Tận dụng Deep Learning và phân tích dữ liệu lớn IoT để hỗ trợ phát triển thành phố thông minh: Đánh giá và định hướng trong tương lai bài tập lớn mạng máy tính đại học bách khoa Hà Nội

TRƯỜNG ĐẠI HỌC BÁCH KHOA HÀ NỘI VIỆN ĐIỆN TỬ VIỄN THÔNG BÁO CÁO BÀI TẬP LỚN MÔN MẠNG MÁY TÍNH Đề tài Tận dụng Deep Learning và phân tích dữ liệu lớn IoT để hỗ trợ phát triển thành phố thông minh Đánh.

TRƯỜNG ĐẠI HỌC BÁCH KHOA HÀ NỘI

VIỆN ĐIỆN TỬ VIỄN THÔNG

BÁO CÁO BÀI TẬP LỚN MÔN MẠNG MÁY TÍNH

Đề tài: Tận dụng Deep Learning và phân tích dữ liệu lớn IoT để hỗ trợ phát triển

thành phố thông minh: Đánh giá và định hướng trong tương lai

Tóm Tắt

Sự gia tăng nhanh chóng của dân số đô thị trên toàn thế giới đặt ra những thách thức mới đối với cuộc sống hàng ngày của người dân, bao gồm ô nhiễm môi trường, an ninh công cộng, tắc đường, v.v Các công nghệ mới đã được phát triển để quản lý sự tăng trưởng nhanh chóng này bằng cách phát triển các thành phố thông minh hơn Tích hợp Internet of Things (IoT) trong cuộc sống của công dân cho phép đổi mới các dịch vụ và ứng dụng thông minh mới phục vụ các lĩnh vực xung quanh thành phố, bao gồm chăm sóc sức khỏe, giám sát, nông nghiệp, v.v Các thiết bị và cảm biến IoT tạo ra lượng lớn dữ liệu có thể được phân tích để có được thông tin và hiểu biết có giá trị giúp nâng cao chất lượng cuộc sống của công dân Deep Learning (DL), một lĩnh vực mới của Trí tuệ nhân tạo (AI), gần đây đã chứng minh tiềm năng tăng hiệu quả và hiệu suất của phân tích dữ liệu lớn IoT Trong cuộc khảo sát này, chúng tôi cung cấp đánh giá các tài liệu liên quan đến việc sử dụng IoT và DL để phát triển các thành phố thông minh Chúng tôi bắt đầu bằng cách xác định IoT và liệt kê các đặc điểm của dữ liệu lớn do IoT tạo ra Sau đó, chúng tôi trình bày các cơ sở hạ tầng điện toán khác nhau được sử dụng cho phân tích dữ liệu lớn IoT, bao gồm đám mây, sương mù và điện toán biên Sau đó, chúng tôi khảo sát các mô hình DL phổ biến và xem xét nghiên cứu gần đây sử dụng cả IoT và DL để phát triển các ứng dụng và dịch vụ thông minh cho các thành phố thông minh Cuối cùng, chúng tôi phác thảo những thách thức hiện tại và các vấn đề phải đối mặt trong quá trình phát triển các dịch vụ thành phố thông minh

Contents

I Giới thiệu 1

2 Các công việc liên quan và những đóng góp chính của cuộc khảo sát hiện tại 5

3 Nền tảng và các khái niệm cơ bản 9

3.1 Internet of Things 9

3.1.1 Kiến trúc IoT 9

3.1.2 Đặc điểm dữ liệu lớn IoT 10

3.2 Cơ sở hạ tầng tính toán cho phân tích dữ liệu lớn IoT 11

3.2.1 Điện toán đám mây 12

3.2.2 Điện toán sương mù 13

3.2.3 edge computing 14

3.3 Học kĩ càng 14

3.3.1 Phân loại mô hình học sâu 15

3.3.2 Công cụ học sâu 20

3.3.3 Deep learning datasets (Bộ dữ liệu học sâu) 25

4 Sử dụng học sâu trong các ứng dụng thành phố thông minh: Nhận xét văn học Việc sử dụng các kỹ thuật DL để phân tích dữ liệu IoT đã có những tác động đáng kể đến một số khu vực thành phố Công nghệ này nâng cao chất lượng cuộc sống của cư dân thành phố, giúp đạt được tầm nhìn thành phố thông minh và thể hiện hiệu suất tuyệt vời về cơ bản khi làm việc với dữ liệu lớn 26

4.1 Nhà thông minh: Quản lý năng lượng 28

4.2 Chăm sóc sức khỏe thông minh 30

4.2.1 Chăm sóc người cao tuổi 30

4.2.2 Dự đoán dịch bệnh 31

4.2.3 Đánh giá chế độ ăn uống 32

4.3 Giao thông thông minh 32

4.3.1 Giao thông thông minh 33

4.3.2 Đỗ xe thông minh 33

4.4 Giám sát thông minh 35

4.4.1 Phát hiện đám cháy 35

4.4.2 Dự đoán tai nạn 35

4.5 Nông nghiệp thông minh 37

4.5.1 Phát hiện cây bệnh 37

4.5.2 Đếm thông minh 38

4.6 Môi trường thông minh 39

4.6.1 Chất lượng không khí 40

4.6.2 Phát hiện rác thải 41

5 Thảo luận 43

6 Sử dụng deep learning cho thành phố thông minh: Thách thức và các vấn đề mở cho các nghiên cứu trong tương lai 45

6.1 Thách thức 45

6.1.1 Thách thức về công nghệ 46

6.1.2 Thách thức về kinh doanh 49

6.2 Xu hướng hiện tại và tương lai 50

6.2.1 Cải thiện mô hình với transfer learning 50

6.2.2 Sự xuất hiện của microservice trong phân tích dữ liệu 51

6.2.3 Tích hợp dữ liệu di động, 5G và 6G với phân tích IoT 52

6.2.4 Blockchain cho các hệ thống IoT an toàn và phân tán 53

6.2.5 Phân tích IoT đáng kỳ vọng và có thể mở rộng 53

6.2.6 Đảm bảo chất lượng và tính toàn vẹn của dữ liệu với các yếu tố phụ thuộc không gian 54

7 Kết luận 55

I Giới thiệu

Ngày nay, hơn 50% dân số thế giới sống

ở các thành phố và theo báo cáo, tỷ lệ cư trú ở

thành thị sẽ đạt 68% trong vòng 30 năm tới [1]

Theo Liên Hợp Quốc, dân số thế giới cũng sẽ

tăng 2,5 tỷ người vào năm 2050 Sự tăng trưởng

vượt bậc này sẽ đặt ra một số thách thức đối với

các thành phố, bao gồm việc quản lý và phát

triển bền vững các khu vực đô thị cũng như khả

năng đảm bảo chất lượng cuộc sống tuyệt vời

cho người dân Vì vậy, việc phát triển các thành

phố thông minh cần được coi là một giải pháp

vừa hiệu quả vừa cấp bách để hỗ trợ một số nhu

cầu của dân số ngày càng tăng này

Mặt khác, sự phát triển nhanh chóng của

IoT và phân tích dữ liệu lớn thường được coi là

yếu tố chính trong việc triển khai các dịch vụ

của thành phố thông minh [2] IoT và phân tích

dữ liệu lớn đã thu hút được sự chú ý quan trọng

và toàn cầu, như được trình bày trong Hình 1

Sự phát triển liên tục của công nghệ đóng một

vai trò quan trọng trong sự phát triển của các hệ

thống thông minh trên các lĩnh vực khác nhau

của cuộc sống thành phố Thành phố thông minh

khai thác và hưởng lợi từ việc thu thập và xử lý

dữ liệu bằng cách sử dụng các công nghệ truyền

thông, mạng và máy tính khác nhau, từ đó dẫn

đến sự đổi mới của các dịch vụ thông minh trên

các lĩnh vực khác nhau bao gồm y tế, giao

thông, an ninh, v.v Để hỗ trợ sự phát triển của

các thành phố thông minh, hàng tỷ đô la được

giao cho các sáng kiến thành phố thông minh

Hình 2 cho thấy các dự đoán của Statista [3] về

các khoản đầu tư công nghệ sẽ có sẵn để hỗ trợ

sự phát triển của các thành phố thông minh từ

hiện tại đến năm 2023

IoT đề cập đến sự kết nối giữa hàng tỷ tệ

nạn thông minh [4] Công nghệ này cung cấp

cho các đối tượng vật lý khả năng bắt chước các

đặc điểm của con người như nhìn, nghe, suy

nghĩ và ra quyết định để giao tiếp, chia sẻ thông

tin và phối hợp hành động với nhau Những khả

năng này biến các vật thể đơn giản thành các thiết bị thông minh có thể hoạt động trong thời gian thực, điều chỉnh theo hoàn cảnh và hoạt động mà không cần sự can thiệp hoặc giám sát của con người Các cảm biến và thiết bị truyền động thông minh tương tự đã được nhúng vào các khu vực khác nhau của thành phố, điều này làm phát sinh một bộ sưu tập lượng dữ liệu khổng lồ [5] Dữ liệu gath-ered phải được lưu trữ, phân tích và xử lý trước khi được trình bày dưới dạng hữu ích [6]

Sự phát triển gần đây của dữ liệu IoT đã dẫn đến sự xuất hiện và phát triển của phân tích

dữ liệu thời gian thực, bao gồm Máy học (ML),

DL và cơ sở hạ tầng điện toán [7] Gần đây, phân tích dữ liệu lớn IoT đã trở thành công việc nghiên cứu rất phổ biến [8–10]

