Machine-Learning-Based Combined Path Loss and Shadowing Model in LoRaWAN for Energy Efficiency Enhancement
Notice bibliographique
Résumé
Many practical Internet of Things (IoT) applications require deploying end nodes (ENs) in hard-to-access places where replacing batteries is difficult or impossible. As a result, the ENs demand high-energy efficiency. Long-range wide area network (LoRaWAN) is an IoT protocol that aims to achieve low-energy consumption. However, the energy consumption in LoRaWAN is related to transmission power, which can be set mainly based on path loss and shadow fading modeling and link budget analysis. Hence, appropriately setting this transmission power parameter saves energy and guarantees reliable communication links. Traditional path loss and shadow fading modeling and transmission power setting do not consider the variations caused by different environmental effects. In this work, we show via real-life data analysis that path loss and shadow fading depend on environmental variables. We propose machine learning models to calculate the empirical path loss and shadow fading, which is used to set the transmission power to save ENs’ energy. Our models include the effects of distance, frequency, temperature, relative humidity, barometric pressure, particulate matter, and signal-to-noise ratio. Specifically, the models are based on multiple linear regression, support vector regression, random forests, and artificial neural networks, exhibiting a root mean square error (RMSE) up to 1.566 dB and$R^{2}$up to 0.94. For energy saving, the developed models serve to set the transmission power and spreading factor based on the adaptive data rate (ADR) algorithm principles, which reduces the link margin saving energy up to 43% compared with the traditional ADR protocol.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».