Luận Văn: Tối Ưu Triển Khai Hệ Thống Quan Trắc Chất Lượng Không Khí Di Động Thông Minh

Luận văn về triển khai tối ưu hệ thống quan trắc chất lượng không khí di động thông minh. Nghiên cứu giải pháp hiệu quả cho môi trường đô thị.

Người đăng

Ẩn danh

Thể loại

Master’s Graduation Thesis

2022

75
6
0

Phí lưu trữ

30 Point

Mục lục chi tiết

Acknowledgements

Ahstract

Content

List of Figures

List of Tables

Acronyms

1. Chapter 1. Mobile air quality monitoring systems

1.1. Opportunistic sensing optimization (OSQ) problem

1.2. Structure of thesis

2. Chapter 2. Related works

3. Chapter 3. Mathematical formulation of OSO. Tlardness of OSO. Meta-heuristic algorithms

4. Research methodology

5. Chapter 5. Meta-heuristic algorithms

6. Chapter 6. Numerical results of approximation algorithms

6.1. Numerical results of meta-heuristic algorithms

6.2. Comparison of resnlls between Ihe approximation algorithm and the mela-heuristics

7. Conclusion

Published papers

References

Tóm tắt

I. Tổng Quan Triển Khai Hệ Thống Quan Trắc Không Khí Di Động

Bài toán optimal deployment các hệ thống quan trắc chất lượng không khí di động thông minh đang trở nên cấp thiết trong bối cảnh ô nhiễm không khí ngày càng gia tăng, đặc biệt tại các đô thị lớn. Các hệ thống quan trắc cố định truyền thống thường không cung cấp đủ thông tin chi tiết về chất lượng không khí trên một khu vực rộng lớn, và chi phí triển khai, bảo trì cũng rất cao. Hướng tiếp cận sử dụng các intelligent mobile air quality systems, chẳng hạn như gắn cảm biến lên xe buýt, mở ra một giải pháp hiệu quả về chi phí và phạm vi phủ sóng. Luận văn này tập trung vào bài toán tối ưu việc triển khai các cảm biến này, hay còn gọi là Opportunistic Sensing Optimization (OSO). Mục tiêu chính là xác định những tuyến xe buýt nào nên được trang bị cảm biến và thời điểm quan trắc tối ưu để thu được dữ liệu chất lượng không khí bao phủ nhiều khu vực quan trọng nhất. Việc air quality monitoring hiệu quả là tiền đề quan trọng cho việc đưa ra các chính sách bảo vệ môi trường và sức khỏe cộng đồng, đồng thời thúc đẩy sustainable development tại các khu vực đô thị. Dữ liệu thu thập được sẽ được phân tích, mô hình hóa để đưa ra các dự báo và cảnh báo sớm về air pollution modelingair quality forecasting.

1.1. Lợi Ích của Hệ Thống Quan Trắc Không Khí Di Động Thông Minh

Hệ thống quan trắc không khí di động thông minh mang lại nhiều lợi ích so với các hệ thống cố định truyền thống. Thứ nhất, chi phí triển khai và bảo trì thường thấp hơn đáng kể, vì tận dụng được hạ tầng giao thông công cộng sẵn có. Thứ hai, khả năng bao phủ rộng hơn, cho phép thu thập dữ liệu từ nhiều khu vực khác nhau, bao gồm cả những khu vực khó tiếp cận. Thứ ba, dữ liệu thu thập được có tính thời gian thực cao, cho phép theo dõi sự biến động của chất lượng không khí theo thời gian và không gian. Cuối cùng, dữ liệu này có thể được sử dụng để xây dựng các mô hình dự báo air quality index (AQI), giúp người dân và chính quyền địa phương chủ động ứng phó với các tình huống ô nhiễm. Các hệ thống này còn cho phép real-time monitoring và cung cấp thông tin quan trọng cho environmental impact assessment.

