Nghiên cứu thuật toán dự đoán hành vi mspeed ứng dụng trong nhà thông minh (tt)

Nghiên cứu thuật toán dự đoán hành vi mspeed ứng dụng trong nhà thông minh (tt)Nghiên cứu thuật toán dự đoán hành vi mspeed ứng dụng trong nhà thông minh (tt)Nghiên cứu thuật toán dự đoán hành vi mspeed ứng dụng trong nhà thông minh (tt)Nghiên cứu thuật toán dự đoán hành vi mspeed ứng dụng trong nhà thông minh (tt)Nghiên cứu thuật toán dự đoán hành vi mspeed ứng dụng trong nhà thông minh (tt)Nghiên cứu thuật toán dự đoán hành vi mspeed ứng dụng trong nhà thông minh (tt)Nghiên cứu thuật toán dự đoán hành vi mspeed ứng dụng trong nhà thông minh (tt)Nghiên cứu thuật toán dự đoán hành vi mspeed ứng dụng trong nhà thông minh (tt)Nghiên cứu thuật toán dự đoán hành vi mspeed ứng dụng trong nhà thông minh (tt)Nghiên cứu thuật toán dự đoán hành vi mspeed ứng dụng trong nhà thông minh (tt)Nghiên cứu thuật toán dự đoán hành vi mspeed ứng dụng trong nhà thông minh (tt)Nghiên cứu thuật toán dự đoán hành vi mspeed ứng dụng trong nhà thông minh (tt)Nghiên cứu thuật toán dự đoán hành vi mspeed ứng dụng trong nhà thông minh (tt)Nghiên cứu thuật toán dự đoán hành vi mspeed ứng dụng trong nhà thông minh (tt)Nghiên cứu thuật toán dự đoán hành vi mspeed ứng dụng trong nhà thông minh (tt)

1

HỌC VIỆN CÔNG NGHỆ BƯU CHÍNH VIỄN THÔNG

-

Đường Quang Hiếu

NGHIÊN CỨU THUẬT TOÁN DỰ ĐOÁN HÀNH VI M-SPEED ỨNG

DỤNG TRONG NHÀ THÔNG MINH

Chuyên ngành: Khoa Học Máy Tính

Mã số: 60.48.01.01

TÓM TẮT LUẬN VĂN THẠC SĨ

HÀ NỘI - 2017

2

Luận văn được hoàn thành tại:

HỌC VIỆN CÔNG NGHỆ BƯU CHÍNH VIỄN THÔNG

Người hướng dẫn khoa học:………

(Ghi rõ học hàm, học vị)

Phản biện 1: ……… Phản biện 2: ………

Luận văn sẽ được bảo vệ trước Hội đồng chấm luận văn thạc sĩ tại Học viện Công nghệ Bưu chính Viễn thông

Vào lúc: giờ ngày tháng năm

Có thể tìm hiểu luận văn tại:

