MARC details
| 000 -LEADER |
|---|
| fixed length control field |
07649namaa22004091c 4500 |
| 003 - CONTROL NUMBER IDENTIFIER |
|---|
| control field |
OSt |
| 005 - أخر تعامل مع التسجيلة |
|---|
| control field |
20240919175638.0 |
| 008 - FIXED-LENGTH DATA ELEMENTS--GENERAL INFORMATION |
|---|
| fixed length control field |
240917b2022 |||a|||f |m|| 001 0 eng d |
| 040 ## - CATALOGING SOURCE |
|---|
| Original cataloguing agency |
EG-GICUC |
| Language of cataloging |
eng |
| Transcribing agency |
EG-GICUC |
| Modifying agency |
EG-GICUC |
| Description conventions |
rda |
| 041 0# - LANGUAGE CODE |
|---|
| Language code of text/sound track or separate title |
eng |
| Language code of summary or abstract |
eng |
| -- |
ara |
| 049 ## - Acquisition Source |
|---|
| Acquisition Source |
Deposite |
| 082 04 - DEWEY DECIMAL CLASSIFICATION NUMBER |
|---|
| Classification number |
006.3 |
| 092 ## - LOCALLY ASSIGNED DEWEY CALL NUMBER (OCLC) |
|---|
| Classification number |
006.3 |
| Edition number |
21 |
| 097 ## - Degree |
|---|
| Degree |
M.Sc |
| 099 ## - LOCAL FREE-TEXT CALL NUMBER (OCLC) |
|---|
| Local Call Number |
Cai01.20.04.M.Sc.2022.Ma.S |
| 100 0# - MAIN ENTRY--PERSONAL NAME |
|---|
| Authority record control number or standard number |
Mai Mohamed Ismail Mohamed, |
| Preparation |
preparation. |
| 245 10 - TITLE STATEMENT |
|---|
| Title |
Smart home data analytics/ |
| Statement of responsibility, etc. |
by Mai Mohamed Ismail Mohamed ; Supervision of Assoc. Prof. Neamat El-Tazi , Dr. Ayman El-Kilany |
| 246 15 - VARYING FORM OF TITLE |
|---|
| Title proper/short title |
/تحليل بيانات المنازل الذكية |
| 264 #0 - PRODUCTION, PUBLICATION, DISTRIBUTION, MANUFACTURE, AND COPYRIGHT NOTICE |
|---|
| Date of production, publication, distribution, manufacture, or copyright notice |
2022. |
| 300 ## - PHYSICAL DESCRIPTION |
|---|
| Extent |
82 pages : |
| Other physical details |
illustrations ; |
| Dimensions |
30 cm. + |
| Accompanying material |
CD. |
| 336 ## - CONTENT TYPE |
|---|
| Content type term |
text |
| Source |
rda content |
| 337 ## - MEDIA TYPE |
|---|
| Media type term |
Unmediated |
| Source |
rdamedia |
| 338 ## - CARRIER TYPE |
|---|
| Carrier type term |
volume |
| Source |
rdacarrier |
| 502 ## - DISSERTATION NOTE |
|---|
| Dissertation note |
Thesis (M.Sc.)-Cairo University, 2022. |
| 504 ## - BIBLIOGRAPHY, ETC. NOTE |
|---|
| Bibliography, etc. note |
Bibliography: pages 97-108. |
| 520 ## - SUMMARY, ETC. |
|---|
| Summary, etc. |
Smart homes have been considered recently important sources for providing Activity of Daily Living (ADL) data about residents. ADL data can be a great asset while analyzing residents’ behavior to provide residents with better and optimized services. A popular example is to analyze residents’ behavior to predict their future activities and optimize smart homes’ performance accordingly.<br/>Recognizing and predicting complicated human activities in smart homes can be beneficial to residents. Current research hopes to improve people’s quality of life by addressing their requirements in a smart home environment. One of these improvements that have a chance for more investment is predicting the sequence of activities. Another one could be predicting overlapping multi-residents activities.<br/>In this thesis, we propose a new framework that annotates sensor readings, then predicts resident future activities from such readings. More specifically, we extract several features from smart homes datasets including sensor readings, convert those sensor readings using Word2Vec Embedding, detect the labels of activities per each sensor reading using bidirectional long short-term memory (Bi- LSTM), and use these activities to predict the resident future activities using (Bi- LSTM) deep neural network.<br/>To evaluate these models, we use five real sensor data provided by CASAS smart home datasets introduced by Washington State University. The experiments’ results show the outperformance of the proposed framework with an average accuracy score of almost 96%.<br/> |
