基于边缘智能的智慧城市能效环境监测AI驱动框架

# 基于边缘智能的智慧城市节能环境监测AI驱动框架
来源：https://arxiv.org/html/2605.22824
1st 刘一辰
独立研究员，华盛顿州默瑟岛，美国
yil160@ucsd\.edu
ORCID: 0000-0003-3804-2970
2nd Imam Akintomiwa Akinlade
哈佛商学院，马萨诸塞州波士顿，美国
iakinlade@mba2023\.hbs\.edu
ORCID: 0009-0005-1207-1652
3rd 蒋晓冲
独立研究员，华盛顿州西雅图，美国
jiang\.xiaoc@northeastern\.edu
ORCID: 0009-0008-0586-5851
4th 杨文婷
独立研究员，加利福尼亚州圣地亚哥，美国
wey023@ucsd\.edu
ORCID: 0009-0009-3525-9227
5th 杨世奇
独立研究员，纽约州纽约，美国
sy3506@nyu\.edu
ORCID: 0009-0005-8846-7266

###### 摘要

环境监测是智慧城市基础设施的关键组成部分。它能够支持知情决策，从而增强可持续性、公共卫生和城市规划。然而，智能传感器的大规模部署引发了人们对过度能耗、数据冗余以及传感器寿命有限的担忧。为解决这些问题，我们提出了一种利用边缘智能的AI驱动框架，用于智慧城市中的节能环境监测。我们提出的框架利用支持TinyML的边缘设备和上下文感知的自适应决策，根据时空条件、环境统计数据和能量约束动态激活传感器。传感器将基于一个效用函数动态激活，该函数考虑实时环境条件、传感器位置和剩余电池寿命等因素。我们的框架将减少不必要的感知和通信，同时保持高覆盖率的监测。我们引入了一种分层边缘智能架构，以支持城市规模的部署。我们使用基于真实多传感器环境轨迹的城市规模仿真进行了评估，结果表明，与静态、周期性和基于UCB的自适应感知策略相比，所提出的机制显著降低了能耗并延长了传感器寿命。结果突显了边缘智能和自适应AI技术在构建可持续高效的智慧城市监测系统方面的潜力。

## I. 引言

快速城市化加速了智慧城市技术的采用，这些技术旨在促进城市地区的可持续性、健康效益和提高人类生活质量[1](https://arxiv.org/html/2605.22824#bib.bib1)。在采用的智慧城市技术中，环境监测系统提供了影响城市地区生活质量的各种环境参数的实时观测。大规模传感器网络的使用旨在让城市当局更好地了解各种环境动态，以便主动应对影响城市地区的新出现的问题，例如污染事件、城市热岛效应和气候相关事件[2](https://arxiv.org/html/2605.22824#bib.bib2)。

尽管环境监测系统在智慧城市倡议中很重要，但它们在智慧城市的运营和可扩展性方面面临严峻挑战。例如，大多数部署在智慧城市的传感器网络使用静态或周期性感知范式，其中传感器节点持续或定期运行，而不考虑当前的环境条件。虽然静态或周期性感知范式在智慧城市中易于实现，但它们在数据冗余、能耗增加以及传感器节点寿命缩短方面表现出严重缺陷，特别是在传感器节点由电池供电或电源有限的情况下[3](https://arxiv.org/html/2605.22824#bib.bib3)。这些因素将影响智慧城市监测系统的长期部署，并增加总体维护成本[4](https://arxiv.org/html/2605.22824#bib.bib4)。

最近，在边缘计算和微型机器学习（TinyML）两个领域都取得了重大进展，这为提高物联网系统的效率创造了新的机会[5](https://arxiv.org/html/2605.22824#bib.bib5)。TinyML有助于在需要超低功耗的微控制器上执行机器学习推理，使传感器设备能够本地处理数据并做出决策[6](https://arxiv.org/html/2605.22824#bib.bib6)。这减少了向中央服务器发送数据的需求，从而降低了通信成本、延迟以及功耗。然而，大多数现有的基于TinyML的解决方案侧重于本地推理的执行，例如异常检测和信号分类，在这些场景中，传感器激活策略在很大程度上仍然是静态的。

