这项工作提出了一种用于参与感测的无线传感器网络的提议，其中IOT传感装置特别用于监测和预测空气质量，作为高成本气象站的替代方案。该系统称为PMSening，旨在测量颗粒材料。通过将原型收集的数据与来自车站的数据进行比较来完成验证。比较表明，结果是关闭的，这可以为问题提供低成本解决方案。该系统仍然呈现了使用反复性神经网络的预测分析，在这种情况下，在这种情况下，预测呈现与实际数据相关的高精度。

该系统映射研究调查了使用长短期记忆网络的使用来预测关于空气质量的时间序列数据，试图了解科学文献中可用的原因，特点和方法，识别所研究的区域和可能的潜在方法剥削了以后的研究。

城市环境的可持续性是一个日益相关的问题。空气污染在环境的退化中发挥着关键作用，以及暴露于它的公民的健康。在本章中，我们提供了对模型空气污染的方法的审查，重点是机器学习方法的应用。事实上，已经证明了机器学习方法，以提高传统空气污染方法的准确性，同时限制了模型的开发成本。机器学习工具开辟了研究空气污染的新方法，例如流动动力学建模或遥感方法。

A digital twin is defined as a virtual representation of a physical asset enabled through data and simulators for real-time prediction, optimization, monitoring, controlling, and improved decision-making. Unfortunately, the term remains vague and says little about its capability. Recently, the concept of capability level has been introduced to address this issue. Based on its capability, the concept states that a digital twin can be categorized on a scale from zero to five, referred to as standalone, descriptive, diagnostic, predictive, prescriptive, and autonomous, respectively. The current work introduces the concept in the context of the built environment. It demonstrates the concept by using a modern house as a use case. The house is equipped with an array of sensors that collect timeseries data regarding the internal state of the house. Together with physics-based and data-driven models, these data are used to develop digital twins at different capability levels demonstrated in virtual reality. The work, in addition to presenting a blueprint for developing digital twins, also provided future research directions to enhance the technology.

预测住宅功率使用对于辅助智能电网来管理和保护能量以确保有效使用的必不可少。客户级别的准确能量预测将直接反映电网系统的效率，但由于许多影响因素，例如气象和占用模式，预测建筑能源使用是复杂的任务。在成瘾中，鉴于多传感器环境的出现以及能量消费者和智能电网之间的两种方式通信，在能量互联网（IOE）中，高维时间序列越来越多地出现。因此，能够计算高维时间序列的方法在智能建筑和IOE应用中具有很大的价值。模糊时间序列（FTS）模型作为数据驱动的非参数模型的易于实现和高精度。不幸的是，如果所有功能用于训练模型，现有的FTS模型可能是不可行的。我们通过将原始高维数据投入低维嵌入空间并在该低维表示中使用多变量FTS方法来提出一种用于处理高维时间序列的新方法。组合这些技术使得能够更好地表示多变量时间序列的复杂内容和更准确的预测。

近年来，物联网设备的数量越来越快，这导致了用于管理，存储，分析和从不同物联网设备的原始数据做出决定的具有挑战性的任务，尤其是对于延时敏感的应用程序。在车辆网络（VANET）环境中，由于常见的拓扑变化，车辆的动态性质使当前的开放研究发出更具挑战性，这可能导致车辆之间断开连接。为此，已经在5G基础设施上计算了云和雾化的背景下提出了许多研究工作。另一方面，有多种研究提案旨在延长车辆之间的连接时间。已经定义了车辆社交网络（VSN）以减少车辆之间的连接时间的负担。本调查纸首先提供了关于雾，云和相关范例，如5G和SDN的必要背景信息和定义。然后，它将读者介绍给车辆社交网络，不同的指标和VSN和在线社交网络之间的主要差异。最后，本调查调查了在展示不同架构的VANET背景下的相关工作，以解决雾计算中的不同问题。此外，它提供了不同方法的分类，并在雾和云的上下文中讨论所需的指标，并将其与车辆社交网络进行比较。与VSN和雾计算领域的新研究挑战和趋势一起讨论了相关相关工程的比较。

