Nghiên cứu thuật toán dự đoán hành vi mspeed ứng dụng trong nhà thông minh (LV thạc sĩ)Nghiên cứu thuật toán dự đoán hành vi mspeed ứng dụng trong nhà thông minh (LV thạc sĩ)Nghiên cứu thuật toán dự đoán hành vi mspeed ứng dụng trong nhà thông minh (LV thạc sĩ)Nghiên cứu thuật toán dự đoán hành vi mspeed ứng dụng trong nhà thông minh (LV thạc sĩ)Nghiên cứu thuật toán dự đoán hành vi mspeed ứng dụng trong nhà thông minh (LV thạc sĩ)Nghiên cứu thuật toán dự đoán hành vi mspeed ứng dụng trong nhà thông minh (LV thạc sĩ)Nghiên cứu thuật toán dự đoán hành vi mspeed ứng dụng trong nhà thông minh (LV thạc sĩ)Nghiên cứu thuật toán dự đoán hành vi mspeed ứng dụng trong nhà thông minh (LV thạc sĩ)Nghiên cứu thuật toán dự đoán hành vi mspeed ứng dụng trong nhà thông minh (LV thạc sĩ)Nghiên cứu thuật toán dự đoán hành vi mspeed ứng dụng trong nhà thông minh (LV thạc sĩ)Nghiên cứu thuật toán dự đoán hành vi mspeed ứng dụng trong nhà thông minh (LV thạc sĩ)Nghiên cứu thuật toán dự đoán hành vi mspeed ứng dụng trong nhà thông minh (LV thạc sĩ)Nghiên cứu thuật toán dự đoán hành vi mspeed ứng dụng trong nhà thông minh (LV thạc sĩ)
HỌC VIỆN CÔNG NGHỆ BƯU CHÍNH VIỄN THÔNG - Đường Quang Hiếu NGHIÊN CỨU THUẬT TOÁN DỰ ĐOÁN HÀNH VI M-SPEED ỨNG DỤNG TRONG NHÀ THÔNG MINH LUẬN VĂN THẠC SĨ KỸ THUẬT (Theo định hướng ứng dụng) HÀ NỘI - 2017 HỌC VIỆN CÔNG NGHỆ BƯU CHÍNH VIỄN THÔNG - Đường Quang Hiếu NGHIÊN CỨU THUẬT TOÁN DỰ ĐOÁN HÀNH VI M-SPEED ỨNG DỤNG TRONG NHÀ THÔNG MINH Chuyên ngành: Khoa Học Máy Tinh Mã số: 60.48.01.01 LUẬN VĂN THẠC SĨ KỸ THUẬT (Theo định hướng ứng dụng) NGƯỜI HƯỚNG DẪN KHOA HỌC : TS.NGUYỄN TRỌNG KHÁNH HÀ NỘI - 2017 MỤC LỤC LỜI CẢM ƠN LỜI CAM ĐOAN DANH MỤC CÁC THUẬT NGỮ, CHỮ VIẾT TẮT DANH MỤC CÁC BẢNG MỞ ĐẦU 10 CHƯƠNG GIỚI THIỆU VỀ NHÀ THÔNG MINH 11 1.1.Tổng quan nhà thông minh 11 1.1.1 Khái niệm 11 1.1.2 Lịch sử hình thành 11 1.2 Giới thiệu kiến trúc nhà thông minh MavHome 14 1.3 Ứng dụng hệ thống mô nhà thông minh SIMACT 17 1.3.1 Giới thiệu trình mô nhà thông minh SIMACT 17 1.3.2 Ứng dụng SIMACT công nghệ nhà thông minh 23 1.4 Kết luận 24 CHƯƠNG DỰ ĐOÁN HÀNH VI TRONG NHÀ THÔNG MINH 25 2.1 Bài toán dự đoán hành vi người dùng 25 2.1.1 Mô hình chuyển động áp dụng dự đoán 26 2.2 Giới thiệu học máy 28 2.2.1 Một số mô hình học máy 28 2.2.2 Mô hình học máy ứng dụng nhà thông minh 32 2.3 Giới thiệu số thuật toán dự đoán hành vi 34 2.3.1 Thuật toán LZ78 34 2.3.2 Thuật toán Active LeZi 36 2.4 Thuật toán M-SPEED 38 2.4.1 Đặt vấn đề 39 2.4.2 Phân tích thuật toán 39 2.4.3 Tiêu chuẩn đánh giá 40 2.4.4 Thủ tục học liệu 42 2.4.5 Ra định 44 2.4.6 Kết 50 2.5 Kết luận 50 CHƯƠNG THỰC NGHIỆM VÀ ĐÁNH GIÁ 51 4.1.Thực nghiệm 51 4.2 Các bước thực thi giải thuật 53 4.3 So sánh thuật toán SPEED M-SPEED 57 4.4 Kết 59 4.5 Kết luận 60 KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN 61 TÀI LIỆU THAM KHẢO 62 LỜI CẢM ƠN Để hoàn thành luận văn tốt nghiệp “Nghiên cứu thuật toán dự đoán hành vi M-SPEED ứng dụng nhà thông minh”, lời xin gửi cám ơn sâu sắc tới Th.S Nguyễn Trọng Khánh hướng dẫn bảo tận tình suốt thời gian làm khóa luận Tôi xin chân thành cảm ơn Ban giám hiệu nhà trường, thầy cô giáo Trường Học viện Công nghệ Bưu Viễn thông, giảng viên truyền đạt cho kiến thức, kỹ năng, tạo điều kiện giúp đỡ, động viên, chia sẻ để hoàn thành luận văn Bản luận văn chắn nhiều thiết sót, mong thầy cô giáo hội đồng chấm luận văn xem xét, góp ý kiến để luận văn hoàn thiện Tôi xin chân thành cảm ơn! Hà Nội, tháng năm 2017 HỌC VIÊN Đường Quang Hiếu LỜI CAM ĐOAN Với mục đích học tập, nghiên cứu để nâng cao trình độ chuyên môn nên làm luận văn cách nghiêm túc hoàn toàn trung thực.Trong luận văn, có sử dụng tài liệu tham khảo số tác giả, tôiđã nêu phần tài liệu tham khảo cuối luận văn.Tôi xin cam đoan chịu trách nhiệm nội dung, trung thực trongluận văn tốt nghiệp Thạc sĩ Hà Nội, tháng năm 2017 HỌC VIÊN Đường Quang Hiếu DANH MỤC CÁC THUẬT NGỮ, CHỮ VIẾT TẮT Viết tắt M-SPEED Tiếng Anh Tiếng Việt SequencePredictionvia Enhanced Episode Discovery Modified Thuật toán SPEED sửa đổi Smart Home Simulator for Activity Trình mô nhà thông Recognition minh AI Artificial Intelligence Trí tuệ nhân tạo PPM Prediction by partial matching ADL Activities of daily living Hoạt động hàng ngày GUI Graphich User Interface Giao diện đồ họa ML Machine Learning Học máy IOT Internet of Things Internet kết nối vạn vật MavHome Managing An Intelligent Versatile Home SIMACT Dự đoán kết hợp phần Quản lý tài nguyên nhà thông minh DANH MỤC CÁC BẢNG Bảng 1: Những giá trị lưu trữ tất khả xảy tần suất chúng theo thuật toán M-SPEED Bảng 2: Các thiết bị nhà trạng thái kèm DANH MỤC CÁC HÌNH VẼ, ĐỒ THỊ Hình 1: Hệ thống Echo-IV phát triển Jim Sutherland Hình Mô tả hệ thống mạng lưới sử dụng mạng không dây Hình Mô hình tầng hệ thống phân tầng MavHome Hình Mô hình hoạt động theo tầng Hình Công cụ mô SIMACT hoạt động Hình Bảng tùy chỉnh SIMACT Hình Kiến trúc tổng quan SIMACT Hình8 Mô hình đồ thị nhà thông minh Hình Lịch sử hoạt động chủ nhà Hình 10 Mã giả cho thuật toán LZ78 Hình 11.Mô từ phân tích LZ78 qua chuỗi“aaababbbbbaabccddcbaaaa” Hình 12 Mô hình phân tích chuỗi “aaababbbbbaabccddcbaaaa” Active LeZi Hình 13 Bộ sở liệu chữ số viết tay Hình 14 Trí thông minh nhân tạo chơi cờ vây với người Hình 15 Mô hình ứng dụng học máy vào môi trường nhà thông minh Hình 16 Mã giả thuật toán M-SPEED Hình 17 Cây tạo M-SPEED sau xử lý chuỗi AdCBb2D3a12B4c7C1A2d8a1b8c3B3A11D4a2b3 Hình 18 Mã giả phần định Hình 19 Sơ đồ bố trí cảm biến phòng Hình 20 Một phần liệu thô thu thập từ MavHome Hình 21 Mô hình bước hoạt động M-SPEED Hình 22 Quá trình tạo