CityGPT: Towards Urban IoT Learning, Analysis and Interaction with Multi-Agent System

物联网（IoT）中由大量传感器产生的时空数据极其动态、异构、规模庞大且时间相关。这对于不同的IoT应用程序的实时分析和决策（例如精度、可靠性和稳定性）提出了巨大的挑战。IoT数据的复杂性阻碍了普通人对其深入理解。智能化系统有助于解决普通人缺乏数据洞察力的问题。我们提出了一个通用框架，即CityGPT，以实现IoT时间序列的学习和分析，采用端到端的范例。CityGPT采用三个代理来完成IoT数据的时空分析。需求代理基于自然语言促进用户输入。然后，分析任务被分解为时间和空间分析过程，并由相应的数据分析代理（时间和空间代理）完成。最后，时空融合代理通过接收数据分析代理的分析结果并调用子可视化代理来可视化系统的分析结果，并可以根据用户需求提供相应的文本描述。为了增加普通人使用我们的框架的洞察力，我们对框架进行了智能化处理，借助大型语言模型（LLM）来增加数据的可理解性。我们在具有不同时间依赖性的真实数据上的评估结果表明，CityGPT框架可以保证IoT计算的稳健性。

解决IoT数据分析中的挑战，提高数据可理解性。

提出了一种名为CityGPT的框架，通过三个智能体（需求智能体、时间智能体、空间智能体）实现IoT数据的时空分析，并通过大语言模型增加数据的可理解性。

框架具有端到端的分析能力，实现了IoT数据的时空分析，提高了数据的可理解性。使用真实数据进行了评估，表现稳健。

近期相关研究包括：1. 'A Survey on IoT Data Analytics: Techniques and Applications' 2. 'Deep Learning for IoT Big Data and Streaming Analytics: A Survey'。