Pronóstico Bi-Clúster Basado en IoT Utilizando Optimización Automática de Modelos de ML para COVID-19
Autores: Tariq, Hasan; Touati, Farid; Crescini, Damiano; Mnaouer, Adel Ben
Idioma: Inglés
Editor: MDPI
Año: 2023
Acceso abierto
Artículo científico
2023
Pronóstico Bi-Clúster Basado en IoT Utilizando Optimización Automática de Modelos de ML para COVID-19
Categoría
Ciencias Naturales y Subdisciplinas
Subcategoría
Astronomía
Palabras clave
Covid-19
Calidad del aire
Datos de sensores
Algoritmo de optimización
Enfermedades respiratorias
Temperaturas ambientales
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 7
Citaciones: Sin citaciones
La actual pandemia de COVID-19 ha generado grandes preocupaciones sobre la calidad del aire exterior debido al deterioro pulmonar esperado. Estas preocupaciones incluyen los desafíos asociados con el aumento de gases nocivos como el dióxido de carbono, la inhalación iterativa/repetitiva debido al uso de mascarillas y las temperaturas ambientales extremas. Incluso en presencia de dispositivos de detección de calidad del aire, estos desafíos pueden obstaculizar la prevención y el tratamiento de enfermedades respiratorias, epidemias y pandemias en casos severos. En esta investigación, se propuso un algoritmo de regresión optimizado novedoso basado en un flujo de datos de sensores de bi-clúster con una serie temporal dual, con predictores y respuestas de optimización que utilizan una optimización iterativa automatizada del modelo basada en el índice de coeficiente de similitud. El algoritmo se implementó sobre los datos de nodos de sensores SeReNoV2, es decir, un sensor de serie temporal dual multivariado, de la norma ambiental y de la Agencia de Protección Ambiental de EE. UU., que mide variables para el índice de calidad del aire utilizando sensores de calidad del aire con perfilado geoespacial. Los sistemas SeReNoV2 se colocaron en cuatro ubicaciones que estaban a 3 km de distancia para monitorear la calidad del aire y sus datos se recopilaron en la plataforma IoT de Ubidots a través de GSM. Los resultados han mostrado que la técnica propuesta logró un error cuadrático medio (RMSE) de 1.0042 con un tiempo de entrenamiento de 469.28 s para el control y un RMSE de 1.646 en un tiempo de entrenamiento de 28.53 s cuando se optimizó. El error R-Cuadrado estimado fue de 0.03, con el error cuadrático medio para la temperatura siendo de 1.0084 grados C, y 293.98 ppm para CO2. Además, el error absoluto medio (MAE) para la temperatura fue de 0.66226 grados C y 10.252 ppm para el CO2 correlacionado a una velocidad predicha de ~5100 observaciones/s. En el clúster de muestra para la temperatura, se logró 45,000 observaciones/s para CO2 debido a la optimización iterativa del tiempo de entrenamiento (469.28 s). La temperatura correlacionada y un tiempo de 28.53 s para CO2 fueron muy prometedores en la previsión de contramedidas contra COVID-19 antes de tiempo.
Descripción
La actual pandemia de COVID-19 ha generado grandes preocupaciones sobre la calidad del aire exterior debido al deterioro pulmonar esperado. Estas preocupaciones incluyen los desafíos asociados con el aumento de gases nocivos como el dióxido de carbono, la inhalación iterativa/repetitiva debido al uso de mascarillas y las temperaturas ambientales extremas. Incluso en presencia de dispositivos de detección de calidad del aire, estos desafíos pueden obstaculizar la prevención y el tratamiento de enfermedades respiratorias, epidemias y pandemias en casos severos. En esta investigación, se propuso un algoritmo de regresión optimizado novedoso basado en un flujo de datos de sensores de bi-clúster con una serie temporal dual, con predictores y respuestas de optimización que utilizan una optimización iterativa automatizada del modelo basada en el índice de coeficiente de similitud. El algoritmo se implementó sobre los datos de nodos de sensores SeReNoV2, es decir, un sensor de serie temporal dual multivariado, de la norma ambiental y de la Agencia de Protección Ambiental de EE. UU., que mide variables para el índice de calidad del aire utilizando sensores de calidad del aire con perfilado geoespacial. Los sistemas SeReNoV2 se colocaron en cuatro ubicaciones que estaban a 3 km de distancia para monitorear la calidad del aire y sus datos se recopilaron en la plataforma IoT de Ubidots a través de GSM. Los resultados han mostrado que la técnica propuesta logró un error cuadrático medio (RMSE) de 1.0042 con un tiempo de entrenamiento de 469.28 s para el control y un RMSE de 1.646 en un tiempo de entrenamiento de 28.53 s cuando se optimizó. El error R-Cuadrado estimado fue de 0.03, con el error cuadrático medio para la temperatura siendo de 1.0084 grados C, y 293.98 ppm para CO2. Además, el error absoluto medio (MAE) para la temperatura fue de 0.66226 grados C y 10.252 ppm para el CO2 correlacionado a una velocidad predicha de ~5100 observaciones/s. En el clúster de muestra para la temperatura, se logró 45,000 observaciones/s para CO2 debido a la optimización iterativa del tiempo de entrenamiento (469.28 s). La temperatura correlacionada y un tiempo de 28.53 s para CO2 fueron muy prometedores en la previsión de contramedidas contra COVID-19 antes de tiempo.