Smart Lamp Control Based on User Behavior for Two Lamps Using Classification and Regression Tree CART Algorithm

Machine Translated by Google
Control de lámpara inteligente basado en el comportamiento del usuario para
Dos lámparas usando clasificación y regresión
Algoritmo de árbol (CART)
Aditya Nugraha
Escuela de Ingeniería Eléctrica
Telkom University Bandung,
Indonesia
[email protected]
Randy Efra Saputra
Escuela de Ingeniería Eléctrica
Telkom University Bandung,
Indonesia
[email protected]
Raudhatul Rafiqah Assyahiddini
Escuela de Ingeniería Eléctrica
Telkom University Bandung,
Indonesia
[email protected]
c.id
Resumen—En la época actual, las lámparas son equipos con los
que cuentan la mayoría de las casas porque juegan un papel importante
en la vida diaria. Cada año sigue aumentando la necesidad de vivienda,
y eso repercute en el uso creciente de energía eléctrica, lo que se
traduce en gastos excesivos. Un ejemplo de uso excesivo de
electricidad es olvidarse de apagar las luces y otros equipos
electrónicos al salir de casa. Esto se puede abordar automatizando el
dispositivo en el hogar haciendo predicciones de acuerdo con los
hábitos de la habitación o comúnmente denominado Smart Home. El
método utilizado para las lámparas inteligentes es el algoritmo del
árbol de clasificación y regresión (CART). Los datos de hábitos de
usuario registrados se procesarán en un conjunto de datos de
información y el sistema procesará los datos para hacer predicciones,
luego el dispositivo recuperará los datos para que el dispositivo pueda
funcionar de acuerdo con los hábitos de la habitación. Los resultados
Casi Setianingsih
Escuela de Ingeniería Eléctrica
Telkom University Bandung,
Indonesia
[email protected]
Nurhafidz Farid Abdul Aziz
Escuela de Ingeniería Eléctrica
Telkom University Bandung,
Indonesia
[email protected]
university.ac.id
En "Control de lámpara inteligente basado en el comportamiento
del usuario para dos lámparas mediante el árbol de clasificación y regresión (CART)
"Algoritmo" se convierte en la solución al problema de los sistemas
domésticos inteligentes que se pueden utilizar para ahorrar electricidad.
Este sistema funciona prediciendo el hábito de la habitación para que
los dispositivos en el hogar puedan encenderse y apagarse
automáticamente por sistema. El sistema será implementado usando la
plataforma IoT para procesar y distribuir datos y resultados de entrenamiento de Algo
II. TRABAJO RELACIONADO
Hay bastantes estudios que hablan de árbol de clasificación y
regresión. Li Miao (2017) usando el algoritmo CART para construir una
aplicación para detectar intrusos. El algoritmo CART, cuando se ejecuta
en el proceso de construcción del árbol de clasificación, el atributo
obtenidos en la primera prueba fueron 93% en ambas lámparas, la
continuo de discretización es el criterio de selección del mínimo de
ganancia de Gini como punto de corte, y la dicotomía puede simplificar
segunda prueba fue 88% en ambas lámparas, la tercera prueba fue
83% en la lámpara interna y 87% en la luz exterior. A partir de la
el árbol de decisión y mejorar su eficiencia. El algoritmo CART se
predicción, los resultados muestran que cuantos más datos, mayor será el resultado
de precisión.
combina con
el algoritmo PCA para la detección de intrusiones en la
red, pero para verificar el modelo utiliza el conjunto de datos KDD CUP
Palabras clave: hogar inteligente, luz, CART, hábitos.
