{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:3370405"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:3370405","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"Internet of Things platform emulation and implementation for atmospheric quality prediction and alerting system","abstract":"Σκοπός αυτής της διατριβής είναι να διερευνήσει τη χρήση εξομοιωτών δικτύου για προσομοίωση αισθητήρων Internet of Things (IoT) και τη σύνδεση με μια πλατφόρμα που εστιάζει στη σημασία της αναφοράς αισθητήρων και της χρήσης της τεχνητής νοημοσύνης (AI) και της μηχανικής μάθησης ( ML) για τεχνικές πρόβλεψης της ποιότητας του αέρα καθώς και δεδομένων καιρού. Το IoT έχει πλέον καταλάβει πολλές περιπτώσεις καθημερινής χρήσης, από την απλή περίπτωση (ανίχνευση πυρκαγιάς) έως πολύ πιο σύνθετα σενάρια. Προκειμένου να παρέχεται ένας τέτοιος πλούτος μετρήσεων, τα δίκτυα πρέπει να φιλοξενούν μεγάλο αριθμό συνδεδεμένων συσκευών που συλλέγουν και στέλνουν μεγάλες ποσότητες δεδομένων. Ο καιρός και η ποιότητα του αέρα διαδραματίζουν σημαντικό ρόλο στον προσδιορισμό της περιβαλλοντικής ρύπανσης καθώς και της ποιότητας της ανθρώπινης ζωής . Από αυτή την άποψη, είναι σημαντικό να αναλύουμε, να οπτικοποιούμε και να προβλέψουμε τέτοια φαινόμενα χρησιμοποιώντας τεχνολογίες αιχμής. Η μηχανική μάθηση είναι ένα νέο αναδυόμενο επιστημονικό πεδίο με πολλές εφαρμογές, ενώ η ικανότητά της να προβλέπει και να επιλύει όλα και τα πιο σύνθετα προβλήματα την έχει συμπεριλάβει σε σχεδόν κάθε επιστημονικό πεδίο, τεχνολογικό ή μη. Από την άλλη, οι συσκευές IoT αρχίζουν πλέον να αποτελούν αναπόσπαστο κομμάτι της καθημερινότητάς μας, ενώ αυξάνονται δραματικά, με αποτέλεσμα να δημιουργούνται όλο και πιο πολύπλοκα συστήματα και οι απαιτήσεις των χρηστών να αυξάνονται συνεχώς. Σε συνδυασμό με τα υπάρχοντα δίκτυα και τα δίκτυα νέας γενιάς, τα δίκτυα αισθητήρων αναμένεται να μπορούν να υποστηρίξουν μεγάλο όγκο δεδομένων καθώς και νέες εφαρμογές που θα έχουν υψηλές απαιτήσεις και αξιοπιστία. Στο πρώτο μέρος της εργασίας, γίνεται αναφορά στην τεχνολογία IoT, παρουσιάζοντας τις δυνατότητές της, ενώ γίνεται αναφορά τόσο στην αρχιτεκτονική όσο και στα πρωτόκολλα επικοινωνίας-εφαρμογής. Δίνουμε επίσης μια σύντομη εισαγωγή στη μηχανική μάθηση εστιάζοντας κυρίως στον αλγόριθμο που χρησιμοποιείται για το σκοπό αυτής της εργασίας. Στο δεύτερο μέρος της διατριβής μας, παρουσιάζουμε το σύστημα που εφαρμόσαμε, ενώ περιγράφουμε και αναλύουμε τόσο τις πλατφόρμες που χρησιμοποιήσαμε όσο και τις τεχνικές. Αρχικά, συλλέξαμε δεδομένα για την ποιότητα του αέρα και τον καιρό από εξωτερικές πλατφόρμες. Στη συνέχεια μελετήσαμε και διερευνήσαμε τις δυνατότητες της πλατφόρμας ThingsBoard IoT που χρησιμοποιούμε. Χρησιμοποιώντας apis από εξωτερικές πλατφόρμες και τo rule chain του ThingsBoard, εισάγουμε δεδομένα καιρού και ατμοσφαιρικής ρύπανσης σε πραγματικό χρόνο (ανά ώρα) και οπτικοποιούμε τα δεδομένα σε γραφήματα. Επίσης, λάβαμε και ετοιμάσαμε ιστορικά δεδομένα για τον καιρό και την ποιότητα του αέρα από εξωτερικές πλατφόρμες και τα εισάγαμε στην πλατφόρμα μας. Στο επόμενο βήμα αναλύουμε τους αισθητήρες (μετεωρολογικός σταθμός) που υπαρχουν στο