Advancing Air Quality Monitoring: TinyML-Based Real-Time Ozone Prediction with Cost-Effective Edge Devices

📄 arXiv: 2504.03776v1 📥 PDF

作者: Huam Ming Ken, Mehran Behjati

分类: eess.SP, cs.AI

发布日期: 2025-04-03

备注: This is a preprint version of a paper accepted and published in Springer Lecture Notes in Networks and Systems. The final version is available at https://doi.org/10.1007/978-981-96-3949-6_42

期刊: Selected Proceedings from the 2nd ICIMR 2024. Lecture Notes in Networks and Systems, vol 1316. Springer, Singapore

DOI: 10.1007/978-981-96-3949-6_42

💡 一句话要点

提出基于TinyML的低成本实时臭氧预测系统，提升城市空气质量监测能力

🎯 匹配领域: 支柱八：物理动画 (Physics-based Animation)

关键词: TinyML 空气质量监测 臭氧预测 低功耗 实时预测

📋 核心要点

  1. 城市空气污染日益严重，缺乏低成本、实时的空气质量监测手段是主要挑战。
  2. 利用TinyML技术，在低功耗微控制器上部署轻量级模型，实现本地化、实时的臭氧浓度预测。
  3. 实验结果表明，该系统具有较高的预测精度（R平方值为0.95），适用于资源受限环境的广泛部署。

📝 摘要（中文）

本文提出了一种基于TinyML的新型系统，用于实时预测臭氧浓度。该系统采用配备MQ7传感器（用于一氧化碳(CO)检测）和内置温度、压力传感器的Arduino Nano 33 BLE Sense微控制器。数据来自Kaggle上印度空气质量参数数据集，经过清洗和预处理。使用Edge Impulse进行模型训练和评估，考虑了CO、温度和压力等输入参数的不同组合。最佳模型（包含所有三个变量）实现了0.03的均方误差(MSE)和0.95的R平方值，表明具有较高的预测精度。该回归模型通过Arduino IDE部署在微控制器上，展示了强大的实时性能。敏感性分析表明，CO水平是臭氧浓度的最关键预测指标，其次是压力和温度。该系统具有低成本和低功耗设计，适用于广泛部署，尤其是在资源受限的环境中。这种TinyML方法能够精确地实时预测臭氧水平，从而能够对污染事件做出快速响应，并加强公共健康保护。

🔬 方法详解

问题定义：论文旨在解决城市空气质量监测中，臭氧浓度实时、低成本预测的问题。现有方法通常依赖于昂贵的专业设备或复杂的计算模型，难以在资源受限的区域广泛部署，且实时性不足。

核心思路：论文的核心思路是利用TinyML技术，将轻量级的机器学习模型部署在低功耗的微控制器上，实现本地化的实时臭氧浓度预测。通过选择合适的传感器和优化模型结构，在保证预测精度的前提下，降低硬件成本和功耗。

技术框架：该系统的整体框架包括数据采集、数据预处理、模型训练、模型部署和实时预测五个主要阶段。数据采集阶段使用Arduino Nano 33 BLE Sense微控制器上的MQ7传感器（CO）、温度和压力传感器获取环境数据。数据预处理阶段对采集到的数据进行清洗和标准化。模型训练阶段使用Edge Impulse平台，训练基于CO、温度和压力的回归模型。模型部署阶段将训练好的模型部署到微控制器上。实时预测阶段，微控制器实时采集数据并进行臭氧浓度预测。

关键创新：该论文的关键创新在于将TinyML技术应用于空气质量监测领域，实现了低成本、低功耗的实时臭氧浓度预测。与传统的空气质量监测方法相比，该系统具有更高的部署灵活性和更低的维护成本。此外，论文还通过敏感性分析，确定了影响臭氧浓度的关键因素，为后续的模型优化提供了指导。

关键设计：论文选择了Arduino Nano 33 BLE Sense微控制器作为硬件平台，该微控制器具有低功耗和丰富的传感器接口。在模型训练阶段，使用了Edge Impulse平台，该平台提供了便捷的TinyML模型开发和部署工具。模型选择了回归模型，并使用均方误差(MSE)作为损失函数。通过实验，确定了CO、温度和压力作为模型的输入特征，并优化了模型的参数。

📊 实验亮点

该研究使用包含CO、温度和压力的最佳模型，实现了0.03的均方误差(MSE)和0.95的R平方值，表明具有较高的预测精度。敏感性分析表明，CO水平是臭氧浓度的最关键预测指标。该系统成功部署在Arduino Nano 33 BLE Sense微控制器上，验证了TinyML在空气质量监测领域的潜力。

🎯 应用场景

该研究成果可广泛应用于城市空气质量监测、工业园区环境监测、农业环境监测等领域。通过低成本、实时的臭氧浓度预测，可以帮助政府和企业及时采取措施，减少空气污染对人体健康和环境的影响。未来，该系统还可以与其他传感器和数据源集成，实现更全面的环境监测和预警。

📄 摘要（原文）

The escalation of urban air pollution necessitates innovative solutions for real-time air quality monitoring and prediction. This paper introduces a novel TinyML-based system designed to predict ozone concentration in real-time. The system employs an Arduino Nano 33 BLE Sense microcontroller equipped with an MQ7 sensor for carbon monoxide (CO) detection and built-in sensors for temperature and pressure measurements. The data, sourced from a Kaggle dataset on air quality parameters from India, underwent thorough cleaning and preprocessing. Model training and evaluation were performed using Edge Impulse, considering various combinations of input parameters (CO, temperature, and pressure). The optimal model, incorporating all three variables, achieved a mean squared error (MSE) of 0.03 and an R-squared value of 0.95, indicating high predictive accuracy. The regression model was deployed on the microcontroller via the Arduino IDE, showcasing robust real-time performance. Sensitivity analysis identified CO levels as the most critical predictor of ozone concentration, followed by pressure and temperature. The system's low-cost and low-power design makes it suitable for widespread implementation, particularly in resource-constrained settings. This TinyML approach provides precise real-time predictions of ozone levels, enabling prompt responses to pollution events and enhancing public health protection.