<?xml version="1.0"?>
<metadata xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance" xmlns:dc="http://purl.org/dc/elements/1.1/"><dc:title>Napovedni model dogodkov pametnega doma</dc:title><dc:creator>AHLIN,	FILIP	(Avtor)
	</dc:creator><dc:creator>Košir,	Andrej	(Mentor)
	</dc:creator><dc:subject>pametno stanovanje</dc:subject><dc:subject>prepoznavanje aktivnosti uporabnikov</dc:subject><dc:subject>analiza senzorskih podatkov</dc:subject><dc:subject>segmentacija dogodkov</dc:subject><dc:subject>Naivni Bayesov klasifikator</dc:subject><dc:subject>skriti Markov model</dc:subject><dc:subject>metoda podpornih vektorjev</dc:subject><dc:subject>klasifikator naključnega gozda</dc:subject><dc:subject>strojno učenje</dc:subject><dc:description>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.</dc:description><dc:date>2026</dc:date><dc:date>2026-11-10 07:50:11</dc:date><dc:type>Magistrsko delo/naloga</dc:type><dc:identifier>190991</dc:identifier><dc:identifier>VisID: 63441</dc:identifier><dc:language>sl</dc:language></metadata>