πανεπιστήμιο και κάνουμε μια εξομοίωση δικτύου αισθητήρων χρησιμοποιώντας mininet-wifi. Επίσης, εισάγουμε και οπτικοποιούμε αυτά τα δεδομένα στην πλατφόρμα IoT μας μετά από κάθε προσομοίωση (ανά ώρα). Στο τελευταίο βήμα συγκεντρώσαμε και ετοιμάσαμε δεδομένα (και επίσης ένα script python) για να εκπαιδεύσουμε τον αλγόριθμο μηχανικής μάθησης και να κάνουμε προβλέψεις για την επόμενη μέρα. Στη συνέχεια, καταχωρήσαμε αυτά τα δεδομένα στο thingsBoard και τα συγκρίναμε με πραγματικά δεδομένα από άλλες πλατφόρμες. Σε αυτή την εργασία , πραγματοποιήσαμε προσομοιώσεις ενός δικτύου αισθητήρων IoT χρησιμοποιώντας εξομοιωτές δικτύου, με ενσωμάτωση τεχνικών AI/ML για πρόβλεψη καιρού και ποιότητας αέρα. Η ενσωμάτωση των τεχνικών AI/ML για την πρόβλεψη του καιρού και της ποιότητας του αέρα αντιπροσωπεύει σημαντική πρόοδο στην περιβαλλοντική παρακολούθηση. Αυτές οι τεχνικές καταδεικνύουν τη δυνατότητα παροχής ακριβών και έγκαιρων πληροφοριών στους υπεύθυνους λήψης αποφάσεων και στο κοινό, συμβάλλοντας στη βελτίωση της διαχείρισης της ποιότητας του αέρα και της δημόσιας υγείας.","abstract_html":"Σκοπός αυτής της διατριβής είναι να διερευνήσει τη χρήση εξομοιωτών δικτύου για προσομοίωση αισθητήρων Internet of Things (IoT) και τη σύνδεση με μια πλατφόρμα που εστιάζει στη σημασία της αναφοράς αισθητήρων και της χρήσης της τεχνητής νοημοσύνης (AI) και της μηχανικής μάθησης ( ML) για τεχνικές πρόβλεψης της ποιότητας του αέρα καθώς και δεδομένων καιρού. Το IoT έχει πλέον καταλάβει πολλές περιπτώσεις καθημερινής χρήσης, από την απλή περίπτωση (ανίχνευση πυρκαγιάς) έως πολύ πιο σύνθετα σενάρια. Προκειμένου να παρέχεται ένας τέτοιος πλούτος μετρήσεων, τα δίκτυα πρέπει να φιλοξενούν μεγάλο αριθμό συνδεδεμένων συσκευών που συλλέγουν και στέλνουν μεγάλες ποσότητες δεδομένων. Ο καιρός και η ποιότητα του αέρα διαδραματίζουν σημαντικό ρόλο στον προσδιορισμό της περιβαλλοντικής ρύπανσης καθώς και της ποιότητας της ανθρώπινης ζωής . Από αυτή την άποψη, είναι σημαντικό να αναλύουμε, να οπτικοποιούμε και να προβλέψουμε τέτοια φαινόμενα χρησιμοποιώντας τεχνολογίες αιχμής. Η μηχανική μάθηση είναι ένα νέο αναδυόμενο επιστημονικό πεδίο με πολλές εφαρμογές, ενώ η ικανότητά της να προβλέπει και να επιλύει όλα και τα πιο σύνθετα προβλήματα την έχει συμπεριλάβει σε σχεδόν κάθε επιστημονικό πεδίο, τεχνολογικό ή μη. Από την άλλη, οι συσκευές IoT αρχίζουν πλέον να αποτελούν αναπόσπαστο κομμάτι της καθημερινότητάς μας, ενώ αυξάνονται δραματικά, με αποτέλεσμα να δημιουργούνται όλο και πιο πολύπλοκα συστήματα και οι απαιτήσεις των χρηστών να αυξάνονται συνεχώς. Σε συνδυασμό με τα υπάρχοντα δίκτυα και τα δίκτυα νέας γενιάς, τα δίκτυα αισθητήρων αναμένεται να μπορούν να υποστηρίξουν μεγάλο όγκο δεδομένων καθώς και νέες εφαρμογές που θα έχουν υψηλές απαιτήσεις και αξιοπιστία. Στο πρώτο μέρος της εργασίας, γίνεται αναφορά στην τεχνολογία IoT, παρουσιάζοντας τις δυνατότητές της, ενώ γίνεται αναφορά τόσο στην αρχιτεκτονική όσο και στα πρωτόκολλα επικοινωνίας-εφαρμογής. Δίνουμε επίσης μια σύντομη εισαγωγή στη μηχανική μάθηση εστιάζοντας κυρίως στον αλγόριθμο που χρησιμοποιείται για το σκοπό αυτής της εργασίας. Στο δεύτερο μέρος της διατριβής