[NO_PRINTED_FORM], đặc biệt là vì các phương pháp xử lý dữ liệu theo phương pháp truyền thống đã ghi lại nhiều giới hạn khác nhau, đặc biệt là khi làm việc với lượng lớn dữ liệu Các thuật toán DL được đề xuất như một phương tiện để giải quyết các vấn đề như vậy Các thuật toán DL cho phép các nhà nghiên cứu

xử lý một lượng lớn dữ liệu thô trong thời gian thực với độ chính xác cao và hiệu quả cao [11] Một số nghiên cứu sử dụng các kỹ thuật DL đã được thực hiện trong các lĩnh vực khác nhau và kết quả thu được cho thấy tầm nhìn lớn hơn về thành phố thông minh và một số bước quan trọng trên con đường phát triển của chúng [12]

Trong cuộc khảo sát này, chúng tôi chọn thành phố thông minh là lĩnh vực ứng dụng chính của IoT, vì thành phố thông minh liên quan đến một loạt các trường hợp sử dụng IoT Sau [13,14], chúng tôi xác định sáu trường hợp

sử dụng bắt nguồn từ thành phố thông minh giả định, bao gồm: nhà thông minh, chăm sóc sức khỏe thông minh, giao thông thông minh, giám sát thông minh, nông nghiệp thông minh và môi trường thông minh Chúng tôi cũng sẽ tập trung vào việc sử dụng các mô hình DL để phát triển các ứng dụng thông minh cho các trường hợp sử dụng này, cũng như những thách thức tiềm ẩn và

Figure 1 Số lượng tìm kiếm trên Google cho các cụm từ '' Internet

of Things '' và '' phân tích dữ liệu lớn '' kể từ năm 2010, theo xu

hướng của Google

Figure 2 Đầu tư công nghệ để phát triển thành phố thông minh trên toàn thế giới [3].

Figure 3 Các trường hợp sử dụng được coi là thành phố thông minh trong cuộc khảo sát này.

các vấn đề mở khác nhau liên quan đến nó Hình

3 minh họa các trường hợp sử dụng này

Phần còn lại của bài viết này được tổ chức như

sau Trong Phần 2, chúng tôi xem xét các nghiên

cứu liên quan trước đó, so sánh giữa các nghiên

cứu này và công việc của chúng tôi, và xác định

những đóng góp chính của cuộc khảo sát của

chúng tôi Miền IoT, kỹ thuật DL và cơ sở hạ

tầng điện toán IoT được trình bày và giải thích

trong Phần 3 Các ứng dụng IoT cho thành phố

thông minh sử dụng DL được xem xét, tóm tắt

và minh họa trong Phần 4 Trong Phần 5, chúng

tôi thảo luận về việc sử dụng các kỹ thuật DL

trong IoT ứng dụng thành phố thông minh để

cung cấp hình ảnh dễ hiểu về các khái niệm

chính của các ứng dụng thành phố thông minh

IoT và DL cho các nghiên cứu trong tương lai

Trong Phần 6, các thách thức và vấn đề mở liên

quan đến sự phát triển của các thành phố thông

minh sử dụng các kỹ thuật DL được trình bày

Cuối cùng, cuộc khảo sát của chúng tôi được kết

thúc trong Phần 7 Cấu trúc chi tiết của cuộc

khảo sát hiện tại được trình bày trong Hình 4

2 Các công việc liên quan và những đóng

góp chính của cuộc khảo sát hiện tại

Phân tích dữ liệu IoT gần đây đã thu

hút sự chú ý rộng rãi trong các lĩnh vực khác

nhau, dẫn đến việc các nhà nghiên cứu tiến

hành một số cuộc khảo sát về chủ đề này

Các cuộc khảo sát này bao gồm các cuộc

điều tra về việc uti-lization của ML cũng

như những cuộc điều tra khác tập trung vào

việc sử dụng DL để phục vụ các ứng dụng

IoT Một số khảo sát có liên quan liên quan

đến phân tích dữ liệu lớn IoT và các kỹ thuật

DL được liệt kê dưới đây, tiếp theo là so

sánh giữa các khảo sát này và của chúng tôi

để phác thảo những đóng góp chính trong

công việc của chúng tôi cho nỗ lực này

Mohammadi và cộng sự [15] đã báo

cáo về các phương pháp tiếp cận DL gần

đây cho các ứng dụng IoT Các tác giả bắt

đầu cuộc khảo sát của họ bằng cách giới

thiệu các đặc điểm khác nhau của dữ liệu

lớn được tạo ra từ IoT và thảo luận về cách

rút ra phân tích từ dữ liệu này Các loại kiến

trúc DL khác nhau và các nghiên cứu khác

nhau khám phá việc sử dụng DL trong các

lĩnh vực IoT khác nhau cũng đã được khảo

sát Cuối cùng, các tác giả đã đề cập đến

việc sử dụng DL cho dữ liệu IoT trong các

ứng dụng và dịch vụ khác nhau bao gồm bản

địa hóa trong nhà, nhận dạng hình ảnh /

giọng nói, bảo mật, quyền riêng tư, v.v

Mahdavine và cộng sự [16] đã trình

bày một cuộc khảo sát thảo luận về các kỹ

thuật ML khác nhau được sử dụng để phân

tích và xử lý dữ liệu IoT trong các trường

hợp sử dụng thành phố thông minh khác

nhau Các tác giả đã xác định và cung cấp

phân loại các thuật toán ML và xem xét việc

sử dụng từng thuật toán trong việc phát triển

các ứng dụng thành phố thông minh Ngoài

ra, họ đã thảo luận về những thách thức tiềm

ẩn đối mặt với việc áp dụng các thuật toán này trong phân tích dữ liệu IoT

Zhang và cộng sự [17] đề cập đến việc sử dụng DL trong mạng di động và mạng không dây Các phương pháp tiếp cận

DL khác nhau đã được thảo luận và các ứng dụng của chúng đối với các mạng di động đã được xem xét Các tác giả cũng nhấn mạnh cách điều chỉnh DL trong mạng di động và đưa ra bảng tổng hợp về các nền tảng đa dạng được sử dụng để tạo điều kiện thuận lợi cho việc triển khai này

Trong [18], Zhang et al đã xem xét các công trình hiện có áp dụng các kỹ thuật

DL để học tính năng dữ liệu lớn Các tác giả

đã loại bỏ bốn mô hình DL điển hình: bộ mã hóa tự động xếp chồng lên nhau, mạng tín ngưỡng sâu, mạng nơ-ron tích tụ và mạng nơ-ron lặp lại Họ cũng xem xét các mô hình

DL để xử lý dữ liệu lớn và phân loại chúng thành bốn nhóm phù hợp với bốn loại dữ liệu: nhóm lượng lớn dữ liệu, nhóm dữ liệu không đồng nhất, nhóm dữ liệu thời gian thực và cuối cùng là dữ liệu chất lượng thấp nhóm

Qolomany và cộng sự [19] đã trình bày một cuộc khảo sát xem xét việc sử dụng

ML để phân tích dữ liệu lớn nhằm tăng cường sự phát triển của các tòa nhà thông minh Hơn nữa, họ đã báo cáo và phân loại các ứng dụng / hệ thống tòa nhà thông minh khác nhau đã phát triển các kỹ thuật ML sử dụng chúng, bao gồm chăm sóc người già tại nhà, tiết kiệm năng lượng, giải trí, an ninh

và các dự án khác

Chen và cộng sự [20] đã cung cấp

một cuộc khảo sát về việc sử dụng DL cho

dữ liệu thành phố thông minh Họ đã xem

xét các mô hình DL phổ biến và tổng hợp

các nghiên cứu mới nhất về các ứng dụng và

dịch vụ trong các trường hợp / kịch bản sử

dụng thành phố thông minh khác nhau, bao

gồm giao thông, chăm sóc sức khỏe, môi

cứu đề xuất được bao hàm bởi các câu hỏi

nghiên cứu sau:

(Q1) Các trường hợp sử dụng chính

của hệ sinh thái thành phố thông minh là gì?

(Q2) Phân loại của các thuật toán DL

được sử dụng nhiều nhất có thể được áp

dụng trong IoT là gì?

(Q3) Các thuật toán DL có thể được

áp dụng như thế nào cho các ứng dụng / kịch

bản / trường hợp sử dụng của thành phố

thông minh IoT?

(Q4) Những thách thức và vấn đề mở

đang đối mặt với sự phát triển của các thành

phố thông minh sử dụng các thuật toán / mô

hình DL là gì?

