Система ідентифікації персоналізованих динамічних сценаріїв роботи розумного будинку на основі методу регресійного дерева рішень

Abstract

UA: Метою роботи є створення програмно-апаратної системи ідентифікації персоналізованих динамічних сценаріїв роботи розумного будинку. Персоналізовані динамічні сценарії роботи розумного будинку здатні підвищити енергоефективність та забезпечити індивідуалізований підхід до комфорту користувачів. Система ідентифікації визначає сценарій роботи розумного дому враховуючи історичні дані результатів моніторингу показників температури, вологості, рівня освітленості приміщення і наявності людини в приміщенні. Моделювання системи виконано засобами UML діаграм, а також в середовищах Mental Modeler та MATLAB. В середовище Node-RED інтегровані модулі системи, які забезпечують формування синтетичних даних із врахуванням перехідних процесів в системі, для навчання моделі регресійного дерева рішень; отримання даних від сенсорів за протоколом MQTT; визначення сценаріїв роботи розумного дому за допомогою вже навченої моделі регресійного дерева рішень та візуалізацію результатів ідентифікації сценаріїв в Node-RED. Система ідентифікації задовольняє потребам граничних обчислень. Проведене тестування системи підтвердило перспективність обраного підходу до формування сценаріїв роботи, що динамічно змінюються відповідно уподобань користувача.

EN: The purpose of the work is to create a software and hardware system for identifying personalized dynamic scenarios of smart home operation. Personalized dynamic scenarios of smart home operation can increase energy efficiency and provide an individualized approach to user comfort. The identification system determines the scenario of a smart home operation considering historical data from monitoring results of temperature, humidity, room illumination level and presence of a person in the room. The system is modeled using UML diagrams, as well as in the Mental Modeler and MATLAB environments. The Node-RED environment integrates system modules that provide synthetic data generation taking into account transient processes in the system for training a regression decision tree model; receiving data from sensors via the MQTT protocol; determining smart home operation scenarios using an already trained regression decision tree model and visualizing the results of scenario identification in Node-RED. The identification system meets the needs of edge computing. The system testing confirmed the promising approach to the formation of work scenarios that dynamically change according to user preferences.