Cristin-prosjekt-ID: 2521566
Sist endret: 15. oktober 2021, 11:17

Cristin-prosjekt-ID: 2521566
Sist endret: 15. oktober 2021, 11:17
Prosjekt

Mot kognitive og autonome smartby-tjenester: Et datasystem for raskere og nøyaktigere luftkvalitetsvarsling (AirQMAN)

prosjektleder

Amirhosein Taherkordi
ved DIS Digital infrastruktur og sikkerhet ved Universitetet i Oslo

prosjekteier / koordinerende forskningsansvarlig enhet

  • Institutt for informatikk ved Universitetet i Oslo

Finansiering

  • Norges forskningsråd
    Prosjektkode: 322473

Tidsramme

Aktivt
Start: 1. januar 2021 Slutt: 31. desember 2025

Beskrivelse Beskrivelse

Tittel

Mot kognitive og autonome smartby-tjenester: Et datasystem for raskere og nøyaktigere luftkvalitetsvarsling (AirQMAN)

Populærvitenskapelig sammendrag

Luftforurensning er et globalt problem med alvorlige konsekvenser for helse og velvære. Ifølge Verdens helseorganisasjon (WHO) er luftforurensning skyld i syv millioner dødsfall per år på verdensbasis. Med tanke på dette er det et klart behov for et luftkvalitetsstyringssystem (Air Quality Management System - AQMS) som kan gi luftkvalitetsinformasjon i høy oppløsning, både med hensyn til tid (innen få minutter) og rom (del av gate) til offentlige og andre relevante etater. 

Systemet bør være situasjonsbetinget og støtte folk i å ta egne avgjørelser om hensiktsmessige luftkvalitetstiltak. Per i dag finnes det ikke noe AQMS som tilfredsstiller alle disse behovene.

Dette prosjektet tar sikte på å oppfylle disse behovene via en programvareløsning som tillater autonom og intelligent databehandling av luftkvalitet (AQ) fra skyen til flere nivåer av nettverksenheter mot kanten av nettverket (f.eks. switcher, rutere og embedded servere).

For å oppnå dette foreslår AirQMan en ny databehandlingsmodell som er i stand til å selvstendig bestemme den optimale AQ-databehandlingsflyten og de riktige opplærte maskinlæringsmodellene for å maksimere nøyaktigheten av en prediksjon for en AQ-forespørsel.

AirQMan inneholder også et databehandlingsrammeverk som avgjør den optimale distribusjonen av de nevnte databehandlingsplattformene. Dette gir effektiv beregning av maskinlæringsmodeller, samtidig som det tilfredsstiller kravene til nøyaktig luftkvalitetsprediksjon og informasjonsforsyning med kort ventetid.

Tittel

Low Latency Air Quality Management (AirQMAN)

Populærvitenskapelig sammendrag

Existing air quality (AQ) monitoring and management (AQMS) methods and evolving modelling practices across Norwegian and European cities have achieved significant improvements of AQ but further progress is needed due to some quality-driven requirements, such as low-latency AQ prediction. This can only be achieved by intelligent data processing at multiple levels of granularity.

To this end, affordable, effective and intelligent tools are needed that utilize the current advances in digitization of all spheres of society, providing radical innovation of air quality management.

The AirQMan project promises autonomous computational methods and techniques that can be used to develop such solutions, and has the potential for opening up a new era in air quality management. Our strong belief is that such a system can be realized across the Edge-Fog-Cloud continuum, extending data processing and computational intelligence from the Cloud to multiple levels of Fog nodes towards the edge of the network.

The project will develop AirQDM – a novel data processing design model that will autonomously determine the optimal data fusion processing flow, the right data sources, and the right trained deep learning (DL) model for maximizing the accuracy of a prediction related to an AQ request.

A second innovation of the project, AirQWare will determine (predict) the optimal distributed deployment for an efficient computation of the DL model while satisfying requirements on accuracy and latency, and adapt the deployment of the DL model during runtime as necessary to maintain accuracy and latency requirements.

By applying the AirQMan approach, the new generation of AQMS will provide: i) low-latency data validation and fusion to increase the accuracy of air quality evaluation, and to support intelligent services, respectively, and ii) cognitive decision making with various degrees of autonomy enabling low-latency actuations of AQ mitigations.

prosjektdeltakere

prosjektleder

Amirhosein Taherkordi

  • Tilknyttet:
    Prosjektleder
    ved DIS Digital infrastruktur og sikkerhet ved Universitetet i Oslo

Rune Åvar Ødegård

  • Tilknyttet:
    Lokalt ansvarlig
    ved NILU - Norsk institutt for luftforskning

Tuan-Vu Cao

  • Tilknyttet:
    Prosjektdeltaker
    ved NILU - Norsk institutt for luftforskning

Jean-Marie Lepioufle

  • Tilknyttet:
    Prosjektdeltaker
    ved NILU - Norsk institutt for luftforskning

Islen Vallejo

  • Tilknyttet:
    Prosjektdeltaker
    ved NILU - Norsk institutt for luftforskning
1 - 5 av 5