-
BEREICH DER ERFINDUNG
-
Die vorliegende Offenbarung betrifft ein System zur Verhütung von Naturkatastrophen und insbesondere ein System zur Wetterüberwachung und Verhütung von Naturkatastrophen unter Verwendung des Internets der Dinge (IoT) und des maschinellen Lernens (ML).
-
HINTERGRUND
-
Katastrophenmanagement ist in jüngster Zeit zu einem der wichtigsten Anliegen von Regierungen und Institutionen geworden. Aufgrund des Klimawandels nehmen weltweit Naturkatastrophen zu. Ein Echtzeit-Überwachungs- und Warnsystem kann die negativen Auswirkungen von Katastrophen reduzieren. Ein Frühwarnsystem kann über eine bevorstehende gefährliche Katastrophe informieren. Es fördert auch Maßnahmen zur Reduzierung der damit verbundenen Risiken und minimiert die negativen Auswirkungen einer Katastrophe.
-
Neuere Technologien wie Cloud Computing, IoT und Big Data können zu einem effektiven Katastrophenmanagement beitragen. IoT sammelt Echtzeitdaten aus der physischen Welt, Big Data Analytics analysiert die Daten effizient und Cloud Computing stellt die erforderliche IT-Infrastruktur dafür bereit. Möglich wurde dies durch den Zusammenfluss von Big Data und High Performance Computing (HPC). Die Zusammenführung von IoT mit HPC kann bei der Vorhersage und Überwachung von Katastrophen wirksam sein.
-
Es wurden bereits früher Anstrengungen unternommen, um die verschiedenen Probleme des Katastrophenmanagements anzugehen und anzugehen. Eine abgestufte Architektur der Edge- und Fog-Konzepte wurde für den Anwendungsbereich der unbemannten Luftfahrzeug (UAV)-basierten Branderkennung implementiert (Kalatzis, 2018, IEEE International Conference on Smart Computing, S. 106-114). Dieses dreistufige Framework trug die wichtigen Fähigkeiten des Cloud Computing, die erzeugten Fog-Computing-Ressourcen und die Sensorfähigkeit der UAVs.
-
Es wurde über ein IoT-gestütztes Wasserüberwachungssystem berichtet, das die Wasseraktivität in Echtzeit für den Hochwasserschutz überwacht (Perumal et al., 2016, IEEE 4th Global Conference on Consumer Electronics, S. 86-87). Der Wasserstandssensor erkennt die Zielschwelle; Wenn die Wassermenge die Variable überschreitet, wird die Nachricht daher in Echtzeit dorthin übertragen.
-
Ein in einem Associate Degree integriertes Erdbebenmanagementsystem für die Katastrophenvorsorge, -vorbereitung, -reaktion und -wiederherstellung durch IoT, Sensoren und profunde Lernmodelle wurde offenbart (Sharma, 2020, International Conference on COMmunication Systems and NETworkS, S. 551-554). Das Modell stützt sich auf frühere Studien und berücksichtigt das Ergebnis der Verwüstung, das zu Hilfsmaßnahmen, Katastrophenhilfe und Notfallmanagement beiträgt. Ein Echtzeitmodell zur Realisierung einer anwendbaren Methode in Katastrophenmanagementoperationen und Rettungsplänen wurde vorgeschlagen (Sathish et al., 2017, J. Procedia Comp. Sci., Bd. (115), S. 846-852). Es gibt jedoch noch viele Herausforderungen im Zusammenhang mit IoT, wie z. B. eine angemessene Installation, Energieverbrauch und Datenerfassung.
-
Daher besteht ein Bedarf an einem System für ein effizientes Katastrophenüberwachungs- und -vorhersagesystem zur Früherkennung von Katastrophen, um die Mängel des Standes der Technik zu überwinden. Um diese Herausforderungen bei der Vorhersage von Katastrophen mithilfe von IoT zu überwinden, wird eine dreischichtige Architektur offenbart.