μας, παρουσιάζουμε το σύστημα που εφαρμόσαμε, ενώ περιγράφουμε και αναλύουμε τόσο τις πλατφόρμες που χρησιμοποιήσαμε όσο και τις τεχνικές. Αρχικά, συλλέξαμε δεδομένα για την ποιότητα του αέρα και τον καιρό από εξωτερικές πλατφόρμες. Στη συνέχεια μελετήσαμε και διερευνήσαμε τις δυνατότητες της πλατφόρμας ThingsBoard IoT που χρησιμοποιούμε. Χρησιμοποιώντας apis από εξωτερικές πλατφόρμες και τo rule chain του ThingsBoard, εισάγουμε δεδομένα καιρού και ατμοσφαιρικής ρύπανσης σε πραγματικό χρόνο (ανά ώρα) και οπτικοποιούμε τα δεδομένα σε γραφήματα. Επίσης, λάβαμε και ετοιμάσαμε ιστορικά δεδομένα για τον καιρό και την ποιότητα του αέρα από εξωτερικές πλατφόρμες και τα εισάγαμε στην πλατφόρμα μας. Στο επόμενο βήμα αναλύουμε τους αισθητήρες (μετεωρολογικός σταθμός) που υπαρχουν στο πανεπιστήμιο και κάνουμε μια εξομοίωση δικτύου αισθητήρων χρησιμοποιώντας mininet-wifi. Επίσης, εισάγουμε και οπτικοποιούμε αυτά τα δεδομένα στην πλατφόρμα IoT μας μετά από κάθε προσομοίωση (ανά ώρα). Στο τελευταίο βήμα συγκεντρώσαμε και ετοιμάσαμε δεδομένα (και επίσης ένα script python) για να εκπαιδεύσουμε τον αλγόριθμο μηχανικής μάθησης και να κάνουμε προβλέψεις για την επόμενη μέρα. Στη συνέχεια, καταχωρήσαμε αυτά τα δεδομένα στο thingsBoard και τα συγκρίναμε με πραγματικά δεδομένα από άλλες πλατφόρμες. Σε αυτή την εργασία , πραγματοποιήσαμε προσομοιώσεις ενός δικτύου αισθητήρων IoT χρησιμοποιώντας εξομοιωτές δικτύου, με ενσωμάτωση τεχνικών AI/ML για πρόβλεψη καιρού και ποιότητας αέρα. Η ενσωμάτωση των τεχνικών AI/ML για την πρόβλεψη του καιρού και της ποιότητας του αέρα αντιπροσωπεύει σημαντική πρόοδο στην περιβαλλοντική παρακολούθηση. Αυτές οι τεχνικές καταδεικνύουν τη δυνατότητα παροχής ακριβών και έγκαιρων πληροφοριών στους υπεύθυνους λήψης αποφάσεων και στο κοινό, συμβάλλοντας στη βελτίωση της διαχείρισης της ποιότητας του αέρα και της δημόσιας υγείας.","abstract_has_math":false,"creators":["Κούρσος Γιώργος","Koursos George"],"institution":null,"degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2023,"date_issued":"2023","date_published":"2023","updated_at":"2026-11-19T06:27:05Z","subjects":["Θετικές Επιστήμες","Science"],"languages":["English"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:3370405"],"render_values":[{"text":"uoadl:3370405","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/3370405","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/3370405","record_label":"Repository record","record_kind":"record","record_source":"dc:identifier","download_url":null,"download_label":null,"download_source":null,"access_status":null,"embargo_until":null,"access_note":null},"source_record":{"url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh?verb=GetRecord&metadataPrefix=oai_dc&identifier=oai%3Alib.uoa.gr%3Auoadl%3A3370405","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Κούρσος Γιώργος","Koursos George"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date","label":"Dc Date","values":["2023"]},{"key":"dc:type","label":"Dc Type","values":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]}]},{"id":"subjects_keywords","label":"Subjects and Keywords","entries":[{"key":"dc:subject","label":"Dc