面向大规模物联网颗粒物监测系统部署的全局多设备校准方法
机器学习
2023-11-16 v1
摘要
可扩展且高效的校准是低成本空气质量监测系统的根本需求，并将实现城市中的精确与泛在监测。受环境干扰与制造差异影响，这些设备需包含传感器特定的复杂校准流程，以达到足以作为空气质量（AQ）监测网络中指示性测量设备部署的精度。概念与传感器漂移常迫使校准流程频繁重复。这些问题导致难以承受的校准成本，在关注精度时阻碍其大规模部署。本工作中，我们提出一种零迁移样本、全局校准方法，作为依赖低成本颗粒物（PM）传感器的物联网空气质量多传感器设备的技术赋能方案。该方法基于有限数量物联网空气质量多传感器设备的现场记录响应与机器学习概念，可普遍应用于同类型所有设备。跨多季节测试表明，当应用于不同传感器时，该方法性能与最先进方法相当，而后者需为每台不同设备推导不同校准参数。若获证实，这些结果表明，当恰当推导后，全局校准律可用于大量联网设备，大幅降低成本，最终实现精确物联网空气质量监测设备的大规模部署。此外，该校准模型可轻松嵌入设备板载或部署于边缘端，从而对个人暴露监测应用提供即时精确读数，并减少远距离数据传输需求。
引用
@article{arxiv.2310.18118,
title = {A Global Multi-Unit Calibration as a Method for Large Scale IoT Particulate Matter Monitoring Systems Deployments},
author = {Saverio De Vito and Gerardo D Elia and Sergio Ferlito and Girolamo Di Francia and Milos Davidovic and Duska Kleut and Danka Stojanovic and Milena Jovasevic Stojanovic},
journal= {arXiv preprint arXiv:2310.18118},
year = {2023}
}