基于决策树与向量自回归的物联网物理位置监控优化
机器学习
2022-04-12 v1
摘要
本研究展示了一种物联网的增强方案：其获取传感器数据并执行实时人脸识别以筛查物理区域，从而发现异常情况并向客户端发送报警邮件，以采取补救措施避免环境中任何潜在的损失。每当摄像头检测到人时，传感器数据被推送至本地系统与 GoDaddy 云，通过边缘计算优化物理位置监控系统，降低云端的带宽需求与存储成本。研究表明，决策树（DT）与随机森林在利用传感器数据预测人时给出了相当接近的宏平均 f1 分数。实验结果显示，对于三个不同物理位置的云数据集，DT 是利用带时间戳的传感器数据预测人的最可靠预测模型，准确率分别为 83.99%、88.92% 与 80.97%。本研究还解释了利用向量自回归的多变量时间序列预测，其在预测温度、光敏电阻与气体时间序列时给出了相当好的均方根误差。
引用
@article{arxiv.2204.04664,
title = {Optimization of IoT-Enabled Physical Location Monitoring Using DT and VAR},
author = {Ajitkumar Sureshrao Shitole and Manoj Himmatrao Devare},
journal= {arXiv preprint arXiv:2204.04664},
year = {2022}
}
备注
28 pages, 14 figures, Use of Machine Learning to process IoT Sensor Data