ОСОБЛИВОСТІ ПРОГНОЗУВАННЯ ЗБОЇВ В РОЗУМНОМУ БУДИНКУ НА ОСНОВІ МЕТОДІВ МАШИННОГО НАВЧАННЯ
DOI: 10.31673/2412-4338.2023.040412
Анотація
Сучасні розумні будинки, засновані на інтернеті речей (IoT), пропонують користувачам широкий спектр автоматизованих зручностей, але одночасно стикаються з потенційними проблемами та збоями у роботі систем. Ця стаття розглядає можливості використання методів машинного навчання для прогнозування та управління цими збоями з метою забезпечення більшої надійності та ефективності розумного будинку.
Стаття розглядає актуальні тенденції у розвитку розумних будинків, а також практичні проблеми, пов'язані зі збоями в їхніх системах. Автори аналізують різноманітні аспекти збоїв, від інцидентів у мережі до відмов пристроїв, враховуючи різноманітність сенсорів та датчиків, що використовуються у розумних системах.
У статті розглядаються основні методи машинного навчання, такі як нейронні мережі, дерева рішень та класифікація, та їх застосування для прогнозування збоїв у розумних будинках. Проаналізовано переваги та обмеження кожного методу та розглянуто їхню ефективність в різних сценаріях.
Представлено еталонну архітектуру платформи IoT та платформу прогнозування збоїв. Детально описано алгоритм функціонування платформи. Платформа прогнозування збоїв передбачає існування платформи IoT. Зокрема, вона передбачає наявність двох джерел даних, одного для оперативних, а іншого для історичних і статичних даних. Описано процес обробки даних.
Автори статті надають рекомендації щодо оптимальних підходів до прогнозування збоїв в розумних будинках та визначають можливі напрямки подальших досліджень в цій області. Висвітлено, що точне прогнозування збоїв може значно підвищити надійність та зручність користування системами розумного будинку, що є ключовим аспектом для їхньої популярності та прийняття на ринку. Ефективне прогнозування збоїв в розумному будинку може покращити безпеку, енергоефективність та зручність життя користувачів.
Ключові слова: методи машинного навчання, нейронна мережа, розумний будинок, збої, прогнозування, аналіз даний, теорія прийняття рішення, інформаційні технології.
Список використаної літератури
1. O. Vermesan, P. Friess, eds. Internet of Things: Converging Technologies for Smart Environments and Integrated Ecosystems. River Publishers Series in Communication. Aalborg: River, 2013. isbn: 978-87-92982-73-5.
2. B. L. Risteska Stojkoska, K. V. Trivodaliev. “A review of Internet of Things for smart home: Challenges and solutions”. In: Journal of Cleaner Production 140 (2017), pp. 1454–1464
3. B. Chen, J. Wan, L. Shu, P. Li, M. Mukherjee, B. Yin. “Smart Factory of Industry 4.0: Key Technologies, Application Case, and Challenges”. In: IEEE Access 6 (2018), pp. 6505–6519.
4. J. Mineraud, O. Mazhelis, X. Su, S. Tarkoma. “A gap analysis of Internet-ofThings platforms”. In: Computer Communications 89-90 (2016). Internet of Things Research challenges and Solutions, pp. 5–16.
5. J. Guth, U. Breitenbücher, M. Falkenthal, F. Leymann, L. Reinfurt. “Comparison of IoT platform architectures: A field study based on a reference architecture”. In: 2016 Cloudification of the Internet of Things (CIoT). 2016, pp. 1–6.
6. Zhebka V.V. Modeliuvannia markivskoho vypadkovoho polia z metoiu yoho podalshoi optymizatsii ta zastosuvannia. Scientific-practical journal «Zviazok». – Kyiv: SUT, 2020. – №5 – P. 35-40.
7. Moshenchenko M., Zhurakovskyi B., Poltorak V., Bondarchuk A., Korshun N. Optimization Algorithms of Smart City Wireless Sensor Network Control / CEUR Workshop Proceedings, 2021, 3188, p. 32–42
8. Zhebka V.V. Upravlinnia finansovymy ryzykamy za dopomohoiu mashynnoho navchannia. Scientific-practical journal «Zviazok». Кyiv: SUT, 2018. №6. P. 32-35.
9. Zhebka V., Gertsiuk M., Sokolov V., Malinov V., Sablina M. Optimization of Machine Learning Method to Improve the Management Efficiency of Heterogeneous Telecommunication Network CEUR Workshop Proceedings, 2022, 3288, p. 149–155
10. Zhurakovskyi B., Toliupa S., Otrokh S., Kuzminykh V., Dudarieva H., Zhurakovskyi V. Coding for information systems security and viability / (2021) CEUR Workshop Proceedings, 2859, pp. 71-84.
