論文の概要: IoT-based Noise Monitoring using Mobile Nodes for Smart Cities

• arxiv url: http://arxiv.org/abs/2509.00979v1
• Date: Sun, 31 Aug 2025 20:13:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-04 15:17:03.486186
• Title: IoT-based Noise Monitoring using Mobile Nodes for Smart Cities
• Title（参考訳）: スマートシティ向けモバイルノードを用いたIoTによる騒音モニタリング
• Authors: Bhima Sankar Manthina, Shreyash Gujar, Sachin Chaudhari, Kavita Vemuri1, Shivam Chhirolya,
• Abstract要約: 本稿では,モバイルノードを用いたスケーラブルで低コストでIoTベースのリアルタイム環境騒音監視ソリューションを提案する。 このシステムは、GPS対応モジュールに統合された低コストの音響センサを使用して、ジオタグ付きノイズデータを1秒間隔で収集する。 提案システムは,スマートシティにおけるIoTベースのノイズセンシングネットワークの普及の可能性を示す。
• 参考スコア（独自算出の注目度）: 0.45671221781968324
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Urban noise pollution poses a significant threat to public health, yet existing monitoring infrastructures offer limited spatial coverage and adaptability. This paper presents a scalable, low-cost, IoT-based, real-time environmental noise monitoring solution using mobile nodes (sensor nodes on a moving vehicle). The system utilizes a low-cost sound sensor integrated with GPS-enabled modules to collect geotagged noise data at one-second intervals. The sound nodes are calibrated against a reference sound level meter in a laboratory setting to ensure accuracy using various machine learning (ML) algorithms, such as Simple Linear Regression (SLR), Multiple Linear Regression (MLR), Polynomial Regression (PR), Segmented Regression (SR), Support Vector Regression (SVR), Decision Tree (DT), and Random Forest Regression (RFR). While laboratory calibration demonstrates high accuracy, it is shown that the performance of the nodes degrades during data collection in a moving vehicle. To address this, it is demonstrated that the calibration must be performed on the IoT-based node based on the data collected in a moving environment along with the reference device. Among the employed ML models, RFR achieved the best performance with an R2 of 0.937 and RMSE of 1.09 for mobile calibration. The system was deployed in Hyderabad, India, through three measurement campaigns across 27 days, capturing 436,420 data points. Results highlight temporal and spatial noise variations across weekdays, weekends, and during Diwali. Incorporating vehicular velocity into the calibration significantly improves accuracy. The proposed system demonstrates the potential for widespread deployment of IoT-based noise sensing networks in smart cities, enabling effective noise pollution management and urban planning.
• Abstract（参考訳）: 都市騒音汚染は公衆衛生に重大な脅威をもたらすが、既存の監視インフラは限られた空間範囲と適応性を提供している。 本稿では,移動体ノード(移動体上のセンサノード)を用いたスケーラブルで低コストでIoTベースのリアルタイム環境騒音監視ソリューションを提案する。 このシステムは、GPS対応モジュールに統合された低コストの音響センサを使用して、ジオタグ付きノイズデータを1秒間隔で収集する。 音響ノードは、SLR(Simple Linear Regression)、MLR(Multiple Linear Regression)、ポリノミアル回帰(Polynomial Regression)、SR(Segmented Regression)、SVR(Support Vector Regression)、DT(Decision Tree)、RFR(Random Forest Regression)などの機械学習(ML)アルゴリズムを用いて、基準音レベルメータに対して校正され、精度を確保する。 実験室の校正精度は高いが, 移動車におけるデータ収集において, ノードの性能が低下することが示されている。 これを解決するために、移動環境に収集されたデータと参照装置に基づいて、IoTベースのノード上でキャリブレーションを行う必要があることを実証した。 採用されたMLモデルの中で、RFRは0.937のR2とモバイルキャリブレーションのためのRMSE 1.09で最高の性能を達成した。 このシステムはインド・ハイデラバードで27日間にわたって3回の計測キャンペーンを行い、436,420のデータを収集した。 その結果, 平日, 週末, ディワリの時間的・空間的な騒音変動が顕著となった。 キャリブレーションに車両速度を組み込むことで精度が大幅に向上する。 提案システムは、スマートシティにIoTベースのノイズセンシングネットワークを広く展開する可能性を示し、効果的な騒音汚染管理と都市計画を可能にする。

