Modelos predictivos de consumo energético en redes IoT utilizando redes neuronales avanzadas
Barra lateral del artículo
Contenido principal del artículo
Resumen
El estudio se centró en la predicción del consumo de energía en redes de sensores inalámbricos, una parte integral del Internet de las Cosas (IoT), utilizando modelos predictivos avanzados. Se utilizaron redes neuronales para entrenar modelos que estimen con precisión el uso de energía en diversos entornos. La investigación identificó y seleccionó algoritmos eficientes a partir de una extensa revisión de la literatura científica. Las redes neuronales recurrentes (RNN), las unidades de memoria a largo plazo (LSTM), y las unidades recurrentes de compuerta (GRU) fueron medidas en función de su capacidad para predecir el consumo energético, resultando en un rendimiento satisfactorio con un coeficiente de determinación (R²) superior al 92%. Los resultados demostraron que los modelos desarrollados pueden predecir eficientemente el consumo de energía, lo que permite optimizar la gestión energética y reducir los costos operativos en aplicaciones IoT. Además, la investigación subrayó la importancia de la eficiencia energética en la sostenibilidad ambiental y la prolongación de la vida útil de los dispositivos de IoT. Los hallazgos proporcionan una base sólida para futuras investigaciones y aplicaciones prácticas en la gestión energética de redes de sensores inalámbricos.
##plugins.themes.bootstrap3.displayStats.downloads##
Detalles del artículo
Sección
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-SinDerivadas 4.0.
Los autores/as conservan los derechos de autor de sus trabajos y conceden a la revista IDEAS el derecho de primera publicación. Los artículos se publican bajo la licencia Creative Commons Atribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0), que permite leer, descargar, copiar, distribuir y compartir el contenido con fines no comerciales, siempre que se reconozca la autoría y la publicación original en la revista, sin realizar modificaciones ni crear obras derivadas. La revista IDEAS no aplica cargos por envío, procesamiento ni publicación de manuscritos, y garantiza el acceso abierto a sus contenidos.
Cómo citar
Referencias
R. A. R. Ait Mouha, "Internet of things (IoT)", Journal of Data Analysis and Information Processing, vol. 9, no. 2, p. 77, 2021.
F. Mahmood, E. Perrins, and L. Liu, "Energy-efficient wireless communications: From energy modeling to performance evaluation", IEEE Transactions on Vehicular Technology, vol. 68, no. 8, pp. 7643–7654, Aug. 2019.
G. Fortino and P. Trunfio, Internet of Things Based on Smart Objects, ser. Internet of Things. Cham: Springer International Publishing, 2014.
R. Jurdak, P. Baldi, and C. Videira Lopes, "Adaptive low power listening for wireless sensor networks", IEEE Transactions on Mobile Computing, vol. 6, no. 8, pp. 988–1004, Aug. 2007.
J. Gubbi, R. Buyya, S. Marusic, and M. Palaniswami, "Internet of things (IoT): A vision, architectural elements, and future directions", Future Generation Computer Systems, vol. 29, no. 7, pp. 1645–1660, Sep. 2013.
L. Zhang et al., "A review of machine learning in building load prediction", Applied Energy, vol. 285, p. 116452, 2021.
C. K. Metallidou, K. E. Psannis, and E. A. Egyptiadou, "Energy efficiency in smart buildings: IoT approaches", IEEE Access, vol. 8, pp. 63679–63699, 2020.
S. Hochreiter and J. Schmidhuber, "Long short-term memory", Neural Computation, vol. 9, no. 8, pp. 1735–1780, Nov. 1997.
W. Li et al., "A comprehensive survey on machine learning-based big data analytics for IoT-enabled smart healthcare system", Mobile Networks and Applications, vol. 26, no. 1, pp. 234–252, 2021.
K. Cho et al., "Learning phrase representations using RNN encoder-decoder for statistical machine translation", Sep. 2014, arXiv preprint arXiv:1406.1078. [Online]. Available: http://arxiv.org/abs/1406.1078
T. Rault, A. Bouabdallah, and Y. Challal, "Energy efficiency in wireless sensor networks: A top-down survey", Computer Networks, vol. 67, pp. 104–122, Jul. 2014.
M. R. Palattella et al., "Internet of things in the 5G era: Enablers, architecture, and business models", IEEE Journal on Selected Areas in Communications, vol. 34, no. 3, pp. 510–527, Mar. 2016.
X. Cao, L. Liu, Y. Cheng, and X. Shen, "Towards energy-efficient wireless networking in the big data era: A survey", IEEE Communications Surveys & Tutorials, vol. 20, no. 1, pp. 303–332, 2018.
S. Makridakis, E. Spiliotis, and V. Assimakopoulos, "Statistical and machine learning forecasting methods: Concerns and ways forward", PLOS ONE, vol. 13, no. 3, p. e0194889, Mar. 2018.
S. Makridakis, E. Spiliotis, and V. Assimakopoulos, "Statistical and machine learning forecasting methods: Concerns and ways forward", PLOS ONE, vol. 13, no. 3, p. e0194889, Mar. 2018.
Y. Dai, Q. Zhou, M. Leng, X. Yang, and Y. Wang, "Improving the Bi-LSTM model with XGBoost and attention mechanism: A combined approach for short-term power load prediction", Applied Soft Computing, vol. 130, p. 109632, Nov. 2022.
X. Yu, X. Wu, C. Luo, and P. Ren, "Deep learning in remote sensing scene classification: a data augmentation enhanced convolutional neural network framework", GIScience & Remote Sensing, vol. 54, no. 5, pp. 741–758, Sep. 2017.
F. M. Bianchi, L. Livi, and C. Alippi, "Investigating echo-state networks dynamics by means of recurrence analysis", IEEE Transactions on Neural Networks and Learning Systems, vol. 29, no. 2, pp. 427–439, Feb. 2018.
J. L. Elman, "Finding structure in time", Psycholinguistics: Critical Concepts in Psychology, vol. 4, p. 343, 2002.
I. Ullah et al., "Revolutionizing e-commerce with consumer-driven energy-efficient WSNs: A multi-characteristics approach", IEEE Transactions on Consumer Electronics, vol. 70, no. 4, pp. 6871–6882, Nov. 2024.
Z. Cao, X. Han, W. Lyons, and F. O'Rourke, "Energy management optimisation using a combined long short-term memory recurrent neural network-particle swarm optimisation model", Journal of Cleaner Production, vol. 326, p. 129246, Dec. 2021.
R. Khan, S. U. Khan, R. Zaheer, and S. Khan, "Future internet: The internet of things architecture, possible applications and key challenges", in 2012 10th International Conference on Frontiers of Information Technology, IEEE, Dec. 2012, pp. 257–260.
P. P. Jayaraman, J. B. Gomes, H.-L. Nguyen, Z. S. Abdallah, S. Krishnaswamy, and A. Zaslavsky, "Scalable energy-efficient distributed data analytics for crowdsensing applications in mobile environments", IEEE Transactions on Computational Social Systems, vol. 2, no. 3, pp. 109–123, Sep. 2015.
M. Ikram et al., "Flexible temperature and humidity sensors of plants for precision agriculture: Current challenges and future roadmap", Computers and Electronics in Agriculture, vol. 226, p. 109449, Nov. 2024.