I. INTRODUCCIÓN
para analizar la plataforma de aprendizaje automático Scikit-learn. Esta
investigación ha demostrado que el modelo puede identificar y mejorar
de manera efectiva la precisión de la predicción del comportamiento de
En la era actual, la tecnología se ha desarrollado muy rápidamente
y esto ha tenido un efecto significativo en el sector inmobiliario. Uno
ataque a la red. Para saber cómo identificar el ataque de subclase
específico en una categoría grande [1].
de los cuales es el concepto de Smart Home. Smart Home proporciona
un sistema de automatización para los electrodomésticos existentes en
el hogar. Esta automatización se basa en la conciencia del contexto
Neeraj Bhagarva, Sonia Dayma, Abishek Kumar y Pramod Singh
(2017) investigan para abordar el algoritmo CART para predecir
obtenida del monitoreo del entorno doméstico. En general, los
pacientes con ataques cardíacos. El árbol de decisión normalmente se
dispositivos eléctricos de la casa se controlan manualmente. Un
aplica en la minería de datos para producir un marco que prediga el
ejemplo es la lámpara incandescente que es muy útil para los usuarios
valor del objeto o su variable dependiente, establecido en las diversas
en la vida cotidiana. El problema es que a veces los usuarios se olvidan
entradas o variables independientes, dentro de este modelo de
clasificación podrá responder consultas más complejas en la predicción.
de apagar las luces cuando salen de casa. Esto da como resultado el
uso de energía eléctrica excesiva, que se espera que ahorre electricidad.
de la enfermedad de ataque al corazón [2].
Por lo tanto, este sistema fue creado para que pueda encender y apagar
las luces automáticamente mediante el estudio del comportamiento del
Otra investigación sobre la aplicación del algoritmo CART Hui Yan,
usuario. El sistema utilizará el sistema IoT con datos para enviar y
Haiyan Hu y Ping Yu realizan (2019) una investigación sobre la
guardar en Antares. El proceso de entrenamiento lo lleva a cabo la nube
implementación del algoritmo CART en la tecnología de empuje de la
de Antares para producir un sistema que pueda ser controlado
información del servicio de agricultura inteligente. La tecnología de
automáticamente.
empuje se combinará de acuerdo con el árbol de decisión basado en el
algoritmo CART para el conjunto de muestras para verificar y hacer
978-1-6654-8800-6/22/$31.00 ©2022 IEEE
.
79
Licencia de uso autorizada limitada a: UNIVERSIDAD AUTONOMA METROPOLITANA. Descargado
el 29 de noviembre de 2022 a las 21:48:56 UTC de IEEE Xplore. Se aplican restricciones.
2022
IEEE
8.ª
Conferencia
internacional
sobre
instrumentación,
medición
yaplicaciones
inteligentes
(ICSIMA)
|978-1-6654-8800-6/22/$31.00
IEEE
©2022
|DOI:
10.1109/
ICSIMA55652.2022.9929036
Machine Translated by Google
2022 IEEE 8.ª Conferencia internacional sobre instrumentación, medición y aplicaciones inteligentes (ICSIMA2022)
La decisión sobre la información y el protocolo XMPP basado
en el servidor push generarán información de decisión
recomendada para los usuarios de forma automática e inteligente.
Este documento realiza el cálculo de la aplicación de fertilizantes
y el algoritmo de diagnóstico y regulación y lo empuja al usuario
en esta área, lo que mejora la eficiencia de la toma de decisiones
de los usuarios y realiza una gestión inteligente y refinada de la agricultura [3].
)*+,-,*./ 012 3/0. 42*+)5 .6 .2*-++7 ,*.*
8 $%99%& : #& !%$; &
|
9 $(" ($!<&! &
)*+,-,*./ 012 3/0. 42*+)5 .= .2*-++7 ,*.*
(4)
(5)
(6)
En su investigación, Rong Tang y Xiaojun Zhang (2020)
8 $%99%& : #& !%$; &
(7)
|
utilizaron algoritmos CART combinados con la selección de
9 $(" ($!<&! &
características de Boruta para la clasificación de datos médicos,
CART propuso hacer para clasificar el subconjunto de
características y mejoró la precisión de la predicción. Al combinar
el algoritmo CART y el algoritmo BORUTA para clasificar el
C. Cartero
informe de datos médicos, el sistema puede identificar y mejorar
de manera efectiva la precisión de clasificación de los conjuntos de datos Postman
médicoses
[4].una herramienta que pueden utilizar los desarrolladores
que crean API (interfaz de programación de aplicaciones) como
herramientas para probar las API que se han creado. La función
tercero MÉTODO DE INVESTIGACIÓN
principal de Postman es como llamador API GUI (interfaz gráfica de
El concepto principal de esta investigación es el diseño de una
lámpara inteligente por sistema para automatizar el apagado/encendido
usuario). Para que a los desarrolladores les resulte más fácil diseñar una puerta de en
D. Antares
de la lámpara al predecir el comportamiento del usuario al usar una
lámpara. El conjunto de datos del registro de comportamiento del
Antares es una plataforma que se utiliza para facilitar el
desarrollo y diseño de un sistema basado en IoT (Internet de
utilizando la plataforma IoT para procesar y distribuir datos y resultados de capacitación de Algorithm.