Tóm lại, cuộc khảo sát này cung cấp

các nội dung chính sau đây như là câu trả lời

cho các câu hỏi nghiên cứu được liệt kê

trước đây:

& Tutorials

Khảo sát toàn diện

IoT Smart home Đánh giá

các phương pháp tiếp cận DL gần đây cho các ứng dụng

và dịch vụ IoT

- Không tập trung chuyên sâu vào các dịch vụ và ứng dụng thành phố thông minh IoT

- Không giải quyết các thách thức kỹ thuật / kinh doanh khác nhau và các vấn

đề mở liên quan đến

sự phát triển của thành phố thông minh

Smart city Smart energy Smart healthcare Agriculture Education Sports Retail IoT infrastructures

Mahdavine et

al.[ 16 ] 2018

Digital Commu- nications and Networks

Khảo sát toàn diện

Smart city

Smart energy Xem xét các

kỹ thuật ML

và ứng dụng của chúng trong các trường hợp

sử dụng thành phố thông minh

- Chỉ xem xét bốn trường hợp sử dụng liên quan đến các ứng dụng thành phố thông minh: năng lượng thông minh, tính di động, công dân và quy hoạch đô thị

- Không điều tra việc

sử dụng các kỹ thuật

DL để phân tích dữ liệu thành phố thông minh IoT

- Không thảo luận về các vấn đề mở liên quan đến sự phát triển của thành phố thông minh

Smart mobility Smart citizens Urban planning

Zhang et al

[17] 2018

IEEE Communi- cations Surveys

& Tutorials

Khảo sát toàn diện

Mạng di động

- Đánh giá

các kiến trúc DL và việc sử dụng chúng trong các mạng di động

- Không điều tra việc

sử dụng DL trong các ứng dụng IoT khác nhau, đặc biệt là trong việc phát triển các thành phố thông minh

Zhang et al

[18] 2018

Thông tin kết hợp

Khảo sát toàn diện

Big data Lượng lớn dữ

liệu Đánh giá

một số công trình

áp dụng kỹ thuật DL

để học tính năng dữ liệu lớn

- Chỉ xem xét các nghiên cứu sử dụng mô hình DL để học tính năng big data

- Không điều tra cụ thể việc sử dụng DL trong các ứng dụng IoT khác nhau

- Không xem xét các ứng dụng IoT sử dụng mô hình DL cho thành phố thông minh

Dữ liệu không đồng nhất Real-time data Low-quality data

Smart building

Chăm sóc người cao tuổi tại nhà Đánh giá

việc sử dụng ML

và phân tích dữ liệu lớn để phát triển các tòa nhà thông minh

- Không xem xét việc triển khai các mô hình ML trong sương

mù / điện toán biên

- Không xem xét kỹ thuật DL

- Không tập trung vào các trường hợp

sử dụng thành phố thông minh dựa trên IoT

Hiệu suất năng lượng Thoải mái và giải trí

An toàn và bảo mật

Các dự án khác

Chen et al

[20] 2019

IEEE Transactions

on Emerging topics in computational intelligence

Khảo sát toàn diện

Smart city

Vận chuyển Đánh giá

việc sử dụng

DL cho dữ liệu thành phố thông minh, tóm tắt các mô hình DL phổ biến và khảo sát các công trình mới nhất liên quan đến các ứng dụng thành phố thông minh

áp dụng kỹ thuật DL

- Không bao gồm các trường hợp sử dụng nhà thông minh và nông nghiệp

- Không điều tra việc

sử dụng đám mây, sương mù và điện toán biên với các ứng dụng dựa trên DL

- Không bàn đến vấn

đề dữ liệu lớn IoT

Chăm sóc sức khỏe Môi trường

An toàn công cộng

Q1: Là lĩnh vực ứng dụng các công nghệ

liên quan đến IoT, chúng tôi đã chọn thành phố thông

minh Một số hệ thống IoT được hỗ trợ làm phương

tiện phục vụ các miền thành phố khác nhau Chúng

tôi phân loại các dịch vụ này thành sáu trường hợp sử

dụng chính bao gồm nhà thông minh, chăm sóc sức

khỏe thông minh, giao thông thông minh, giám sát

thông minh, nông nghiệp thông minh và môi trường

thông minh

Q2: Trong vài năm qua, các kỹ thuật ML

được sử dụng nhiều nhất là các mô hình DL Các mô

hình này đã đạt được thành công trong các ứng dụng

khác nhau, chẳng hạn như xử lý hình ảnh, giọng nói,

nhận dạng mẫu và hơn thế nữa Trong cuộc khảo sát

này, chúng tôi đề xuất xem xét các mô hình DL có

liên quan và phân loại chúng thành sáu nhóm mô

hình áp dụng chính trong lĩnh vực dữ liệu lớn IoT

Các mod-els này bao gồm: (1) mạng nơ-ron tích tụ,

(2) mạng neu-ral lặp lại, (3) mạng niềm tin sâu sắc,

(4) bộ mã hóa tự động xếp chồng lên nhau, (5) học tập củng cố sâu sắc, và (6) mạng lưới đối thủ chung

Q3: Để điều tra việc sử dụng DL, chúng tôi

đã xem xét khoảng 60 bài báo liên quan kiểm tra việc

sử dụng phân tích dữ liệu lớn IoT trong các thành phố thông minh Chúng tôi đã thảo luận về các công trình này để cung cấp hiểu biết kỹ thuật về các thuật toán

DL đang được sử dụng trong các ứng dụng thành phố thông minh IoT Cuộc thảo luận này sẽ giúp những người khác hiểu thuật toán DL nào phù hợp nhất để

xử lý dữ liệu lớn IoT được tạo ra và thu thập từ các thiết bị thông minh

Q4: Phát triển thành phố thông minh đòi hỏi phải đối mặt với nhiều thách thức về kinh doanh và

kỹ thuật Trong cuộc khảo sát này, chúng tôi xác định những thách thức chính và làm sáng tỏ các vấn đề liên quan nhất liên quan đến việc sử dụng DL trong các thành phố thông minh

3 Nền tảng và các khái niệm cơ

bản

Phần này cung cấp tổng quan

về các thuật ngữ và khái niệm cơ bản

liên quan đến công nghệ IoT, cơ sở

hạ tầng điện toán và kỹ thuật DL

3.1 Internet of Things

IoT đề cập đến sự liên kết và kết nối

giữa hàng tỷ đối tượng khác nhau

trên internet để tạo thành một môi

trường thông minh [21] Dựa trên các

giao thức truyền thông được chuẩn

hóa, các thiết bị này chia sẻ và trao

đổi thông tin trên các nền tảng không

đồng nhất Do đó, IoT nâng cao tính

tương tác và hiệu quả của các cơ sở

hạ tầng quan trọng như các cơ sở hạ

tầng được sử dụng trong giao thông,

an ninh, giáo dục, nông nghiệp và

IoT Kiến trúc này được mô tả trong Hình 5

và các cấp độ của chúng được mô tả ngắn

gọn trong các phần phụ sau

3.1.1.1 Phần cứng Cấp độ này bao

gồm các loại bỏ tệ nạn thông minh khác

nhau, bao gồm các cảm biến và thiết bị

truyền động có thể tạo và xử lý tín hiệu Bộ

cảm biến nắm bắt dữ liệu và thu thập thông

tin từ môi trường, trong khi bộ truyền động

có nhiệm vụ biến đổi tín hiệu điện thành

hành động hữu hình Bộ cảm biến thu thập

thông tin trong thời gian thực, do đó cho

phép kết nối giữa các thiết bị vật lý và mạng

kỹ thuật số Các loại sen-sors khác nhau đáp

ứng các mục đích sử dụng khác nhau tùy

Figure 4 Trình bày cấu trúc khảo sát.

Figure 5 Kiến trúc IoT.

thuộc vào mục đích của các ứng dụng IoT

Ví dụ: cảm biến có thể đeo được sử dụng để

cung cấp thông tin đáng tin cậy về hoạt động

của con người trong khi các cảm biến khác

được thiết kế để thu thập các phép đo về các

yếu tố khác nhau, có thể bao gồm nhiệt độ,

độ ẩm, áp suất, chất lượng không khí, độ

dài, thời gian, tốc độ, chuyển động và nhịp

tim, trong số những người khác [23]

3.1.1.2 Phần mềm trung gian kết nối

và giao tiếp Trong hầu hết các trường hợp,

dữ liệu thu thập từ các cảm biến được lưu

trữ trên đám mây Phần mềm trung gian kết

nối và giao tiếp chịu trách nhiệm chuyển dữ

liệu thu thập được Các loại phần mềm trung

gian này hoạt động như một phương tiện

truyền tải để truyền dữ liệu từ cấp độ phần

cứng đến các công cụ lưu trữ và phân tích

Ví dụ về phần mềm trung gian bao gồm

WIFI, RFID và Ethernet [12]

3.1.1.3 Lưu trữ và phân tích dữ liệu

lớn Dữ liệu do IoT thu thập phải được lưu

trữ và phân tích để rút ra những kiến thức có

giá trị có thể hỗ trợ việc ra quyết định [24]

Phân tích dữ liệu là quá trình chuyển đổi dữ

liệu từ các đơn vị thô thành các hành động

và thông tin chi tiết Chủ yếu có ba loại phân

tích dữ liệu khác nhau [25,26]: mô tả, dự

đoán và mô tả, như được trình bày trong

Hình 6

• Phân tích mô tả là một dạng phân

tích chung được sử dụng chủ yếu trong kinh

doanh [27] Phân tích mô tả đo lường và bối

cảnh hóa các thành tích trong quá khứ và

theo dõi mỗi thành tích hiện tại để cải thiện

việc ra quyết định Các mục tiêu chính của

phân tích mô tả là thu được các hàm kết

hợp, trích xuất các mẫu ẩn từ dữ liệu đã thu

thập và tạo ra các báo cáo có ý nghĩa Phân

tích mô tả có tác động trong quá trình hình

thành, không giúp ích cho việc dự đoán hoặc

dự báo

• Phân tích dự đoán được sử dụng

để trích xuất thông tin từ dữ liệu thô [28] Chúng dựa trên công nghệ thông minh kinh doanh cho phép trích xuất các mẫu và loại

bỏ các mối quan hệ từ một lượng lớn dữ liệu Phân tích dự đoán trước sử dụng thống

kê lịch sử và hiện tại để dự báo và dự đoán các hành vi và sự kiện

• Phân tích mô tả tiên tiến hơn so

với phân tích dự đoán hoặc phân tích theo kịch bản [29] Họ có thể định lượng ảnh hưởng của các quyết định trong tương lai và sau đó đưa ra các khuyến nghị về kết quả khả thi trước khi đưa ra quyết định [30] Do