然而，现实世界中的城市环境自然是非平稳和动态的，周围环境条件随时间空间而变化。这反过来表明，传感器数据的信息价值会随时间和空间变化，传感器激活策略需要根据环境进行调整，包括位置、一天中的时间、周围环境的近期趋势以及资源可用性[7](https://arxiv.org/html/2605.22824#bib.bib7)。这导致了设计智能传感器激活策略的需求，这些策略可以自适应地确定传感器资源的最有效分配，以便在能耗约束下最大化监测效率[8](https://arxiv.org/html/2605.22824#bib.bib8)。

在本文中，我们提出了一种基于边缘智能概念的新型AI框架，用于智慧城市中的节能环境监测。在所提出的框架中，利用基于TinyML的传感器节点和基于边缘智能的决策机制，根据时空背景和能量因素控制环境传感器的激活。无需始终保持所有传感器激活，而是在每个监测间隔仅激活信息量最大的传感器，从而减少冗余感知并延长网络的整体寿命。此外，提出了一种新颖的分层边缘智能架构，以支持所提框架在城市规模传感器网络中的部署。

通过基于仿真的实验评估了所提框架的有效性，我们将我们的方法与静态和周期性感知方法进行了比较。通过结果可以看出，所提出的框架在最小化能耗的同时保持高水平的环境监测覆盖，使其成为智慧城市可行且可持续的解决方案。

本文的其余部分组织如下。第二部分讨论了关于智慧城市环境监测、边缘智能和自适应感知策略的相关工作。第三部分描述了所提出的框架和方法。第四部分讨论了实验评估。最后，第五部分给出了结论和未来的研究方向。

参见图1的说明：综合系统架构图，展示了传感器层、边缘智能层和云监测层之间的交互。边缘层基于实时上下文和能量约束来协调传感器激活。
## II. 相关工作

节能监测系统处于无线传感器网络（WSN）、边缘计算和自适应控制的交叉点。本节回顾了这些领域的关键进展，并指出了我们框架所解决的研究空白。

### II-A. 基于IoT的环境监测

基于物联网的城市感知已被广泛研究用于城市管理。大多数传统架构遵循“感知并发送”模型，其中节点定期将数据传输到集中式云基础设施[1](https://arxiv.org/html/2605.22824#bib.bib1), [9](https://arxiv.org/html/2605.22824#bib.bib9)。先前的工作改进了空气质量监测和覆盖范围，但仍面临校准、冗余、通信延迟和电池耗尽问题[10](https://arxiv.org/html/2605.22824#bib.bib10), [11](https://arxiv.org/html/2605.22824#bib.bib11), [3](https://arxiv.org/html/2605.22824#bib.bib3), [12](https://arxiv.org/html/2605.22824#bib.bib12)。压缩感知可以减少数据量[13](https://arxiv.org/html/2605.22824#bib.bib13)，但它不能直接最小化源端的感知能量。

### II-B. 边缘智能与TinyML

为了解决以云为中心的系统的瓶颈，范式已转向边缘计算[5](https://arxiv.org/html/2605.22824#bib.bib5)。TinyML进一步实现了在资源受限的微控制器上的推理[6](https://arxiv.org/html/2605.22824#bib.bib6)。先前的工作已经证明了高效边缘模型和设备端环境推理的可行性[14](https://arxiv.org/html/2605.22824#bib.bib14), [15](https://arxiv.org/html/2605.22824#bib.bib15), [16](https://arxiv.org/html/2605.22824#bib.bib16)。然而，大多数现有的TinyML应用侧重于优化推理模型本身，而不是利用推理输出来动态控制传感硬件或占空比。

### II-C. 自适应与上下文感知传感

自适应传感策略旨在通过根据变化的条件调整传感行为来节省能量。早期方法使用基于阈值的休眠调度[17](https://arxiv.org/html/2605.22824#bib.bib17)，而后来的工作利用了时空相关性和去中心化协调[18](https://arxiv.org/html/2605.22824#bib.bib18)。最近，机器学习和强化学习已被探索用于自适应传感[8](https://arxiv.org/html/2605.22824#bib.bib8), [19](https://arxiv.org/html/2605.22824#bib.bib19)，上下文感知的在线学习也已应用于相关的物联网领域[20](https://arxiv.org/html/2605.22824#bib.bib20)。尽管前景广阔，但其中许多方法对于极端边缘设备而言计算量仍然过大。

