Vì mỗi nơi sẻ có mỗi đặt trưng khác nhau về đặt tính vật liệu cháy, mật độ rừng tuổi rừng, …. Nếu áp dụng cách tính toán thông thường thì sẻ khó có thể áp dụng chung 1 công thức cho nhiều nơi, dẫn đến việc kết quả dự đoán chưa chuẩn sác cho nhiều nơi. Để khắc phục vấn đề trên nhóm chúng tôi quyết định sử dụng công nghệ machine leaning để tính toán đưa ra kết quả dự đoán dựa trên bộ dữ liệu có sẳn của từng khu vực thông qua hệ thống cảm biến lắp đặt cho từng nơi.
Nền tảng chúng tôi sử dụng để xây dựng các thuật toán trên các mô hình là sử dụng thư viện TensorFlow. TensorFlow là một phần mềm nguồn mở được Google phát triển để thực hiện học máy, được nhiều nhà nghiên cứu và các công ty lớn sử dụng rộng rãi. TensorFlow cung cấp một thư viện cho các lập trình viên để trình diễn các thuật toán học máy và một ứng dụng để thực hiện các thuật toán này. Một phép tính được biểu thị bởi TensorFlow có thể được thực hiện với rất ít hoặc không sửa đổi trong một loạt các hệ thống không đồng nhất, từ các thiết bị di động như điện thoại và máy tính bảng, cho đến các hệ thống phân tán. quy mô lớn của hàng trăm máy và đến các thiết bị điện toán khác nhau như thẻ GPU. Trong phần này, chúng tôi sẽ giải thích quá trình phát triển IRPS, việc thực hiện các thuật toán.
Hình 3-12 Mô hình hoạt động
Dữ liệu thô được thu thập từ các cảm biến khác nhau sau đó truyền đến một gateway gần nhất, tại đây dữ liệu được tổng hợp và gửi về cloud.
25
Khi áp dụng logarit trên tập dữ liệu chúng tôi đến tập dữ liệu kết quả có thể được được sử dụng trong đào tạo thuật toán SVM. Đây là Hỗ trợ. Máy Vector (SVM) được cấu hình với kernel tuyến tính và epsilon có giá trị 0,336. .Để giảm thiểu tỷ lệ lỗi trong mưa dữ liệu, một hàm số mũ (e ^ x-1) là được áp dụng. Hàm dự đoán sử dụng mô hình được cung cấp trên các dữ liệu thu thập trong dự đoán. Tính đúng đắn của tập dữ liệu đào tạo có thể được đánh giá bằng cách sử dụng trung bình.
Độ lệch tuyệt đối (MAD) và lỗi bình phương gốc (RMSE). Cuối cùng, thuật toán được cung cấp với cảm biến dữ liệu thu được từ mỗi nút. Kết quả thu được có thể được sử dụng trong dự đoán của các khu vực dễ bị tổn thương cháy rừng.
26
Máy chủ phân tích và xử lý yêu cầu, và sau đó xây dựng theo mô hình có sẵn và dự đoán kết quả. Các phần khác nhau của hệ thống được thực hiện với các công nghệ khác nhau. Express.JS, được sử dụng để mak hệ thống API Restful API này và thư viện TensorF lowJS (Tf.js). Tf.js nhanh hơn đối với các mô hình nhỏ, nhưng khi mô hình trở nên đào tạo lớn trở nên chậm hơn 101515x[3] .
Trong vấn đề cấu hình lại các ứng dụng IoT thường liên quan đến nhiều dữ liệu chuỗi thời gian cảm biến. Giá trị của các tính năng này thường không phức tạp, vì vậy chúng tôi sử dụng nền tảng chủ yếu là TensorFlow.JS thay vì nền tảng python. Chúng tôi đã triển khai IRPS trên máy chủ với phần cứng sau: Intel Xeon E3-1225 v5 @ 3.30GHz (4 CPU) ~ 3.3GHZ, RAM 32 GB.
Trong phần này, hệ thống có ba bước: bước 1. tải lên Bộ dữ liệu;
bước 2. chọn các tính năng đầu vào và các tính năng đầu ra được nhận ra từ bộ dữ liệu;
Bước 3: chọn thuật toán trong số 04 thuật toán được đề cập trong phần 3.1 để đào tạo.
Khi mô hình đã được đào tạo, người dùng có thể tải xuống mô hình để sử dụng để dự đoán và xem kết quả như chức năng chính xác và mất. Hệ thống này dựa trên khung thấp TensorFlow với các thư viện liên quan để truy cập dữ liệu trực tuyến. Mô hình hoạt động của hệ thống như hình .