Data-driven Modality Fusion: An AI-enabled Framework for Large-Scale Sensor Network Management

要約

スマートシティの開発と運用は、都市環境のさまざまな側面を継続的に監視する大規模なインターネット（IoT）ネットワークとセンサーインフラストラクチャに依存しています。
これらのネットワークは膨大な量のデータを生成し、帯域幅の使用、エネルギー消費、システムのスケーラビリティに関連する課題を提起します。
このペーパーでは、Smart City IoTネットワーク管理の効率を高めるために設計された、データ駆動型モダリティ融合（DMF）と呼ばれる新しいセンシングパラダイムを紹介します。
異なるセンシングモダリティからのタイムリーデータ間の相関を活用することにより、提案されたDMFアプローチは、監視に必要な物理センサーの数を減らし、それによりエネルギー消費、通信帯域幅、および全体的な展開コストを最小限に抑えます。
このフレームワークは、計算の複雑さをエッジデバイスからコアに再配置し、リソース制約のあるIoTデバイスに集中的な処理タスクが負担されないようにします。
DMFは、マドリードでの実際のIoT展開からのデータを使用して検証され、還元センサーのセットからのトラフィック、環境、および汚染メトリックの正確な推定における提案されたシステムの有効性を実証します。
提案されたソリューションは、センサーの障害とプライバシーの懸念の問題に対処しながら、都市のIoTネットワークを管理するためのスケーラブルで効率的なメカニズムを提供します。

要約(オリジナル)

The development and operation of smart cities relyheavily on large-scale Internet-of-Things (IoT) networks and sensor infrastructures that continuously monitor various aspects of urban environments. These networks generate vast amounts of data, posing challenges related to bandwidth usage, energy consumption, and system scalability. This paper introduces a novel sensing paradigm called Data-driven Modality Fusion (DMF), designed to enhance the efficiency of smart city IoT network management. By leveraging correlations between timeseries data from different sensing modalities, the proposed DMF approach reduces the number of physical sensors required for monitoring, thereby minimizing energy expenditure, communication bandwidth, and overall deployment costs. The framework relocates computational complexity from the edge devices to the core, ensuring that resource-constrained IoT devices are not burdened with intensive processing tasks. DMF is validated using data from a real-world IoT deployment in Madrid, demonstrating the effectiveness of the proposed system in accurately estimating traffic, environmental, and pollution metrics from a reduced set of sensors. The proposed solution offers a scalable, efficient mechanism for managing urban IoT networks, while addressing issues of sensor failure and privacy concerns.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google