1.2. Bài Toán Tối Ưu Hóa Vị Trí Cảm Biến Sensor Placement

Một trong những thách thức lớn nhất trong việc triển khai các hệ thống quan trắc không khí di động là bài toán sensor placement. Cần phải xác định vị trí tối ưu để đặt các cảm biến, sao cho thu thập được lượng dữ liệu lớn nhất và bao phủ được nhiều khu vực quan trọng nhất. Bài toán này rất phức tạp, vì cần phải xem xét nhiều yếu tố, chẳng hạn như mật độ giao thông, đặc điểm địa hình, hướng gió, và vị trí của các nguồn ô nhiễm. Các optimization algorithms có thể được sử dụng để giải quyết bài toán này, nhưng việc lựa chọn thuật toán phù hợp và hiệu chỉnh các tham số là một thách thức không nhỏ.

II. Thách Thức Triển Khai Optimal Hệ Thống Air Quality Di Động

Việc triển khai intelligent mobile air quality systems không phải là không có những thách thức. Một trong những thách thức lớn nhất là đảm bảo tính chính xác và độ tin cậy của dữ liệu. Các cảm biến được sử dụng phải được hiệu chỉnh thường xuyên và phải có khả năng chịu được các điều kiện môi trường khắc nghiệt. Ngoài ra, cần phải có các thuật toán hiệu quả để xử lý và phân tích dữ liệu thu thập được. Thêm vào đó, vấn đề về resource allocationcost-effective monitoring cũng cần được giải quyết để đảm bảo tính bền vững của hệ thống. Calibration of air quality sensors là một bước quan trọng để đảm bảo dữ liệu chính xác. Luận văn này đi sâu vào phân tích và đề xuất các giải pháp để vượt qua những thách thức này, nhằm tạo ra các hệ thống quan trắc chất lượng không khí di động hiệu quả và đáng tin cậy.

2.1. Đảm Bảo Độ Chính Xác và Độ Tin Cậy Của Dữ Liệu

Độ chính xác và độ tin cậy của dữ liệu là yếu tố then chốt để đảm bảo tính hiệu quả của hệ thống quan trắc. Các cảm biến cần được hiệu chỉnh định kỳ và phải có khả năng chống chịu các tác động của môi trường như nhiệt độ, độ ẩm, và rung động. Cần có các quy trình kiểm tra chất lượng nghiêm ngặt để đảm bảo rằng dữ liệu thu thập được là chính xác và không bị sai lệch. Việc sử dụng các thuật toán data analytics tiên tiến cũng có thể giúp phát hiện và loại bỏ các dữ liệu ngoại lệ, từ đó nâng cao độ tin cậy của kết quả phân tích.

2.2. Xử Lý và Phân Tích Dữ Liệu Lớn từ Mobile Sensor Networks

Hệ thống quan trắc không khí di động thường tạo ra một lượng dữ liệu rất lớn, đòi hỏi các phương pháp xử lý và phân tích hiệu quả. Cần phải có các thuật toán để lọc, làm sạch, và tổng hợp dữ liệu, cũng như các công cụ để trực quan hóa và phân tích dữ liệu. Các kỹ thuật machine learning for air quality có thể được sử dụng để xây dựng các mô hình dự báo và phát hiện các mẫu ô nhiễm. Việc sử dụng các hệ thống geographical information systems (GIS) cũng rất hữu ích để hiển thị dữ liệu trên bản đồ và phân tích sự phân bố của ô nhiễm không khí.

III. Phương Pháp Tối Ưu Triển Khai Với Thuật Toán Quy Hoạch Động

Luận văn này đề xuất một phương pháp tiếp cận dựa trên thuật toán quy hoạch động để giải quyết bài toán opportunistic sensing optimization. Thuật toán này có khả năng tìm ra giải pháp tối ưu trong một số trường hợp đơn giản hóa, nhưng không đảm bảo tính tối ưu trong các trường hợp tổng quát hơn. Tuy nhiên, nó cung cấp một cơ sở để so sánh với các thuật toán heuristic khác. Thuật toán quy hoạch động được sử dụng để chọn ra tập hợp các tuyến xe buýt và thời điểm quan trắc sao cho số lượng khu vực quan trọng được bao phủ là lớn nhất. Do giới hạn về khả năng áp dụng cho các bài toán phức tạp, các thuật toán meta-heuristic sẽ được xem xét để tăng cường khả năng tìm kiếm lời giải tối ưu.