-
GEGENSTAND DER ERFINDUNG
-
Das Hauptziel der Erfindung besteht darin, ein System zur Wetterüberwachung und Vorbeugung von Naturkatastrophen unter Verwendung des Internets der Dinge (IoT) und des maschinellen Lernens (ML) bereitzustellen.
-
Ein weiteres Ziel der Erfindung besteht darin, ein System zur Integration einer IoT-basierten intelligenten Katastrophenüberwachungs- und - vorhersagearchitektur mit dem Zusammenfluss von Big Data und HPC bereitzustellen.
-
Noch ein weiteres Ziel der Erfindung besteht darin, Informationen unter Verwendung von IoT-Geräten zu sammeln und sie für Entscheidungsfindungsprozesse im Katastrophenmanagement verfügbar zu machen.
-
ZUSAMMENFASSUNG DER ERFINDUNG
-
Die vorliegende Erfindung offenbart ein intelligentes System zur Wetterüberwachung und Verhütung von Naturkatastrophen unter Verwendung des Internets der Dinge (IoT) und des maschinellen Lernens (ML), das aus einer miteinander verbundenen dreischichtigen IoT-Architektur mit einer industriellen Internet der Dinge (IIoT)-Schicht (IL) als Unterseite besteht Schicht, Datenanalyseschicht (DL) als Mittelschicht und Präsentationsschicht (PL) als oberste Schicht; wobei die IL umfasst: ein Gateway, das mit einem Enode von IoT-Geräten verbunden ist; wobei die DL ein Vorverarbeitungsmodul, ein Datenspeichermodul, ein Holt-Winter-Modul, ein Clustermodul und ein Dimensionsreduktionsmodul umfasst; wobei die PL eine Benutzerschnittstelle (UI) zur Anzeige umfasst; wobei das Vorverarbeitungsmodul von IL empfangene Daten verarbeitet; und wobei das Datenspeichermodul von IL empfangene Daten speichert.
-
In einem Aspekt der vorliegenden Offenbarung verwendet die IL ein Web auf der Grundlage einer hexagonalen Struktur zur geografischen Kategorisierung.
-
In einem Aspekt der vorliegenden Offenbarung führt das Cluster-Modul ein K-Mean-Clustering-Verfahren zum Daten-Clustering durch.
-
In einem Aspekt der vorliegenden Offenbarung führt das Holt-Winter-Modul das Holt-Winter-Verfahren zur Vorhersage durch.
-
In einem Aspekt der vorliegenden Offenbarung reduziert das Dimensionsreduktionsmodul Daten dimensional unter Verwendung des Singular Value Decomposition (SVD)-Verfahrens des maschinellen Lernens (ML).
-
In einem Aspekt der vorliegenden Offenbarung umfasst die Benutzerschnittstelle (UI) eine mobile Anwendung oder eine Website.
-
Figurenliste
-
Die beigefügten Zeichnungen dienen dem weiteren Verständnis der vorliegenden Offenbarung und sind Bestandteil dieser Beschreibung. Die Zeichnungen veranschaulichen beispielhafte Ausführungsformen der vorliegenden Offenbarung und dienen zusammen mit der Beschreibung dazu, die Grundsätze der vorliegenden Offenbarung zu erläutern.
- zeigt ein Blockdiagramm von Komponenten eines Systems (100) zur Wetterüberwachung und Verhütung von Naturkatastrophen unter Verwendung des Internets der Dinge (IoT) und des maschinellen Lernens (ML) gemäß einer Ausführungsform der vorliegenden Erfindung.
- veranschaulicht ein detailliertes Blockdiagramm der drei Schichten des Systems (100) zur Wetterüberwachung und Verhütung von Naturkatastrophen unter Verwendung des Internets der Dinge (IoT) und des maschinellen Lernens (ML) gemäß einer Ausführungsform der vorliegenden Erfindung.