las cosas). Antares es un producto de plataforma IoT de
A. Hogar inteligente
Telkom Indonesia. Hay muchos casos de IoT que se pueden
realizar con Antares, como Smart Home, medición inteligente,
El hogar inteligente es una combinación de redes de
seguimiento de activos, construcción inteligente y muchos más [9].
comunicación conectadas a dispositivos domésticos para que
usuario y se entrenó con el algoritmo CART. El sistema se implementará
puedan ser monitoreados y controlados de forma remota.
E. Clasificación de datos
Smart Home es una rama de la informática ubicua y
La clasificación predictiva es un método analítico utilizado para
generalizada. Smart Home es un concepto de integración de
formar un modelo que puede reflejar una clase de datos. El proceso
varios servicios en el hogar usando el mismo sistema de comunicación [5].
de clasificación comienza dividiendo la colección de documentos en
B. Árboles de Clasificación y Regresión (CART)
dos partes principales, a saber, datos de entrenamiento y datos de
El algoritmo CART (Árbol de clasificación y regresión) es
uno de los árboles de decisión que fue propuesto por primera
vez por Leo Breiman en 1984 y desarrollado para realizar análisis
de clasificación en variables de respuesta nominales, ordinales
y continuas. El algoritmo CART utiliza el GINI como medida de
impureza para seleccionar un atributo. La selección de nodos en
el CART es hacer que el nodo de impunidad sea lo más pequeño
posible y elegir el GINI más pequeño [6].
1ÿ
(1)
Con i defino una clase, p define la probabilidad y pi es la
probabilidad de una clase i. El algoritmo CART tiene varios
pasos desde el proceso de clasificación, hay Monitoreo del
candidato en todas las variables predictoras, y la lista que
contiene las ramas candidatas se llama la última rama
prueba [7]. A partir del conjunto de entrenamiento que utiliza la
clasificación de modelos específicos para determinar qué clase es
de los datos de prueba, el resultado de este método es la predicción
de diferentes maneras. Hay varios componentes en la clasificación de datos:
a) Clase: Es una variable dependiente en forma de
variable categórica de un modelo que presenta una
etiqueta en un objeto después de haberlo clasificado. b)
Predictor: Es una variable independiente indicada por
el atributo del dato a clasificar en base a la clasificación
de datos que se ha realizado.
c) 3. Conjunto de entrenamiento: Conjunto de datos que
contiene un valor de dos componentes y se clasifica en función
de los predictores existentes. d) 4. Conjunto de prueba: Es un
nuevo conjunto de datos donde los datos se clasificarán
con el modelo creado previamente y se podrá evaluar la precisión
candidata. Defina el valor de todos los últimos candidatos a sucursales
calculando la cantidad de (s|t).
de la clasificación.
Determine la rama que tiene una coincidencia (s|t). Si el
valor del nodo de decisión ya no existe, el algoritmo CART
se detiene [7].
F. Matriz de confusión
TABLA I.