Subject","values":["Θετικές Επιστήμες","Science"]}]},{"id":"language_rights","label":"Language and Rights","entries":[{"key":"dc:language","label":"Dc Language","values":["English"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:3370405","https://pergamos.lib.uoa.gr/uoa/dl/object/3370405"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Σκοπός αυτής της διατριβής είναι να διερευνήσει τη χρήση εξομοιωτών δικτύου για προσομοίωση αισθητήρων Internet of Things (IoT) και τη σύνδεση με μια πλατφόρμα που εστιάζει στη σημασία της αναφοράς αισθητήρων και της χρήσης της τεχνητής νοημοσύνης (AI) και της μηχανικής μάθησης ( ML) για τεχνικές πρόβλεψης της ποιότητας του αέρα καθώς και δεδομένων καιρού. Το IoT έχει πλέον καταλάβει πολλές περιπτώσεις καθημερινής χρήσης, από την απλή περίπτωση (ανίχνευση πυρκαγιάς) έως πολύ πιο σύνθετα σενάρια. Προκειμένου να παρέχεται ένας τέτοιος πλούτος μετρήσεων, τα δίκτυα πρέπει να φιλοξενούν μεγάλο αριθμό συνδεδεμένων συσκευών που συλλέγουν και στέλνουν μεγάλες ποσότητες δεδομένων. Ο καιρός και η ποιότητα του αέρα διαδραματίζουν σημαντικό ρόλο στον προσδιορισμό της περιβαλλοντικής ρύπανσης καθώς και της ποιότητας της ανθρώπινης ζωής . Από αυτή την άποψη, είναι σημαντικό να αναλύουμε, να οπτικοποιούμε και να προβλέψουμε τέτοια φαινόμενα χρησιμοποιώντας τεχνολογίες αιχμής. Η μηχανική μάθηση είναι ένα νέο αναδυόμενο επιστημονικό πεδίο με πολλές εφαρμογές, ενώ η ικανότητά της να προβλέπει και να επιλύει όλα και τα πιο σύνθετα προβλήματα την έχει συμπεριλάβει σε σχεδόν κάθε επιστημονικό πεδίο, τεχνολογικό ή μη. Από την άλλη, οι συσκευές IoT αρχίζουν πλέον να αποτελούν αναπόσπαστο κομμάτι της καθημερινότητάς μας, ενώ αυξάνονται δραματικά, με αποτέλεσμα να δημιουργούνται όλο και πιο πολύπλοκα συστήματα και οι απαιτήσεις των χρηστών να αυξάνονται συνεχώς. Σε συνδυασμό με τα υπάρχοντα δίκτυα και τα δίκτυα νέας γενιάς, τα δίκτυα αισθητήρων αναμένεται να μπορούν να υποστηρίξουν μεγάλο όγκο δεδομένων καθώς και νέες εφαρμογές που θα έχουν υψηλές απαιτήσεις και αξιοπιστία. Στο πρώτο μέρος της εργασίας, γίνεται αναφορά στην τεχνολογία IoT, παρουσιάζοντας τις δυνατότητές της, ενώ γίνεται αναφορά τόσο στην αρχιτεκτονική όσο και στα πρωτόκολλα επικοινωνίας-εφαρμογής. Δίνουμε επίσης μια σύντομη εισαγωγή στη μηχανική μάθηση εστιάζοντας κυρίως στον αλγόριθμο που χρησιμοποιείται για το σκοπό αυτής της εργασίας. Στο δεύτερο μέρος της διατριβής μας, παρουσιάζουμε το σύστημα που εφαρμόσαμε, ενώ περιγράφουμε και αναλύουμε τόσο τις πλατφόρμες που χρησιμοποιήσαμε όσο και τις τεχνικές. Αρχικά, συλλέξαμε δεδομένα για την ποιότητα του αέρα και τον καιρό από εξωτερικές πλατφόρμες. Στη συνέχεια μελετήσαμε και διερευνήσαμε τις δυνατότητες της πλατφόρμας ThingsBoard IoT που χρησιμοποιούμε. Χρησιμοποιώντας apis από εξωτερικές πλατφόρμες και τo rule chain του ThingsBoard, εισάγουμε δεδομένα καιρού και ατμοσφαιρικής ρύπανσης σε πραγματικό χρόνο (ανά ώρα) και οπτικοποιούμε τα δεδομένα σε γραφήματα. Επίσης, λάβαμε και ετοιμάσαμε ιστορικά δεδομένα για τον καιρό και την ποιότητα του αέρα από εξωτερικές πλατφόρμες και τα εισάγαμε στην πλατφόρμα μας. Στο επόμενο βήμα αναλύουμε