- Thư viện của Học viện Công nghệ Bưu chính Viễn thông

3

MỤC LỤC

LỜI CẢM ƠN 5

MỞ ĐẦU 6

CHƯƠNG 1 GIỚI THIỆU VỀ NHÀ THÔNG MINH 7

1.1.Tổng quan về nhà thông minh 7

1.1.1 Khái niệm 7

1.1.2 Lịch sử hình thành 7

1.2 Giới thiệu kiến trúc nhà thông minh MavHome 7

1.3 Ứng dụng hệ thống mô phỏng nhà thông minh SIMACT 8

1.3.1 Giới thiệu trình mô phỏng nhà thông minh SIMACT 8

1.3.2 Ứng dụng SIMACT trong công nghệ nhà thông minh 8

1.4 Kết luận 8

CHƯƠNG 2 DỰ ĐOÁN HÀNH VI TRONG NHÀ THÔNG MINH 9

2.1 Bài toán dự đoán hành vi của người dùng 9

2.1.1 Mô hình chuyển động áp dụng dự đoán 9

2.2 Giới thiệu về học máy 10

2.2.1 Một số mô hình học máy hiện nay 10

2.2.2 Mô hình học máy ứng dụng trong nhà thông minh 11

2.3 Giới thiệu một số thuật toán dự đoán hành vi 13

2.3.1 Thuật toán LZ78 13

2.3.2 Thuật toán Active LeZi 14

2.4 Thuật toán M-SPEED 14

2.4.1 Đặt vấn đề 14

2.4.1 Đặt vấn đề 14

2.4.2 Phân tích thuật toán 15

2.4.3 Tiêu chuẩn đánh giá 16

2.4.4 Thủ tục học liệu 17

4

2.4.5 Ra quyết định 18

2.4.5 Ra quyết định 18

2.4.6 Kết quả 18

2.5 Kết luận 18

CHƯƠNG 3 THỰC NGHIỆM VÀ ĐÁNH GIÁ 19

4.1.Thực nghiệm 19

4.2 Các bước thực thi giải thuật 19

4.3 So sánh thuật toán SPEED và M-SPEED 20

4.4 Kết quả 20

4.5 Kết luận 21

KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN 21

TÀI LIỆU THAM KHẢO 22

5

LỜI CẢM ƠN

Để hoàn thành luận văn tốt nghiệp “Nghiên cứu thuật toán dự đoán hành vi M-SPEED ứng dụng trong nhà thông minh”, lời đầu tiên tôi xin gửi cám ơn sâu sắc nhất tới Th.S Nguyễn Trọng Khánh đã hướng dẫn và chỉ bảo tôi tận tình trong suốt thời gian làm khóa luận

Tôi xin chân thành cảm ơn Ban giám hiệu nhà trường, các thầy cô giáo Trường Học viện Công nghệ Bưu chính Viễn thông, các giảng viên đã truyền đạt cho tôi những kiến thức, kỹ năng, tạo mọi điều kiện giúp đỡ, động viên, chia sẻ để tôi hoàn thành bản luận văn này

Bản luận văn chắc chắn còn nhiều thiết sót, rất mong được các thầy cô giáo trong hội đồng chấm luận văn xem xét, góp ý kiến để luận văn được hoàn thiện hơn

Tôi xin chân thành cảm ơn!

Hà Nội, tháng năm 2017

HỌC VIÊN

Đường Quang Hiếu

6

MỞ ĐẦU

Nhà thông minh được định nghĩa là không gian sống và nơi làm việc hỗ trợ các tương tác tự nhiên và thích ứng với người dùng Sự thích ứng này được hiểu theo nghĩa là sự phản ứng liên tục và thích ứng với điều kiện thay đổi để thoả mãn những nhu cầu sử dụng của người dùng Do vậy, Nhà thông minh phải có khả năng

dự đoán những mô hình di động và thói quen sử dụng các thiết bị của người dùng Với những dự đoán như vậy, nhà thông minh có thể gửi đi thông điệp và các thông tin đa phương tiện một cách chính xác cũng như tự động hoá các hoạt động mà đối với một căn nhà bình thường, người dùng sẽ phải đích thân thực hiện Nhà thông minh được coi như một tác nhân thông minh, cảm nhận được tình trạng của ngôi nhà thông qua các cảm biến và tác động lên môi trường từ những tác nhân được phát hiện Mục đích của nhà thông minh nhằm làm tăng sự thoải mái và an toàn cho người dùng, tối ưu hoá năng lượng sử dụng và loại bỏ những hoạt động lặp đi lặp lại không cần thiết

Do đó, dưới sự hướng dẫn của TS Nguyễn Trọng Khánh, tôi tìm hiểu đề tài

“Nghiên cứu thuật toán dự đoán hành vi M-SPEED ứng dụng trong nhà thông minh”.Luận văn sẽ tập trung nghiên cứu bài toán dự đoán hành vi, và biến thể của chúng Để từ đó áp dụng cho bài toán dự đoán hành vi ứng dụng trong ngôi nhà thông minh, với hai ràng buộc cụ thể về dự đoán và ra quyết định

7

CHƯƠNG 1 GIỚI THIỆU VỀ NHÀ THÔNG MINH

1.1.Tổng quan về nhà thông minh

1.1.2 Lịch sử hình thành

Khởi đầu của hệ thống nhà cửa tự động, nhà thông minh chính là thiết bị điều khiển từ xa không dây Được giới thiệu năm 1898 bởi Nikola Tesla, khi đó ông đã điều khiển mô hình thu nhỏ của một chiếc thuyền bằng cách gửi đi sóng radio qua điều khiển từ xa

Ngày nay khi các yếu tố giá thành, và công nghệ sản xuất phát triển, nhu cầu người dùng tăng cao các công ty đã chú trọng đầu tư nghiên cứu và phát triển các hệ thống nhà thông minh Mô hình nhà thông minh đã phát triển rộng khắp rất rễ bắt gặp ở mọi nơi và mọi lĩnh vực