-
DETAILLIERTE BESCHREIBUNG DER ERFINDUNG
-
Die Erfindung wird nun unter Bezugnahme auf die beigefügten Zeichnungen beschrieben, die beispielhaft und nicht einschränkend bevorzugte Ausführungsformen dieser Erfindung darstellen.
-
In einer Ausführungsform der vorliegenden Offenbarung stellt 1 ein Blockdiagramm von Komponenten eines Systems (100) zur Wetterüberwachung und Verhütung von Naturkatastrophen unter Verwendung des Internets der Dinge (IoT) und des maschinellen Lernens (ML) bereit. Das System (100) besteht aus einer dreischichtigen IoT-Architektur mit einer Industrial Internet of Things (IIoT)-Schicht (IL) (101) als unterster Schicht, einer Datenanalyseschicht (DL) (102) als Mittelschicht und einer Präsentationsschicht (PL) (103) als oberste Schicht. Jede Schicht funktioniert unabhängig und stellt eine Ausgabe an die obersten Schichten bereit. IL (101) führt die Installation von IIoT-Geräten durch und sammelt Daten von den installierten IIoT-Geräten. DL (102) analysiert gesammelte Daten, um Katastrophen an einem geografischen Ort vorherzusagen. PL (103) verteilt rechtzeitig die Informationsausgabe von DL (102) in Form von Warnungen und Benachrichtigungen.
-
In einer Ausführungsform der vorliegenden Offenbarung stellt 2 ein detailliertes Blockdiagramm der drei Schichten des Systems (100) für die Wetterüberwachung und die Verhütung von Naturkatastrophen unter Verwendung des Internets der Dinge (IoT) und des maschinellen Lernens (ML) bereit. Die IL ( 101) umfasst ein Gateway (104), das mit dem Enode (105) von IoT-Geräten ( 106) verbunden ist. Die Fähigkeiten von IL sind die Auswahl von Katastrophenfaktoren, die geografische Kategorisierung in hexagonalen Strukturen, die soziale Zusammenarbeit von IIoT-Geräten und die Energieeinsparung von IIoT-Geräten.
-
Die IL (101) wählte Katastrophenfaktoren aus, d. h. katastrophenverursachende Faktoren und katastrophenverhindernde Faktoren. Beide Faktoren werden für eine wirksame Überwachung und Vorhersage von Katastrophen für ein geografisches Gebiet verwendet. Katastrophenverursachende Faktoren wie Niederschlag, Waldtyp, Topographie usw. ändern sich mit der Zeit und liefern den aktuellen Katastrophenzustand. Katastrophenpräventive Faktoren wie Jahreszeit, Entwässerung usw. tragen dazu bei, die Ausbreitungsrate von Katastrophen zu verhindern und ändern sich im Allgemeinen für lange Zeit nicht. Katastrophenfaktoren wurden aus installierten IIoT-Geräten gewonnen, indem Katastrophenparameter aus verschiedenen Quellen, Größen, Mengen und Varianten für Big Data gesammelt wurden. Die IIot-Geräte wurden für eine schnellere Verarbeitung und Analyse der Daten mit dem High Performance Computing (HPC)-Backend verbunden.
-
Die IL (101) verwendete eine hexagonale Struktur variabler Größe für eine effiziente Verteilung der geografischen Gebiete, damit sich die Sensordaten nicht überlappen. Es wird verwendet, um die erforderliche Anzahl von IoT-Geräten bereitzustellen und Daten für eine effiziente Wetterüberwachung und Katastrophenüberwachung zu sammeln. Der Vorteil besteht darin, dass keine Fläche übrig bleibt und jedes hexagonale Zentrum den gleichen Abstand zu einem anderen hexagonalen Zentrum hat. Die Größe des Sechsecks und die Anzahl der zu installierenden IoT wurden miteinander verbunden. Die Auswahl der IoT-Geräte wurde auf der Grundlage der Anzahl der Sechskantgeräte festgelegt, die abgedeckt werden müssen. Die geografische Kategorisierung ist ein zweidimensionales System, wobei die x-Achse die Landneigung und die y-Achse die Breite des Gebiets ist.