関連論文リスト

• Noisy Test-Time Adaptation in Vision-Language Models [73.14136220844156]
  テスト時間適応(TTA)は、テスト中のターゲットデータのみに依存することにより、ソースデータとターゲットデータの分散シフトに対処することを目的としている。 本稿では、ゼロショット方式で、テスト時にノイズのあるサンプルをターゲットとするデータにモデルを適応させることに焦点を当てたゼロショットノイズTTA(ZS-NTTA)を提案する。 本稿では, 冷凍機の出力を擬似ラベルとして利用し, ノイズ検出器の訓練を行う適応ノイズ検出器(AdaND)を提案する。
  論文  参考訳（メタデータ） (2025-02-20T14:37:53Z)
• Unsupervised CP-UNet Framework for Denoising DAS Data with Decay Noise [13.466125373185399]
  分散音響センサ(DAS)技術は光ファイバーケーブルを利用して音響信号を検出する。 DASは、ジオフォンよりも低い信号対雑音比(S/N)を示す。 これにより、S/Nの低減は、反転と解釈を含むデータ解析に悪影響を及ぼす。
  論文  参考訳（メタデータ） (2025-02-19T03:09:49Z)
• TimeSense: Multi-Person Device-free Indoor Localization via RTT [1.7667202894248826]
  TimeSense(タイムセンス)はIEEE 802.11-2016標準に基づくデバイスフリーの屋内ローカライズシステムである。 TimeSenseは1.57mと2.65mの中央値のローカライゼーション精度を達成している。 これは2つのテストベッドで、最先端のテクニックのパフォーマンスを49%、そして103%上回る。
  論文  参考訳（メタデータ） (2024-08-17T13:12:33Z)
• LoRaWAN Based Dynamic Noise Mapping with Machine Learning for Urban Noise Enforcement [8.010966370223985]
  広域にわたる長期騒音レベルを示す静的騒音マップは、自治体にとって貴重な都市計画資産である。 過渡的な振る舞いを頻繁に訴える非交通ノイズ源は、通常静的マップによって無視される。 本稿では,低消費電力広帯域ネットワーク(LPWAN)ベースのモノのインターネット(IoT)インフラストラクチャを用いて収集したデータを用いた動的ノイズマッピング手法を提案する。
  論文  参考訳（メタデータ） (2024-07-30T21:40:12Z)
• Broadband Ground Motion Synthesis via Generative Adversarial Neural Operators: Development and Validation [12.275587079383603]
  まず,条件付きグラウンドモーション合成アルゴリズム(cGM-GANO)について述べる。 次に,南カリフォルニア地震センター・ブロードバンド・プラットフォーム(BBP)と記録されたKK-netデータによる地動シミュレーションについて,cGM-GANOを訓練する。 以上の結果から,cGM-GANOは対応するテクトニクス環境のトレーニングデータと一貫した中央値のスケーリングが可能であることが示唆された。
  論文  参考訳（メタデータ） (2023-09-07T02:08:30Z)
• Roll-Drop: accounting for observation noise with a single parameter [15.644420658691411]
  本稿では,Deep-Reinforcement Learning(DRL)におけるsim-to-realのための簡単な戦略を提案する。 シミュレーション中にドロップアウトを使用して、各状態の分布を明示的にモデル化することなく、デプロイメント中の観測ノイズを考慮します。 観測では,最大25%のノイズを注入した場合の80%の成功率を示し,ベースラインの2倍の堅牢性を示した。
  論文  参考訳（メタデータ） (2023-04-25T20:52:51Z)
• Automated classification of pre-defined movement patterns: A comparison between GNSS and UWB technology [55.41644538483948]
  リアルタイム位置情報システム(RTLS)は、人間の動きパターンからデータを収集することができる。 本研究の目的は、小さな領域における人間の動きパターンを分類する自動化された枠組みを設計し、評価することである。
  論文  参考訳（メタデータ） (2023-03-10T14:46:42Z)
• Collaborative Learning with a Drone Orchestrator [79.75113006257872]
  インテリジェントな無線デバイス群は、ドローンの助けを借りて共有ニューラルネットワークモデルを訓練する。 提案したフレームワークは,トレーニングの大幅な高速化を実現し,ドローンホバリング時間の平均24%と87%の削減を実現している。
  論文  参考訳（メタデータ） (2023-03-03T23:46:25Z)
• Lidar Light Scattering Augmentation (LISA): Physics-based Simulation of Adverse Weather Conditions for 3D Object Detection [60.89616629421904]
  ライダーベースの物体検出器は、自動運転車のような自律ナビゲーションシステムにおいて、3D知覚パイプラインの重要な部分である。 降雨、雪、霧などの悪天候に敏感で、信号-雑音比(SNR)と信号-背景比(SBR)が低下している。
  論文  参考訳（メタデータ） (2021-07-14T21:10:47Z)

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。