3.1. Ứng Dụng Quy Hoạch Động Cho Bài Toán OSO Đơn Giản Hóa

Trong trường hợp đơn giản hóa, khi các tuyến xe buýt có đường đi cố định và thời gian quan trắc không bị giới hạn, thuật toán quy hoạch động có thể tìm ra giải pháp tối ưu. Thuật toán này sẽ duyệt qua tất cả các tập hợp con của các tuyến xe buýt và tính toán số lượng khu vực quan trọng mà mỗi tập hợp con bao phủ. Giải pháp tối ưu là tập hợp con bao phủ được nhiều khu vực quan trọng nhất. Phương pháp này được đánh giá là hiệu quả trong các tình huống cụ thể nhưng hạn chế về khả năng mở rộng.

3.2. Các Hạn Chế và Giải Pháp Thay Thế cho Quy Hoạch Động

Thuật toán quy hoạch động không phù hợp với các trường hợp tổng quát hơn, khi các tuyến xe buýt có thể có đường đi phức tạp và thời gian quan trắc bị giới hạn. Trong những trường hợp này, cần phải sử dụng các thuật toán heuristic, chẳng hạn như thuật toán tham lam, thuật toán di truyền, hoặc thuật toán mô phỏng luyện kim. Các thuật toán này không đảm bảo tìm ra giải pháp tối ưu, nhưng chúng có thể tìm ra các giải pháp gần tối ưu trong thời gian chấp nhận được. Đặc biệt là các giải thuật meta-heuristic có thể đạt hiệu suất cao khi áp dụng vào bài toán air quality monitoring.

IV. Nghiên Cứu Thực Nghiệm Đánh Giá Hiệu Quả Thuật Toán tại Hà Nội

Để đánh giá hiệu quả của các thuật toán đã đề xuất, luận văn này thực hiện các thử nghiệm trên dữ liệu thực tế về các tuyến xe buýt ở Hà Nội, Việt Nam. Dữ liệu này bao gồm thông tin về đường đi, thời gian hoạt động, và vị trí của các trạm xe buýt. Các khu vực quan trọng được xác định dựa trên mật độ dân số, mức độ ô nhiễm, và sự hiện diện của các cơ sở nhạy cảm, chẳng hạn như trường học và bệnh viện. Kết quả thử nghiệm cho thấy rằng thuật toán tham lam đạt được hiệu suất khá tốt, trong khi các thuật toán meta-heuristic cải thiện được kết quả, nhưng với chi phí thời gian tính toán cao hơn. Điều này chứng tỏ rằng mobile sensing có tiềm năng lớn trong việc cải thiện urban air quality.

4.1. Mô Tả Dữ Liệu Thực Tế Về Các Tuyến Xe Buýt ở Hà Nội

Dữ liệu về các tuyến xe buýt ở Hà Nội được thu thập từ các nguồn công khai, chẳng hạn như trang web của Tổng công ty Vận tải Hà Nội. Dữ liệu này bao gồm thông tin về đường đi, thời gian hoạt động, và vị trí của các trạm xe buýt. Dữ liệu được xử lý và định dạng lại để phù hợp với các thuật toán đã đề xuất. Việc spatio-temporal analysis được thực hiện để hiểu rõ hơn về sự phân bố của các tuyến xe buýt và tần suất hoạt động của chúng.

4.2. So Sánh Hiệu Suất của Các Thuật Toán Tham Lam và Meta Heuristic

Kết quả thử nghiệm cho thấy rằng thuật toán tham lam đạt được hiệu suất khá tốt, với tỷ lệ bao phủ trung bình là khoảng 70%. Các thuật toán meta-heuristic, chẳng hạn như thuật toán di truyền và thuật toán mô phỏng luyện kim, cải thiện được kết quả, nhưng với chi phí thời gian tính toán cao hơn. Chẳng hạn, thuật toán di truyền có thể cải thiện tỷ lệ bao phủ lên khoảng 75%, nhưng thời gian tính toán có thể tăng lên gấp nhiều lần. Việc lựa chọn thuật toán phù hợp phụ thuộc vào yêu cầu cụ thể của bài toán, chẳng hạn như thời gian tính toán cho phép và mức độ quan trọng của việc tìm ra giải pháp tối ưu.

