論文の概要: Machine Learning Approaches for Non-Intrusive Home Absence Detection Based on Appliance Electrical Use

• arxiv url: http://arxiv.org/abs/2203.16538v1
• Date: Wed, 30 Mar 2022 14:21:14 GMT
• ステータス: 処理完了
• システム内更新日: 2022-04-02 13:44:38.097112
• Title: Machine Learning Approaches for Non-Intrusive Home Absence Detection Based on Appliance Electrical Use
• Title（参考訳）: アプライアンス電気利用に基づく非侵入型住宅不在検出のための機械学習手法
• Authors: Athanasios Lentzas and Dimitris Vrakas
• Abstract要約: 家庭の不在検出は、スマートホームインスタレーションにおける新たな分野である。 本研究では,住民の有無を検知する手段として,家電の電気利用について検討した。 エネルギー利用は、非侵入的/非侵入的な検知方法であるパワー・デアグリゲーションの結果である。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Home absence detection is an emerging field on smart home installations. Identifying whether or not the residents of the house are present, is important in numerous scenarios. Possible scenarios include but are not limited to: elderly people living alone, people suffering from dementia, home quarantine. The majority of published papers focus on either pressure / door sensors or cameras in order to detect outing events. Although the aforementioned approaches provide solid results, they are intrusive and require modifications for sensor placement. In our work, appliance electrical use is investigated as a means for detecting the presence or absence of residents. The energy use is the result of power disaggregation, a non intrusive / non invasive sensing method. Since a dataset providing energy data and ground truth for home absence is not available, artificial outing events were introduced on the UK-DALE dataset, a well known dataset for Non Intrusive Load Monitoring (NILM). Several machine learning algorithms were evaluated using the generated dataset. Benchmark results have shown that home absence detection using appliance power consumption is feasible.
• Abstract（参考訳）: 家庭不在検出は、スマートホームインスタレーションにおける新たな分野である。 住宅の住人がいるかどうかを特定することは、多くのシナリオにおいて重要である。 一人暮らしの高齢者、認知症に苦しむ人々、家庭検疫などだ。 論文の大半は、アウトアウトイベントを検出するために、圧力/ドアセンサーまたはカメラに焦点を当てている。 上記のアプローチは堅固な結果をもたらすが、侵入性があり、センサー配置の修正が必要である。 本研究は, 住民の有無を検知する手段として, 家電機器の利用について検討した。 エネルギー利用は、非侵入的/非侵入的な検知方法であるパワー・デアグリゲーションの結果である。 エネルギーデータと家庭不在のための地上の真実を提供するデータセットは利用できないため、非侵入負荷モニタリング(NILM)のためのよく知られたデータセットであるUK-DALEデータセットに人工的な外出イベントが導入された。 複数の機械学習アルゴリズムが生成されたデータセットを用いて評価された。 評価の結果,家電電力消費による住宅不在検出は可能であった。