MATRIZ DE CONFUSIÓN
La Bondad o la idoneidad (s|t) de la rama candidata
s en el punto de decisión t, se define en la siguiente
ecuación:
ÿ| 2| (2)
cual |
es:
|
ÿ
! ps (
||
|
(3)
80
Licencia de uso autorizada limitada a: UNIVERSIDAD AUTONOMA METROPOLITANA. Descargado
el 29 de noviembre de 2022 a las 21:48:56 UTC de IEEE Xplore. Se aplican restricciones.
Machine Translated by Google
2022 IEEE 8.ª Conferencia internacional sobre instrumentación, medición y aplicaciones inteligentes (ICSIMA2022)
Medir el rendimiento del proceso de clasificación del sistema.
Los resultados obtenidos del proceso del método son precisión,
recuperación y exactitud [10].
IV. DISEÑO DEL SISTEMA Y DESCRIPCIÓN GENERAL
En la Fig. 2 la descripción general del dispositivo, use un
microcontrolador WeMos D1 Mini conectado al módulo RTC para
determinar el tiempo real. WeMos D1 Mini también tiene antena como
módulo wifi que se puede usar para conectarse a internet a través de
wifi. Una vez que el dispositivo se pueda conectar a la red de Internet,
los datos del módulo RTC y los datos del estado de los
A. Descripción general del sistema La
figura 1 describe la ranura de una lámpara inteligente que utiliza
un sistema IoT en su interior. Primero, la lámpara inteligente
recuperará los datos en función del comportamiento del usuario,
luego los datos se enviarán a Antares para su almacenamiento. Una
vez guardados los datos, se realizará el proceso de entrenamiento
sobre el programa que se ha creado. Los resultados de los datos de
entrenamiento se envían luego a Antares en forma de línea de
electrodomésticos de acuerdo con el comportamiento del usuario se cargarán en la
Los datos en la nube se procesan para que puedan visualizarse en
los teléfonos inteligentes Android. En los propios smartphones
android se pueden controlar todas las actividades realizadas por el dispositivo.
C Diseño de hardware
comando. Los datos que han estado en forma de línea de comando
se almacenan en dispositivos de lámparas inteligentes para que puedan controlarse automáticamente.
Fig 1. Descripción general del sistema
La Fig. 1 es una vista general del sistema a crear, dividido en
varios procesos, entre otros:
1. La lámpara es un dispositivo que se utilizará como una lámpara
inteligente a la que se le dará un sistema automático con
inteligencia artificial.
2. La nube es un almacén de conjuntos de datos que se ha creado en función
del comportamiento del usuario y un lugar para almacenar todas las
actividades realizadas por dispositivos y programas de capacitación.
Fig 3. Sistemática de Desain Hardware
3. La aplicación es el lugar donde se crean los programas de
inteligencia artificial para realizar el entrenamiento de datos a
partir de los resultados de conjuntos de datos que se han
procesado en dispositivos de lámparas inteligentes. La
aplicación también es capaz de monitorear, configurar
manualmente y mostrar los resultados.
B. Descripción general del dispositivo
La sistemática del diseño de hardware se hace como la fig. 3
donde conecta módulos RTC, relés y condensadores al WeMos D1
Mini, luego se conecta a la red de Internet a través de wifi. WeMos D1
Mini enviará datos de control desde el teléfono inteligente Android a
la nube de Antares, que luego se leerán en la nube de Antares y luego
se mostrarán a través del teléfono inteligente Android.
En WeMos D1 Mini, se utilizan pines G, 5v, D3, D2 y D1, incluidos
pines G o de tierra para conectar entre la tierra del módulo RTC y del
módulo de relé, pines de 5v que se conectan entre el pin VCC del
módulo RTC y el pin VCC del relé, el pin D3 se conecta al pin IN del
relé, el pin D2 se conecta al pin SDA en el módulo RTC y el último pin
D1 se conecta al pin SCL en el módulo RTC.
D. Descripción general del software Al
principio se ejecutará una descripción general de los sistemas de
lámparas inteligentes con la recopilación de datos tomados de los
resultados de los hábitos de habitación del usuario. Después de
recopilar los datos, se seleccionarán los datos. La descripción de este examen es l
Fig. 2. Descripción general del dispositivo
81
Licencia de uso autorizada limitada a: UNIVERSIDAD AUTONOMA METROPOLITANA. Descargado
el 29 de noviembre de 2022 a las 21:48:56 UTC de IEEE Xplore. Se aplican restricciones.
