論文の概要: Time-Probability Dependent Knowledge Extraction in IoT-enabled Smart Building

• arxiv url: http://arxiv.org/abs/2412.18042v1
• Date: Mon, 23 Dec 2024 23:29:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-25 15:51:28.144341
• Title: Time-Probability Dependent Knowledge Extraction in IoT-enabled Smart Building
• Title（参考訳）: IoT対応スマートビルディングにおける時間確率依存知識抽出
• Authors: Hangli Ge, Hirotsugu Seike, Noboru Koshizuka,
• Abstract要約: 建物内の異種センサデータをモデリングするための統一的で実用的なフレームワークが欠如している。 本稿では,スマートビルディングにおける状況と状況の知識を抽出する実践的推論フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 1.5020330976600735
• License:
• Abstract: Smart buildings incorporate various emerging Internet of Things (IoT) applications for comprehensive management of energy efficiency, human comfort, automation, and security. However, the development of a knowledge extraction framework is fundamental. Currently, there is a lack of a unified and practical framework for modeling heterogeneous sensor data within buildings. In this paper, we propose a practical inference framework for extracting status-to-event knowledge within smart building. Our proposal includes IoT-based API integration, ontology model design, and time probability dependent knowledge extraction methods. The Building Topology Ontology (BOT) was leveraged to construct spatial relations among sensors and spaces within the building. We utilized Apache Jena Fuseki's SPARQL server for storing and querying the RDF triple data. Two types of knowledge could be extracted: timestamp-based probability for abnormal event detection and time interval-based probability for conjunction of multiple events. We conducted experiments (over a 78-day period) in a real smart building environment. The data of light and elevator states has been collected for evaluation. The evaluation revealed several inferred events, such as room occupancy, elevator trajectory tracking, and the conjunction of both events. The numerical values of detected event counts and probability demonstrate the potential for automatic control in the smart building.
• Abstract（参考訳）: スマートビルディングには、エネルギー効率、人間の快適性、自動化、セキュリティを包括的に管理するための、IoT(Internet of Things)アプリケーションが含まれている。 しかし,知識抽出フレームワークの開発は基本的なものである。 現在、建物内の異種センサデータをモデリングするための統一的で実用的なフレームワークが欠如している。 本稿では,スマートビルディングにおける状況と状況の知識を抽出する実践的推論フレームワークを提案する。 本提案では,IoTベースのAPI統合,オントロジーモデル設計,時間確率依存知識抽出手法を提案する。 ビル・トポロジー・オントロジー(BOT)は、建物内のセンサーと空間間の空間関係を構築するために利用された。 我々はApache Jena FusekiのSPARQLサーバを使用してRDFトリプルデータの保存とクエリを行った。 異常事象検出のためのタイムスタンプに基づく確率と、複数の事象を結合するための時間間隔に基づく確率である。 78日間にわたる実験を, 現実のスマートビルディング環境で実施した。 光とエレベーターの状態のデータを収集して評価している。 評価では, 室内占有, エレベーター軌道追跡, 両イベントの連携など, 推測された出来事がいくつか示された。 検出された事象数と確率の数値は、スマートビルにおける自動制御の可能性を示している。