野火越来越多地影响环境，人类健康和安全。在加利福尼亚前20名野火中，2020 - 2021年的野火比上世纪的燃烧更大。加利福尼亚的2018年野火季节造成了1485亿美元的损失。在数百万受影响的人中，由于不足的警报手段，残疾人（约占世界人口的15％）受到不成比例的影响。在该项目中，基于先进的机器学习体系结构开发了多模式野火预测和个性化预警系统。从2012年到2018年的环境保护局和历史野火数据的传感器数据已编译，以建立一个全面的野火数据库，即同类最大的数据库。接下来，设计了一种新型的U-Convolutional-LSTM（长短期记忆）神经网络，设计了一种特殊的体系结构，可从连续的环境参数中提取关键的空间和时间特征，以指示即将来临的野火。环境和气象因素被纳入数据库，并分类为主要指标和落后指标，分别与野火构想和传播的风险相关。此外，地质数据还用于提供更好的野火风险评估。这种新颖的时空神经网络使用传统的卷积神经网络实现了> 97％的精度，而左右的卷积神经网络则达到了约76％，成功地预测了2018年2018年最具破坏性的野火，提前5-14天提前5-14天。最后，提出了一种个性化的预警系统，该警告系统针对有感觉障碍或呼吸系统加剧条件的人量身定制。该技术将使消防部门在袭击之前预测和防止野火，并为处于危险中的个人提供早期警告以更好地准备，从而挽救生命并减少经济损失。

传统的渔业有几个困难：水污染，温度不稳，营养，面积，费用等在鱼类养殖中，生物环保技术转变为一种复杂的基础设施，使剩余食物能够进入细菌生物量。我们研究的目的是提出一个智能的物联网生物环保系统，提高了效率和生产。本文介绍了一个系统，该系统从传感器中收集数据，存储云中的数据，使用诸如决策回归树模型的机器学习模型来分析它来预测水条件，并通过Android应用程序提供实时监控。该系统在实验期间达到了79％的令人满意的精度。

医学事物互联网（IOMT）允许使用传感器收集生理数据，然后将其传输到远程服务器，这使医生和卫生专业人员可以连续，永久地分析这些数据，并在早期阶段检测疾病。但是，使用无线通信传输数据将其暴露于网络攻击中，并且该数据的敏感和私人性质可能代表了攻击者的主要兴趣。在存储和计算能力有限的设备上使用传统的安全方法无效。另一方面，使用机器学习进行入侵检测可以对IOMT系统的要求提供适应性的安全响应。在这种情况下，对基于机器学习（ML）的入侵检测系统如何解决IOMT系统中的安全性和隐私问题的全面调查。为此，提供了IOMT的通用三层体系结构以及IOMT系统的安全要求。然后，出现了可能影响IOMT安全性的各种威胁，并确定基于ML的每个解决方案中使用的优势，缺点，方法和数据集。最后，讨论了在IOMT的每一层中应用ML的一些挑战和局限性，这些挑战和局限性可以用作未来的研究方向。

使用机器学习技术校准低成本传感器是现在广泛使用的方法。虽然在部署低成本传感器的空气质量监测的低成本传感器中仍有许多挑战，但低成本传感器已被证明与高精度仪器相结合。因此，大多数研究专注于使用机器学习应用不同的校准技术。然而，这些模型的成功应用取决于传感器获得的数据的质量，并且已经从传感器采样和数据预处理到传感器本身的校准，从传感器采集过程中支付了很少的关注。在本文中，我们展示了主要的传感器采样参数，它们对基于机器学习的传感器校准的质量的相应影响及其对能源消耗的影响，因此显示了现有的权衡。最后，实验节点上的结果显示了数据采样策略在对流层臭氧，二氧化氮和一氧化氮低成本传感器的校准中的影响。具体地，我们展示了如何最小化感测子系统的占空比的采样策略可以降低功耗，同时保持数据质量。

大气污染仍然是全球主要的公共卫生威胁之一，估计每年7万人死亡。在非洲，快速的城市化和运输基础设施不良正在加剧问题。在本文中，我们分析了非洲不同地理区域的PM2.5的时空变化。西非地区仍然受到高水平污染的影响最大，每天平均40.856 $ \ mu g/m^3 $在拉各斯，阿布贾和巴马科等某些城市。在东非，乌干达报告的污染水平最高，每日平均浓度为56.14 $ \ mu g/m^3 $和38.65 $ \ mu g/m^3 $，用于基加利。在非洲中部地区的国家/地区，每日最高的平均浓度为90.075 $ \ mu g/m^3 $，记录在N'djamena中。我们比较了三个数据驱动模型，以预测污染水平的未来趋势。神经网络的表现优于高斯过程和Arima模型。