episode Hình 23 Cây nhị phân Markov tạo Hình 24 Kết dự đoán SPEED M-SPEED Hình 25 Sự khác code SPEED M-SPEED Hình 26 So sánh độ xác thuật toán M-SPEED, SPEED MỞ ĐẦU Nhà thông minh định nghĩa không gian sống nơi làm việc hỗ trợ tương tác tự nhiên thích ứng với người dùng Sự thích ứng hiểu theo nghĩa phản ứng liên tục thích ứng với điều kiện thay đổi để thoả mãn nhu cầu sử dụng người dùng Do vậy, Nhà thông minh phải có khả dự đoán mô hình di động thói quen sử dụng thiết bị người dùng Với dự đoán vậy, nhà thông minh gửi thông điệp thông tin đa phương tiện cách xác tự động hoá hoạt động mà nhà bình thường, người dùng phải đích thân thực Nhà thông minh coi tác nhân thông minh, cảm nhận tình trạng nhà thông qua cảm biến tác động lên môi trường từ tác nhân phát Mục đích nhà thông minh nhằm làm tăng thoải mái an toàn cho người dùng, tối ưu hoá lượng sử dụng loại bỏ hoạt động lặp lặp lại không cần thiết Do đó, hướng dẫn TS Nguyễn Trọng Khánh, tìm hiểu đề tài “Nghiên cứu thuật toán dự đoán hành vi M-SPEED ứng dụng nhà thông minh”.Luận văn tập trung nghiên cứu toán dự đoán hành vi, biến thể chúng Để từ áp dụng cho toán dự đoán hành vi ứng dụng nhà thông minh, với hai ràng buộc cụ thể dự đoán định 10 Theo cách vậy, xácxuất nhìn thấy kí hiệu khác cho kiện sau ADahoàn toàn tính toándđược ví dụ xác xuất gặp dlà: (3) Như xác xuất giá trị cho kiện lại ví dụ a,c,A,B,C,vàDđều đượctiính toán kiện với xác xuất lớn chọn kiện có khả diễn Tuy nhiên trường hợp kiện có xác xuất thường xuyên xảy Đó lý yếu tố thời gian nằm thuậttoán M-SPEED Ví dụ chuỗiAdCBb2D3a12B4c7C1A2d8a1b8c3B3A11D4a2b3.Nếu xác xuất kiện A B and xác xuất hai kiện có tổng thời gian dài lựa chọn Trong trường hợp A có tổng thời lượng của12+1+2=15 B có tổng thời lượng 2+8+3=13.Do vậy, tổng thời lượng A dài B nên A kiện tiếph teo Mã số giả thuật toán định cuối đưa hình 18 final decision making: timestorage := output of generate_episode next := output of ppm of next >1 next := event that is the maximum of timestorage(indices of the elements in next ) end Hình 18 Mã giả phần định Để hiệu lực hoá tính hiệu thuật toán cần đến đến liệu khổng lồ Bài nghiên cứu sử dụng liệu thực tế MavLab để chứng minh tính hiệu M-SPEED.Bộ liệu thực thực nghiệm 49 củaMavHometại trường đại học Texas, Arlington[18].Thực nghiệm gồm 50 thiết bị khác với hai trạng thái mở đóng Trong MavHome, tất thiết bị X10 chia thành 16 khu vực khu vực có ID Tổng số thời gian thiết bị đo lường lưu trữ liệu Hơn 700 chuỗi trạng thái tạo tháng với thực nghiệm Do đó, bộdữ liệu dùng để xác mạnh tính hiệu lực thuật toán 2.4.6 Kết Do việc kiểm tra tập tin ảnh hưởng đến độ xác thuật toán nên M-SPEED kiểm tra với trạng thái hội tụ khác để xác minh xu hướng thực mức độ dự đoán xác Tuy nhiên, liệu MavHome gồm nhiều tập tin giá trị phát thông