Smart home data analytics/
/تحليل بيانات المنازل الذكية
by Mai Mohamed Ismail Mohamed ; Supervision of Assoc. Prof. Neamat El-Tazi , Dr. Ayman El-Kilany
- 82 pages : illustrations ; 30 cm. + CD.
Thesis (M.Sc.)-Cairo University, 2022.
Bibliography: pages 97-108.
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. 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. 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. 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%. 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.
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".
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.
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.
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٪.
Text in English and abstract in Arabic & English.
Artificial intelligence
Smart Home Human Activity Recognition Bi-LSTM neural networks Sequence Prediction