Machine Learning as a Service for a Personalized Smart Home Environment
Author
Gkentzoglanis, Konstantinos
Term
4. term
Publication year
2017
Submitted on
2017-06-07
Pages
94
Abstract
Dette projekt designer og udvikler en personlig tjeneste til smarte hjem med målet om et selvkørende hus, hvor forbundne enheder styrer sig selv efter beboernes præferencer. Vi bruger Internet of Things (IoT—internetforbundne enheder), skyen (online servere) og kognitiv computing (AI-lignende metoder) til at styre enheder og indsamle historiske data om adfærd i hjemmet, fx rumtemperatur og om lys er tændt. En skybaseret IoT-platform og software-simulerede enheder blev brugt til at opbygge dette datasæt. Beboere kan interagere direkte med enhederne eller via en smartphone-app; appen udnytter skybaseret kognitiv computing for en mere naturlig interaktion. Efter dataindsamling trænede vi flere supervised machine learning-modeller (som lærer af mærkede eksempler) og anvendte tidsserieprognoser (forudsiger fremtidige værdier ud fra tidligere mønstre). De trænede modeller blev evalueret, og den bedst præsterende blev valgt. Smartphone-appen kommunikerer med denne model via en webtjeneste for at få forudsigelser af enheders tilstande over tid, og enhederne justeres automatisk på baggrund af disse prognoser.
This project designs and develops a personalized service for smart homes with the goal of a self-operating house, where connected devices run themselves according to residents’ preferences. We use the Internet of Things (IoT—networked devices), cloud computing (online servers), and cognitive computing (AI-like methods) to control devices and collect historical data about household behavior, such as room temperature and whether lights are on. A cloud-based IoT platform and software-simulated devices were used to build this dataset. Residents can interact with devices directly or via a smartphone app; the app leverages cloud-based cognitive computing to enable more natural interactions. After data collection, we trained several supervised machine-learning models (which learn from labeled examples) and applied time-series forecasting (predicting future values from past patterns). We evaluated the trained models and selected the best-performing one. The smartphone app communicates with this model through a web service to request predictions of device states over time, and device settings are automatically adjusted based on these forecasts.
[This abstract was generated with the help of AI]
Keywords
Documents