УДК 004.891.2:502.17:504.05
DOI: 10.36871/26189976.2026.05-2.011

Авторы

Ву Три Во,
Университет Шао-До, Чу Ван Ан, Хайфон, Вьетнам
Фук Хау Нгуен,
Университет Электроэнергетики, Ханой, Вьетнам
Марина Михайловна Тюрина,
Казанский национальный исследовательский технический университет им. А.Н. Туполева-КАИ, Казань, Россия

Аннотация

Загрязнение городского воздуха становится одной из серьезных проблем для общественного здравоохранения и устойчивого развития. Традиционные системы мониторинга, основанные на использовании одного датчика, часто страдают от ограничений в точности из-за шума данных и ошибок измерений. В данной статье предлагается модель, объединяющая данные с нескольких датчиков с методами слияния данных и глубокого обучения для повышения точности мониторинга качества воздуха в реальном времени. В частности, данные с различных типов датчиков (PM2.5, температура, токсичные газы) интегрируются посредством взвешенного слияния и фильтра Калмана, а затем подаются в модель глубокого обучения (LSTM/гибридная CNN) для прогнозирования индекса качества воздуха. Экспериментальные результаты показывают, что предложенный метод значительно снижает ошибки прогнозирования (RMSE, MAE) по сравнению с моделями, использующими один датчик. Основные результаты исследования включают: многослойную системную архитектуру для мониторинга в реальном времени, эффективный метод слияния данных и интеграцию глубокого обучения для повышения точности прогнозирования.

Ключевые слова

интернет вещей
датчики
интеграция данных
мониторинг качества воздуха
глубокое обучение
умный город

Список литературы

[1] Adaptive neural network system to build environmental prediction and control by their typing biometrics / O. Y. Panischev, E. N. Ahmedshina, N. G. Talipov [et al.] // Procedia Environmental Science, Engineering and Management. 2020. Vol. 7, №4. P. 591-598. EDN VCTIAM.

[2] Akavova A. How AI and machine learning can drive sustainable development / A. Akavova, S. Beguyev, R. Zaripova // E3S Web of Conferences, St. Petersburg, 2023. Vol. 460. St. Petersburg: EDP Sciences, 2023. P. 04018. DOI 10.1051/e3sconf/202346004018. EDN VVTJFB.

[3] Akyildiz I. F. et al. Wireless sensor networks: A survey // Computer Networks, 2002. Vol. 38, № 4, pp. 393–422. DOI 10.1016/S1389-1286(01)00302-4.

[4] Al-Fuqaha M. et al. Internet of Things: A survey on enabling technologies, protocols, and applications // IEEE Communications Surveys & Tutorials, 2015. Vol. 17, № 4, pp. 2347– 2376. DOI 10.1109/COMST.2015.2444095.

[5] Atzori L., Iera A., Morabito G. The Internet of Things: A survey // Computer Networks, 2010. Vol. 54, №15, pp. 2787–2805. DOI 10.1016/j.comnet.2010.05.010.

[6] Creation of A Fuzzy Neural Networks to Assess Environmental Safety / O. Y. Panischev, E. K. Ahmedshina, D. V. Kataseva [et al.] // Procedia Environmental Science, Engineering and Management. 2020. Vol. 7, № 4. P. 621-628. EDN KNRBIY.

[7] Deep learning architecture for air quality predictions / X. Li, L. Peng, Yu. Hu [et al.] // Environmental Science and Pollution Research. 2016. Vol. 23, №22. P. 22408-22417. DOI 10.1007/s11356-016-7812-9. EDN SRSYHC.

[8] Development of quality monitoring devices for industrial water in heat supply systems / R. S. Zaripova, E. A. Saltanaeva, N. G. Bikeeva, E. V. Priimak // IOP Conference Series: Earth and Environmental Science, Kazan, 2018. Vol. 288. Kazan: Institute of Physics Publishing, 2019. P. 012129. DOI 10.1088/1755-1315/288/1/012129. EDN RNMWZX.