qua việc tính toán thời gian sau tách khỏi chuỗi kiện Do đó, không giống thuật toán dự đoán khác, M-SPEED không cần tham số cụ thể nên ứng dụng cho tập liệu Về lọc thông tin hữu ích khỏi tập tin Mặt khác, SPEED, ALZ với quy luật thời gian phát tập tin giá trị Do vậy, lọc sử dụng cho thuật toán khác để có kết so sánh 2.5 Kết luận M-SPEED thuật toán dự đoán trình tự sửa đổi so với phiên SPEED trước cách sử dụng khoảng thời gian tắt-bật thiết bị để định bước hành động M-SPEED khám phá kiện theo giai đoạn dựa ứng xử người dùng, tự học thông qua kiện thu nạp đưa định dựa kiện kiến thức 50 CHƯƠNG THỰC NGHIỆM VÀ ĐÁNH GIÁ Thuật toán M-SPEED xây dựng lên mô hình Markov với bậc k-1 đưa dự đoán cách sử dụng thuật toán nén liệu PPM Nguyên lý Smarthome hành động kiện có mở đầu kết thúc Ví dụ trở nhà, người chủ bước vào phòng khách đèn bật lên (ON), điều hòa bật (ON) Khi người rời phòng khách thìđiều hòa tắt (OFF) đèn tắt (OFF) Tiếp theo người bước vào tắm, đèn bật (ON), bình nóng lạnh bật (ON), bình nóng lạnh tắt (OFF), đèn tắt(OFF) người chủra khỏi phòng tắm Mọi hoạt động thường diễn theo trình tự định ví dụ điều hòaphòng khách không bật trước đèn phòng khách bật 4.1.Thực nghiệm - Phạm vi thực nghiệm văn phòng - Ngôn ngữ lập trình dùng để viết chương trình demo: java - Phần mềm chạy chương trình Eclipse Java Neon - Mục đích thử nghiệm để thực thi giải thuật so sánh độ xác thực tế thuật toán M-SPEED SPEED - Dữ liệu đầu vào: Lịch sử sử dụng thiết bị ngày thu thập hai tháng từ nghiên cứu mô hình nhà thông minh kiến trúc MavHome 51 Hình 19 Sơ đồ bố trí cảm biến phòng - Các phòng chức năng: J: Phòng hội nghị I: Phòng ăn H: Phòng khách A,B,C,D,E,F: Các khoang làm việc G: Phòng giám đốc - Các cảm biến: + M cảm biến chuyển động: Phát chuyển động thông qua quang nhiệt hình ảnh + L cảm biến ánh sáng: Phát đo cường độ sáng để điểu chỉnh bật tắt bóng đèn cho phù hợp + T cảm biến nhiệt độ: đo nhiệt độ phòng gửi thông tin đến xử lý phân tích điều chỉnh bật, tắt, tăng giảm nhiệt độ phù hợp + H cảm biến độ ẩm: đo độ ẩm phòng để gửi thông tin đến xứ lý cân độ ẩm thích hợp 52 + R công tắc điện tử: bật tắt thiết bị tay 4.2 Các bước thực thi giải thuật Bước 1:Từ liệu thô chuyển sang liệu dạng string để sử dụng cho thuật toán phân tích dự đoán 3/1/2003 10:10:10 PM (Studio E) E16 ON 3/1/2003 10:10:10 PM (Studio E) E16 OFF 3/1/2003 10:10:10 PM (Studio E) E9 ON 3/1/2003 10:10:10 PM (Studio E) E9 ON 3/2/2003 12:35:0 AM (Living Room) H11 ON 3/2/2003 12:35:0 AM (Living Room) H11 OFF 3/2/2003 12:40:0 AM (Studio E) E9 OFF 3/2/2003 12:42:0 AM (Studio E) E9 OFF 3/2/2003 12:42:0 AM (Studio E) E9 ON 3/2/2003 12:43:0 AM (Studio E) E9 OFF 3/2/2003 12:43:0 AM (Studio E) E9 ON 3/2/2003 12:43:0 AM (Studio E) E9 OFF 3/2/2003 12:43:0 AM (Studio E) E9 ON 3/2/2003 12:43:0 AM (Studio E) E9 OFF 3/2/2003 1:18:0 AM (Studio E) E9 OFF 3/2/2003 1:18:0 AM (Studio E) E9 ON 3/2/2003 1:18:0 AM (Studio E) E9 OFF 3/2/2003 1:26:0 AM (Superdoc Office) G11 ON 3/2/2003 1:26:0 AM (Superdoc Office) G11 OFF 3/2/2003 1:44:0 AM (Superdoc Office) G11 ON 3/2/2003 1:47:0 AM (Superdoc Office) G11 ON 3/2/2003 1:48:0 AM (Superdoc Office) G11 OFF 3/2/2003 1:50:0 AM (Superdoc Office) G11 ON 3/2/2003 1:50:0 AM (Superdoc Office) G11 OFF 3/2/2003 2:40:0 AM (Living Room) H9 ON Hình 20 Một phần liệu thô thu thập từ MavHome Bước 2:Từ liệu phân tích tiếp tục chuyển đổi liệu dạng string thành event dạng A,a,B,b… tạo chuỗi liệu đầu vào 53 Hình 21 Mô hình bước hoạt động M-SPEED Bước 3:Từ chuỗi liệu đầu vào sử dụng thuật toán M-SPEED để tạo episode Step: 659 Event: f16 Current Window: [C11, a14, a15, c11, F16, f16] Possible contexts from episode: [[F16], [F16, f16], [f16]] episode: [F16, f16] Max Episode Length after episode extraction: [a15, c11, F16, f16] Window after episode extraction: -Step: 660 Event: I14 Current Window: [a15, c11, F16, f16, I14] episode: Not found Max Episode Length after episode extraction: [a15, c11, F16, f16, I14] Window after episode extraction: -Step: 661 Event: C9 Current Window: [a15, c11, F16, f16, I14, C9] 54 episode: Not found Max Episode Length after episode extraction: [a15, c11, F16, f16, I14, C9] Window after episode extraction: -Step: 662 Event: B9 Current Window: [a15, c11, F16, f16, I14, C9, B9] episode: Not found Max Episode Length after episode extraction: [a15, c11, F16, f16, I14, C9, B9] Window after episode extraction: Hình 22 Quá trình tạo episode Các episode tạo theo thứ tự: dCBb2D, AdCBb2D3a, b2D3a12B, CBb2D4a12B4c, Cc1, a12B4cC1A, D4a12BcC1A2d, A2d8a, BcC1A2d8a1b, C1A2d8a1b8c, b8c3B3, a1b8c3B3A, d8a1b8c3B3A11D, A11D4a, B3A11D4a2b Bước 4:Từ episode tạo context có khả xảy episode Tổng context tạo từ episode là: A(4), B(8), C(4),D(6), a(6), b(7),c(4), d(4), AD(2),Ad(2), BA(1),Bb(3), Bc(2),CB(3), Da(4),aB(2), ab(1),bc(1),bD(4), cB(2), cC(1),da(2), dC(2),Abc(1), Ada(1),AdC(1), BAD(1),Bbd(3), CBb(3),DaB(2), Dab(1),aBc(1),bDa(3),bcB(2), cBA(1),dCB(2), AdCB(1), BbD(2), CBbD(3), DaBc(1), Dabc(1), abcB(1), bcBA(1),bDaB(2),cBAD(1),dCBb(2),AdCBb(1),BbDaB(1),CBbDa(2),abcBA(1),b DaBc(1),bcBAD(1),dCBbD(2),dabcB(1),AdCBbD(1),BbDaBc(1),CBbDaB(1),abcBAD(1),dCBbDa(1),dabcBA(1) Bước 5:Tổng hợp tất context xảy với chuỗi đầu vào để tạo nhị phân k-1 Markov b, Bb, d,CB ,b ,D, dC, CB, Bb, bD, dCB, CBb, BbD, dCBb, CBbD, dCBbD, d, C, B, b, D, a, Ad, dC, CB, Bb, bD, Da, AdC, dCB, CBb, BbD, bDa, AdCB, 55 dCBb, CBbD, BbDa, AdCBb, dCBbD, CBbDa, AdCBbDa, , D, a, B, bD, Da, aB, bDa, DaB, bDaB, B, b, D, a, B, c, ( ),C, cC, B, c, C, A, aB, Bc, cC, CA, aBc, BcC, cCa, aBcC, BcCa, aBcCa, a, B, c, C, A, d, ( ),,d,a,Ad,da,Ada, c, C, A, d, a, b, ( ),c,B,bc,cB,bcB, b, c, B, A, ab, bc, cB, BA, abc, bcB, cBA, abcB, bcBa, abcBA, a, b, c, B, A, D,( ), , D, a, AD, Da,Ada, , A, D, a, b, BA, AD, Da, ab, BAD, ADa, Dab, BADa, ADab, BADab | | I16(4) | | | | | | | | | | | | | | p1(1) | + i14(5) | + i16(3) + i11(3) + I11(2) + I14(2) + i14(1) + d9(1) + i11(4) | + d11(3) | + d9(2) | + H9(1) | i11(67) | | I11(9) | | | | | i14(1) | | | | | + O7(4) | | | | | | | | | | | | | | | | + I14(7) + d9(1) + C9(4) + B9(4) + i14(4) + i11(4) + d9(4) + d11(3) + I14(2) + i14(2) | | + I11(2) Hình 23 Cây nhị phân Markov tạo 56 Bước 6:Dùng thuật toán PPM để tính toán xác suât kiện với chuỗi kiện đầu vào dựa vào xác suất context xảy D12: 0/10 + 4/10*(0/42 + 13/42*(12/5522)) = 0.000269 Event: D12 Percent: 2.6905368E-4 Formula: D14: 0/10 + 4/10*(0/42 + 13/42*(5/5522)) = 0.000112 Event: D14 Percent: 1.121057E-4 Formula: e11: 0/10 + 4/10*(1/42 + 13/42*(4/5522)) = 0.009613 Event: e11 Percent: 0.009613493 Formula: E11: 0/10 + 4/10*(0/42 + 13/42*(4/5522)) = 0.000090 Event: E11 Percent: 8.968455E-5 Formula: A12: 0/10 + 4/10*(0/42 + 13/42*(6/5522)) = 0.000135 Event: A12 Percent: 1.3452684E-4 Formula: a12: 0/10 + 4/10*(0/42 + 13/42*(6/5522)) = 0.000135 Event: a12 Percent: 1.3452684E-4 M-SPEED Real Event: e9 M-SPEED Predicted Event: e9 Precent SPEED = 73.9726 Precent MSPEED = 97.26028 Hình 24 Kết dự đoán SPEED M-SPEED Như hình 24 ta kết dự đoán chạy giải thuật e9 với độ xác thống kê 97,26% M-SPEED 73,97% SPEED 4.3 So sánh thuật toán SPEED M-SPEED Vì M-SPEED thuật toán sửa đổi từ SPEED vậy, sác bước thực thuật toán SPEED M-SPEED giống nhau, nhiên thuật toán M-SPEED sửa đổi để tăng tốc độ xử lý độ xác với yếu tố: - Sử dụng thời gian event để loại bỏ event giá trị từ thu gọn tập cần phân tích Ví dụ: chuỗi ABb7CDhc8a4aaH5, tập ABb7CDhc8a4 bị loại bỏ tập bên có số thời gian thời gian tổng tập ( Bb có 57 CDhc có ABb7CDhc8a phải có thời gian 15 trong dãy bên thời gian tập lớn 4) Như vậy, tất tập chưa hoàn thành hiệu lực bị giảm Chuỗi tối ưu hóa để tách tập từ lịch sử kiện - Chọn event có thời gian lớn có xác suất Ví dụ chuỗi AdCBb2D3a12B4c7C1A2d8a1b8c3B3A11D4a2b3 Nếu xác xuất kiện A B xác xuất hai kiện có tổng thời gian dài lựa chọn Trong trường hợp A có tổng thời gian 12 + + = 15 B có tổng thời gian + + = 13 Do vậy, tổng thời gian A dài B nên A kiện - Tất kiện mở chưa hoàn thiện lưu lại lưu trữ đặc biệt thuật toán M-SPEED thuật toán cũ SPEED phát tập xảy Đây thay đổi thuật toán M-SPEED giúp tăng độ xác dự đoán Sau dò tìm tập bất kì, thuật toán M-SPEED tạo tình có khả xảy trình bày bảng Giống thuật toán SPEED, thuật toán M-SPEED tạo k – mô hình Markov k = Max_Window_Length (độ dài lớn nhất) Tuy nhiên, thuật toán M-SPEED lưu trữ chứa tập giá trị thời gian tương ứng 58 Hình 25 Sự khác code SPEED