論文の概要: A Gap in Time: The Challenge of Processing Heterogeneous IoT Point Data in Buildings

• arxiv url: http://arxiv.org/abs/2405.14267v1
• Date: Thu, 23 May 2024 07:45:48 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-24 18:24:17.566142
• Title: A Gap in Time: The Challenge of Processing Heterogeneous IoT Point Data in Buildings
• Title（参考訳）: 時間のギャップ: 建物における異種IoTポイントデータ処理の課題
• Authors: Xiachong Lin, Arian Prabowo, Imran Razzak, Hao Xue, Matthew Amos, Sam Behrens, Stephen White, Flora D. Salim,
• Abstract要約: 持続可能なエネルギーソリューションの必要性は、デジタル化された建物を電力網に統合するきっかけとなった。 エネルギー管理のためのディープラーニングフレームワークにIoTポイントデータを組み込むことは、複雑な課題である。 本稿では,実世界のIoTデータストリーム構築における多面的不均一性を包括的に分析する。
• 参考スコア（独自算出の注目度）: 15.06538531625261
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The growing need for sustainable energy solutions has driven the integration of digitalized buildings into the power grid, utilizing Internet-of-Things technology to optimize building performance and energy efficiency. However, incorporating IoT point data within deep-learning frameworks for energy management presents a complex challenge, predominantly due to the inherent data heterogeneity. This paper comprehensively analyzes the multifaceted heterogeneity present in real-world building IoT data streams. We meticulously dissect the heterogeneity across multiple dimensions, encompassing ontology, etiology, temporal irregularity, spatial diversity, and their combined effects on the IoT point data distribution. In addition, experiments using state-of-the-art forecasting models are conducted to evaluate their impacts on the performance of deep-learning models for forecasting tasks. By charting the diversity along these dimensions, we illustrate the challenges and delineate pathways for future research to leverage this heterogeneity as a resource rather than a roadblock. This exploration sets the stage for advancing the predictive abilities of deep-learning algorithms and catalyzing the evolution of intelligent energy-efficient buildings.
• Abstract（参考訳）: 持続可能なエネルギーソリューションの必要性が高まり、デジタル化された建物を電力網に統合し、建築性能とエネルギー効率を最適化するためにインターネット・オブ・Things技術を活用している。 しかし、エネルギー管理のためのディープラーニングフレームワークにIoTポイントデータを組み込むことは、主に固有のデータの不均一性のため、複雑な課題をもたらす。 本稿では,実世界のIoTデータストリーム構築における多面的不均一性を包括的に分析する。 オントロジー,エチオロジー,時間的不規則性,空間的多様性,IoT点データ分布に対するそれらの複合効果を包含し,多次元にわたる不均一性を慎重に識別する。 また,現状予測モデルを用いた実験を行い,タスク予測のためのディープラーニングモデルの性能評価を行った。 これらの次元に沿って多様性をチャート化することで、将来の研究において、この異質性を障害ではなくリソースとして活用する上での課題と経路を説明できる。 この探索は、ディープラーニングアルゴリズムの予測能力を前進させ、知的エネルギー効率の高い建物の進化を触媒する段階を定めている。