| 520 ## - SUMMARY, ETC. |
|---|
| Summary, etc. |
لقد أصبحت الأجهزة الذكية موجودة في كل مكان في السنوات السابقة ، مما يوفر الوصول إلى الإنترنت من أي مكان. إنترنت الأشياء "Internet of Things" هو مفهوم تصبح فيه جميع أنواع الأجهزة ("الأشياء") كالأجهزة الذكية جزءًا من الإنترنت ، ولهذا السبب يشار إليه أحيانًا باسم إنترنت الأشياء. حيث بدون مشاركة الناس يربط إنترنت الأشياء جميع أنواع الأجهزة في شبكة شاملة مترابطة.<br/><br/>يتم تطبيق مبدأ إنترنت الأشياء على جميع أنظمة المنزل ، بما في ذلك أنظمة الإضاءة والتدفئة والتبريد والأمن. "المنزل الذكي" هو مفهوم إنترنت الأشياء الذي يهدف إلى بناء نظم متطورة و حديثة للمنازل. كما عرف نيكولا كينج في الأصل مصطلح "المنزل الذكي" في عام 2003 ، حيث أن المنزل الذكي هو "مسكن يتضمن شبكة اتصالات تربط الأجهزة والخدمات الكهربائية الرئيسية ، ويسمح بالتحكم فيها عن بُعد أو مراقبتها أو الوصول إليها".<br/><br/>تم بناء أنظمة المنزل الذكي حول مفهوم مراقبة الأجهزة والتحكم فيها باستخدام المستشعرات ، حيث يتم توصيل هذه المستشعرات عبر شبكات لاسلكية لجمع بيانات نشاط الحياة اليومية (ADL). يصف نشاط بيانات الحياة اليومية أنشطة المقيمين مثل مشاهدة التلفزيون أو تناول الغداء. حيث يمكن استخدام تللك البيانات للتعرف والتنبؤ بسلوك السكان وأنشطتهم ، والتي يمكن استخدامها في تطبيقات مختلفة مثل الرعاية الصحية واستهلاك الطاقة وأنظمة التوصية واكتشاف الأحدث الغير متوقعة.<br/><br/>تعتبر المنازل الذكية مصدر من المصادر المهمة لتوفير بيانات نشاط الحياة اليومية (ADL) المتعلقة بسكان تلك المنازل. حيث يمكن أن تكون بيانات ADL رصيدًا كبيرًا أثناء تحليل سلوك السكان لتزويد السكان بخدمات أفضل ومحسّنة. و من الأمثلة الشائعة تحليل سلوك السكان للتنبؤ بأنشطتهم المستقبلية وتحسين أداء المنازل الذكية وفقًا لذلك. حيث يمكن أن يكون التعرف على تلك الأنشطة البشرية المعقدة والتنبؤ بها في المنازل الذكية مفيدًا للسكان. و يأمل البحث الحالي في تحسين نوعية حياة الناس من خلال تلبية متطلباتهم في بيئة المنزل الذكي. يعتبر أحد هذه التحسينات التي لديها فرصة لمزيد من الاستثمار هو توقع تسلسل الأنشطة. و يمكن ايضًا التنبأ بالأنشطة التي تحدث في نفس الوقت او تحدث في منازل بها اكثر من شخص. <br/><br/>في هذه الأطروحة ، نقترح إطارًا جديدًا يشرح قراءات أجهزة الاستشعار ، ثم يتنبأ بالأنشطة المستقبلية للمقيمين من خلال هذه القراءات. وبشكل أكثر تحديدًا ، نقوم باستخراج العديد من الميزات من مجموعات بيانات المنازل الذكية بما في ذلك قراءات أجهزة الاستشعار ، وتحويل قراءات أجهزة الاستشعار باستخدام Word2Vec Embedding ، واكتشاف تسميات الأنشطة لكل قراءة لكل مستشعر باستخدام (Bi-LSTM) ، واستخدام هذه الأنشطة في توقع الأنشطة المستقبلية المقيمين باستخدام (Bi-LSTM). و لتقييم هذه النماذج ، نستخدم خمس قواعد بيانات استشعار حقيقية مقدمة من CASASالتابعةلجامعة ولاية واشنطن. حيث تظهر نتائج التجارب تفوق إطار العمل المقترح بمتوسط درجات دقة تقارب 96٪.<br/> |
| 530 ## - ADDITIONAL PHYSICAL FORM AVAILABLE NOTE |
|---|
| Issues CD |
Issues also as CD. |
| 546 ## - LANGUAGE NOTE |
|---|
| Text Language |
Text in English and abstract in Arabic & English. |
| 650 #7 - SUBJECT ADDED ENTRY--TOPICAL TERM |
|---|
| Topical term or geographic name entry element |
Artificial intelligence |
| Source of heading or term |
qrmak |
| 653 #0 - INDEX TERM--UNCONTROLLED |
|---|
| Uncontrolled term |
Smart Home |
| -- |
Human Activity Recognition |
| -- |
Bi-LSTM neural networks |
| -- |
Sequence Prediction |
| 700 0# - ADDED ENTRY--PERSONAL NAME |
|---|
| Personal name |
Neamat El-Tazi |
| Relator term |
thesis advisor. |
| 700 0# - ADDED ENTRY--PERSONAL NAME |
|---|
| Personal name |
Ayman El-Kilany |
| Relator term |
thesis advisor. |
| 900 ## - Thesis Information |
|---|
| Grant date |
01-01-2022 |
| Supervisory body |
Neamat El-Tazi |
| -- |
Ayman El-Kilany |
| Universities |
Cairo University |
| Faculties |
Faculty of Computers and Artificial Intelligence |
| Department |
Department of Information Systems |
| 905 ## - Cataloger and Reviser Names |
|---|
| Cataloger Name |
Shimaa |
| Reviser Names |
Huda |
| 942 ## - ADDED ENTRY ELEMENTS (KOHA) |
|---|
| Source of classification or shelving scheme |
Dewey Decimal Classification |
| Suppress in OPAC |
No |
| Koha item type |
Thesis |
| Edition |
21 |
