| Beschreibung |
|---|
Kleiner Projekt |
Wettervorhersage mit Lora und maschinellem Lernen
Einführung
Die Wettervorhersage mit LORA ist eine vereinfachte und kostengünstige Methode zur Vorhersage des Wetters. Wir werden es verwenden, um die Echtzeit -Wetterbedingung in großen Höhen vorherzusagen.
Problemanweisung
Mit der Satellitenkommunikation fertiggestellt
- Teuer
- Begrenzte Abdeckung
- Leistungsbeschränkung
- Latenz
- Signalverschlechterung
Zelluläre Kommunikation (3G, 4G) nicht möglich
Ziele
- Entwicklung des LORA -Kommunikationssystems für die Übertragung von Wetterdaten in Echtzeit.
- Entwerfen und Implementieren von Prototypsystemen für die Echtzeit -Wettervorhersage.
- Untersuchung der Verwendung von Algorithmen für maschinelles Lernen zur Wettervorhersage.
Literaturische Rezension
- Maschinelles Lernen kann besser abschneiden als die traditionellen mathematischen Modelle im Rahmen der Wettervorhersage im Laufe der Zeit, indem sie zu verwandten Arbeiten in Verbindung mit unserem Experimentieren geforscht werden. [5]
- In jüngster Zeit wurde das Interesse an der Möglichkeit gewachsen, neuronale Netze sowohl für die Wettervorhersage als auch für die Erzeugung von Klima -Datensätzen zu verwenden. [10]
- Lora kann als guter Kandidat für die Lösung der Komplexität der Probleme bei der Entwicklung von IoT in der nächsten Zukunft angesehen werden. [2]
- Das Experiment mit der LORA -Übertragung hat gezeigt, dass die LORA -Technologie für das Luftverschmutzungssystem im Vergleich zu anderen drahtlosen Übertragungstechniken sehr geeignet ist. [11]
Methodik
Wetterdaten aus BMP 180 und DHT 11 -Sensor werden unter Verwendung von LORA vom Sender zu Empfängerabschnitt übertragen. Arduino an der Empfängerstation sendet die Sensordaten an den Knotenserver. Der Knotenserver zeigt die Live -Wetterdaten mit Chart.js an. Knotenserver rufen API auf, um den Flask -Server für die Wettervorhersage zu fließen. Flask Server ruft maschinelles Lernmodell auf, wenn der Benutzer Eingabeparameter für die Wettervorhersage eingibt.
Systemblockdiagramm
Systemaktivitätsdiagramm
Knotenaktivitätsdiagramm
Flask -Aktivitätsdiagramm
Schaltungslayout
Pipeline für maschinelles Lernen
A. Datenerfassung für Modelltraining.
B. Datenfilterung
Feature Engineering
Umwandlung von Rohdaten in ein Format, das besser für Algorithmen für maschinelles Lernen geeignet ist, um sinnvolle Muster zu extrahieren und genaue Vorhersagen zu treffen.
Abb: Feuchtigkeit
Abb: Temperatur
Abb: Druck
Auswahl des Modells
Der Xgboost -Algorithmus wurde verwendet, um das Modell aus folgenden Gründen zu trainieren:
- Es verfügt über eine hohe Vorhersageleistung, die für komplexe, nichtlineare Beziehungen in Daten ausgelegt ist und subtile Muster erfassen kann, die von anderen Algorithmen möglicherweise übersehen werden können
- Es kann sowohl für Klassifizierungs- als auch für Regressionsaufgaben verwendet werden.
- Es bietet wertvolle Einblicke in die Wichtigkeit von Funktionen. Es berechnet Merkmalsorientierungswerte basierend auf der Häufigkeit, mit der eine Funktion über alle Boosting -Bäume aufgeteilt wird.
- Es ist sehr optimiert und bietet eine schnelle Ausführungsgeschwindigkeit.
- XGBOOST verfügt über integrierte Funktionen, um fehlende Daten zu verarbeiten. Es kann lernen, wie man mit fehlenden Werten umgeht, indem sie während des Baumaufbauprozesses fundierte Entscheidungen treffen.