関連論文リスト

• BiTSA: Leveraging Time Series Foundation Model for Building Energy Analytics [15.525789412274587]
  本稿では対話型可視化ツールBiTSAの設計について述べる。 このツールは、マネージャが複雑なエネルギーデータを素早く解釈し、リアルタイムの洞察に基づいて、即座にデータ駆動のアクションを取ることを可能にする。
  論文  参考訳（メタデータ） (2024-11-20T23:49:06Z)
• Exploring Capabilities of Time Series Foundation Models in Building Analytics [15.525789412274587]
  モノのインターネット(IoT)ネットワークは、エネルギー消費の管理と最適化を変革した。 公開可能な2つのIoTデータセットの包括的なベンチマークを実施しています。 分析の結果, 単一モードモデルは, 建物におけるデータの変動性と物理的制約の複雑さを克服する上で, 極めて有望であることが示唆された。
  論文  参考訳（メタデータ） (2024-10-28T02:49:22Z)
• Enabling High Data Throughput Reinforcement Learning on GPUs: A Domain Agnostic Framework for Data-Driven Scientific Research [90.91438597133211]
  我々は、強化学習の適用において重要なシステムのボトルネックを克服するために設計されたフレームワークであるWarpSciを紹介する。 我々は、CPUとGPU間のデータ転送の必要性を排除し、数千のシミュレーションを同時実行可能にする。
  論文  参考訳（メタデータ） (2024-08-01T21:38:09Z)
• Speech Emotion Recognition under Resource Constraints with Data Distillation [64.36799373890916]
  音声感情認識(SER)は、人間とコンピュータの相互作用において重要な役割を果たす。 モノのインターネットにおけるエッジデバイスの出現は、複雑なディープラーニングモデルを構築する上での課題を示している。 本研究では,IoTアプリケーションにおけるSERモデルの効率的な開発を容易にするためのデータ蒸留フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-06-21T13:10:46Z)
• Best Practices and Lessons Learned on Synthetic Data [83.63271573197026]
  AIモデルの成功は、大規模で多様な、高品質なデータセットの可用性に依存している。 合成データは、現実世界のパターンを模倣する人工データを生成することによって、有望なソリューションとして現れてきた。
  論文  参考訳（メタデータ） (2024-04-11T06:34:17Z)
• Effective Intrusion Detection in Heterogeneous Internet-of-Things Networks via Ensemble Knowledge Distillation-based Federated Learning [52.6706505729803]
  我々は、分散化された侵入検知システムの共有モデル(IDS)を協調訓練するために、フェデレートラーニング(FL)を導入する。 FLEKDは従来のモデル融合法よりも柔軟な凝集法を実現する。 実験の結果,提案手法は,速度と性能の両面で,局所訓練と従来のFLよりも優れていた。
  論文  参考訳（メタデータ） (2024-01-22T14:16:37Z)
• Exploring Artificial Intelligence Methods for Energy Prediction in Healthcare Facilities: An In-Depth Extended Systematic Review [0.9208007322096533]
  本研究は, 病院ビルのエネルギー消費予測に機械学習と人工知能技術を用いた論文のPRISMAフレームワークを用いた文献レビューを行った。 このレビューでは、エネルギー予測に影響を与えるさまざまなデータ入力が明らかにされ、占有率と気象データが重要な予測因子として出現した。 この発見は、病院のエネルギー消費を最適化するAIの巨大な可能性を浮き彫りにしただけでなく、より包括的できめ細かい研究の必要性も浮き彫りにしている。
  論文  参考訳（メタデータ） (2023-11-27T13:30:20Z)
• Computation-efficient Deep Learning for Computer Vision: A Survey [121.84121397440337]
  ディープラーニングモデルは、さまざまな視覚的知覚タスクにおいて、人間レベルのパフォーマンスに到達または超えた。 ディープラーニングモデルは通常、重要な計算資源を必要とし、現実のシナリオでは非現実的な電力消費、遅延、または二酸化炭素排出量につながる。 新しい研究の焦点は計算効率のよいディープラーニングであり、推論時の計算コストを最小限に抑えつつ、良好な性能を達成することを目指している。
  論文  参考訳（メタデータ） (2023-08-27T03:55:28Z)
• Smart Home Energy Management: VAE-GAN synthetic dataset generator and Q-learning [15.995891934245334]
  本稿では,スマートホームにおけるエネルギー消費に関する時系列データを生成するための,変分自動エンコーダ生成対向ネットワーク(VAE-GAN)手法を提案する。 実世界のスマートホームデータを用いて,Qラーニングに基づくHEMSのオンラインパフォーマンスを検証した。
  論文  参考訳（メタデータ） (2023-05-14T22:22:16Z)
• Distributed intelligence on the Edge-to-Cloud Continuum: A systematic literature review [62.997667081978825]
  このレビューは、現在利用可能な機械学習とデータ分析のための最先端ライブラリとフレームワークに関する包括的なビジョンを提供することを目的としている。 現在利用可能なEdge-to-Cloud Continuumに関する実験的な研究のための、主要なシミュレーション、エミュレーション、デプロイメントシステム、テストベッドも調査されている。
  論文  参考訳（メタデータ） (2022-04-29T08:06:05Z)

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。