Minimierung des Datenübertragungsvolumens in Smart-Farm-Netzwerken
Im Rahmen der Forschungsanforderungen für einen Kurs zum Thema „Modeling Multimedia Systems”, den ich im Frühjahrssemester 2024 belegt habe, habe ich ein Projekt zur Anwendung und Verbesserung bestehender Methoden zur Minimierung des Datenübertragungsvolumens in Smart-Farm-Netzwerken durchgeführt. Das Ziel bestand darin, eine relevante Forschungsarbeit im Bereich Multimedia zu finden, deren Methodik zu verstehen und durch Verbesserungen einen Beitrag dazu zu leisten. Ich wählte die Arbeit mit dem Titel „K-predictions based data reduction approach in WSN for Smart Agriculture” von Christian Salim und Nathalie Mitton aus, in der eine Methode zur Datenreduktion mittels maschinellem Lernen (MLDR) zur Optimierung der Datenübertragung in drahtlosen Sensornetzwerken (WSN) vorgeschlagen wurde.
In meinem Projekt konzentrierte ich mich auf die Verbesserung der Vorhersagegenauigkeit des Modells auf Sink-Ebene, was für die Reduzierung unnötiger Datenübertragungen von entscheidender Bedeutung ist. Bei diesem Ansatz übertragen Sensorknoten zunächst Daten an den Sink, und nachdem ein Trend identifiziert wurde, sagt der Sink zukünftige Daten voraus. Die Genauigkeit auf Sink-Ebene ist jedoch von entscheidender Bedeutung: Wenn die Vorhersagen ungenau sind, stoppt der Sink seine Vorhersagen, was zu häufigen Datenübertragungen führt, bis ein neuer Trend gelernt wird, was den Energieverbrauch und die Ineffizienz erhöht.
Ich habe mich auf die Verbesserung der Vorhersage von zwei Schlüsselparametern konzentriert, nämlich Temperatur und Luftfeuchtigkeit, da diese in intelligenten Landwirtschaftssystemen von entscheidender Bedeutung sind. Ich habe das Hybridmodell aus einer Forschungsarbeit von Sabat et al. verwendet, das ein vektorautoregressives (VAR) Modell und ein Gated Recurrent Unit (GRU)-Netzwerk kombiniert, um sowohl lineare als auch nichtlineare Datenmuster zu erfassen. Um die Genauigkeit weiter zu verbessern, habe ich dem GRU-Modell Attention-Mechanism-Zellen hinzugefügt. Durch diese Ergänzung konnte sich das Modell auf die relevantesten Aspekte der Zeitreihendaten konzentrieren, was die Vorhersagegenauigkeit erheblich verbesserte.
Ich trainierte mein Modell mit einer Sammlung von Klimadaten aus Bengaluru, einer Stadt in Indien, und wandte zwei Methoden an: die von den Autoren der Arbeit vorgeschlagene MLDR-Methode und mein modifiziertes VAR-GRU-Hybridmodell mit Aufmerksamkeitsmechanismen. Anschließend verglich ich die Ergebnisse, um die Verbesserung der Vorhersagegenauigkeit zu bewerten.
Die Ergebnisse zeigten, dass mein modifiziertes Modell im Vergleich zur ursprünglichen Methode eine Verbesserung der Temperaturvorhersagegenauigkeit um 20 % und der Feuchtigkeitsvorhersagegenauigkeit um 11 % erzielte. Diese Verbesserungen reduzierten die Häufigkeit der Datenübertragungen und erhöhten die Gesamtenergieeffizienz des Netzwerks. Dies könnte dem System möglicherweise helfen, längere Zeiträume vorherzusagen, ohne dass unnötige Datenübertragungen zwischen den Knoten und dem Sink erforderlich sind, wodurch die Leistung von Smart-Farm-Systemen optimiert wird.
Link to Google Colab Notebook
Referenzen:
Salim, Christian & Mitton, Nathalie. (2021). K-Predictions Based Data Reduction Approach in WSN for Smart Agriculture. Computing. 10.1007/s00607-020-00864-z.
Sabat, Naba & Nayak, Rashmiranjan & Pati, Umesh & Das, Santos. (2023). Ein Deep-Learning-basiertes hybrides Modell aus vektorautoregressiver und gated recurrent unit für die Langzeitprognose von Wetterparametern für intelligente landwirtschaftliche Betriebe. 10.4018/978-1-6684-8516-3.ch009.