τους αισθητήρες (μετεωρολογικός σταθμός) που υπαρχουν στο πανεπιστήμιο και κάνουμε μια εξομοίωση δικτύου αισθητήρων χρησιμοποιώντας mininet-wifi. Επίσης, εισάγουμε και οπτικοποιούμε αυτά τα δεδομένα στην πλατφόρμα IoT μας μετά από κάθε προσομοίωση (ανά ώρα). Στο τελευταίο βήμα συγκεντρώσαμε και ετοιμάσαμε δεδομένα (και επίσης ένα script python) για να εκπαιδεύσουμε τον αλγόριθμο μηχανικής μάθησης και να κάνουμε προβλέψεις για την επόμενη μέρα. Στη συνέχεια, καταχωρήσαμε αυτά τα δεδομένα στο thingsBoard και τα συγκρίναμε με πραγματικά δεδομένα από άλλες πλατφόρμες. Σε αυτή την εργασία , πραγματοποιήσαμε προσομοιώσεις ενός δικτύου αισθητήρων IoT χρησιμοποιώντας εξομοιωτές δικτύου, με ενσωμάτωση τεχνικών AI/ML για πρόβλεψη καιρού και ποιότητας αέρα. Η ενσωμάτωση των τεχνικών AI/ML για την πρόβλεψη του καιρού και της ποιότητας του αέρα αντιπροσωπεύει σημαντική πρόοδο στην περιβαλλοντική παρακολούθηση. Αυτές οι τεχνικές καταδεικνύουν τη δυνατότητα παροχής ακριβών και έγκαιρων πληροφοριών στους υπεύθυνους λήψης αποφάσεων και στο κοινό, συμβάλλοντας στη βελτίωση της διαχείρισης της ποιότητας του αέρα και της δημόσιας υγείας.","The scope of this thesis is to is to explore the use of network emulators for Internet of Things (IoT) sensor grid simulation and the connection to a platform focusing on the importance of sensor reporting and use of artificial intelligence (AI) and machine learning(ML) techniques for air quality and weather prediction .The IoT has now taken over many everyday use cases, from the simple case (fire detection) to much more complex scenarios. In order to provide such a wealth of metrics, networks must host a large number of connected devices that collect and send large amounts of data.Weather and air quality play an important role in determining environmental pollution as well as the quality of human life . From this point of view, it is important to analyze, visualize and predict such phenomena using cutting-edge technologies.Machine learning is a new emerging scientific field with many applications, while its ability to predict and solve all and most complex problems has included it in almost every scientific field, technological or non-technological. On the other hand, IOT devices are now beginning to be an integral part of our daily lives, while they are increasing fast , resulting in the creation of more and more complex systems and the demands of the users are constantly increasing. Combined with existing networks and new generation networks, sensor networks are expected to be able to support a large amount of data as well as new applications that will have both high requirements and reliability. In the first part of this work, a reference is made to the IoT technology, presenting its capabilities , while a reference is made to both the architecture and the communicationapplication protocols. We also give a brief introduction to machine learning focusing mainly on the algorithm used for the purpose of this project.In the second part of our thesis, we present the system we implemented while describing and analyzing both the platforms we used and the techniques. First, we