Machine Translated by Google
2022 IEEE 8.ª Conferencia internacional sobre instrumentación, medición y aplicaciones inteligentes (ICSIMA2022)
atributos Luego se volverá a convertir para que pueda usarse como datos
de entrenamiento.
El diagrama de flujo de la Fig. 5 procesará los datos de entrenamiento
de entrada y determinará los candidatos de rama usando esos datos, luego
calculará el valor de PL y el valor de PR para obtener ÿ(s|t) en cada rama.
Después de ese valor de bondad se determinará con el valor máximo si los
atributos están completos, el proceso de generación de árboles está listo
para comenzar.
TABLA II.
Fig 4. Diagrama General del Sistema
EJEMPLO DE DATOS DE ENTRENAMIENTO QUE SE
HA CONVERTIDO CON CÁLCULOS DEL CARRITO
NO Día
1
lunes 0
día de clase
Condición
Hora (Hora)
07:00 10:00 18:00
EN
2
lunes 0
16:00 01:20
APAGADO
3
lunes 0
23:00 03:00 07:30
EN
4
martes 1
analizados en la etapa final. En el siguiente sistema el proceso de
5
martes 1
clasificación utiliza el método CART.
6
martes 1
EN
7
miércoles 2
EN
Los datos que hayan sido seleccionados serán transformados y
clasificados durante una semana. Los resultados de la clasificación serán
A. Recuperación de datos
Los datos de hábitos se registran en un lapso de una semana. Los
datos se recuperan utilizando la API (interfaz de programación de
aplicaciones) en el servidor Antares. En el momento de la recuperación de
datos se debe pasar por dos etapas, a saber, la primera para recuperar la
identidad de los datos utilizando la dirección API.
B. Preprocesamiento de datos
EN
APAGADO
8
miércoles 2
9
miércoles 2
22:55
EN
10
jueves 3
05:10
EN
11
jueves 3
07:00
APAGADO
12
jueves 3
11:50
EN
13
viernes 4
03:22
APAGADO
14
viernes 4
06:40
EN
15
viernes 4
11:30
APAGADO
16
sábado
5
08:45
APAGADO
17
sábado
5
10:11
EN
18
sábado
5
19 :10
EN
19
Domingo
6
01:00
APAGADO
6
19:00
EN
20 domingo
APAGADO
Los datos convertidos se pueden utilizar para determinar los candidatos
de rama izquierda y derecha. Los datos se toman dentro de una semana
junto con el tiempo de entrenamiento de los datos.
CUADRO III. EJEMPLO DE ENTRENAMIENTO EN DATOS PARA CANDIDATOS A RAMAS
IZQUIERDA Y DERECHA
Rama Candidato Izquierda Rama Candidato Derecha
Día (<=2) (>2)
Día (<=4) (>4)
Día (<=6) (>6)
Hora (<=6:00) (>6:00)
Hora (<=12:00) (>12:00)
Hora (<=17:00) (>17:00)
Hora (<=23:00) (>23:00)
Cálculos para encontrar el valor de PL y PR utilizando las ecuaciones
(4) y (6).
CUADRO IV. CALCULAR EL VALOR DE PL Y PR
Valor PL
0,45
Fig. 5. Algoritmo CART de diagrama de flujo
Los resultados generados por este proceso son días, horas y
condiciones. En esta etapa, el proceso de análisis se lleva a cabo en todos
Valor de relaciones públicas
0,55
0,75
0,25
1
0
0,25
0,75
0,7
0,3
0,75
0,25
1
0
los datos que se han tomado. El análisis es un proceso de análisis de
cadenas en lenguajes informáticos. Hay varias etapas de esta parte: los
datos que se han tomado en la imagen se convertirán para tener atributos
y tiempo en forma de épocas y después de que los datos tengan
Después de obtener los resultados de los valores de PL y PR en la
tabla III, se realizan cálculos para encontrar los valores de P(j|tL) y P(j|tR)
utilizando las ecuaciones (5) y (7).
características, condiciones y tiempo.
