Nghiên cứu thuật toán dự đoán hành vi m speed ứng dụng trong nhà thông minh (tt)

HỌC VIỆN CƠNG NGHỆ BƯU CHÍNH VIỄN THƠNG - Đường Quang Hiếu NGHIÊN CỨU THUẬT TOÁN DỰ ĐOÁN HÀNH VI M-SPEED ỨNG DỤNG TRONG NHÀ THÔNG MINH Chuyên ngành: Khoa Học Máy Tính Mã số: 60.48.01.01 TĨM TẮT LUẬN VĂN THẠC SĨ HÀ NỘI - 2017 Luận văn hoàn thành tại: HỌC VIỆN CƠNG NGHỆ BƯU CHÍNH VIỄN THƠNG Người hướng dẫn khoa học:…………………………………………………………… (Ghi rõ học hàm, học vị) Phản biện 1: …………………………………………………………………………… Phản biện 2: ………………………………………………………………………… Luận văn bảo vệ trước Hội đồng chấm luận văn thạc sĩ Học viện Cơng nghệ Bưu Viễn thông Vào lúc: ngày tháng năm Có thể tìm hiểu luận văn tại: - Thư viện Học viện Công nghệ Bưu Viễn thơng MỤC LỤC LỜI CẢM ƠN MỞ ĐẦU CHƯƠNG GIỚI THIỆU VỀ NHÀ THÔNG MINH 1.1.Tổng quan nhà thông minh 1.1.1 Khái niệm 1.1.2 Lịch sử hình thành 1.2 Giới thiệu kiến trúc nhà thông minh MavHome 1.3 Ứng dụng hệ thống mô nhà thông minh SIMACT 1.3.1 Giới thiệu trình mơ nhà thơng minh SIMACT 1.3.2 Ứng dụng SIMACT công nghệ nhà thông minh 1.4 Kết luận CHƯƠNG DỰ ĐOÁN HÀNH VI TRONG NHÀ THƠNG MINH 2.1 Bài tốn dự đoán hành vi người dùng 2.1.1 Mơ hình chuyển động áp dụng dự đoán 2.2 Giới thiệu học máy 10 2.2.1 Một số mơ hình học máy 10 2.2.2 Mơ hình học máy ứng dụng nhà thông minh 11 2.3 Giới thiệu số thuật toán dự đoán hành vi 13 2.3.1 Thuật toán LZ78 13 2.3.2 Thuật toán Active LeZi 14 2.4 Thuật toán M-SPEED 14 2.4.1 Đặt vấn đề 14 2.4.1 Đặt vấn đề 14 2.4.2 Phân tích thuật tốn 15 2.4.3 Tiêu chuẩn đánh giá 16 2.4.4 Thủ tục học liệu 17 2.4.5 Ra định 18 2.4.5 Ra định 18 2.4.6 Kết 18 2.5 Kết luận 18 CHƯƠNG THỰC NGHIỆM VÀ ĐÁNH GIÁ 19 4.1.Thực nghiệm 19 4.2 Các bước thực thi giải thuật 19 4.3 So sánh thuật toán SPEED M-SPEED 20 4.4 Kết 20 4.5 Kết luận 21 KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN 21 TÀI LIỆU THAM KHẢO 22 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 tơi tận tình suốt thời gian làm khóa luận Tơi xin chân thành cảm ơn Ban giám hiệu nhà trường, thầy giáo Trường Học viện Cơng nghệ Bưu Viễn thông, giảng viên truyền đạt cho kiến thức, kỹ năng, tạo điều kiện giúp đỡ, động viên, chia sẻ để tơi hồn thành luận văn Bản luận văn chắn nhiều thiết sót, mong thầy giáo hội đồng chấm luận văn xem xét, góp ý kiến để luận văn hồn thiện Tơi xin chân thành cảm ơn! Hà Nội, tháng năm 2017 HỌC VIÊN Đường Quang Hiếu 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 đốn mơ hình di động thói quen sử dụng thiết bị người dùng Với dự đốn vậy, nhà thơng minh gửi thơng điệp thơng 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 thơng minh, cảm nhận tình trạng ngơi nhà thông qua cảm biến tác động lên môi trường từ tác nhân phát Mục đích nhà thơng minh nhằm làm tăng thoải mái an tồn cho người dùng, tối ưu hố lượng sử dụng loại bỏ hoạt động lặp lặp lại khơng cần thiết Do đó, hướng dẫn TS Nguyễn Trọng Khánh, tơi 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 CHƯƠNG GIỚI THIỆU VỀ NHÀ THÔNG MINH 1.1.Tổng quan nhà thông minh 1.1.1 Khái niệm Nhà thông minh [1] hệ thống nhà thông minh nhà, hộ trang bị hệ thống tự động tiên tiến dành cho điều