The use of LSTM networks in the detection of outliers in IoTbased air quality monitoring systems

• Autorzy: Rymarczyk Tomasz , Cieplak Tomasz , Kłosowski Grzegorz , Kozłowski Edward

Identyfikatory

DOI

10.15199/48.2020.05.18

Warianty tytułu

PL

Wykorzystanie sieci LSTM w wykrywaniu wartości odstających w systemach monitorowania jakości powietrza opartych na IoT

• Języki publikacji: EN

Abstrakty

EN

Recently, several attempts have been made to build social air quality monitoring systems. Systems of this kind are solutions in the creation of which it is necessary to solve many problems concerned with the collection and analysis of data. After all, such systems are complex, extensive and multidisciplinary IT solutions. Our work focuses on creating such a system which, in addition to being a distributed social system, additionally uses low-budget and available measuring devices. The system consists of the data acquisition subsystem, then the data collection and analysis subsystem, and the communication system with the end user. In this article, we focus on describing data acquisition subsystems and on one aspect related to data analysis, namely outliers prediction using recurrent neural networks in the form of their implementation as LSTM.

PL

W okresie kilku ostatnich kilku miesięcy podjęto działania budowy społecznościowych systemów monitorowania jakości powietrza. Systemy tego rodzaju są rozwiązaniami, przy tworzeniu których konieczne jest rozwiązanie różnorodnych problemów związanych z gromadzeniem i analizą danych. Systemy tego rodzaju to złożone, rozbudowane i multidyscyplinarne rozwiązania informatyczne. Opisywana praca koncentruje się na działaniach związanych z stworzeniem takiego systemu, który oprócz tego, że jest rozproszonym systemem społecznościowym, dodatkowo wykorzystuje niskobudżetowe i ogólnie dostępne urządzenia pomiarowe. System składa się z podsystemu gromadzenia danych, następnie podsystemu gromadzenia i analizy danych oraz systemu komunikacji z użytkownikiem końcowym. W tym artykule skupiamy się na opisie podsystemów akwizycji danych oraz na wybranym zagadnieniu związanym z analizą danych, a mianowicie przewidywaniu wartości odstających z wykorzystaniem rekurencyjnych sieci neuronowych w postaci ich implementacji jako sieci LSTM.

Słowa kluczowe

EN

sensor network; Internet of things; long short term memory; outliers detection

PL

sieć sensorów; Internet rzeczy; sieć neuronowa LSTM; wykrywanie wartości odstających

• Wydawca: Wydawnictwo SIGMA-NOT
• Czasopismo: Przegląd Elektrotechniczny
• Rocznik: 2020
• Tom: R. 96, nr 5
• Strony: 91--94
• Opis fizyczny: Bibliogr. 28 poz., rys., tab.

Twórcy

autor

Rymarczyk Tomasz

• Research & Development Centre Netrix S.A.
• University of Economics and Innovation, Projektowa 4, Lublin, Poland

