Adaptıve, Context-Aware And Learnıng Smart Home System

Akıllı ev sistemleri insan hayatına birebir etkileşim yapabilen iletişim ağları, bağlayıcı sensörler, ev alet ve cihazlarıyla donatılmış, sakinlerinin güvenlik, sağlık, eğlence, iletişim, konfor ve enerji verimliliği gibi ihtiyaçlarına yönelik hizmetleri sağlayan konut sistemleridir. Bu tez çalışmasında, içerisindeki değişen durumlara göre davranışı değişen, adaptif, önceki davranış ve çıktılarına bağlı yeni davranışlar ortaya koyabilen, bağlam bilinçli ve geçmiş giriş ve çıkışlardan öğrenebilen bir akıllı ev sistemi geliştirilmiştir. Geliştirilen akıllı ev sisteminde ev sakinlerinin hareketleriyle oluşan veriler, birliktelik kuralları ve sıralı örüntü madenciliği yöntemleri kullanılarak sıralı dizi şeklinde modellenmiştir. Toplanan sıralı dizilerle yeni oluşan dizi arasındaki benzerlikler kullanılarak bir sonraki adım tahmini ve işlemi yapan kişinin tahmini yapılmıştır. Benzerliklerin hesabı için en uzun ortak küme yöntemi ve olasılıksal dağılım için softmax yöntemi kullanılmıştır. Nesneler arasındaki modelleme çizge teorisi kullanılarak yapılmıştır. Farklı kullanıcılar için oluşturulan senaryolar ile yapılan testlerde geliştirilen akıllı ev sisteminin değişen şartlara hızlı uyum sağladığı, geçmiş bilgilere göre öğrenip gelecek davranışı yüksek oranda doğru tahmin ettiği görülmüştür.Smart home systems are residential systems that provide the services to meet their household's requirements of security, welfare, entertainment, communication, comfort and energy productivities, and equipped with communication networks, connective sensors, home appliances and devices that can do one-to-one interaction to human life. A smart home system is developed in this thesis, which can change its actions according to different situations going on inside, is adaptive, can produce new actions depending on former actions and outcomes, is context-aware, and can learn from former entrances and exits. Data occurred through movements of household is modelled with the employment of association rules and sequential pattern mining methods, within the developed smart home system. Predictions for next step and operating individuals are done through similarities between cumulative sequences and new sequence. The Longest Common Subsequence Method and Softmax Method are employed for similarity calculations and probabilistic distributions, respectively. Modelling between objects was done by Graph Theory. It was proved that the proposed smart home system can quickly adjust the changing situations, learn from former information and predict the next action with a high accuracy percentage, through the test experiments done with the scenarios developed for different type and number of individual