khiển đèn chiếu sáng, nhiệt độ, truyền thông đa phương tiện, an ninh, rèm cửa, cửa nhiều tính khác nhằm mục đích làm cho sống ngày tiện nghi, an tồn góp phần sử dụng hợp lý nguồn tài nguyên 1.1.2 Lịch sử hình thành Khởi đầu hệ thống nhà cửa tự động, nhà thơng minh thiết bị điều khiển từ xa không dây Được giới thiệu năm 1898 Nikola Tesla, ơng điều khiển mơ hình thu nhỏ thuyền cách gửi sóng radio qua điều khiển từ xa Ngày yếu tố giá thành, công nghệ sản xuất phát triển, nhu cầu người dùng tăng cao công ty trọng đầu tư nghiên cứu phát triển hệ thống nhà thơng minh Mơ hình nhà thông minh phát triển rộng khắp rễ bắt gặp nơi lĩnh vực 1.2 Giới thiệu kiến trúc nhà thông minh MavHome Dự án nhà thông minh MavHome[2] dự án tập trung vào việc tạo môi trường hoạt động với xử lý thông minh, nhận thức trạng thái nhà thông qua cảm biến tác động lên môi trường thông qua điều khiển thiết bị Mục tiêu dự án tạo hệ thống chức tối đa hóa thoải mái suất người sử dụng giảm thiểu chi phí vận hành Để đạt mục tiêu này, ngơi nhà phải có khả dự đốn, lý giải thích nghi với chủ nhân 1.3 Ứng dụng hệ thống mô nhà thông minh SIMACT 1.3.1 Giới thiệu trình mơ nhà thơng minh SIMACT SIMACT[4] trình mơ xây dựng với mục đích cung cấp công cụ thử nghiệm phần mềm giúp nhà nghiên cứu xác nhận phương pháp tiếp cận, nghiên cứu mơ hình nhà thơng minh họ Đây ứng dụng đơn giản để thử nghiệm xác định ý tưởng thuật toán lĩnh vực nhà thông minh SIMACT công cụ linh hoạt dễ sử dụng, xây dựng dựa mã nguồn mở người từ sinh viên đến nhà nghiên cứu có khả tùy biến tiếp cận để sử dụng cho mục đích mà muốn 1.3.2 Ứng dụng SIMACT công nghệ nhà thông minh Các cơng nghệ gia đình thơng minh trở thành chủ đề nghiên cứu tích cực vài năm trở lại Tuy nhiên, nhiều nhà khoa học làm việc lĩnh vực khơng có sở hạ tầng thơng minh cho phép họ thực thí nghiệm thỏa đáng môi trường cụ thể với liệu thực Để giải vấn đề này, SIMACT đời với mục đích mơ sở hạ tầng gia đình 3D linh hoạt Một tập hợp kịch ghi lại, làm liệu trích từ thử nghiệm lâm sàng, đưa vào mô để tạo tảng chung để kiểm tra thuật toán nhận dạng hoạt động Mục tiêu phát hành trình mơ SIMACT với trình biên tập kịch thị giác thành phần nguồn mở mang lại lợi ích cho tồn cộng đồng nghiên cứu gia đình thơng minh 1.4 Kết luận Trong chương giới thiệu sơ lược khái niệm lịch sử phát triển nhà thông minh, mơ hình kiến trúc nhà thơng minh MavHome Bên cạnh chương giới thiệu chương trình giả lập nhà thơng minh 3D SIMACT công cụ giúp nghiên cứu thử nghiệm hệ thống nhà thơng minh thuật tốn dự đốn sử dụng nhà thơng minh hệ thống mơ ảo CHƯƠNG DỰ ĐỐN HÀNH VI TRONG NHÀ THƠNG MINH 2.1 Bài tốn dự đốn hành vi người dùng Hàng ngày có nhiều hoạt động thường ngày diễn nhà Sau kịch ví dụ hoạt động đó: “Tơi thức dậy vào lúc 6h30 phút sáng, đèn ngủ tự động tắt, đèn phòng bật rèm cửa tự động kéo Tiếp tơi vào phịng vệ sinh, đèn tự động bật dùng nước ấm hệ thống tự động bật trước 15 phút vệ sinh cá nhân, lúc nhiệt độ phòng tự động điều chỉnh tăng dần để khỏi nhà không cảm thấy bị sốc nhiệt.” Để hệ thống hoạt động trơn tru tự động nhiều yêu cầu đặt như: thu thập liệu từ cảm biến