đó, với loại phân tích này, quá trình dự đoán dựa trên một tập hợp các lựa chọn và đề xuất

có thể có

3.1.1.4 Các ứng dụng IoT Cấp độ cuối cùng của kiến trúc IoT là các ứng dụng IoT IoT có thể được sử dụng trong các ứng dụng khác nhau được tận dụng trên một số lĩnh vực, bao gồm giao thông vận tải, giám sát, chăm sóc sức khỏe, nông nghiệp, tòa nhà thông minh và quản lý năng lượng Các ứng dụng này cho phép môi trường thực hiện các hành vi và hành động thông minh, theo thời gian thực

3.1.2 Đặc điểm dữ liệu lớn IoT

Các ứng dụng IoT tạo ra một lượng lớn dữ liệu ở các định dạng khác nhau, bao gồm hình ảnh, video và âm thanh

Mohammadi và cộng sự [15] đã xác định các đặc điểm của dữ liệu lớn IoT với sáu tính năng của V như sau:

• Khối lượng: đề cập đến quy mô khổng lồ

của dữ liệu được tạo và lưu trong hàng tỷ hàng và cột Do đó, cần có các kỹ thuật mới

để xử lý dữ liệu lớn này nhằm rút ra những

kiến thức và hiểu biết hữu ích

• Tốc độ: đề cập đến việc tạo dữ liệu IoT

với tốc độ cao Trong cơ sở hạ tầng IoT,

nhiều thiết bị và cảm biến thu thập, lưu trữ

và truyền dữ liệu trên các nền tảng khác

nhau một cách tự động thông qua các giao

thức Internet

• Đa dạng: đề cập đến các định dạng và loại

IoT khác nhau Nói chung, dữ liệu IoT có

thể có các loại sau:

- Dữ liệu phi cấu trúc: dữ liệu không

theo bất kỳ định dạng nào, như tài liệu văn

bản, PDF, hình ảnh và video

- Dữ liệu chuẩn cấu trúc: dữ liệu

dạng văn bản với các định dạng dữ liệu bị

lỗi như dữ liệu luồng nhấp chuột trên Web

- Dữ liệu bán cấu trúc: dữ liệu có các

và hợp lệ của dữ liệu được phân tích Tính

năng này rất quan trọng vì nó có thể ảnh

hưởng trực tiếp đến kết quả phân tích

• Tính thay đổi: đề cập đến tốc độ thay đổi

của việc di chuyển và thu thập dữ liệu Tùy

thuộc vào thời gian, một nguồn dữ liệu có

thể nhận được lượng dữ liệu khác nhau Ví

dụ: một ứng dụng phát hiện đám đông có thể

nhận một tải dữ liệu khác nhau vào các giờ

khác nhau trong ngày

• Giá trị: thể hiện tầm quan trọng của dữ

liệu IoT thu thập được sau khi được phân

tích Đặc điểm này trả lời câu hỏi tiếp theo:

liệu dữ liệu thu thập được có cung cấp thông

tin hữu ích và hiểu biết hữu ích để nâng cao hiệu quả trong sản xuất và giành lợi thế trước đối thủ cạnh tranh không?

Sự phát triển nhanh chóng của dữ liệu lớn với IoT đã được hỗ trợ bởi việc cung cấp các nền tảng phần mềm và phần cứng mới [31,32] Các nền tảng này có thể xử lý các đặc điểm của dữ liệu lớn IoT trong một khoảng thời gian hợp lý Các nghiên cứu khác nhau đã xem xét các nền tảng có sẵn cho dữ liệu lớn về tỷ lệ mở rộng theo chiều ngang và chiều dọc [33,34] Các nền tảng

mở rộng quy mô ngang được thiết kế để cung cấp cho người dùng sức mạnh cần thiết

để cải thiện hiệu quả và hiệu suất của các chương trình của họ theo từng bước nhỏ Các nền tảng chia tỷ lệ ngang phổ biến nhất bao gồm Apache Hadoop, 2 Mahout, 3 Spark, 4 và H2O.5

Mặt khác, các nền tảng chia tỷ lệ dọc minh họa các thành phần khác nhau có thể bổ sung thêm sức mạnh hoặc các khả năng, chẳng hạn như tăng khả năng tính toán bằng cách cài đặt nhiều proces-sors hơn và bộ nhớ nhanh hơn Bộ xử lý đồ họa (GPU), Cụm máy tính hiệu suất cao (HPC) và Mảng cổng

có thể lập trình trường (FPGA) là những ví

dụ về các nền tảng chia tỷ lệ dọc phổ biến 3.2 Cơ sở hạ tầng tính toán cho phân tích dữ liệu lớn IoT

Trong những năm gần đây, phân tích

dự đoán cho dữ liệu lớn IoT đã tạo ra những cải tiến lớn về hiệu suất và độ chính xác, đặc biệt là sử dụng các kỹ thuật DL Tuy nhiên, những cải tiến này có yêu cầu tính toán và

bộ nhớ cao, mặc dù những cải tiến này có thể được giải quyết bằng cách sử dụng các nền tảng tính toán cụ thể, tiên tiến hơn Ngoài điện toán đám mây, sương mù và điện toán biên được đề xuất Fog và điện toán biên được thiết kế như các phần mở rộng

cho mạng đám mây và cả hai đều cho phép

phân tích dữ liệu được tiến hành gần nguồn

tạo dữ liệu nhất có thể Điểm khác biệt chính

giữa hai loại này là tính toán sương mù được

thực hiện trên các máy chủ của mạng cục

bộ, trong khi tính toán biên được thực hiện

trực tiếp trên các thiết bị thông minh

3.2.1 Điện toán đám mây

Điện toán đám mây mô tả công nghệ cung

cấp quyền truy cập vào dữ liệu từ bất kỳ đâu

và bất kỳ lúc nào [35] Nó bao gồm một số

máy chủ và trung tâm dữ liệu có sẵn trên

Internet cho nhiều người dùng trên khắp thế

giới Loại máy tính này có các tính năng cụ

thể bao gồm:

• Lưu trữ qua Internet: điện toán đám mây

là một công việc khung kết nối các máy chủ

với các ổ đĩa phân tán khác nhau thông qua

các mạng Giao thức điều khiển truyền /

Internet Pro-tocol (TCP / IP) Do đó, nó thực

hiện việc triển khai lưu trữ và tạo điều kiện

cho việc di chuyển dữ liệu

• Dịch vụ qua Internet: một số dịch vụ có

sẵn trên đám mây với nhiều tùy chọn, chẳng

hạn như mạng và trí tuệ nhân tạo, để hỗ trợ

người dùng từ các địa điểm khác nhau

• Ứng dụng qua Internet: các ứng dụng

đám mây được cung cấp theo tỷ lệ trên đám

mây, thực hiện các tác vụ của chúng thông

qua kết nối Internet chứ không phải các

chương trình hoạt động cục bộ trên máy tính

sau khi cài đặt

2 https://hadoop.apache.org/

3 https://mahout.apache.org/

4 https://spark.apache.org/

5 https://www.h2o.ai/

Để áp dụng các thuật toán DL trên dữ liệu IoT,

điện toán đám mây được ưu tiên [36,37] Dữ

liệu do các thiết bị IoT tạo ra được chuyển tiếp

đến cơ sở hạ tầng đám mây, nơi chúng được

lưu trữ và phân tích trong thời gian thực bằng

cách sử dụng các thuật toán DL khác nhau Mặc

dù có những cải tiến về khả năng tương tác,

tính bền vững và tính linh hoạt, việc sử dụng

điện toán đám mây để phân tích dữ liệu IoT có

một số hạn chế [38] Những hạn chế này có thể

được tóm tắt như sau:

Chi phí tính toán: một lượng lớn dữ liệu

được chuyển lên đám mây trong hai giai đoạn

của mô hình DL (đào tạo và suy luận), tiêu tốn

một lượng lớn băng thông mạng và do đó làm

tăng chi phí sử dụng tài nguyên do đám mây

cung cấp

Độ trễ: thời gian có được quyền truy cập vào

các dịch vụ đám mây thay đổi theo độ mạnh

của kết nối mạng Đôi khi, đám mây không phản

hồi trong một thời gian ngắn và đây có thể là

một vấn đề, đặc biệt là với các ứng dụng quan

trọng về thời gian như ứng dụng giao thông

thông minh

• Độ tin cậy: các dịch vụ và ứng dụng đám

mây được cung cấp

sử dụng mạng và truyền thông không dây Bất

kỳ sự cố nào với kết nối mạng đều ảnh hưởng trực tiếp đến độ tin cậy của các dịch vụ được cung cấp

Quyền riêng tư: dữ liệu do IoT thu thập bao gồm dữ liệu nhạy cảm và thông tin cá nhân, vì vậy việc lưu dữ liệu này trên đám mây sẽ tạo ra các vấn đề về quyền riêng tư vì những dữ liệu này có thể bị mất theo cách của chúng hoặc bị khai thác bởi các bên trái phép