関連論文リスト

• Learning 3D Perception from Others' Predictions [64.09115694891679]
  本研究では,3次元物体検出装置を構築するための新たなシナリオについて検討する。 例えば、自動運転車が新しいエリアに入ると、その領域に最適化された検出器を持つ他の交通参加者から学ぶことができる。
  論文  参考訳（メタデータ） (2024-10-03T16:31:28Z)
• Layout Agnostic Human Activity Recognition in Smart Homes through Textual Descriptions Of Sensor Triggers (TDOST) [0.22354214294493352]
  スマートホームにおけるヒューマンアクティビティ認識(HAR)システムのためのレイアウトに依存しないモデリング手法を開発した。 我々は、周囲のトリガー条件をカプセル化するセンサートリガーのテキスト記述(TDOST)を生成する。 我々は、ベンチマークしたCASASデータセットの実験を通して、見知らぬスマートホームにおけるTDOSTベースのモデルの有効性を実証する。
  論文  参考訳（メタデータ） (2024-05-20T20:37:44Z)
• OOSTraj: Out-of-Sight Trajectory Prediction With Vision-Positioning Denoising [49.86409475232849]
  軌道予測はコンピュータビジョンと自律運転の基本である。 この分野における既存のアプローチは、しばしば正確で完全な観測データを仮定する。 本稿では,視覚的位置決め技術を利用した視線外軌道予測手法を提案する。
  論文  参考訳（メタデータ） (2024-04-02T18:30:29Z)
• Self-Supervised Anomaly Detection of Rogue Soil Moisture Sensors [2.374304682010306]
  センサーは、時間の経過とともに誤った測定を行うときに、ローグと見なされる。 既存の方法は、よく動くセンサーが知られているか、ほとんどのセンサーがよく動くと仮定している。 コントラスト損失を有するニューラルネットワークを用いた自己制御型異常センサ検出器をDBSCANに次いで提案する。
  論文  参考訳（メタデータ） (2023-05-09T14:47:16Z)
• Unsupervised Adaptation from Repeated Traversals for Autonomous Driving [54.59577283226982]
  自動運転車はエンドユーザー環境に一般化し、確実に動作させなければならない。 潜在的な解決策の1つは、エンドユーザの環境から収集されたラベルのないデータを活用することである。 適応過程を監督する信頼性のある信号はターゲット領域に存在しない。 この単純な仮定は、ターゲット領域上の3次元物体検出器の反復的自己学習を可能にする強力な信号を得るのに十分であることを示す。
  論文  参考訳（メタデータ） (2023-03-27T15:07:55Z)
• Domain Knowledge Aids in Signal Disaggregation; the Example of the Cumulative Water Heater [68.8204255655161]
  住宅における累積給湯器(CWH)の電力の検出と分散を目的とした教師なし低周波法を提案する。 本モデルでは,パワースパイクの形状と発生時刻を両立させることにより,教師なし信号の分解の難しさを回避する。 我々のモデルは、単純さに拘わらず、有望なアプリケーションを提供する: オフピーク契約における設定ミスの検出と性能劣化の遅さ。
  論文  参考訳（メタデータ） (2022-03-22T10:39:19Z)
• A Deep Learning Technique using Low Sampling rate for residential Non Intrusive Load Monitoring [0.19662978733004596]
  非侵入負荷監視(Non-Inrusive Load Monitoring、NILM)は、ブラインドソース分離の問題である。 低周波電力データ上で負荷分散を行うための,新しいディープニューラルネットワークに基づくアプローチを提案する。 私たちのニューラルネットワークは、需要側の詳細なフィードバックを生成し、エンドユーザに重要な洞察を提供することができます。
  論文  参考訳（メタデータ） (2021-11-07T23:01:36Z)
• Adversarial Energy Disaggregation for Non-intrusive Load Monitoring [78.47901044638525]
  非侵入負荷モニタリング(Non-Inrusive Load Monitoring, NILM)としても知られるエネルギー分散は、家庭全体の電力消費を家電固有の個人消費に分けるという問題に挑戦する。 近年の進歩は、ディープニューラルネットワーク(DNN)がNILMに有利な性能を得られることを示している。 我々は、エネルギー分散タスクに新しくなったNILMに、敵対的学習の考え方を導入する。
  論文  参考訳（メタデータ） (2021-08-02T03:56:35Z)
• In-Bed Person Monitoring Using Thermal Infrared Sensors [53.561797148529664]
  パナソニックグリッド(Panasonic Grid-EYE)は、低解像度の赤外線サーモパイルアレイセンサーで、よりプライバシーを提供する。 この目的のために、2つのデータセットが取得され、1つ (480 画像) は一定条件で、もう1つ (200 画像) は異なるバリエーションで取得された。 我々は、SVM(Support Vector Machines)、k-Nearest Neighbors(k-NN)、Neural Network(NN)の3つの機械学習アルゴリズムをテストする。
  論文  参考訳（メタデータ） (2021-07-16T15:59:07Z)
• Self-Supervised Transformers for Activity Classification using Ambient Sensors [3.1829446824051195]
  本稿では,環境センサを用いた環境下での居住者の活動の分類手法を提案する。 また,自己教師付き方式でトランスフォーマーを事前訓練する手法を,ハイブリッドオートエンコーダ分類モデルとして提案する。
  論文  参考訳（メタデータ） (2020-11-22T20:46:25Z)
• An individual-level ground truth dataset for home location detection [0.7769712273444055]
  本研究は,65名の被験者を対象に,ホーム検出アルゴリズムの精度を評価する。 ストリームの選択とアルゴリズムが家庭検出に大きく影響していることが判明した。
  論文  参考訳（メタデータ） (2020-10-17T15:41:27Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。