[论文解读] 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 8

一句话总结

本文提出了一种基于低成本物联网传感器的实时、细粒度空气质量感知系统，用于智慧城市，通过深度Q-learning优化电源控制，利用遗传算法优化传感器部署，以最小化空气质量制图中的估计误差。该联合方法显著降低了平均联合误差，仿真结果表明其性能优于基线方法。

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.

研究动机与目标

• 设计并实现一种基于低成本物联网传感器的实时、细粒度城市空气质量感知网络。
• 解决由于传感器数据稀疏和能源资源有限导致的实时空气质量制图中估计误差最小化挑战。
• 利用强化学习优化能源受限的物联网感知设备中的电源控制。
• 利用遗传算法在有限部署资源下解决传感器位置选择问题。
• 联合优化电源控制与传感器部署，以提升动态城市空气质量制图的准确性。

提出的方法

• 提出四层系统架构：节能感知层、高可靠性传输层、全功能处理层和用户友好的展示层。
• 将电源控制问题建模为马尔可夫决策过程（MDP），并使用深度Q-learning求解，以在能源约束下最小化联合估计误差。
• 设计一种遗传算法用于传感器位置选择，结合聚类进行初始化，并通过变异、交叉和选择操作优化解空间。
• 在电源控制中使用线性近似作为基线比较，而深度Q-learning智能体则随时间学习最优感知任务调度。
• 基于北京大学六个月内部署的30个传感器收集的真实数据，构建仿真框架。
• 将电源控制与位置选择两种优化策略整合到统一系统中，联合最小化空气质量估计中的平均联合误差。

实验结果

研究问题

• RQ1 如何在能源受限的物联网空气质量传感器中优化电源控制，以最小化实时空气质量制图中的估计误差？
• RQ2 在有限数量的传感设备下，何种最优部署策略可最大化空间覆盖范围并提升细粒度空气质量估计的准确性？
• RQ3 深度强化学习与遗传算法的集成如何提升实时空气质量感知网络的性能，相较于基线方法？
• RQ4 能源预算和传感器数量对空气质量图可实现精度有何影响？
• RQ5 遗传算法的收敛速度与解质量如何依赖于基因池大小和初始化策略？

主要发现

• 基于深度Q-learning的电源控制策略相较于随机和线性近似基线方法取得显著性能提升，误差在约200次训练迭代后开始明显降低。
• 用于传感器位置选择的遗传算法在25轮进化内收敛至次优但有效的解，使用基于聚类的初始化时收敛速度更快。
• 更大的基因池（100）比更小的基因池（40）收敛更快，尽管会带来更高的计算与内存开销。
• 深度Q-learning用于电源控制与遗传算法用于位置选择的组合实现了最低的平均联合误差，优于所有其他组合。
• 平均联合误差与传感器数量（L）和能源预算（E）呈负相关，验证了理论假设。
• 当传感器数量（L）较高时，位置选择策略带来的性能增益超过电源控制，表明额外传感器的边际收益递减。