-
In verschiedenen Katastrophenmanagement-Szenarien wurden die Sechsecke unterschiedlich gezeichnet. Im Fall des Hochwassermanagements wurden die Sechsecke beispielsweise so auf die geografischen Gebiete aufgetragen, dass die Deklination der Fläche von der negativen x-Achse zur positiven x-Achse verläuft, da der Hochwasserpegel in niedrigerer Höhe hexagonal ist Punkt wird immer von einem Sechseck an einem höher gelegenen Punkt abgeleitet. Die Größe des Sechsecks wurde in Abhängigkeit von der Wahrscheinlichkeit von Katastrophen in einem Gebiet variabel gehalten.
-
Die IL (101) nutzte die soziale Kooperation von IIoT-Geräten zur effizienten Verbindung und Kommunikation von IIoT-Geräten untereinander. Für das Senden und Empfangen der Daten wurde ein von der Analyse sozialer Netzwerke abhängiger hierarchischer Ansatz verwendet. Wie in 2 gezeigt, umfasst IL (101) ein Gateway (104), das ein Durchgang zur Cloud ist, der mit dem Enode (105) von IoT-Geräten (106) verbunden ist, um die abgestufte Struktur an Ort und Stelle zu halten. Für die Einrichtung von IoT-Geräten (106) wurde eine Methode des Uniform Resource Name (URN) verwendet, um die Zuweisung einer IP-Adresse zu vermeiden. Jedes IIoT-Gerät wurde in eine einzigartige hexagonale Struktur eingeteilt. Um Energie zu sparen, wird außerdem ein systematisches Herunterfahren und Aktivieren des IoT-Geräts (106) gegeben. Die IL (101) des Systems (100) kategorisiert den geografischen Bereich, spart Energie und liefert die von der Cloud-Schicht zu verarbeitenden Daten sowie die von HPC zur weiteren Analyse zu verwendenden Eingabedaten.
-
In einer Ausführungsform der vorliegenden Offenbarung zeigt 2, dass die DL (102) aus einem Vorverarbeitungsmodul (107), einem Datenspeichermodul (108), einem Holt-Winter-Modul (109), einem Clustermodul (110) besteht. und ein Dimensionsreduktionsmodul (111). DL wurde zum Empfangen, Speichern und Analysieren von Daten zur Früherkennung von Katastrophen verwendet. In DL wurde die Singular Value Decomposition (SVD) verwendet, um die mehreren Werte von katastrophenverursachenden Faktoren und katastrophenverhindernden Faktoren für eine genaue Vorhersage in zwei Faktoren (x und y) umzuwandeln. Verarbeitungszeit und Datenschwankungen wurden beseitigt, indem Faktoren gefunden wurden, die die Daten wiederholt repräsentierten. SVD wurde im Dimensionsreduktionsmodul (111) verwendet. SVD zur Dimensionsreduktion wurde durchgeführt, um die Unterstruktur der Originaldaten in abnehmender Variationsreihenfolge herauszubringen. SVD ist ein mathematischer Satz, der erklärt, dass eine Matrix in das Produkt von drei Matrizen zerlegt werden kann, der linken Singularmatrix, der Diagonalmatrix und der rechten Singularmatrix.