- Das ausgewählte Modell wird unter Verwendung der gesammelten Daten geschult. 80% der Daten werden für das Training verwendet und die verbleibenden 20% der Daten werden zum Testen verwendet.
- Berechnung des Quadratfehlers für die Quadratfehler für die folgenden Parameter
Ergebnis
Live -Wetterbericht
Wettervorhersage
Zukünftige Verbesserung
- Das maschinelle Lernen kann mit mehr Datensätzen und besseren Algorithmen verbessert werden.
- Die Daten der LORA können in der Datenbank gesammelt werden, um sie als Trainingsdatensatz für eine genauere Wettervorhersage zu verwenden.
- Das Projekt kann erweitert werden, um atmosphärischere Daten zu enthalten, um Regen und die Chancen von Lawinen im Berggelände vorherzusagen.
Referenzen
- [1] Singh, DK, Sobti, R., Jain, A., Malik, PK, Le, D.-N.: Lora-basierte intelligente Boden- und Wetterbedingungen Überwachung mit Internet der Dinge für die Präzisionslandwirtschaft in intelligenten Städten. Iet Commun. 16, 604–618 (2022).
- [2] IT Ali und RF Sari, "Forschungsmöglichkeiten von Lorawan für das Internet of Things Implementation", 2. Internationale Konferenz 2018 über angewandte elektromagnetische Technologie (AEMT), Lombok, Indonesien, 2018, S. 61-66, Doi: 10.1109/AEMT.2018.8572427.
- [3] Pozdnoukhov, A., Purves, R. & Kanevski, M. (2008). Anwendung maschineller Lernmethoden auf die Vorhersage von Lawinen. Annals of Glaciology, 49, 107-113. doi: 10.3189/172756408787814870
- [4] Augustin, A., Yi, J., Clausen, T. und Townsley, WM 2016. Eine Studie über Lora: Langstrecke & amp; Niedrige Netzwerke für das Internet der Dinge. Sensoren. 16, 9 (September 2016), 1466. doi: https: //doi.org/10.3390/s16091466.
- [5] B. Quinn und E. Abdelfattah, "Meteorologe für maschinelles Lernen kann Regen vorhersagen", IEEE 10. jährliche allgegenwärtige Computing, Electronics & Mobilic Communication Conference (UEMCON), New York, NY, USA, 2019, S. 0057-0062, DOI: 10.1109/UEMCON47517.201997.
- [6] Goldoni, E., Prando, L., Vizziello, A., Savazzi, P. und Gamba, P. 2019. Experimentelle Datensatzanalyse von RSSI-basierten Indoor- und Outdoor-Lokalisierung in LORA-Netzwerken. Internet -Technologiebriefe. 2, 1 (Jan. 2019), E75. Doi: https: //doi.org/10.1002/itl2.75.
- [7] Jitcha Shivang, SS Sridhar, „Wettervorhersage für indische Lage mit maschinellem Lernen“, International Journal of Pure and Applied Mathematics Band 118 Nr. 22 2018, 1945-1949 ISSN: 1314-3395 (Online-Version).
- [8] TA Team, "Nano", Arduino -Dokumentation, https://docs.arduino.cc/hardware.
- [9] D. Hudgeon und R. Nichol, „Maschinelles Lernen für Business: Verwenden von Amazon Sagemaker und Jupyter“, Amazon, https://docs.aws.amazon.com/sageemaker/latest/dg/xgboost-howitworks.html.
- [10] S. Scher und G. Messori, „Wetter- und Klimaprognosen mit neuronalen Netzwerken: Verwenden allgemeiner Zirkulationsmodelle (GCMS) mit unterschiedlicher Komplexität als Studiengelände“, Geowissenschaftliche Modellentwicklung, https://doi.org/10.5194/GMD-12-2797-2019.
- [11] Naa Husein, Aha Rahman und DP Dahnil, „Evaluierung des Lora-basierten Luftverschmutzungsüberwachungssystems“, International Journal of Advanced Computer Science and Applications (IJACSA), http://dx.doii.org/10.14569/ijacsa.2019.0100753 (Accessed May, 21. Mai, 2023).
{ % Datei src = ". Gitbook/Assets/MinorPresentation.pdf" %} Präsentation { % Endfile %}
