Data analytics approaches in IoT based smart environments

Resum

La investigación e innovación contribuyen de manera decisiva a la lucha contra el cambio climático. Las TIC pueden reducir un 20 % de las emisiones mundiales de CO2 de aquí a 2030. El Aprendizaje Automático es útil para detectar ineficiencias de las ciudades modernas que contribuyen a la inestabilidad climática. Para mitigar el cambio climático, la reducción del consumo energético es crucial y la comodidad de los usuarios de los edificios y la reducción de costes deben garantizarse. Análisis iniciales sugieren que la conversión a edificios inteligentes gracias a la sensorización del Internet de las Cosas (IdC), junto con el análisis de datos, podría ser una opción para abordar estos problemas. Para ello, hemos identificado las siguientes necesidades de los edificios: mejorar las decisiones de gasto, reducir el consumo de energía, mejorar la eficiencia operativa y capacitar a sus usuarios con conocimientos energéticos; y las siguientes necesidades relativas a los análisis: cumplir los requisitos Big Data (volumen, velocidad, variedad, etc.), proporcionar mecanismos de fusión de datos, identificación de patrones de movilidad humana, reducción de información redundante en tiempo real, mejora de la predicción de series temporales mediante la selección de características y la gobernanza de datos. De acuerdo a estas necesidades hemos fijado los siguientes objetivos: O1. Integrar datos para crear conjuntos relativos al consumo de energía en entornos inteligentes y estudiar la naturaleza de los datos. Desarrollar arquitecturas para recopilar y administrar esos conjuntos de datos. O2. Desarrollar técnicas de reducción de datos para flujos de IdC que conserven sus características clave en relación con las aplicaciones Big Data. O3. Crear y comparar metodologías de predicción del consumo de energía con varios horizontes para obtener una predicción precisa y extraer patrones de uso de la energía. O4. Desarrollar una metodología de reducción de características para series temporales multivariantes aplicadas a predecir consumo de energía. O5. Encontrar patrones en el uso del aire acondicionado que puedan ser utilizados para acciones específicas hacia la eficiencia energética. O6. Identificar patrones de movilidad humana utilizando datos de dispositivos portables y redes sociales. O7. Identificar y aplicar arquitecturas analíticas de IdC en problemas de ciudades inteligentes que abarcan desde la recogida de datos hasta la prestación de servicios. O8. Crear mecanismos de IdC para prestar servicios personalizados de gestión y sensibilización en materia de energía mediante el análisis de los aspectos de comportamiento relacionados con la eficiencia energética. Nos centramos en completar algunos de los vacíos que existen en el análisis de datos para mejorar la eficiencia energética. La combinación de la gestión de datos con el aprendizaje automático permite extraer conocimientos para mejorar y crear servicios relacionados con la eficiencia en los edificios. Mediante análisis estadísticos y técnicas de selección de características hemos identificado variables importantes para la predicción del consumo de energía: temperatura, radiación, ocupación y valores previos de consumo. La ocupación rara vez está disponible y su predicción precisa es complicada, por lo que se ha diferenciado entre mañanas y tardes, lunes a jueves y viernes y también entre semanales y festivos. Random Forest es método excepcional en muchos de los escenarios estudiados, y muy apropiado debido a su fácil paralelización. También hemos estudiado los patrones de movilidad utilizando dispositivos portables y redes sociales que podrían ser aplicados en la estimación de la ocupación de los edificios. Se encontraron dos tipos de usuarios de aires acondicionados: los que interactúan mucho con la temperatura de consigna (consumidores más altos) y los que no. Estos resultados se utilizaron para diseñar estrategias de reducción del consumo de energía. Observamos que los datos reales son complicados debido a su volumen y a su naturaleza temporal. En este sentido, hemos desarrollado BEATS, un algoritmo de representación que transforma los datos para que proporcionen cantidades similares de información de forma compacta. Por último, desarrollamos arquitecturas de IdC que integran todos los pasos, desde la recopilación hasta el análisis de los datos y la prestación de servicios personalizados. Esos servicios se diseñaron para mejorar la eficiencia energética en los edificios inteligentes con el fin de lograr un cambio de comportamiento y resultaron útiles para reducir el consumo de