.png){kind=icon}
返回
TEDA-forecasting: an unsupervised tinyML incremental learning approach for outlier processing and forecasting
.png){kind=icon}
PRE
AI
DOI：10.1007/s00607-025-01490-3.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
智能系统与物联网（IoT）的扩展增加了数据生成量，要求采用高效的实时处理技术。在此背景下，边缘计算和TinyML（允许在低功耗微控制器上执行机器学习模型）作为有前景的解决方案应运而生。然而，在开发能够在资源受限设备上处理连续数据流的轻量级算法方面仍存在挑战。本文提出TEDA-Forecasting，一种基于典型性与离群性数据分析（TEDA）技术的时间序列预测算法，旨在适用于TinyML平台。为验证该创新算法，我们考虑了不同类型的输入数据，并实际将其嵌入真实边缘设备以进行更实际的评估，从而在输入流中高效实现异常检测与离群值校正。所获得的结果表明，TEDA-Forecasting兼具高精度与能效，展示了其在资源受限的物联网系统（如新兴TinyML范式所支持的系统）中的应用潜力。
Keyword:
Internet of Things
Data Streams
Edge Computing
TinyML
Incremental Learning
Outlier Detection
Outlier Correction.
期刊
C
IF:
2.8
论文数:
2.3K
被引数:
3.5K
机构
引用论文
Prediction study of electric energy production in important power production base, China.png)
SCIENTIFIC REPORTS
OAAI
SCIENTIFIC REPORTSIF3.9
OAAI分享收藏An Evolving TinyML Compression Algorithm for IoT Environments Based on Data EccentricitySENSORSOAAI
SENSORSIF3.5
OAAI分享收藏
查看更多内容