nhiệt độ, ánh sáng hồng ngoại, v…v, phân tích dự đốn hành vi người dùng, kết nối thông tin thiết bị… Tất yêu cầu cần phải đáp ứng liên tục hoạt động không ngừng Đặc biệt, việc dự đốn hành động, dự đốn phịng người dùng di chuyển, dự đoán tương tác người dùng nhà sử dụng thông tin cho ngơi nhà tự động hóa định, tối ưu hóa thoải mái người dùng 2.1.1 Mơ hình chuyển động áp dụng dự đốn Kết nối liền mạch điều vô cần thiết cho nhà thông minh Một hệ thống mạng không dây tích hợp tồn ngơi nhà Các thiết bị đầu cuối khơng dây thường tích hợp cảm biến triển khai môi trường nhà thơng minh Vùng phủ sóng nhà thơng minh phân chia thành khu vực ngành Việc quản lý khu vực liên quan đến việc lưu giữ theo dõi chuyển động người dùng Khi nhà thông minh cần liên hệ với người dùng, hệ thống khởi tạo tìm kiếm cho thiết bị đầu cuối mục tiêu cách kiểm tra tất vùng, nơi tìm thấy người dùng Tất thiết bị đầu cuối nhận tín hiệu từ thiết bị phát sóng có khu vực gửi lại phản hồi Các hạn chế ảnh hưởng đặc tính cảm biến hạn chế công nghệ hồng ngoại tránh khỏi Ngồi ra, để tránh khả khơng chắn vị trí người dùng, cập nhật định kỳ vị trí người dùng đưa vào hệ thống Vị trí có khả dự báo thông tin cập nhật cuối hệ thống nhận biết 2.2 Giới thiệu học máy Học máy phương pháp phân tích liệu mà tự động hóa việc xây dựng mơ hình phân tích Sử dụng thuật toán lặp để học từ liệu, học máycho phép máy tính tìm thấy thơng tin giá trị ẩn sâu mà khơng lập trình cách rõ ràng nơi để tìm 2.2.1 Một số mơ hình học máy - Học có giám sát Supervised learning thuật toán dự đoán đầu (outcome) liệu (new input) dựa cặp (input, outcome) biết từ trước Cặp liệu gọi (data, label), tức (dữ liệu, nhãn) Supervised learning nhóm phổ biến thuật tốn Machine Learning - Học khơng giám sát Trong thuật tốn này, outcome hay nhãn mà có liệu đầu vào Thuật tốn unsupervised learning dựa vào cấu trúc liệu để thực cơng việc đó, ví dụ phân nhóm (clustering) giảm số 10 chiều liệu (dimension reduction) để thuận tiện việc lưu trữ tính toán - Học bán giám sát Các toán có lượng lớn liệu XX phần chúng gán nhãn gọi Semi-Supervised Learning Những tốn thuộc nhóm nằm hai nhóm nêu bên - Học Củng Cố Reinforcement learning toán giúp cho hệ thống tự động xác định hành vi dựa hồn cảnh để đạt lợi ích cao (maximizing the performance) Hiện tại, Reinforcement learning chủ yếu áp dụng vào Lý Thuyết Trò Chơi (Game Theory), thuật toán cần xác định nước để đạt điểm số cao 2.2.2 Mơ hình học máy ứng dụng nhà thơng minh Q trình hoạt động hệ thống nhà thông minh bắt đầu việc đọc tín hiệu từ cảm biến kết thúc việc gửi tín hiệu điều khiển tới thiết bị truyền động Quá trình tuân theo chu trìnhcụ thể sau: thu nhận liệu, xử lý liệu, dự đoán, đưa định, gửi tín hiệu điều khiển Đây vịng lặp Có thể tiến hành vịng lặp mà khơng cần sử dụng đến thuật tốn học máy Tuy nhiên, điều không mang tới khả tự học, tự định môi trường nhà thơng minh[12] Vai trị học máy thể qua việc áp dụng thuật toán nhận dạng/ phát để nâng cao khả thu thập thông tin từ mơi trường Áp dụng thuật tốn dự đốn hỗ trợ định xác Áp dụng thuật tốn tối ưu để tối đa hóa hiệu suất dài hạn cho việc