Smart Building Indoor Temperature Prediction Using the IoT and Machine Learning
Notice bibliographique
Résumé
Due to fast expansion and improved lifestyle, the need for useable energy has skyrocketed in recent decades, notably in the construction industry. Several factors, such as local climate, building makeup, and energy consumption habits, affect a structure's efficiency in using energy. In this paper, we aim for forecasting the interior temperature of smart buildings by combining IoT with popular machine Learning algorithms. This prediction model has been developed using online learning techniques to increase its adaptability to novel inputs. This paper details a methodology for creating an analytical model that may be utilized for smart building interior temperature forecasting by merging the IoT with some popular machine learning methods. This prediction model was built with an online-learning strategy, so it may be used for a dataset with which the developers are unfamiliar. To ensure the precision of the method, this article uses Machine Learning to test it using real-world sensor data. In order to verify the methodology, the study conducts experiments using Machine Learning on collected, real-world sensor data. The study then proposes incorporating the following method into an Edge Computing based IoT architecture in order to make the building operational in an energy-efficient manner. The learning framework was validated with data collected from an Internet of Things network installed in a home over the course of a summertime. The learnt model's efficacy has been evaluated, and the model's predictability of interior temperature changes has been quantified. The paper demonstrates the viability of the proposed Learning framework for thermal models based on the Internet of Things and provides a pragmatic answer to the problem of supplying accurate thermal models for use in the temperature controls of smart buildings of the future.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».