論文の概要: LoRaWAN-enabled Smart Campus: The Dataset and a People Counter Use Case

• arxiv url: http://arxiv.org/abs/2304.13366v1
• Date: Wed, 26 Apr 2023 08:14:56 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-27 15:09:20.906976
• Title: LoRaWAN-enabled Smart Campus: The Dataset and a People Counter Use Case
• Title（参考訳）: lorawan対応スマートキャンパス:データセットと人間対抗のユースケース
• Authors: Eslam Eldeeb and Hirley Alves
• Abstract要約: 本稿では,LoRaWANに基づくSmart Campusデータセットの詳細について述べる。 LoRaWANは、何百ものIoTデバイスを提供する新興技術である。
• 参考スコア（独自算出の注目度）: 9.835561936689357
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: IoT has a significant role in the smart campus. This paper presents a detailed description of the Smart Campus dataset based on LoRaWAN. LoRaWAN is an emerging technology that enables serving hundreds of IoT devices. First, we describe the LoRa network that connects the devices to the server. Afterward, we analyze the missing transmissions and propose a k-nearest neighbor solution to handle the missing values. Then, we predict future readings using a long short-term memory (LSTM). Finally, as one example application, we build a deep neural network to predict the number of people inside a room based on the selected sensor's readings. Our results show that our model achieves an accuracy of $95 \: \%$ in predicting the number of people. Moreover, the dataset is openly available and described in detail, which is opportunity for exploration of other features and applications.
• Abstract（参考訳）: IoTはスマートキャンパスにおいて重要な役割を担っている。 本稿では,LoRaWANに基づくSmart Campusデータセットの詳細について述べる。 LoRaWANは、何百ものIoTデバイスを提供する新興技術である。 まず,デバイスをサーバに接続するLoRaネットワークについて述べる。 その後、欠落した送信を解析し、欠落した値を扱うk-アネレスト近傍の解を提案する。 次に,Long Short-term memory (LSTM) を用いて将来の読み出しを予測する。 最後に、ひとつの応用例として、選択したセンサの読み取りに基づいて室内の人数を予測するディープニューラルネットワークを構築します。 以上の結果から,本モデルでは,人数予測の精度が 95 \: \%$ であることが示唆された。 さらにデータセットはオープンに利用可能であり、詳細に説明されているため、他の機能やアプリケーションの探索の機会となる。

