[論文レビュー] Water Quality Prediction on a Sigfox-compliant IoT Device: The Road Ahead of WaterS

Pietro Boccadoro, Vitanio Daniele+3 more|arXiv (Cornell University)|Jul 27, 2020

Water Quality Monitoring Technologies参考文献 49被引用数 31

ひとこと要約

本論文では、Tizianoプロジェクト（2007–2012年）の履歴データを用いて、pH、電気伝導度、溶解酸素、温度といった重要なパラメータを予測するため、長期短期記憶（LSTM）再帰ニューラルネットワークを統合したオープンソースでSigfox準拠のIoTシステムWaterSを提案する。LSTMモデルは、平均絶対誤差0.20、平均二乗誤差0.092、コサイン類似度0.94という高い精度を達成し、エネルギー制限があり低消費電力な環境における多次元時系列予測の有効性を示している。

ABSTRACT

Water pollution is a critical issue that can affects humans' health and the entire ecosystem thus inducing economical and social concerns. In this paper, we focus on an Internet of Things water quality prediction system, namely WaterS, that can remotely communicate the gathered measurements leveraging Low-Power Wide Area Network technologies. The solution addresses the water pollution problem while taking into account the peculiar Internet of Things constraints such as energy efficiency and autonomy as the platform is equipped with a photovoltaic cell. At the base of our solution, there is a Long Short-Term Memory recurrent neural network used for time series prediction. It results as an efficient solution to predict water quality parameters such as pH, conductivity, oxygen, and temperature. The water quality parameters measurements involved in this work are referred to the Tiziano Project dataset in a reference time period spanning from 2007 to 2012. The LSTM applied to predict the water quality parameters achieves high accuracy and a low Mean Absolute Error of 0.20, a Mean Square Error of 0.092, and finally a Cosine Proximity of 0.94. The obtained results were widely analyzed in terms of protocol suitability and network scalability of the current architecture towards large-scale deployments. From a networking perspective, with an increasing number of Sigfox-enabling end-devices, the Packet Error Rate increases as well up to 4% with the largest envisioned deployment. Finally, the source code of WaterS ecosystem has been released as open-source, to encourage and promote research activities from both Industry and Academia.

研究の動機と目的

• リアルタイム監視が制限される、遠隔地や過酷な環境における長期的水質汚染の検出の課題に対処すること。
• 深層学習を用いて、既存のIoT水質監視システム（WaterS）に予測機能を強化すること。
• 大規模なSigfoxベースのIoTネットワークを環境監視に展開する可能性とスケーラビリティを評価すること。
• 実際の沿岸部での展開において、太陽電池によるエネルギー自律と超低消費電力通信を実現すること。

提案手法

• 太陽電池駆動でSigfox準拠のIoTデバイスを用いて、水質データ（pH、電気伝導度、溶解酸素、温度）をリアルタイムで収集する。
• Tizianoプロジェクト（2007–2012年）の多次元時系列データを用いて、LSTM再帰ニューラルネットワークをトレーニングし、将来の水質パラメータを予測する。
• リソース制限のある組み込みプラットフォーム上で低遅延・低消費電力の推論を最適化する。
• デバイス数を14台から520台に増加させた状況でのネットワーク性能を評価し、パケット誤り率（PER）、衝突、送信失敗などの指標を用いてスケーラビリティと信頼性を検証する。
• ハードウェアおよびソフトウェアを含むWaterSエコシステム全体をオープンソースとして実装し、再現可能性とさらなる開発を支援する。
• システムはイタリアのバーリで沿岸都市環境においてテストされ、実運用環境への展開可能性が検証された。

実験結果

リサーチクエスチョン

• RQ1 IoTセンサーネットワークからの履歴時系列データを用いて、LSTMベースの深層学習モデルが多次元水質パラメータを効果的に予測できるか？
• RQ2 特にパケット誤り率（PER）、衝突、送信失敗の観点から、デバイス数の増加に伴いSigfoxネットワークの性能がどのように低下するか？
• RQ3 太陽電池駆動で超低消費電力なIoTデバイスは、リアルタイムデータ収集と予測分析を維持しながら、長期間にわたり自律運用を実現できるか？
• RQ4 実運用環境で数百台のSigfox対応エンドデバイスを展開した場合、WaterSアーキテクチャのスケーラビリティはどの程度か？
• RQ5 WaterSプラットフォームのオープンソース化は、環境IoTおよび水質監視分野における研究開発を促進できるか？

主な発見

• LSTMモデルは平均絶対誤差（MAE）0.20、平均二乗誤差（MSE）0.092、コサイン類似度（CP）0.94を達成し、実際の水質トレンドとの強い予測精度と相関性を示している。
• 14台のデバイスではパケット損失が無視できるほど少なく、PERは1%未満で安定した性能を示している。
• デバイス数が520台に増加すると、パケット誤り率（PER）は最大4%まで上昇するが、信頼性通信の許容範囲内に保たれている。
• 累積分布関数（CDF）分析から、デバイス数の増加に伴いPERが上昇することが確認され、300～520台の範囲で80パーセンタイルが80%を超えることが判明し、中程度のスケーラビリティ制限があることが示された。
• 本システムは、低消費電力IoTデバイス上で深層学習を効果的に展開できることを示しており、水質異常の早期検出を可能にしている。
• WaterSのソースコードのオープンソース化により、再現性の確保、プロトコル比較、環境IoTおよび水質予測分野におけるさらなるイノベーションが促進された。