論文の概要: An AI-Driven Framework for Energy-Efficient Environmental Monitoring in Smart Cities Using Edge Intelligence

• arxiv url: http://arxiv.org/abs/2605.22824v1
• Date: Tue, 31 Mar 2026 06:17:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-15 07:09:36.436236
• Title: An AI-Driven Framework for Energy-Efficient Environmental Monitoring in Smart Cities Using Edge Intelligence
• Title（参考訳）: エッジインテリジェンスを用いたスマートシティにおけるエネルギー効率の高い環境モニタリングのためのAI駆動型フレームワーク
• Abstract要約: エッジインテリジェンスを利用した都市におけるエネルギー効率の高い環境モニタリングのためのAI駆動型フレームワークを提案する。 提案フレームワークは,TinyML対応エッジデバイスとコンテキスト対応型意思決定を利用する。 結果は、持続的で効率的なスマートシティモニタリングシステムを構築するための人工知能と適応型AI技術の可能性を強調している。
• 参考スコア（独自算出の注目度）: 6.542233642192191
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Environmental monitoring is a crucial component of the smart city infrastructure. It enables informed decision making which enhances sustainability, public health and urban planning. However, the large-scale deployments of the smart sensors have raised concerns on excessive energy consumption and redundant data collection as well as limited sensor lifespan. To resolve these issues, we present an AI-driven framework for energy-efficient environmental monitoring in smart cities utilizing edge intelligence. Our proposed framework leverages TinyML-enabled edge devices and context-aware adaptive decision-making in order to dynamically activate the sensors based on the spatiotemporal conditions, environmental statistics and energy constraints. The sensors will be dynamically activated based on a utility function that takes in factors such as real-time environmental conditions, sensor location, and remaining battery lifespan. Our framework will reduce unnecessary sensing and communication while maintaining high coverage for monitoring. We introduce a hierarchical Edge Intelligence architecture to support deployments in city-wide scales. We conducted evaluation using a city-scale simulation driven by real multi-sensor environmental traces, which demonstrates that the proposed mechanism significantly reduces energy consumption and extends sensor lifespan when compared to static, periodic, and UCB-based adaptive sensing strategies. The results highlight the potential of edge intelligence and adaptive AI techniques for building sustainable and efficient smart city monitoring systems.
• Abstract（参考訳）: 環境モニタリングはスマートシティのインフラの重要な構成要素である。 持続可能性、公衆衛生、都市計画を高める情報的意思決定を可能にする。 しかし、スマートセンサーの大規模展開により、過度のエネルギー消費と冗長なデータ収集、センサ寿命の制限が懸念されている。 これらの問題を解決するために、エッジインテリジェンスを利用したスマートシティにおけるエネルギー効率の高い環境モニタリングのためのAI駆動のフレームワークを提案する。 提案フレームワークは,TinyML対応エッジデバイスと文脈適応型意思決定を利用して,時空間条件,環境統計,エネルギー制約に基づいてセンサを動的に活性化する。 センサーは、リアルタイム環境条件、センサーの位置、バッテリー寿命などの要素を取り入れたユーティリティ機能に基づいて動的に起動される。 我々のフレームワークは、監視のための高いカバレッジを維持しながら、不要な検知と通信を削減します。 都市規模でのデプロイメントをサポートする階層的なエッジインテリジェンスアーキテクチャを導入する。 実際のマルチセンサ環境トレースによって駆動される都市規模のシミュレーションを用いて評価を行い, 提案手法が静的, 周期的, UTBに基づく適応型センシング戦略と比較してエネルギー消費を著しく削減し, センサ寿命を延長することを示した。 その結果は、持続的で効率的なスマートシティモニタリングシステムを構築するためのエッジインテリジェンスと適応型AI技術の可能性を強調している。