1.2 Giới thiệu kiến trúc nhà thông minh MavHome

Dự án nhà thông minh của MavHome[2] là dự án tập trung vào việc tạo ra một môi trường hoạt động với một bộ xử lý thông minh, nhận thức được trạng thái của ngôi nhà thông qua cảm biến và tác động lên môi trường thông qua bộ điều khiển thiết bị Mục tiêu dự án này là tạo ra hệ thống chức năng tối đa hóa sự thoải mái và năng suất của người sử dụng và giảm thiểu chi phí vận hành Để đạt được mục tiêu này, ngôi nhà phải có khả năng dự đoán, lý giải và thích nghi với chủ nhân của nó

8

1.3 Ứng dụng hệ thống mô phỏng nhà thông minh SIMACT

1.3.1 Giới thiệu trình mô phỏng nhà thông minh SIMACT

SIMACT[4] là trình mô phỏng được xây dựng với mục đích cung cấp một công cụ thử nghiệm phần mềm giúp các nhà nghiên cứu xác nhận các phương pháp tiếp cận, nghiên cứu mô hình nhà thông minh của họ Đây là một ứng dụng đơn giản

để thử nghiệm và xác định các ý tưởng các thuật toán trong lĩnh vực nhà thông minh SIMACT là một công cụ rất linh hoạt và dễ sử dụng, hơn nữa nó được xây dựng dựa trên mã nguồn mở vì vậy mọi người từ sinh viên đến các nhà nghiên cứu đều có khả năng tùy biến và tiếp cận nó để sử dụng cho mục đích mà mình muốn

1.3.2 Ứng dụng SIMACT trong công nghệ nhà thông minh

Các công nghệ gia đình thông minh đã trở thành một chủ đề nghiên cứu rất tích cực trong vài năm trở lại đây Tuy nhiên, nhiều nhà khoa học làm việc trong lĩnh vực này không có cơ sở hạ tầng thông minh cho phép họ thực hiện các thí nghiệm thỏa đáng trong một môi trường cụ thể với dữ liệu thực Để giải quyết vấn

đề này, SIMACT ra đời với mục đích mô phỏng cơ sở hạ tầng gia đình 3D linh hoạt Một tập hợp các kịch bản được ghi lại, được làm bằng dữ liệu trích ra từ các thử nghiệm lâm sàng, sẽ được đưa vào mô phỏng để tạo nền tảng chung để kiểm tra các thuật toán nhận dạng hoạt động Mục tiêu là phát hành trình mô phỏng SIMACT với trình biên tập kịch bản thị giác như là một thành phần nguồn mở mang lại lợi ích cho toàn bộ cộng đồng nghiên cứu gia đình thông minh

1.4 Kết luận

Trong chương này đã giới thiệu sơ lược về khái niệm và lịch sử phát triển của nhà thông minh, mô hình kiến trúc nhà thông minh MavHome Bên cạnh đó chương 1 cũng đã giới thiệu về chương trình giả lập nhà thông minh 3D SIMACT

9

một công cụ giúp chúng ta nghiên cứu và thử nghiệm hệ thống nhà thông minh cũng như các thuật toán dự đoán được sử dụng trong nhà thông minh trên hệ thống mô phỏng ảo này

CHƯƠNG 2 DỰ ĐOÁN HÀNH VI TRONG NHÀ THÔNG

MINH

2.1 Bài toán dự đoán hành vi của người dùng

Hàng ngày có rất nhiều hoạt động thường ngày được diễn ra trong ngôi nhà của chúng ta Sau đây là một kịch bản ví dụ về những hoạt động đó:

“Tôi thức dậy vào lúc 6h30 phút sáng, đèn ngủ tự động tắt, đèn phòng bật và rèm cửa tự động kéo ra Tiếp đó tôi vào phòng vệ sinh, đèn tự động bật và tôi dùng nước ấm đã được hệ thống tự động bật trước đó 15 phút vệ sinh cá nhân, lúc này nhiệt độ trong phòng cũng được tự động điều chỉnh tăng dần để khi tôi ra khỏi nhà không cảm thấy bị sốc nhiệt.”

Để hệ thống hoạt động trơn tru và tự động như trên rất nhiều yêu cầu được đặt ra như: thu thập dữ liệu từ các cảm biến nhiệt độ, ánh sáng hồng ngoại, v…v, phân tích dự đoán hành vi người dùng, kết nối thông tin giữa các thiết bị… Tất cả các yêu cầu này cần phải được đáp ứng liên tục và hoạt động không ngừng Đặc biệt, việc dự đoán hành động, dự đoán phòng tiếp theo người dùng sẽ di chuyển, dự đoán sự tương tác giữa người dùng và ngôi nhà và sử dụng những thông tin đó cho ngôi nhà tự động hóa các quyết định, tối ưu hóa sự thoải mái của người dùng