V. Ứng Dụng Thực Tiễn Giám Sát Chất Lượng Khí Với IoT Sensors

Kết quả nghiên cứu này có thể được ứng dụng để xây dựng các hệ thống air quality monitoring di động hiệu quả trên smart cities. Các hệ thống này có thể cung cấp thông tin chi tiết về chất lượng không khí trên một khu vực rộng lớn, giúp chính quyền địa phương đưa ra các quyết định sáng suốt về chính sách bảo vệ môi trường và sức khỏe cộng đồng. Ngoài ra, thông tin này có thể được cung cấp cho người dân thông qua các ứng dụng di động, giúp họ tự bảo vệ mình khỏi ô nhiễm không khí. Việc tích hợp các hệ thống internet of things (IoT) để thu thập và truyền tải dữ liệu cũng là một hướng đi tiềm năng.

5.1. Xây Dựng Hệ Thống Giám Sát Không Khí Thời Gian Thực

Dữ liệu thu thập được từ các hệ thống quan trắc không khí di động có thể được sử dụng để xây dựng các hệ thống giám sát không khí thời gian thực. Các hệ thống này có thể hiển thị thông tin về chất lượng không khí trên bản đồ, cho phép người dân và chính quyền địa phương theo dõi sự biến động của ô nhiễm không khí theo thời gian và không gian. Các cảnh báo sớm có thể được phát ra khi mức độ ô nhiễm vượt quá ngưỡng cho phép, giúp người dân và chính quyền địa phương chủ động ứng phó.

5.2. Dự Báo Chất Lượng Khí Dựa Trên Dữ Liệu và Mô Hình Hóa

Dữ liệu thu thập được từ các hệ thống quan trắc không khí di động cũng có thể được sử dụng để xây dựng các mô hình dự báo chất lượng không khí. Các mô hình này có thể dự đoán mức độ ô nhiễm không khí trong tương lai, giúp người dân và chính quyền địa phương chuẩn bị cho các tình huống ô nhiễm. Các mô hình hóa có thể dựa trên các kỹ thuật predictive modeling, dispersion modeling và các yếu tố ảnh hưởng khác.

VI. Kết Luận Hướng Phát Triển Hệ Thống Air Quality Tương Lai

Luận văn này đã trình bày một phương pháp tiếp cận hiệu quả để giải quyết bài toán tối ưu việc triển khai các hệ thống quan trắc không khí di động. Kết quả nghiên cứu cho thấy rằng các hệ thống này có tiềm năng lớn trong việc cải thiện chất lượng không khí và bảo vệ sức khỏe cộng đồng. Các hướng phát triển trong tương lai bao gồm việc cải thiện độ chính xác và độ tin cậy của dữ liệu, phát triển các thuật toán xử lý và phân tích dữ liệu hiệu quả hơn, và tích hợp các hệ thống quan trắc không khí di động với các hệ thống wireless sensor networks (WSN) khác. Nghiên cứu này góp phần thúc đẩy environmental sciencepublic health.

6.1. Cải Thiện Độ Chính Xác Cảm Biến và Xử Lý Dữ Liệu Nâng Cao

Một trong những hướng phát triển quan trọng là cải thiện độ chính xác và độ tin cậy của dữ liệu thu thập được. Điều này có thể được thực hiện bằng cách sử dụng các cảm biến chất lượng cao hơn, hiệu chỉnh cảm biến thường xuyên hơn, và phát triển các thuật toán xử lý dữ liệu nâng cao. Các thuật toán này có thể sử dụng các kỹ thuật học sâu để phát hiện và loại bỏ các dữ liệu sai lệch, từ đó nâng cao độ tin cậy của kết quả phân tích.

6.2. Tích Hợp Hệ Thống và Phát Triển Các Ứng Dụng Mới

Các hệ thống quan trắc không khí di động có thể được tích hợp với các hệ thống khác, chẳng hạn như hệ thống giao thông thông minh và hệ thống quản lý năng lượng. Việc tích hợp này có thể tạo ra các ứng dụng mới, chẳng hạn như tối ưu hóa lộ trình xe buýt để giảm thiểu ô nhiễm không khí và điều chỉnh mức tiêu thụ năng lượng để giảm phát thải. Việc phát triển các ứng dụng di động cho phép người dân truy cập thông tin về chất lượng không khí và tự bảo vệ mình khỏi ô nhiễm cũng là một hướng đi tiềm năng.

