論文の概要: Real-World Deployment and Performance Characterisation of Fog-Based Deep Learning for Cold-Chain Temperature Prediction over LoRaWAN

• arxiv url: http://arxiv.org/abs/2609.14036v2
• Date: Tue, 15 Sep 2026 09:09:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-16 14:56:08.087138
• Title: Real-World Deployment and Performance Characterisation of Fog-Based Deep Learning for Cold-Chain Temperature Prediction over LoRaWAN
• Title（参考訳）: LoRaWAN上での低温予測のためのフォグベース深層学習の実世界展開と性能評価
• Abstract要約: 南アフリカのリンゴ寒冷保存施設から採取したLoRaWANセンサデータを用いて,霧発生LSTM-GRUモデルによる冷間室温の予測を行った。 予測は1秒未満で配信され、計算よりもネットワークとメッセージングに支配され、条件付き説明が質素なコストを増した。 これらは、FFVコールドチェーンにおけるフォグベースの温度予測のための最初の展開ベンチマークであり、リソース制約されたエッジハードウェアで説明可能な温度予測が可能であることを証明している。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Fresh fruits and vegetables (FFVs) are highly perishable, and cold-chain breaks contribute significantly to global food waste. While Machine Learning (ML) can enable proactive intervention, cloud-based inference faces challenges such as latency and data loss. Fog computing addresses these issues but has been tested only in simulation for FFV cold-chain temperature prediction. To the best of the authors' knowledge, this paper presents its first real-world deployment. A fog-deployed LSTM-GRU model predicted cold-room temperature using LoRaWAN sensor data collected from a South African apple cold-storage facility with induced cold-chain breaks. Running entirely on a Raspberry Pi 4 with no cloud dependency, the system generated conditional SHAP explanations only when a break is predicted. The deployed system predicts cold-room temperature with an MAE of 0.2°C at roughly 0.2 kWh per day ($\approx 0.7$ Wh per prediction). Predictions were delivered in under one second (555 ms), dominated by network and messaging rather than computation, with conditional explanations adding modest cost. SHAP consumes 28% more CPU but is well within the hardware's capacity. The model attributes its predictions primarily to temperature, humidity, and their interaction. Critically, the deployment surfaced what simulation cannot: a sensor-triggered single point of failure, alongside genuine resilience, autonomous recovery from infrastructure faults and continued operation through internet loss. These are the first published deployment benchmarks for fog-based temperature prediction in FFV cold chains, establishing that explainable temperature forecasting is feasible on resource-constrained edge hardware. Future work includes asynchronous sensor fusion, commercial cold chain deployment, alternative model architectures, and causal analysis.
• Abstract（参考訳）: 新鮮な果物や野菜(FFV)は、非常に消化しやすく、冷チェーンの破片は、世界の食品廃棄物に大きく寄与する。 機械学習(ML)は積極的な介入を可能にするが、クラウドベースの推論はレイテンシやデータ損失といった課題に直面している。 フォグコンピューティングはこれらの問題に対処するが、FFV冷鎖温度予測のシミュレーションでのみテストされている。 著者の知識を最大限に活用するために,本論文では,その最初の実世界展開について述べる。 南アフリカのリンゴ寒冷保存施設から採取したLoRaWANセンサデータを用いて,霧発生LSTM-GRUモデルによる冷間室温の予測を行った。 クラウド依存のないRaspberry Pi 4で完全に動作するシステムでは、ブレークが予測された場合にのみ、条件付きSHAP説明が生成される。 展開されたシステムでは、気温が0.2°Cで1日あたり0.2kWh(約0.7ドルWh)と予測される。 予測は1秒 (555 ms) 以下で配信され、計算よりもネットワークとメッセージングに支配され、条件付き説明は質素なコストを加えた。 SHAPは28%のCPUを消費するが、ハードウェアの容量は十分である。 このモデルは、その予測は主に温度、湿度、およびそれらの相互作用に起因している。 重要なことに、この展開はシミュレーションができないことを表面化した: 真のレジリエンス、インフラストラクチャの障害からの自律的な回復、インターネットの損失による継続的な運用、という、センサートリガーによる単一障害点。 これらは、FFVコールドチェーンにおけるフォグベースの温度予測のための最初の展開ベンチマークであり、リソース制約されたエッジハードウェアで説明可能な温度予測が可能であることを証明している。 今後の作業には、非同期センサの融合、商用のコールドチェーン展開、代替モデルアーキテクチャ、因果解析などが含まれる。