2.1.1 Mô hình chuyển động áp dụng dự đoán

Kết nối liền mạch là một điều vô cùng cần thiết cho một căn nhà thông minh Một hệ thống mạng không dây được tích hợp trong toàn bộ ngôi nhà Các thiết bị đầu cuối không dây thường được tích hợp trong các bộ cảm biến được triển khai trong môi trường nhà thông minh Vùng phủ sóng của nhà thông minh được phân chia thành các khu vực hoặc ngành Việc quản lý khu vực liên quan đến việc lưu

10

giữ theo dõi những chuyển động của người dùng Khi nhà thông minh cần liên hệ với người dùng, hệ thống sẽ khởi tạo tìm kiếm cho các thiết bị đầu cuối mục tiêu bằng cách kiểm tra tất cả các vùng, nơi nó có thể tìm thấy người dùng Tất cả các thiết bị đầu cuối nhận tín hiệu từ thiết bị phát sóng và chỉ có một khu vực gửi lại phản hồi Các hạn chế ảnh hưởng bởi các đặc tính cảm biến như hạn chế về công nghệ hồng ngoại đôi khi không thể tránh khỏi Ngoài ra, để tránh khả năng không chắc chắn về vị trí của người dùng, một bản cập nhật định kỳ về vị trí của người dùng cũng sẽ được đưa vào hệ thống Vị trí hiện tại có khả năng nhất được dự báo bởi thông tin cập nhật cuối cùng được hệ thống nhận biết

2.2 Giới thiệu về học máy

Học máy là một phương pháp phân tích dữ liệu mà sẽ tự động hóa việc xây dựng mô hình phân tích Sử dụng các thuật toán lặp để học từ dữ liệu, học máycho phép máy tính tìm thấy những thông tin giá trị ẩn sâu mà không được lập trình một cách rõ ràng nơi để tìm

2.2.1 Một số mô hình học máy hiện nay

- Học có giám sát

Supervised learning là thuật toán dự đoán đầu ra (outcome) của một dữ liệu

mới (new input) dựa trên các cặp (input, outcome) đã biết từ trước Cặp dữ liệu này còn được gọi là (data, label), tức (dữ liệu, nhãn) Supervised learning là nhóm phổ

biến nhất trong các thuật toán Machine Learning

- Học không giám sát

Trong thuật toán này, chúng ta không biết được outcome hay nhãn mà chỉ có

dữ liệu đầu vào Thuật toán unsupervised learning sẽ dựa vào cấu trúc của dữ liệu

để thực hiện một công việc nào đó, ví dụ như phân nhóm (clustering) hoặc giảm số

- Học Củng Cố

Reinforcement learning là các bài toán giúp cho một hệ thống tự động xác định hành vi dựa trên hoàn cảnh để đạt được lợi ích cao nhất (maximizing the performance) Hiện tại, Reinforcement learning chủ yếu được áp dụng vào Lý Thuyết Trò Chơi (Game Theory), các thuật toán cần xác định nước đi tiếp theo để đạt được điểm số cao nhất

2.2.2 Mô hình học máy ứng dụng trong nhà thông minh

Quá trình hoạt động trong hệ thống nhà thông minh bắt đầu bằng việc đọc tín hiệu từ cảm biến và kết thúc bằng việc gửi tín hiệu điều khiển tới thiết bị truyền động Quá trình này tuân theo chu trìnhcụ thể sau: thu nhận dữ liệu, xử lý dữ liệu,

dự đoán, đưa ra quyết định, gửi tín hiệu điều khiển Đây là một vòng lặp Có thể tiến hành vòng lặp này mà không cần sử dụng đến các thuật toán học máy Tuy nhiên, điều này không mang tới khả năng tự học, tự ra quyết định trong môi trường nhà thông minh[12]

Vai trò của học máy thể hiện qua việc áp dụng các thuật toán nhận dạng/ phát hiện để nâng cao khả năng thu thập thông tin từ môi trường Áp dụng các thuật toán dự đoán hỗ trợ ra quyết định chính xác Áp dụng các thuật toán tối ưu để tối đa hóa hiệu suất dài hạn cho việc ra quyết định

12

Thu thập hoạt động thường sử dụng các thuật toán học máy để giải quyết vấn

đề nhận dạng.Thuật toán học máy sử dụng chủ yếu là thuật toán khai phá dữ liệu Thuật toán nhận dạng yêu cầu các tập huấn luyện phải có nhãn rõ ràng Do đó thuật toán khai phá dữ liệu phân chia tập huấn luyện ban đầu thành các lớp Tùy theo mục đích phân lớp mà có thể chia ra thành hai loại: học có giám sát, học không giám sát

