АННОТАЦИЯ
В настоящее время все большую популярность приобретают домашняя автоматизация и Интернет вещей. В современном мире автоматические системы предпочтительнее ручной системы. Система автоматизации умного дома основана на упрощении жизни пользователя. Интернет вещей генерирует огромное количество данных. Кроме того, он содержит огромное количество датчиков и их данных, которые могут контролировать или отслеживать объекты. В этой статье рассказывается о том, как большие средства машинного обучения и интеллектуального анализа данных используются для преобразования обычной домашней автоматизации в систему автоматизации умного дома. Здесь пользователь этой системы может управлять своим домом с помощью смартфона, а также компьютера или любых устройств, подключенных к Интернету. А также получать предложения [с использованием алгоритма прогнозирования], напоминания и предупреждения, дополнительно система взаимодействует с пользователем
ВСТУПЛЕНИЕ
В последние годы среди потребителей растет интерес к концепциям автоматизации умного дома. В настоящее время на рынке доступны различные системы домашней автоматизации, которые предоставляют пользователям возможность удаленно управлять своим домом с помощью одной команды включения или выключения. Текущее исследование больше сосредоточено на создании умного дома, дома, который может контролировать и принимать решения самостоятельно. Это исследование в первую очередь знакомит с IOT (Интернетом вещей) и машинным обучением. В настоящее время их становится все больше и больше. Интернет вещей содержит огромное количество датчиков, которые могут измерять температуру, свет, шум, расстояние, давление, движение, скорость и так далее. Эти датчики также выдают большой объем данных. Здесь мы говорим о том, как мы используем эти данные для большей автоматизации. Сегодня, когда нам нужны эффективные и надежные решения для хранения большого количества данных, которые производятся датчиками, основанными на больших данных и облачных платформах, мы считаем, что эти данные содержат очень полезную и ценную информацию, и что на это не уделяется особого внимания. анализировать эти данные, чтобы сделать их умными. В нашем исследовании мы исследуем, как методы интеллектуального анализа данных и машинного обучения могут сыграть важную роль в поиске подходящего шаблона и преобразовании его в ценные вещи для конечного пользователя нашей системы. Здесь мы используем эти данные, чтобы спрогнозировать следующий шаг пользователя, а также дать ценные предложения и обеспечить большую автоматизацию.
ФУНКЦИОНАЛЬНАЯ АРХИТЕКТУРА
Использование правильного формата упрощает анализ данных с помощью методов анализа данных. Мы могли распределить основные функции и сделать категории тисков уровня.
· Визуализация
· Статистика
· Сбор данных
· Машинное обучение
Здесь мы можем увидеть функциональную архитектуру первого уровня нашей системы на рисунке.
На рисунке мы видим, что функциональная архитектура в основном разделена на три части: пользовательский интерфейс: аналитика данных и управление данными.
Управление данными
Уровень управления данными является наиболее важной частью этой функциональной архитектуры. Он управляет всеми данными, которые производятся косвенно датчиками. он собирает данные, которые производятся датчиками, а затем сохраняет эти данные в их соответствующих базах данных или облачных платформах. И эти данные полезны для слоя анализа данных.
Аналитика данных
Уровень аналитики данных отвечает за анализ данных, которые производятся датчиками и дают соответствующий или понятный формат или графическое представление. На этом уровне мы находим закономерности с прошлыми данными или анализом, сравниваем с прошлыми аналитическими данными и генерируем некоторые предсказуемые моменты конечного пользователя.
Пользовательский интерфейс
В нашей архитектуре доступны два типа пользовательского интерфейса: интерфейс конечного пользователя и интерфейс анализа. Интерфейс конечного пользователя содержит все функции, которыми управляют пользователи, например, пользователь может включить или выключить любой вентилятор или свет с помощью этого интерфейса. Конечный пользовательский интерфейс напрямую связан с пользователем. Другой - это пользовательский интерфейс анализа, который предоставляет все аналитические данные и их графическое представление, создаваемое датчиками. В этом интерфейсе мы можем настроить всю конфигурацию нашей системы.
АРХИТЕКТУРА ОБРАБОТКИ ДАННЫХ
На этом рисунке показана схема архитектуры обработки данных. Во-первых, мы можем собирать данные из физического мира с помощью датчиков различных типов, таких как LDR может иметь скудную плотность света, LM35 может измерять температуру и т. Д. Затем на втором этапе мы можем предварительно обработать эти данные и преобразовать их в значимую информацию. Машинное обучение и интеллектуальный анализ данных могут использовать эту информацию, чтобы понять действия пользователя и найти некоторые подходящие шаблоны. На последок принимается решение о рассмотрении всех параметров.
РАЗЛИЧНЫЕ СЛОИ АРХИТЕКТУРЫ
Сбор данных
Уровень сбора данных предоставляет функциональные возможности для сбора любых данных, созданных устройствами, присутствующими в среде. Датчики и устройства могут помещать свои данные в базу данных. Например, в решении для умного дома домашней автоматизации они отправляют сообщения о событиях, содержащие их идентификатор, тип данных, которые они производят, и значение данных. События происходят всякий раз, когда измеренное значение изменилось с момента последнего выброса.
