在实时监测系统中,用于长期预测蓝藻细菌繁殖的浅层学习模型
Juan Sandubete-López1, Raul Fernandez-Fernandez1, José A Lopez-Orozco1
1Universidad Complutense de Madrid (UCM), Plaza de las Ciencias, 1, Madrid 28040, Spain.
Water research
|August 2, 2025
概括
一个新的浅层长短期记忆 (LSTM) 模型预测了蓝藻细菌的开花,准确度高达70%,长达28天. 这种具有成本效益,低功耗的边缘人工智能系统可以减少实时,现场环境监测的延迟.
科学领域:
- 环境科学 环境科学
- 人工智能的人工智能
- 机器学习 机器学习
背景情况:
- 深度学习 (DL) 模型非常出色,但在计算上昂贵,容易过度拟合.
- 边缘计算应用需要高效,低功耗的实时处理模型.
- 预测环境事件,如蓝藻细菌的开花,需要准确的,及时的预测.
研究的目的:
- 开发一个浅层的长期短期记忆 (LSTM) 神经网络,以基于边缘的实时预测蓝藻细菌繁殖.
- 将量子化的LSTM模型嵌入到微控制器单元中,以便在现场进行低延迟预测.
- 为环境监测浮标提出一个具有成本效益,低功耗的人工智能系统.
主要方法:
- 实现了一个浅层的长短期记忆 (LSTM) 神经网络架构.
- 应用了量子化过程,将模型嵌入到微控制器单元中,用于边缘部署.
- 在四个预测期 (16-28天) 中使用平均绝对百分比误差 (MAPE) 评估模型性能.
主要成果:
- 在28天的时间里,在预测蓝藻细菌开花的准确度达到了70%.
- 在最糟糕的场景中,其准确性比最先进的模型高出10个点.
- 基于边缘的系统提供实时,现场预测,减少延迟和基础设施依赖.
结论:
- 浅层LSTM模型为基于边缘的环境预测提供了高效和准确的解决方案.
- 拟议的系统是一个可行的,低功耗和成本效益的AI解决方案,用于监控浮标.
- 这种方法有助于人类专家或作为环境事件预测的独立系统.