Sử dụng những thuật toán này có thể giảm thiểu lượng công việc Khi cần tính toán,

xử lýchỉ cần làm việc trong những tập đã được gắn nhãn Tuy nhiên, máy không hiểu được ngữ nghĩa của những tình huống phát hiện Do vậy, sẽ có nhiều thách thức hơn trong việc đưa ra kết luận dựa vào tình huống Ví dụ trước khi gán nhãn thực, không thể áp dụng luật dựa trên ngữ nghĩa mà không kết hợp với tình huống phát hiện

Thuật toán khai phá dữ liệu cần một lượng dữ liệu lớn để cho kết quả tốt Để

sử dụng khai phá dữ liệu phải cung cấp đầy đủ các thông tin liên quan đến dữ liệu

Ví dụ, thời gian quan sát là luôn cần thiết để tìm ra những tình huống xảy ra trong những khung thời gian giống nhau

-Nhận biết, thu thập hoạt động

Vấn đề nhận biết được xử lý với công nghệ học điều tra Cụ thể, thuật toán nhận dạng huấn luyện tác nhân trước khi triển khai nó trong môi trường Huấn luyện trực tiếp trong môi trường là rất khó khăn bởi vì tác nhân huấn luyện yêu cầu được gán nhãn mà nhãn thường thì không sẵn có trong thời gian chạy Tuy nhiên, trong một vài trường hợp, nhãn có thể được suy luận nếu đầu ra chỉ là đúng hoặc sai Do đó giúp cải thiện hoạt động

-Dự đoán

Mục đích của dự đoán thường là dự đoán những gì sẽ xảy ra trong tương lai gần Đầu vào cho dự đoán không phải là đọc trực tiếp từ cảm biến Đầu vào cho dự đoán phải trải qua bước tiền xử lý Vấn đề dự đoán có thể là vấn đề phân lớp hoặc vấn đề hồi quy Trong đó, phân lớp là tìm kiếm theo sự kiện dự đoán Dự đoán sự kiện chắc chắn xảy ra nhất Hồi quy là dự đoán sự kiện gần nhất, đầu ra được tính dựa vào hàm dự đoán

13

Ngoài ra, khi dự đoán trong môi trường nhà thông minh có thể áp dụng phương pháp huấn luyện trực tiếp Phương pháp này khá hiệu quả trong dự đoán sự kiện kế tiếp So sánh sự kiện thực tế xảy ra với giá trị dự đoán Nếu kết quả dự đoán không chính xác thì có thể sử dụng giá trị thực tế như một ví dụ huấn luyện

-Tối ưu hóa

Mục đích của tối ưu hóa là tối đa hóa một kết quả tốt tồn tại trong tập tối ưu hóa Có thể sử dụng công nghệ học tăng cường cho những vấn đề này Một vài vấn

đề tối ưu có thể được xử lý như một vấn đề dự đoán Cụ thể, để đưa ra kết quả tốt,

dự đoán lựa chọn hành động có xác xuất cao nhất trong tập các hành động có xác suất cao Tuy nhiên, mục đích của tối ưu hóa là tìm ra chính sách để tối đa hóa hiệu suất dài hạn, chứ không phải chỉ lựa chọn ra hành động kế tiếp tốt nhất

Đưa ra quyết định là ví dụ điển hình của vấn đề tối ưu hóa.Có rất nhiều thiết

bị trong môi trường Các thiết bị này có thể đồng thời cùng gửi thông tin lên các tầng mức cao hơn và chờ đợi phản hồi Nhưng mỗi khu vực trong môi trường yêu cầu thời gian phản hồi nhanh chậm khác nhau Để đáp ứng hợp lý thời gian phản hồi cho từng vùng, cần tối ưu hóa thuật toán quyết định

Nội dung chính trong phần này sẽ đi sâu giới thiệu mô hình học máy đươc đề suất bởi Sakari Stenudd[13], cũng làm mô hình chính mà luận văn áp dụng

2.3 Giới thiệu một số thuật toán dự đoán hành vi

2.3.1 Thuật toán LZ78

Thuật toán nén dữ liệu không tổn hao có thể dùng cho việc dự đoán LZ78 [10] là một thuật toán nén dữ liệu được giới thiệu bởi Lempel và Ziv là một trong những thuật toán nén dữ liệu không tổn hao phổ biến nhất được dùng trong rất nhiều ứng dụng Về cơ bản, LZ78 là một thuật toán từ điển được dùng để phân tích một chuỗi tuần tự các sự kiện thành những chuỗi con, hình thành tập các cụm từ dùng cho việc nén dữ liệu