collected air quality and weather data from external platforms.Then we studied and investigated the capabilities of the ThingsBoard IoT platform we use. Using apis from external platforms and the rule chain of thingsBoard we insert real time (per hour) weather and air pollution data and visualize the data into graphs. We also received and prepared historical weather and air quality data from external platforms and input it into our platform. In the next step we analyze the sensors (weather station) located at te university , and we make a sensor network emulation using mininet-wifi. We also insert and visualized this data in our IoT platform after each simulations (per hour). At the last step we gathered and prepared data (and also a python script) to train the machine learning algorithm and make predictions for the next day. Then , we entered this data into thingsBoard and compared it with actual data from other platforms. In this project, we conducted simulations of an IoT sensor grid using network emulators, with integration of AI/ML techniques for weather and air quality prediction. The integration of AI/ML techniques for weather and air quality prediction represents a significant advancement in environmental monitoring. These techniques demonstrate the potential to provide accurate and timely information for decision-makers and the public, contributing to improved air quality management and public health."]},{"key":"dc:title","label":"Title","values":["Internet of Things platform emulation and implementation for atmospheric quality prediction and alerting system"]}]}],"canonical_facts":{"dc:creator":["Κούρσος Γιώργος","Koursos George"],"dc:date":["2023"],"dc:description":["Σκοπός αυτής της διατριβής είναι να διερευνήσει τη χρήση εξομοιωτών δικτύου για προσομοίωση αισθητήρων Internet of Things (IoT) και τη σύνδεση με μια πλατφόρμα που εστιάζει στη σημασία της αναφοράς αισθητήρων και της χρήσης της τεχνητής νοημοσύνης (AI) και της μηχανικής μάθησης ( ML) για τεχνικές πρόβλεψης της ποιότητας του αέρα καθώς και δεδομένων καιρού. Το IoT έχει πλέον καταλάβει πολλές περιπτώσεις καθημερινής χρήσης, από την απλή περίπτωση (ανίχνευση πυρκαγιάς) έως πολύ πιο σύνθετα σενάρια. Προκειμένου να παρέχεται ένας τέτοιος πλούτος μετρήσεων, τα δίκτυα πρέπει να φιλοξενούν μεγάλο αριθμό συνδεδεμένων συσκευών που συλλέγουν και στέλνουν μεγάλες ποσότητες δεδομένων. Ο καιρός και η ποιότητα του αέρα διαδραματίζουν σημαντικό ρόλο στον προσδιορισμό της περιβαλλοντικής ρύπανσης καθώς και της ποιότητας της ανθρώπινης ζωής . Από αυτή την άποψη, είναι σημαντικό να αναλύουμε, να οπτικοποιούμε και να προβλέψουμε τέτοια φαινόμενα χρησιμοποιώντας τεχνολογίες αιχμής. Η μηχανική μάθηση είναι ένα νέο αναδυόμενο επιστημονικό πεδίο με πολλές εφαρμογές, ενώ η ικανότητά της να προβλέπει και να επιλύει όλα και τα πιο σύνθετα προβλήματα την έχει συμπεριλάβει σε σχεδόν κάθε επιστημονικό πεδίο, τεχνολογικό ή μη. Από την άλλη, οι συσκευές IoT αρχίζουν πλέον να αποτελούν αναπόσπαστο κομμάτι της καθημερινότητάς μας, ενώ αυξάνονται δραματικά, με αποτέλεσμα να δημιουργούνται όλο και πιο πολύπλοκα συστήματα και οι απαιτήσεις