Rede neural ARTMAP fuzzy implementada em hardware aplicada na previsão da qualidade do ar em ambiente interno

Abstract

Tecnologias elaboradas na Internet das Coisas e em áreas relacionadas proporcionaram vários avanços no desenvolvimento de sensores e de interfaces computacionais miniaturizadas, que são empregadas em serviços de monitoramento e auxiliam diversos cenários da sociedade moderna. Com o uso de algoritmos de aprendizado de máquina para processar informações amostradas por sensores, a atuação automática dos sistemas computacionais em resposta aos comportamentos existentes beneficiou vários processos, trazendo otimização, segurança e bem-estar aos cidadãos assistidos. Nesse contexto insere-se esta pesquisa, cujo objetivo foi a implementação de um sistema embarcado com treinamento on-line, possibilitando uma aprendizagem contínua para realizar previsões em tempo real. A aplicação alvo foi o monitoramento e a previsão de séries temporais com dados da qualidade de ar em ambiente interno utilizando-se a rede neural ARTMAP fuzzy, que emprega conceitos da Teoria da Ressonância Adaptativa. Sensores de baixo custo amostraram os seguintes componentes em um ambiente doméstico utilizado como quarto e escritório: índice da qualidade de ar interno calculado automaticamente por uma biblioteca da Bosch, temperatura, umidade, dióxido de carbono, compostos orgânicos voláteis e material particulado. A melhor acurácia das previsões univariadas foi a da temperatura, com porcentagem de erro médio absoluto igual a 2,8 na previsão 1 hora à frente, e de 6,4 nas previsões 24 horas à frente. Para obter previsões do índice da qualidade do ar com maior acurácia, foram verificadas algumas combinações multivariadas como entradas da ARTMAP fuzzy, sendo o melhor resultado da previsão 1 hora à frente obtido com a temperatura e umidade, com 31,3 de porcentagem de erro médio absoluto, que foi 15,2% menor em comparação à previsão univariada desse índice. Com o intuito de aprimorar o tempo de resposta da rede neural ARTMAP fuzzy, foi projetada uma arquitetura de hardware em uma FPGA (field-programmable gate array). Foi proposto um novo gerenciamento da manutenção das categorias da rede neural ARTMAP fuzzy, que economizou 70% do uso de memória do estudo de caso em hardware. Considerando ambos os tempos de treinamento e predição, a FPGA foi em média 84 e 683 vezes mais rápida que um laptop com um processador Intel Core-i5 8250U e um Raspberry Pi 3, respectivamente, que processaram o algoritmo da ARTMAP fuzzy implementado em Python.

Internet of Things and related technological areas have provided several advances in the development of sensors and miniaturized computer interfaces, which are employed in monitoring services and help various scenarios of modern society. With the use of machine learning algorithms to process sensor data, the automatic computer systems feedback in response to existing behaviors benefited several processes, bringing optimization, safety, and well-being to assisted citizens. However, the association of machine learning algorithms with dense data volumes requires high computational processing rates. In this context, this research is included, whose objective was the implementation of an embedded system with online training, enabling continuous learning to perform real-time predictions. The target application was the monitoring and prediction of indoor air quality time series data using the fuzzy ARTMAP neural network, which employs concepts of Adaptive Resonance Theory. Low-cost sensors sampled the following components in a domestic indoor environment used as a bedroom and office: indoor air quality index automatically calculated by a Bosch library, temperature, humidity, carbon dioxide, volatile organic compounds, and particulate matter. The best univariate prediction accuracy was the temperature, with a mean absolute percentage error equal to 2.8 for 1 hour ahead prediction, and 6.4 for 24 hours ahead predictions. To obtain more accurate air quality index prediction, some multivariate combinations were verified as fuzzy ARTMAP input, being the best 1 hour ahead prediction result obtained by temperature and humidity with a mean absolute error percentage of 31.3, which was 15.2% lower compared to the univariate prediction of this index. To improve the fuzzy ARTMAP neural network, a hardware field-programmable gate array (FPGA) architecture was designed. A new proposed ARTMAP fuzzy neural network clusters management saved 70% memory usage of the hardware study case. Considering both training and prediction operations, the FPGA was on average 84 and 683 times faster than a laptop with an Intel Core-i5 8250U processor and a Raspberry Pi 3, respectively, which processed a fuzzy ARTMAP Python implementation.