The Internet of Things (IoT) is transforming how devices interact and share data, especially in areas like vehicle monitoring. However, transmitting large volumes of real-time data can result in high latency and substantial energy consumption. In this context, Tiny Machine Learning (TinyML) emerges as a promising solution, enabling the execution of machine-learning models on resource-constrained embedded devices. This paper aims to develop two online multivariate compression approaches specifically designed for TinyML, utilizing the Typicality and Eccentricity Data Analytics (TEDA) framework. The proposed approaches are based on data eccentricity and do not require predefined mathematical models or assumptions about data distribution, thereby optimizing compression performance. The methodology involves applying the approaches to a case study using the OBD-II Freematics ONE+ dataset, which is focused on vehicle monitoring. Results indicate that both proposed approaches, whether parallel or sequential compression, show significant improvements in execution time and compression errors. These findings highlight the approach’s potential to enhance the performance of embedded IoT systems, thereby improving the efficiency and sustainability of vehicular applications.

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.