基于UCB的在线学习也被探索用于多传感无线传感器网络中的自适应传感器选择。特别是，Ghosh等人开发了一个基于学习的自适应传感器选择框架，该框架使用上置信界策略来平衡传感质量和能耗，同时根据相关的活跃传感器预测非活跃测量值[21](https://arxiv.org/html/2605.22824#bib.bib21)。这项工作证实了轻量级的基于Bandit的选择可以作为强大的自适应基线。然而，这些现有的基于UCB的方法主要关注节点级选择，并未明确包含分层边缘协调、时空上下文感知的效用估计或TinyML生成的本地反馈以用于城市规模的智慧城市监测。

### II-D. 总结与研究空白

现有系统通常要么简单但低效，要么自适应但计算成本高。仍然缺乏一个轻量级框架，利用TinyML反馈来支持实时的、能量感知的传感器激活，而不依赖持续的云连接。本文通过轻量级推理和自适应基于效用的选择来填补这一空白。

## III. 提出的方法

### III-A. 系统模型与架构概述

我们考虑一个智慧城市环境监测系统的案例，该系统包含城市中大量地理上分散的传感器。该系统设计用于在严重的能量约束下运行，假设持续通信和传感对于长期部署不切实际。

如图1所示，所提出的框架基于三层横向架构。从左到右，我们可以看到传感器层、边缘智能层和云层。关键设计是责任的层次分配。传感器层用于环境动态的本地推理和总结；边缘智能层将基于上下文信息做出决策，以促进传感器激活；云层用于提供被动数据聚合、长期存储和可视化。

### III-B. 传感器层（支持TinyML的边缘设备）

我们令 S = {s₁, s₂, ..., sₙ} 表示部署在城市中的环境传感器节点集合。每个传感器节点配备：

- 一个或多个环境传感器（例如空气质量、噪音、温度），
- 一个能够运行TinyML推理的低功耗微控制器，
- 由电池容量或能量收集决定的有限能量预算。

节点并非连续传输原始传感器读数，而是使用TinyML模型生成一个简短的反馈信号，总结局部的环境动态。该反馈例如可以包括：
- 变化或异常指示器，
- 信号变异性或置信度分数，
- 粗略的事件可能性估计。

我们将传感器 s 在时间 t 的汇总反馈表示为 Îₛ(t)。这种设计将最小化通信开销，并允许传感器保持休眠状态，除非被边缘智能层明确激活。

### III-C. 边缘智能层（系统决策核心）

边缘智能层作为决策过程的核心，管理一组附近的传感器（例如，在同一个地理簇内）。它以离散的监测间隔 t = 1, 2, ... 运行，并遵循观察-决策-更新循环。在每个监测间隔 t，边缘智能层观察一个上下文向量 Cₜ，其中可能包括：
- 一天中的时间，
- 地理区域或簇标识符，
- 最近的聚合环境趋势，
- 传感器节点的剩余能量水平。

边缘智能层将以此上下文向量作为输入，决定在当前间隔应激活哪些传感器子集进行完整感知和传输。为了实现高可扩展性，传感器在逻辑上被组织成簇，这确保了激活决策可以分层进行。高层决策将识别感兴趣的区域，而局部决策将选择簇内的单个传感器。

### III-D. 云层

云层以被动方式从边缘智能层接收压缩的摘要信息和聚合的指标。它可以支持长期存储、可视化仪表板以及为城市运营商提供报告。请注意，在我们的框架中，云不参与传感决策，这将保持系统的低延迟和高能效。

### III-E. 能量感知的效用模型

每个传感器 s 都有一个相关的估计能量成本 Eₛ，代表感知和数据传输的总成本。该框架还为每个传感器维护一个效用估计 Uₛ，以平衡监测效果和能效之间的权衡。

感知奖励定义如下：

Rₛ = α · Iₛ - β · Eₛ,   (1)

其中：
- Iₛ 表示激活传感器 s 所带来的信息增益，
- Eₛ 是相应的能量成本，
- α 和 β 是平衡因子，用于在监测质量和能耗之间取得平衡。

该框架并不直接估计 Iₛ，而是使用 TinyML 提供的反馈（表示为 Îₛ）作为轻量级代理，这使得实