机器学习模型的数据优化用于城市公园的智能灌溉
机器学习
2024-12-30 v1 机器人学
摘要
城市环境面临着气候变化带来的诸多挑战，包括极端高温、干旱和水资源短缺，这些问题影响公共健康、社区福祉和当地经济。有效管理这些问题尤为重要，尤其是在如悉尼奥林匹克公园这样依赖澳大利亚最大灌溉系统之一的地区。在2021年启动的“智能公园和凉爽城镇灌溉管理项目（SIMPaCT）”中，利用先进技术和机器学习模型来优化灌溉并实现物理制冷。本文介绍了两种新方法来提高SIMPaCT系统广泛传感器网络和应用机器学习模型的效率。第一种方法采用基于K-shape和K-means算法的传感器时间序列数据聚类，以估计缺失传感器的读数，确保数据持续可靠。该方法能够检测异常、纠正数据源，并识别并删除冗余传感器以降低维护成本。第二种方法通过机器人系统从不同传感器位置进行顺序数据收集，显著减少了大量固定式传感器的需求。这些方法旨在在保持准确土壤湿度预测的同时，优化传感器部署并降低维护成本，从而提高智能灌溉系统的效率和效果。我们的评估表明，土壤湿度监测网络在效率和成本效益方面均实现了显著提升。基于聚类的缺失传感器替换方案可使平均误差降低最高5.4%。顺序传感器数据收集作为机器人仿真，分别在圆形和线性路径上实现了平均误差降低17.2%和2.1%。
引用
@article{arxiv.2410.02335,
title = {Data Optimisation of Machine Learning Models for Smart Irrigation in Urban Parks},
author = {Nasser Ghadiri and Bahman Javadi and Oliver Obst and Sebastian Pfautsch},
journal= {arXiv preprint arXiv:2410.02335},
year = {2024}
}