基于贝叶斯优化卷积神经网络在嵌入式设备上实现能效型PM2.5空气质量预测

《IEEE Canadian Journal of Electrical and Computer Engineering》：Energy-Efficient PM2.5-Based Air-Quality Forecasting Using Bayesian-Optimized CNNs on Embedded Devices

　　摘要：在微控制器级设备上实现实时PM_2.5预测是一个挑战，因为传统学习模型通常需要高内存、高计算和高功耗。本文提出了一种贝叶斯优化卷积神经网络（BOCNN），用于嵌入式设备上的轻量级基于PM_2.5的空气质量管理预测。该方法利用贝叶斯优化来调整关键CNN超参数，包括卷积滤波器、核大小、全连接层单元数、丢弃率和学习率，然后将优化后的模型转换为TensorFlow Lite以进行TinyML部署。该模型在德里2024年CPCB空气质量数据集上进行了评估，并与MLP、FFNN、CNN、LSTM、GRU、BiLSTM、随机森林（RF）、支持向量回归（SVR）和XGBoost等基线模型进行了比较。所提出的BOCNN分别实现了MAE、MSE、RMSE和R2值为0.011093、0.000317、0.017815和0.985727。在原始PM_2.5尺度上，其MAE为9.012691，RMSE为14.473820。与标准CNN基线相比，BOCNN将RMSE降低了约40.73%，并将R2从0.959377提高至0.985727。在嵌入式部署方面，动态量化的TensorFlow Lite模型实现了12.19 kB的紧凑大小、4344字节的运行时内存、11.40毫秒的MCU推理延迟，以及比CNN基线低40.45%的功耗。这些结果表明，BOCNN为物联网智慧城市环境中的低功耗PM_2.5预测提供了有效的精度-效率平衡。I. 引言空气污染是快速城市化地区面临的主要公共健康和环境挑战。在各种污染物中，PM_2.5尤为重要，因为细颗粒物可以在空气中悬浮很长时间，并深入渗透呼吸系统。因此，准确的短期PM_2.5预测对于预警生成、污染控制规划和智慧城市决策支持至关重要[1], [2]。