11/09/2025

Trích đoạn nội dung tài liệu

IIANOI UNIVERSITY OF SCIENCE AND TECIINOLOGY MASTER’S GRADUATION THESIS Optimal deployment of intelligent mobile air quality systems NGUYEN VIET DUNG Dung.yn Major: Data Science and Artificial Intelligence (Elitech) Thesis advisor: Assoc. Do Phan Thuan Institute: School of Information and Communication Technology IIA NOI, 09/2022 CỘNG HÒA XÃ HỘI CHỮ NGIĨA. VIỆT NAM Độc lập— Tự do — lạnh phúc BẢN XÁC NHẬẠN CHỈNH SỬA LUẬN VĂN THẠC SĨ Ilo và tên tác giả luận văn: Nguyễn Việt Dững Để tài luận văn: 1riền khai tốt ưu các hệ thông quan trắc không khi di động thong minh Chuyên ngành: Khoa học dữ liệu va Tri tuệ nhân tạo Ma sé SV: 20202342M Tác giả, Người hướng dẫn khoa học và Hội đồng cham luan vin xác nhận tác giả đã sửa chữa, bổ sung luận văn thco biên bản họp Hội đồng ngày 29/10/2022 với các nội dung sau - Thêm giới thiệu chỉ tiết hơn về các nghiên cửu có liên quan trong chương 2. - Đổi tên chương 3 từ “Problem formmulatien & hardness” thanh “Problem formulation”.

- Thém phat biểu về bài toán Øpportunistic sensing optimization trước khi viết tắt thành O8O. - _ Dễi tên phân 3.2 thành “Mathematical fornulatien of OSO”, - Thém giải thích rỗ hơn về hàm mục tiêu và các điều kiện trong mục 3. - Thém ly do gidi thich vi sao sit dung thuat loan quy hoạch động, “In this simplified scenario, our dynamic programming approach guarantees that the set found by the submaxSet function is always maximum. thus the number a mentioned in the previous section 5.2 will be equal to 1.

Later we will show that we cannot use dynamic programming in the general scenario, and we will need another greedy sub-process which has a lower performance ratio for that.” - ‘Thém mét sé pidi thich chi tiét vé cdc thuat ton meta-heuristics va ly đo lựa chọn sử dụng chúng, cụ thể như sau + “They arc approprialc methods to verily cfliciency off the approximation algorithm, since their Wemendous performance in practice was shown in numerous roscarch papers, cspecially researches related to air monitoring systems. If the greedy approximation approach is decent, the experimental results produced SPH.BMII Ban hành lần 1 ngày 11/11/2014 by it should be competitive to the ones produced by the chosen meta- heuristics. It is indeed truc, and we will show the experimental results supporting this observation later in this thesis.” + “Two mela-heuristics, the genclie algorithm and the simulated annealing algorithm, are chosen to solve the OSO problem because of their simplicity and efficiency in practice. Related researches about air monitoring systems also deployed these methods to solve challengmg problems, and the results usually show that they are good choices for creating a solution.” Thêm giải thích cho các hình vẽ và bảng biểu.

-_'Thêm mô tã input và output chơ các thuật toán - Thêm mục 6. “Ởomparison of results beiwccn the approximation algorithm and the meta-heuristics” và chuyển mục 64 cũ thành mục 6. “Discussion” Ngày tháng năm Giáo viên hướng dẫn Tác giả luận văn CHỦ TỊCH HỘI ĐỒNG SPH.BMII Ban hành lần 1 ngày 11/11/2014 Graduation Thesis Assignment Name: Nguyen Viet Dung Phone: 184 399629097 Email: Ding. NV202342M@sis hust edu.vn Student ID: 20202342M Class: 20BKIIDL-E ‘Thesis title: Optimal deployment of intelligent mobile air quality systems ‘Thesis code: 2020BKHI2L-KH0L Affiliation ; Hanoi University of Science and Technology 1 Nguyen Vier Dung - hereby warrants that the work and presentation in this thesis performed by mysclf under the supervision of Assoc.

