[논문 리뷰] Water Quality Prediction on a Sigfox-compliant IoT Device: The Road Ahead of WaterS

Pietro Boccadoro, Vitanio Daniele외 3명|arXiv (Cornell University)|2020. 07. 27.

Water Quality Monitoring Technologies참고 문헌 49인용 수 31

한 줄 요약

이 논문은 Tiziano 프로젝트(2007–2012년)의 역사적 데이터를 사용하여 pH, 전도도, 용존 산소, 온도와 같은 핵심 매개변수를 예측하기 위해 순환 신경망(LSTM)을 통합한 오픈소스, Sigfox 호환 IoT 시스템인 WaterS를 제안한다. LSTM 모델은 평균 절대 오차(MAE) 0.20, 평균 제곱 오차(MSE) 0.092, 코사인 유사도(CP) 0.94를 기록하여 에너지 제약이 있는 저전력 환경에서 다변량 시계열 예측에 효과적임을 입증한다.

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.

연구 동기 및 목표

• 실시간 모니터링이 제한된 원격 또는 위험한 환경에서 장기적인 수질 오염을 탐지하는 데 도전 과제를 해결하기 위해.
• 딥러닝을 활용해 기존의 IoT 수질 모니터링 시스템(WaterS)에 예측 기능을 강화하기 위해.
• 환경 모니터링을 위한 대규모 Sigfox 기반 IoT 네트워크의 구현 가능성과 확장성을 평가하기 위해.
• 실제 해안 지역에 적용된 배치에서 태양광 전원과 초저전력 통신을 통해 에너지 자립을 실현하기 위해.

제안 방법

• 태양광 전원을 갖춘 Sigfox 호환 IoT 장치를 사용하여 실시간 수질 데이터(pH, 전도도, 용존 산소, 온도)를 수집한다.
• Tiziano 프로젝트(2007–2012년)의 다변량 시계열 데이터를 기반으로 훈련된 장기 단기 기억(LSTM) 순환 신경망을 사용하여 향후 수질 매개변수를 예측한다.
• 자원 제약이 있는 임베디드 플랫폼에서 저지연, 저에너지 추론을 최적화한 LSTM 모델을 구현한다.
• 장치 수를 14대에서 520대까지 증가시키며 네트워크 성능을 평가하여 패킷 오류율(PER), 충돌, 실패 전송과 같은 지표를 통해 확장성과 신뢰성을 분석한다.
• 하드웨어 및 소프트웨어를 포함한 전체 WaterS 생태계를 오픈소스로 구현하여 재현 가능성과 향후 개발을 지원한다.
• 시스템은 이탈리아 바리의 해안 도시 환경에서 테스트되어 실제 배치의 가능성을 검증한다.

실험 결과

연구 질문

• RQ1 IoT 센서 네트워크에서의 역사적 시계열 데이터를 기반으로 한 LSTM 기반 딥러닝 모델이 다변량 수질 매개변수를 효과적으로 예측할 수 있는가?
• RQ2 특히 패킷 오류율(PER), 충돌, 전송 실패 측면에서 네트워크 부하가 증가함에 따라 Sigfox 네트워크 성능은 어떻게 저하되는가?
• RQ3 태양광 전원을 갖춘 초저전력 IoT 장치가 실시간 데이터 수집과 예측 분석을 지원하면서도 장기적인 자립을 얼마나 잘 유지할 수 있는가?
• RQ4 실제 환경에서 수백 대의 Sigfox 기반 종단 장치를 포함한 WaterS 아키텍처는 얼마나 확장 가능한가?
• RQ5 WaterS 플랫폼의 오픈소스화가 환경 IoT 및 수질 모니터링 분야의 연구 및 개발을 가속화할 수 있는가?

주요 결과

• LSTM 모델은 평균 절대 오차(MAE) 0.20, 평균 제곱 오차(MSE) 0.092, 코사인 유사도(CP) 0.94를 기록하여 실제 수질 추세와 강한 예측 정확도와 상관관계를 보였다.
• 14대의 장치로 배치할 경우 패킷 손실이 거의 없으며, PER가 1% 이하로 안정적인 성능을 보였다.
• 장치 수가 520대로 증가함에 따라 패킷 오류율(PER)은 최대 4%로 상승했지만, 신뢰성 있는 통신을 위한 허용 가능한 수준을 유지했다.
• 누적 분포 함수(CDF) 분석 결과, PER는 장치 수 증가에 따라 증가하며, 300~520대의 장치 수준에서 80번째 백분위수의 PER가 80%를 초과함을 확인하여 중간 수준의 확장성 한계를 확인했다.
• 딥러닝 기반 예측이 저전력 IoT 장치에 효과적으로 구현되어 수질 이상 징후 조기 탐지가 가능함을 입증했다.
• WaterS 소스 코드의 오픈소스 공개는 재현 가능성, 프로토콜 비교, 환경 IoT 및 수질 예측 분야의 추가 혁신을 가능하게 한다.