[論文レビュー] Real-Time Fine-Grained Air Quality Sensing Networks in Smart City: Design, Implementation and Optimization

Zhiwen Hu, Zixuan Bai+3 more|arXiv (Cornell University)|Oct 18, 2018

Air Quality Monitoring and Forecasting参考文献 16被引用数 8

ひとこと要約

本稿では、低コストのIoTセンサーを用いたスマートシティ向けのリアルタイムで細分化された大気質センシングシステムを提案する。本システムは、深層Q学習を用いた電力制御と遺伝的アルゴリズムを用いたセンサー配置最適化により、大気質マッピングにおける推定誤差を最小化する。統合的アプローチにより、平均連合誤差が顕著に低減され、シミュレーションではベースライン手法を上回る性能を示す。

ABSTRACT

Driven by the increasingly serious air pollution problem, the monitoring of air quality has gained much attention in both theoretical studies and practical implementations. In this paper, we present the architecture, implementation and optimization of our own air quality sensing system, which provides real-time and fine-grained air quality map of the monitored area. As the major component, the optimization problem of our system is studied in detail. Our objective is to minimize the average joint error of the established real-time air quality map, which involves data inference for the unmeasured data values. A deep Q-learning solution has been proposed for the power control problem to reasonably plan the sensing tasks of the power-limited sensing devices online. A genetic algorithm has been designed for the location selection problem to efficiently find the suitable locations to deploy limited number of sensing devices. The performance of the proposed solutions are evaluated by simulations, showing a significant performance gain when adopting both strategies.

研究の動機と目的

• 低コストのIoTセンサーを用いた都市環境向けのリアルタイムで細分化された大気質センシングネットワークの設計および実装。
• 疎なセンサー情報と限られたエネルギー資源による、リアルタイムの大気質マッピングにおける推定誤差を最小化する課題に対処すること。
• エネルギー制約のあるIoTセンシングデバイスにおける電力制御を強化学習を用いて最適化すること。
• 限られた設置リソース下でのセンサー配置選択問題を遺伝的アルゴリズムを用いて解決すること。
• 動的都市環境における大気質マッピングの精度向上を目的とした、電力制御とセンサー配置の共同最適化。

提案手法

• エネルギー効率の良いセンシング層、高信頼性の伝送層、包括的な処理層、ユーザーフレンドリーな表示層からなる4層構造のシステムアーキテクチャを提案。
• 電力制御問題をマルコフ決定過程（MDP）としてモデル化し、エネルギー制約下での連合推定誤差を最小化する目的で深層Q学習を用いて解く。
• 初期化にクラスタリングを組み込んだ遺伝的アルゴリズムを設計し、突然変異、交叉、選択の操作を用いて解空間を最適化する。
• 電力制御のベースライン比較には線形近似を用い、深層Q学習エージェントは時間経過に伴う最適なセンシングタスクスケジューリングを学習する。
• 北京大学で6か月間にわたり30台のセンサーから収集した実データに基づくシミュレーションフレームワークを採用。
• 電力制御と配置選択の両最適化戦略を統合し、大気質推定における平均連合誤差を共同で最小化する統合システムを構築。

実験結果

リサーチクエスチョン

• RQ1 エネルギー制約のあるIoT大気質センサーにおける電力制御を最適化することで、リアルタイムの大気質マッピングにおける推定誤差を最小化する方法は何か？
• RQ2 限られた数のセンシングデバイスを配置する際の最適な配置戦略は何か？ これにより、空間的カバレッジと細分化された大気質推定の精度を最大化できるか？
• RQ3 深層強化学習と遺伝的アルゴリズムの統合は、ベースライン手法と比較して、リアルタイムの大気質センシングネットワークの性能をどのように向上させるか？
• RQ4 エネルギー予算（E）とセンサー数（L）が、大気質マップの達成可能な精度に与える影響は何か？
• RQ5 遺伝的アルゴリズムの収束速度と解の品質は、遺伝子プールのサイズと初期化戦略にどのように依存するか？

主な発見

• 深層Q学習に基づく電力制御戦略は、ランダムおよび線形近似ベースラインと比較して顕著な性能向上を示し、約200回の訓練エピソード後に誤差低減が顕著に観察された。
• センサー配置選択のための遺伝的アルゴリズムは25回の進化ラウンド以内に、最適でないが効果的な解に収束した。クラスタリングを用いた初期化では収束が速くなった。
• 遺伝子プールを100に設定した場合、40に設定した場合よりも収束が速かったが、計算およびメモリのオーバーヘッドが増加した。
• 深層Q学習による電力制御と遺伝的アルゴリズムによる配置選択の統合は、平均連合誤差が最小となり、他のすべての組み合わせを上回った。
• 平均連合誤差は、センサー数（L）およびエネルギー予算（E）と負の相関関係を示し、理論的仮説の妥当性が裏付けられた。
• センサー数（L）が高くなると、電力制御の性能向上効果は限界に達する一方で、配置選択戦略の貢献度がより顕著に現れ、より高い性能向上が得られた。