Avaliação de Algoritmos de Compressão de Séries Temporais Multivariadas com TinyML em Dispositivos Embarcados

• Morsinaldo Medeiros UFRN http://orcid.org/0000-0001-7624-5301
• Hagi Costa UFRN https://orcid.org/0000-0002-0661-0227
• Marianne Silva UFRN / UFAL https://orcid.org/0000-0002-8277-7571
• Ivanovitch Silva UFRN https://orcid.org/0000-0002-0116-6489

DOI: https://doi.org/10.5753/courb.2025.8828

Resumo

A transmissão contínua de dados em aplicações automotivas no contexto de Internet das Coisas (IoT) enfrenta desafios relacionados à largura de banda e consumo energético. Neste cenário, o TinyML — a aplicação de modelos de aprendizado de máquina em dispositivos de baixo consumo energético — emerge como uma solução. Este artigo avalia dois algoritmos de compressão de séries temporais, o Multivariate Parallel Tiny Anomaly Compressor (MPTAC) e o Multivariate Sequential Tiny Anomaly Compressor (MSTAC), com foco na sua implementação em dispositivos embarcados com recursos limitados. Deste modo, por meio de um estudo de caso realizado em um cenário real, utilizando o dispositivo OBD-II Edge Freematics One+ conectado a um veículo em movimento, os resultados indicam que o MPTAC oferece melhor fidelidade na reconstrução dos dados, enquanto o MSTAC atinge uma maior taxa de compressão, mas com maior perda de precisão. A escolha do algoritmo ideal depende do equilíbrio desejado entre compressão e qualidade dos dados reconstruídos.

Palavras-chave: Internet Das Coisas, TinyML, Compressão De Séries Temporais, Dispositivos Embarcados, Eficiência Energética

Referências

Ammar, M., Haleem, A., Javaid, M., Bahl, S., Garg, S. B., Shamoon, A., and Garg, J. (2022). Significant applications of smart materials and Internet of Things (IoT) in the automotive industry. Materials Today: Proceedings, 68, 1542–1549.

Angelov, P. (2014). Anomaly detection based on eccentricity analysis. In 2014 IEEE Symposium on Evolving and Autonomous Learning Systems (EALS), 1–8. IEEE.

Azar, J., Makhoul, A., Couturier, R., and Demerjian, J. (2020). Robust IoT time series classification with data compression and deep learning. Neurocomputing, 398, 222–234.

Bourekkadi, S. (2024). Internet of Things (IoT) applications in the automotive sector. Journal of Theoretical and Applied Information Technology, 102(8).

Cerveñansky, P., Martín, Á., and Seroussi, G. (2024). Compression of multichannel signals with irregular sampling rates and data gaps. IEEE Access.

Chandak, S., Tatwawadi, K., Wen, C., Wang, L., Ojea, J. A., and Weissman, T. (2020). LFZIP: Lossy compression of multivariate floating-point time series data via improved prediction. In 2020 Data Compression Conference (DCC), 342–351. IEEE.

Costa, H., Silva, M., Sánchez-Gendriz, I., Viegas, C. M., and Silva, I. (2024). An evolving multivariate time series compression algorithm for IoT applications. Sensors, 24(22), 7273.

de Amorim, L. F., Pavani, V. A., Alexandre, L. B., Teixeira, P. H., Valentim, S., Serdeira, H., Prado, V., de Farias, C. M., and Delicato, F. C. (2022). Design and implementation of UFRJ Nautilus’ AUV Lua: A TinyML approach. In 2022 IEEE International Conference on Dependable, Autonomic and Secure Computing, International Conference on Pervasive Intelligence and Computing, International Conference on Cloud and Big Data Computing, International Conference on Cyber Science and Technology Congress (DASC/PiCom/CBDCom/CyberSciTech), 1–6. IEEE.

Görne, L. G. (2024). Method for high-efficiency data compression and transmission of vehicle measurement data through mobile Internet. Springer.

Kallimani, R., Pai, K., Raghuwanshi, P., Iyer, S., and López, O. L. (2024). TinyML: Tools, applications, challenges, and future research directions. Multimedia Tools and Applications, 83(10), 29015–29045.

Luo, Y., Yao, Y., Chen, J., Lu, S., and Shi, W. (2024). An efficient data transmission framework for connected vehicles. In 2024 IEEE/ACM Symposium on Edge Computing (SEC), 306–320. IEEE.

Medeiros, M., Flores, T., Silva, M., and Silva, I. (2024). A multi-layered methodology for driver behavior analysis using TinyML and edge computing. In 2024 IEEE International Conference on Evolving and Adaptive Intelligent Systems (EAIS), 1–8. IEEE.

Njor, E., Madsen, J., and Fafoutis, X. (2022). A primer for TinyML predictive maintenance: Input and model optimisation. In IFIP International Conference on Artificial Intelligence Applications and Innovations, 67–78. Springer.

Signoretti, G., Silva, M., Andrade, P., Silva, I., Sisinni, E., and Ferrari, P. (2021). An evolving TinyML compression algorithm for IoT environments based on data eccentricity. Sensors, 21(12), 4153.

Signoretti, G., Silva, M., Araujo, J., Guedes, L. A., Silva, I., Sisinni, E., and Ferrari, P. (2020). Performance evaluation of an evolving data compression algorithm embedded into an OBD-II edge device. In 2020 IEEE International Workshop on Metrology for Industry 4.0 & IoT, 696–701. IEEE.

Tsoukas, V., Gkogkidis, A., Boumpa, E., and Kakarountas, A. (2024). A review on the emerging technology of TinyML. ACM Computing Surveys, 56(10), 1–37.

Yin, X.-X., Miao, Y., and Zhang, Y. (2022). Time series based data explorer and stream analysis for anomaly prediction. Wireless Communications and Mobile Computing, 2022(1), 5885904.