Prof Do Phan Tharan. All the resulls presented in this thesis are truthful and are not copied from any other works. All references in this thesis including images, tables, figures and, quotes are clearly amd fully documented in the bibliography. T will take full responsibility for even one copy that violates school regulations Hanoi, 28th September, 2022 Author Nguyen Viet Dung Attestation of thesis advisor I certify that the thesis entitled “Optimal deployment of intelligent mobile air quality systems” submitted for the degree of Master d[ Scicncc (M.

Nguyen Viel Dung is the record of research work carried ont by him during the period from 10/2020 to 10/2022 under my guidance and supervision, and that this work has not formed the basis for the award of any Degree, Diploma, Associateship and Fellowship or other Titles in this University or any other University or institution of Higher Leaming. Hanoi, 28th September, 2022 Thesis Advisor Aasac.Prof, Do Phan Thuan List of Figures Figure 1. A map of size 4 x 4 with 3 bus routes and 6 ciitical squares. When k example af the sensor's lumt-on positions on bus 1 is shown.

With such selected posilions, that sensor can observe 5 critical squares A, 8, C,D and £ 17 Figure 2. Illustration of obscrvablz boundary, obscrvable square, and observable scgment. Ilustration of Theorem 3.1’s proof (X is an arbitrary point ona bus route segment P. ¥is the Jaflmost obscrvable bound closest to X.

106 is a critieal square obsarvable by X, then it is also observable by ¥) - 20 Figure 4. Á corcsponding bus map when ổ — 3, V\ — {A, B, €, D. F), V2 — {4, €, DE}, anÄV; ={B, F} 23 Figure 5. The remaining map after removing bus | ftom the map in Fig.

1, and the greedy process continucs. Rach square é can be observed by a sensor tured on at somewhere in the middle of the interval [/», r»]. We then have d critical paints which arc the Iefl endpoints Qa, whers i= 1,. , d) of such inlsrvals 33 Figure 7.

Performance in the simptified sconarie with p = LO, q = 12 ~. Performance in the simplified scenario withp — 25, g — 30. 47 Figure 10, Performance in the simplified scenario with p30, q 36. Performance in the simplified seenario withp = 42, ¢= 50.

Dorformaneo in ths gencral and special scenario wilh p = 10, g = 12.4 Figure 14, Performance in the general and special scenario withp — 30, g — 36.4Ð Figure 15, Performance in the general and special scenario withp = 42, g = 50. 5Ú List of Figures Figure 1. A map of size 4 x 4 with 3 bus routes and 6 ciitical squares. When k example af the sensor's lumt-on positions on bus 1 is shown.

With such selected posilions, that sensor can observe 5 critical squares A, 8, C,D and £ 17 Figure 2. Illustration of obscrvablz boundary, obscrvable square, and observable scgment. Ilustration of Theorem 3.1’s proof (X is an arbitrary point ona bus route segment P. ¥is the Jaflmost obscrvable bound closest to X.

106 is a critieal square obsarvable by X, then it is also observable by ¥) - 20 Figure 4. Á corcsponding bus map when ổ — 3, V\ — {A, B, €, D. F), V2 — {4, €, DE}, anÄV; ={B, F} 23 Figure 5. The remaining map after removing bus | ftom the map in Fig.

1, and the greedy process continucs. Rach square é can be observed by a sensor tured on at somewhere in the middle of the interval [/», r»]. We then have d critical paints which arc the Iefl endpoints Qa, whers i= 1,. , d) of such inlsrvals 33 Figure 7.

Performance in the simptified sconarie with p = LO, q = 12 ~. Performance in the simplified scenario withp — 25, g — 30. 47 Figure 10, Performance in the simplified scenario with p30, q 36. Performance in the simplified seenario withp = 42, ¢= 50.

Dorformaneo in ths gencral and special scenario wilh p = 10, g = 12.4 Figure 14, Performance in the general and special scenario withp — 30, g — 36.4Ð Figure 15, Performance in the general and special scenario withp = 42, g = 50. Research methodology 27 Chapter 5. Meta-heuristic algorithms 38 Chapter 6. Numerical results of approximation algorithms 45 6.