định 11 Thu thập hoạt động thường sử dụng thuật toán học máy để giải vấn đề nhận dạng.Thuật toán học máy sử dụng chủ yếu thuật toán khai phá liệu Thuật toán nhận dạng yêu cầu tập huấn luyện phải có nhãn rõ ràng Do thuật tốn khai phá liệu phân chia tập huấn luyện ban đầu thành lớp Tùy theo mục đích phân lớp mà chia thành hai loại: học có giám sát, học không giám sát Sử dụng thuật tốn giảm thiểu lượng cơng việc Khi cần tính tốn, xử lýchỉ cần làm việc tập gắn nhãn Tuy nhiên, máy không hiểu ngữ nghĩa tình phát Do vậy, có nhiều thách thức việc đưa kết luận dựa vào tình Ví dụ trước gán nhãn thực, áp dụng luật dựa ngữ nghĩa mà khơng kết hợp với tình phát Thuật toán khai phá liệu cần lượng liệu lớn kết tốt Để sử dụng khai phá liệu phải cung cấp đầy đủ thơng tin liên quan đến liệu Ví dụ, thời gian quan sát cần thiết để tìm tình xảy khung thời gian giống -Nhận biết, thu thập hoạt động Vấn đề nhận biết xử lý với công nghệ học điều tra Cụ thể, thuật toán nhận dạng huấn luyện tác nhân trước triển khai mơi trường Huấn luyện trực tiếp môi trường khó khăn tác nhân huấn luyện u cầu gán nhãn mà nhãn thường khơng sẵn có thời gian chạy Tuy nhiên, vài trường hợp, nhãn suy luận đầu sai Do giúp cải thiện hoạt động -Dự đốn Mục đích dự đốn thường dự đốn xảy tương lai gần Đầu vào cho dự đốn khơng phải đọc trực tiếp từ cảm biến Đầu vào cho dự đoán phải trải qua bước tiền xử lý Vấn đề dự đốn vấn đề phân lớp vấn đề hồi quy Trong đó, phân lớp tìm kiếm theo kiện dự đoán Dự đoán kiện chắn xảy Hồi quy dự đoán kiện gần nhất, đầu tính dựa vào hàm dự đốn 12 Ngồi ra, dự đốn mơi trường nhà thơng minh áp dụng phương pháp huấn luyện trực tiếp Phương pháp hiệu dự đoán kiện So sánh kiện thực tế xảy với giá trị dự đốn Nếu kết dự đốn khơng xác sử dụng giá trị thực tế ví dụ huấn luyện -Tối ưu hóa Mục đích tối ưu hóa tối đa hóa kết tốt tồn tập tối ưu hóa Có thể sử dụng công nghệ học tăng cường cho vấn đề Một vài vấn đề tối ưu xử lý vấn đề dự đoán Cụ thể, để đưa kết tốt, dự đoán lựa chọn hành động có xác xuất cao tập hành động có xác suất cao Tuy nhiên, mục đích tối ưu hóa tìm sách để tối đa hóa hiệu suất dài hạn, khơng phải lựa chọn hành động tốt Đưa định ví dụ điển hình vấn đề tối ưu hóa.Có nhiều thiết bị mơi trường Các thiết bị đồng thời gửi thông tin lên tầng mức cao chờ đợi phản hồi Nhưng khu vực môi trường yêu cầu thời gian phản hồi nhanh chậm khác Để đáp ứng hợp lý thời gian phản hồi cho vùng, cần tối ưu hóa thuật tốn định Nội dung phần sâu giới thiệu mơ hình học máy đươc đề suất Sakari Stenudd[13], làm mơ hình mà luận văn áp dụng 2.3 Giới thiệu số thuật toán dự đoán hành vi 2.3.1 Thuật toán LZ78 Thuật tốn nén liệu khơng tổn hao dùng cho việc dự đoán LZ78 [10] thuật toán nén liệu giới thiệu Lempel Ziv thuật tốn nén liệu khơng tổn hao phổ biến dùng nhiều ứng dụng Về bản, LZ78 thuật toán từ điển dùng để phân tích chuỗi kiện thành chuỗi con, hình thành tập cụm từ dùng cho việc nén liệu 13 2.3.2 Thuật toán Active LeZi Thuật toánActive LeZi[11] thuật tốn theo u cầu dựa mơ hình Markov chủ yếu lưu trữ tần số mơ hình ký tự đầu vào bảng vẽ theo thuật tốn nénLZ78 Lượng thơng tin