M-SPEED 4.4 Kết Hình 26 So sánh độ xác thuật toán M-SPEED, SPEED Hình 26 cho thấy hiệu suất thuật toán chúng kiểm nghiệm với liệu MavHome thông qua lọc Ban đầu độ xác M-SPEED tương đương với thuật toán SPEED nhiên nhiều kiện diễn ra, độ xác 59 chênh lệch Theo số liệu có được, độ xác dự đoán M-SPEED cao SPEED Nó tỷ lệ hội tụ M-SPEED nhanh so với phương pháp khác 4.5 Kết luận Trong chương này, thuật toán M-SPEED thực thi với chuỗi liệu huấn luyện ban đầu đưa vào lịch sử hoạt động thiết bị ghi lại tháng dự án MavHome Từ chuỗi liệu thuật toán phân tích học máy Cây phân tích tạo dựa mô hình Markovdựa phân tích áp dụng thuật toán M-SPEED để hệ thống dự đoán hành vi đưa dự đoán hành vi Qua thử nghiệm thấy độ xác M-SPEED đạt 97% kết tốt so với thuật toán SPEED cũ đạt 73% với liệu phân tích ban đầu giống Với liệu học lớn độ xác M-SPEED tăng đồng thời tốc độ xử lý nhanh so với SPEED Thử nghiệm thực chương trình mô nhà thông minh 3D SIMACT trực quan sinh động nhiên khó khăn nêu mục 1.3.2 luận văn thực nghiệm với liệu có sẵn MavHome 60 KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN Trong phạm vi luận văn thực nghiên cứu toán dự đoán hành vi thông qua thuật toán M-SPEED số thuật toán dự đoán khác LeZi, Active LeZi, đồng thời tìm hiểu trình mô nhà thông minh SIMACT ứng dụng trình mô Luận văn trình bày mô hình học máy ứng dụng nhà thông minh giới thiệu kiến trúc nhà thông minh mô hình MavHome Luận văn phân tích thực thi giải thuật thuật toán M-SPEED qua đưa kết thực tế so sánh độ xác thuật toán SPEED M-SPEED Trong tương lai công nghệ nhu cầu nhà thông minh phát triển mạnh mẽ chắn thúc đẩy thuật toán dự đoán phát triển cải thiện tính xác cao ứng dụng dự đoán hành vi sử dụng rộng rãi không ứng dụng môi trường nhà thông minh mà nhiều lĩnh vực khác 61 TÀI LIỆU THAM KHẢO [1] A Review of Systems and Technologies for Smart Homes and Smart Grids, Department of Architectural Design, History and Technology, Norwegian University of Science and Technology (NTNU), Trondheim NO-7491, Norway [2] S K Das, D J Cook, A Battacharya, E O Heierman and T.-Y Lin, "The role of prediction algorithms in the MavHome smart home architecture," IEEE Wireless Communications, pp 77 - 84, 2002 [3]Dixit, A., &Naik, A (2014) Use of Prediction Algorithms in Smarthomes International Journal of Machine Learning and Computing, 4(2), 157–162 https://doi.org/10.7763/IJMLC.2014.V4.405 [4] SIMACT: a 3D Open Source Smart Home Simulator for Activity Recognition with Open Database and Visual Editor, K Bouchard, A Ajroud, B Bouchard and A BouzouaneLIARA Laboratory, Universite du Quebec a Chicoutimi (UQAC)555 boul Universite, Saguenay (QC), Canada, G7H 2B1{Kevin.Bouchard, Amir.Ajroud, Bruno.Bouchard, Abdenour.Bouzouane}@uqac.ca [5] M Powell, “Java Monkey Engine (JME)”, http:// www.jmonkeyengine.com, (2008) [6] M Refaat Nasr, “Open Source Software: The use of open source software and its impact on organizations”, Master Thesis, Middlesex university, 129 pages, (2007) June [7] Google ©, SketchUp 7, http://sketchup.google.com/,(2009) [8] M Hartmann and D Schreiber, “Prediction algorithms for useractions,” LWA’07, pp 349-354, 2007 [9] S K Das, D J Cook, A Bhattacharya, E O H Iii, and T.