面向物联网(IoT)空气质量低成本传感器(LCS)网络的虚拟传感远程校正与周期重校准混合机制

《Ad Hoc Networks》:Virtual sensing for remote correction in IoT air quality low-cost sensor networks

【字体: 大 中 小 】 时间:2026年10月23日 来源:Ad Hoc Networks 5.4

编辑推荐:

  空气质量监测已因安装在物联网(IoT)节点上的低成本传感器(LCS)的使用而发生变革。这些LCS技术能够实现更精细的监测分辨率,例如街道层面或特定兴趣点位置的测量。当这些节点与政府管理的参考站结合时,可建立异质测量网络,从而允许更精细的空间分辨率。然而,使用L

  
空气质量监测已因安装在物联网(IoT)节点上的低成本传感器(LCS)的使用而发生变革。这些LCS技术能够实现更精细的监测分辨率,例如街道层面或特定兴趣点位置的测量。当这些节点与政府管理的参考站结合时,可建立异质测量网络,从而允许更精细的空间分辨率。然而,使用LCS的一个主要问题在于其长期数据质量,因为传感器和校准模型分别容易遭受漂移和概念漂移(concept drift)。近期,机器学习技术与周期性及机会性重校准和远程校正相结合,已被证明可提供增强的数据质量性能。研究人员提出一种混合机制,利用基于虚拟传感器的远程校正与周期性重校准相结合,以提高长期数据质量,同时降低与节点共址重校准相关的运营成本。结果表明,与传统重校准方法相比,所提出机制将LCS用于长期监测部署的可行性提高最高17%,同时降低运营成本。
研究背景与问题:空气质量监测是污染预防与减缓的重要基础。政府通常按照欧盟指南部署参考站测量受监管污染物,但更细空间尺度测量有助于更精确量化污染影响。物联网(IoT,联网传感与数据传输入网)技术成熟使低成本传感器(LCS,可低成本部署的微型空气质量传感设备)能够测量污染物、处理并传输数据,与参考站共同形成异质测量网络,提高空间分辨率。然而,LCS的长期数据质量是主要问题:传感器会漂移,基于机器学习的校准模型会因数据分布随时间变化而出现概念漂移(concept drift,数据分布变化导致模型失效),校准模型长期会过时。已有质量保证方法指出,若不改进硬件,仍需有效校正基线漂移和气体传感器交叉敏感性;LCS面临定期干预以及可靠性与维护成本之间的权衡。为维持长期数据质量,需要重校准或校正机制。周期性重校准虽有效,但需将节点定期置于参考仪器旁,运营成本高且因监测中断损失样本;机会性重校准依赖与移动参考仪器相遇,不能保证在需要时执行;远程校正(remote correction,利用网络中参考信息调整LCS输出)可利用LCS与参考仪器共存的异质网络减少共址需求。虚拟传感器(virtual sensors,由其他节点估计目标位置浓度的软传感器)已在空气质量网络的数据质量应用中显示潜力。因此,研究人员提出一种混合机制,将基于虚拟传感器的远程校正与周期性重校准结合,以减少重校准共址次数、降低运营成本并保持数据质量。

研究人员开展的工作与结论意义:研究人员提出并评估一种混合重校准机制:利用参考网络测量聚合形成虚拟传感器估计,并以其作为远程校正的虚拟参考,采用矩匹配(MOMA,moment matching,匹配均值与方差等分布矩)计算校正系数;同时保留长周期周期性重校准以缓解概念漂移。研究构建了西班牙巴塞罗那的LCS节点测试平台,测量O3近两年,并与传统周期重校准等策略比较。结果表明,该机制提升LCS长期监测部署可行性,相较传统重校准最高改善17%,并降低运营成本;所提方案在5个月重校准周期下可达到传统每2个月重校准相近的数据质量,运营成本节省约60%。其意义在于为异质LCS网络提供可降低物理共址需求的长期数据质量框架。

关键技术方法概括(不超过250字):研究人员在西班牙巴塞罗那三个政府参考站旁部署Captor节点,收集2022年6月至2024年4月O3长期数据(传感器1 493天、传感器2 489天、传感器3 452天)。以O3与NO2电化学传感器工作电极和辅助电极及温湿度共六变量为输入,用多元线性回归(MLR)校准LCS;用高斯过程(GP)等建立虚拟传感器;采用MOMA计算远程校正系数;结合周期重校准(Trec=5M等)比较原位校准、周期校准(PC)、RC+5M与RCVS+5M;评估月R2,分析Wc与Tc敏感性,并按移动参考和固定共址两种场景核算运营成本(OPEX)。