Хранение данных
Согласно нашему исследованию, мы должны выполнять алгоритмы интеллектуального анализа данных и машинного обучения, когда мы собираем данные, нам нужно хранить их данные в специальной базе данных или облачных платформах. В зависимости от объема данных для хранения нам может потребоваться решение для хранения больших данных или стандартная реляционная база данных. В интернете вещей огромное количество датчиков. Домашняя автоматизация при каждом событии выдает показания своих устройств или датчиков.
Предварительная обработка данных
Когда мы хотим применить методы анализа данных или алгоритмы машинного обучения, сначала мы должны очистить данные, которые производятся датчиками или устройствами / модулями. Мы упорядочили эти данные в стандартной форме, которая применима ко всем данным, полученным с помощью различных датчиков. Мы должны определить, какие данные важны, а какие игнорировать. После предварительной обработки данных мы сделали понятную базу данных, которая пригодится на следующих уровнях.
Визуализация данных
Визуализация данных - это эффективный и действенный способ для конечного пользователя, а также для поставщика жилья, чтобы быстро получить представление о состоянии здоровья приспособлений, а также о деятельности, происходящей в жилище, когда, конечно, все приспособления работают правильно.
Интеллектуальный анализ данных
Интеллектуальный анализ данных - это процесс поиска значимой закономерности в большом репозитории данных. Задача интеллектуального анализа данных направлена на обнаружение частой части последовательности событий. Преимущество определения частой части состоит в том, что мы можем оценить ежедневную маршрутизацию пользователя. Этот подход был полезен для выявления и прогнозирования активности пользователей.
Кластеризация: эта задача направлена на группировку элементов из астрономически огромного набора элементов, чтобы элементы внутри одной группы были более похожи друг на друга, чем элементы, принадлежащие разным группам.
Машинное обучение
Машинное обучение и интеллектуальный анализ данных могут сыграть важную роль в нормальной домашней автоматизации для системы умного дома. Это помогает прогнозировать активность пользователей.
Машинное обучение имеет отдаленно однородную цель, чем интеллектуальный анализ данных, с той разницей, что найденные шаблоны являются исполняемыми структурами, которые могут применяться к свежим данным, чтобы предсказать будущие данные или вывести зарождающиеся данные.
Классификация: эта задача направлена на определение категории, к которой принадлежит данное наблюдение. Подход использует обучающую выборку, содержащую правильно классифицированные наблюдения.
Регрессия: это похоже на задачу классификации в случае, когда возможные значения для категории являются числовыми, а не категориальными. В контексте умного дома решение о том, как отрегулировать термостат нагревателя, можно было бы принять на основе тех же количественных показателей датчиков.
ВЫВОДЫ
В последнее время рынок домашней автоматизации и IoT (Интернет вещей) растет очень быстро и нуждается в широком спектре разработок, которые могут быть реализованы в концепции автоматизации умного дома. В нашей статье мы пытаемся сделать больше автоматизации, используя концепции машинного обучения и интеллектуального анализа данных. Здесь мы пытаемся спрогнозировать действия пользователя и дали пользователю соответствующее предложение. Наш мотив - предоставить более удобную и удобную систему для умного пользователя.
ССЫЛКИ
[1] Веб-интеллектуальный анализ данных: изучение гиперссылок, содержимого и данных об использовании. Гейдельберг: Springer-Verlag, 2007.
[2] У. М. Файяд, Г. Пятецкий-Шапиро, П. Смит. От интеллектуального анализа данных до обнаружения знаний в базах данных. В журнале AI.
[3] Интеллектуальный анализ данных: концепции и методы. Морган Кауфманн Паблишерс Инк., 2005 г.
[4] А. К. Джайн, М. Н. Мурти и П. Дж. Флинн. Кластеризация данных: обзор. В опросах ACM Computing.
[5] Б. И. Ахмад, Ф. Якубу, М. А. Багива, У. И. Абдуллахи. (2011). Удаленное управление домом: альтернатива для работы дома вдали от дома. Журнал «Мир компьютерных наук и информационных технологий» (WCSIT), 1 (4), стр. 144–147.
[6] А. В. Ахмад, Н. Ян, С. Икбал и К. Ли, «Внедрение системы мониторинга и дистанционного управления домашней безопасностью на основе ZigBee-GSM», в Proc. 2011 IEEE 54-й Международный симпозиум по схемам и системам Среднего Запада (MWSCAS), Сеул, стр. 1–4.
[7] Т. Бегум, М. С. Хоссейн, М. Б. Уддин и М. С. Х. Чоудхури, «Проектирование и разработка активации и мониторинга системы домашней автоматизации с помощью SMS через микроконтроллер», в Proc. 2009 4-я Международная конференция по компьютерам и устройствам для связи (CODEC 2009), Калькутта, стр.1–3.