许多科学预测问题在使用稀疏和不均匀分布的观测中处理空间和时间的复杂变化方面具有时空数据和建模相关的挑战。本文提出了一种新颖的深度学习架构，对位置依赖的时间序列数据（DEEPLatte）的深度学习预测，明确地将空间统计的理论纳入神经网络以解决这些挑战。除了特征选择模块和时空学习模块之外，Deeplatte还包含一个自相关引导的半监督学习策略，以强制执行学习的时空嵌入空间中的预测的本地自相关模式和全局自相关趋势，以与观察到的数据一致，克服了稀疏和不均匀分布式观测的限制。在培训过程中，监督和半监督亏损指导整个网络的更新：1）防止过度装备，2）优化特征选择，3）学习有用的时空表示，4）改善整体预测。我们在一位良好的公共卫生主题，空气质量预测中，使用公共公共卫生主题，在学习，复杂的身体环境中进行了展示Deeblatte的演示 - 洛杉矶。该实验表明，该方法提供准确的细空间尺度空气质量预测，并揭示了影响结果的关键环境因素。

搅拌是痴呆症患病率高的神经精神症状之一，可以对日常生活（ADL）的活动产生负面影响，以及个体的独立性。检测搅拌剧集可以帮助提前及时地提供痴呆症（PLWD）的人们。分析搅拌剧集还将有助于识别可修改的因素，例如环境温度和睡眠中的睡眠，导致个体搅动。这项初步研究提出了一种监督学习模型，用于分析PLWD中搅动风险，使用家庭监控数据。家庭监控数据包括来自2019年4月2021年4月至6月至6月20日至6月20日至6月至6月间PLWD的运动传感器，生理测量和厨房电器的使用。我们应用经常性的深度学习模型，以识别验证和记录的临床监测团队验证和记录的搅拌集团。我们提出了评估拟议模型的功效的实验。拟议的模型平均召回79.78％的召回，27.66％的精确度和37.64％的F1分数在采用最佳参数时得分，表明识别搅动事件的良好能力。我们还使用机器学习模型讨论使用连续监测数据分析行为模式，并探索临床适用性以及敏感性和特异性监控应用之间的选择。

围绕着美国的空气是所有生命形式的主要呼吸来源。因此，毫无疑问地强调，均衡的空气质量对所有生物，环境稳定性甚至经济均衡的呼吸健康至关重要。尽管如此，由于汽车和行业进入大气中的污染排放的持续增长，在过去几十年中，在过去几十年中逐渐逐渐劣化。尽管许多人几乎没有承认问题的深度，但是通过促进技术驱动的倡议及时检测和预测，努力将肯定的缔约方（包括世界卫生组织）的持续努力始终如一地推动了一个定性更好的全球空气稳态的界限。区域和全球范围内的空气质量。然而，现有的空气质量监测框架缺乏实时响应能力和灵活的语义分布能力。在本文中，提出了一种新颖的事情互联网，其易于实现，语义分配和由机器学习模型赋予。该建议的系统配备了通过公共空气质量传感器网络获取的加工，可视化和存储主传感器数据的虹彩仪表板，以及仪表板与机器学习模型集成，以获得时间和地理空间空气质量预测。 ESP8266 Nodemcu通过消息排队遥测传输代理作为订户并入到虹红音仪表板中，通过开发的Web和移动应用将定量空气质量数据或警报电子邮件传达给最终用户。因此，拟议的系统可以通过未禁止的，数据驱动和语义框架赋予公众在空气质量方面的公众参与。

自动化驾驶系统（广告）开辟了汽车行业的新领域，为未来的运输提供了更高的效率和舒适体验的新可能性。然而，在恶劣天气条件下的自主驾驶已经存在，使自动车辆（AVS）长时间保持自主车辆（AVS）或更高的自主权。本文评估了天气在分析和统计方式中为广告传感器带来的影响和挑战，并对恶劣天气条件进行了解决方案。彻底报道了关于对每种天气的感知增强的最先进技术。外部辅助解决方案如V2X技术，当前可用的数据集，模拟器和天气腔室的实验设施中的天气条件覆盖范围明显。通过指出各种主要天气问题，自主驾驶场目前正在面临，近年来审查硬件和计算机科学解决方案，这项调查概述了在不利的天气驾驶条件方面的障碍和方向的障碍和方向。

