Sampling decisions for energy efficient IoT sensors using conditional copula models

Abstract

For å gjøre IoT-sensorer mer energieffektive, undersøkes bruk av avhengighetsstrukturer for å redusere samplingsfrekvensen. I denne oppgaven hvor vi ser på støynivåer i arbeidsmiljøet Koopen, er en observasjon hvert 15. minutt satt som et minimum. Basert på en avveining mellom energibruk og nøyaktighet i observasjoner, er målet å ta en avgjørelse på hvorvidt IoT-sensorene skal observere neste kvarter, eller la støynivået estimeres av en modell basert på forrige observasjon.

I dette arbeidet ser vi på to betingede modeller; 1) å modellere basert på det sist observerte støynivået direkte, og 2) å modellere basert på avviket mellom et ukentlig referansestøynivå og den siste observasjonen. For hver av disse tilnærmingene settes det opp en Student t kopula eller en Gaussisk Normal kopula for tidsavhengighetene. De betingede kopulamodellene blir evaluert ut ifra hvor godt de replikerer omgivelsenes støyegenskaper gitt av støytopper, median støynivå, bakgrunnsstøy og variasjon i støynivå. Disse støynivåindikatorene er definert av kvantiler innen den gitte tidsperioden på 15 minutter, og hvordan de klassifiseres er grunnlaget for vår beslutningstaking.

Å generere tettheter av de estimerte støynivåindikatorene for forskjellige kopulaer, viser at Normal kopulaen passer arbeidsmiljøet noe bedre enn Student t kopulaen. Valget av betinget modell har stor innvirkning, og den som er basert på avvik, passer best for Koopen dataene. Modelleringsanalysen konkluderer i midlertidig med at bakgrunnsstøyen og variansen i støynivå ikke kan replikeres ved hjelp av modellene som er foreslått i denne oppgaven. For å evaluere avveiningen mellom bruk av energi og nøyaktighet, defineres en nyttefunksjon tilpasset Koopen som grunnlag for beslutningstakingen. Resultatene fra beslutningsanalysen av den betingede normale kopulamodellen basert på avvik, viser en mulighet for reduksjon til henholdsvis 1,1 % og 5,8 % observasjoner i uken, for henholdsvis støytopper og median støynivå. Dette gitt et forventet tap i energi på 0,05 for observasjoner i 15 minutter, og ingen ekstreme støynivåer som tidligere observert verdi av IoT-sensorene.

To be able to make IoT sensors more energy efficient, we explore using dependency in data to decrease their sampling rate. In this thesis, we look at noise levels in the working environment Koopen, and a minimum of one sample each 15 minutes is set as basis for the investigation of down sampling. Based on an energy-accuracy tradeoff, the goal is to make a decision on whether the IoT sensors should sample the next quarter or let the noise levels be estimated based on a model that conditions on the last observation.

In this work two approaches for modelling are taken; 1) to model the process conditioned on the last observed noise level directly, and 2) to model the process conditioned on the discrepancy between a weekly reference noise level and the observed one. For each of these approaches a Student t copula or a Gaussian Normal copula are set up for the time-dependencies. The conditional copula models are evaluated based on how well they replicate the environments noise characteristics given by the peak noise level, median noise level, background noise level and variability in noise level. These noise level indicators are defined by quantiles within the given time period of 15 minutes, and how they classify is the basis for our decision making.

Generating densities of the simulated noise level indicators for different copulas, shows that the Normal copula fit the use case slightly better than the Student t copula. The choice of conditional model has great impact, and the one based on discrepancies are the best fit for the Koopen data. The modelling analysis do though conclude that the background noise level and variance in noise level cannot be replicated using the models suggested in this thesis. To evaluate the energy-accuracy tradeoff, a utility function is defined for the Koopen use case as basis for decision making. The results from the decision analysis of the conditional normal copula model based on discrepancies, show an opportunity of reduction to 1.1% and 5.8% samples a week, for the peak noise level and median noise level, respectively. This given an expected loss in energy of 0.05 for sampling 15 minutes, and no extreme measures as previous sampled noise level value from the IoT sensors.