Podrobno

Napovedni model dogodkov pametnega doma
ID AHLIN, FILIP (Avtor), ID Košir, Andrej (Mentor) Več o mentorju... Povezava se odpre v novem oknu

.pdfPDF - Predstavitvena datoteka, prenos (966,33 KB)
MD5: DE20DF42AA9C35925C6276717647903C

Izvleček
Magistrska naloga obravnava problem analize senzorskih podatkov pametnega stanovanja ter napovedovanja uporabniških aktivnosti na osnovi zaporedij dogodkov. Zaradi velike količine heterogenih podatkov, neuravnoteženosti razredov ter prisotnosti šuma predstavlja obdelava podatkov pametnih okolij pomemben raziskovalni izziv na področju prepoznavanja aktivnosti uporabnikov in pametnih bivalnih sistemov. V okviru dela je bil razvit modularni programski sistem za obdelavo podatkovne zbirke CASAS/Kyoto. Sistem vključuje postopke uvoza, validacije in normalizacije senzorskih podatkov, empirično klasifikacijo senzorjev, preslikavo binarnih vrednosti ter segmentacijo dogodkov z uporabo časovnih in prostorsko-časovnih metod. Za napovedovanje aktivnosti je bilo implementiranih in ovrednotenih več klasifikacijskih modelov strojnega učenja, in sicer naivni Bayesov klasifikator kot primarni klasifikator, metoda podpornih vektorjev (SVM), klasifikator naključnega gozda in skriti Markov model (HMM). Pri učenju naivnega Bayesovovega klasifikatorja je bilo uporabljeno Laplaceovo glajenje za obravnavo redkih oziroma neopaženih dogodkov. Uspešnost posameznih modelov je bila ovrednotena z uporabo klasifikacijskih metrik natančnost, priklic, F1-mere in AUC. Rezultati evalvacije kažejo, da so vsi obravnavani modeli sposobni uspešnega prepoznavanja aktivnosti uporabnikov na podlagi senzorskih dogodkov. Razlike med posameznimi algoritmi so bile razmeroma majhne, zato na podlagi izvedene evalvacije ni mogoče zanesljivo sklepati o izraziti superiornosti posameznega pristopa. Analiza mikro in makro povprečenja potrjuje izrazito neuravnoteženost podatkovne zbirke, ki pomembno vpliva na uspešnost klasifikacije. Rezultati potrjujejo uporabnost predlagane arhitekture za analizo vedenjskih vzorcev v pametnih okoljih ter predstavljajo dobro izhodišče za nadaljnji razvoj naprednejših metod strojnega učenja in sekvenčnega modeliranja aktivnosti uporabnikov.

Jezik:Slovenski jezik
Ključne besede:pametno stanovanje, prepoznavanje aktivnosti uporabnikov, analiza senzorskih podatkov, segmentacija dogodkov, Naivni Bayesov klasifikator, skriti Markov model, metoda podpornih vektorjev, klasifikator naključnega gozda, strojno učenje
Vrsta gradiva:Magistrsko delo/naloga
Organizacija:FE - Fakulteta za elektrotehniko
Leto izida:2026
PID:20.500.12556/RUL-190991 Povezava se odpre v novem oknu
Datum objave v RUL:10.11.2026
Število ogledov:69
Število prenosov:23
Metapodatki:XML DC-XML DC-RDF
:
Kopiraj citat
Objavi na:Bookmark and Share

Sekundarni jezik

Jezik:Angleški jezik
Naslov:Predictive Model for Smart Home Events
Izvleček:
This master's thesis addresses the problem of analyzing smart home sensor data and predicting user activities based on event sequences. Due to the large volume of heterogeneous data, class imbalance, and the presence of noise, processing data from smart environments represents an important research challenge in the fields of human activity recognition and intelligent living systems. As part of this work, a modular software framework for processing the CASAS/Kyoto dataset was developed. The system includes procedures for importing, validating, and normalizing sensor data, empirical sensor classification, binary value mapping, and event segmentation using temporal and spatio-temporal methods. Several machine learning classification models were implemented and evaluated for activity prediction, including a naive Bayes classifier as the primary baseline model, a Support Vector Machine (SVM), a Random Forest classifier, and a Hidden Markov Model (HMM). Laplace smoothing was applied during the training of the naive Bayes model to address rare and previously unseen events. The performance of the individual models was evaluated using the classification metrics precision, recall, F1-score, and AUC. The evaluation results demonstrate that all considered models are capable of successfully recognizing user activities from sensor events. The differences between the individual algorithms were relatively small, making it difficult to draw reliable conclusions regarding the clear superiority of any single approach. The analysis of micro- and macro-averaged metrics confirms the significant class imbalance present in the dataset, which substantially affects classification performance. The results validate the usefulness of the proposed architecture for analyzing behavioral patterns in smart environments and provide a solid foundation for the further development of advanced machine learning methods and sequential activity modeling.

Ključne besede:smart home, human activity recognition, sensor data analysis, event segmentation, Naive Bayes classifier, Hidden Markov model, Support Vector Machine, Random Forest classifier, machine learning

Podobna dela

Podobna dela v RUL:
Podobna dela v drugih slovenskih zbirkah:

Nazaj