| アイテムタイプ |
会議発表論文 = Conference Paper(1) |
| 公開日 |
2024-04-08 |
| 資源タイプ |
|
|
資源タイプ識別子 |
http://purl.org/coar/resource_type/c_5794 |
|
資源タイプ |
conference paper |
| タイトル |
|
|
タイトル |
時空間データ滞留システムにおける機械学習を用いた位置情報誤動作車両の検出手法の検討 |
|
言語 |
ja |
| タイトル |
|
|
タイトル |
Machine Learning-Based Detection Method for Errors of Vehicle’s location information in a Spatio-Temporal Data Retention System |
|
言語 |
en |
| 言語 |
|
|
言語 |
jpn |
| 著者 |
高部, 達也
山本, 寛
野林, 大起
池永, 全志
塚本, 和也
|
| 抄録 |
|
|
内容記述タイプ |
Abstract |
|
内容記述 |
爆発的に増加しているIoTデバイスが生成するデータの中には, 特定の時間・空間に依存するものがある.我々研究グループでは, このようなデータを時空間データ（STD）と定義し, 必要なエリアにてSTDを利活用する新たなネットワークとして, 時空間データ滞留システム（STD-RS）を提案してきた. STD-RSでは, 車両を用いて特定のエリア内にSTDを滞留する. しかし, 各車両は自身の位置情報に基づき, 自律分散で送信決定するため, 自身の位置情報誤差やソフトウェアのバグ等により, 滞留エリア外での誤配信の可能性がある. これにより, 情報漏洩やパケットロス率増加といった問題が引き起こされる. そこで本研究では, STD-RS誤動作の主要因である車両の位置情報誤差を検出するため, STD配信時の車両間距離と受信電波強度の関係を学習するモデルを構築し, これを用いて位置情報誤動作車両を検出する手法を提案した. シミュレーションの結果, 約80%の精度で位置情報誤動作車両を検出できることを明らかにした. |
|
言語 |
ja |
| 抄録 |
|
|
内容記述タイプ |
Abstract |
|
内容記述 |
The data generated by the exponentially increasing number of IoT devices often depend on specific times and spaces. Our research group has defined such data as Spatio-Temporal Data (STD) and proposed a novel network, the Spatio-Temporal Data Retention System (STD-RS), to effectively utilize STD in the specific areas. Within STD-RS, vehicles are employed to retain STD within the retention areas. However, due to each vehicle’s autonomous and decentralized transmission decision-making based on its own location information, there is a possibility of misdeliveries outside the retention area, caused by location information errors or software bugs. This can result in issues like information leakage and the increase in the packet loss rates.. In this study, we present a method for detecting the primary cause of STD-RS malfunctions, which is the location information errors of vehicles. We construct a machine learning-based model that learns the relationship between the distances among vehicles during STD delivery and received signal strength. To detect errors of vehicle’s location information. Simulation results demonstrate that these errors can be detected with an accuracy of approximately 80%. |
|
言語 |
en |
| 備考 |
|
|
内容記述タイプ |
Other |
|
内容記述 |
超知性ネットワーキングに関する分野横断型研究会, RISING2023, 2023年10月30日～31日, 北海道立道民活動センター かでる2・7 |
|
言語 |
ja |
| 書誌情報 |
発行日 2023-10
|
| URI |
|
|
|
識別子タイプ |
URI |
|
|
関連識別子 |
https://www.ieice.org/cs/rising/jpn/index.html |
| 出版タイプ |
|
|
出版タイプ |
VoR |
|
出版タイプResource |
http://purl.org/coar/version/c_970fb48d4fbd8a85 |
| 査読の有無 |
|
|
値 |
no |
| 研究者情報 |
|
|
URL |
https://hyokadb02.jimu.kyutech.ac.jp/html/218_ja.html |
| 論文ID（連携） |
|
|
値 |
10429280 |
| 連携ID |
|
|
値 |
11934 |
10429280.pdf (69 KB)