Numerical results of meta-heuristic algorithms 51 6.4, Comparison of resnlls between Ihe approximation algorithm and the mela-heuristics 61 6. Conclusion 63 Published papers 64 References 65 Graduation Thesis Assignment Name: Nguyen Viet Dung Phone: 184 399629097 Email: Ding. NV202342M@sis hust edu.vn Student ID: 20202342M Class: 20BKIIDL-E ‘Thesis title: Optimal deployment of intelligent mobile air quality systems ‘Thesis code: 2020BKHI2L-KH0L Affiliation ; Hanoi University of Science and Technology 1 Nguyen Vier Dung - hereby warrants that the work and presentation in this thesis performed by mysclf under the supervision of Assoc. Prof Do Phan Tharan.

All the resulls presented in this thesis are truthful and are not copied from any other works. All references in this thesis including images, tables, figures and, quotes are clearly amd fully documented in the bibliography. T will take full responsibility for even one copy that violates school regulations Hanoi, 28th September, 2022 Author Nguyen Viet Dung Attestation of thesis advisor I certify that the thesis entitled “Optimal deployment of intelligent mobile air quality systems” submitted for the degree of Master d[ Scicncc (M. Nguyen Viel Dung is the record of research work carried ont by him during the period from 10/2020 to 10/2022 under my guidance and supervision, and that this work has not formed the basis for the award of any Degree, Diploma, Associateship and Fellowship or other Titles in this University or any other University or institution of Higher Leaming.

Hanoi, 28th September, 2022 Thesis Advisor Aasac.Prof, Do Phan Thuan Content Graduation Thesis Assignment Acknowledgements Ahstract Content List of Figures List of Tables Acronyms Chapter 1. Mobile air quality monitoring systems 1. Opportunistic sensing optimization (OSQ) problem 1.4, Structure of thesis Chapter 2. Related works Chapter 3.

Mathematical formulation of OSO. Tlardness of OSO. Meta-heuristic algorithms 24 43. Research methodology 27 Chapter 5.

Meta-heuristic algorithms 38 Chapter 6. Numerical results of approximation algorithms 45 6. Numerical results of meta-heuristic algorithms 51 6.4, Comparison of resnlls between Ihe approximation algorithm and the mela-heuristics 61 6. Conclusion 63 Published papers 64 References 65 Acknowledgements In order to obtain this master's thesis, apart fom my own efforts, it is impossible not to mention the help of many other peopie.

Fitst, T would like to thank Associate Professor Do Phan Thuan and Dir. Nemyen Phi Le, my direct mentors. From the time I got my thesis title to the tims I finished it, there was not a moment that they didnt encourage me to run to the finish line, | am where I am today in large part because of their support Next, I have to mention the funding source of Vinll. Their financial support helped me to pay my tuition fees and complete my studies with peace of mind, Finally, I would like to express my sincerest thanks to my teachers, friends and family.

Without them by my side, | wouldn't have made it to the end of the road Two years of wonderfil feclures and extremely hetpful time doing rescarch will be in ny heart forever. Research methodology 27 Chapter 5. Meta-heuristic algorithms 38 Chapter 6. Numerical results of approximation algorithms 45 6.

Numerical results of meta-heuristic algorithms 51 6.4, Comparison of resnlls between Ihe approximation algorithm and the mela-heuristics 61 6. Conclusion 63 Published papers 64 References 65 List of Figures Figure 1. A map of size 4 x 4 with 3 bus routes and 6 ciitical squares. When k example af the sensor's lumt-on positions on bus 1 is shown.

With such selected posilions, that sensor can observe 5 critical squares A, 8, C,D and £ 17 Figure 2. Illustration of obscrvablz boundary, obscrvable square, and observable scgment. Ilustration of Theorem 3.1’s proof (X is an arbitrary point ona bus route segment P. ¥is the Jaflmost obscrvable bound closest to X.

106 is a critieal square obsarvable by X, then it is also observable by ¥) - 20 Figure 4. Á corcsponding bus map when ổ — 3, V\ — {A, B, €, D.

Nội dung được bảo vệ bản quyền — Tải xuống đầy đủ