bị qua danh giới cụm tăng nhanh chóng số lượng trạng thái chuỗi đầu vào tăng lên Tuy nhiên vấn đề giải cách trì đa dạng chiều dài mơ hình ký tự 2.4 Thuật tốn M-SPEED Cũng giống với hầu hết thuật toán dự đoán hành vi khác, thuật tốn MSPEED xây dựng lên mơ hình Markov với bậc hữu hạn đưa dự đoán cách sử dụng thuật toán nén liệu PPM [17] Đặc trưng hành động môi trường nhà thông minh đa số hành động kiện có mở đầu kết thúc Ví người trở nhà, người bước vào phịng khách đèn bật lên (ON), điều hòa bật (ON), máy hát hoạt động (ON) Khi người rời phịng khách máy hát tắt (OFF), điều hòa tắt (OFF) đèn tắt (OFF) Kịch diễn người bước vào phịng bếp, đèn bật (ON), lị vi sóng bật (ON), lị vi sóng tắt (OFF), đèn tắt(OFF) người rời Sẽ làvơ lý tắt đèn trước tắt lị vi sóng, điều có nghĩa hoạt động diễn phải theo trật tự định 2.4.1 Đặt vấn đề 2.4.1 Đặt vấn đề Trong môi trường nhà, người làm nhiều công việc khác Tuy nhiên, hầu hết công việc thực lặp lặp lại khoảng thời gian định Nếu công việc coi kiện rõ ràng hầu hết kiện lặp lặp lại tạo mơ hình thời gian cụ 14 thể Mặc dù người dùng có lựa chọn khác người dùng có kiện lặp lặp lại Hơn nữa, kiện chứa số thông tin mở, tắt khoảng thời gian kiện thực Ví dụ, người dùng nấu nướng ngày dành khoảng thời gian cho hành động Gian bếp thường có thiết bị khác trước sử dụng thiết bị nào, người dùng bật đèn sau họ bật bếp bật máy pha café máy làm bánh mỳ kẹp Giả sử họ pha café nên bật máy pha café phút sau tắt thiết bị Trong lúc đó, họ bật máy làm bánh mỳ kẹp vòng phút Cuối sau ăn khoảng 15 phút bóng đèn nhà bếp tự động tắt trước chủ nhân rời sang phòng khác Máy làm café bật phút đèn phòng bếp lại bật 15 phút Đây ví dụ cho vị trí xác định Do người có thói quen làm hành động tương tự dành khoảng thời gian giống để làm ngày nên lý các hành động dự đốn 2.4.2 Phân tích thuật tốn Định nghĩa“A” kiện bật đèn và“a” kiện tắt đèn, Aa hành động thành công Mỗi chuỗi kiện mà chứa ký tự bắt đầu kết thúc loại coi episode Như chuỗi kiện dạng Aa, Ada, dcAD có coi episode Các kiện bắt đầu kết thúc có mối quan hệ opposite với Bảng mô đơn giản việc quy ước Mỗi thiết bị gán chữ riêng với kiện ON, OFF tương ứng Thiết bị Sự kiện ON OFF ON OFF 15 ON OFF ON OFF A a B b C c D d Bảng Các thiết bị nhà trạng thái kèm Giả sử thiết bị đèn, thiết bị lị điều hịa kiện bật đèn A kiện tắt đèn a, kiện điều hòa B kiện tắt b Khi đó, chuỗi kiện ghi nhận ABba nghĩa đèn bật, điều hòa bật, điều hòa tắt, đèn tắt ABba coi episode chứa episode nhỏ Bb - Mỗi thiết bị bật ON trở lại hồn tất chu trình ON-OFF giống đèn bật lên bật lại tắt -Chuỗi liệu đầu vào sửa dụng để huấn luyện cho thuật toán phần thực thi lịch sử sử dụng thiết bị 2.4.3 Tiêu chuẩn đánh giá Hành vi người nhà sở hữu hình thức việc bật tắt cácthiết bị khác khoảng thời gian đinh Nếu thiết bị mở sau khoảng thời gian tắt, điều xem quy trình hồn thiện Do đó, kiểu hành vi phân chia thành tập riêng biệt Mỗi hành động gồm điểm đầu điểm cuối rõ ràng tổng thời gian kiện với thời gian điểm cuối Sau xem xét tập trước đó, rõ ràng hành động người dùng nhà bếp bắt đầu việc bật đèn kết thúc việc tắt đèn, xem hồn thành