Please use this identifier to cite or link to this item:
http://hdl.handle.net/1843/55271
Type: | Dissertação |
Title: | Previsão de eventos em ambientes inteligentes com extração de características sequenciais e localização de usuários por modelos ocultos de Markov |
Other Titles: | Event prediction in smart environments and people tracking with hidden Markov models |
Authors: | Igor Pereira Gomes |
First Advisor: | Antônio de Pádua Braga |
First Referee: | Cristiano Leite de Castro |
Second Referee: | Carmela Maria Polito Braga |
Abstract: | Este trabalho apresenta estudos realizados sobre os problemas de previsão de eventos e de localização de usuários em ambientes inteligentes, tendo como base o sistema de automação residencial Minibox, da empresa brasileira Neocontrol. É proposta e validada uma arquitetura para um sistema dedicado a resolver tais problemas, tendo como entrada uma sequência de ativações e mudanças de estado de sensores e outros dispositivos do ambiente. O problema de previsão de eventos é formulado como um problema de classificação, sendo apresentada uma nova abordagem (AM-CHIP-CLAS) para classificação sem parâmetros de amostras pequenas ou desbalanceadas, baseada no Classificador por Arestas de Suporte (CLAS) e em Aprendizado de Métrica. Também são apresentados três métodos de seleção de características para sequências temporais discretas, com adaptações para serem utilizados no problema, de forma a alimentar o classificador. Para solução do problema de localização de usuários, é desenvolvido um Modelo Oculto de Markov Fatorial (FHMM) cujos estados ocultos representam a localização de cada residente e cujas emissões representam as observações de sensores e dispositivos. Os parâmetros de transição e emissão são estimados a priori através de regras simples baseadas na planta da casa e na localização dos sensores. Nos experimentos feitos para o problema da previsão de eventos, verifica-se bons resultados para os métodos implementados para seleção de características, utilizando como base o classificador SVM. Para os algoritmos de classificação baseados no CLAS, apesar do desempenho equivalente ou superior ao das SVMs em benchmarks de classificação, estes mostram desempenho inferior aos das SVMs para os dados do banco de testes devido ao grande desbalanceamento e pequena quantidade de amostras das classes minoritárias. Ainda assim, verifica-se que o aprendizado de métrica melhora consistentemente o desempenho do Classificador por Arestas de Suporte nestes dados. Para o modelo FHMM para localização de usuários, os resultados obtidos foram validados através de inspeção manual com dados de casas inteligentes presentes na literatura e os resultados foram coerentes com as anotações dos dados. |
Abstract: | This thesis presents studies done on the Event Prediction problem and the unsupervised User Tracking problem in smart environments, using the data collected by the Minibox home automation system, developed by the Brazilian company Neocontrol. An architecture for solving those problems is proposed and validated, with a sequence of device state changes as its input. The event prediction problem is formulated as a supervised classification problem. A new approach for small and imbalanced sample classification without hyperparameters is proposed, based on Support Edge Classifiers (CHIP-CLAS) and metric learning. Three sequential feature extraction methods were adapted and validated for the event prediction problem, based on the presented smart home data, as a preprocessing step for the classification. For the user tracking problem, a Factorial Hidden Markov Model is employed with its hidden states representing the location for the individuals and its emissions representing the observed device activations. Its parameters are estimated a priori through simple rules based on the floor plan and location for the devices. In the experiments done for the event prediction problem, good results were obtained with the SVM classifier using all three feature extraction methods. With the CLAS classifiers, although results were equivalent to SVMs for a benchmark consisting on 15 different datasets for both CHIP-CLAS and AM-CHIP-CLAS, the observed performance for the event prediction data was far behind, due to small sample size and imbalanced data. Still, the metric learning step proposed for AM-CHIP-CLAS significantly improved the performance comparing to CHIP-CLAS. For the user tracking FHMM model, validation was done through manual inspection with smart home data from the literature and results were consistent with data annotation. |
Subject: | Engenharia elétrica Automação residencial Modelo escondido de Markov |
language: | por |
metadata.dc.publisher.country: | Brasil |
Publisher: | Universidade Federal de Minas Gerais |
Publisher Initials: | UFMG |
metadata.dc.publisher.department: | ENG - DEPARTAMENTO DE ENGENHARIA ELÉTRICA |
metadata.dc.publisher.program: | Programa de Pós-Graduação em Engenharia Elétrica |
Rights: | Acesso Aberto |
metadata.dc.rights.uri: | http://creativecommons.org/licenses/by-nc-sa/3.0/pt/ |
URI: | http://hdl.handle.net/1843/55271 |
Issue Date: | 13-Feb-2019 |
Appears in Collections: | Dissertações de Mestrado |
Files in This Item:
File | Description | Size | Format | |
---|---|---|---|---|
Dissertacao Igor.pdf | 1.23 MB | Adobe PDF | View/Open |
This item is licensed under a Creative Commons License