82
Licencia de uso autorizada limitada a: UNIVERSIDAD AUTONOMA METROPOLITANA. Descargado
el 29 de noviembre de 2022 a las 21:48:56 UTC de IEEE Xplore. Se aplican restricciones.
Machine Translated by Google
2022 IEEE 8.ª Conferencia internacional sobre instrumentación, medición y aplicaciones inteligentes (ICSIMA2022)
CUADRO V.
Detalle de la prueba del menú
CÁLCULO DE DATOS P(J|TL) Y P(J|TR)
Cálculo de datos P(j|tL) y P(j|tR)
NO
Condición Pj|tL Pj|tR ON 0,66 0,54
prueba de elementos
Conversión de datos
Predicción
Muestra datos sobre
Caja
Capacitación
negra
1
2
APAGADO
0,33
0,45
EN
0,6
0,6
APAGADO
0,4
EN
0,6
0 0,7
APAGADO
0,4
0,3 1
01
CARRO
0,4 0
Enviar datos
3
4
5
EN
0,4
APAGADO
0,6
EN
0,43
APAGADO
0,57
EN
0,47
APAGADO
0,53
0
EN
0,6
0
APAGADO
0,4
0
Hace predicciones sobre
Caja
datos de entrenamiento
negra
Enviar datos predictivos a
antares
negra
100%
100%
Caja
100%
B. Pruebas de rendimiento En
la tabla y el gráfico a continuación hay un experimento de cálculo de
resultados de luces interiores y exteriores para obtener precisión,
6
7
Tipo Resultado
Caja negra 100%
Muestra datos en forma
convertida
recuperación y valor de exactitud.
TABLA VIII. CÁLCULO RESULTADOS DEL USO DE LUCES INTERIORES
norte
Después de que P(j|tL) y P(j|tR) ya estén definidos, luego calcula el valor
Datos de
O
entrenamiento
Datos
Precisión(%)
Recuerdo (%)
Precisión (%)
de prueba
de ÿ(s|t) usando las ecuaciones (2). El resultado que se muestra en la tabla
ENCENDIDO APAGADO ENCENDIDO
V. El valor ÿ (s|t) se obtiene de restar el valor de Pj|tL y Pj|tR en la condición
1 120 2
168
ON más el resultado de la reducción en la condición OFF. El valor de 2PLPR
se obtiene de la ecuación (2). Y el mayor valor de (s|t) se toma como nodo
100
168
APAGADO 67100
37
24
3 60 168 Promedio (%)
100
92
93
93
55
87
88
95
33
92
83
69.33
base.
88
76,5
La Tabla VIII se visualiza en un gráfico en la Fig. 6 a continuación.
CUADRO VI.
NO
5
VALOR DEL PRIMER PUNTO
Rama
Rama
Candidatos a la izquierda
Hora (<=12:00)
ÿ(s|t)
Candidatos Derecha
(>12:00)
0.478
Con base en la TABLA V. es el resultado del cálculo para encontrar el
valor de octava más grande, porque los resultados de (tiempo > 12) todas
las condiciones muestran el resultado, entonces el proceso se detiene.
Debido a que el resultado de (tiempo <=12.00) tiene condiciones (encendido
y apagado), entonces el proceso continúa.
Una vez pronosticados los datos, se obtendrán las condiciones de la
lámpara de acuerdo con los datos de la prueba. Los resultados se enviarán
Fig. 6. Gráfico de luz interior
a Antares donde se utilizarán los datos en el dispositivo.
TABLA IX. CÁLCULO RESULTADOS DEL USO DE LUCES EXTERIORES
V.EL RESULTADO
El objetivo de probar el rendimiento del sistema es determinar el
rendimiento del método del algoritmo CART en la clasificación de datos. El
rendimiento del sistema se obtiene utilizando el método de matriz de
norte
Datos de
O
entrenamiento
Datos
168
confusión para calcular los valores de exactitud, precisión y recuperación.