3.2.2 Điện toán sương mù Điện toán sương mù được đề xuất như một giải pháp thay thế để tất cả các quá trình phân tích diễn ra trên đám mây [39] Điện toán sương mù

có thể được coi là bước gia tăng cho điện toán đám mây đến rìa mạng, được phát triển để hỗ trợ các ứng dụng IoT khác nhau [40,41] Hơn nữa, điện toán sương mù là công nghệ tạo các nút tính toán và phân tích dữ liệu ở gần các thiết bị đầu cuối Vaquero và cộng sự [42] đã định nghĩa điện toán sương mù là "một số lượng lớn các thiết bị phi tập trung (không dây

và đôi khi tự trị) phổ biến và phi tập trung có khả năng giao tiếp và có khả năng hợp tác giữa chúng và với mạng để thực hiện các tác vụ lưu trữ và xử lý mà không có sự can thiệp của bên thứ ba"

Các mô hình điện toán đám mây và điện toán sương mù chia sẻ các dịch vụ giống nhau như lưu trữ, triển khai và mạng Tuy nhiên, việc sử dụng điện toán sương mù chỉ khả dụng cho các khu vực địa lý cụ thể, trong khi đám mây không phụ thuộc vào một khu vực cụ thể Ngoài ra, sương mù được thiết kế chủ yếu cho các ứng dụng IoT tương tác cần phản hồi theo thời gian thực Cụ thể, điện toán sương mù kết nối các dịch vụ đám mây với biên của mạng, để thực hiện các quy trình tính toán, giao tiếp và lưu trữ gần biên thiết bị, là các thiết bị IoT Theo cách này, loại máy tính này tăng cường độ trễ thấp, băng thông mạng hạn chế và các vấn đề liên

quan đến bảo mật và quyền riêng tư Hình 7 mô

tả cách các nút sương mù kết nối các thiết bị

biên với đám mây

3.2.3 edge computing

Điện toán biên được đề xuất như một mô hình

mới được lập chiến lược để giảm thiểu và giảm

thiểu những nhược điểm của điện toán đám

mây [43] Điện toán biên mô tả công nghệ bổ

sung và mở rộng đám mây, trong đó điện toán

dữ liệu được thực hiện càng gần các thiết bị

được tạo càng tốt [44] Điện toán biên cung cấp

không gian tính toán cao, trong đó lượng lớn dữ

liệu được xử lý ở biên trước khi được chuyển

đến các máy chủ trung tâm trên đám mây

Sự gia tăng nhanh chóng của quá trình tạo dữ

liệu là một thách thức lớn đối với việc vận

chuyển dữ liệu lên đám mây Để tăng cường xử

lý các dữ liệu tích lũy này, các phân tích được

thực hiện ở rìa thay vì được gửi đến đám mây

Do đó, loại máy tính này nâng cao hiệu quả

băng thông, giảm thời gian phản hồi, giảm áp

lực mạng và giảm thiểu tiêu thụ năng lượng

Điện toán biên là một nền tảng tuyệt vời cho sự

phát triển của các thành phố thông minh [45]

Sử dụng cổng biên, tất cả các thiết bị thông

minh được kết nối với nhau, dữ liệu thu thập

DL, một kỹ thuật ML tiên tiến, cũng đã thu hút được sự quan tâm lớn như một chủ đề nghiên cứu trong những năm gần đây [48] Mô hình DL được coi là mô hình học biểu diễn, có nghĩa là chúng có thể học các tính năng và chức năng phi tuyến từ một lượng lớn dữ liệu thô, phức tạp với hiệu suất tốt hơn các phương pháp ML khác [49,50] Li và cộng sự [51] đã định nghĩa

DL là "một cách tiếp cận đầy hứa hẹn để trích xuất thông tin chính xác từ dữ liệu cảm biến thô

từ các thiết bị IoT được triển khai trong môi trường phức tạp" Hình 8 giải thích mối quan hệ giữa AI, ML và DL

Các kỹ thuật DL thường được phân loại thành học có giám sát, học không giám sát, học bán giám sát và học tăng cường, như được mô tả trong Hình 9

(a) Học tập có giám sát: đề cập đến việc học tập từ dữ liệu đào tạo được gắn nhãn để dự đoán kết quả cho dữ liệu không lường trước được [52] Hai ứng dụng phổ biến nhất của học có giám sát

là phân loại và hồi quy

(b) sử dụng thống kê mô tả để kiểm tra các

mẫu và mối quan hệ xảy ra tự nhiên

trong dữ liệu [53,54] Học không giám

sát được sử dụng để tìm ra cấu trúc ẩn,

thú vị trong dữ liệu

(c) (c) Học tập bán giám sát: đề cập đến

các trường hợp trong đó dữ liệu đào

tạo chứa một vài dữ liệu được gắn

nhãn với một lượng lớn dữ liệu không

được gắn nhãn [55]

(d) (d) Học tập củng cố: xảy ra giữa học tập

có giám sát và không giám sát [56] Học

tập củng cố mang lại cho ‘‘ tác nhân ’’

khả năng học hỏi từ môi trường của nó,

cho phép tác nhân đó hành động và cư

xử một cách thông minh Sau đó, tác

nhân người học này tương tác trực tiếp

với môi trường của nó thông qua ‘‘

hành động ’’ và nhận ‘‘ phần thưởng ’’

từ môi trường xung quanh để truyền

cảm hứng và tạo ra một chính sách

hành vi hoàn hảo Q-learning là kỹ thuật

học tăng cường phổ biến nhất [57]

(e) Các kiến trúc DL hiện có đã được Deng

phân loại

(f) [58] thành ba lớp: lớp phân biệt, lớp

gen và lớp lai Kiến trúc DL phân biệt

thực hiện học có giám sát, trong khi

kiến trúc DL chung áp dụng phương

pháp học không giám sát Các kiến trúc

DL kết hợp kết hợp giữa mô hình phân

biệt và mô hình chung Hình 10 tóm tắt

các kỹ thuật DL khác nhau, kiến trúc của

Các thuật toán DL thuộc lớp Mạng nơ ron nhân tạo với nhiều lớp ẩn [59] Do trình tự của các lớp, kỹ thuật DL được gọi là Deep Neural Network (DNN)

Trong trường hợp xử lý hình ảnh hoặc video, một số thao tác lọc là cần thiết, tạo ra một loại mô hình gọi là CNN [60] Đối với các dự đoán chuỗi thời gian, các vòng lặp được sử dụng giữa các lớp: các

mô hình này được gọi là RNN DBN là một mô hình DL khác bao gồm một số Máy Boltzmann Hạn chế (RBM) xếp chồng lên nhau [61], trong khi mô hình SAE được xây dựng với một tập hợp một số Bộ mã hóa Tự động (AE) [62] DRL tập hợp DNN và tăng cường học tập để tạo ra các tác nhân phần mềm

có khả năng học hỏi từ môi trường của

họ và sau đó sử dụng kiến thức đó để tạo ra các chính sách có thể đạt được phần thưởng lâu dài GAN là một kiến trúc DL lai kết hợp hai mạng nơ-ron: một mô hình tổng hợp và một mô hình

phân biệt Phân loại DL được đề xuất

được trình bày trong Hình 11

3.3.1.1 Mạng nơ-ron hợp hiến CNN

được xếp vào loại kiến trúc DL đáng chú

ý Mô hình này bắt đầu với một lớp đầu

vào, sau đó bao gồm một tập hợp các

lớp ẩn và cuối cùng kết thúc với một

lớp đầu ra Nó bao gồm một tập hợp

các lớp phức hợp được kết nối theo

trình tự để kết thúc bằng một lớp được

kết nối đầy đủ Các bộ lọc khác nhau

được nhúng bên trong các lớp phức

hợp để tạo ra đầu ra từ đầu vào được

phân tích Mạng này bao gồm ba lớp ẩn

thiết yếu thực hiện các hoạt động cụ

thể: các lớp này là lớp chập, lớp gộp và

lớp được kết nối đầy đủ [63], được định

nghĩa ngắn gọn như sau:

1 Lớp chuyển đổi: là lớp đầu tiên của

mô hình CNN Lớp tích chập áp dụng

một ma trận trọng số, được gọi là bộ

lọc, trên đầu vào hình ảnh và sau đó

thực hiện tích điểm giữa các giá trị của

pixel trong hình ảnh và các giá trị trong

ma trận trọng số Bản đồ tính năng là

kết quả từ tính toán bộ lọc trên hình

ảnh đầu vào

Cho một hình ảnh hai chiều có tên là x

được chia thành một đầu vào tuần tự x

= {x1, x2 xi} Phương trình (1) xác

định quy trình của một lớp tích tụ [18]:

yj = f (Kij ∗ xi + bj) (1)

Tôi

trong đó yj là đầu ra của lớp chập thứ j,

f là hàm kích hoạt, Kij trình bày hạt

nhân chập nhân với đầu vào thứ i là xi

và bj biểu thị độ lệch

2 Lớp gộp: được sử dụng để giảm ma

trận lớn của bản đồ đối tượng, được

tạo ra từ các lớp phức hợp, bằng cách

nắm bắt các phần có liên quan nhất của

chúng Điều này được thực hiện bằng

đủ Sau đó, lớp này được thu nhỏ thành các giá trị xác suất bằng cách sử dụng các hàm kích hoạt Sigmoid, tanh và ReLu là các hàm kích hoạt phổ biến nhất được sử dụng để giải quyết các vấn đề phi tuyến Các giá trị kết quả đại diện cho xác suất của một hình ảnh nhất định thuộc một lớp cụ thể Sau đó, lớp đầu ra lấy xác suất cao nhất để gán hình ảnh cho lớp đầu ra