-
Nachdem die Daten erhalten und im Vorverarbeitungsmodul (107) vorverarbeitet wurden, wurden sie analysiert, um die Katastrophenintensität basierend auf den erhaltenen Daten zu definieren. Eine Katastropheneinheit gibt die Schwere der Katastrophe und die Katastropheneinstufung für ein geografisches Gebiet an. Der K-Mean-Clustering-Ansatz wurde im Cluster-Modul (110) für die Katastrophenbewertung verwendet. Das K-Mean-Clustering wurde verwendet, indem die Anzahl der Cluster und das Vordatum für maximale Effizienz definiert wurden. Der Wert von K gibt die Intensitätsstufe der Katastrophe an, d. h. 0 bedeutet keine Gefahr einer Katastrophe und K-Stufe bedeutet hohe Alarmbereitschaft für eine Katastrophe. Es definiert Sechsecke mit einer Clusternummer, die die Katastrophenstufe darstellt. Der Wert des Ausmaßes der Katastrophe und der vorherige Datensatz waren hilfreich bei der Vorhersage der Flut in Echtzeit und in einem langfristigen Szenario.
-
Das Holt-Winter-Modul (109) wurde mit der Holt-Winter-Prognosemethode verwendet, um unsystematische Schwankungen zu glätten, indem ältere Daten weniger gewichtet wurden. Diese Methode wurde verwendet, um die Niveau-, Saison- und Trendanpassungen von Katastrophen kontinuierlich zu überprüfen. Diese wurden für Katastrophenvorhersagen in die Zukunft hochgerechnet. Die Niveaus der Katastrophenwerte wurden mit dieser Methode aus der Datenbank ausgewertet. Nachdem ein neuer Datenpunkt empfangen wurde, definierte das K-Mean-Clustering sein neues Clusterzentrum und die Methode von Holt prognostizierte die Werte. Das K-Mittelwert-Clustering definiert das neue Clusterzentrum für die Postknoten unter Verwendung des Wertes des Clusterzentrums des Vorknotens und der neuen Datenpunkte.
-
In einer Ausführungsform der vorliegenden Offenbarung zeigt 2, dass die PL (103) eine Benutzerschnittstelle (UI) (112) umfasst. Die PL (103) wurde als Benutzeransicht des Systems (100) verwendet. Die nach der Verarbeitung aller Informationen erhaltenen Ergebnisse waren bei PL (103) zugänglich. Diese waren in Form von Grafiken, Tabellen, Warnungen, Meldungen oder Vorhersagen, die die aktuelle Situation einer Katastrophe lieferten. Auf diese Ergebnisse kann in einer Benutzeranwendung in Form einer Benutzerschnittstelle (UI) (112) wie einer Mobil- oder Webanwendung zugegriffen werden.
-
Das System (100) zur Wetterüberwachung und Naturkatastrophenprävention mittels Internet of Things (IoT) und Machine Learning (ML) erfasst kontinuierlich Daten mithilfe von IIoT-Geräten, verarbeitet Daten durch HPC und analysiert Daten durch Big Data Analytics. Big Data wurde von IoT-Diensten gesammelt und synthetisiert, und HPC wurde verwendet, um die Komplexität zu reduzieren und die Datenverarbeitung zu beschleunigen, um eine Konfluenz zwischen Big Data und HPC für die Bereitstellung von IIoT-Diensten zu erreichen und so die Wetter- und Katastrophenvorhersage zu verbessern. Eine frühzeitige Vorhersage und Überwachung kann zu einer besseren Vorbereitung auf Notfall-, Flucht- und Rettungsaktionen führen.
-
Bezugszeichenliste
-
- 100
- System zur Wetterüberwachung und Naturkatastrophenprävention mittels Internet of Things (IoT) und Machine Learning (ML)
- 101
- Industrial Internet of Things (IIoT) Layer (IL)
- 102
- Datenanalyseschicht (DL)
- 103
- Präsentationsebene (PL)
- 104
- Gateway
- 105
- Endo
- 106
- Geräte für das Internet der Dinge (IoT)
- 107
- Vorverarbeitungsmodul
- 108
- Datenspeichermodul
- 109
- Holt-Winter-Modul
- 110
- Cluster-Modul
- 111
- Modul zur Dimensionsreduktion
- 112
- Benutzeroberfläche (UI)
