Napovedovanje sekvence dogodkov v pametnem domuVISHAJ, ALBERIM (Avtor) Meža, Marko (Mentor) pametni domovinapovedovanje sekvencSPEEDActive LeZigloboko učenjeGPTPametni domovi so se z razvojem brezžične tehnologije in IoT tehnologije v zadnjem času precej razvili in postali uporabnikom bolj dostopni. Sprva smo lahko hišne naprave upravljali zgolj prek centralnega vmesnika, nato pa smo jih lahko kontrolirali tudi prek prenosnih naprav in večjim številom vmesnikov po celotni hiši. Z nadaljnjim razvojem tehnologije smo pametne domove poskušali še bolj avtomatizirati, tako na področju udobja kot tudi na energetskem in varnostnem področju. Da bi to lahko dosegli, smo razvili različne algoritme za napovedovanje sekvenc dogodkov, ki so eden izmed ključnih dejavnikov na poti do tega cilja. V tem diplomskem delu smo pregledali nekaj že znanih rešitev na tem področju. Najprej smo se osredotočili na bolj preproste algoritme za napovedovanje sekvenc dogodkov, kot sta SPEED in Active LeZi, ki temeljita na LZW kompresijskih algoritmih ter Markovskih verigah. Nato smo pregledali še področje bolj aktualnih in kompleksnih metod, ki temeljijo na globokem učenju. Predstavili smo področje globokega učenja in navedli primere uporabe nevronskih mrež LSTM ter kombinacije CNN-LSTM nevronske mreže v pametnem domu. V drugem delu diplomskega dela smo na realnih podatkih iz pametnega doma preizkusili model globokega učenja, ki temelji na nevronski mreži GPT. Cilj raziskave je bil preveriti vpliv različnih nastavitev hiperparametrov na natančnost napovedi in čas učenja modela. Ugotovili smo, da ima model visoko točnost napovedi naslednjega dogodka, vendar se ta točnost s spreminjanjem njegovih parametrov ni bistveno spremenila. Povečal se je le čas učenja nevronske mreže. To bi lahko bila posledica enostavnosti nabora podatkov, ker imajo naprave v pametnem domu po navadi binaren značaj, ali pa dobrega delovanja naše mreže, saj so se GPT modeli izkazali za zelo učinkovite na tem področju.20242024-09-13 08:05:00Diplomsko delo/naloga161681sl