των χρηστών να αυξάνονται συνεχώς. Σε συνδυασμό με τα υπάρχοντα δίκτυα και τα δίκτυα νέας γενιάς, τα δίκτυα αισθητήρων αναμένεται να μπορούν να υποστηρίξουν μεγάλο όγκο δεδομένων καθώς και νέες εφαρμογές που θα έχουν υψηλές απαιτήσεις και αξιοπιστία. Στο πρώτο μέρος της εργασίας, γίνεται αναφορά στην τεχνολογία IoT, παρουσιάζοντας τις δυνατότητές της, ενώ γίνεται αναφορά τόσο στην αρχιτεκτονική όσο και στα πρωτόκολλα επικοινωνίας-εφαρμογής. Δίνουμε επίσης μια σύντομη εισαγωγή στη μηχανική μάθηση εστιάζοντας κυρίως στον αλγόριθμο που χρησιμοποιείται για το σκοπό αυτής της εργασίας. Στο δεύτερο μέρος της διατριβής μας, παρουσιάζουμε το σύστημα που εφαρμόσαμε, ενώ περιγράφουμε και αναλύουμε τόσο τις πλατφόρμες που χρησιμοποιήσαμε όσο και τις τεχνικές. Αρχικά, συλλέξαμε δεδομένα για την ποιότητα του αέρα και τον καιρό από εξωτερικές πλατφόρμες. Στη συνέχεια μελετήσαμε και διερευνήσαμε τις δυνατότητες της πλατφόρμας ThingsBoard IoT που χρησιμοποιούμε. Χρησιμοποιώντας apis από εξωτερικές πλατφόρμες και τo rule chain του ThingsBoard, εισάγουμε δεδομένα καιρού και ατμοσφαιρικής ρύπανσης σε πραγματικό χρόνο (ανά ώρα) και οπτικοποιούμε τα δεδομένα σε γραφήματα. Επίσης, λάβαμε και ετοιμάσαμε ιστορικά δεδομένα για τον καιρό και την ποιότητα του αέρα από εξωτερικές πλατφόρμες και τα εισάγαμε στην πλατφόρμα μας. Στο επόμενο βήμα αναλύουμε τους αισθητήρες (μετεωρολογικός σταθμός) που υπαρχουν στο πανεπιστήμιο και κάνουμε μια εξομοίωση δικτύου αισθητήρων χρησιμοποιώντας mininet-wifi. Επίσης, εισάγουμε και οπτικοποιούμε αυτά τα δεδομένα στην πλατφόρμα IoT μας μετά από κάθε προσομοίωση (ανά ώρα). Στο τελευταίο βήμα συγκεντρώσαμε και ετοιμάσαμε δεδομένα (και επίσης ένα script python) για να εκπαιδεύσουμε τον αλγόριθμο μηχανικής μάθησης και να κάνουμε προβλέψεις για την επόμενη μέρα. Στη συνέχεια, καταχωρήσαμε αυτά τα δεδομένα στο thingsBoard και τα συγκρίναμε με πραγματικά δεδομένα από άλλες πλατφόρμες. Σε αυτή την εργασία , πραγματοποιήσαμε προσομοιώσεις ενός δικτύου αισθητήρων IoT χρησιμοποιώντας εξομοιωτές δικτύου, με ενσωμάτωση τεχνικών AI/ML για πρόβλεψη καιρού και ποιότητας αέρα. Η ενσωμάτωση των τεχνικών AI/ML για την πρόβλεψη του καιρού και της ποιότητας του αέρα αντιπροσωπεύει σημαντική πρόοδο στην περιβαλλοντική παρακολούθηση. Αυτές οι τεχνικές καταδεικνύουν τη δυνατότητα παροχής ακριβών και έγκαιρων πληροφοριών στους υπεύθυνους λήψης αποφάσεων και στο κοινό, συμβάλλοντας στη βελτίωση της διαχείρισης της ποιότητας του αέρα και της δημόσιας υγείας.","The scope of this thesis is to is to explore the use of network emulators for Internet of Things (IoT) sensor grid simulation and the connection to a platform focusing on the importance of sensor reporting and use of artificial intelligence (AI) and machine learning(ML) techniques for air quality and weather prediction .The IoT has now taken over many everyday use cases, from the simple case (fire detection) to much more complex scenarios. In order to provide such a wealth of metrics, networks must host a large number of connected devices that collect and send large amounts of data.Weather and air quality play an important role in determining