-Y Lin,“The role of prediction algorithms in the mavhome smart homearchitecture,” IEEE Wireless Communications, December 2002 [10] Aditi Dixit and Anjali Naik, Use of Prediction Algorithms in Smart Homes, International Journal of Machine Learning and Computing, Vol 4, No 2, April 2014 62 [11] Karthik Gopalratnam and Diane J Cook Department of Computer Science and Engineering The University of Texas at Arlington, Arlington, Texas 76019-0015 {gopalara, cook}@cse.uta.edu “Active LeZi: An Incremental Parsing Algorithm for Sequential Prediction” p38-42 [12] Stenudd, S (2010) Using machine learning in the adaptive control of a smart environment Vtt Publications 751 Retrieved from http://www.vtt.fi/inf/pdf/publications/2010/P751.pdf?origin=publication_detail [13] Using machine learning in the adaptive control of a smartenvironment -Sakari Stenudd, pp 1-75 [14] Proactive Fuzzy Control and Adaptation Methods for Smart Homes IEEE Intelligent Systems 2008; Vainio A-M, Valtonen M, Vanhala J 23 (2), pp 42-49 [15] The role of prediction algorithms in the MavHome smart home architecture IEEE Wireless Communications 2002; Das SK, Cook DJ, Battacharya, Heierman III EO,Lin T-Y (6): pp 77– 84 [16] FPGAbased Distribbuted Task Organizing Agents in Smart Home Proc of the 2nd International Conferenceon Research in Science, Engineering and Technology (ICRSET’2014), Dubai, March 21–22,2014, Marufuzzaman M, Reaz MBI, Islam MT, pp 1–5 [17] Alam, M R., Reaz, M B I., &Mohd Ali, M A (2012) SPEED: An inhabitant activity prediction algorithm for Smarthomes IEEE Transactions on Systems, Man, and Cybernetics Part A:Systems and Humans, 42(4), 985–990 https://doi.org/10.1109/TSMCA.2011.2173568 [18] Smart Home Datasets Washington State University[Online] Available: http://ailab.eecs.wsu.edu/casas/datasets.html 63 ... Nghiên cứu thuật toán dự đoán hành vi M-SPEED ứng dụng nhà thông minh .Luận văn tập trung nghiên cứu toán dự đoán hành vi, biến thể chúng Để từ áp dụng cho toán dự đoán hành vi ứng dụng nhà thông. .. lập nhà thông minh 3D SIMACT công cụ giúp nghiên cứu thử nghiệm hệ thống nhà thông minh thuật toán dự đoán sử dụng nhà thông minh hệ thống mô ảo 24 CHƯƠNG DỰ ĐOÁN HÀNH VI TRONG NHÀ THÔNG MINH. ..HỌC VI N CÔNG NGHỆ BƯU CHÍNH VI N THÔNG - Đường Quang Hiếu NGHIÊN CỨU THUẬT TOÁN DỰ ĐOÁN HÀNH VI M-SPEED ỨNG DỤNG TRONG NHÀ THÔNG MINH Chuyên ngành: Khoa