要約
モノのインターネット (IoT) の巨大なセンサーによって生成される時空間データは、非常に動的、異質、大規模で時間に依存します。
さまざまな IoT アプリケーションのリアルタイム分析や意思決定において、大きな課題 (精度、信頼性、安定性など) が生じます。
IoT データは複雑であるため、一般の人はそれをより深く理解することができません。
エージェント化されたシステムは、一般の人々のデータ洞察の欠如に対処するのに役立ちます。
私たちは、エンドツーエンドのパラダイムで IoT 時系列の学習と分析を促進するための汎用フレームワーク、つまり CityGPT を提案します。
CityGPT は 3 つのエージェントを使用して、IoT データの時空間分析を実行します。
要件エージェントは、自然言語に基づいてユーザー入力を容易にします。
次に、分析タスクは時間分析プロセスと空間分析プロセスに分解され、対応するデータ分析エージェント (時間エージェントと空間エージェント) によって完了されます。
最後に、時空間融合エージェントは、データ分析エージェントから分析結果を受け取り、サブ可視化エージェントを呼び出すことによってシステムの分析結果を視覚化し、ユーザーの要求に基づいて対応するテキストによる説明を提供できます。
私たちのフレームワークを使用する一般の人々の洞察力を高めるために、大規模言語モデル (LLM) によって促進されるフレームワークを強化し、データの理解可能性を高めました。
さまざまな時間依存性を持つ実世界のデータに対する評価結果は、CityGPT フレームワークが IoT コンピューティングにおける堅牢なパフォーマンスを保証できることを示しています。
要約(オリジナル)
The spatiotemporal data generated by massive sensors in the Internet of Things (IoT) is extremely dynamic, heterogeneous, large scale and time-dependent. It poses great challenges (e.g. accuracy, reliability, and stability) in real-time analysis and decision making for different IoT applications. The complexity of IoT data prevents the common people from gaining a deeper understanding of it. Agentized systems help address the lack of data insight for the common people. We propose a generic framework, namely CityGPT, to facilitate the learning and analysis of IoT time series with an end-to-end paradigm. CityGPT employs three agents to accomplish the spatiotemporal analysis of IoT data. The requirement agent facilitates user inputs based on natural language. Then, the analysis tasks are decomposed into temporal and spatial analysis processes, completed by corresponding data analysis agents (temporal and spatial agents). Finally, the spatiotemporal fusion agent visualizes the system’s analysis results by receiving analysis results from data analysis agents and invoking sub-visualization agents, and can provide corresponding textual descriptions based on user demands. To increase the insight for common people using our framework, we have agnentized the framework, facilitated by a large language model (LLM), to increase the data comprehensibility. Our evaluation results on real-world data with different time dependencies show that the CityGPT framework can guarantee robust performance in IoT computing.
arxiv情報
| 著者 | Qinghua Guan,Jinhui Ouyang,Di Wu,Weiren Yu |
| 発行日 | 2024-05-23 15:27:18+00:00 |
| arxivサイト | arxiv_id(pdf) |
提供元, 利用サービス
arxiv.jp, Google