تشخیص فعالیت در خانه‌های هوشمند با روش های داده کاوی و تلفیق طبقه بندها بر مبنای داده های سنسوری

خانه‌های هوشمند یکی از بارزترین نمونه‌های محیط‌های هوشمند هستند که در بین کاربردهای مختلف اینترنت اشیا، از اهمیت بیشتری برخوردار هستند زیرا می‌توانند نزدیک‌ترین ارتباط را با انسان داشته باشند. هوشمند ‌سازی منازل از جهات بسیاری مورد توجه قرار دارد که قابلیت تشخیص فعالیت و شناسایی رفتار ساکنین خانه، یکی از با اهمیت‌ترین موضوعات می‌باشد. بنابراین هدف ما در این تحقیق، تجزیه و تحلیل روشهای تشخیص فعالیت در خانه های هوشمند و ارائه مدلی بر مبنای روش های داده کاوی و تلفیق طبقه بندها و داده های سنسوری بدست آمده از شبیه ساز خانه هوشمند برای پیشبینی رخداد فعالیت های ساکنین این خانه ها با بالاترین دقت ممکن میباشد. مدل پیشنهادی بر اساس این داده ها آموزش دیده و عادت ها و رفتارهای روزمره ساکنین ‌دائمی خانه‌های هوشمند را یاد میگیرد تا بتواند در هر لحظه بر اساس مقادیر سنسورها رفتار افراد را پیش بینی نماید. بدین منظور با توجه به هزینه نسبتا بالای پیادهسازی یک خانه هوشمند و جمعآوری دادههای مورد نیاز، از شبیه ساز openshs به منظور جمع آوری داده ها استفاده شده است. در این تحقیق از سه الگوریتم داده کاوی شامل درخت تصمیم، ماشین بردار پشتیبان، نایوبیز و تلفیق طبقه بندها برای تشخیص فعالیت های موجود در دیتاست تولید شده توسط شبیه ساز مذکور استفاده گردید. بطور کلی یافته های این پژوهش نشان داد که حرکت کردن فرد در نقاط مختلف فضای خانه هوشمند نسبت به سایر واکنش های وی تاثیر بیشتری در تشخیص فعالیت دارد. همچنین مقایسه ای بین روش های مختلف داده کاوی نیز در این تحقیق انجام شده است.