100
168
En esta prueba, se realizaron tres pruebas utilizando diferentes datos de
3 60
168
interiores y exteriores, la segunda prueba fue 100 datos para las luces
Recuerdo (%)
Precisión (%)
ENCENDIDO APAGADO ENCENDIDO
1 120 2
entrenamiento. En la primera prueba, se usaron 120 datos para las luces
Precisión(%)
de prueba
Promedio (%)
APAGADO 67100
52
37
100
92
96
71
90
88
96
54
92
87
74.66
83,16
93
89.33
La Tabla IX se visualiza en un gráfico en la Fig. 7 a continuación.
interiores y exteriores, y la tercera prueba fue 60 datos para las luces
interiores y exteriores. Los datos utilizados en esta prueba utilizan datos de
hábitos de habitación tomados durante una semana y así sucesivamente, de
acuerdo con las condiciones cuando las luces se encienden y se apagan.
A. Prueba del sistema
En el sistema construido, probado en el sistema de iluminación inteligente.
El propósito de esta prueba es garantizar que el rendimiento de la aplicación
y del sistema sea el esperado, probando la funcionalidad de las características
contenidas en el sistema. En este sistema de iluminación inteligente, se
probará la funcionalidad de las características del sistema. La siguiente es
una tabla de escenarios de prueba.
TABLA VII. ESCENARIO DE PRUEBA DE CAJA NEGRA
Fig 7. Gráfico de luz exterior
Detalle de la prueba del menú
Recuperación de
Sistema
datos de Antares
prueba de elementos
Obtener y mostrar datos
antares
Tipo Resultado
Caja negra 100%
Con base en los resultados de probar el modelo que ha sido entrenado
en este sistema, se puede concluir que el nivel de
83
Licencia de uso autorizada limitada a: UNIVERSIDAD AUTONOMA METROPOLITANA. Descargado
el 29 de noviembre de 2022 a las 21:48:56 UTC de IEEE Xplore. Se aplican restricciones.
Machine Translated by Google
2022 IEEE 8.ª Conferencia internacional sobre instrumentación, medición y aplicaciones inteligentes (ICSIMA2022)
la precisión depende mucho de la cantidad de datos de entrenamiento
utilizados, cuantos más datos se utilicen, mayor será el nivel de precisión
obtenido. Esto muestra que el algoritmo CART puede analizar bien los
hábitos de una persona en función de los registros de datos existentes,
por ejemplo, lo que se ha utilizado en este sistema es leer los hábitos de
una persona en el uso de luces. Entonces, para investigaciones futuras, el
algoritmo CART se puede usar para analizar un patrón de hábito que ocurre
en un entorno más grande.
C. Hora del sistema de respuesta
El tiempo de respuesta total del sistema se calcula desde el comienzo
de Android hasta WeMos D1 Mini.
La Tabla X muestra el resultado del tiempo total obtenido al enviar los
datos de control de Android, el modo de control remoto y el comportamiento
de la habitación a la nube antares, luego desde la nube antares a WeMos
D1 Mini en unidades de tiempo con el tiempo total requerido para cada
carga diferente.
TABLA X. TIEMPO TOTAL DEL SISTEMA DE
CONTROL Tiempo Total del
Sistema Desde Android Hasta WeMos
Control de sistema
D1 Mini (segundo)
Lámpara
Modo de control remoto
Modo de comportamiento
1,24
1,56
VI. CONCLUSION
Las pruebas de Black Box en cada función del sistema y la función de
clasificación en los datos de hábitos de la habitación utilizando el método
CART muestran que todo puede funcionar al 100%. Los resultados de la
REFERENCIAS
[1] M. Li, "Aplicación del árbol de decisiones CART combinado con el algoritmo
PCA en la detección de intrusos", Actas de la Conferencia internacional
IEEE sobre ingeniería de software y ciencias de servicios, ICSESS, vol.
