ИССЛЕДОВАНИЕ И АНАЛИЗ ДАННЫХ С ДАТЧИКОВ УМНОГО ДОМА

RESEARCH AND ANALYSIS OF DATA FROM SMART HOME SENSORS

Alexander Nedoedko

Student, Department of Industrial Electronics, Komsomolsk-na-Amure State University,

Russia, Komsomolsk-na-Amure

Yury Ivanov

Scientific supervisor, candidate of technical Sciences, associate professor, Komsomolsk-na-Amure State University,

Russia, Komsomolsk-na-Amure

АННОТАЦИЯ

Проведен анализ временных рядов, полученных с датчиков освещенности. В процессе анализа были рассмотрены такие характеристики временных рядов, как стационарность, сезонность, тренд, автокорреляция и частичная автокорреляция. Проведены необходимые вычисления и визуализация результатов.

ABSTRACT

The analysis of time series obtained from light sensors was carried out. During the analysis, such characteristics of time series as stationarity, seasonality, trend, autocorrelation and partial autocorrelation were considered. The necessary calculations and visualization of the results were carried out.

Ключевые слова: временные ряды, EDA, освещенность, датчики, стационарность, сезонность, тренд, автокорреляция, частичная автокорреляция, анализ данных, Python, визуализация данных.

Keywords: time series, EDA, illumination, sensors, stationarity, seasonality, trend, autocorrelation, partial autocorrelation, data analysis, Python, data visualization.

Был проведён разведочный анализ временных рядов для прогнозирования уровня освещения в помещении в последующие часы и дни, который позволит разработать систему управления освещением в помещении с использованием алгоритмов машинного обучения. Система повысить комфортность пребывания в помещении, оптимизировать расход электроэнергии и уменьшить нагрузку на сеть.  Для этого мы использовали данные, собранные с датчиков освещенности в различных комнатах квартиры. Данные собирались каждые 10 секунд и содержали информацию о месте, где расположен датчик, времени и дате сбора данных и уровне освещенности в помещении.

Для анализа временных рядов была выбрана комната “Спальня”. Были построены графики уровня освещённости за 5 дней (рисунок 1), где значение 250 является высоким уровнем освещения, а 0 - темнотой.

Рисунок 1. Визуализация данных об освещении

Визуально можно предположить, что ряд является стационарным, но для точного анализа был проведён расширенный тест Дики-Фуллера [1] на с использованием инструментов языка python (рисунок 2).

Рисунок 2. Вывод теста Дики-Фуллера

Вывод теста Дики-Фуллера показал, что значение p-value стремится к нулю из чего следует, что мы отвергаем нулевую гипотезу и наш временной ряд является стационарным.

Для дальнейшего анализа построили график автокорреляции (рисунок 3) и график частичной автокорреляции (рисунок 4).

Рисунок 3. График автокорреляции

Из графика автокорреляции видно, что ряд имеет сильную корреляцию, что указывает на нестационарность ряда, при этом, если тест Дики-Фуллера указал на стационарность ряда, то в ряде возможно наличие других факторов, компенсирующих автокорреляцию и делающих ряд стационарным [4].

Рисунок 4. График частичной автокорреляции

Из графика частичной автокорреляции видны только 2 значительных всплеска в начале графика, что может указывать на сезонность данных.

Далее мы построили графики для сравнения реальных показаний (original), тренда (Trend), сезонности (Seasonality) и графика потерь (Residuals) (рисунок 5)[2].

Рисунок 5. Графики сравнения реальных показаний с линией тренда, сезонностью и потерями

Из линии тренда на графике видно постепенное нарастание освещения в комнате днём и постепенное понижение уровня освещения вечером, что свидетельствует о естественном изменении освещения [5].

График сезонности ряда показывает повторяющиеся со временем уровни освещения, что свидетельствует о сезонности временного ряда.

Из графика потерь или остатков можно сделать выводы о том, насколько точно наша модель описывает данные. Если график показывает высокие значения потерь в некоторые моменты времени, это может указывать на то, что модель не учитывает некоторые факторы, которые влияют на уровень освещенности.

В дальнейшем проведённый анализ будет использоваться для прогнозирования временных рядов уровня освещения в помещении. На основе построенного прогноза умный хаб будет адаптировать освещённость под комфортный для пользователя умного дома уровень.

Список литературы:

1. Информационный портал // MachineLearningMastery.ru // – 2018 – [электронный ресурс] – Режим доступа – URL: https://www.machinelearningmastery.ru/time-series-analysis-in-python-an-introduction-70d5a5b1d52a/ (дата обращения: 03.04.2023).
2. Информационный портал // Медиум // – 2020 – [электронный ресурс] – Режим доступа – URL: https://medium.com/@bigdataschool/визуализация-временных-рядов-64005728d680 (дата обращения: 08.04.2022).
3. Информационный портал // Машинное обучение // – 2023 – [электронный ресурс] – Режим доступа – URL: https://www.dmitrymakarov.ru/intro/time-series-20/ (дата обращения: 06.04.2023)
4. Информационный портал // Data Learning // – 2023 – [электронный ресурс] – Режим доступа – URL: http://datalearning.ru/index.php/ssp (дата обращения: 05.04.2023).
5. Информационный портал // АПНИ // – 2022 – [электронный ресурс] – Режим доступа – URL: https://apni.ru/article/3737-primenenie-regressionnogo-analiza-dlya-issled (дата обращения: 09.04.2023)