От умного к полезному
Поскольку интеллектуальные дома становятся все более подключенными к Интернету вещей. Устройства для умного дома варьируются от фонарей до телевизоров, камер на входной двери и посудомоечных машин. В целях экономии использования и повышения энергоэффективности существуют измерения и регистрация действий и потребления энергии. Объем данных, созданных из этих журналов, оставляет много возможностей для улучшения, поскольку эти данные можно анализировать и извлекать из них. Цель интеграции машинного обучения в умные дома - сделать дом более полезным и более отзывчивым к потребностям и распорядкам пользователей, прогнозируя их, вместо того, чтобы полностью полагаться на прямые команды или запрограммированные вручную процедуры. Это также потенциально может сделать энергопотребление более эффективным, ограничивая использование устройств только тем временем, когда они необходимы, без ущерба для комфорта жителей.
Умные дома обычно включают в себя датчики и интеллектуальные устройства, подключенные к сети для управления, мониторинга и записи. Эти датчики могут быть датчиками устройства, которые обнаруживают события на устройствах, например включают или выключают их. Существуют также носимые датчики, которые могут измерять жизненно важные сигналы, местоположение или активность пользователя. Наконец, есть датчики окружающей среды, которые обнаруживают такие вещи, как температура, свет или присутствие пользователя. Эти данные, а также данные измерения энергопотребления некоторых устройств в течение дня могут регистрироваться и затем выгружаться на удаленный сервер. Эти записи данных можно использовать для обучения моделей машинного обучения, чтобы обеспечить лучший комфорт, экономию и безопасность для жителей умного дома.
Распознавание моделей поведения
Чтобы создать более полезную версию умного дома, дом должен распознавать действия пользователя и понимать их поведенческие модели или отправлять предупреждения или предложения. Например, прогнозирование предпочтений и действий пользователя можно использовать для регулировки температуры или условий освещения в соответствии с их действиями. Его также можно использовать для экономии энергии, например, для отключения неиспользуемых источников света, когда пользователь уходит или спит, или для включения нагрева воды только тогда, когда пользователь должен принять душ.
Отдельное действие пользователя может состоять из нескольких зарегистрированных событий. Распознавание этих сложных действий считается проблемой классификации, когда на основе пространственно-временной последовательности событий, обнаруженных с помощью датчиков или элементов управления, алгоритм пытается идентифицировать действие, выполняемое пользователем. Сети долговременной краткосрочной памяти (LSTM) применяются для распознавания этих последовательностей. LSTM - это рекуррентная нейронная сеть, способная распознавать последовательности в их контексте, поскольку она может сохранять память о прошлом состоянии в течение произвольного времени. При применении этой нейронной сети к умным домам необработанные данные с датчиков сначала обрабатываются для создания матрицы событий датчиков, связанных с каждым действием, для создания классификаций. Затем история событий передается в алгоритм для разделения и пометки на классифицированные действия.
Чтобы распознавать и прогнозировать поведенческие модели пользователей и иметь возможность предсказывать действия, необходимо использовать алгоритмы последовательного анализа шаблонов для поиска частых последовательностей и вывода правил из данных об использовании. Некоторые из таких существующих алгоритмов - это PrefixSpan и BIDE +, а также улучшенная версия: Gap-BIDE.
Скольжение окна с дедупликацией (WSDD) было еще одним неконтролируемым алгоритмом машинного обучения, реализованным для решения этой проблемы, который основан на скользящем окне, которое просматривает последовательность записанных событий разного размера. И хеширование поддерживающего числа шаблона (количества повторений) с самим шаблоном в качестве ключа. Ключи с номерами поддержки выше определенного порога принимаются как настоящие образцы. Этот порог может изменяться в зависимости от порога, обеспечивающего наивысшую точность прогнозирования. Преимущество этого алгоритма над ранее упомянутыми алгоритмами заключается в том, что при тестировании в Windows 8 он имеет гораздо более короткое время выполнения и использует меньше памяти, чем другие 3 алгоритма⁵.