Ba lớp này được gọi là khối chập và để

có được mô hình sâu hơn, khối này được lặp lại trong mạng

CNN là mô hình DL được sử dụng thường xuyên nhất để nhận dạng và phân loại hình ảnh Nói chung, CNN sử dụng phương pháp học có giám sát, mặc dù trong một số trường hợp, chúng được sử dụng với phương pháp học không giám sát Cụ thể hơn, CNN đạt được thành công lớn trong các ứng dụng xử lý hình ảnh, trong đó các tính năng được trích xuất từ các vị trí khác nhau trong bức ảnh Hình 12 sẽ hoàn thiện cấu trúc của mô hình CNN

3.3.1.2 Mạng nơron tuần hoàn RNN được phân loại là một kiến trúc DL không phân biệt đối xử [11,48] RNN xử

lý dữ liệu tuần tự thời gian, bao gồm giọng nói, văn bản và ngôn ngữ, đồng thời cho phép dự đoán bằng dữ liệu này RNN sử dụng các vòng lặp trong các lớp kết nối của chúng và trích xuất các tính năng từ các đầu vào được lưu trữ trước đó Các kết nối khác nhau được thực hiện giữa các nơ-ron và đầu

ra được tạo ra thông qua các kết nối lặp lại tồn tại giữa các đơn vị ẩn [64] Một

RNN bao gồm các đơn vị đầu vào {x0,

x1 xt}, các đơn vị đầu ra

{y0, y1 yt} và các đơn vị ẩn {s0, s1

st} Tại mỗi bước thời gian có tên là t,

RNN lấy mẫu xt hiện tại với biểu diễn ẩn

trước đây là st để tạo ra kết quả thông

qua hai phương trình sau (2) và (3):

st = f (Wxsxt + Wssst + bs) (2)

yt = g Wysst + bởi (3)

trong đó f đại diện cho bước bộ mã hóa

và g biểu thị chức năng đầu ra của

mạng tại thời điểm t Wxs, Wys là trọng

số và bs, bởi là thiên vị Chúng được

trao đổi giữa các vị trí thời gian khác

nhau để giảm độ phức tạp và các vấn

đề bao quát có thể gặp phải của mô

hình

RNN có được khả năng chọn độ dài phụ

thuộc tùy ý bằng cách huấn luyện mạng

bằng cách sử dụng thuật toán

Backpropagation Through Time (BTT)

[65] Tuy nhiên, việc sử dụng thuật toán

này để thu thập dữ liệu cho sự phụ

thuộc dài hạn thường không thành

công do gradient biến mất và bùng nổ

[66] Do đó, giai đoạn đào tạo trở nên

rất khó khăn đối với các nhiệm vụ trong

đó các trình tự đầu vào / đầu ra có sự

dự phòng tạm thời trong khoảng thời

đầu vào, đầu vào, đầu ra và đầu ra Các

cổng này giám sát việc truy cập vào các

ô nhớ, bảo vệ chúng khỏi bị nhiễu bởi

các đầu vào không liên quan Trên thực

tế, các cổng này cải thiện khả năng ghi nhớ của mô hình trong một khoảng thời gian dài hơn và quên bất kỳ giá trị không quan trọng nào Một lớp sigmoid

σ được đưa vào từ các cổng này, có giá trị đầu ra từ 0 đến 1, trọng số đầu vào

W, trọng số lặp lại R và trọng số thiên vị

b LSTM bắt đầu bằng cách xác định thông tin sẽ được tách ra khỏi trạng thái tế bào [68] Do đó, cổng quên hoạt động như lớp đầu tiên Nếu giá trị kết quả bằng 1, điều này có nghĩa là để giữ thông tin này, trong khi 0 chỉ ra tùy chọn để quên thông tin đó

Cổng quên được định nghĩa theo Phương trình (4):

ft = σ (Wf xt + Rf yt − 1 + bf) (4) Bước thứ hai là xác định thông tin mới nào sẽ được thêm vào trạng thái bộ nhớ ô bằng cách sử dụng cổng đầu vào Cổng này được cấu tạo bởi hai lớp: tam quan và đại tự Trong lớp sigmoid, các giá trị sẽ được cập nhật được xác định Trong khi ở lớp tanh, các giá trị ứng cử viên mới C˜t được xác định Sau đó, kết quả được thu thập, và trạng thái được cập nhật Cổng đầu vào được xác định theo phương trình (5) và (6):

it = σ (Wixt + Riyt − 1 + bi) (5) C˜t = tan h (Wc xt + Rc yt − 1 + bc) (6) Sau khi tính toán các phương trình này, trạng thái ô được cập nhật, các giá trị bị quên sẽ bị loại bỏ và thông tin mới được thêm vào theo Phương trình (7):

Ct = ft ∗ Ct − 1 + it ∗ C˜t

Bước cuối cùng được hoàn thành trên cổng đầu ra nơi các phần của trạng thái

ô sẽ chuyển đến đầu ra được xác định

Hơn nữa, cổng này gồm có hai lớp: tam

quan và đại tự Lớp sigmoid chịu trách

nhiệm xác định các phần của trạng thái

tế bào sẽ được gửi cho đầu ra Sau đó,

trạng thái tế bào được đưa qua lớp

tanh để nhận các giá trị chuẩn hóa từ 1

đến 1 Cuối cùng, các giá trị thu được

này được nhân với kết quả đầu ra của

thông tin về trạng thái ô, điều này là

không thể đối với RNN giữ và ghi đè

trạng thái của ô Trong nhiều ứng

dụng, RNN và LSTM đã phá hủy một

hiệu suất tuyệt vời Tuy nhiên, các

mô hình LSTM hoạt động tốt hơn

RNN khi xử lý dữ liệu phụ thuộc dài

Biểu diễn đồ họa của RNN và LSTM

được trình bày trong Hình 13

3.3.1.3 Mạng lưới niềm tin sâu sắc

Năm 2006, DBNs được đề xuất như

một thuật toán học tập không giám

sát theo lớp khôn ngoan [69] Do đó,

mô hình này được phân loại là một

kiến trúc DL tổng hợp DBN là một

mô hình đồ họa xử lý dữ liệu đào tạo

để trích xuất các biểu diễn phân cấp

sâu Mô hình này có khả năng học

hỏi từ biểu diễn bên trong của dữ

liệu theo cách tự động thông qua

đào tạo theo lớp và sau đó tạo ra kết

quả đầu ra trực tiếp từ dữ liệu đầu

vào [70] DBN được đào tạo theo

chiến lược hai giai đoạn bao gồm

giai đoạn đào tạo trước và giai đoạn

tinh chỉnh Mô hình này bao gồm

một lớp hiển thị với một số lớp ẩn,

hoạt động như sau:

(a) Mỗi lớp đều được huấn luyện

trước

(b) Trong mỗi lớp, dữ liệu được trích xuất từ đầu vào bằng cách sử dụng phương pháp học không giám sát (c) Toàn bộ mạng được tinh chỉnh với việc xem xét các yêu cầu đào tạo toàn cầu

Mạng này là một chồng máy Boltzmann bị hạn chế RBM là một mạng nhị phân gồm các đơn vị ngẫu nhiên được thiết kế để không bị giám sát

học tập [71,72] Máy này được tạo thành từ hai lớp khác nhau: một lớp nhìn thấy và một lớp ẩn Không có kết nối nào được thực hiện trong cùng một lớp, nhưng các kết nối đối xứng được thực hiện giữa các lớp hiển thị và ẩn Trong giai đoạn đào tạo, RBM tính toán phân phối xác suất qua đào tạo dữ liệu đầu vào để nhận các giá trị nhị phân từ 0 đến 1 bằng cách sử dụng các Công thức (10) và

P(hi = 1|v) ==1

là độ lệch Mạng này đã được áp dụng trong các ứng dụng khác nhau, chẳng hạn như trích xuất tính năng

và nhận dạng mẫu Việc sử dụng kết hợp DBN và RBM đã cho thấy những cải thiện hiệu suất đáng kể trong các tác vụ khác nhau, chẳng hạn như phân loại hình ảnh, nhận dạng giọng nói và dự báo chuỗi thời gian Cấu trúc của hai mạng này được trình bày trong Hình 14

3.3.1.4 Bộ mã tự động xếp chồng SAE được phân loại là một kiến trúc

DL tổng hợp và nó bao gồm các AE

được sử dụng để tìm hiểu các tính

năng từ đầu vào Ngoài DBN, AE

được đề xuất để giải quyết các vấn

đề với việc học tập không có giám

sát AE cơ bản bao gồm ba hoặc

nhiều lớp: lớp đầu vào, lớp đầu ra và

một hoặc nhiều lớp ẩn ở giữa chúng

Hai giai đoạn được thực hiện để có

được đầu ra được gọi là giai đoạn

mã hóa và giải mã Trong giai đoạn

mã hóa, đầu vào được chuyển thành

một bản trình bày mới của các lớp

ẩn h, thường được gọi là mã Chức

năng mã hóa được xác định theo

phương trình (12):

h = f (W 1x + b1)(12)

Sau đó, đầu ra y được tạo ra từ việc tái

tạo các biểu diễn ẩn h này về dạng ban

đầu của chúng Giai đoạn giải mã được

số ứng dụng đã sử dụng SAE để nhận dạng hoạt động của con người, nhận dạng cảm xúc và xâm nhập mạng Hình

