予測機能が追加される。
  論文  参考訳（メタデータ） (2021-04-22T13:34:06Z)
• Federated Learning in the Sky: Aerial-Ground Air Quality Sensing Framework with UAV Swarms [53.38353133198842]
  空気質は人間の健康に大きく影響し、空気質指数(AQI)の正確かつタイムリーな予測がますます重要になっている。 本稿では, 精密な3次元空気質モニタリングと予測を行うための, 新たなフェデレーション学習型地上空気質検知フレームワークを提案する。 地中センシングシステムでは, グラフ畳み込みニューラルネットワークを用いたLong Short-Term Memory (GC-LSTM) モデルを提案し, 高精度, リアルタイム, 将来的なAQI推論を実現する。
  論文  参考訳（メタデータ） (2020-07-23T13:32:47Z)
• Adaptive Anomaly Detection for IoT Data in Hierarchical Edge Computing [71.86955275376604]
  本稿では,階層型エッジコンピューティング(HEC)システムに対する適応型異常検出手法を提案する。 本研究では,入力データから抽出した文脈情報に基づいてモデルを選択する適応的手法を設計し,異常検出を行う。 提案手法を実際のIoTデータセットを用いて評価し,検出タスクをクラウドにオフロードするのとほぼ同じ精度を維持しながら,検出遅延を84%削減できることを実証した。
  論文  参考訳（メタデータ） (2020-01-10T05:29:17Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。