論文の概要: Water Quality Prediction on a Sigfox-compliant IoT Device: The Road Ahead of WaterS

• arxiv url: http://arxiv.org/abs/2007.13436v1
• Date: Mon, 27 Jul 2020 11:21:40 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-06 11:39:12.524713
• Title: Water Quality Prediction on a Sigfox-compliant IoT Device: The Road Ahead of WaterS
• Title（参考訳）: Sigfox対応IoTデバイスにおける水質予測--WaterSの先駆けとして
• Authors: Pietro Boccadoro, Vitanio Daniele, Pietro Di Gennaro, Domenico Lof\`u, Pietro Tedeschi
• Abstract要約: 我々は,収集した計測データを遠隔で通信する,モノのインターネット(Internet of Things)の水質予測システムであるWaterSに注目した。 このソリューションは、エネルギー効率や自律性といった特異なモノのインターネット(Internet of Things)の制約を考慮して、水質問題に対処する。 WaterSエコシステムのソースコードがオープンソースとしてリリースされ、産業とアカデミアの両方の研究活動を奨励し、促進している。
• 参考スコア（独自算出の注目度）: 0.27998963147546135
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Water pollution is a critical issue that can affects humans' health and the entire ecosystem thus inducing economical and social concerns. In this paper, we focus on an Internet of Things water quality prediction system, namely WaterS, that can remotely communicate the gathered measurements leveraging Low-Power Wide Area Network technologies. The solution addresses the water pollution problem while taking into account the peculiar Internet of Things constraints such as energy efficiency and autonomy as the platform is equipped with a photovoltaic cell. At the base of our solution, there is a Long Short-Term Memory recurrent neural network used for time series prediction. It results as an efficient solution to predict water quality parameters such as pH, conductivity, oxygen, and temperature. The water quality parameters measurements involved in this work are referred to the Tiziano Project dataset in a reference time period spanning from 2007 to 2012. The LSTM applied to predict the water quality parameters achieves high accuracy and a low Mean Absolute Error of 0.20, a Mean Square Error of 0.092, and finally a Cosine Proximity of 0.94. The obtained results were widely analyzed in terms of protocol suitability and network scalability of the current architecture towards large-scale deployments. From a networking perspective, with an increasing number of Sigfox-enabling end-devices, the Packet Error Rate increases as well up to 4% with the largest envisioned deployment. Finally, the source code of WaterS ecosystem has been released as open-source, to encourage and promote research activities from both Industry and Academia.
• Abstract（参考訳）: 水質汚染は人間の健康や生態系全体に影響を与える重要な問題であり、経済的・社会的懸念を引き起こす。 本稿では,低電力広域ネットワーク技術を活用して収集した計測データを遠隔で通信する,モノのインターネット(Internet of Things)の水質予測システムであるWaterSに着目した。 このソリューションは、プラットフォームが太陽電池を備えているため、エネルギー効率や自律性といった特異なモノのインターネットの制約を考慮して、水質問題に対処する。 私たちのソリューションの基盤には、時系列予測に使用されるLong Short-Term Memory Recurrent Neural Networkがあります。 その結果、ph、導電率、酸素、温度などの水質パラメータを予測する効率的な解決策となる。 この研究にかかわる水質パラメーターは、2007年から2012年までの基準時間で、Tiziano Projectのデータセットとして参照される。 水質パラメータの予測に用いたlstmは, 精度が高く, 低平均絶対誤差0.20, 平均2乗誤差0.092, 最終的にコサイン近接0.94が得られる。 得られた結果は,大規模デプロイメントに向けた現在のアーキテクチャのプロトコル適合性とネットワーク拡張性の観点から広く分析された。 ネットワークの観点から見ると、Sigfoxを起動するエンドデバイスの増加に伴い、Packet Error Rateは最大4%まで増加し、デプロイメントは最大になる。 最後に、ウォーターズのエコシステムのソースコードがオープンソースとしてリリースされ、産業とアカデミアの両方からの研究活動を奨励し、促進している。

