欢迎使用InfoSci平台
参考中心2
使用DT和VAR优化物联网物理位置监测

使用DT和VAR优化物联网物理位置监测

Ajitkumar Sureshrao Shitole，Manoj Himmatrao Devare公司
版权：© 2021|体积：15|问题：4|页：28
国际标准编号：1557-3958|EISSN公司：1557-3966|EISBN13：9781799859857|内政部：10.4018/IJCINI.287597
引用文章引用文章

MLA公司

Shitole、Ajitkumar Sureshrao和Manoj Himmatrao Devare。“使用DT和VAR优化物联网物理位置监测。”IJCINI公司第15卷，第4期，2021年：第1-28页。http://doi.org/10.4018/IJCINI.287597

亚太地区

Shitole，A.S.和Devare，M.H.（2021）。使用DT和VAR优化物联网物理位置监测。国际认知信息学与自然智能杂志（IJCINI），15(4), 1-28. http://doi.org/10.4018/IJCINI.287597

芝加哥

Shitole、Ajitkumar Sureshrao和Manoj Himmatrao Devare。“使用DT和VAR优化物联网物理位置监测，”国际认知信息学与自然智能杂志（IJCINI）15，第4期：1-28。http://doi.org/10.4018/IJCINI.287597

导出参考

门德利
收藏夹完整发布下载

摘要

本研究显示物联网的增强功能，它获取传感器数据并执行实时人脸识别，筛选物理区域以发现奇怪情况，并向客户端发送警报邮件以采取补救措施，避免环境中的任何潜在灾难。每当摄像头检测到有人通过使用边缘计算降低云端的带宽需求和存储成本来优化物理位置监控系统时，传感器数据就会被推送到本地系统和GoDaddy Cloud上。研究表明，决策树（DT）和随机森林（Random Forest）在使用传感器数据预测人时给出了相当相似的宏观平均f1核。实验结果表明，DT是三个不同物理位置的云数据集使用时间戳预测人的最可靠预测模型，准确率分别为83.99%、88.92%和80.97%。本研究还解释了使用向量自回归进行多元时间序列预测的方法，该方法给出了相当好的均方根误差来预测温度、湿度、光敏电阻和气体时间序列。