関連論文リスト

• A Physics-Aware Framework for Short-Term GPU Power Forecasting of AI Data Centers [7.256390775982009]
  本稿では,今後5～80分でAIデータセンターの電力利用を正確に予測できる物理インフォームド時系列モデルを提案する。 このモデルは、実際のAIデータセンタデータセットでトレーニングされ、評価され、テストされた最先端(SOTA)モデルよりも正確である。 SOTAトランスおよび非トランスフォーマーベースのモデルと比較して、予測精度の改善はMSEの0.782%-39.08%、MAEの0.993%-51.82%、RMSEの0.370%-22.28%である。
  論文  参考訳（メタデータ） (2026-04-14T04:14:32Z)
• Smart IoT-Based Leak Forecasting and Detection for Energy-Efficient Liquid Cooling in AI Data Centers [0.0]
  本稿では,LSTMニューラルネットワークを併用した概念実証型スマートIoTモニタリングシステムを提案する。 典型的な47ラックの施設では、このアプローチはおよそ1,500年のエネルギー無駄を防ぐことができる。
  論文  参考訳（メタデータ） (2025-12-25T22:51:16Z)
• Thermal Vision: Pioneering Non-Invasive Temperature Tracking in Congested Spaces [0.0]
  サーマルカメラを用いた非侵襲温度推定に関する既存の研究は、主にスパース設定に焦点を当てている。 本研究では,サーマルカメラとエッジデバイスを組み合わせた非侵襲温度推定システムを提案する。 提案した顔検出モデルは, インデータセットとクロスデータセットの両方において, 84以上の印象的なmAPスコアを達成している。
  論文  参考訳（メタデータ） (2024-12-01T15:52:51Z)
• WeatherQA: Can Multimodal Language Models Reason about Severe Weather? [45.43764278625153]
  干し草、竜巻、雷雨などの激しい対流的な気象イベントは、しばしば急速に起こるが、大きな被害を招き、毎年何十億ドルもの費用がかかる。 このことは、気象学者や住民のリスクの高い地域での適切な準備のために、前もって厳しい天候の脅威を予知することの重要性を強調している。 我々は、気象パラメータの複雑な組み合わせを推論し、現実のシナリオで厳しい天候を予測するために、機械用に設計された最初のマルチモーダルデータセットであるWeatherQAを紹介する。
  論文  参考訳（メタデータ） (2024-06-17T05:23:18Z)
• To Cool or not to Cool? Temperature Network Meets Large Foundation Models via DRO [68.69840111477367]
  LFMを改善するために,小型だが一般化可能な温度予測ネットワーク(TempNet)を学習するための基本的枠組みを提案する。 LLMとCLIPモデルに関する我々の実験は、TempNetが既存のソリューションやモデルの性能を大幅に改善することを示した。
  論文  参考訳（メタデータ） (2024-04-06T09:55:03Z)
• ExtremeCast: Boosting Extreme Value Prediction for Global Weather Forecast [57.6987191099507]
  非対称な最適化を行い、極端な天気予報を得るために極端な値を強調する新しい損失関数であるExlossを導入する。 また,複数のランダムサンプルを用いて予測結果の不確かさをキャプチャするExBoosterについても紹介する。 提案手法は,上位中距離予測モデルに匹敵する全体的な予測精度を維持しつつ,極端気象予測における最先端性能を達成することができる。
  論文  参考訳（メタデータ） (2024-02-02T10:34:13Z)
• Residual Corrective Diffusion Modeling for Km-scale Atmospheric Downscaling [58.456404022536425]
  気象・気候からの物理的危険予知技術の現状には、粗い解像度のグローバルな入力によって駆動される高価なkmスケールの数値シミュレーションが必要である。 ここでは、コスト効率のよい機械学習代替手段として、このようなグローバルな入力をkmスケールにダウンスケールするために、生成拡散アーキテクチャを探索する。 このモデルは、台湾上空の地域気象モデルから2kmのデータを予測するために訓練され、世界25kmの再解析に基づいている。
  論文  参考訳（メタデータ） (2023-09-24T19:57:22Z)
• Physics-based Digital Twins for Autonomous Thermal Food Processing: Efficient, Non-intrusive Reduced-order Modeling [0.0]
  本稿では,自律食品処理のための物理に基づくデータ駆動型Digital Twinフレームワークを提案する。 ROM試験におけるトレーニングデータの表面温度の標準偏差と低根平均二乗誤差との相関は、トレーニングデータの効率的な選択を可能にする。
  論文  参考訳（メタデータ） (2022-09-07T10:58:38Z)
• 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)
• Thermal Prediction for Efficient Energy Management of Clouds using Machine Learning [31.735983199708013]
  プライベートクラウドからのデータを分析し、熱的変動の存在を示す。 温度予測のための勾配強化機械学習モデルを提案する。 さらに,ホストのピーク温度を最小化する動的スケジューリングアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-11-07T00:55:47Z)
• Superiority of Simplicity: A Lightweight Model for Network Device Workload Prediction [58.98112070128482]
  本稿では,歴史観測に基づく時系列予測のための軽量な解を提案する。 ニューラルネットワークと平均予測器という2つのモデルからなる異種アンサンブル法で構成されている。 利用可能なFedCSIS 2020チャレンジデータセットの総合的なR2$スコア0.10を達成している。
  論文  参考訳（メタデータ） (2020-07-07T15:44:16Z)

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。