関連論文リスト

• Satellite Streaming Video QoE Prediction: A Real-World Subjective Database and Network-Level Prediction Models [59.061552498630874]
  LIVE-Viasat Real-World Satellite QoE Databaseを紹介する。 このデータベースは、現実世界のストリーミングサービスから記録された179のビデオで構成されている。 本稿では,QoE予測モデルの有効性を評価することで,この新たな資源の有用性を実証する。 また、ネットワークパラメータを予測された人間の知覚スコアにマッピングする新しいモデルを作成しました。
  論文  参考訳（メタデータ） (2024-10-17T18:22:50Z)
• Towards an Autonomous Surface Vehicle Prototype for Artificial Intelligence Applications of Water Quality Monitoring [68.41400824104953]
  本稿では,人工知能アルゴリズムの利用と水質モニタリングのための高感度センシング技術に対処する車両プロトタイプを提案する。 車両には水質パラメータと水深を測定するための高品質なセンサーが装備されている。 ステレオカメラにより、実際の環境でのマクロプラスチックの検出と検出も可能である。
  論文  参考訳（メタデータ） (2024-10-08T10:35:32Z)
• SEN12-WATER: A New Dataset for Hydrological Applications and its Benchmarking [40.996860106131244]
  気候と干ばつの増加は、世界中の水資源管理に重大な課題をもたらしている。 本稿では,干ばつ関連分析のためのエンドツーエンドディープラーニングフレームワークを用いたベンチマークとともに,新しいデータセットであるSEN12-WATERを提案する。
  論文  参考訳（メタデータ） (2024-09-25T16:50:59Z)
• WaterQualityNeT: Prediction of Seasonal Water Quality of Nepal Using Hybrid Deep Learning Models [0.0]
  本稿では,ネパールの季節的な水質を予測するためのハイブリッド深層学習モデルを提案する。 このモデルは、畳み込みニューラルネットワーク(CNN)とリカレントニューラルネットワーク(RNN)を統合し、データの時間的および空間的パターンを活用する。
  論文  参考訳（メタデータ） (2024-09-17T05:26:59Z)
• Monitoring water contaminants in coastal areas through ML algorithms leveraging atmospherically corrected Sentinel-2 data [3.155658695525581]
  本研究では,CatBoost Machine Learning(ML)とSentinel-2 Level-2Aの高分解能データを統合することにより,濁度汚染をモニタリングする新たなアプローチを開拓した。 従来の方法は労働集約的であり、CatBoostは効率的なソリューションを提供し、予測精度に優れている。 大気補正されたSentinel-2データをGoogle Earth Engine(GEE)を通じて利用することで、スケーラブルで正確な濁度モニタリングに寄与する。
  論文  参考訳（メタデータ） (2024-01-08T10:20:34Z)
• Long-term drought prediction using deep neural networks based on geospatial weather data [75.38539438000072]
  農業計画や保険には1年前から予測される高品質の干ばつが不可欠だ。 私たちは、体系的なエンドツーエンドアプローチを採用するエンドツーエンドアプローチを導入することで、干ばつデータに取り組みます。 主な発見は、TransformerモデルであるEarthFormerが、正確な短期(最大6ヶ月)の予測を行う際の例外的なパフォーマンスである。
  論文  参考訳（メタデータ） (2023-09-12T13:28:06Z)
• AquaFeL-PSO: A Monitoring System for Water Resources using Autonomous Surface Vehicles based on Multimodal PSO and Federated Learning [0.0]
  水資源の保存、モニタリング、管理は、ここ数十年で大きな課題となっている。 本稿では,水質センサを備えた自動表面車両を用いた水質モニタリングシステムを提案する。
  論文  参考訳（メタデータ） (2022-11-28T10:56:12Z)
• 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)
• Predictive Analytics for Water Asset Management: Machine Learning and Survival Analysis [55.41644538483948]
  本研究では,水管故障の予測のための統計的および機械学習の枠組みについて検討する。 スペイン,バルセロナの配水ネットワーク内の全管の故障記録を含むデータセットを用いて検討を行った。 その結果, 管形状, 年齢, 材質, 土壌被覆など, 重要な危険因子の影響が明らかにされた。
  論文  参考訳（メタデータ） (2020-07-02T19:08:36Z)
• A multivariate water quality parameter prediction model using recurrent neural network [0.30458514384586394]
  本研究は水質パラメータに基づく水質予測モデルを構築することを目的とする。 このモデルは、リカレントニューラルネットワーク(RNN)、Long Short-Term Memory(LSTM)および履歴水質データを用いて開発された。 シングルステップモデルは0.01mg/Lの誤差を達成し、マルチステップモデルは0.227mg/LのRoot Mean Squared Error(RMSE)を達成した。
  論文  参考訳（メタデータ） (2020-03-25T16:49:52Z)

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。