[9] Evans D. The Internet of Things: How the Next Evolution of the Internet Is Changing Everything // Cisco, White Paper, 2011.

[10] Gubbi J., Buyya R., Marusic S., Palaniswami M. Internet of Things (IoT): A vision, architectural elements, and future directions // Future Generation Computer Systems, vol. 29, №7, pp. 1645–1660, 2013. DOI 10.1016/j.future.2013.01.010.

[11] Hart J. K., Martinez K. Environmental sensor networks: A revolution in the earth system science? // Earth-Science Reviews, №78, pp. 177-191. DOI 10.1016/j.earscirev.2006.05.001.

[12] He K., X. Zhang, S. Ren, J. Sun. Deep residual learning for image recognition // IEEE Conference on Computer Vision and Pattern Recognition (CVPR). 2016. Las Vegas, NV, USA, pp. 770-778. DOI 10.1109/CVPR.2016.90.

[13] Heaton J. Ian Goodfellow, Yoshua Bengio, Aaron Courville: Deep learning / J. Heaton // Genetic Programming and Evolvable Machines. 2018. Vol. 19, № 1. P. 305-307. DOI 10.1007/ s10710-017-9314-z. EDN NDRSPI.

[14] Hochreiter S., Schmidhuber J. Long short-term memory // Neural Computation, 1997. Vol. 9, № 8, pp. 1735–1780. DOI 10.1162/neco.1997.9.8.1735.

[15] Kalman R. E. A new approach to linear filtering and prediction problems // Journal of Basic Engineering, 1960. Vol. 82, №1, pp. 35–45. DOI 10.1115/1.3662552.

[16] Kumar S., Zhao F., Shepherd D. Collaborative signal and information processing in microsensor networks // IEEE Signal Processing Magazine, 2002. Vol. 19, №2, pp. 13–14. DOI 10.1109/MSP.2002.985672.

[17] LeCun Y., Y. Bengio, G. Hinton. Deep learning // Nature, 2015. Vol. 521, pp. 436–444. DOI 10.1038/nature14539.

[18] Mikolov T. et al. Recurrent neural network based language model // Proc. Interspeech, 2010, pp. 1045–1048. DOI 10.21437/Interspeech.2010-343.

[19] Nuriev M. The 5G revolution transforming connectivity and powering innovations / M. Nuriev, A. Kalyashina, Yu. Smirnov [et al.] // E3S Web of Conferences. 2024. Vol. 515. P. 04008. DOI 10.1051/e3sconf/202451504008. EDN XIHEMB.

[20] Perera C., A. Zaslavsky, P. Christen, D. Georgakopoulos. Context Aware Computing for The Internet of Things: A Survey // IEEE Communications Surveys & Tutorials, 2014. Vol. 16. №1, pp. 414-454. DOI 10.1109/SURV.2013.042313.00197.

[21] Shi W. et al. Edge computing: Vision and challenges // IEEE Internet of Things Journal, 2016. Vol. 3, № 5, pp. 637–646. DOI 10.1109/JIOT.2016.2579198.

[22] Welch G. and Bishop G. An introduction to the Kalman filter // Univ. North Carolina, Tech. Rep., 1995.

[23] Zanella A., Bui N., Castellani A., Vangelista L., Zorzi M. Internet of Things for smart cities // IEEE Internet of Things Journal, 2014. Vol. 1, №1, pp. 22–32. DOI 10.1109/ JIOT.2014.2306328.

[24] Zaripova R. Leveraging hybrid cloud architectures and Cosmos DB for sustainable IT solutions in ecology and natural resource management / R. Zaripova, A. Mentsiev, R. Zainash // E3S Web of Conferences. 2024. Vol. 542. P. 06001. DOI 10.1051/e3sconf/202454206001. EDN UGTWMR.