quy trình Trong q trình đèn bật, có q trình nhỏ khác diễn Trong nhà thơng minh, mẫu ADL chia thành tập quy trình Tất tập phải gồm có điểm đầu, điểm cuối khoảng thời gian Một tập quy trình thiết lập kiện kiện trái ngược thực khoảng thời gian định Trước kết thúc kiện, khơng thể bắt đầu lại kiện Ví dụ thiết bị bật lên khơng thể bật lại tắt thiết bị Hơn nữa, tập nhỏ khơng nên có khoảng thời gian hoạt động dài khoảng 16 thời gian tập quy trình lớn Nếu máy pha café bật đèn phịng bếp bật q trình pha café không phép lâu khoảng thời gian đèn sáng Tất khoảng thời gian tập phải mang giá trị dương lớn Những đặc tính sử dụng để làm giảm nhiễu tạo từ cảm biến không đáng tin cậỵ 2.4.4 Thủ tục học liệu - Dữ liệu đầu vào dùng cho M-SPEED bao gồm chuỗi kiện khoảng thời gian diễn kiện Các tập nhiễu lọc trước thực thuật toán M-SPEED - M-SPEED sử dụng định để theo dõi tập Độ dài tập biến số phụ thuộc vào tập có độ dài lớn Nếu kiện xảy ra, kiện thêm vào mơ hình biểu Các chữ số lưu trữ tạm thời biến số Biến số tạm thời cần thiết tập giá trị có tổng độ dài định cần ghi lại Sau đó, tình trạng trái ngược kiện tìm kiếm chuỗi Một tập thực kiện kiện trái ngược phát Nó ghi lại thời gian tập (ví dụ giá trị biến số thời gian tạm thời) cộng với tổng thời gian trước kiện tương ứng Nếu thời lượng lớn tập lớn biến số Max_Window_Length (độ dài cửa sổ lớn nhất) thuật toán cập nhật biến số cách tăng kích cỡ lên Cuối cùng, thuật tốn tạo tất tình có khả xảy tần số chúng Nếu khơng tìm thấy tập MSPEED tìm kiếm kiện - Tất kiện trạng thái mở chưa hoàn thiện lưu lại lưu trữ đặc biệt thuật tốn M-SPEED thuật tốn cũ SPEED khơng thể phát tập vượt qua danh giới hình cửa sổ Sự thay đổi thuật tốn SPEED giúp tăng độ xác dự đoán 17 2.4.5 Ra định 2.4.5 Ra định Sử dụng liệu Bảng 1, định hình 17 Bằng việc phân tích cho định hình dự đoán tương lai Thuật toán PPM sử dụng để dự đoán kiện tương lai Thuật toán đo lường xác xuất trọng số tập Hơn nữa, PPM ước tính xác xuất kiện việc giảm độ dài tập 2.4.6 Kết Do việc kiểm tra tập tin ảnh hưởng đến độ xác thuật tốn 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 khơng có giá trị phát thơng qua việc tính tốn thời gian sau tách khỏi chuỗi kiện Do đó, khơng giống thuật tốn dự đốn khác, M-SPEED khơng cần tham số cụ thể nên ứng dụng cho tập liệu Về lọc thơng tin hữu ích khỏi tập tin Mặt khác, SPEED, ALZ với quy luật thời gian phát tập tin khơng có giá trị Do vậy, lọc sử dụng cho thuật toán khác để có kết so sánh 2.5 Kết luận M-SPEED thuật tốn dự đốn 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 thơng qua kiện thu nạp đưa định dựa kiện kiến thức 18 CHƯƠNG THỰC NGHIỆM VÀ ĐÁNH GIÁ Thuật tốn M-SPEED xây dựng lên mơ hình Markov với bậc k-1 đưa dự đoán cách sử dụng thuật toán nén liệu PPM 4.1.Thực nghiệm - Phạm vi thực nghiệm văn phịng - Ngơn 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 tốn M-SPEED SPEED - Dữ liệu đầu vào: Lịch sử sử dụng thiết bị ngày thu thập hai tháng từ nghiên cứu mơ hình nhà thông minh kiến trúc MavHome 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 đốn 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 