2017-noviembre, págs. 38–41, abril de 2018, doi: 10.1109/
ICSESS.2017.8342859.
[2] N. Bhargava, S. Dayma, A. Kumar y P. Singh, "Un enfoque para la clasificación
utilizando el algoritmo CART simple en WEKA", Actas de la 11.ª Conferencia
Internacional sobre Sistemas Inteligentes y Control de 2017, ISCO 2017,
págs. 212–216, febrero de 2017, doi: 10.1109/ISCO.2017.7855983.IS Jacobs
y CP Bean, “Fine partículas, películas delgadas y anisotropía de
intercambio”, en Magnetism, vol. III, GT Rado y H. Suhl, eds. Nueva York:
Academic, 1963, págs. 271–
350.
[3] H. Yan, H. Hu y P. Yu, "Un estudio sobre la tecnología de empuje de la
información del servicio de agricultura inteligente basada en el algoritmo CART"
Actas - Conferencia internacional sobre robots y sistemas inteligentes de
2019, ICRIS 2019, págs. 258–260, junio de 2019, doi: 10.1109/
ICRIS.2019.00074.R. Nicole, “Título del artículo con solo la primera palabra
en mayúscula”, J. Name Stand. Abrev., en prensa.
[4] R. Tang y X. Zhang, "Árbol de decisiones de CART combinado con la
selección de características de Boruta para la clasificación de datos
médicos", 2020 5th IEEE International Conference on Big Data Analytics,
ICBDA 2020, pp. 80– 84, mayo de 2020, doi: 10.1109/ICBDA49040.2020.9101199.
[5] R. Lutolf, "El concepto de hogar inteligente y la integración de medidores de
energía en un sistema basado en el hogar", Landis & Gyr Energy
Management Corp, pp. 277-278, 1992.
[6] M. Balamurugan y S. Kannan, "Análisis de rendimiento de Cart y C5.0
mediante técnicas de muestreo", Conferencia internacional IEEE sobre
avances en aplicaciones informáticas (ICACA) de 2016, 2016.
[7] S. Singh y P. Gupta, "ESTUDIO COMPARATIVO ID3, CART Y C4.5 ALGORITMO
DEL ÁRBOL DE DECISIÓN: UNA ENCUESTA", Revista internacional de
ciencia y tecnología de la información avanzada (IJAIST)
ISSN, vol. 27, núm. 27, 2014.
[8] J. Jain, "Herramientas, marcos y bibliotecas", en Learn API Testing: normas,
prácticas y pautas para crear una automatización de pruebas eficaz, J.
Jain, ed. Berkeley, CA: Apress, 2022, págs. 41–73. doi:
10.1007/978-1-4842-8142-0_4.
[9] MCA Prabowo, SS Hidayat y F. Luthfi, "Red de sensores inalámbricos de
bajo costo para la medición inteligente de gas con la plataforma Antares
IoT", 3ra Conferencia internacional sobre ciencia y tecnología aplicadas,
tomados durante una semana dio como resultado un valor de precisión del
iCAST 2020, 175–180, 2020, doi: páginas.
10.1109/ICAST51016.2020.9557692.
93 %, precisión (ON) 67 %, precisión (Off) 100 %, recuperación (ON) 100% y recuperación
(OFF)
prueba de rendimiento del sistema en la clasificación de datos con los
mejores resultados, a saber, la primera prueba que utilizó 120 datos
92%. Los datos utilizados para este estudio fueron tomados durante una
semana. Se puede concluir que cuantos más datos, mayor es la precisión.
[10] CCDAK Santra, "Algoritmo genético y matriz de confusión para la agrupación
de documentos", IJCSI International Journal of Computer Science Issues,
2012.
84
Licencia de uso autorizada limitada a: UNIVERSIDAD AUTONOMA METROPOLITANA. Descargado
el 29 de noviembre de 2022 a las 21:48:56 UTC de IEEE Xplore. Se aplican restricciones.