environmental pollution as well as the quality of human life . From this point of view, it is important to analyze, visualize and predict such phenomena using cutting-edge technologies.Machine learning is a new emerging scientific field with many applications, while its ability to predict and solve all and most complex problems has included it in almost every scientific field, technological or non-technological. On the other hand, IOT devices are now beginning to be an integral part of our daily lives, while they are increasing fast , resulting in the creation of more and more complex systems and the demands of the users are constantly increasing. Combined with existing networks and new generation networks, sensor networks are expected to be able to support a large amount of data as well as new applications that will have both high requirements and reliability. In the first part of this work, a reference is made to the IoT technology, presenting its capabilities , while a reference is made to both the architecture and the communicationapplication protocols. We also give a brief introduction to machine learning focusing mainly on the algorithm used for the purpose of this project.In the second part of our thesis, we present the system we implemented while describing and analyzing both the platforms we used and the techniques. First, we collected air quality and weather data from external platforms.Then we studied and investigated the capabilities of the ThingsBoard IoT platform we use. Using apis from external platforms and the rule chain of thingsBoard we insert real time (per hour) weather and air pollution data and visualize the data into graphs. We also received and prepared historical weather and air quality data from external platforms and input it into our platform. In the next step we analyze the sensors (weather station) located at te university , and we make a sensor network emulation using mininet-wifi. We also insert and visualized this data in our IoT platform after each simulations (per hour). At the last step we gathered and prepared data (and also a python script) to train the machine learning algorithm and make predictions for the next day. Then , we entered this data into thingsBoard and compared it with actual data from other platforms. In this project, we conducted simulations of an IoT sensor grid using network emulators, with integration of AI/ML techniques for weather and air quality prediction. The integration of AI/ML techniques for weather and air quality prediction represents a significant advancement in environmental monitoring. These techniques demonstrate the potential to provide accurate and timely information for decision-makers and the public, contributing to improved air quality management and public health."],"dc:identifier":["uoadl:3370405","https://pergamos.lib.uoa.gr/uoa/dl/object/3370405"],"dc:language":["English"],"dc:subject":["Θετικές Επιστήμες","Science"],"dc:title":["Internet of Things platform emulation and implementation for atmospheric quality prediction and alerting system"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T06:27:05Z"}