15 minh họa cấu trúc của AE và SAE

3.3.1.5 Mạng lưới đối thủ tạo ra GAN được coi là một kiến trúc DL lai kết hợp hai mạng nơ-ron [73] GAN là một khuôn khổ đào tạo hai mô hình: một

mô hình phân biệt và một mô hình chung hoạt động cùng nhau để tạo ra kết quả đầu ra chính xác Mô hình tổng quát G chịu trách nhiệm ghi lại sự phân

bố dữ liệu từ dữ liệu huấn luyện, trong khi mô hình phân biệt D đánh giá dữ liệu này và phân biệt giữa đầu vào thật

và giả Do đó, mục tiêu của GAN là giải quyết vấn đề minimax này, trong đó trình tạo tự luận để tối đa hóa hàm giá trị trong khi bộ phân biệt hoạt động để giảm thiểu nó, như được định nghĩa trong Phương trình (14):

Min G Max D E x ∼P (x)[log D(x)] + E z ∼P (z)[log(1 − D(G(z))] (14)

Trên thực tế, trình tạo dữ liệu tạo ra dữ liệu ngẫu nhiên để đánh lừa và đánh lừa người phân biệt Nếu không, bộ

phân biệt nhận các dữ liệu này và cố

gắng phân biệt dữ liệu thực của tập

huấn luyện với các mẫu giả do bộ tạo

tạo ra

Trong các ứng dụng IoT, GAN rất hữu

ích để chuyển đổi dữ liệu có sẵn để tái

tạo lại những thứ mới Ví dụ: GAN thấy

tuyệt vời thành công trong việc tạo hình

ảnh, sửa đổi hình ảnh [74–76], và phát

hiện đối tượng [77] Cấu trúc của GAN

được minh họa trong Hình 16

3.3.1.6 Học tập củng cố sâu sắc DRL là

thành phần của mạng nơ-ron sâu với

khả năng học tăng cường [78] DRL có

khả năng tạo tác nhân phần mềm, là

các mạng thần kinh tự học tương tác

với môi trường của chúng một cách có

hệ thống trong các tình huống và nhiều

trạng thái khác nhau Sau đó, các đại lý

này có khả năng đưa ra các chính sách

tối ưu bao gồm các hành động tốt nhất

để đối phó với các tình huống có thể

xảy ra khác nhau Ngoài ra, họ có thể

nhận được phần thưởng dài hạn là

phản hồi từ môi trường của họ Các yếu

tố chính được bao gồm trong việc triển

khai mô hình DRL được định nghĩa ngắn

gọn như sau:

(1) Môi trường: môi trường nơi các tác

nhân di chuyển, học hỏi và hành động;

(2) Tác nhân: học từ một môi trường

(4) Các quốc gia: trình bày các tình

huống hiện tại mà các đại lý tự nhận

thấy;

(5) Hành động: mô tả những gì các đại

lý phải làm cho mỗi trạng thái;

(6) Phần thưởng: đại diện cho phản hồi

về môi trường sau một

hành động của tác nhân đối với một trạng thái xác định, nó có thể tích cực hoặc tiêu cực;

3.3.2 Công cụ học sâu

DL được sử dụng rộng rãi trong một loạt các ứng dụng, và các khung và thư viện khác nhau đã được phát triển để

hỗ trợ nghiên cứu sử dụng các kỹ thuật

DL Các công cụ này là mã nguồn mở và

MatConvNet, Deeplearning4j, MXNet

và Chainer

• TensorFlow [82] là một khung công tác DL được lập trình bằng ngôn ngữ C ++ Khung công tác này được đặc trưng bởi một kiến trúc linh hoạt và có thể

mở rộng cho phép các thử nghiệm được thực hiện với độ trễ thấp, hiệu suất cao và các quá trình đào tạo và triển khai tích cực Biểu diễn đồ thị dữ liệu được TensorFlow sử dụng để thực hiện các phép phân tích cần thiết Các dịch vụ khác nhau có sẵn của Google đã được phát triển bằng cách sử dụng nền tảng TensorFlow, chẳng hạn như Google Maps, Google Dịch và YouTube

• Torch [83] là một khuôn khổ mã nguồn mở khác được lập trình bằng Lua.6 Nó hỗ trợ các kỹ thuật ML, bao gồm cả các mô hình DL, và đại diện cho một khuôn khổ mô-đun và linh hoạt có khả năng đào tạo các mô hình DL nhanh hơn Các công ty khác nhau đã sử dụng Torch để xây dựng các dịch vụ của họ, bao gồm Google, Facebook và Twitter

• Theano [84] là một thư viện mã nguồn mở được phát triển bằng Python Nó có thể được thực thi trên cả

CPU và GPU và nó quản lý hiệu suất

tuyệt vời, đặc biệt là đối với các kỹ

thuật DL áp đặt và thực thi nhiều phép

tính dự phòng, như mô hình RNN và

LSTM, thông qua các giải pháp toán

học Đối với những tính toán này,

Theano có khả năng lập trình các biểu

thức toán học một cách nhanh chóng

bằng cách sử dụng các biểu diễn đồ thị

• Caffe [85] là một khung DL mã nguồn

mở khác sử dụng một số mô hình tham

chiếu Nền tảng này được lập trình

bằng C ++, được thực thi bởi CPU hoặc

GPU và cung cấp các giao diện nội bộ

cho cả MATLAB, Python và CLI Các

triển khai và giao diện của Caffe được

phát triển riêng biệt, cung cấp các cấu

hình mô hình dễ dàng mà không cần mã

hóa khó Caffe cho thấy độ chính xác

cao và hiệu suất tuyệt vời, đặc biệt là

nhận dạng hình ảnh do khả năng phân

tích hơn 60 triệu hình ảnh trong ngày

bằng cách sử dụng một GPU NVIDIA

K40 duy nhất

• Keras [86] là một thư viện DL cấp cao

được phát triển bằng Python Keras

chạy trên cả hai khuôn khổ TensorFlow

và Theano, và nó thích hợp cho cả

mạng chập và mạng lặp lại vì nó thực

hiện các thí nghiệm một cách nhanh

chóng Keras có thể được sử dụng ngay

cả bởi những người mới làm quen với

DL, vì kết quả của nó rất dễ đọc và dễ

hiểu

• MatConvNet [87] là một hộp công cụ

MATLAB bao gồm các CNN được đào

tạo qua sev-eral cho các ứng dụng phân

loại và nhận dạng hình ảnh Nó rất dễ

cài đặt, sử dụng đơn giản và hiệu quả

để áp dụng CNN

• Deeplearning4j [88] là một thư viện

mã nguồn mở được viết bằng Java và Scala có thể được sử dụng trên GPU và CPU DL4j hỗ trợ nhiều mô hình DL bao gồm DBM, DBN, SAE và CNN Nó được thiết kế để hỗ trợ môi trường kinh doanh với AI

• MXNet [89] là một thư viện DL linh hoạt chạy trên các loại thiết bị khác nhau, bao gồm cả thiết bị di động và cụm GPU Nó đơn giản, dễ sử dụng và

có tài liệu hướng dẫn chi tiết MXNet đã chứng minh hiệu suất tốt trong các dự

án về nhận dạng khuôn mặt, phát hiện đối tượng và phân loại hình ảnh

• Chainer [90,91] là một khuôn khổ mạnh mẽ dựa trên Python đã được hủy

ký để tạo điều kiện thuận lợi cho quá trình cấy ghép các nhịp thuật toán DL

Nó là một công cụ linh hoạt và trực quan bao gồm nhiều mô hình DL bao gồm CNN, RNN, DRL và AE Chainer rất thích hợp để phân tích tình cảm, nhận dạng giọng nói và dịch thuật

Bảng 2 So sánh giữa các mô hình Học sâu

Thể loại Mô

hình

Loại

mô hình học tập

chính

CNN Được giám sát

Không được giám sát Gia cố

+ Hiệu suất cao về tính năng khai thác, đặc biệt cho hình ảnh

- Tính toán phức tạp

- Cần bộ dữ liệu lớn cho đào tạo

• Đếm thông minh

+ Thích hợp cho dữ liệu chuỗi thời gian

- Tính toán phức tạp

- Gradient biến mất và nổ tung

• Phân loại văn bản

• Nhận dạng mẫu

• Nhận dạng giọng nói LSTM Được giám sát + Hiệu quả trong thời gian dài bị trễ

dữ liệu

- Thời gian tính toán lâu • Dự đoán tai

nạn

• Quản lý năng lượng

• Nhận biết hoạt động của con người Sinh sản RBM Không được

giám sát Được giám sát

+ Hữu ích cho việc phân loại + Có thể trích xuất nhiều các tính năng quan trọng

- Chi phí tính toán cao

- Quá trình đào tạo phức tạp

• Phân loại hình ảnh

• Nhận dạng bệnh tật DBN Không được

+ Tính năng khai thác

- Thời gian tính toán lâu

- Cần đào tạo trước phức tạp cho dữ liệu lớn

• Nhận dạng khuôn mặt

• Tiêu thụ năng lượng

SAE Không được

giám sát

+ Cung cấp không được giám sát tập huấn trước

+ Giảm thiểu việc tái thiết sai sót

- Cần đào tạo trước

- Vấn đề biến mất gradient

• Nhận biết hoạt động của con người

• Nhận biết cảm xúc

• Sự xâm nhập mạng

Hỗn hợp GAN Không được

giám sát

+ Sản xuất số lượng lớn Dữ liệu + Hiệu quả đối với dữ liệu nhiễu

- Không ổn định và phức tạp quá trình đào tạo

• Chuyển đổi hình ảnh thành văn bản

• Phát hiện đối tượng

mô hình môi trường

- Chậm về mặt hội tụ • Quản lý đám

đông

• Chế độ đãi ngộ

Hình 18 Tỷ lệ sử dụng các nền tảng học sâu phổ biến nhất

Hình 18 cho thấy tỷ lệ sử dụng cho từng nền tảng DL đã trình bày trước đây.Các nền tảng này được tóm tắt và so sánh trong Bảng 3