関連論文リスト

• Energy Efficient AI-Enabled Wireless Sensor Networks for Mission Critical Environments: A Systematic Review across Smart Grid, AI, and Urban Infrastructure Applications [39.146761527401424]
  本稿では、ミッションクリティカル環境におけるAI対応無線センサネットワーク(WSN)に関する最近の研究について概観する。 我々は、ルーティングとクラスタリング、エッジAI、強化学習、ファジィロジック、メタヒューリスティック、AIベースのセキュリティを通じて、AIがWSNエネルギーの振る舞いを改善することを示す。 今後の作業は、実際の運用環境に適した軽量で説明可能な、セキュアで、フィールドテストされたAI駆動のWSNアーキテクチャの構築に注力するべきです。
  論文  参考訳（メタデータ） (2026-08-05T06:36:58Z)
• Physical-AI: From Channel Awareness to Environmental Intelligence in 6G Wireless Networks [100.92510794177822]
  従来の無線ネットワークは、物理的環境を明示的にモデル化することなく、瞬時チャネル状態情報(CSI)に依存し、チャネルの変動に反応する。 本研究では,環境に配慮した無線ネットワークのための新しいアーキテクチャであるPhysical-AIを提案する。 提案手法は,特にビームスイッチング遅延の増加にともなって,停止確率とブロック応答遅延を低減させる。
  論文  参考訳（メタデータ） (2026-05-12T09:02:20Z)
• Networking-Aware Energy Efficiency in Agentic AI Inference: A Survey [64.20429885919701]
  本稿では,知覚・推論・行動サイクル全体にわたる計算・通信コストを同定するエネルギー会計フレームワークを提案する。 我々は、単純化、計算制御、インプット・アンド・アテンション最適化、ハードウェア・アウェア・推論にまたがる統一的な分類法を確立する。 我々は,第6世代移動通信(6G)ネイティブエージェントAI,自己維持システムといったグリーンラーニングのオープンな課題を特定した。
  論文  参考訳（メタデータ） (2026-04-09T06:13:59Z)
• IoT- and AI-informed urban air quality models for vehicle pollution monitoring [0.4893529843295925]
  バルセロナのアイサンプル地区の道路交差点にパイロットを配置する。 このシステムは動的交通条件と環境変数を捕捉し、エッジで処理し、リアルタイムデータを高速コンピューティング(HPC)シミュレーションパイプラインに供給する。 大気中の二酸化窒素(NO2)の測定結果について検証した。 この研究は、都市汚染監視のためのスケーラブルで適応的でプライバシを重視したソリューションを示し、次世代のIoT駆動環境インテリジェンスの基礎を確立する。
  論文  参考訳（メタデータ） (2025-10-31T18:47:16Z)
• INSPIRE-GNN: Intelligent Sensor Placement to Improve Sparse Bicycling Network Prediction via Reinforcement Learning Boosted Graph Neural Networks [51.76364085699241]
  INSPIRE-GNNは、センサ配置を最適化し、データスパース環境でのリンクレベルの自転車体積推定を改善するために設計された、新しい強化学習型ハイブリッドグラフニューラルネットワーク(GNN)フレームワークである。 我々のフレームワークは,Mean Squared Error(MSE),Root Mean Squared Error(RMSE),Mean Absolute Error(MAE)など,従来のセンサ配置法よりも優れていた。 InSPIRE-GNNの自転車容積推定性能における標準機械学習モデルとディープラーニングモデルとのベンチマークを行い,その有効性を実証した。
  論文  参考訳（メタデータ） (2025-07-31T20:00:35Z)
• Urban Green Governance: IoT-Driven Management and Enhancement of Urban Green Spaces in Campobasso [0.0]
  カンポバッソ市のスマートグリーンシティのユースケースは、グリーン都市部の持続可能な管理のための革新的なモデルである。 このプロジェクトはIoTシステムとデータ駆動型ガバナンスプラットフォームを統合し、木や緑地の健康状態のリアルタイム監視を可能にする。 クラウドベースのプラットフォームは、グリーンアーバンマネージャ、技術専門家、運用スタッフのための総合的なリアルタイム意思決定をサポートする。
  論文  参考訳（メタデータ） (2025-07-16T10:24:07Z)
• Wireless Crowd Detection for Smart Overtourism Mitigation [50.031356998422815]
  この章では、モバイルデバイスのワイヤレスアクティビティに基づいたオーバツーリズムを監視するための、低コストなアプローチについて説明する。 群集センサは、無線技術のトレース要素を検出することで、周囲のモバイルデバイスの数をカウントする。 いくつかの技術で検出プログラムを実行し、指紋解析の結果は匿名データベースにのみローカルに保存される。
  論文  参考訳（メタデータ） (2024-02-14T13:20:24Z)
• Intelligent Communication Planning for Constrained Environmental IoT Sensing with Reinforcement Learning [19.715387333728152]
  モノのインターネット(IoT)デバイスは、しばしば電力制限を受け、帯域幅が限られている無線通信方式を利用する。 環境状態を追跡するIoTセンサの通信計画問題を定式化する。 本稿では,センサごとの最適な通信ポリシーを見つけるために,マルチエージェント強化学習(MARL)手法を提案する。
  論文  参考訳（メタデータ） (2023-08-19T22:59:09Z)
• Intelligent Energy Management with IoT Framework in Smart Cities Using Intelligent Analysis: An Application of Machine Learning Methods for Complex Networks and Systems [0.1393076890612966]
  本稿では,スマートシティのエネルギー管理を目的としたIoTベースのフレームワークについて概観する。 データを収集、保存するだけでなく、監視、制御、システムの効率向上のためのインテリジェントな分析をサポートするシステムに注力する。 この結果から、IoTベースのフレームワークは、スマートな建物におけるエネルギー消費と環境への影響を低減できる重要な可能性を示唆している。
  論文  参考訳（メタデータ） (2023-06-08T21:19:42Z)
• Environmental Sensor Placement with Convolutional Gaussian Neural Processes [65.13973319334625]
  センサーは、特に南極のような遠隔地において、その測定の情報量が最大になるように配置することは困難である。 確率論的機械学習モデルは、予測の不確実性を最大限に低減するサイトを見つけることによって、情報的センサ配置を提案することができる。 本稿では,これらの問題に対処するために,畳み込み型ガウスニューラルプロセス(ConvGNP)を提案する。
  論文  参考訳（メタデータ） (2022-11-18T17:25:14Z)
• Energy Aware Deep Reinforcement Learning Scheduling for Sensors Correlated in Time and Space [62.39318039798564]
  相関情報を利用するスケジューリング機構を提案する。 提案したメカニズムは、センサが更新を送信する頻度を決定することができる。 我々は,センサの寿命を大幅に延長できることを示した。
  論文  参考訳（メタデータ） (2020-11-19T09:53:27Z)

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。