研究结果:5.1 Virtual sensor-based remote correction performance(基于虚拟传感器的远程校正性能)。通过比较原位校准、不同重校准周期Trec的PC、RC+5M及RCVS+5M的测试R2,研究得出:原位校准长期性能差,MLR的R2约0.004–0.627,GP约0.25–0.50;Trec=2M的周期重校准性能最高但成本过高,随Trec延长性能下降;RC+5M对传感器2和3略优于单独重校准,对传感器1不够好;RCVS+5M总体性能相当于Trec=2M,相较每5个月重校准在传感器1、2、3分别最大改善17.22%、7.78%、10.13%,平均最高约12%,说明虚拟传感器可减少频繁共址并维持长期性能。5.2 Virtual sensing for remote correction(用于远程校正的虚拟传感)。通过比较以现场参考站真值训练的虚拟传感器VS(RS)与以部署LCS估计训练的虚拟传感器VS(LCS),以及相应远程校正RCVS(RS)与RCVS(LCS),研究得出:VS(RS)性能优于VS(LCS),但基于LCS训练更现实且性能接近;RCVS(LCS)中MLR虚拟传感器的R2为0.802–0.867,GP为0.802–0.859,GP通常更稳定,传感器1中GP最高R2为0.863,传感器2两者均约0.802,传感器3中MLR为0.867。5.3 Impact of remote correction parameters(远程校正参数影响)。通过测试Wc={3,4,5,6,7}天与Tc={1,12,24,36,48}小时,研究得出:传感器普遍偏好较短窗口,3天窗口较优,4–5天为实用折中;从每小时Tc=1增至最大Tc时R2下降,但总体退化有限;Tc小于24 h有利于防止性能损失但消耗更多通信资源,较长周期可降低通信成本并保持良好校正性能。5.4 On the operational costs(运营成本)。通过将重校准成本定义为运营成本加监测中断,并分析移动参考仪器与固定参考仪器共址两种场景,研究得出:成本包括人员、租赁、运输、许可、机械等项;所提机制在5个月重校准周期下保持与每2个月传统重校准相当的数据质量,运营成本节省60%。5.5 Limitations and challenges(局限与挑战)。通过讨论机制适用条件,研究得出:远程校正依赖参考数据,稀疏网络或虚拟传感器性能不足(如训练R2<0.6)时机制可能失效;局部人为源导致的异常高浓度可能被机制衰减,需结合异常检测;对其他现象的适用性取决于其相对参考网络是否空间平滑;机制假设LCS短期数据可靠以训练虚拟传感器,而MOMA本身不要求初始基于参考的校准。

讨论与结论:讨论部分指出,所提方法面向高精度传感器与LCS共存的异质网络,远程校正(含所提方法)高度依赖站点及污染源相关参考数据的可用性。机制失败风险包括参考数据有限且不具代表性的稀疏网络,以及虚拟传感器因上述情况或局部因素性能不足;若虚拟传感器训练性能差,远程校正不能保证改善数据质量。局部人为源可能产生真实异常浓度而非数据质量问题,所提机制因聚合远程传感器信息可能衰减该信号,需借助异常检测区分事件与数据质量问题,也可仅在检测到概念漂移时应用远程校正。对其他现象的适用性取决于其空间平滑性;若虚拟传感器不能提供准确校正测量,校正后数据质量可能不改善甚至恶化。机制还假设LCS数据在短期内可靠以训练虚拟传感器,而MOMA不要求初始参考校准。

研究结论部分翻译:本文提出一种基于虚拟传感器的远程校正机制,可与周期性及其他重校准机制结合,以增强长期数据质量并减少进一步共址需求及相应运营成本。为此,研究人员使用来自多个传感节点的真实世界数据集,覆盖2022年6月至2024年4月的大量数据。通过分析原位校准、周期重校准和远程校正方案的月R2得分,研究人员展示了标准预测模型与所提远程校正方案之间的清晰比较格局。结果表明,随着重校准周期从一个月增至八个月,R2指标的稳定性是模型抵抗概念漂移和环境变化的关键指标。与文献讨论的周期重校准方案相比,远程校正似乎是很有前景的解决方案。研究人员还提供了敏感性分析,获得不同窗口大小(Wc)和时间周期(Tc)下的R2得分,有助于定义校正参数和通信需求。本研究结果为异质LCS网络提供一种有效的混合基线,其优于传统重校准方法,可延迟连续物理共址需求,从而获得更高数据质量框架。然而应注意,与不要求良好初始校准的基于MOMA的校正不同,所提模型依赖良好初始估计以训练合适的虚拟传感器。未来工作值得探索该方法对更局部现象的适用性及可能调整,甚至将机制与事件检测器结合,以识别并非由差数据质量引起的真实高浓度事件。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号