Bảng 3 So sánh giữa các công cụ DL nguồn mở

Tool Type Created by Program

ming Language

Interfaces (giao diện)

Python, C++

Python, C++, Java,

Go

+ Hỗ trợ luồng dữ liệu lập trình + Hỗ trợ tốt khi sử dụng toán học biểu thức

+ Hoạt động trên cả CPU & GPU

- Giai đoạn đào tạo mất nhiều thời gian hơn so với đến các nền tảng khác

- Biểu đồ dữ liệu đại diện là yêu cầu cho mỗi dòng tính toán Torch Frame

work

RonanCollobert,

KorayKavukcuoglu, andClement Farabet

Theano Librar

y

Universityof Montreal

Python Python + Số nguồn mở thư viện hỗ trợ

các mô hình DL khác nhau phát triển

+ Lý tưởng cho RNN và biến thể

- Cấp độ thấp của các API

- Thiếu các API hỗ trợ

di động nền tảng Caffe Frame

work

Berkeley AI Center

người mẫu

+ Các mô hình tham khảo - Tùy chỉnh bổ sung

các lớp nên được mã hóa sử dụng C ++ Keras Librar

y

François Chollet

Python Python + Thí nghiệm nhanh

+ Chạy trên CPU và GPU + API cấp cao với tài liệu chi tiết

- Ít cấu hình hơn

so sánh với cái khác thư viện API cấp thấp Deeple

+ Đào tạo được thực hiện trong song song, tương đông

+ Được hỗ trợ bởi Hadoop / Spark

+ Cung cấp các mô hình DL

đã được đào tạo trước cân nặng

- Đào tạo có chuyên sâu

yêu cầu thời gian

- Scala và Java ngôn ngữ ít hơn phổ biến hơn Python ở Nghiên cứu DL

di, Karel Lenc

C++ MATLAB + CNN được đào tạo trước người

mẫu + Dễ sử dụng, đào tạo và triển khai mô hình

- Chỉ hỗ trợ CNN mô hình

- Tài liệu kém MXNet Librar

y

DMLC team C++ Python,R,Sc

ala,Julia, C++, R, Perl, ONNX

+ Chạy trên các GPU khác nhau cụm với hiệu quả khả năng mở rộng tính toán

+ Sự phát triển nhanh chóng của giải pháp vấn đề

+ Phân phối hiệu quả đào tạo

- Không phổ biến

- Sử dụng phức tạp hơn so sánh với cái khác thư viện như Keras

Python Python + Đặc trưng bởi một năng động

kiến trúc của các mô hình + Thực hiện nhanh hơn mô hình

- Hỗ trợ mạnh mẽ từ Công ty nhật bản

- Không phổ biến

- Đào tạo và yêu cầu

gỡ lỗi nhiều thời gian hơn trong các khuôn khổ khác

3.3.3 Deep learning datasets (Bộ dữ liệu học

sâu)

Để phát triển các ứng dụng thành phố thông

minh IoT sử dụng các kỹ thuật DL,cần một lượng

lớn dữ liệu trong thế giới thực để đạt được hiệu

quả tốt hơn hiệu suất Có dữ liệu truy cập mở là

một vấn đề quan trọng đối với DL nghiên cứu vì

tương đối ít nguồn dữ liệu được thu thập và có

sẵn để đào tạo các mô hình DL Sự khan hiếm

này đã dẫn đến các nhà nghiên cứu trong một

số lĩnh vực để phát triển bộ dữ liệu của riêng

họ, nhưng điều này là một quá trình rất khó khăn và phức tạp, đòi hỏi rất nhiều thời gian và

nỗ lực

Bộ dữ liệu DL được sử dụng phổ biến nhất cho các trường hợp sử dụng thành phố thông minh được minh họa trong Bảng 4

Bảng 4.Bộ dữ liệu DL phổ biến được sử dụng trong các ứng dụng thành phố thông minh

Ứng dụng IoT Mô tả

[109] IHEP dataset Georges

[110] UK DALE

dataset

Jack Kelly, Knottenbelt William

Text Quản lý năng

lượng

Tập dữ liệu truy cập mở này chứa dữ liệu mô tả lượng điện năng được yêu cầu bởi thiết bị gia dụng mỗi ngày trên năm ngôi nhà

[111] SisFall dataset Sucerquia et

Tập dữ liệu này bao gồm một số video được gắn nhãn hồ sơ hoạt động của con người

[114] HandPD

dataset

Clayton, João Paulo

Images Dự đoán dịch

bệnh

Tập dữ liệu này bao gồm 736 được gắn nhãn hình ảnh kỳ thi viết tay cho cả hai khỏe mạnh người và bệnh nhân Nó được sử dụng để phát hiện Bệnh Parkinson

[115] TST dataset ECML PKDD Giao thông thông

Images Bãi đậu xe thông

Text Phát hiện tai nạn Tập dữ liệu này thu thập khoảng 3 triệu bản ghi về tai

nạn, từ 49 tiểu bang trên khắp Hoa Kỳ, giữa năm

Images Nông nghiệp Bộ dữ liệu này bao gồm 61.486 hình ảnh về lá từ 39

4 Sử dụng học sâu trong các ứng dụng thành

phố thông minh: Nhận xét văn học

Việc sử dụng các kỹ thuật DL để phân tích dữ

liệu IoT đã có những tác động đáng kể đến một

số khu vực thành phố Công nghệ này nâng cao

chất lượng cuộc sống của cư dân thành phố,

giúp đạt được tầm nhìn thành phố thông minh

và thể hiện hiệu suất tuyệt vời về cơ bản khi

làm việc với dữ liệu lớn

Trên thực tế, một số ứng dụng và thiết bị IoT đã được thiết kế cho sự phát triển của thành phố thông minh Chúng được phát triển để hành động mà không cần sự can thiệp của con người:

thay vào đó, họ được điều khiển tự động bởi các thiết bị đặc biệt, nếu không chúng sẽ đợi lời nhắc từ các điều kiện hoạt động hoặc môi trường

Các thiết bị thông minh này có thể học cách đưa

ra quyết định và thực hiện hành động tốt hơn

và nhanh hơn bằng cách học hỏi từ dữ liệu có

đã được thu thập Quá trình này có thể được

tạo thuận lợi khi dữ liệu đã thu thập được lưu

trữ trong các máy chủ đám mây / sương mù,

nơi chúng được phân tích bằng nhiều kỹ thuật

DL

Các lĩnh vực khác nhau trên toàn thành phố gần đây đã đạt được năng lực về các công nghệ và hành động thông minh Các lĩnh vực này bao gồm:

1 Ngôi nhà thông minh: những khu nhà có

thiết bị phát triển được kết nối với

internet Các thiết bị thông minh này,

bao gồm tủ lạnh, đèn và TV, giao tiếp với

nhau và chia sẻ dữ liệu với người dùng

Triển khai thông minh nhà nhằm tăng

cường quản lý các thiết bị và tối ưu hóa

mức tiêu thụ năng lượng

2 Chăm sóc sức khỏe thông minh: thiết bị

đeo được hoặc không đeo đượccó khả

năng theo dõi các hoạt động hàng ngày

của người dùng và ghi lại các phép đo

khác nhau về sức khỏe của người

dùng,bao gồm nhịp tim, nhiệt độ hoặc

trạng thái đường huyết.Các thiết bị này

được kết nối với mạng internet và báo

cáo dữ liệu cho bác sĩ trực tuyến Chăm

sóc sức khỏe thông minh cung cấp khả

năng cung cấp theo dõi liên tục sức khỏe

của bệnh nhân và sức khỏe, tăng cường

chăm sóc với các bản cập nhật thời gian

thực

3 Giao thông thông minh: các thiết bị tiên

tiến và được tối ưu hóa các dịch vụ

được sử dụng để tăng cường giao thông

vận tải trong các thành phố Thông

minh giao thông vận tải nhằm mục đích

cung cấp bãi đậu xe thông minh dễ

dàng, giảm mật độ đám đông và quản lý

khả năng di chuyển trong thành

phố,đưa ra các giải pháp cải thiện lưu lượng giao thông

4 Giám sát thông minh: việc triển khai

các thiết bị giám sát chẳng hạn như camera thông minh ở các khu vực thành phố khác nhau để nâng cao giám sát và phòng ngừa sự cố Với dữ liệu thời gian thực thu thập và phân tích, các hệ thống an ninh thông minh có thể phát hiện các thảm họa ở giai đoạn sớm và

do đó ngăn chặn xảy ra các tình huống nguy hiểm

5 Nông nghiệp thông minh: việc sử dụng

các thiết bị IoT trong nông nghiệp để tự động hóa và / hoặc cải tiến các phương pháp truyền thống Các dịch vụ này giúp đảm bảo sản xuất cây trồng lành mạnh

và tăng cường quy trình thu hoạch, đóng gói và vận chuyển thông qua các dịch vụ như kiểm soát thông minh thực vật và đếm cây trồng thông minh

6 Môi trường thông minh: việc tăng

cường cơ sở hạ tầng thành phố sử dụng các cảm biến thông minh được phân phối ở các vùng khác nhau của thành phố Các cảm biến này giám sát và thậm chí kiểm soát các điều kiện môi trường

để mang lại một môi trường trong lành hơn Các ứng dụng khác nhau đã được phát triển để theo dõi các đặc điểm như chất lượng không khí