Ņemot vērā dažādu sensoru sākotnējās uzstādīšanas un uzturēšanas izmaksas, zinātne pēta jau iegūto datu izmantošanu, lai izstrādātu mašīnapmācībā balstītus modeļus, kas varētu veikt nākotnes vērtību prognozēšanu [1].
Šīs prognozētās vērtības var izmantot par aparatūras sistēmu uzturēšana un sensoru datu iegūšanā, tādējādi potenciāli mazinot nepieciešamību uzstādīt papildu ierīces un līdz ar to samazinot kopējos uzturēšanas izdevumus. Šai pieejai ir ievērojama ietekme uz dažādām jomām, piemēram, lauksaimniecību, kur sensoru datu izmantošana ir būtiska šīs nozares efektīvai darbībai.
Šajā pētījumā aplūkoti dažādi mašīnmācīšanās modeļi vides sensoru datu vērtību prognozēšanai. Apskatot dažādus pētījumus šajā jomā [2],[3],[4], tika noteiktas sekojošas metodes, kuras iespējams izmantot sensoru datu prognozei.
- Ilgās īstermiņa atmiņas modeļi (LSTM),
- Konvolucionālais neironu tīkls (CNN),
- Vektoru Autoregresija (VAR)
- Nejaušie meži (Random Forest)
- Mākslīgie neironu tīkli (ANN)
- CO2,
- Temperatūru,
- Gaisa mitrumu
Pētījuma ietvaros izstrādātie modeļi:
Tika izstrādāti sekojoši modeļi un pārbaudīta to spēja prognozēt turpmākās vērtības.
Rezultāti
Runājot par vidējo absolūto kļūdu (MAE) un vidējo kvadrātisko kļūdu (MSE), kopumā tika novērots, ka LSTM un VAR modeļi ir pārāki par citiem modeļiem prognozējot trīs rādījumus.
Tika konstatēts, ka CO2 prognozei ir viszemākā precizitāte, pielietojot VAR modeli. Turpretim LSTM modelis reģistrēja zemākās MAE un MSE vērtības mitrumam un temperatūrai.
ANN un CNN modeļi kļūdaini prognozēja CO2 līmeni, savukārt temperatūras un mitruma prognozes bija ar viduvēju precizitāti. Pārsvarā Nejaušā meža modelis prognozēja temperatūru un gaisa mitrumu ar augstu precizitāti, lai gan CO2 prognoze bija kļūdaina.
Izmantotie avoti:
[1] A. Kempelis, A. Romanovs and A. Patlins, "Using Computer Vision and Machine Learning Based Methods for Plant Monitoring in Agriculture: A Systematic Literature Review," 2022 63rd International Scientific Conference on Information Technology and Management Science of Riga Technical University (ITMS), Riga, Latvia, 2022, pp. 1-6, doi: 10.1109/ITMS56974.2022.9937119.[2] Méndez, M., Merayo, M.G. & Núñez, M. Machine learning algorithms to forecast air quality: a survey. Artif Intell Rev (2023). https://doi.org/10.1007/s10462-023-10424-4
[3] Kumar, K., Pande, B.P. Air pollution prediction with machine learning: a case study of Indian cities. Int. J. Environ. Sci. Technol. 20, 5333–5348 (2023). https://doi.org/10.1007/s13762-022-04241-5
[4] Yu, R., Yang, Y., Yang, L., Han, G., & Move, O. A. (2016). RAQ-A Random Forest Approach for Predicting Air Quality in Urban Sensing Systems. Sensors (Basel, Switzerland), 16(1), 86. https://doi.org/10.3390/s16010086