A Cost-Effective CNN-LSTM-Based Solution for Predicting Faulty Remote Water Meter Reading Devices in AMI Systems.

Lee, Jaeseung; Choi, Woojin; Kim, Jibum

Lee, Jaeseung; Choi, Woojin; Kim, Jibum.

Afiliação

Lee J; Department of Computer Science and Engineering, Incheon National University, Incheon 22012, Korea.
Choi W; Department of Computer Science and Engineering, Incheon National University, Incheon 22012, Korea.
Kim J; Department of Computer Science and Engineering, Incheon National University, Incheon 22012, Korea.

Sensors (Basel) ; 21(18)2021 Sep 17.

Article em En | MEDLINE | ID: mdl-34577436

Assuntos

Tecnologia de Sensoriamento Remoto; Água; Análise Custo-Benefício; Memória de Longo Prazo; Redes Neurais de Computação

Palavras-chave

CNN-LSTM; advanced meter infrastructure (AMI); deep learning; fault detection; machine learning; water

Texto completo

Imprimir

XML

PubMed Links

Buscar no Google

Texto completo: 1 Base de dados: MEDLINE Assunto principal: Água / Tecnologia de Sensoriamento Remoto Idioma: En Ano de publicação: 2021 Tipo de documento: Article

Texto completo

Imprimir

XML

PubMed Links

Buscar no Google

Texto completo: 1 Base de dados: MEDLINE Assunto principal: Água / Tecnologia de Sensoriamento Remoto Idioma: En Ano de publicação: 2021 Tipo de documento: Article