関連論文リスト

• AI planning in the imagination: High-level planning on learned abstract search spaces [68.75684174531962]
  我々は,エージェントが訓練中に学習する抽象的な検索空間において,エージェントが計画することを可能にする,PiZeroと呼ばれる新しい手法を提案する。 本研究では,旅行セールスマン問題,ソコバン問題,2048年,施設立地問題,パックマン問題など,複数の分野で評価を行った。
  論文  参考訳（メタデータ） (2023-08-16T22:47:16Z)
• Human-In-the-Loop for Bayesian Autonomous Materials Phase Mapping [14.930208990741129]
  本稿では,人間の入力を自律的な材料探索キャンペーンに統合するための一連の手法を提案する。 ユーザは、興味のある領域、潜在的領域、およびおそらくフェーズ境界を示すことで、入力を選択できる。 適切な入力を行うと、位相マッピング性能が大幅に向上することを示す。
  論文  参考訳（メタデータ） (2023-06-17T18:25:32Z)
• Planning for Learning Object Properties [117.27898922118946]
  我々は、物体特性を象徴的な計画問題として認識するために、ニューラルネットワークを自動的に訓練する問題を定式化する。 トレーニングデータセット作成と学習プロセスを自動化するための戦略を作成するために,計画手法を使用します。 シミュレーションと実環境の両方で実験的な評価を行う。
  論文  参考訳（メタデータ） (2023-01-15T09:37:55Z)
• ABODE-Net: An Attention-based Deep Learning Model for Non-intrusive Building Occupancy Detection Using Smart Meter Data [5.732496048593952]
  業務情報は、建築セクターの効率的なエネルギー管理に有用である。 スマートメーターによって収集された高解像度の電力消費データにより、非侵襲的な方法で建物の占有状況を推定することができる。 本稿では,ABODE-Netとよばれる深層傾きモデルを提案する。
  論文  参考訳（メタデータ） (2022-12-21T22:37:42Z)
• H-SAUR: Hypothesize, Simulate, Act, Update, and Repeat for Understanding Object Articulations from Interactions [62.510951695174604]
  The Hypothesize, Simulate, Act, Update, and Repeat (H-SAUR) is a probabilistic generative framework that generated hypotheses about objects articulate given input observed。 提案手法は,現在最先端のオブジェクト操作フレームワークよりも優れていることを示す。 我々は、学習に基づく視覚モデルから学習前の学習を統合することにより、H-SAURのテスト時間効率をさらに向上する。
  論文  参考訳（メタデータ） (2022-10-22T18:39:33Z)
• The Dark Side of AutoML: Towards Architectural Backdoor Search [49.16544351888333]
  EVASはNASを利用した新たな攻撃で、固有のバックドアを持つニューラルネットワークを見つけ出し、入力認識トリガを使用してそのような脆弱性を悪用する。 EVASは高い回避性、転送可能性、堅牢性を特徴とし、敵の設計スペクトルを拡大する。 この研究は、NASの現在の実践に対する懸念を高め、効果的な対策を開発するための潜在的方向性を示す。
  論文  参考訳（メタデータ） (2022-10-21T18:13:23Z)
• Detecting Anomalies within Smart Buildings using Do-It-Yourself Internet of Things [1.233704313688752]
  本稿では,異常を発生した直後に検出する様々なメカニズムについて論じる。 複数の自作(DIY)IoTデバイスから、さまざまなセンサーを使ってデータを構築、収集しました。 また,環境条件に基づくサブデータセット抽出の長所と短所についても検討した。
  論文  参考訳（メタデータ） (2022-10-04T18:16:36Z)
• Online Learning Probabilistic Event Calculus Theories in Answer Set Programming [70.06301658267125]
  イベント認識(CER)システムは、事前に定義されたイベントパターンを使用して、ストリーミングタイムスタンプデータセットで発生を検出する。 本稿では,複雑なイベントパターンによる確率論的推論を,イベント計算で重み付けされたルールの形で行うことができるAnswer Set Programming(ASP)に基づくシステムを提案する。 その結果, 効率と予測の両面で, 新たなアプローチの優位性が示された。
  論文  参考訳（メタデータ） (2021-03-31T23:16:29Z)
• Reliable Fleet Analytics for Edge IoT Solutions [0.0]
  AIoTアプリケーションのエッジで機械学習を容易にするためのフレームワークを提案する。 コントリビューションは、大規模にフリート分析を提供するためのサービス、ツール、メソッドを含むアーキテクチャである。 本稿では,大学キャンパスの部屋でiotデバイスを用いた実験を行うことで,フレームワークの予備検証を行う。
  論文  参考訳（メタデータ） (2021-01-12T11:28:43Z)
• A Federated Learning Approach to Anomaly Detection in Smart Buildings [5.177947445379688]
  マルチタスク学習パラダイムを活用することにより,連合学習環境における異常検出問題を定式化する。 本稿では,LSTMモデルを用いた新しいプライバシ・バイ・デザイン・フェデレーション学習モデルを提案する。 集中型LSTMに比べてトレーニング収束時の2倍以上の速さであることが実証された。
  論文  参考訳（メタデータ） (2020-10-20T14:06:00Z)
• Towards Automated Neural Interaction Discovery for Click-Through Rate Prediction [64.03526633651218]
  CTR(Click-Through Rate)予測は、レコメンダシステムにおいて最も重要な機械学習タスクの1つである。 本稿では,AutoCTR と呼ばれる CTR 予測のための自動インタラクションアーキテクチャ探索フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-06-29T04:33:01Z)

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。