Mô hình dự báo ô nhiễm không khí sử dụng dữ liệu đa miền

Bài viết "Mô hình dự báo ô nhiễm không khí sử dụng dữ liệu đa miền" đề xuất mô hình dựa trên liên kết giữa dữ liệu đa phương tiện (hình ảnh, video) và dữ liệu số về chất lượng không khí AQI (Air Quality Index) được thu thập từ Lifelog là thông tin số về cuộc sống hàng ngày của cá nhân. Dữ liệu Lifelog sẽ được sử dụng cho giai đoạn huấn luyện sử dụng phương pháp học sâu dựa trên DNN (Deep CNN) để dự đoán mức độ ô nhiễm không khí đối với sức khỏe con người. Mời các bạn cùng tham khảo!
Nội dung trích xuất từ tài liệu:
Mô hình dự báo ô nhiễm không khí sử dụng dữ liệu đa miền Mô hình dự báo ô nhiễm không khí sử dụng dữ liệu đa miền Đặng Thanh Hải Võ Phương Bình Nguyễn Minh Hiệp Khoa Toán Tin, Trường Đại học Đà Lạt Trung tâm AI, Trường Đại học Đà Lạt Khoa Công nghệ Thông tin, Trường Đại học TP. Đà Lạt, Lâm Đồng TP. Đà Lạt, Lâm Đồng Đà Lạt, TP. Đà Lạt, Lâm Đồng haidt@dlu.edu.vn binhvp@dlu.edu.vn hiepnm@dlu.edu.vn Tóm tắt — Một lượng lớn thông tin IoT (Internet of Things) gồm ba thành phần chính, dựa trên các tiêu chuẩn IEEE / ISO từ các cảm biến và camera được thu thập và lưu trữ thành dữ / IEC 21451. Gần đây, hệ thống giám sát chất lượng không liệu lớn (Big Data), được phân tích bằng trí tuệ nhân tạo (AI) khí dựa trên mạng cảm biến không dây (WSN) đã thu hút và kết quả phân tích được cung cấp trở lại cho con người trong nhiều nhà nghiên cứu nhằm giảm chi phí triển khai [10-16]. cuộc sống dưới nhiều hình thức khác nhau. Đối với lĩnh vực Các hệ thống dựa trên WSN thường bao gồm các nút cảm chăm sóc sức khỏe, các mô hình dự đoán dựa trên AI tích hợp biến và một số trạm cố định. Trong đó, các nút cảm biến đo dữ liệu môi trường với dữ liệu xã hội để phân tích các liên kết các chỉ số môi trường xung quanh, các trạm cố định thì lưu đa miền. Kết quả dự đoán dựa trên AI sẽ cung cấp dự báo, trữ và xử lý dữ liệu đa phương tiện. Trong [10], Jen-Hao và cũng như hỗ trợ ngăn ngừa và giảm thiểu về những ảnh hưởng cộng sự đã đề xuất một WSN với GSM được triển khai trên xấu đến sức khỏe. Trong bài báo này, mô hình đề xuất dựa trên liên kết giữa dữ liệu đa phương tiện (hình ảnh, video) và dữ các con đường chính ở thành phố Đài Bắc (Đài Loan) để liệu số về chất lượng không khí AQI (Air Quality Index) được giám sát nồng độ CO do khí thải giao thông. Trong [11], các thu thập từ Lifelog là thông tin số về cuộc sống hàng ngày của tác giả đã khai thác công nghệ diện rộng công suất thấp cá nhân. Dữ liệu Lifelog sẽ được sử dụng cho giai đoạn huấn (LPWA) trong hệ thống giám sát không khí ba lớp. Cụ thể, luyện sử dụng phương pháp học sâu dựa trên DNN (Deep CNN) việc cảm nhận chất lượng không khí được thực hiện bởi các để dự đoán mức độ ô nhiễm không khí đối với sức khỏe con nút cảm biến chạy bằng pin được lắp đặt trên một khu vực người. địa lý rộng lớn. Mạng chuẩn hóa IEEE 802.15.4k được sử dụng để cung cấp kết nối phổ biến giữa các nút giám sát và Từ khóa — Dữ liệu lớn (Big Data), Ô nhiễm không khí, IoT, điểm truy cập. Một hệ thống tương tự sử dụng LPWA được Học sâu (Deep Learning), DNN. đề xuất trong [17]. Hệ thống giám sát sử dụng mạng LoRaWAN có thể được tìm thấy trong các bài báo [12-16]. I. GIỚI THIỆU Trong [18], tác giả đã đề xuất một thiết bị giá rẻ có thể đo 6 chỉ số chất ô nhiễm không khí cơ bản, bao gồm PM2.5, Ô nhiễm không khí đã trở thành một vấn đề nhức nhối, PM10, CO, O3, NO2, SO2, và nhiệt độ, độ ẩm. Các thiết bị đặc biệt là ở các nước đang phát triển như Việt Nam. Theo được cài đặt và chuyển dữ liệu trong thời gian thực đến máy [1], Việt Nam nằm trong top 10 quốc gia có chất lượng chủ. Trong [19], một nghiên cứu về việc hiệu chỉnh dữ liệu không khí kém nhất thế giới. Kể từ cuối năm 2019, người cảm biến để cải thiện độ chính xác của phép đo. Mặc dù dân Hà Nội đã phải chứng kiến tình trạng ô nhiễm không khí được áp dụng rộng rãi, các hệ thống giám sát chất lượng kéo dài kèm theo sương khói dày đặc khiến chỉ số AQI lên không khí sử dụng trạm cố định gặp phải hạn chế là dữ liệu mức nguy hiểm (Hazardous) cho sức khỏe người dân. Hiện cảm biến có độ phân giải thấp và cho một khu vực hạn chế. tại, có một vài ứng dụng [2-5] có thể dự báo chất lượng Bên cạnh đó, những trạm này đòi hỏi chi phí triển khai và không khí, nhưng cung cấp thông tin chưa chính xác. Ngoài bảo trì cao và không thể cung cấp thông tin chi tiết về chất ra, các ứng dụng này không thể dự báo chất lượng không khí lượng không khí. cho những vùng không được giám sát bởi các cảm biến. Ngoài ra, một số phương pháp tiếp cận động để dự báo ô Trong bài báo này, mô hình dự đoán thông minh được đề nhiễm không khí khai thác các trạm quan trắc di động. Được xuất dựa trên phương pháp học sâu (Deep Learning) sử dụng trang bị các cảm biến khác nhau và có khả năng cung cấp dữ liệu đa miền bao gồm dữ liệu đa phương tiện về hình ảnh thông tin về sự phân bố của không khí trong toàn bộ khí môi trường và dữ liệu số về chất lượng không khí (nồng độ quyển, phương tiện bay không người lái (UAV) đã được giới hạt siêu ...