Resumen

El artículo es producto de la investigación “Debido al aumento en la popularidad de Internet de las cosas (IoT), se está generando una gran cantidad de datos de sensores a partir de varias aplicaciones de ciudades inteligentes “, desarrollado en la Universidad de Pondicherry en el año 2019.Problema: adquirir y analizar datos generados por sensores de manera efectiva pues es un problema importante al procesar los datos. Objetivo: proponer un marco novedoso para el análisis de datos del sensor IoT utilizando el aprendizaje automático basado en mejoras desde el Modelo de mezcla gaussiana (GMM) por datos adquiridos en tiempo real. Metodología: en este documento, los modelos GMM basados   en agrupamiento se utilizan para encontrar los patrones  de  densidad  en  un  día  o  semanalmente  para  los  requisitos  del  usuario.  La  plataforma  en  la  nube  ThingSpeak utilizada para realizar análisis y visualizaciones. Resultados: se realizó un análisis sobre el mecanismo propuesto implementado en datos de tráfico en tiempo real con precisión, recuperación y F-Score como medidas. Conclusiones: los resultados indican que el mecanismo propuesto es eficiente en comparación con el estado de esquemas de arte.

1. INTRODUCCIÓN

En los últimos tiempos, alrededor de 40.000 millones de dispositivos sensores del Internet de las Cosas (IoT) están conectados a Internet. Para 2025, se prevé que la cifra aumente entre 80.000 y 120.000 millones de dispositivos conectados a Internet, lo que generará 180 billones de gigabytes de nuevos datos de sensores ese año.    En esta era digital del IoT y los sistemas ciberfísicos (CPS), se ha generado una cantidad masiva de datos de sensores. Para llevar a cabo el análisis de datos y la integración de datos de sensores IoT, los algoritmos de análisis de datos desempeñan un papel fundamental.  Procesar y analizar los datos de los sensores es una tarea difícil.  En el pasado, se propusieron e implementaron muchos algoritmos tradicionales para el análisis de datos IoT. Los algoritmos tradicionales de análisis de datos sólo trataban datos estáticos y esféricos. Sin embargo, tratar con grandes volúmenes y variedad de datos dinámicos procedentes de dispositivos sensores IoT es un problema difícil. En este trabajo, utilizamos el aprendizaje automático basado en GMM mejorado con valores de parámetros de ROI para estimar la densidad de tráfico en carreteras con mucho tráfico mientras se considera una aplicación de gestión de tráfico inteligente.

En los últimos años, el crecimiento de la población urbana está aumentando enormemente. Se espera que la población urbana mundial crezca un 1,86% al año entre 2015 y 2020.  Entre 2020 y 2025, este incremento será del 1,63% y de 2025 a 2030 podría volver a aumentar aproximadamente un 1,44%, según la Organización Mundial de la Salud (OMS).

• Materias:Internet de las cosas Análisis de datos Aprendizaje automático Tecnología de sensores
• Subjects:Internet of things data analysis Machine learning Sensor technology
• Palabras claves:IoT (Internet de las cosas); Análisis de datos; Aprendizaje automático; GMM (Modelo de Mezcla Gaussiana); ThingSpeak
• Keywords:IoT (Internet of Things); Data analysis; Machine learning; GMM (Gaussian Mixture Model); ThingSpeak