最近实现了更准确的短期预测的数据驱动的空气质量预测。尽管取得了成功，但大多数目前的数据驱动解决方案都缺乏适当的模型不确定性的量化，以传达信任预测的程度。最近，在概率深度学习中已经制定了几种估计不确定性的实用工具。但是，在空气质量预测领域的域中没有经验应用和广泛的比较这些工具。因此，这项工作在空气质量预测的真实环境中应用了最先进的不确定性量化。通过广泛的实验，我们描述了培训概率模型，并根据经验性能，信心可靠性，置信度估计和实际适用性评估其预测性不确定性。我们还使用空气质量数据中固有的“自由”对抗培训和利用时间和空间相关性提出改善这些模型。我们的实验表明，所提出的模型比以前的工作更好地在量化数据驱动空气质量预测中的不确定性方面表现出。总体而言，贝叶斯神经网络提供了更可靠的不确定性估计，但可能挑战实施和规模。其他可扩展方法，如深合奏，蒙特卡罗（MC）辍学和随机重量平均-Gaussian（SWAG）可以执行良好，如果正确应用，但具有不同的权衡和性能度量的轻微变化。最后，我们的结果表明了不确定性估计的实际影响，并证明了，实际上，概率模型更适合提出知情决策。代码和数据集可用于\ url {https:/github.com/abdulmajid-murad/deep_probabilistic_forecast}

城市地区不仅是造成气候变化的最大贡献者之一，而且它们是人口众多的最脆弱的地区之一，他们将共同经历负面影响。在本文中，我们解决了卫星遥感成像和人工智能（AI）带来的一些机会，以自动衡量城市的气候适应。我们提出了一个结合AI和仿真的框架，该框架可能对从遥感图像中提取指标有用，并可能有助于对这些气候适应相关指标的未来状态进行预测性估计。当这样的模型变得更加强大并在现实生活中使用时，它们可能会帮助决策者和早期响应者选择最佳行动来维持社会，自然资源和生物多样性的福祉。我们强调了这是许多科学家的开放式和正在进行的研究领域，因此我们对数据驱动方法的挑战和局限性以及一般的预测估计模型提供了深入的讨论。

智能制造系统以越来越多的速度部署，因为它们能够解释各种各样的感知信息并根据系统观察收集的知识采取行动。在许多情况下，智能制造系统的主要目标是快速检测（或预期）失败以降低运营成本并消除停机时间。这通常归结为检测从系统中获取的传感器日期内的异常。智能制造应用域构成了某些显着的技术挑战。特别是，通常有多种具有不同功能和成本的传感器。传感器数据特性随环境或机器的操作点而变化，例如电动机的RPM。因此，必须在工作点附近校准异常检测过程。在本文中，我们分析了从制造测试台部署的传感器中的四个数据集。我们评估了几种基于传统和ML的预测模型的性能，以预测传感器数据的时间序列。然后，考虑到一种传感器的稀疏数据，我们从高数据速率传感器中执行传输学习来执行缺陷类型分类。综上所述，我们表明可以实现预测性故障分类，从而为预测维护铺平了道路。

检测，预测和减轻交通拥堵是针对改善运输网络的服务水平的目标。随着对更高分辨率的更大数据集的访问，深度学习对这种任务的相关性正在增加。近年来几篇综合调查论文总结了运输领域的深度学习应用。然而，运输网络的系统动态在非拥挤状态和拥塞状态之间变化大大变化 - 从而需要清楚地了解对拥堵预测特异性特异性的挑战。在这项调查中，我们在与检测，预测和缓解拥堵相关的任务中，介绍了深度学习应用的当前状态。重复和非经常性充血是单独讨论的。我们的调查导致我们揭示了当前研究状态的固有挑战和差距。最后，我们向未来的研究方向提出了一些建议，因为所确定的挑战的答案。

Data Centers are huge power consumers, both because of the energy required for computation and the cooling needed to keep servers below thermal redlining. The most common technique to minimize cooling costs is increasing data room temperature. However, to avoid reliability issues, and to enhance energy efficiency, there is a need to predict the temperature attained by servers under variable cooling setups. Due to the complex thermal dynamics of data rooms, accurate runtime data center temperature prediction has remained as an important challenge. By using Gramatical Evolution techniques, this paper presents a methodology for the generation of temperature models for data centers and the runtime prediction of CPU and inlet temperature under variable cooling setups. As opposed to time costly Computational Fluid Dynamics techniques, our models do not need specific knowledge about the problem, can be used in arbitrary data centers, re-trained if conditions change and have negligible overhead during runtime prediction. Our models have been trained and tested by using traces from real Data Center scenarios. Our results show how we can fully predict the temperature of the servers in a data rooms, with prediction errors below 2 C and 0.5 C in CPU and server inlet temperature respectively.