Loading...
Publication
A Machine Learning-based Decision Support System for IoT Monitoring Solutions
| Name: | Description: | Size: | Format: | |
|---|---|---|---|---|
| 15.07 MB | Adobe PDF |
Advisor(s)
Abstract(s)
Globally, environmental incidents occur daily due to the emission of pollutant gases, many of which are the main causes of environmental disasters and premature deaths. The significant impact of these gases on public health is a major concern, especially in rural regions. Inhalation of these compounds often affects the daily lives and health of people living in these areas, often without their awareness of the risks involved. The goal of this project is to develop a decision support system powered by Artificial Intelligence (AI) and a robust platform for visualizing statistics on pollutant gases. Using an Internet of Things (IoT) ecosystem, the system aims to notify residents about environmental conditions and prevent any risks, including exposure to hazardous gases. Data is collected by digital sensors, aggregated by a microprocessor, and transmitted to a centralized database. This database feeds into the digital platform, which provides comprehensive and easy-tonavigate graphs, helping users to clearly understand pollution levels. These visualizations assist authorities and users in making informed decisions about environmental safety. This work aims to find the best Machine Learning (ML) model for this type of data (time series), in order to generate accurate predictions, focusing on the exploration of various ML techniques. The AI-based decision support system uses ML techniques to analyze the collected data and provide assessments of hazardous gas levels, as well as future forecasts of these levels, using unidirectional LSTM layers overlaid on bidirectional LSTM layers, an architecture that has shown the best results. In areas where pollutant gases such as radon are common, these forecasts enable the generation of timely alerts and recommendations to reduce health risks. Overall, this study contributes to the development of an innovative system through the analysis and processing of sensory data, such as pollutant gases and environmental variables. In a real-world context, the forecast is integrated into the RuraLTHINGS platform, providing system users with information to make more informed decisions about their indoor spaces, with the goal of promoting better living conditions.
A nível global, os incidentes ambientais ocorrem diariamente devido à emissão de gases poluentes, sendo que muitos deles são as principais causas de desastres ambientais e mortes prematuras. O impacto significativo desses gases na saúde pública é uma grande preocupação, especialmente em regiões do interior. A inalação desses compostos frequentemente afeta a vida cotidiana e a saúde das pessoas que vivem nessas áreas, muitas vezes sem que tenham consciência dos riscos envolvidos. O objetivo deste projeto é desenvolver um sistema de apoio à decisão, impulsionado por Inteligência Artificial (IA), e uma plataforma robusta para a visualização de estatísticas sobre gases poluentes. Utilizando um ecossistema de Internet das Coisas (IdC), o sistema tem o objetivo de notificar os moradores relativamente às condições ambientais e evitar quaisquer riscos, incluindo a exposição a gases perigosos. Os dados são recolhidos por sensores digitais, agregados por um microprocessador e transmitidos para uma base de dados centralizada. Essa base de dados alimenta a plataforma digital que disponibiliza gráficos abrangentes e de fácil navegação, ajudando os utilizadores a compreender claramente os níveis de poluição. Essas visualizações auxiliam autoridades e utilizadores a tomarem decisões informadas sobre a segurança ambiental. Este trabalho visa encontrar o melhor modelo de ML para este tipo de dados (séries temporais), a fim de gerar previsões precisas, focando na investigação de diversas técnicas de ML. O sistema de apoio à decisão baseado em IA utiliza técnicas de machine learning (ML) para analisar os dados recolhidos e fornecer avaliações dos níveis de gases perigosos, bem como previsões futuras destes, utilizando camadas Long Short-Term Memory (LSTM) unidirecionais sobrepostas a camadas LSTM bidirecionais, uma arquitetura que apresentou os melhores resultados. Em áreas onde gases poluentes como o radão são comuns, essas previsões permitem gerar alertas oportunos e recomendações para reduzir os riscos à saúde. De forma geral, este estudo contribui para o desenvolvimento de um sistema inovador, a partir da análise e tratamento de dados sensoriais, como gases poluentes e variáveis ambientais. Em um contexto real, a previsão é integrada na plataforma RuraLTHINGS, fornecendo aos utilizadores do sistema informações para tomar decisões mais conscientes sobre os seus espaços interiores, com o objetivo de promover melhores condições de vida.
A nível global, os incidentes ambientais ocorrem diariamente devido à emissão de gases poluentes, sendo que muitos deles são as principais causas de desastres ambientais e mortes prematuras. O impacto significativo desses gases na saúde pública é uma grande preocupação, especialmente em regiões do interior. A inalação desses compostos frequentemente afeta a vida cotidiana e a saúde das pessoas que vivem nessas áreas, muitas vezes sem que tenham consciência dos riscos envolvidos. O objetivo deste projeto é desenvolver um sistema de apoio à decisão, impulsionado por Inteligência Artificial (IA), e uma plataforma robusta para a visualização de estatísticas sobre gases poluentes. Utilizando um ecossistema de Internet das Coisas (IdC), o sistema tem o objetivo de notificar os moradores relativamente às condições ambientais e evitar quaisquer riscos, incluindo a exposição a gases perigosos. Os dados são recolhidos por sensores digitais, agregados por um microprocessador e transmitidos para uma base de dados centralizada. Essa base de dados alimenta a plataforma digital que disponibiliza gráficos abrangentes e de fácil navegação, ajudando os utilizadores a compreender claramente os níveis de poluição. Essas visualizações auxiliam autoridades e utilizadores a tomarem decisões informadas sobre a segurança ambiental. Este trabalho visa encontrar o melhor modelo de ML para este tipo de dados (séries temporais), a fim de gerar previsões precisas, focando na investigação de diversas técnicas de ML. O sistema de apoio à decisão baseado em IA utiliza técnicas de machine learning (ML) para analisar os dados recolhidos e fornecer avaliações dos níveis de gases perigosos, bem como previsões futuras destes, utilizando camadas Long Short-Term Memory (LSTM) unidirecionais sobrepostas a camadas LSTM bidirecionais, uma arquitetura que apresentou os melhores resultados. Em áreas onde gases poluentes como o radão são comuns, essas previsões permitem gerar alertas oportunos e recomendações para reduzir os riscos à saúde. De forma geral, este estudo contribui para o desenvolvimento de um sistema inovador, a partir da análise e tratamento de dados sensoriais, como gases poluentes e variáveis ambientais. Em um contexto real, a previsão é integrada na plataforma RuraLTHINGS, fornecendo aos utilizadores do sistema informações para tomar decisões mais conscientes sobre os seus espaços interiores, com o objetivo de promover melhores condições de vida.
Description
Keywords
Previsão de Séries Temporais Saúde Pública Aprendizagem Automática Gases Ambientais Internet das Coisas Monitorização Ambiental Processamento de Dados Redes de Sensores Sistema de Apoio à Decisão