LoRaベースのマルチホップ産業用IoTネットワーク展開におけるカーボンフットプリント最適化の複製データ
Replication data for "Carbon footprint optimization of a LoRa-based multi-hop Industrial Internet of Things network deployment" [Dataset] (原題)
Francisco-Jose Alvarado-Alcon, Rafael Asorey-Cacheda, Antonio-Javier García-Sánchez, Joan Garcı́a-Haro
🤖 gxceed AI 要約
日本語
本データセットは、LoRaベースのマルチホップIoT網における炭素フットプリント（CF）を考慮したゲートウェイ配置を近似するニューラルモデルの訓練・検証・評価用データを提供する。各レコードは30台の端末を配置したインスタンスを記述し、端末座標・トラフィック重み・空間サンプリング領域ごとの端末数・CF推定値を入力、年間CFを最小化するゲートウェイ位置をターゲットとする。整数線形計画法で最適解を求めた単一ゲートウェイ事例のみを収録し、正規化済みで直接モデル訓練に利用可能である。
English
This dataset provides inputs and targets for training, validating, and evaluating neural models that approximate carbon footprint (CF)-aware gateway placement in LoRa-based multi-hop IoT deployments. Each record describes an instance with 30 end devices, including coordinates, traffic weights, spatial sampling region counts, and a global CF estimate, with the target being the gateway position that minimizes annual CF, solved via integer linear programming. Only single-gateway optimal instances are included, and all values are normalized for direct use in model training or evaluation.
Unofficial AI-generated summary based on the public title and abstract. Not an official translation.
📝 gxceed 編集解説 — Why this matters
日本のGX文脈において
日本では製造業やインフラ分野でIoT導入が進む一方、Scope 3排出量算定や省エネ法対応が求められている。本データセットは、ネットワーク設計段階でCFを最小化するAI手法の基盤を提供し、GX推進におけるデジタルインフラの環境負荷低減に貢献しうる。
In the global GX context
Globally, this dataset supports the integration of AI into carbon footprint optimization for industrial IoT, aligning with TCFD/ISSB disclosure of energy use and emissions. It offers a replicable benchmark for researchers and practitioners aiming to reduce the carbon intensity of digital infrastructure, a growing focus in corporate climate strategies.
👥 読者別の含意
🔬研究者:AIを用いた炭素フットプリント最適化のベンチマークデータとして、モデル開発や評価に活用できる。
🏢実務担当者:IoTネットワーク設計時にCFを考慮したゲートウェイ配置を検討する際の基礎データとして利用可能。
🏛政策担当者:デジタルインフラの省エネ設計を促進する政策立案の参考になる。
📄 Abstract（原文）
This dataset contains the inputs and the targets used to train, validate and evaluate the neural models that approximate carbon footprint (CF)-aware gateway placement in LoRa-based multi-hop Internet of Things (IoT) network deployments. Each record describes one deployment instance of 30 end devices randomly distributed over a square area of 3e5 m2 (10,000 m2 per end device). The inputs summarize the instance in four groups of features: the coordinates of the end devices, a traffic-based weight per end device, the number of end devices contained in each of the 121 spatial sampling regions (SSRs) into which the deployment area is divided, and a global estimate of the CF of the network. The target is the position of the gateway that minimizes the annual CF of the deployment, obtained by solving the integer linear program (ILP) that models the problem. Only the instances whose optimal deployment comprises a single gateway, and therefore a single target position, are included. The records are split into four files, which hold the inputs and the targets of the instances used for training and validation and of the instances reserved for testing. Every value is normalized, so the data can be used directly to train or evaluate a model.
🔗 Provenance — このレコードを発見したソース
- openalex https://doi.org/10.82432/10317/26026first seen 2026-10-16 05:05:51
🔔 こうした論文の新着を逃したくない方は キーワードアラート に登録（無料・3キーワードまで）。
gxceed は公開メタデータに基づく研究支援データセットです。要約・翻訳・解説は AI 支援で生成されています。 最終的な解釈・検証は利用者が原典資料に基づいて行うことを前提とします。