LORA 및 기계 학습을 사용한 일기 예보
소개
LORA를 사용한 일기 예보는 날씨 예측을위한 단순하고 비용 효율적인 방법입니다. 우리는 그것을 사용하여 높은 고도에서 실시간 기상 조건을 예측할 것입니다.
문제 진술
위성 통신을 사용하여 완료되었습니다
- 값비싼
- 제한된 적용 범위
- 전력 제한
- 숨어 있음
- 신호 저하
세포 통신 (3G, 4G)은 불가능합니다
목표
- 실시간 날씨 데이터 전송을위한 LORA 통신 시스템을 개발합니다.
- 실시간 일기 예보를위한 프로토 타입 시스템을 설계하고 구현합니다.
- 날씨 예측을위한 기계 학습 알고리즘 사용을 조사합니다.
문헌 검토
- 머신 러닝은 실험과 관련된 관련 작업에 대한 연구를 통해 시간이 지남에 따라 날씨 예측 범위에서 전통적인 수학적 모델보다 더 잘 수행 할 수 있습니다. [5]
- 최근에는 일기 예보와 기후 데이터 세트 생성에 신경망을 사용할 가능성에 대한 관심이 높아지고 있습니다. [10]
- LORA는 다음 미래의 IoT 개발에서 문제의 복잡성을 해결하는 데 좋은 후보로 간주 될 수 있습니다. [2]
- LORA 전송 실험에 따르면 LORA 기술은 대기 오염 시스템에 특히 다른 무선 전송 기술에 비해 장거리 전송에서 매우 적합하다는 것을 보여 주었다. [11]
방법론
BMP 180 및 DHT 11 센서의 날씨 데이터는 LORA를 사용하여 송신기에서 수신기 섹션으로 전송됩니다. 수신기 스테이션의 Arduino는 센서 데이터를 노드 서버로 보냅니다. 노드 서버는 Chart.js를 사용하여 실시간 날씨 데이터를 표시합니다. 노드 서버는 날씨 예측을 위해 API에서 Flask 서버를 호출합니다. Flask Server는 사용자가 날씨 예측을 위해 입력 매개 변수를 입력 할 때 머신 러닝 모델을 호출합니다.
시스템 블록 다이어그램
시스템 활동 다이어그램
노드 활동 다이어그램
플라스크 활동 다이어그램
회로 레이아웃
기계 학습 파이프 라인
에이. 모델 교육을위한 데이터 수집.
비. 데이터 필터링
기능 엔지니어링
기계 학습 알고리즘이 의미있는 패턴을 추출하고 정확한 예측을하는 데 더 적합한 형식으로 원시 데이터를 변환합니다.
그림 : 습도
그림 : 온도
그림 : 압력
모델 선택
XGBoost 알고리즘은 다음과 같은 이유로 모델을 훈련시키는 데 사용되었습니다.
- 데이터에서 복잡하고 비선형 관계를 처리하도록 설계된 예측 성능이 높고 다른 알고리즘에서 놓칠 수있는 미묘한 패턴을 캡처 할 수 있습니다.
- 분류 및 회귀 작업 모두에 사용할 수 있습니다.
- 기능 중요성에 대한 귀중한 통찰력을 제공합니다. 기능이 모든 부스팅 트리에서 데이터를 분할하는 데 사용되는 횟수를 기준으로 기능 중요도 점수를 계산합니다.
- 최적화되어 있으며 빠른 실행 속도를 제공합니다.
- XGBoost에는 누락 된 데이터를 처리 할 수있는 기능이 내장되어 있습니다. 트리 빌딩 과정에서 정보에 입각 한 결정을 내림으로써 결 측값을 처리하는 방법을 배울 수 있습니다.
- 선택된 모델은 수집 된 데이터를 사용하여 교육됩니다. 데이터의 80%는 교육에 사용되며 나머지 20%의 데이터가 테스트에 사용됩니다.
- 다음 매개 변수에 대한 루트 평균 제곱 오차 계산
결과
라이브 날씨 보고서
날씨 예측
미래의 향상
- 더 많은 데이터 세트와 더 나은 알고리즘을 사용하여 머신 러닝을 개선 할 수 있습니다.
- LORA의 데이터는 데이터베이스에서 수집하여보다 정확한 날씨 예측을위한 교육 데이터 세트로 사용될 수 있습니다.
- 이 프로젝트는 산악 지형에서 비와 눈사태 가능성을 예측하기 위해 더 많은 대기 데이터를 포함하도록 확장 될 수 있습니다.
참조
- [1] Singh, DK, Sobti, R., Jain, A., Malik, PK, Le, D.-N. : 스마트 도시의 정밀 농업을위한 사물 인터넷을 통한 LORA 기반의 지능형 토양 및 날씨 조건 모니터링. IET 의사 소통. 16, 604-618 (2022).
- [2] ALI와 RF SARI, "사물 인터넷 구현을위한 로라완의 연구 기회", 2018 2ND 응용 전자기 기술에 관한 2 차 국제 회의 (AEMT), Lombok, Indonesia, 2018, pp. 61-66, doi : 10.1109/AEMT.2018.8572427.
- [3] Pozdnoukhov, A., Purves, R., & Kanevski, M. (2008). 기계 학습 방법을 눈사태 예측에 적용합니다. 빙하의 연대기, 49, 107-113. doi : 10.3189/172756408787814870
- [4] Augustin, A., Yi, J., Clausen, T. and Townsley, Wm 2016. Lora의 연구 : 장거리 & amp; 사물 인터넷을위한 저전력 네트워크. 센서. 16, 9 (2016 년 9 월), 1466. doi : https : //doi.org/10.3390/s16091466.
- [5] B. Quinn and E. Abdelfattah, "기계 학습 기상 학자, 비가 예측할 수 있습니다."2019 IEEE 10 회 연례 유비쿼터스 컴퓨팅, 전자 및 모바일 커뮤니케이션 회의 (UEMCon), New York, NY, USA, 2019, pp.
- [6] Goldoni, E., Prando, L., Vizziello, A., Savazzi, P. and Gamba, P. 2019. LORA 네트워크에서 RSSI 기반 실내 및 실외 현지화의 실험 데이터 세트 분석. 인터넷 기술 편지. 2, 1 (2019 년 1 월), E75. doi : https : //doi.org/10.1002/itl2.75.
- [7] Jitcha Shivang, SS Sridhar,“기계 학습을 사용한 인도 위치에 대한 날씨 예측”, International Journal of Pure and Applied Mathematics Volume 118 No. 22 2018,1945-1949 ISSN : 1314-3395 (온라인 버전).
- [8] TA Team,“Nano”, Arduino 문서, https://docs.arduino.cc/hardware.
- [9] D. Hudgeon 및 R. Nichol,“비즈니스를위한 기계 학습 : Amazon Sagemaker 및 Jupyter 사용”, Amazon, https://docs.aws.amazon.com/sagemaker/dg/xgboost-howitworks.html.
- [10] S. Scher and G. Messori,“신경망을 통한 날씨 및 기후 예측 : 학습 기반과 다른 복잡성을 가진 일반 순환 모델 (GCM) 사용, https://doi.org/10.5194/GMD-12-2797-2019.
- [11] Naa Husein, Aha Rahman 및 DP Dahnil,“LORA 기반 대기 오염 모니터링 시스템의 평가,”International Journal of Advanced Computer Science and Applications (IJacsa), http://dx.doi.org/10.14569/ijacsa.20199953 (2023 년 5 월 21 일).
{ % 파일 src = ". gitbook/assets/minorpresentation.pdf" %} 프리젠 테이션 { % endfile %}
