ارائه یک روش جدید برای پیش بینی سری های زمانی در دمای های ثبت شده از دستگاه های IOT با استفاده از شبکه عصبی LSTM

علی نوشاد¹ احمدرضا خنکسار²

1) دانشجوی کارشناسی مهندسی کامپیوتر, دانشگاه سلمان فارسی کازرون -
2) دانشجوی کارشناسی مهندسی، کامپیوتر موسسه آموزش عالی زند -

کد IOI مقاله : XCCE-EGFBD
محل انتشار : دومین کنگره بین المللی مهندسی، فناوری و نوآوری(eticong.com/2nd)
چکیده :
    فناوری های نوظهور در سال های اخیر و پیشرفت های عمده در پروتکل های اینترنت و سیستم های محاسباتی، برقراری ارتباط بین دستگاه های مختلف را آسان تر از هر زمان دیگری ساخته است. این بدان معنی است که با پیشرفت فن آوری، حجم داده های منتشر شده افزایش می یابد. با این حال، سنسور های موجود در IOT و سایر برنامه های کاربردی اغلب با مجموعه داده های بسیار زیاد همراه هستند که باعث مشکل در ذخیره سازی، انتقال و امنیت و مشکلات مربوط به حریم خصوصی پاسخ سریع و قابل اعتماد در شرایط غیرقابل اعتماد، محدودیت شبکه و ذخیره سازی مواجه است. علاوه بر این تفسیر کردن داده های حسگر در برنامه های اینترنت اشیا مخصوصا در سیستم های جاسازی شده یک مشکل چالش برانگیز به حساب می آید. در این پژوهش به معرفی یک معماری جدید LSTM، به عنوان یک رویکرد یادگیری عمیق برای پیش بینی و تجزیه و تحلیل داده های سری زمانی دستگاه های IOT پرداخته شده است. دما های ثبت شده از دستگاه های IOT نصب شده در خارج و داخل یک اتاق مدیر برای آموزش و آزمایش مدل مورد استفاده قرار گرفت. مدل پیشنهادی ارائه شده در این مطالعه، در پیش بینی سری زمانی دما های ثبت شده، در کلیه ماههای پیش بینی شده در مقایسه با مدل ARIMA دارای کمترین خطا بود. با توجه به نتایج به دست آمده در این مطالعه می توان دریافت که مدل پیشنهادی (LSTM) در مقایسه با مدل ARIMA در پیش بینی سری زمانی دما های ثبت شده دقت بیشتری را از خود نشان داد. نتایج نشان می دهد که مدل های یادگیری عمیق با توجه به رابطه توالی در پیش بینی داده های سری دما امیدوار کننده هستند.

کلمات کلیدی : یادگیری عمیق شبکه عصبی lstm اینترنت اشیاء تجزیه و تحلیل داده پیش بینی سری زمانی دما