Bước 3:Từ chuỗi liệu đầu vào sử dụng thuật toán M-SPEED để tạo episode Bước 4:Từ episode tạo context có khả xảy episode Bước 5:Tổng hợp tất context xảy với chuỗi đầu vào để tạo nhị phân k-1 Markov Bước 6:Dùng thuật tốn PPM để tính tốn xác st kiện với chuỗi kiện đầu vào dựa vào xác suất context xảy 19 4.3 So sánh thuật tốn 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 khơng có giá trị từ thu gọn tập cần phân tích Ví dụ: chuỗi ABb7CDhc8a4aaH5, tập ABb7CDhc8a4 bị loại bỏ tập bên ngồi có số thời gian thời gian tổng tập ( Bb có CDhc có ABb7CDhc8a phải có thời gian 15 trong dãy bên thời gian tập lớn 4) Như vậy, tất tập chưa hoàn thành khơng có hiệu lực bị giảm Chuỗi tối ưu hóa để tách tập từ lịch sử kiện - Chọn event có thời gian lớn có xác suất - Tất kiện mở chưa hoàn thiện lưu lại lưu trữ đặc biệt thuật toán M-SPEED thuật toán cũ SPEED khơng thể phát tập xảy Đây thay đổi thuật tốn M-SPEED giúp tăng độ xác dự đốn Giống thuật toán SPEED, thuật toán M-SPEED tạo k – mơ 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 4.4 Kết Hiệu suất thuật toán chúng kiểm nghiệm với liệu MavHome thông qua lọc, ban đầu độ xác M-SPEED tương đương với thuật tốn SPEED nhiên nhiều kiện diễn ra, độ xác chênh lệch Theo số liệu có được, độ xác dự đốn M-SPEED ln cao SPEED Nó tỷ lệ hội tụ M-SPEED nhanh so với phương pháp khác 20 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 tốn phân tích học máy Cây phân tích tạo dựa mơ hình Markovdựa phân tích áp dụng thuật tốn 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 mơ 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 KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN Trong phạm vi luận văn thực nghiên cứu toán dự đoán hành vi thơng qua thuật tốn M-SPEED số thuật toán dự đoán khác LeZi, Active LeZi, đồng thời tìm hiểu trình mơ nhà thơng minh SIMACT ứng dụng trình mơ Luận văn trình bày mơ hình học máy ứng dụng nhà thông minh giới thiệu kiến trúc nhà thơng minh mơ hình MavHome Luận văn phân tích thực thi giải thuật thuật tốn M-SPEED qua đưa kết thực tế so sánh độ xác thuật tốn SPEED M-SPEED Trong tương lai công nghệ nhu cầu nhà thông minh phát triển mạnh mẽ chắn thúc đẩy thuật tốn dự đốn cịn phát triển cải thiện tính xác cao ứng dụng dự đoán hành vi sử dụng rộng rãi không ứng dụng môi trường nhà thơng minh mà cịn nhiều lĩnh vực 21 khác 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 22 [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 [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 23 24 ... t? ?m hiểu đề tài ? ?Nghiên cứu thuật toán dự đoán hành vi M- SPEED ứng dụng nhà thơng minh? ??.Luận văn tập trung nghiên cứu tốn dự đoán hành vi, biến thể chúng Để từ áp dụng cho tốn dự đốn hành vi ứng. .. kiến trúc nhà thông minh MavHome 1.3 Ứng dụng hệ thống m? ? nhà thông minh SIMACT 1.3.1 Giới thiệu trình m? ? nhà thơng minh SIMACT 1.3.2 Ứng dụng SIMACT công nghệ nhà thông minh 1.4... ứng dụng nhà thông minh, với hai ràng buộc cụ thể dự đoán định CHƯƠNG GIỚI THIỆU VỀ NHÀ THÔNG MINH 1.1.Tổng quan nhà thông minh 1.1.1 Khái ni? ?m Nhà thông minh [1] hệ thống nhà thông minh nhà,