Titelaufnahme

Titel
Behavior recognition and prediction in building automation systems / von Josef Mitterbauer
VerfasserMitterbauer, Josef
Begutachter / BegutachterinDietrich, Dietmar
Erschienen2008
Umfangvii, 99 Bl. : Ill., graph. Darst.
HochschulschriftWien, Techn. Univ., Dipl.-Arb., 2008
Anmerkung
Zsfassung in dt. Sprache
SpracheEnglisch
DokumenttypDiplomarbeit
Schlagwörter (DE)Automatisierungstechnik / Data Mining / Statistik / Gebäudeautomatisierung / Szenarien Erkennung / Szenarien Vorhersage / Hidden Markov Model
Schlagwörter (EN)automation engineering / data mining / statistics / building automation / scenario recognition / scenario prediction / Hidden Markov Model
URNurn:nbn:at:at-ubtuw:1-22735 Persistent Identifier (URN)
Zugriffsbeschränkung
 Das Werk ist frei verfügbar
Dateien
Behavior recognition and prediction in building automation systems [1.72 mb]
Links
Nachweis
Klassifikation
Zusammenfassung (Deutsch)

Mit ständig besser und günstiger werdenden Technologien im Bereich der Gebäudeautomatisierung findet diese immer mehr Verbreitung, sowohl im öffentlichen Bereich als auch im Wohnbau. Durch die Verbesserungen in den Bereichen der Sensorik, Aktuatorik und Kommunikationssystemen, werden immer leistungsfähigere Systeme möglich.

Jedoch steigt mit der Leistungsfähigkeit auch die Komplexität. Damit auch in Zukunft mit der zu erwartenden Komplexität umgegangen werden kann, sind neue Verfahren zur Verarbeitung von Sensorwerten erforderlich. Eine Möglichkeit besteht darin, mithilfe statistischer Methoden die erfasste Situation in Gebäuden zu beschreiben. Eine interessante Fragestellung ist, ob sich aus derartigen Modellen Prognosen für zukünftig zu erwartende Situationen ableiten lassen.

In dieser Arbeit wird untersucht, inwieweit sich die Theorie über Hidden Markov Modelle (HMM) eignet, um das Verhalten von Personen in einem Raum zu beschreiben und anhand der erlernten Beschreibungen Vorhersagen über das zukünftige Verhalten einer Person zu machen. Das Erstellen dieser Prognosen basiert auf bekannten Algorithmen. Weiters wird untersucht, inwieweit sich Daten unterschiedlicher Sensortypen in ein Modell integrieren lassen und welche Vorhersagen so ein System liefern kann. In dieser Arbeit meint "Vorhersage des Verhaltens" die Berechnung der Wahrscheinlichkeit der möglichen Aktionen, die eine Person als nächstes ausführen kann und die auch vom System wahrgenommen werden können. Jene Aktionen mit der höchsten Wahrscheinlichkeit werden den Personen mitgeteilt. Aus diesem Grund sollte die Verarbeitung der Daten in Echtzeit erfolgen. Hierfür wurde eine Software Applikation entwickelt, welcher eine Liveanbindung an das Sensorwerterfassungssystem zur Verfügung steht. Diese Anwendung ermöglicht den Personen im Gebäude (d.h. in dem Raum, wo das System betrieben wird), einen Blick hinter die Kulissen des Systems, indem sie die relevanten Informationen auf einem Bildschirm darstellt, welcher von den Benutzern betrachtet werden kann.

Diese Darstellung zeigt einen Grundriss des Raumes und alle installierten Sensoren. Aus den ausgelösten Sensoren wird eine Abschätzung der vorhandenen Personen und deren Positionen errechnet, die dargestellt wird. Für jede dieser vermuteten Personen wird eine Vorhersage errechnet und ebenfalls dargestellt. Dadurch kann ein Benutzer sehen, an welcher Position er vom System vermutet wird und welche Vorhersage errechnet wurde.

Es hat sich gezeigt, dass HMMs für die Aufgabe der Modellierung derartiger Syteme gut geeignet sind und die Möglichkeiten des Erstellens von Modellen mannigfaltig sind. Die Art der Generierung ist entscheidend für die Qualität der Modelle. Weiters stellte sich heraus, dass in eher kleinen Räumen, wie der, der zur Verfügung stand, die Handlungen der Personen relativ ident sind, aber trotzdem große Unterschiede zwischen ständig auftretenden und eher seltenen Szenarios klar erkennbar sind.

Die Integration von Werten verschiedener Sensortypen in ein Modell ist insofern problematisch, als diese Werte untschiedliche Wahrscheinlichkeiten des Auftretens haben. Dies wurde durch eine Priorisierung bei der Auswertung kompensiert. Dieses Vorgehen bringt gute Lösungen in dieser Anwendung, da alle Aktionen sehr stark auf die räumliche Lokalität bezogen sind, kann aber mit hoher Wahrscheinlichkeit nicht verallgemeinert werden. Für einen allgemeinen Lösungsansatz sollte hier eine zusätzliche Abstraktionsebene eingeführt werden.

Zusammenfassung (Englisch)

Building automation systems are spreading more and more, thanks to technologies in that field constantly becoming better and cheaper; not only in public spaces but also in domestic architecture. Due to the improvements in the field of sensors, actuators and communication systems, increasingly efficient systems can be realized. But together with the efficiency also the complexity increases. For handling the expected complexity in future times, new methods for the processing of sensor values become necessary. The use of statistic methods is one possibility for describing recognized situations in buildings. It is an interesting question if it is possible to derive prognoses for expected future situations from such models.

How far the theory about Hidden Markov Models is useful for describing the behavior of persons in a room and to make predictions about a person's behavior out of the learned descriptions, will be determined in this work. The calculation of these predictions is based on common algorithms. In which way data of different sensor types can be integrated in one model and which predictions such a system can make, is also topic of this work. "Prediction of behavior" in this work means the calculation of the probability of possible actions (which can be perceived by the system) a person can do next. Those actions with the highest probability will be shown to the persons. For this reason data processing should be done in real-time. Therefore a software application, providing a live-data connection to the sensor value gathering hardware, was developed. This application allows the persons in the building (i.e. the room in which the system runs), a look behind the scenes of the system, because it shows the relevant information on a screen that can be watched by the users.

This illustration shows the layout of the room and all the installed sensors. From the triggered sensors an estimation of the number of present persons and their positions is calculated and depicted. For each of the assumed persons a prediction is calculated and also depicted.

Therefore a user can see, where on which position the system assumes him to be and which prediction was calculated.

It has turned out that HMMs are very appropriate for the task of modeling such systems and that there are many possibilities for the creation of models. The quality of the models depends on the kind of generation. It also turned out that in rather small rooms, like the one we have used for our disposal, the actions of the persons are relatively identical, however, big differences between frequently occurring scenarios and rather rare ones can be observed.

The integration of values from different sensor types into one model is problematic so far, as these values have different probabilities of occurrences. This was compensated by a prioritization in the evaluation.

This method brings good solutions for this application, because all actions are strongly referring to the spatial locality of persons, but it likely cannot be generalized. For a general approach an additional level of abstraction should be introduced.