Machine Learning based Improved Gaussian Mixture Model for IoT Real-Time: Data Analysis

• Sivadi , Sivadi ; Moorthy, Moorthy ; Solanki, Vijender ^[1]
  1. [1] CMR Institute of Technology, Hyderabad
• Localización: Ingeniería Solidaria, ISSN-e 2357-6014, Vol. 16, Nº. 1, 2020
• Idioma: inglés
• Títulos paralelos:
  • Aprendizaje automático basado en mezcla Gaussiana mejorada Modelo para IoT en tiempo real: Análisis de los datos
• Enlaces
  • Texto completo
• Resumen
  • español

    Introducción: 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.

    Originalidad: la aplicación de la plataforma GMM y ThingSpeak Cloud para realizar análisis de datos en tiempo real de IoT es el primer enfoque para encontrar patrones de densidad de tráfico en carreteras transitadas.

    Limitación: existe la necesidad de desarrollar la aplicación para que los usuarios móviles encuentren las rutas de tráfico óptimas basadas en patrones de densidad. Los autores no pudieron desarrollar el aspecto de seguridad para encontrar patrones de densidad.

  • English

    Introduction: The article is the product of the research “Due to the increase in popularity of Internet of Things (IoT), a huge amount of sensor data is being generated from various smart city applications”, developed at Pondicherry University in the year 2019.

    Problem:To acquire and analyze the huge amount of sensor-generated data effectively is a significant problem when processing the data.

    Objective:  To propose a novel framework for IoT sensor data analysis using machine learning based improved Gaussian Mixture Model (GMM) by acquired real-time data.  Methodology:In this paper, the clustering based GMM models are used to find the density patterns on a daily or weekly basis for user requirements. The ThingSpeak cloud platform used for performing analysis and visualizations.

    Results:An analysis has been performed on the proposed mechanism implemented on real-time traffic data with Accuracy, Precision, Recall, and F-Score as measures.

    Conclusions:The results indicate that the proposed mechanism is efficient when compared with the state-of-the-art schemes.

    Originality:Applying GMM and ThingSpeak Cloud platform to perform analysis on IoT real-time data is the first approach to find traffic density patterns on busy roads.

    Restrictions:There is a need to develop the application for mobile users to find the optimal traffic routes based on density patterns. The authors could not concentrate on the security aspect for finding density patterns.