Другой проблемой для поиска шаблонов в действиях является наличие последовательности, большая часть которой повторяется, за исключением варианта действия или более в этой последовательности, которую можно рассматривать как подстановочный знак, поэтому при поиске шаблона версии последовательностей-кандидатов с подстановочный знак длиной 1 или более должен быть протестирован на наличие большего количества вхождений. Эта проблема исправлена в алгоритме WSDD, поскольку он вставляет действие с подстановочным знаком или более в найденные шаблоны, и шаблоны снова сканируются на соответствие шаблону с добавленным подстановочным знаком.
После формирования шаблонов с достаточной поддержкой, эти шаблоны можно использовать для отправки пользователям предложений с действиями, которые они должны выполнять с учетом их текущего поведения. Отзывы об этих предложениях могут быть получены от пользователей, чтобы увеличить или уменьшить поддержку этого шаблона. В тестах, проведенных в [5], 10 последовательных отрицательных ответов привели к устранению паттерна.
Распознавание и безопасность пользователей
Благодаря интеграции машинного обучения в умные дома также становится возможным повышение безопасности. Базовые технологии контроля доступа включают биометрические измерения, такие как распознавание лиц. В литературе существует множество нейронных сетей для распознавания лиц, но интеграция этой технологии в домашнюю среду создает множество проблем: домашняя среда внутри или снаружи (например, для доступа к входной двери) имеет сильно изменяющиеся условия освещения и фон, поэтому методика должна быть надежной для поддержания точность в этих условиях. Другие проблемы включают стоимость, время и эффективность памяти.
Одно из предложенных решений заключалось в использовании каскадных детекторов, которые обрабатывают на разных уровнях точного обнаружения, начиная с самого грубого - просто распознавая присутствие лица - и заканчивая подбором формы черт лица и поиском лица-кандидата в сохраненной базе данных лиц.
Помимо безопасности, это также можно использовать для распознавания разных обитателей одного дома, чтобы индивидуально профилировать их действия и использовать разные модели поведения для разных пользователей.
Другой метод распознавания угроз - использование изученных шаблонов поведения пользователей для обнаружения аномального поведения, которое может быть признаком риска для здоровья или безопасности пользователя. Для этого можно использовать дерево решений, которое оценивает действие со сравнением с изученным поведением пользователя и процедурами. Чем дальше по дереву находится действие, тем больше вероятность, что это аномалия. Это можно использовать для обнаружения злоумышленников, когда другие методы, такие как распознавание лиц, не могут быть использованы из-за препятствий или плохих условий освещения.
использованная литература
3. https://machinelearningmastery.com/gentle-introduction-long-short-term-memory-networks-experts/
4. Дамен Дж., Томас Б.Л., Кук Д.И., Ван X. Активное обучение как основа для мониторинга безопасности в умных домах. Датчики (Базель). 2017 Март; 17 (4). DOI: 10.3390 / s17040737. PMID: 28362342; PMCID: PMC5421697.
5. Д. Швейцер, М. Зендер, Х. Ваче, Х. Витчель, Д. Занатта и М. Родригес, «Использование данных о поведении потребителей для снижения энергопотребления в умных домах: применение машинного обучения для экономии энергии без снижения уровня комфорта жителей» , ”2015 14-я Международная конференция IEEE по машинному обучению и приложениям (ICMLA), Майами, Флорида, 2015 г., стр. 1123–1129, doi: 10.1109 / ICMLA.2015.62.
6. Liciottia, Daniele, et al. Приложение для последовательного глубокого обучения для распознавания человеческой деятельности в умных домах. «Www.researchgate.net/profile/Luca_Romeo/publication/332634798_A_Sequential_Deep_Learning_Application_for_Recognising_Human_Activities_in_Smart_Homes/links/5e15dcc692851c8364bae115/A-Sequenties
7. Цзо, Фэй и С, Питер. (2005). Распознавание лиц в режиме реального времени для приложений умного дома. 35–36. 10.1109 / ICCE.2005.1429704.
