| описание |
|---|
Незначительный проект |
Прогнозирование погоды с использованием лоры и машинного обучения
Введение
Прогнозирование погоды с использованием LORA - это упрощенный и экономичный метод для прогнозирования погоды. Мы будем использовать его для прогнозирования погодных условий в реальном времени на больших высотах.
Запись о проблеме
Готово с помощью спутниковой связи
- Дорогой
- Ограниченное покрытие
- Ограничение мощности
- Задержка
- Деградация сигнала
Клеточная связь (3G, 4G) невозможна
Цели
- Разработать систему связи LORA для передачи данных о погоде в реальном времени.
- Разработать и внедрить систему прототипа для прогнозирования погоды в реальном времени.
- Чтобы исследовать использование алгоритмов машинного обучения для прогнозирования погоды.
Литературный обзор
- Машинное обучение может работать лучше, чем традиционные математические модели в сфере прогнозирования погоды с течением времени посредством исследований связанной работы в сочетании с нашими экспериментами. [5]
- Недавно растут интерес к возможности использования нейронных сетей как для прогнозирования погоды, так и для генерации климатических наборов данных. [10]
- Лора можно считать хорошим кандидатом в решении сложности проблем в развитии IoT в следующем будущем. [2]
- Эксперимент с LORA Transmission показал, что технология LORA очень подходит для системы загрязнения воздуха, особенно в дальнейшей передаче по сравнению с другими методами беспроводной передачи. [11]
Методология
Данные о погоде от датчика BMP 180 и DHT 11 передаются от передатчика в раздел приемника с использованием LORA. Arduino на приемной станции отправляет данные датчика на сервер узлов. Node Server отображает данные в прямом эфире с помощью chart.js. Node Servers вызывает API на сервер Flask для прогнозирования погоды. Flask Server вызывает модель машинного обучения, когда пользователь вводит входные параметры для прогнозирования погоды.
Системная блок -схема
Диаграмма активности системы
Диаграмма активности узла
Флэста схема активности
Схема схемы
Машинный трубопровод
а Сбор данных для обучения модели.
беременный Фильтрация данных
Функциональная инженерия
Преобразование необработанных данных в формат, который более подходит для алгоритмов машинного обучения, для извлечения значимых закономерностей и точных прогнозов.
Рис. Влажность
Рис. Температура
Рис. Давление
Выбор модели
Алгоритм XGBOOST использовался для обучения модели по следующим причинам:
- Он обладает высокой производительностью прогнозирования, которая предназначена для обработки сложных, нелинейных отношений в данных и может захватывать тонкие закономерности, которые могут быть пропущены другими алгоритмами
- Его можно использовать как для задач классификации, так и для регрессии.
- Это дает ценную информацию о важности функции. Он вычисляет оценки важности признаков на основе количества раз, когда функция используется для разделения данных на всех увеличивающихся деревьях.
- Он высоко оптимизирован и предлагает быструю скорость выполнения.
- XGBOOST обладает встроенными возможностями для обработки отсутствующих данных. Он может научиться обрабатывать недостающие значения, принимая обоснованные решения во время процесса построения деревьев.
- Выбранная модель обучается с использованием собранных данных. 80% данных используется для обучения, а остальные 20% данных используются для тестирования.
- Среднесуточное расчет квадратной ошибки для следующих параметров
Результат
Живая погода отчет
Погодный прогноз
Будущее улучшение
- Машинное обучение может быть улучшено с помощью большего количества наборов данных и лучших алгоритмов.
- Данные LORA могут быть собраны в базе данных для использования в качестве учебного набора данных для более точного прогнозирования погоды.
- Проект может быть расширен, чтобы включить больше атмосферных данных для прогнозирования дождя и шансов на лавины в горной местности.
Ссылки
- [1] Singh, DK, Sobti, R., Jain, A., Malik, PK, Le, D.-N.: Интеллектуальный мониторинг почвы и погодных условий на основе LORA с интернетом вещей для точного сельского хозяйства в умных городах. IET Commun. 16, 604–618 (2022).
- [2] IT ALI и RF SARI, «ИССЛЕДОВАНИЯ ЛОРАВАНА для реализации Интернета вещей», 2018 2-я Международная конференция по прикладной электромагнитной технологии (AEMT), Lombok, Indonesia, 2018, с. 61-66, DOI: 10.1109/AEMT.2018,85724277.
- [3] Pozdnoukhov, A., Purves, R. & Kanevski, M. (2008). Применение методов машинного обучения к лавине прогнозирование. Анналы гляциологии, 49, 107-113. doi: 10.3189/172756408787814870
- [4] Августин, А., Йи, Дж., Клаузен, Т. и Таунсли, Wm 2016. Исследование Lora: Long Range & amp; Низкие сети мощности для Интернета вещей. Датчики. 16, 9 (сентябрь 2016 г.), 1466. doi: https: //doi.org/10.3390/S16091466.
- [5] B. Quinn и E. Abdelfattah, «Метеоролог машинного обучения может предсказать Rain», 2019 IEEE 10-й ежегодный вездесущий вездесущий конференция, электроника и мобильная связь (UEMCON), Нью-Йорк, Нью-Йорк, USA, 2019, стр.
- [6] Goldoni, E., Prando, L., Vizziello, A., Savazzi, P. and Gamba, P. 2019. Экспериментальный анализ набора данных на основе RSSI в помещении и наружной локализации в сетях Lora. Интернет -технологические письма. 2, 1 (январь 2019), E75. Doi: https: //doi.org/10.1002/itl2.75.
- [7] Jitcha Shivang, SS Sridhar, «Прогноз погоды для индийского местоположения с использованием машинного обучения», Международный журнал чистой и прикладной математики Том 118 № 22 2018, 1945-1949 ISSN: 1314-3395 (онлайн-версия).
- [8] TA Team, «Nano», документация Arduino, https://docs.arduino.cc/hardware.
- [9] Д. Ходжон и Р. Никол, «Машиное обучение для бизнеса: использование Amazon Sagemaker и Jupyter», Amazon, https://docs.aws.amazon.com/sagemaker/latest/dg/xgboost-howitworks.html.
- [10] С. Шер и Г. Мессори, «Прогнозирование погоды и климата с помощью нейронных сетей: использование общих моделей циркуляции (GCM) с различной сложности в качестве исследования», «Геоссутивная модель разработка», https://doi.org/10.5194/gmd-12797-2019.
- [11] Naa Husein, Aha Rahman и DP Dahnil, «Оценка системы мониторинга загрязнения воздуха на базе Lora», Международный журнал передовых компьютерных наук и приложений (Ijacsa), http://dx.doi.org/10.14569/ijacsa.2019.0100753 (доступ 21, 2023).
{ % file src = ". gitbook/assets/minorpresentation.pdf" %} презентация { % endfile %}
