使用Lora和机器学习的天气预报
介绍
使用LORA的天气预报是一种简化且具有成本效益的方法，可预测天气。我们将使用它来预测高海拔高度的实时天气状况。
问题陈述
使用卫星通信完成
蜂窝通信（3G，4G）
目标
- 开发用于实时天气数据传输的洛拉通信系统。
- 设计和实施原型系统，以实时天气预报。
- 调查机器学习算法用于天气预测的使用。
文献综述
- 通过研究相关工作以及我们的实验，机器学习可以比随时间推移的天气预测范围的传统数学模型表现更好。[5]
- 最近，人们对使用神经网络进行天气预测和气候数据集的产生的可能性越来越兴趣。[10]
- 洛拉可以被认为是解决下一个未来物联网发展中问题的复杂性的好候选人。[2]
- 洛拉传输的实验表明，洛拉技术非常适合空气污染系统，尤其是与其他无线传输技术相比，在远距离传输中。[11]
方法论
来自BMP 180和DHT 11传感器的天气数据使用LORA从发射器传输到接收器部分。接收器站的Arduino将传感器数据发送到节点服务器。节点服务器使用Chart.js显示实时天气数据。节点服务器将API调用到Blask Server进行天气预测。当用户输入天气预测的输入参数时，Blask Server调用机器学习模型。
系统框图
系统活动图
节点活动图
烧瓶活动图
电路布局
机器学习管道
一个。用于模型培训的数据收集。
b。数据过滤
功能工程
将原始数据转换为一种更适合机器学习算法的格式，以提取有意义的模式并进行准确的预测。
图：湿度
图：温度
无花果：压力
选择模型
由于以下原因，使用XGBoost算法来训练该模型：
- 它具有较高的预测性能，旨在处理数据中复杂的非线性关系，并且可以捕获其他算法可能错过的微妙模式
- 它可用于分类和回归任务。
- 它为特征重要性提供了宝贵的见解。它根据功能用于将数据分配到所有增强树中的次数的次数来计算特征的重要性得分。
- 它是高度优化的，并提供快速执行速度。
- XGBoost具有处理丢失数据的内置功能。它可以通过在树木建造过程中做出明智的决策来学习如何处理丢失价值。
- 使用收集的数据训练所选模型。 80％的数据用于培训，其余20％的数据用于测试。
- 均方根误差计算以下参数
结果
现场天气报告
天气预测
未来的增强
- 可以使用更多数据集和更好的算法来改进机器学习。
- 可以在数据库中收集Lora的数据，以将其用作培训数据集，以进行更准确的天气预测。
- 该项目可以扩展到包括更多大气数据，以预测山区地形雪崩的机会。
参考
- [1] Singh，DK，Sobti，R.，Jain，A.，Malik，PK，LE，D.-N。：洛拉的智能土壤和天气状况监测，并使用物联网的物联网监测智能城市的精确农业。 IET社区。 16，604–618（2022）。
- [2] IT Ali和RF Sari，“劳拉万进行实施的研究机会”，2018年第二届国际应用电磁技术会议（AEMT），伦波克，印度尼西亚，2018年，2018年，第61-66页，doi：10.1109/aemt.2018.85722427。
- [3] Pozdnoukhov，A.，Purves，R。，＆Kanevski，M。（2008）。将机器学习方法应用于雪崩预测。冰川学年鉴，49，107-113。 doi：10.3189/172756408787814870
- [4] Augustin，A.，Yi，J。，Clausen，T。和Wm 2016。物联网的低功率网络。传感器。 16，9（2016年9月），1466。DOI：https：//doi.org/10.3390/s16091466。
- [5] B. Quinn and E. Abdelfattah, "Machine Learning Meteorologist Can Predict Rain," 2019 IEEE 10th Annual Ubiquitous Computing, Electronics & Mobile Communication Conference (UEMCON), New York, NY, USA, 2019, pp. 0057-0062, doi: 10.1109/UEMCON47517.2019.8992997.
- [6]戈德尼（E.互联网技术来信。 2，1（2019年1月），E75。 doi：https：//doi.org/10.1002/itl2.75。
- [7] Jitcha Shivang，SS Sridhar，“使用机器学习的印度位置的天气预测”，《国际纯和应用数学杂志》第118号2018年第22号2018,1945-1949 ISSN：1314-3395（在线版本）。
- [8] TA团队，“ Nano”，Arduino文档，https://docs.arduino.cc/hardware。
- [9] D. Hudgeon和R. Nichol，“商业机器学习：使用Amazon Sagemaker和Jupyter”，Amazon，https：//docs.aws.amazon.com/sagemaker/latest/dg/xg/xgboost-howitworks.html。
- [10] S. Scher和G. Messori，“神经网络的天气和气候预测：使用具有不同复杂性的一般循环模型（GCMS）作为研究理由”，《地球科学模型开发》，https://doi.org/10.5194/gmd-12-12-2797-2019。
- [11] Naa Husein，Aha Rahman和DP Dahnil，“基于洛拉的空气污染监测系统的评估”，《国际高级计算机科学与应用杂志》（IJACSA），http://dx.doi.org/10.14569/14569/ijacsa.2019.0100753（访问21，2023）。
{％file src =“。gitbook/Assets/MinorPresentation.pdf“％} eSTRAINTION {％endFile％}
