Multiagentní systém učící se predikovat uživatelské interakce v rámci Smart Home

Abstract

Tato práce se zabývá návrhem a implementací multiagentního systému schopného předvídat uživatelské interakce s chytrými spínači v prostředí chytré domácnosti. Cílem práce je vytvořit systém, který na základě senzorických dat predikuje následující stav zařízení za účelem automatizace. Pro řešení problému byl navržen hierarchický multiagentní systém tvořený hlavním agentem, predikčními agenty pro jednotlivá zařízení a uživatelskými agenty, kteří predikce filtrují a interpretují. K predikci byly využity neuronové sítě typu LSTM a CfC. Funkčnost systému byla ověřena v simulovaném prostředí s abstrahovaným modelem chytré domácnosti a chování uživatele. Nejlepší dosažené výsledky činily 0.92 u metriky F1Score a 0.72 u AUROC. Systém je navržen jako rozšiřitelný a lze ho integrovat do existujících řídicích systémů. Přínosem práce je návrh rozšiřitelné architektury pro adaptivní automatizaci chytré domácnosti s využitím strojového učení.

This thesis focuses on the design and implementation of a multi-agent system capable of predicting user interactions with smart switches in a smart home environment. The goal is to develop a system that uses sensor data to predict the next device state for the purpose of automation. To address the problem, a hierarchical multi-agent system was designed, consisting of a central agent, prediction agents for individual devices, and user agents that filter and interpret predictions. LSTM and CfC neural networks were used for the prediction task. The system's functionality was verified in a simulated environment with an abstracted model of the smart home and user behavior. The best achieved results reached an F1Score of 0.92 and an AUROC of 0.72. The system is designed to be extensible and can be integrated into existing control systems. The contribution of this work is a proposal of a modular architecture for adaptive smart home automation using machine learning.