autor

Cieplak Tomasz

• Lublin University of Technology, Nadbystrzycka 38A, Lublin, Poland

autor

Kłosowski Grzegorz

• Lublin University of Technology, Nadbystrzycka 38A, Lublin, Poland

autor

Kozłowski Edward

• Lublin University of Technology, Nadbystrzycka 38A, Lublin, Poland

Bibliografia

• [1] Cieplak T., Rymarczyk T., Tomaszewski R., A concept of the air quality monitoring system in the city of Lublin with machine learning methods to detect data outliers, MATEC Web Conf., 252 (2019), 03009
• [2] Rymarczyk T., Cieplak T., Klosowski G., Kozlowski E., Monitoring the natural environment with the use of IoT based system, in 2019 Applications of Electromagnetics in Modern Engineering and Medicine (PTZE), 2019, 151-155.
• [3] Cordero J. M., Borge R., Narros A., Using statistical methods to carry out in field calibrations of low cost air quality sensors, Sensors Actuators B Chem., 267 (2018), 245-254,
• [4] Główny inspektorat ochrony środowiska, Informacje ogólne - GIOŚ, 2019. [Online]. Available: https://powietrze.gios.gov.pl/pjp/content/measuring_air_assess ment_measurings. [Accessed: 01-Sep-2019].
• [5] Castell N. et al., Localized real-time information on outdoor air quality at kindergartens in Oslo, Norway using low-cost sensor nodes, Environ. Res., 165 (2018), 410-419
• [6] Popoola O. A. M. et al., Use of networks of low cost air quality sensors to quantify air quality in urban settings, Atmos. Environ., vol. 194, pp. 58-70, Dec. 2018.
• [7] Lewis A. C. et al., Low-cost sensors for the measurement of atmospheric composition: overview of topic and future applications Draft copy for public review, 2018.
• [8] Gerboles M., Spinelle L., Borowiak A., Measuring air pollution with low-cost sensors | EU Science Hub, European Commission, 2017. [Online]. Available: http://ec.europa.eu/environment/air/ pdf/Brochure lower-cost sensors.pdf. [Accessed: 03-Jun-2019].
• [9] Robinson J.A., Kocman D., Horvat M., Bartonova A., End-User Feedback on a Low-Cost Portable Air Quality Sensor System- Are We There Yet?, Sensors (Basel), 18 (2018), no. 11
• [10] Yamato Y., Kumazaki H., Fukumoto Y., Proposal of Lambda Architecture Adoption for Real Time Predictive Maintenance, in 2016 Fourth International Symposium on Computing and Networking (CANDAR), 2016, 713-715.
• [11] Bun B., Calibration using supervised learning for low-cost air quality sensors., 2017.
• [12] Liu X., Iftikhar N., Nielsen P.S.,Heller A., Online Anomaly Energy Consumption Detection Using Lambda Architecture, Springer, Cham, 2016, 193-209.
• [13] Chatfield C.,The Analysis of Time Series. Chapman and Hall/CRC, 2016.
• [14] Chen W., Yan L., Zhao H., Seasonal Variations of Atmospheric Pollution and Air Quality in Beijing, Atmosphere (Basel)., 6 (2015), No. 11, 1753-1770
• [15] Cichowicz R.,. Wielgosiński G., Fetter W., Dispersion of atmospheric air pollution in summer and winter season., Environ. Monit. Assess., 189 (2017), No. 12, 605
• [16] Malhotra P., Vig L., Shroff G., Agarwal P., Long Short Term Memory Networks for Anomaly Detection in Time Series. .
• [17] Yang H., Pan Z., Tao Q., Robust and adaptive online time series prediction with long short-term memory, Comput. Intell. Neurosci, 2017 (2017), 1-9
• [18] Singh A., Anomaly Detection for Temporal Data using Long Short-Term Memory ( LSTM ), 2017.
• [19] Kłosowski G., Rymarczyk T., Gola A., Increasing the reliability of flood embankments with neural imaging method. Applied Sciences, 8 (2018), No. 9, 1457.
• [20] Rodrigues F., Pereira F. C., Beyond expectation: Deep joint mean and quantile regression for spatio-temporal problems., preprint arXiv:1808.08798, 2018
• [21] Rymarczyk T, Kłosowski G. Innovative methods of neural reconstruction for tomographic images in maintenance of tank industrial reactors. Eksploatacja i Niezawodnosc - Maintenance and Reliability, 21 (2019); No. 2, 261-267
• [22] Rymarczyk, T.; Kozłowski, E.; Kłosowski, G.; Niderla, K. Logistic Regression for Machine Learning in Process Tomography, Sensors, 19 (2019), 3400.
• [23] Romanowski A., Big Data-Driven Contextual Processing Methods for Electrical Capacitance Tomography, IEEE Transactions on Industrial Informatics, 15 (2019), No. 3, 1609- 1618
• [24] Kozlowski E.; Mazurkiewicz D., Kowalska B. et al., Binary Linear Programming as a Decision-Making Aid for Water Intake Operators, 1st International Conference on Intelligent Systems in Production Engineering and Maintenance, Wroclaw, Poland 28-29.09.2017,
• [25] Kryszyn J., Smolik W., Toolbox for 3d modelling and image reconstruction in electrical capacitance tomography, Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska (IAPGOŚ) , 7 (2017), No. 1, 137-145
• [26] Majchrowicz M., Kapusta P., Jackowska-Strumiłło L., Sankowski D., cceleration of image reconstruction process in the electrical capacitance tomography 3d in heterogeneous, multi-gpu system, Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska (IAPGOŚ), 7 (2017), No. 1, 37-41
• [27] Galazka-Czarnecka, I.; Korzeniewska E., Czarnecki A. et al., Evaluation of Quality of Eggs from Hens Kept in Caged and Free-Range Systems Using Traditional Methods and Ultra- Weak Luminescence, Applied sciences-basel, 9 (2019), No. 12, 2430.
• [28] Szczęsny A., Korzeniewska E., Selection of the method for the earthing reistance measurement, Przegląd Elektrotechniczny, 94 (2018), No. 12, 178-181.

Uwagi

Opracowanie rekordu ze środków MNiSW, umowa Nr 461252 w ramach programu "Społeczna odpowiedzialność nauki" - moduł: Popularyzacja nauki i promocja sportu (2020).