Дослідження та застосування методів машинного навчання для прогнозування якості повітря в розумному будинку

Abstract

Кваліфікаційна робота присв’ячена розробці та експериментальній перевірці системи прогнозування якості повітря в розумному будинку на основі методів машинного навчання.. В першому розділі кваліфікаційної роботи розглянуто теоретичні засади внутрішньої якості повітря, структуру систем розумного будинку та базові поняття машинного навчання. В другому розділі кваліфікаційної роботи описано й порівняно сучасні методи машинного навчання, придатні для прогнозування IAQ, з обґрунтуванням вибору алгоритму градієнтного бустингу. В третьому розділі кваліфікаційної роботи реалізовано та експериментально перевірено Python-модель XGBoost, інтегровану на edge-контролері для онлайн-прогнозу параметрів повітря і проактивного керування. В четвертому розділі розглядаються принципи охорони праці та безпеки, що стосуються користувачів ПК, а також розумне управління електронними пристроями.

The qualification work is devoted to the development and experimental testing of an air quality prediction system in a smart home based on machine learning methods. The first chapter of the thesis examines the theoretical foundations of indoor air quality, the structure of smart home systems, and the basic concepts of machine learning. The second chapter describes and compares modern machine learning methods suitable for IAQ prediction, with a justification for the choice of the gradient boosting algorithm. The third chapter of the thesis implements and experimentally tests a Python XGBoost model integrated on an edge controller for online air parameter prediction and proactive control. In the fourth chapter discusses the principles of occupational health and safety for PC users, as well as smart management of electronic devices.