関連論文リスト

• A Grid-based Sensor Floor Platform for Robot Localization using Machine Learning [0.0]
  センサフロア(Sensor Floor)と呼ばれる新しいグリッドベースのWSNプラットフォームを用いて機械学習手法を検討する。 私たちのゴールは、すべてのロジスティックなエンティティをローカライズすることであり、この研究にはモバイルロボットを使用します。 正規化を伴うCNNモデルは15cmの局所化精度でランダムフォレストを上回っている。
  論文  参考訳（メタデータ） (2022-12-09T08:29:50Z)
• Topics in Deep Learning and Optimization Algorithms for IoT Applications in Smart Transportation [0.0]
  この論文は、最適化アルゴリズムと機械学習の異なる手法をどのように活用してシステム性能を向上するかを考察する。 第1のトピックでは、分散ADMM方式を用いた最適な伝送周波数管理方式を提案する。 第2のトピックでは、共有自転車の需要予測にグラフニューラルネットワーク(GNN)を活用する。 最後のトピックでは、頻繁に車線変更行動が発生するハイウェイ交通ネットワークのシナリオについて考察する。
  論文  参考訳（メタデータ） (2022-10-13T11:45:30Z)
• Learning to Learn with Generative Models of Neural Network Checkpoints [71.06722933442956]
  ニューラルネットワークのチェックポイントのデータセットを構築し,パラメータの生成モデルをトレーニングする。 提案手法は,幅広い損失プロンプトに対するパラメータの生成に成功している。 我々は、教師付きおよび強化学習における異なるニューラルネットワークアーキテクチャとタスクに本手法を適用した。
  論文  参考訳（メタデータ） (2022-09-26T17:59:58Z)
• Online Data Selection for Federated Learning with Limited Storage [53.46789303416799]
  ネットワークデバイス間での分散機械学習を実現するために、フェデレートラーニング(FL)が提案されている。 デバイス上のストレージがFLの性能に与える影響はまだ調査されていない。 本研究では,デバイス上のストレージを限定したFLのオンラインデータ選択について検討する。
  論文  参考訳（メタデータ） (2022-09-01T03:27:33Z)
• Communication-Efficient Separable Neural Network for Distributed Inference on Edge Devices [2.28438857884398]
  本稿では,分散推論のためのニューラルネットワークを分離するために,モデル並列性を利用する新しい手法を提案する。 デバイスの適切な仕様とモデルの構成の下で、エッジクラスタ上の大規模ニューラルネットワークの推論が分散し、加速可能であることを示す実験を行った。
  論文  参考訳（メタデータ） (2021-11-03T19:30:28Z)
• Computational Intelligence and Deep Learning for Next-Generation Edge-Enabled Industrial IoT [51.68933585002123]
  エッジ対応産業用IoTネットワークにおける計算知能とディープラーニング(DL)の展開方法について検討する。 本稿では,新しいマルチエグジットベースフェデレーションエッジ学習(ME-FEEL)フレームワークを提案する。 特に、提案されたME-FEELは、非常に限られたリソースを持つ産業用IoTネットワークにおいて、最大32.7%の精度を達成することができる。
  論文  参考訳（メタデータ） (2021-10-28T08:14:57Z)
• Optimizing Resource-Efficiency for Federated Edge Intelligence in IoT Networks [96.24723959137218]
  We study a edge intelligence-based IoT network that a set of edge server learn a shared model using federated learning (FL)。 フェデレーションエッジインテリジェンス(FEI)と呼ばれる新しいフレームワークを提案し、エッジサーバがIoTネットワークのエネルギーコストに応じて必要なデータサンプル数を評価できるようにする。 提案アルゴリズムがIoTネットワークのトポロジ的情報を漏洩したり開示したりしないことを示す。
  論文  参考訳（メタデータ） (2020-11-25T12:51:59Z)
• LETI: Latency Estimation Tool and Investigation of Neural Networks inference on Mobile GPU [0.0]
  本研究では,モバイルGPUのレイテンシ近似をデータおよびハードウェア固有の問題として検討する。 私たちは、さまざまなターゲットデバイスで大規模な実験を行うための便利な方法を提供する、オープンソースのツールを構築しています。 我々は、一般的なNAS-Benchmark 101データセットのサブセットに対するそのようなアプローチの適用性を実験的に実証した。
  論文  参考訳（メタデータ） (2020-10-06T16:51:35Z)
• MS-RANAS: Multi-Scale Resource-Aware Neural Architecture Search [94.80212602202518]
  我々は,MS-RANAS(Multi-Scale Resource-Aware Neural Architecture Search)を提案する。 我々は,検索コストの削減を図るために,ワンショットのアーキテクチャ探索手法を採用した。 我々は精度-速度トレードオフの観点から最先端の結果を得る。
  論文  参考訳（メタデータ） (2020-09-29T11:56:01Z)
• Proactive Tasks Management based on a Deep Learning Model [9.289846887298852]
  要求に基づいて,知的かつ積極的なタスク管理モデルを提案する。 私たちはDeep Machine Learning(DML)モデル、より具体的にはLong Short Term Memory(LSTM)ネットワークに依存しています。 提案手法は,最も効率的なアロケーションを導出しながら,ハエを決定できることを示す。
  論文  参考訳（メタデータ） (2020-07-25T05:28:14Z)
• Deep Learning for Ultra-Reliable and Low-Latency Communications in 6G Networks [84.2155885234293]
  まず,データ駆動型教師付き深層学習と深部強化学習をURLLCに適用する方法を概説する。 このようなオープンな問題に対処するために、デバイスインテリジェンス、エッジインテリジェンス、およびURLLCのためのクラウドインテリジェンスを可能にするマルチレベルアーキテクチャを開発した。
  論文  参考訳（メタデータ） (2020-02-22T14:38:11Z)

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。